數位工作史｜生成式AI之前，我怎麼寫「AI行銷」

從2017年的後台判讀，回看2026年的生成式AI與人工責任

翻舊稿的時候，有種很明顯的時間差感。

一篇2017年寫的外稿，談AI時代下行銷自動化的變革。那時的「AI行銷」跟現在完全是兩回事。

當時我寫的AI，比較像一套藏在後台裡的判讀系統。它不會跟你對話，也不會幫你寫文。它的工作是看資料、找規律、分眾、預測，然後讓電子報在比較適合的時機，寄給可能比較適合的人。

現在提AI行銷，則是ChatGPT、文案生成、AI Agent、MCP，或者讓AI幫忙查報表、建立活動草稿。2017年時，這些都還沒出現。

那時的AI｜不讓電子報太盲目

2017年原稿談的重點是：寄送時間、產品推薦、RFM分眾、消費生命週期預測。

這些詞現在看可能不新奇，但背後仍是在處理同一個問題：不要把所有人都當成同一種收件者。

以前寄電子報，大多是一份名單、一封內容、一個時間，然後全部寄出。後來談AI，是因為人們發現收件者不只是「有訂閱」或「沒訂閱」兩種。有人看但不買，有人買過一次就沉默，有人只在特定時間開信，有人對某類產品特別有反應。

AI的角色，協助行銷人不只靠直覺去猜，而是從資料裡看見一些細微的差異。

現在的生成式AI，讓人感覺「AI是一個可以對話的夥伴」。問它，它回你；給資料，它幫忙整理；交代任務，它接著做下一步。

但2017年的AI行銷不是這樣。那時的AI重點是預測、優化流程，而不是對話和產出完整內容。

它比較像在後台默默判斷：這個人什麼時候比較可能開信？這一群人是不是比另一群人更有價值？這個客戶現在處在哪個階段？如果把商品放進購物車後離開，下一封信該怎麼出現？

現在看這篇舊稿，覺得它留下一個判斷：先讓行動不要那麼粗糙，而不是只讓AI把工作一股腦完成。

2026年，AI已經不只是後台判讀了。它可以協助寫標題、看語氣、抓關鍵字、查報表，甚至透過對話操作軟體。

AI能做的事變多，好像可以省下很多步驟。但人的責任並沒有因此變少。

AI幫忙整理，不代表它知道什麼該留下。AI幫忙生成，不代表它知道哪一句話太滿、太快、太像話術。AI從資料中找到規律，但我們仍然要判斷：這樣使用資料是否合理？這樣的個人化是否越界？這封關心的信，看起來是關心，還是更像精準的推銷？

這些問題2017年就存在，2026年只是換了工具，問題本身沒有消失。

2017年我寫AI行銷，在學著理解資料與自動化；現在我使用AI，在摸索一套能讓工作不必一直重來的方法。

整理資料庫、保存來源、拆分原稿和公開版、把過程資料收進資料夾~這些看起來不像流行的AI應用，卻是我真實生活在用的方法。

我不需要AI幫我生產大量模板文字。
我比較需要它幫我把混在一起想法和資料整理清楚，讓下一次不必從頭找脈絡、重新記邊界。

這跟2017年那篇舊稿有同樣邏輯：

AI的價值是讓人比較不必在重複的細節裡重新來過，而不是取代人。

生成式AI之前，我寫「AI行銷」沒那麼神奇。它談資料、分眾、預測、自動化，和怎麼在對的時間，把比較合適的內容寄給比較合適的人。

生成式AI之後，工具變多了、變強了。但需要判斷的問題還是那些：為什麼要用這些資料？自動化是在靠近人，還是更有效率地打擾人？交給AI的是重複的工作，還是連自己的判斷也一起交出去了？

那篇2017年的舊稿，沒有預見什麼。

比較有趣的是：那時我學到的判斷，到現在仍然有用。
AI再強，還是要回到人的需求、分寸和關係裡。

2026 年~沒變。

```