最近我一直在想一個問題。
如果今天 Codex 已經可以自己讀程式碼、修改檔案、執行測試，甚至完成一部分原本由工程師反覆操作的工作，那為什麼一個業務或行銷人員每天還要手動打開 LinkedIn、Google、Apollo、Email、CRM 和試算表，把同樣的資料搬來搬去？
直覺上的答案很容易變成：做一個 Marketing Agent。
但我愈想愈覺得，這個答案可能把事情說反了。
真正值得做的，不是讓一個 LLM 接管整個行銷流程，而是先把行銷重新理解成一個軟體問題。
大部分行銷工作的本質，其實沒有那麼神祕。
找出潛在客戶、收集資料、判斷條件、補齊聯絡資訊、排除不符合資格的對象、觸發訊息、記錄回覆、更新 CRM、安排後續行動。這裡面大量工作其實都是 deterministic workflow。
它們需要的是 Code、API、Database、Queue、Scheduler 和 Rules。
真正需要 LLM 的地方，反而只有少數幾個節點：理解一段文字、判斷意圖、萃取非結構化資訊、根據脈絡產生回覆，或者處理事前無法完整定義的例外。
所以我現在對 Agent 的理解是：
Agent 不是讓 LLM 做更多事情。
好的 Agent，是讓 LLM 只做值得使用 LLM 的事情。
不要為確定性的工作支付 AI 稅
現在很多 AI 自動化系統有一個很奇怪的現象。
明明一個普通程式判斷就可以完成的工作，卻還是丟給 LLM。
例如檢查欄位是否存在、過濾員工人數、比對產業分類、確認 Email 是否已經聯絡過、依照規則排定下一次執行時間。
這些事情讓 CPU 做就好了。
讓 LLM 做，不但比較慢、比較貴，而且還增加不確定性。
這也讓我愈來愈不喜歡「所有流程都 Agent 化」這種說法。
如果一個流程有 100 個步驟，其中 80 個可以明確寫成程式，15 個需要文字分類，只有 5 個需要真正的推理，那麼好的系統設計不應該是在 100 個地方都呼叫模型。
而是把前面 95 個步驟做成可靠的軟體，只把最後真正存在不確定性的部分交給 AI。
從這個角度來看，現在大家所謂的 Marketing Agent，最後很可能不是一個「AI」。
它會是一套軟體。
只是其中嵌入了一些 AI。
這兩者的差異很重要。
因為一旦把行銷當成軟體，我們開始問的問題就會不同。
不是「這個 Agent 可以做什麼？」
而是「這個流程裡，哪裡真的存在認知成本？」
真正稀缺的不是訊息，而是訊號
AI 讓產生訊息的成本下降到接近零。
這件事乍看之下對行銷是利多，但它也產生了一個反效果：所有人都可以寄更多信、發更多文章、產生更多 LinkedIn 訊息。
結果是訊息本身迅速貶值。
當供給接近無限之後，真正昂貴的東西反而變成「什麼時候應該說話」。
這也是我認為現在 Outbound 最值得重新思考的地方。
傳統 Cold Outreach 通常從 ICP 開始。
公司規模對不對、產業對不對、職位對不對、地區對不對。
這些資料可以告訴你「這個人可能是客戶」，但不會告訴你「他現在有沒有興趣」。
兩者差很多。
如果一名製造業主管剛剛留言討論 AI 導入、正在招募 AI Automation Engineer、下載一份企業 Agent 白皮書，或者公司最近突然增加相關職缺，這些資訊的價值遠高於單純知道他是某家公司資訊長。
我比較願意把這些東西稱為 Signal。
Signal 不一定代表購買意圖。
按讚一篇 AI 文章的人不代表準備買 AI 顧問服務。
但它至少代表：現在與他談這件事情，比隨機抽一個名單開始寄信更合理。
所以未來 Outbound 系統的競爭，我認為不會是誰可以寄最多 Email。
而是誰可以更早、更便宜、更準確地發現 Signal。
這是一個資料問題，也是一個軟體問題。
AI 只是其中一部分。
我會怎麼設計這套系統
假設我要替自己建立一套客戶開發系統，我不會先從「Agent 要做什麼」開始。
我會先把整條鏈拆開。
Signal Detection → Identity Resolution → Enrichment → Qualification → Outreach → Response Classification → Follow-up → Conversion → Feedback。
第一層負責發現事情正在發生。
可能有人在 LinkedIn 留言、某家公司新增職缺、網站增加新的產品頁、開始投放某種廣告、參加特定展會，或者公開談到某個問題。
第二層才開始回答：這個人是誰？公司是什麼？是否符合我的 ICP？能不能找到可靠的聯絡方式？
接著才進入 Outreach。
到了這裡，LLM 才開始變得比較重要。
因為它可以理解 Signal 發生的脈絡，判斷什麼資訊值得使用，再根據對方的背景決定訊息應該怎麼寫。
但即使如此，我仍然不會讓模型自由決定所有事情。
寄送頻率、去重複、黑名單、Domain reputation、CRM 狀態、排程、重試機制，這些都應該由軟體控制。
收到回覆之後也是一樣。
「Not interested」、「找某某人」、「三個月後再聯絡」、「請提供報價」這些情況，可以先分類，再決定哪些事情自動處理，哪些事情交還給人。
Human-in-the-loop 不代表系統失敗。
相反地，它本來就應該是架構的一部分。
Inbound 也是同一件事情
內容行銷其實有一樣的問題。
現在用 AI 寫文章太容易了。
也因此，大量內容根本沒有資訊來源。
先叫模型想十個主題，再叫模型寫十篇文，再自動排程。
技術上非常有效率。
經濟上可能完全沒有意義。
因為這個系統只是把「沒人想看的內容」生產成本降低而已。
我認為比較合理的方向剛好相反。
先找真正存在的 Context。
客戶問過什麼問題？
會議裡出現過什麼爭論？
哪個專案失敗了？
某個決策為什麼最後沒有採用？
最近在工作裡發現什麼原本以為是對的事情其實不對？
這些才是內容。
AI 可以負責 transcription、整理、cluster、萃取、改寫、分發以及重新組合。
但觀點本身最好還是從真實世界進來。
否則自動化程度愈高，只是讓 AI Slop 產生得更快。
最後還是要算帳
我覺得 AI 自動化最容易被忽略的一件事情，是經濟價值。
能自動化，不代表值得自動化。
假設一名 SDR 每個月的人力成本是 50,000 元。
一套自動化系統每個月需要 3,000 元基礎設施、8,000 元資料 API、2,000 元模型費用，再加上一些維護成本。
如果它穩定替代半個甚至一個 SDR 的有效產出，這件事情就可能成立。
但如果我每個月花 20,000 元買一堆 AI SaaS，只是為了自動產出每天三篇沒有人看的 LinkedIn 貼文，那它就算再自動，也沒有什麼價值。
所以我現在愈來愈傾向用另一個方式判斷 AI：
不要問它自動化了多少工作。
問它消滅了多少經濟成本，或者創造了多少新增產出。
自動化本身不是價值。
被自動化掉的成本，才是價值。
Marketing is software
所以我現在不太把 Marketing Agent 看成一個全新的物種。
它比較像是一個新的軟體架構。
我們以前替人設計 CRM、Marketing Automation 和 Sales Pipeline。
現在只是多了一個新的 computation layer。
這個 layer 可以閱讀文字、理解語意、處理模糊資訊，甚至在一定範圍內做判斷。
這當然非常重要。
但它沒有讓軟體工程的基本原則失效。
能寫成 Code 的，還是應該寫成 Code。
可以用 Rule 解決的，不需要推理。
真正需要理解語意、上下文與不確定性的地方，再使用模型。
人則留下來處理高價值判斷、例外與責任。
如果這個方向是對的，那麼未來最強的 Marketing Agent，可能不是最像人的那一個。
而是最不像人的那一個。
它不需要假裝自己是一名全天候工作的數位員工。
它只需要成為一套非常好的軟體。
持續觀察市場、發現訊號、整理資料，在正確的時間把正確的事情交給 AI，再把真正重要的判斷交回給人。
這可能才是我認為 AI Agent 最終真正有經濟價值的地方。