假设你的 CMO 明天走进办公室说：从下个月起，20% 的媒介预算交给 AI 自主管理，人类只做监督。你会怎么反应？
恐慌？兴奋？还是觉得「这不就是程序化广告的升级版」？
2026 年 3 月，一个饮料品牌做了这件事。他们的实验结果，可能会改变你对「AI + 营销」这件事的根本理解。
不是程序化 2.0，是花钱的自动驾驶
先厘清一个核心区别。
程序化广告（Programmatic） 是这样的：人类设定规则（目标受众、出价上限、频次控制），机器执行。本质上是一个高速执行的规则引擎。
Agentic AI 媒介采买 则是：AI 被赋予一个目标（比如「在预算内最大化品牌搜索量」），然后自主决定在哪个平台投、投多少、什么时候加价、什么时候止损。它自己设定规则，自己打破规则。
这中间的差异，相当于定速巡航和自动驾驶的区别——前者你还在握着方向盘，后者已经把方向盘拆了。
饮料品牌的实验设计中，有三个关键设定值得注意：
第一，AI 被赋予了真实的预算权限。 不是模拟、不是影子账户、不是 human-in-the-loop 审批流程。是真的可以花钱。品牌方给了一个单独的预算池——不大，但足够验证假设。
第二，KPI 不是传统指标。 不是 CTR、不是 CPA、不是 ROAS。而是「品牌搜索量增长」。这意味着 AI 被引导去关注品牌建设的上游指标，而不是容易作弊的下游指标。这是一个聪明的设定——因为 AI 如果被绑在短期转化指标上，它很快就会学会把预算全投给重定向和品牌词竞价。
第三，人在回路，但人只做两件事。 一是设定目标函数，二是看周报。没有日审、没有实时监控、没有「这个素材不行换一个」的干预。
发生了什么
三个月的实验期，几个结果值得一说。
成本效率提升了 34%。 这不是最让人惊讶的数字——任何自动化在初始阶段通常都会优化掉显而易见的浪费。关键是这个提升来自于什么。
AI 做了几件人类媒介团队通常不会做的事：
- 它发现某个细分受众群在周二凌晨 2-4 点的转化信号异常活跃，于是把预算往那个时段倾斜。人类团队之前从未投过这个时段，因为「没人凌晨买饮料」。
- 它在一个被认为「对快消品无效」的长尾内容网站上持续投放，因为那个网站的访客搜索品牌的概率异常高——高到 AI 认为这是某种信号，虽然它不知道信号的具体含义。
- 它在某个平台的素材疲劳出现前 12 小时就开始降权，而人类团队通常需要 48-72 小时才能做出反应。
品牌搜索量提升了 22%。 这个数字的含金量在于：它不是靠品牌词竞价拉上去的——AI 被明确禁止投品牌词。这 22% 的增长来自对非品牌词的精准匹配和内容场域的渗透。
最意外的发现：AI 产生了「战略性浪费」。 在实验的第三个月，AI 开始把一小部分预算（约 5%）投在明显转化率极低的媒体上。人类团队最初以为系统出 bug 了，但数据分析后发现：这些低转化媒体接触的用户，后续在搜索渠道的品牌词点击率高出了 3 倍。
AI 在「浪费」预算来建立品牌记忆——这是人类策略师需要几十页 PPT 才能论证的事情，一个强化学习模型几周就「发现」了。
为什么大多数人不敢做
这个案例听起来很好，但为什么 2026 年了，绝大多数品牌还停留在「用 AI 写文案、出素材」的阶段，而不是让 AI 管钱？
三个障碍，每一个都根植于组织结构而非技术。
第一，问责制真空。 如果 AI 花掉了 50 万预算但没有产生预期效果，谁负责？媒介总监可以说「不是我批的」，AI 厂商可以说「模型决策是概率性的」，CMO 最终背锅。只要问责链条不明确，没有人愿意交出预算权限。
第二，KPI 体系的路径依赖。 大多数品牌的媒介 KPI 体系建立在「可审计的因果关系」之上——点击归因、last-click attribution、MMM 模型。Agentic AI 的决策逻辑是黑箱——它可能把预算投到一个没有点击、没有曝光归因的地方，三周后你发现品牌搜索量涨了但无法追溯原因。这在大多数企业的财务审计框架里是不成立的。
第三，团队恐惧。 这不是修辞。如果 AI 能以 34% 更低的成本完成媒介采买，那媒介团队的价值是什么？这不是一个遥远的问题——这是每次 Agentic AI 实验被提上议程时，房间里那个没人讨论的话题。
三个可复用的实验原则
对于想尝试的品牌，这个案例提供了几个可以直接抄的原则：
1. 从独立预算池开始。 不要动主预算。划一个单独的、即使全亏了也不影响生意的预算池。这个池子的大小取决于你的风险承受能力——饮料品牌用的是总预算的约 8%。
2. 选对 KPI。 不要用短期转化指标考核 Agentic AI。它的优势在于发现人类看不见的模式和长期价值信号。用品牌搜索量、品牌回想度、或者增量收入（incremental revenue）作为目标函数。
3. 把人的角色从「操作者」升级为「教练」。 不是盯着 AI 的每一步操作，而是帮 AI 理解业务上下文——比如品牌定位、竞品动态、季节性规律。这些结构化程度低但极其重要的信息，是当前 Agentic AI 最需要的 human input。
这不是预言，这是实验报告
回到开头那个假设——如果你的 CMO 明天说要交出 20% 预算给 AI。
这个饮料品牌的实验已经给出了部分答案：在合适的框架下，AI 不仅能省钱，还能发现人类媒介团队十几年经验都没发现的投放信号。
但同时也给出了一个警示：这个实验之所以成功，恰恰因为它不是简单地用 AI 替代人。它重新设计了整个决策架构——目标函数、问责机制、人在回路中的位置。
那些只是把 Agentic AI 当成「更聪明的程序化广告」的品牌，大概率会在第一次预算超支或 KPI 不达标后就关停实验。
真正的变量不是 AI 的能力——真正的变量是，你的组织准备好了吗？
本文参考了 Marketing Dive 对 Agentic 媒介采买趋势的报道及 Gartner CMO 调研数据。案例细节基于行业公开信息综合分析，品牌名称因保密协议未披露。
