前兩天跟一個以前在品牌做郵件行銷的中國朋友聊天，我們聊起了我們都怎麼使用 AI。
他現在是一個郵件行銷 Agency 的 CEO ，跟幾個擅長 AI 的朋友專門幫做獨立站的電商網站做郵件行銷，團隊人不多，卻已經是某家 ESP 在中國相當重要的合作夥伴。
他說以前做一檔 campaign，要先看最近哪些商品賣得好，哪些庫存需要推，再把顧客資料拉出來，切出幾組受眾。
接著寫 brief、想主旨、文案、跟設計來回溝通，最後進 Email 工具裡組版、測試連結、檢查手機版、設定排程。
信寄出去還不算完。過幾天要回頭看開信率、點擊率、轉換率，再整理成一份報告，看看這次做得怎麼樣。
一個品牌，一個禮拜要做 2-3 檔 campaign 是家常便飯。
整個流程裡，真正用來思考策略的時間可能不多。更多時間是花在搬資料、改格式、複製內容、設定條件，以及確認各種容易出錯的小地方。
老實說，光是操作系統按來按去就飽了，我說「飽」是真的光是這個工作量，就需要 1 個人力去操作系統，所以會這個郵件系統工具，基本上可以是一個職位了。
然後 AI 來了，郵件系統商光是推出 Agent 已經不夠了，他們甚至放出了官方的 MCP ，讓行銷人員可以更無縫地完成一個 campaign。
如果你不知道什麼是 Agent 和 MCP，可以把它想成：
Agent 是一位數位員工
MCP 是數位員工使用公司工具的接頭
Agent 會理解目標、思考順序、決定下一步。
MCP 提供一套共同的連接方式，讓 AI 在取得授權後，可以讀取或操作系統。
使用者可以透過支援 MCP 的 AI 應用或 Agent，讓自己選擇或是企業的模型讀取及操作郵件系統。
你可以把 MCP 想成 AI 和各種軟體之間的共用接頭。以前 AI 只能告訴你「建議怎麼做」，現在它可以直接讀取 Klaviyo 裡的資料、查詢顧客行為、建立受眾、產生 campaign，在權限允許的情況下執行工作。
以後行銷人員每天上班第一件事，可能就不需要先登入 Klaviyo 或 CRM 查找資料，他可以直接問自己慣用的 AI ：
「過去七天，哪些商品的瀏覽量上升，但轉換率低於平均？」
AI 查完資料後，不只提供你答案，還能接著找出高意圖但尚未購買的顧客、再排除最近已買過的人、低互動的人，然後幫你草擬一個 campaign 計畫。
AI 負責整理資料、產生初稿和內容變體，Figma 管理視覺稿與設計元件，Klaviyo 負責顧客資料、自動化流程和發送，以前要在不同工具和不同人之間來回跑的工作，現在只需要透過幾個動作就可以完成。
而人呢，則負責決定這次該推什麼、哪些內容不能用，以及最後要不要按下發布。
這讓我的這個朋友有機會用很少的人力，服務過去需要一整組人的客戶。
工作項目 | 過去的 Email marketer | AI 時代 |
|---|---|---|
工作起點 | 人主動登入工具、找資料、決定要做什麼 | AI 持續監控資料，主動提出問題與機會 |
資料分析 | 匯出 CSV、做報表，或請分析師查資料 | 用自然語言提問，由系統產生 SQL 並附上依據 |
受眾分群 | 人工設定條件，如「30 天內購買過」 | AI 根據購買機率、流失風險、RFM 等動態決定 |
內容製作 | 寫文案、找商品、建立版型 | AI 先產生完整活動，人負責修改與核准 |
個人化 | 姓名、地區、過去購買商品 | 每位顧客的內容、商品、折扣、時間和渠道都可能不同 |
發送時間 | 統一在週二上午或依經驗排程 | 預測每個人的最佳接收時間 |
渠道選擇 | Email、SMS 團隊分開規劃 | 系統判斷每位顧客適合 Email、SMS、App 或其他渠道 |
成效檢查 | 活動結束後查看開信、點擊與營收 | AI 持續偵測下滑、受眾重疊及異常並主動提醒 |
優化方式 | 人工做 A/B test，再依結果調整 | AI 同時進行大量微型決策，以對照組測量整體增量 |
操作介面 | 大部分工作在 ESP／CRM 後台完成 | 可從 ChatGPT、Claude、Slack 等介面直接操作 |
但人力變少，不代表這門生意會變簡單。
困難的地方會從「把東西做出來」，移到「讓客戶或是主管理解為什麼要這樣做」。
我的朋友說，他現在整天都在開會，忙著到處「教育客戶」。
因為 AI 降低從業者執行門檻的同時，也提高了客戶對自己的專業認知。
這些場景應該大家都看過了，現在我們什麼都可以自己問 ChatGPT，幾分鐘後就可以帶著一套看起來跟真的一樣的內容來開會，甚至會議上直接用 AI 給的答案就打槍別人的提案。
「我問 AI 就好了，為什麼還要付這麼多錢給你們？」
於是 agency 省下了製作時間，卻要花更多時間回答客戶的一百個為什麼、為什麼選這群受眾？為什麼排除另一群人？這些數據從哪裡來？為什麼 AI 建議這樣做，你卻不採用？
這些場景很似曾相識嗎？沒錯，不光是郵件行銷，AI 對各行各業都帶來了這樣的變化。
以前客戶付錢，買的是你會操作他不會操作的工具。現在大家都能生成文案、做出圖片、查到一套策略，單純的執行很難再支撐原本的收費方式。
客戶願意付錢的理由，會慢慢變成，當所有人都有一個答案時，你能精準的選出正確的策略、找出風險，並且穩定地執行計畫，把策略落實。
所以我認為，Email marketing 從業者接下來的競爭力，會逐漸從「能夠完成任務」，轉向這三種能力。
1. 提出正確的商業問題
「怎麼提高開信率」通常不是一個好問題，因為開信率提高，不一定帶來更多訂單。
訂單增加，也不一定代表利潤增加，你可能只是對原本就會購買的人多發了一封信，或用不必要的折扣換到漂亮的歸因數字。
更值得問的是，我們想改變「哪一群顧客」的「什麼行為」？
這個改變如果發生，對營收、毛利和顧客 LTV 有什麼影響
AI 可以告訴你怎麼提高開信率，但它很少主動質疑問題本身值不值得回答。
2. 建立可靠的規則與資料環境
Agent 能不能做好工作，很大一部分取決於它拿到了什麼資料，以及我們怎麼限制它。
顧客資料是否完整？顧客位於哪些地區？適用哪些法規？退貨和取消有沒有算進去？哪些人不能收到促銷？折扣上限是多少？同一個人一週最多收到幾次訊息？
如果這些規則沒有先定好，AI 會很有效率地把事情搞砸。
3. 辨別 AI 的答案是否值得採用
AI 給得出答案，不代表答案可靠，我想大家都同意吧。
從業者需要看得出資料少了什麼、查詢條件有沒有偏差、模型用了哪些訊號、是否產生了幻覺，以及這項建議會不會帶來短期數字以外的副作用。
這裡面有數據素養，也有對顧客、產品和品牌精神的理解。
AI 並不能對任何結果負責，最後決定「這個建議雖然有數據支持，但我們不做」的人，要對商業結果負責。
寫到這裡，有沒有發現這件事其實不只發生在 Email marketing 行業。
設計、廣告、內容、顧問、研究、程式開發，甚至幾乎所有組織內的職能，都可能走向類似的變化。AI 會讓做初稿和執行工作的成本持續下降，也會讓人產生「這我很會」的錯覺。
接下來 AI 工具只會越來越好用，完成任務的方法也會越來越多。
我更在意的是，當「把東西做出來」不再困難，我們要怎麼練習問對問題、設計可靠的工作環境，以及判斷一個答案到底能不能用？
到時候，我希望真正能成功的人，是具有這三個技能的人。
你有什麼方法可以培養這三個技能嗎？
歡迎你直接回覆這封信告訴我，我們一起成為這樣的人吧！
希望你喜歡今天的內容，還有我灌注的靈魂。
我們下次見,
默默
註1: 這是 Klaviyo 正在推出的產品方向，部分 SQL 與 Personalization 功能仍處於 Preview，並非每個帳號現在都能完整使用。
註2: 我將文中說到的 MCP 相關資料放在下方，給你們參考呦。
