AI 行銷做不出成效？關鍵常常在你給它的工作環境，而非模型本身
行銷團隊幾乎人人都在用 AI，成效卻兩極。Anthropic 工程師談的 harness 概念，點出一件行銷人該懂的事：決定 AI 好不好用的關鍵，常常在你給它的工作環境，而非模型本身。本文用行銷人聽得懂的話，拆解什麼是 AI 的工作環境、為什麼在會員經營場景裡乾淨的第一方數據是那層地基，以及台灣品牌現在能動的幾步。
同一個 AI，為什麼有人做得出、有人做不出
Anthropic Claude Code 團隊的工程師 Thariq Shihipar 最近講了一個很小的例子。你在聊天視窗裡請 AI 列出名字以「aw」結尾的寶可夢，它常常漏東漏西、湊不齊。把同一個模型放進一個能查資料、能執行的工作環境，它就篩得出 Croconaw、Drednaw 這些答案。模型一個字都沒改，答案卻從湊不齊變成篩得出。這位工程師把這層工作環境叫做 harness，也就是你把 AI 架進什麼樣的環境、給它什麼工具、什麼資料、什麼樣的規則與邊界（見 數位時代對這場分享的報導）。
這件事，行銷團隊現在特別有感。根據 Salesforce State of Marketing 2026 調查（訪談期間為 2025 年底），已有約四分之三、也就是 75% 的行銷人把 AI 用來補足個人化內容的產能，完整報告見 Salesforce State of Marketing 系列。工具幾乎人手一套，可是打開成果一看，落差大得驚人：有的團隊靠 AI 把選品、寫文案、跑報表的時間砍掉大半，有的團隊產出一堆看起來很忙、卻沒帶來生意的內容。
差別到底在哪。我們的觀察是，多數時候重點在你有沒有幫 AI 把工作環境搭好，這比你選了哪個模型更關鍵。同一顆引擎，裝在不同的車上，能跑的路完全不同。
我們最近在品牌行銷團隊裡看到的畫面
我們 91APP 團隊最近跟不少品牌的行銷夥伴聊 AI，一個反覆出現的畫面是這樣：行銷人打開某個 AI 工具，興沖沖地問「幫我把這個月的會員分群、挑出該回購的人、寫好三則喚醒文案」，結果 AI 給出的分群模糊、名單對不上人、文案講的優惠品牌根本沒在賣。行銷人第一個念頭往往是「這個 AI 不夠聰明」，於是換一個更新的模型，換完發現還是不行。
問題的根源，其實在 AI 手上能拿到的資料。它只讀得到你餵給它的東西。當品牌的會員資料散在官網、門市、LINE、廣告後台各自為政，AI 讀到的就是一份破碎的資料，它再聰明，給出的分群與行動也會跟著破碎。這一點，我們在 〈AI 行銷為什麼失敗？90% 企業忽略的數據品質與 CDMP 關鍵整合〉 裡談過：讀到的會員資料是破碎的，給出的答案與行動也會跟著破碎。
AI 的工作環境，拆開來看有三層
對行銷人來說，「幫 AI 把工作環境搭好」聽起來抽象。若只看跟行銷團隊最相關的部分，它其實就是三層地基，一層疊一層（工作環境還包含工具權限、流程編排、結果驗證等，這裡先聚焦行銷人最有感的三層）。
| 這一層 | 對行銷人的白話意思 |
|---|---|
| 資料層 | AI 讀得到的會員與交易資料，是否乾淨、歸戶、跨通路對得起來 |
| 規則層 | 你有沒有把「誰算主力客、誰算沉睡客、什麼時機該推什麼」的判斷寫清楚給它 |
| 判斷層 | 品牌針對目標與風險，做出的最終策略取捨 |
資料層是地基。地基歪了，上面兩層再漂亮都會塌。規則層是把你的行銷經驗翻譯成 AI 聽得懂的條件，讓它不必每次都重新猜。判斷層則是留在人手上的那部分：AI 可以把一百種喚醒名單都跑給你，但要不要在這週用力打折、會不會傷到品牌長期價值，這個決定機器替你扛不起。
這三層裡，行銷團隊最容易忽略、也最痛的，是最底下的資料層。很多品牌一頭熱地衝到最上面買工具、接模型，卻跳過了把資料整理乾淨這一步。
這不是你一家的問題，整個產業都在踩同一個坑
跳過地基直接衝工具，代價已經在數字上顯現。研究機構 Gartner 在 2025 年 6 月預測，超過四成的 agentic AI（能自己執行任務的 AI）專案會在 2027 年底前被取消，原因是成本失控、看不到商業價值、風險控制不足。Gartner 還點名一種現象叫「agent washing」：市面上號稱是 AI 代理的產品成千上萬，真正名副其實的大概只有一百多家，其餘多半是把舊的聊天機器人重新包裝。
值得行銷人注意的是後面這件事。同一份預測裡，Gartner 也說到 2028 年會有 15% 的日常工作決策由 AI 自主完成，從 2024 年的 0% 起跳。換句話說，AI 會愈來愈能幹，能自己扛的多半是例行性的操作判斷；至於品牌調性、風險、資源怎麼配這種策略決策，還是得由人負責。Forbes 在 2026 年的一篇分析 追問得很直白：這些專案多半不是死在模型不夠強，而是死在沒人先想清楚要解什麼問題、資料撐不撐得起來。正是這波失敗潮，讓懂得釐清問題、下判斷的人變得更難被取代。
回頭看那個寶可夢的例子就懂了。同一個模型，關在空的聊天視窗裡就是湊不齊，接上能查資料、能執行的環境就篩得出。Anthropic 團隊在打造新一代模型時，甚至把冗長的系統提示大幅精簡，把原則從「不准做這、不准做那」的一長串禁令，改成「給它足夠的背景脈絡」。這對行銷人是一個很反直覺、卻很受用的提醒：AI 要的往往是更對的環境和更清楚的脈絡，堆再多禁令也未必更好用。
說到底，AI 放大的是產能，不是判斷
把上面幾件事串起來，會看到一個對行銷工作影響很深的變化。
過去行銷人的瓶頸，多半卡在「做不做得出來」：一支影片要等外包、一份報表要熬夜拉、一輪 A/B 測試要跑好幾天。現在 AI 幫你把這些「第一次產出」的成本壓得很低，你一天能生出的東西變成十倍。可是這裡有個容易被忽略的陷阱：AI 放大的是產能，你的判斷沒有跟著一起被放大。一天生十倍的文案、十倍的名單、十倍的素材，裡面值得真的推出去的，可能還是原本那幾個。
所以瓶頸沒有消失，它往上游退了。以前你煩惱做不出來，現在你要煩惱的是：這一波該不該做、先做哪一個、做出來的東西夠不夠好、做了有沒有人買單。這也是為什麼，當人人都會用 AI 工具、這層很快變成基本盤之後，真正拉開品牌差距的，反而是那些老功夫：你夠不夠懂你的客人、你的資料能不能讓 AI 認得出誰是誰。
AI 搜尋的興起，則是另一種工作環境的考題。當消費者愈來愈習慣讓 AI 幫他們挑東西，品牌能不能被 AI 認得、引用、推薦，主要取決於你的商品資料、內容結構與網站的可讀取性夠不夠完整。這一塊跟會員資料是兩件事，但同樣說明一件事：AI 給不給力，關鍵在你先幫它把環境準備到什麼程度，這部分我們在 〈Google AI Mode 如何改寫電商流量規則〉 裡有完整拆解。
在會員經營場景裡，AI 的地基就是一套整理好的第一方數據
前面談的是通則。把範圍收到行銷人最核心的戰場，也就是會員分群、回購預測、個人化溝通這些場景，「幫 AI 把工作環境搭好」就有了很具體的樣子。它的地基，是先把散在各處的會員與交易資料收攏成一份 AI 認得出來的底座：線上線下的消費歸到同一個會員身上、每個人買過什麼看過什麼標記清楚、分群規則寫成 AI 能直接讀的條件。
這套底座，正是顧客數據平台在做的事。以 91APP CDMP 這類平台為例，它先把官網、門市、LINE、廣告後台的資料歸戶成一份完整的會員輪廓，再把「高購買意圖名單」「回購到期名單」這類判斷，用模型算好、貼成標籤，讓後續的 AI 應用與自動化行銷直接拿來用。行銷人不需要懂底層演算法，就像開車不必懂引擎怎麼運轉；你要的是一套把資料、規則、通路都接好的環境，讓 AI 一坐進駕駛座就知道路怎麼走。
要提醒的是，這不是唯一路徑。單一場景剛起步時，先用手上的 CRM、資料匯出加上人工規則驗證，也能跑；等到跨通路資料與應用場景一多、手動接不動了，再評估導入顧客數據平台會更有把握。選型的時候，市場上名詞很多，CDP、CRM、DMP 常被搞混，選錯的代價不小，可以參考 〈一篇搞懂 CDP、CRM、DMP 差異及選型策略〉 與 〈Gartner 2026 CDP Magic Quadrant 解讀〉。重點不在買到最貴的工具，在選到一套能把你的第一方數據真正整理乾淨、又接得上既有通路的環境。
台灣品牌現在能動的幾步
不必等到一切就緒才開始。與其一次砸大錢上一整套 AI，不如先把地基一格一格補起來，讓每一步都看得到成效。
- 先盤一次自己的資料底子：這個月挑一件想讓 AI 幫忙的事（例如喚醒沉睡客），看看 AI 需要的資料你手上齊不齊、對不對得起同一個人。資料缺口，往往比模型選擇更早決定成敗。
- 把最常用的行銷判斷寫成清楚的規則：把「誰是主力客、誰是沉睡客、什麼時機推什麼」用白話定義下來，這等於先幫 AI 把地圖畫好，它才不會每次都亂猜。
- 把線上線下的消費歸到同一個會員身上：這是讓 AI 認得出「誰是誰」的關鍵一步。跨通路歸戶做起來，AI 給的分群和推薦才會準，這件事的效益我們在 〈為什麼跨通路消費是單一通路的 4 倍〉 有數據佐證。實際見效時間會受資料源多寡與系統串接情況影響，通常需要幾個月才會反映在回購與名單精準度上。
- 挑一兩個高頻、可驗證的流程先自動化：像購物車未結、註冊未購這種每天都在發生、成效又量得出來的場景，最適合先交給自動化，跑順了再擴大，別一開始就全自動。
- 把判斷力留在自己手上：AI 把選項跑出來後，最後那個「這一波值不值得做、對品牌好不好」的決定，還是行銷人自己下。這是機器幫不了、也最能展現你價值的地方。
會用工具會愈來愈普通，看懂該做什麼才稀有
回到那批名字以 aw 結尾的寶可夢。給 AI 對的工作環境，它就從湊不齊變成篩得出，這是好消息，而且工具只會一年比一年好用。只是當人人都能生出十倍的內容，能不能生出對的那一個，就回到兩件老功夫上：你的資料乾不乾淨，你的判斷準不準。
AI 幫行銷人把「做出來」變便宜了，但「做出價值」還是難。真正把品牌帶開的，會是那個先把地基顧好、又還答得出「這件事到底值不值得做」的人。這也是我們想跟每一位對 AI 有熱情的行銷夥伴說的：別急著追工具，先把你手上這份客人的資料，養成 AI 認得出來的樣子。
品牌最常問的 AI 行銷工作環境問題
Q1：什麼是 AI 的「工作環境」（harness）？跟選哪個 AI 模型有什麼關係？ 工作環境指的是你把 AI 架進什麼樣的條件裡：它讀得到什麼資料、能用什麼工具、依什麼規則做事。同一個模型，環境不同，產出就天差地遠。對行銷人來說，選對模型只是起點，把資料、規則、通路這層環境搭好，往往比換模型更能決定成效。
Q2：這跟 SEO、找代理商操作 AI 有什麼不同？ SEO 和代理商操作處理的是怎麼被看到、怎麼把工具跑起來。工作環境談的是更底層的地基：你的第一方數據夠不夠乾淨、AI 認不認得出你的客人。地基沒打好，再好的操作也只是讓 AI 更快產出對不上人的東西。
Q3：預算有限的中小品牌，也需要處理這件事嗎？ 需要，而且更划算。中小品牌不必一次上整套 AI，反而適合先從一件高頻、看得到成效的事做起（例如購物車未結喚醒），把那一格的資料與規則補好。地基是一格一格疊的，每一步都能省成本、看到回報。
Q4：把資料整理好，AI 就會自動做出成效嗎？ 資料是必要條件，還不是充分條件。乾淨的第一方數據讓 AI 的分群和推薦變準，但「這一波要不要做、對誰做」的判斷還是人下。AI 放大的是產能，判斷力沒有被一起放大，這也是行銷人不可取代的地方。
Q5：需要多久才能看到成效？ 看你從哪一格開始。單一自動化腳本（如註冊未購喚醒）通常幾週內就看得到轉換變化；跨通路會員歸戶這類地基工程，時間會受資料源與串接情況影響，一般要幾個月才會反映在回購與名單精準度上。建議從短週期、可驗證的場景先做，累積信心再擴大。
Q6：導入顧客數據平台需要很強的技術團隊嗎？ 不需要行銷人自己懂演算法。就像開車不必懂引擎，你要的是一套把資料歸戶、標籤、通路都接好的環境，讓 AI 應用直接坐進駕駛座。技術細節交給平台，行銷團隊專注在定義規則與下判斷。
