91APP AgentOne × MediaOne：廣告投放交給 AI Agent，投手升級為製程工程師
廣告優化師每天的例行操作，正在被 AI agent 接手。MediaOne 把零售受眾、創意生成與成效優化交給 agent，讓投手從盯後台的人，升級成訂規則、設煞車的製程工程師。這篇拆解 91APP AgentOne 底下的 MediaOne。
廣告優化師的一天，正在被重寫
一位廣告優化師，也就是俗稱的投手，過去的一天是這樣過的：依客戶目標設定受眾、準備素材、規劃媒體策略，在各廣告平台上建好帳戶、活動與素材的結構，然後每天分早中晚盯著數據，手動調整出價與組合。
這套流程裡，最耗人的不是策略，是重複。而重複，正是 AI agent 最擅長接手的部分。Gartner 於 2026 年的一份調查顯示，行銷主管預期 AI 驅動的行銷工作自動化比例，會從 2026 年的 16% 提高到 2028 年的 36%，增加 20 個百分點、規模超過兩倍。同一股趨勢也反映在整體企業軟體上，Gartner 於 2025 年預測，具備任務型 AI Agent 的企業應用 2026 年最多達四成。
MediaOne 就是 91APP AgentOne 底下的媒體投放 agent，把零售受眾、創意生成與廣告成效優化交給 agent 執行。它要做的，是把投手從每天的例行操作裡釋放出來，讓人專心做真正需要判斷的事。
我們先讓 agent 幫自己投廣告
91APP 團隊做 MediaOne，一樣是先拿自己開刀。我們把投手每天在做的判斷，像是哪個受眾該加碼、哪組素材該換、預算該怎麼分，一步步拆解、寫成可重複的技能交給 agent，讓它每天固定時段自動執行例行的檢視與調整，人只在關鍵決策點介入。
跑順之後我們更確定一件事：agent 接手的是操作，不是判斷。判斷什麼是好受眾、什麼是好策略，反而因為人被釋放出來，變得更重要。
MediaOne 在做的三件事
MediaOne 的工作，可以拆成三塊。三者都建立在品牌的第一方數據上，這是它跟一般廣告工具最大的不同。
| 職能 | 它負責什麼 |
|---|---|
| 零售受眾 | 用品牌購買數據圈出高價值、高意圖的受眾包 |
| 創意生成 | 依產品、受眾與行銷切角，產出並輪替廣告素材 |
| 成效優化 | 每天檢視數據，自動調整出價、組合與預算配置 |
這三塊接起來，就是一條會自己運轉的投放產線：圈對人、給對素材、依成效持續修正。
三個實際場景
把三塊拆到操作層，MediaOne 主要在以下場景替品牌做事，以下都不指向任何特定品牌。
建立與維護廣告架構。從媒體、活動到素材的層級結構，agent 可以依品牌目標一次建好，並支援跨媒體的批次編輯與複製，省去逐一手動設定。這一塊呼應我們一直強調的，廣告要有正確的轉換事件追蹤與全漏斗架構，演算法才學得對。
每日的成效優化。agent 可每日排程檢視廣告表現，依數據調整出價與組合，不受一般辦公時段限制。這一點在歸因邏輯愈來愈嚴的當下格外重要，當廣告平台的數據變得更誠實，品牌更需要靠第一方數據與全通路追蹤來看清真實成效。
創意生成與素材輪替。同一組素材跑久了會疲勞，agent 能依受眾與切角持續產出新素材並自動輪替，關鍵不是 AI 能不能生圖，而是知道該生什麼。
服務產品化：讓例行操作可以跨帳戶並行
MediaOne 背後的邏輯，是服務產品化。一位投手受工時所限，一個人能同時照顧的客戶數量有限。當他的專業被寫成技能交給 agent，例行操作就能跨越辦公時段、並行處理更多帳戶。這一步的意義，在於把「投放服務」變成一件可以被大量複製的產品。
零售媒體本身也在快速長大。根據 eMarketer 2026 年初的預測，美國零售媒體廣告支出仍以雙位數成長，增速超過社群與搜尋廣告。市場愈大、投放愈複雜，能規模化又穩定的投放能力就愈值錢。
這時候投手會冒出一個念頭：「我是不是被蒸餾掉了？」我們的答案剛好相反，這是一次升級。投手不再是熬夜盯後台調出價的人，而是變成訂規則、設煞車、看整體成效的製程工程師。團隊對規則設計、風險控管與成效驗收的需求會增加，相關人員的價值也隨之提高。
為什麼 agent 投廣告，駕馭比放手更重要
把預算交給一個會犯錯的 agent，是有風險的。AI 是個超強卻還不能完全信任的新人，少了良好的規範，它可能做出錯誤判斷，讓當日花費爆掉，最後還是要人去跟品牌道歉。
這正是 Gartner 於 2025 年預測、到 2027 年底超過四成 agentic AI 專案會被取消的背景，主要原因是成本上升、商業價值不清與風險控管不足。所以 MediaOne 的設計，把每個投放 agent 放進受控的環境裡運作：它能動的預算上限、能碰的帳戶、能改的設定都被框住，重要調整要通過檢核才送出。控制邊界加上檢核產出，這套駕馭工程，才是 agent 敢投廣告的前提。
資料驗證、算得對、不幻覺，是廣告 agent 的入場券
廣告 agent 跟一般聊天機器人最大的差別，在於它花的是真金白銀。一個 agent 如果讀進沒驗證過的資料、把數字算錯，或憑空生出一段幻覺出來的判斷，代價很直接：當天預算被投到錯的受眾身上，事後還得跟品牌交代這筆錢花去哪了。所以資料先驗證、運算要正確、輸出不能有幻覺，是廣告 agent 的基本功，也是它敢碰預算的第一道門檻。
真正讓 MediaOne 可靠的，是 Prompt 以外的東西。同樣一句「幫我把這檔活動投好」，交給不同底座的 agent，跑出來的結果會差很多。差別藏在下面三件事。
| Prompt 以外的關鍵 | 在投放裡是什麼 |
|---|---|
| Context 脈絡 | 品牌第一方購買數據與受眾脈絡，讓 agent 知道該對誰投、投什麼 |
| Harness 邊界 | 預算上限、可動帳戶、可改設定的框，加上送出前的檢核 |
| Loop Engineering 迴圈 | 每天投放後看成效、驗證數字、修正設定的自我修正迴圈 |
少了這三件事，一句漂亮的 Prompt 只會讓 agent 更快地把預算花錯地方。
這也是品牌自己把成效報表下載下來、丟給 ChatGPT 或 Gemini 問「這週該怎麼調」，跟交給 MediaOne 的根本差距。通用 AI 手上只有你貼給它的那份報表，看不到你完整的投放歷程與購買數據，沒有預算上限這道煞車，也沒有每天投放後的驗證迴圈。它可以給你一段讀起來很合理的建議，但那段建議可能建立在被截斷的資料上，甚至是模型幻覺出來的推論，你照著調，燒的是真的預算。MediaOne 把 Context、Harness、Loop Engineering 這三件事做進系統的設計裡，讓每一次調整都在有資料、有邊界、有檢核的前提下進行。
受眾是主菜，不是配菜
MediaOne 真正的底氣，來自受眾。很多品牌把心力放在素材與文案，卻用很粗的條件圈受眾。我們的經驗剛好倒過來：受眾是主菜，不是配菜。把受眾圈準帶來的效益，常被品牌低估。
要圈得準，靠的是能從真實購買數據回算每個標籤價值的能力，也就是我們說的 LIFT，用一個標籤的實際購買轉換去衡量它相對大盤的優勢，取代憑感覺貼標。這些高購買意圖的受眾包來自 CDMP 的第一方數據底座，是 MediaOne 圈受眾的彈藥，也讓私域名單能當成廣告的精準種子受眾，把成效外擴到廣告平台。這一整套從數據到廣告的應用，正是 第一方數據在純電商與 OMO 零售的核心價值，背後則是 用會員生命週期與購買意圖模型鎖定高轉換名單的能力。
也因為受眾建立在品牌自己的數據上，品牌能降低受眾策略完全受制於單一平台標籤的程度，保留調整媒體組合的空間；實際投放仍依賴各平台的帳戶、版位與政策。這也呼應 Gartner 於 2026 年的另一項預測，到 2028 年將有六成品牌用 agentic AI 支援一對一的顧客互動。
ASC 與 PMAX 是黑箱，MediaOne 在黑箱之上駕馭它
廣告平台這幾年把愈來愈多決策收進自己的自動化裡。Meta 的 ASC（Advantage+ Shopping Campaigns）與 Google 的 PMAX（Performance Max），都是這類黑箱式的自動化：品牌設好目標與預算，平台演算法自己決定要對誰、在哪個版位、用哪組素材出價。它們很強，但品牌看不進去，也很難指定它該偏向誰。
MediaOne 沒有要取代 ASC 或 PMAX，這兩套黑箱本來就是廣告平台的主力工具。MediaOne 的角色，是站在它們之上駕馭這兩套自動化為品牌所用：用品牌的第一方購買數據餵進受眾與訊號，讓黑箱知道該往哪個方向學；用 Harness 把預算與可動帳戶框住，當自動化跑偏時留一道煞車；用 Loop 每天檢視成效、在條件達標時回饋修正，讓演算法在有資料底座、有邊界的設計下運轉。
一個具體的做法，是在符合平台政策與會員同意、雜湊比對等前提下，把 CDMP 算出來的高購買意圖名單當成種子受眾，餵給 ASC 或 PMAX，讓平台的自動化在一個已經圈準的起點上向外放大，省去從零開始亂槍打鳥的學習成本。
把預算丟進黑箱、聽天由命，跟給黑箱一個好的起點、一道邊界、一套持續的驗證，長期下來會走向完全不同的地方。MediaOne 要做的是後者。
評估廣告 agent，先確認受眾來源與預算煞車
想把廣告投放交給 agent，台灣品牌在評估時，有幾個角度值得先看清楚。
- 先看受眾從哪來。廣告 agent 的成效上限，是它圈受眾的資料品質。可以先問：這套系統圈受眾，用的是品牌自己的第一方購買數據，還是平台通用標籤。
- 看它有沒有預算煞車。把預算交給 agent 前，確認它有沒有花費上限、異常監控、重要調整的檢核，這決定了你敢不敢放手。
- 看它能不能跨媒體協同。廣告不會只投一個平台，能在多媒體間統一管理受眾與成效的 agent，比只顧單一平台的工具實用得多。
- 讓投手的角色往上游移動。把人從每天調出價中釋放出來，練習訂規則、設煞車、看整體策略。這是投手在 agent 時代最該長出的能力。
這幾件事，比廣告工具的介面漂不漂亮更能看出它的真實價值。
廣告的終點，是把投放變成一件可以交辦的事
MediaOne 講到底，是讓品牌可以把廣告投放，從一連串手動操作，變成一句可以交辦的目標。投手不會消失，他從操作者，變成設計並駕馭這條投放產線的人。
對台灣品牌來說，值得記住的是：當投放可以交辦，真正拉開差距的，是誰的第一方數據更厚、誰把受眾圈得更準。那個熬夜盯後台的投手，不是被蒸餾了，是被升級了。
品牌最常問的 MediaOne 與廣告 agent 問題
Q1：MediaOne 是什麼？ A1：MediaOne 是 91APP AgentOne 底下的媒體投放 agent，負責零售受眾、創意生成與廣告成效優化。它把廣告優化師每天的例行操作交給 agent 執行，讓投放能全天候運轉，人則負責訂規則、設煞車與看整體策略。
Q2：MediaOne 跟廣告平台內建的自動化工具差在哪？ A2：平台內建的自動化，多半用平台自己的通用受眾與訊號。MediaOne 的受眾建立在品牌的第一方購買數據上，並能跨多個媒體統一管理受眾與成效。差別在於它用你自己的數據驅動投放，減少受單一平台資料綁住的程度。
Q3：把廣告預算交給 AI agent，會不會失控燒錢？ A3：這正是設計重點。MediaOne 把每個投放 agent 放進受控環境，花費上限、可動帳戶、可改設定都被框住，重要調整要通過檢核才送出。控制邊界加上檢核產出的駕馭機制，是 agent 敢投廣告的前提，也是避免預算失控的關鍵。
Q4：導入 MediaOne 之後，還需要廣告投手嗎？ A4：需要，但角色會升級。agent 接手的是每天的例行操作，不是策略判斷。投手會從盯後台的人，轉為訂規則、設煞車、看整體成效的製程工程師。能設計並維護這條投放產線的人，價值會更高。
Q5：MediaOne 怎麼決定要對誰投廣告？ A5：它用品牌的第一方購買數據，圈出高價值、高購買意圖的受眾包，並可把私域名單當成廣告平台的精準種子受眾。圈受眾的依據是從真實購買數據回算的標籤價值，取代憑感覺或平台通用標籤。
Q6：品牌需要先具備什麼，才適合導入 MediaOne？ A6：最重要的是有可用的第一方數據底座。廣告 agent 的成效上限，取決於它能圈到多準的受眾，而受眾來自你歸戶完整的購買數據。建議先確認會員與交易資料的完整度，再把投放逐步交給 agent。
Q7：廣告 agent 如果算錯或有幻覺，會不會直接燒錢、投錯受眾？ A7：會，而且代價很直接。廣告 agent 花的是真實預算，一旦讀進沒驗證的資料、把數字算錯，或憑空生出一段幻覺的判斷，當天花費就可能被投到錯的受眾身上，事後還得跟品牌交代這筆錢花去哪。所以 MediaOne 把資料驗證、運算正確與零幻覺當成投放的基本功，這是 agent 敢碰預算的前提。
Q8：MediaOne 怎麼驗證資料、避免 agent 產生幻覺？ A8：靠三件事。Context 讓 agent 只根據品牌驗證過的第一方購買數據做判斷，減少憑空推論的空間；Harness 把重要調整放進送出前的檢核，設計上會先攔下異常再送出；Loop 每天投放後回頭比對成效與數字，讓錯誤在下一輪被修正。三者加起來，是讓 agent 輸出可被信任的設計前提。
Q9：為什麼說資料驗證與零幻覺是廣告投放的 AI 基本功？ A9：因為投放的每一個判斷都連著預算。資料若沒驗證、運算若出錯、輸出若有幻覺，錯誤會直接變成花錯的錢與投錯的人，還得對品牌交代。這幾件事做不到，再聰明的 agent 都不能放手讓它投。它們是門檻，達標之後才談優化。
Q10：MediaOne 跟 ASC、PMAX 是什麼關係，是取代還是駕馭？ A10：是駕馭。ASC（Meta Advantage+ Shopping Campaigns）與 PMAX（Google Performance Max）是廣告平台的黑箱自動化，MediaOne 沒有要取代它們，做的是站在它們之上運作：用第一方數據餵受眾與訊號、用 Harness 設預算與帳戶邊界當煞車、用 Loop 持續驗證與優化，讓這些自動化在有資料底座、有邊界的設計下運作。
Q11：什麼是 ASC 和 PMAX？MediaOne 為什麼要在它們之上運作？ A11：ASC 指 Meta 的 Advantage+ Shopping Campaigns，PMAX 指 Google 的 Performance Max，兩者都是平台自動決定受眾、版位與出價的黑箱工具。它們效率高，但品牌看不進去、也難指定方向。MediaOne 在它們之上運作，等於替黑箱補上品牌自己的數據底座、預算邊界與每日驗證，讓自動化朝品牌要的方向學，同時避免把整筆預算交出去聽天由命。
Q12：自己把廣告成效報表丟給 ChatGPT 或 Gemini 問怎麼調，跟用 MediaOne 差在哪？ A12：差在資料、邊界與迴圈。ChatGPT 或 Gemini 這類通用 AI 手上只有你貼給它的那份報表，看不到完整的投放歷程與購買數據，沒有預算煞車，也沒有每天投放後的驗證迴圈。它給的建議可能讀來合理，卻可能建立在被截斷的資料或模型幻覺上。MediaOne 把 Context、Harness、Loop 做進系統設計，每次調整都在有資料、有邊界、有檢核的前提下進行。
Q13：Context、Harness、Loop Engineering 在廣告投放裡各是什麼？ A13：Context 是品牌第一方購買數據與受眾脈絡，讓 agent 知道該對誰投、投什麼；Harness 是預算上限、可動帳戶、可改設定的邊界，加上送出前的檢核，是 agent 的煞車；Loop Engineering 是每天投放後看成效、驗證數字、修正設定的自我修正迴圈。三者是 MediaOne 可靠的底子。
Q14：MediaOne 的預算煞車怎麼設？ A14：每個投放 agent 都被放進受控環境：能動的預算上限、能碰的帳戶、能改的設定都被框住，重要調整要通過檢核才送出，並針對異常花費設監控。舉例來說，預算變更超過門檻時等待人工核准、發現異常花費時暫停並通知。這套控制邊界加上檢核產出，決定了品牌敢不敢把預算放手交給 agent。
Q15：可以用品牌自己的第一方數據當種子，再交給 ASC 或 PMAX 放大嗎？ A15：可以，這正是 MediaOne 設計上支援的做法。在符合平台政策與會員同意、雜湊比對等前提下，把 CDMP 從真實購買數據算出的高購買意圖名單當成種子受眾，餵給 ASC 或 PMAX，平台的自動化就能在一個已經圈準的起點上向外放大，省去從零學習的成本。種子愈準，黑箱放大的效率愈好。
91APP AgentOne 系列
這篇是 91APP AgentOne 系列的一篇，其他篇：
- 91APP AgentOne 是什麼？從 AI 助理到數位產能
- 91APP AgentOne 產品全貌：Agentic Enterprise Solution
- 91APP AgentOne × EngageOne：個人化行銷交給 AI Agent
- 91APP AgentOne 的資安底線：資料獨立與 Sandbox