AI agent 工具廣告投放怎麼用？平台收走受眾權後，廣告人的四個施力點
當 Google Performance Max 與 Meta Advantage+ 把受眾操作權收進黑盒，廣告人的 AI agent 工具該用在哪？本文盤點受眾調研、素材切角、成效診斷、跨平台自動化四類真實工具，並說明平台收走執行層後，廣告人能控制成效的只剩餵什麼名單、給什麼素材、設什麼目標，而這三件事都回到你自己的第一方數據與策略。
廣告後台的「設定」欄位，正在一格一格消失
打開五年前的 Google Ads 後台，一個廣告操盤手要決定的事情多到讓人焦慮：關鍵字要不要加否定、出價要設多少、年齡層框到幾歲、興趣標籤勾哪幾個、版位要不要排除 Audience Network。每一格都是手感，每一格都是操盤的價值所在。
打開今天的後台，這些格子大半已經不見了。Google 的 Performance Max 把出價、版位、受眾、素材組合全部交給機器即時最佳化；Google Ads 官方說明文件寫得很直白，系統會用 AI 跨頻道對 bidding、budget、audiences、creatives、attribution 做最佳化，廣告主能做的是提供「audience signals」與素材，而不是直接框選受眾。Meta 的 Advantage+ 走得更遠，把詳細興趣、類似受眾、年齡性別這些手動控制大半拿掉，操盤手上傳素材、設好預算，剩下交給機器找買家。
這對廣告人是一個結構性的訊號：AI 已經從「幫你寫一句文案」進到「替你決定把錢花在誰身上」。Gartner 預測，到 2026 年底，將有 40% 的企業應用內建任務型 AI 代理，而 2025 年這個比例還不到 5%。廣告投放是這波結構變化最前線的戰場，因為平台本來就握有最多的行為數據，自動化的誘因也最強。
問題隨之而來：當平台把受眾操作權收走，廣告人手上的 AI agent 工具，到底還能用在哪？
團隊的聲音
我們在跟品牌行銷團隊開廣告檢討會時，最常聽到的一句話是：「現在後台能調的東西越來越少，那我們還在做什麼？」這個問題問得誠實，也問得焦慮。操盤手過去引以為傲的手感，一格一格被機器接管，剩下的工作看起來像是「上傳素材、看報表、解釋為什麼這週成效掉了」。我們的觀察是，價值沒有消失，只是搬家了，從「調參數」搬到了「餵給機器什麼」。
廣告人的 AI agent 工具，先分清楚「誰在做事」
廣告人會碰到的 AI 工具分兩類：一類是綁在廣告系統裡的平台內建自動化，一類是能替你跨任務做事的獨立 AI agent，兩者的施力點完全不同。要把工具用對，先得分清楚你用的到底是哪一種。這兩者常被混為一談。AI agent 指的是能理解目標、自主規劃步驟、呼叫工具完成任務的軟體；平台內建 AI 則是綁在某個廣告系統裡、為那個系統的目標服務的最佳化引擎。
把廣告人會碰到的 AI 工具依「替誰服務」拆成兩類，分界就清楚了：
| 類型 | 本質 |
|---|---|
| 平台內建 AI（PMax、Advantage+） | 綁在廣告系統內，為平台的成效目標最佳化，操盤手只能餵訊號、不能拆黑盒 |
| 獨立 AI agent（ChatGPT、Claude、Perplexity、n8n 等） | 不綁單一平台，替操盤手做調研、生素材、跑報表、診斷成效，操盤手主導 |
分界的意義在於：平台內建 AI 屬於平台，為平台的目標服務，你只能影響它的輸入；真正屬於廣告人、能放大個人產能的，是第二類獨立 agent。後面盤點的，就是這四類施力點上各自該用的真實工具。依照工作流程，廣告人的獨立 AI agent 工具可以分成四個施力點：
- 受眾與市場調研：搞清楚要對誰說話、競品在說什麼。
- 素材與切角生成：把同一個賣點拆成多組可測試的角度。
- 成效報表與診斷：把跨平台數字攤平，找出哪裡異常。
- 跨平台自動化：把重複的撈數據、做報表、發提醒串成一條流水線。
廣告人該用的 AI agent 工具，逐項盤點
廣告人的獨立 AI agent 工具，依工作流程落在四個施力點：素材與受眾發想（ChatGPT、Claude）、競品與市場調研（Perplexity、Manus）、跨平台自動化（n8n 與報表型 agent）、成效異常診斷（AI 數據分析工具）。平台內建 AI（PMax、Advantage+）則另成一類，要用但不能當成自己的 agent。以下逐項盤點各自的定義、最適用例與注意點。
ChatGPT 與 Claude：素材切角與受眾故事的發想引擎
一句話定義：ChatGPT（OpenAI）與 Claude（Anthropic）是通用型大型語言模型，能依指令生成文案、拆解受眾輪廓、發想素材角度。
最適用例是把「一個賣點」展開成「十個可測試的切角」。當 Advantage+ 要你上傳多組素材讓機器去測，瓶頸往往落在想不出夠多元的角度，而非設計工時。這時把產品賣點、目標客群、過去成效好的文案丟給模型，請它從不同情緒訴求、不同使用情境、不同人生階段去發想，是高效率的開局。Claude 在長文理解與品牌語氣一致性上表現穩定，適合處理需要貼合品牌調性的長文案；ChatGPT 的生態與外掛較廣，適合快速迭代。兩者都能幫你把模糊的客群描述寫成具象的「受眾故事」，例如把「25 到 34 歲女性」翻成「剛生第一胎、時間被切碎、在通勤的捷運上滑手機決定今晚買什麼」這種能直接餵給文案與美術的畫面。
注意點在於：模型生成的是「假設」，需要拿你自己的真實銷售數據去驗證。它寫出的客群輪廓、痛點、賣點排序，都來自公開語料的平均值，反映的是市場的常態，不必然吻合你後台那批真實轉換客群的樣貌。把它當發想夥伴，不要當數據分析師。關於 AI agent 與 agent skill 在行銷情境的差異，可以參考我們整理的行銷用 agent skill 指南。
Perplexity 與 Manus：競品與市場調研的提速器
一句話定義：Perplexity 是會即時搜尋網路並附上來源的答題引擎，Manus 是能自主規劃多步驟、跨工具完成任務的通用型 AI agent。
最適用例是壓縮市場調研的前置工時。過去要摸清一個新品類的競品在打什麼訴求、市場關注什麼議題、消費者在論壇抱怨什麼，操盤手得開十幾個分頁手動爬。Perplexity 的價值是把這段過程濃縮，丟一個問題進去，它會邊搜邊整理、邊附來源，讓你能快速建立對戰場的初步輪廓。Manus 這類能自主執行多步驟的 agent，則適合更複雜的調研任務，例如請它「比較這三個競品的官網主打訴求、抓出他們的促購話術、整理成一張表」，它能自己規劃步驟、跨頁面蒐集、產出結果。
注意點是：調研型 agent 給的是「線索」這個層級的東西，要當「結論」用還太早。它整理的競品訴求可能漏掉脈絡，引用的數字可能來自不可靠的二手來源。把它當成幫你開好十個分頁、做完初步筆記的實習生，最後的判斷與查證仍要操盤手自己過一遍。尤其是任何要寫進提案、要當決策依據的數字，都得回到原始來源確認。
平台內建 AI（PMax 與 Advantage+）：要用，但要認清它替平台服務
一句話定義：Performance Max 與 Advantage+ 是 Google 與 Meta 各自廣告系統內建的 AI 最佳化引擎，依你設定的成效目標自動分配預算、選版位、組合素材。
最適用例就是它們被設計的用途：當你有清楚的轉換目標（CPA 或 ROAS）、有足夠的轉換數據回流、有夠多元的素材，把執行層交給它通常比手動操作更有效率。Google 官方說明強調，audience signals 與素材品質是操盤手能顯著影響成效的關鍵輸入。這句話要劃重點：平台沒有把權力全收走，它把權力從「框選受眾」換成了「提供訊號」。
注意點，也是這一段最重要的分界：平台內建 AI 終究替平台服務，不是廣告人能主導的 agent。它的目標函數對齊平台的成效，不必然完全等於你的品牌長期利益；它是個黑盒，你看不到它為什麼把錢花在某群人身上；它的「受眾擴展」可能把你的預算花在低意圖的人身上，只為了衝出漂亮的短期轉換數。所以它要用，但要帶著清醒用：你的工作是把最高品質的訊號餵進去、把目標設對，把它當成需要被監督的引擎來操作。關於 AI agent 與一般 skill、平台功能的差異，我們在AI agent 與數據的關係一文裡有更完整的拆解。
n8n 與報表型 agent：跨平台自動化的流水線
一句話定義：n8n 是一個工作流自動化平台，能把不同系統串起來、加入 AI 步驟，組成自動化流程，也能搭建自主執行的 AI agent。
最適用例是把「每週撈數據、做報表、發提醒」這種重複勞動自動化。廣告操盤手的時間常被一件事吃掉：每週一早上,從 Google Ads、Meta、GA4 各自匯出數字，貼進同一張試算表，算出跨平台的總花費與綜合 ROAS,再手動圈出異常。n8n 這類工具能把這條流程串成自動流水線，定時去各平台拉數據、彙整、甚至加一個 AI 步驟去寫一段白話的異常摘要，最後發到你的群組。n8n 提供雲端與自架兩種版本，自架版讓你對資料的去向有完整掌控，這對在意第一方數據治理的品牌是加分。
注意點是：自動化會放大你的設定，包括錯誤的設定。如果你串接的數據口徑本身就對不齊，例如 GA4 的轉換定義跟廣告平台不同，自動化只會讓錯誤的報表更快、更頻繁地送到你面前。所以上線前的口徑對齊，比串接本身更重要。另外，能寫一段白話摘要的 AI 步驟很好用，但它的解讀仍是「假設」，異常的真因要操盤手回到數據裡確認。
AI 數據分析工具：成效異常的初步診斷
一句話定義：這類工具指的是能接上你的廣告與網站數據、用自然語言問答、自動標出趨勢與異常的分析型 AI。
最適用例是回答「這週成效為什麼掉了」這種高頻又惱人的問題。過去要回答它，操盤手得手動切時間區間、拆裝置、拆受眾、拆素材，一層層往下挖。AI 數據分析工具能加速這個過程，你用白話問「上週 ROAS 下滑主要來自哪個裝置與哪組素材」，它能幫你把可能的維度拆開、把異常標出來。
實務上它能加速三種診斷：第一種是時間維度，幫你快速比對本週與前幾週、找出成效斷點落在哪一天；第二種是結構維度，自動把花費與轉換按裝置、版位、素材組、受眾來源拆開，標出貢獻度異常的那一塊；第三種是漏斗維度，從曝光、點擊、加入購物車到成交逐層算出轉換率，指出漏在哪一關。這三種拆法操盤手都會，但人工做一次要半天，工具做一次只要幾分鐘，省下的時間能拿去想對策。
注意點，也是整個工具盤點裡最關鍵的一句：這類工具能告訴你「哪裡異常」，能不能告訴你「為什麼」，取決於它接得到多完整的數據。如果你的會員資料、訂單資料、廣告數據是各自分開的孤島，它再聰明也只能看到孤島裡的事，看不到「這批掉單的人其實是上個月剛買過的高價值會員」這種跨資料的真因。這正是下一段要談的，多數團隊用不起這些工具的真正原因。
為什麼工具買齊了，agent 還是給不出好答案
先給結論：絕大多數團隊的瓶頸不在工具不夠強，而在餵給工具的數據底座不齊全、會員資料破碎。工具越強，這個落差越刺眼。
這是普遍現象。McKinsey 在 2025 年的 AI 現況調查中發現，有 88% 的受訪組織已在至少一項業務職能使用 AI，行銷與銷售更是採用成長最快的領域之一，自 2023 年以來增加超過一倍。但同一份報告也點出殘酷的另一面：真正把 AI 轉化成可量測財務成果的高績效組織，只佔受訪者的 6%。換句話說，買工具、用工具的人很多，能讓工具產生真正價值的人很少。差距不在工具，在工具背後的數據與流程。
Gartner 的觀察更直接地戳破幻象。它指出市場上充斥著「agent washing」，也就是把舊的聊天機器人、RPA、自動化助理重新包裝成 agent，在數千家號稱做 agentic AI 的廠商裡，真正具備實質代理能力的大約只有 130 家。同一份預測還說，到 2027 年底，超過 40% 的 agentic AI 專案會被取消，原因是成本失控、商業價值不清、風險控管不足。這些失敗的專案，多數敗在沒人先把「要餵給 agent 的數據」準備好，而非模型不夠強。
把這個道理放回廣告場景就很具體。你買了最強的素材生成工具，但它寫的切角只反映公開語料的平均值，搆不到你品牌真實高轉換客群的樣貌，因為那批人的購買行為躺在你沒整合進來的訂單資料庫裡。你買了最聰明的成效診斷工具，但它看不到「這週掉單的人多是回購週期到了卻沒被提醒的舊客」，因為會員資料跟廣告數據分屬兩個不互通的系統。你把 audience signal 餵給 PMax，但你餵的是一份過時的、沒分層的名單，機器再強也只能在這份名單上做最佳化。
問題的根源是同一個：第一方數據沒有被整合成一個乾淨、即時、可被 agent 取用的底座。這也是為什麼平台一邊收走受眾操作權，一邊又反覆強調「請提供你的 customer data 作為 audience signal」。平台很清楚，它的黑盒最佳化要跑得準，吃的是你的第一方數據品質。整個產業的趨勢很一致：行銷人對第三方數據與 Cookie 的依賴在持續下降，宣示要轉向第一方數據的品牌也越來越多，但真正有能力把散落各通路的顧客資料整合成可用底座的，仍是少數。想用第一方數據，跟有能力把第一方數據整合好，是兩回事。關於企業在挑選 agent 平台時該怎麼把數據能力納入評估，可以參考我們的 AI agent 平台深度比較。
平台收走執行層後，廣告人能控制的只剩餵名單、給素材、設目標
先給結論：當平台把執行層的旋鈕一個個收走，廣告人能控制成效的，收斂成三個槓桿：餵什麼名單、給什麼素材、設什麼目標。這三個槓桿都不在平台後台裡，而在平台後台之外，在你自己的數據與策略裡。
第一個槓桿是「餵什麼名單」，這是三者中影響最深、卻最常被低估的一個。當 PMax 與 Advantage+ 都靠 audience signal 起步，你餵進去的種子名單品質，直接決定了機器最佳化的天花板。agent 能幫你生再多素材，種子名單的品質才是成效的上限。而種子名單是有品質序列的：以「已轉換、輪廓清晰」的客群為種子，通常優於只有「高購物意圖」訊號的名單，後者又優於只有「互動或觀看」行為的名單。越接近真實成交、輪廓越清晰的種子，機器越能找到對的擴展對象。
要把名單分出這個品質序列，靠的是你自己的第一方數據，廣告平台幫不上忙。這裡有一套可操作的方法論：用實際購買數據回算每個標籤族群的相對價值。具體做法是計算某個標籤族群的轉換率，除以全站大盤的平均轉換率，得到一個相對倍數。這個倍數高的族群，代表他們相對於平均更值得被當成種子或被放大投放。要強調的是，這是相對優勢的判斷，告訴你「在你自己的數據裡，哪群人相對更會買」，它是一個機率上的傾向，給不出「投這群人一定賺」的絕對保證。這套以購買結果回算受眾價值的邏輯，是 cookieless 環境下少數還完全握在品牌自己手裡、可量化、可控的槓桿。第三方 Cookie 的可用性在持續流失，但你自己會員的購買行為不會。
要把第一方數據變成可以分層、可以回算、可以即時餵給廣告平台的種子名單，實務上需要一個能把分散的會員資料、訂單資料、行為資料整合歸戶的底座，也就是顧客數據平台的能力。91APP 的 CDMP（Customer Data & Marketing Platform）要解決的，正是這一段：把品牌散落在官網、App、門市、客服的第一方數據整合成單一會員視圖，讓你能依購買行為把受眾分層，再把高品質的種子名單同步給廣告平台。它的定位是數據底座，讓你前面那些廣告 agent 能拿到好燃料，而非再多一個廣告工具。關於顧客數據平台與 AI agent 怎麼搭配選擇，我們整理在如何選擇 CDP 與 AI agent。
第二個槓桿是「給什麼素材」。當機器負責測試與分配，操盤手的價值前移到「提供夠多元、夠貼合真實客群的素材角度」。這正是 ChatGPT、Claude 這類工具的施力點，但前提同樣是你得先用真實數據搞清楚要對誰說話。第三個槓桿是「設什麼目標」，包括轉換目標怎麼定義、價值規則怎麼設、哪些轉換才算數。設錯目標，機器會非常有效率地把你帶到錯的地方。
這三個槓桿有一個共同點：它們都不在你買的那些 AI 工具裡，而在工具的上游，在你怎麼準備數據、怎麼想清楚策略。工具是放大器，放大的是你準備好的東西。
把施力點轉成可執行的動作
以下五個動作，扣著「平台收權後廣告人該往哪使力」這條主線，按優先序排列。
- 先盤點你的種子名單品質，再談優化投放。把目前餵給 PMax、Advantage+ 的 audience signal 攤開檢視：它是一份過時的全會員名單，還是有依購買行為分層的精選名單？這一步不需要任何新工具，只需要誠實面對你餵進去的燃料品質。預期效果是找出最容易改善的成效缺口，建議在下一波投放規劃前完成。
- 用 ChatGPT 或 Claude 把賣點展開成可測試的切角矩陣。針對主力商品，請模型從不同情緒、情境、客群階段發想出八到十二個素材角度，再挑出最貼合你真實高轉換客群的幾組去測。重點是「貼合真實客群」，所以發想前先把你已知的高價值客群輪廓餵給模型。建議每個主推檔期前做一次。
- 用 Perplexity 做競品與市場的開戰前偵察。新品類、新檔期上線前，花一小時讓它幫你摸清競品主打訴求與市場議題，但所有要寫進提案的數字都回原始來源查證。這是低成本高回報的前置動作，建議列為每次新企劃的固定步驟。
- 用 n8n 或報表型 agent 把每週的跨平台報表自動化，但先對齊口徑。把重複的撈數據、彙整、算綜合 ROAS、圈異常自動化，省下的時間拿去做機器做不了的策略判斷。前提是先確認各平台的轉換定義與計算口徑一致，否則自動化只會更快地送出錯誤的數字。建議用一到兩週先把口徑對齊，再上自動化。
- 把「整合第一方數據、建立可分層的種子名單」列為今年的數據基礎工程。這是讓前面四個動作真正發揮效果的地基。沒有整合好的第一方數據，再強的 agent 也只是在破碎的資料上做漂亮的局部最佳化。這件事跨部門、需要時間，越早啟動越好，建議用顧客數據平台的能力來承載。關於行銷人各類 AI 工具的收費與選擇，可參考行銷人 AI 工具收費比較。
後台的格子消失了，操盤手的判斷沒有
那些一格一格消失的後台設定欄位，曾經是廣告操盤手的手感所在。它們不會回來了，平台會繼續把執行層收進黑盒，這是不可逆的方向。但這件事換個角度看，是把操盤手從調參數的勞動裡解放出來，逼著價值往上游走。
機器很會在你給的範圍裡找最佳解，可它不會幫你決定要對誰說話、用什麼角度說、把成功定義成什麼。這三件事，恰恰是廣告這門生意裡最需要人的判斷、也最吃你對自己顧客理解深度的部分。當執行層被自動化，誰更懂自己的第一方數據、誰更會把好燃料餵進機器，誰就贏。後台的格子消失了，操盤手的判斷沒有，只是搬到了一個機器搆不到的地方。
常見問題
Q1：廣告投放可以用哪些 AI agent 工具？
廣告人的 AI agent 工具依工作流程可分四類。第一類是受眾與市場調研，常用 Perplexity（即時搜尋並附來源的答題引擎）與 Manus（能自主執行多步驟任務的通用 agent）。第二類是素材與切角生成，常用 ChatGPT 與 Claude 把賣點展開成多組可測試的角度。第三類是成效報表與跨平台自動化，常用 n8n 這類工作流自動化平台把撈數據、做報表、發提醒串成流水線。第四類是成效異常診斷，用能接上數據、自然語言問答的 AI 分析工具加速排查。要注意 Google PMax 與 Meta Advantage+ 屬於平台內建 AI，不是你能主導的獨立 agent。
Q2：免費的 AI agent 工具有哪些可以用在廣告？
多數主流工具提供免費或試用方案，足以讓廣告人先體驗。ChatGPT 與 Claude 都有免費版可用於素材切角發想；Perplexity 有免費的基礎搜尋問答；n8n 提供開源自架版本，技術團隊可自行部署。免費版通常在用量、進階模型、企業級資料治理上有限制，要把工具放進正式工作流、且涉及第一方數據時，建議評估付費或自架方案以確保資料安全與穩定度。
Q3：Google Performance Max 和 Meta Advantage+ 算 AI agent 嗎？
嚴格來說，它們是平台內建的 AI 最佳化功能，不是能替你跨任務自主做事的獨立 AI agent。差別在於：獨立 agent 由你主導、能跨不同系統替你完成調研或報表等任務；PMax 與 Advantage+ 則綁在各自的廣告系統內，為平台的成效目標服務，你只能提供 audience signal 與素材這類輸入，無法拆開它的黑盒。把它當成要餵好訊號、設好目標的最佳化引擎，而不是不需監督的自動駕駛。
Q4：平台把受眾操作權收走後，廣告人還能控制什麼？
當執行層的旋鈕被收進黑盒，廣告人能控制成效的收斂成三個槓桿：餵什麼種子名單、給什麼素材角度、設什麼轉換目標。這三者都不在廣告後台裡，而在你自己的第一方數據與策略裡。其中種子名單的品質影響最深，因為它決定了機器最佳化的天花板，而要把名單分出品質層級，靠的是整合好的第一方數據，不是平台功能。
Q5：種子名單的品質怎麼判斷哪群人比較值得投？
一套可操作的方法是用實際購買數據回算每個標籤族群的相對價值：計算該族群的轉換率，除以全站大盤的平均轉換率，得到一個相對倍數，倍數高代表這群人相對更值得被當成種子或放大投放。種子名單也有品質序列，通常以「已轉換、輪廓清晰」的客群優先，其次是高購物意圖名單，再次是僅有互動或觀看行為的名單。要強調這是相對優勢的判斷，不是絕對保證，且回算結果會因你自己的數據而異。
Q6：為什麼我買了 AI 工具，廣告成效還是沒有明顯改善？
多數情況下瓶頸不在工具，而在餵給工具的數據底座。素材生成工具寫的切角若基於公開語料的平均值、而非你真實高轉換客群的樣貌，命中率自然有限；成效診斷工具若看不到跨系統的會員與訂單資料，就找不出掉單的真因。當第一方數據散落在官網、App、門市、客服等不互通的系統，AI 再強也只能在孤島裡做局部最佳化。先把第一方數據整合成乾淨、可分層、可即時取用的底座，工具才有好燃料可用。