AI agent 幫你做行銷，誰幫 AI 檢查對錯？
越來越多品牌把行銷工作交給 AI agent，寫文案、選受眾、發訊息、拉報表。但 Gartner 說逾四成 agentic AI 專案會在 2027 年前被砍，主因不是模型不夠強，是沒人管它做得對不對。這篇談 AI 行銷真正缺的一塊：讓 AI 會自己檢查、對帳、卡住就停的驗證迴圈，以及迴圈要對帳的那個底座。
Gartner 在 2025 年 6 月的預測裡說，超過四成的 agentic AI（能自主規劃並動手執行任務的代理型 AI）專案會在 2027 年底前被取消。真正值得台灣品牌注意的是它給的三個原因：成本失控、商業價值不清、風險控制不足。這三個都偏向治理與商業判斷，不落在模型技術本身。會把很多專案送進墳墓的，往往是沒有人管它做得對不對。
同一份研究還有一個更貼近行銷部門的數字。Gartner 在 2025 年 10 月的調查發現，在 AI agent 已進入試點或正式環境的行銷科技主管中，有 45% 認為廠商賣的 agent 達不到當初承諾的商業成效。工具越買越多，效果卻對不上帳。問題出在哪？
我們（91APP 團隊）最近幫幾個品牌看他們用 AI agent 產出的行銷素材時，注意到一個反覆出現的畫面：agent 很快，一個指令下去，文案、受眾名單、成效報表幾分鐘就生好了，看起來又專業又完整。但沒有人回答得出一句話：這裡面的數字對嗎、這份名單撈對了嗎、這個結論站得住嗎。AI 把「做完」做得很好，卻沒有人負責「做對」。這個沉默，比任何一個技術瓶頸都讓我們在意。
AI 行銷真正少的那一道檢查
先把話講清楚。今天的 AI 已經很會處理行銷的大小事。根據 Salesforce《State of Marketing》報告（2026），75% 的行銷組織已經用上至少一種 AI 工具。能力這一端，普及得很快。
但把工作交給 AI agent 是另一回事。Gartner 2026 年 CIO 調查顯示，只有 17% 的組織真的部署了 AI agent，卻有超過六成打算在兩年內導入，是所有新興技術裡最陡的一條採用曲線。大家都想讓 AI 不只是給建議，而是直接動手做事。
麻煩就在這個轉折點上。一個只給建議的 AI，人還會看過再決定；一個直接動手的 agent，如果沒有一道檢查關卡，錯的東西會直接變成寄出去的 EDM、投出去的受眾、報給老闆的數字。差別可以拆成三個層次：
- 給建議的 AI，人是最後一道關；動手的 agent，人常常被跳過。錯誤從「候選方案」變成「已執行的動作」。
- 做一次的 agent，只證明它「跑完了」，不證明它「跑對了」。跑完和跑對之間，隔著一整個驗證的距離。
- agent 出錯時通常很安靜。它不會說「我不確定」，它會給你一個看起來很有把握、其實錯的答案。越流暢，越危險。
這三層加起來，就是為什麼工具越強、翻車越有感。真正缺的那一塊很明確：讓 AI 做完之後，有一道能自己檢查、對帳、發現不對就停下來的關卡。工程上有個名字叫迴圈工程，講白話就是讓 AI 會自己一輪一輪確認到對為止，而不只是問一次答一次就交差。
沒有檢查的 AI，錯在哪裡看得見
把「有沒有這道檢查」放到實際數據上，落差非常清楚。
麻省理工學院的 Project NANDA 初步報告（2025 年 7 月）追蹤導入生成式 AI 的企業，發現高達 95% 的組織在損益上看不到可衡量的效果。報告把卡點指向流程與學習：多數導入停在試點、沒把 AI 接進真正的工作流程、也缺讓它從回饋中修正的機制，問題多半不在模型本身。這還是一份初步發現，但它點出一件事，本文順著往前推一步：同一批技術，有人做出效果、有人完全沒感覺，關鍵在有沒有把「做完」變成「可驗證的做對」。
資料這一關尤其致命。PwC 的一份 AI agent 調查裡，四成受訪組織把資料問題列為 AI agent 發揮價值的最大障礙。道理很直接：agent 每一次行動當下都在讀你的顧客資料，不只訓練時如此。讀到的東西是破的，它的每一步都會跟著破。
反過來，有檢查的差別很實在。愈來愈多研究指向同一件事：讓 AI 只根據可信來源作答、答不出就不硬答，幻覺會明顯下降。連醫療問答這類對精準度要求極高的領域，都靠這個方法把錯誤壓得很低。把錯誤率壓下來靠的是一道流程，成本遠低於換一個更強的模型。
把這些放在一起看，有一個安靜但重要的共同點：模型好不好之外，AI 行銷成不成，很看你有沒有在它後面接上一道會檢查的機制。
迴圈工程：讓 AI 自己確認到對為止
迴圈工程聽起來像工程師的詞，但它要解決的，是每一個把工作交給 AI 的行銷主管都會遇到的問題：你怎麼知道它這次做對了。一道能用的檢查迴圈，可以先用四項最小控制組成，每一項都對應行銷現場的一種翻車。這四項是本文為了好懂而歸納的實務框架，不是業界標準。
- 終止條件。AI 要知道什麼時候算「做完了」，這其實包含三件事：什麼叫成功、最多重試幾次、什麼情況要交回給人。缺了它，agent 會提早交差或無限空轉。放到行銷場景，就是要求它「這份受眾名單撈到符合條件為止」，取代「撈個大概就送出」。
- 驗證閘門。每做完一步，先檢查這一步對不對，再往下走。寫完文案先過事實關，撈完數字先對帳，名單產出先檢查有沒有撈到不該撈的人。這就是「先確認再前進」的動作。
- 撞牆停手。同一個問題試了設定的次數還是不對，就停下來、標記「這裡需要人看」，而不硬湊一個答案。重試幾次該看任務風險，越不可逆的動作越該早點交回給人。會停手的 AI 才可信。
- 對帳。同一個數字用另一個方法、最好是另一個獨立來源再算一次，兩邊對得起來才算數。用同一份資料、同一套邏輯算兩次，抓不出系統性的錯。行銷報表尤其需要這一關，一個對不上的數字報給老闆，比沒有數字更麻煩。
這四項合起來，把 AI 從一個很會講話的助理，變成一個做完會自己檢查的同事。差別在它會不會回頭確認自己。Gartner 那份預測裡把失敗歸咎於「風險控制不足」，而這四項最小控制，正是補風險控制的一種務實做法。這也是為什麼我們認為，評估任何一個要動手做事的行銷 AI 工具，最先該問的問題是「它做錯的時候，誰會知道、怎麼知道」，其次才是「它會做什麼」。
迴圈要對帳，得先有一個對得起來的底座
四個零件裡，前三個是流程，可以靠設計補上。但對帳這一個，會卡在一個流程補不了的地方：AI 拿什麼跟什麼對。
對帳的前提，是有一個可信的參照點。報表的數字要對得起來，得有一份乾淨、口徑一致的顧客資料當基準；受眾名單要驗得出對不對，得先有一個把線上線下、各通路買過的人歸到同一個會員身分的底座。如果品牌的顧客資料本身就是破的，同一個客人在官網、在門市、在 LINE 是三筆對不起來的資料，那 AI 再會對帳也對不出結果，因為它手上根本沒有一個可信的基準可以比。
這也呼應 MIT 與 PwC 的觀察：AI 專案卡關，很多時候卡在資料與流程，不在模型多強。一個 agent 再聰明，讀到的會員資料是破碎的，它給出的答案與行動也會跟著破碎。所以在談「怎麼讓 AI 檢查自己」之前，品牌得先回答一個更基礎的問題：有沒有一個乾淨、統一、可以被 AI 當基準來對帳的顧客數據底座。
這也是我們在 91APP 做 CDMP（Customer Data Management Platform，顧客數據管理平台）時，越來越常跟品牌談的角度。過去大家把顧客數據平台當成「把資料集中起來」的工具，但在 AI agent 要動手做行銷的時代，它更像是AI 行動的一個對帳基準。把買過的人歸到同一個會員身分、把每一筆消費的口徑對齊、把數字算得出來源，這些都是為了讓後面接上來的 AI agent，有一個對得起來的地面可以站。這個底座不見得只有 CDMP 一種做法，CRM、MDM、資料倉儲、語意層都可能是其中一塊；CDMP 的價值，在零售顧客身分與跨通路資料的治理。資料底座乾淨，迴圈才驗得動；資料底座是破的，再好的迴圈也只是把錯誤算得更快。
順序很重要。不是先買 AI agent 再來煩惱資料，是先有一個對得起來的底座，AI agent 才接得上去。這也是為什麼從 Gartner 的預測回頭看，資料品質這一關的權重會越來越高。
導入行銷 AI agent 前，先把這幾件事想清楚
回到台灣品牌的現場。與其等到 AI agent 出錯了才補救，不如在導入前就把檢查這件事設計進去。以下幾個動作，不需要很大的預算，但會決定你的 AI 行銷是可信的還是碰運氣的。
- 先問工具「錯了誰會知道」，再問它「會做什麼」。評估任何一個要動手的行銷 AI 工具，把「它怎麼檢查自己、出錯怎麼被發現」當成第一順位的問題。這一題答不出來的工具，功能再多都是風險。可以參考我們整理過的評估 AI agent 該問的幾個問題當清單。
- 給業績類數字設一道對帳關。凡是要報給主管、要進決策的數字，規定它一定要用第二種方法再算一次、對得起來才能用。這一關可以是人做，也可以要求工具內建，但不能沒有。
- 讓 AI 學會說「我不確定」。設計流程時，允許 agent 在查不出、對不平時停下來標記待確認，而不是硬給一個答案。會停手的流程，比什麼都自動的流程安全。
- 先盤點顧客資料的完整度，再擴大 AI 的權限。在讓 AI agent 自動發訊息、自動選受眾之前，先確認同一個客人的線上線下消費歸不歸得到同一個會員身分。底座沒對齊就放權，等於讓 AI 拿著錯的地圖開車。
- 從一個小而完整的迴圈開始，不要一步到位。挑一個重複、規則清楚、有明確對錯的行銷工作先做（例如名單撈取或成效對帳），把四個零件接上去、跑穩了，再往外擴。可驗證的小勝，勝過不可驗證的大攤子。
結語
AI 會不會取代行銷人，這個問題問錯了方向。Gartner 那份預測其實給了一個更務實的答案：真正有風險的，往往不是行銷人被 AI 取代，而是沒有人檢查的 AI 專案先垮掉。當每個品牌都能用同樣的模型、下同樣的指令、產出同樣流暢的東西，真正把你跟別人分開的，是你敢不敢相信自己交出去的每一個數字、每一份名單、每一則訊息。
那份信任來自它後面那道會檢查、會對帳、會在不確定時停下來的迴圈，以及迴圈腳下那個對得起來的資料底座。回到開頭那個安靜的畫面：AI 幫你把行銷做完了，誰幫你檢查做對了？答案不該是沉默，該是一道你設計好的迴圈，和一個你信得過的底座。台灣品牌現在動手把這兩件事補上，還來得及。
品牌最常問的 AI 行銷驗證問題
Q1：什麼是行銷 AI 的「驗證迴圈」？ 驗證迴圈是讓 AI agent 做完一件事之後，會自己檢查對不對、對帳、發現不對就停下來的一套流程，而不是問一次答一次就交出去。它通常包含終止條件、驗證閘門、撞牆停手、對帳四個零件，目的是把 AI 從「做完」推進到「做對」。
Q2：AI agent 行銷跟一般 AI 行銷工具有什麼不同？ 一般 AI 工具給你建議或草稿，人還會看過再決定；AI agent 是直接動手執行，例如自動選受眾、自動發訊息。差別在於 agent 少了人這一道關，所以更需要內建的檢查機制，否則錯誤會直接變成已執行的動作。
Q3：預算有限的中小品牌也需要做這些嗎？ 需要，而且成本比想像低。驗證迴圈的核心是流程與防呆設計，不必買更貴的系統。中小品牌往往經不起一次撈錯名單或預算暴衝，先從最簡單的業績數字雙重核對做起，幾乎不花錢就能擋掉最痛的低級錯誤。
Q4：為什麼資料品質會決定 AI 行銷的成敗？ 因為 AI agent 每一次行動都在讀你的顧客資料，不只是訓練時。麻省理工與 PwC 的觀察都指出，AI 專案卡關常卡在資料與流程，而不在模型多強。資料破碎時，AI 的對帳沒有可信的基準，產出的名單與數字也跟著不可靠。
Q5：多久能看到 AI 行銷導入的成效？ 關鍵在於有沒有把成功指標和驗證機制先設好。MIT 初步報告發現 95% 的企業導入生成式 AI 看不到損益效果，卡點多在流程整合與回饋學習，而不在模型。先把「怎麼算成功、怎麼檢查對錯」定義清楚，成效才衡量得出來。
Q6：顧客數據管理平台在 AI 行銷裡扮演什麼角色？ 它是 AI 所有行動的對帳基準。把線上線下、各通路買過的人歸到同一個會員身分、把消費口徑對齊，AI agent 才有一個可信的地面可以站、可以驗。底座乾淨，後面接上的每一個 AI 迴圈才驗得動。