McKinsey 在這篇《Reinventing marketing workflows with agentic AI》研究指出，未來 AI Agent 有機會承擔約 6 成的行銷工作，帶動 10% 至 30% 的營收成長，並將行銷活動的規劃與執行速度提升 10 至 15 倍。
要實現這樣的轉型，企業必須先建立「統一的身分與數據層」。AI Agent 在規劃受眾、生成內容、選擇渠道或執行任務時，需要即時掌握使用者的身分、行為、偏好與當下意圖，才能做出符合情境的判斷。
第一方數據與 CDP，也就是顧客數據平台，正是在這個過程中負責整合資料、識別使用者，並持續更新顧客情境。
本文將以 McKinsey 提出的 5 步驟框架為基礎，說明行銷團隊在規劃導入 AI Agent 時，如何盤點現有工作流，並評估企業需要補強的數據、系統與執行基礎。
本文段落：
- 麥肯錫預測的未來：五成行銷工作交給 Agent，基礎在於數據層
- 多數企業的行銷數據，目前處於什麼狀態
- CDP 在 Agent 決策中的角色：即時性與身分統一
- 從 McKinsey 五步驟框架看，行銷團隊應優先檢視哪些項目
- AI Agent 能否落地，取決於數據是否準備好
麥肯錫預測的未來：五成行銷工作交給 Agent，基礎在於數據層
McKinsey 在報告中指出，未來 AI Agent 有機會承擔多達三分之二的行銷任務，涵蓋內容自動生成、受眾模擬測試，以及以受眾為核心的媒體投放規劃。
根據報告估算，導入 Agentic Workflow 的企業，營收有機會成長 10% 至 30%，行銷活動從規劃、產出到執行的速度，也可能提升 10 至 15 倍。
要實現這些效益，Agent 必須能即時理解顧客情境，包括「這個人是誰、現在正在做什麼，以及過去曾經做過什麼」。
因此，企業需要先建立現代化的技術基礎，包括統一的身分與數據層 unified identity and data layers、具彈性的模型服務架構，以及能讓 Agent 透過 API 穩定讀取資料、呼叫系統與執行任務的內容和活動平台。
數據是否完整、即時且能被 Agent 調用，將直接影響它的判斷品質、執行範圍與最終成效。
多數企業的行銷數據，目前處於什麼狀態？
McKinsey 在報告中指出，許多企業的行銷科技架構，是由多套 CMS、數位資產管理系統、CRM 與分析工具逐步拼接而成，這些系統在最初設計時，通常沒有考慮即時的 Agent 協作、跨系統任務執行，以及共享數據模型等需求。
報告引用 McKinsey 另一篇文章〈Seizing the agentic AI advantage〉中的「生成式 AI 悖論」the gen AI paradox，描述企業目前面臨的現象：AI 技術投入已相當普遍，真正反映在營收與營運成果上的價值仍然有限。文中也引用 McKinsey 內部研究作為參照：接近 9 成的 CMO 已在行銷流程的不同環節測試 AI 應用，但能在端到端工作流中創造明確價值的企業比例仍不到一成。
報告沒有進一步逐項拆解這個落差的成因，不過，從全文脈絡來看，問題與幾項基礎條件密切相關，包括數據仍分散在不同系統、資料更新缺乏即時性，以及資料與流程尚未標準化到能讓 Agent 直接讀取與調用。
以台灣行銷團隊常見的技術架構為例，GA4 的流量數據、Meta 與 Google 的廣告成效、EDM 系統中的會員名單、客服互動紀錄或電商後台的訂單資料，經常分散在不同平台。部分資料仍以每日或批次方式更新，呈現的多半是使用者完成互動或離站後留下的歷史紀錄，而非當下正在發生的行為訊號。
在這樣的條件下，即使企業導入 AI Agent，它可取得的資訊仍可能分散、延遲且缺乏一致性。Agent 可以加快文案產出、素材生成與測試分析，但若希望它在使用者瀏覽、比較或猶豫是否下單的當下即時回應，企業仍需要更完整、即時且可被調用的數據基礎。
CDP 在 Agent 決策中的角色：即時性與身分統一
CDP 也就是顧客數據平台，常被理解為集中儲存顧客資料的工具，不過，若功能只停留在資料彙整與保存，對 AI Agent 即時判斷的幫助仍然有限。
要支撐 Agent 在行銷場景中做出即時決策，CDP 至少需要具備 2 項能力。
第一：即時完成身分整併
同一位使用者可能從廣告點擊進站、瀏覽網站、操作 App，也可能曾與客服互動，若這些行為無法即時串接到同一個顧客身分，Agent 取得的只會是分散的行為片段，難以理解使用者完整的互動歷程與目前狀態。
第二：讓數據反映使用者當下的行為與意圖，而不只保存歷史紀錄
以 Meta Pixel 等傳統再行銷工具為例，這類解法主要記錄使用者曾經瀏覽、點擊或離開網站的行為，再透過後續廣告投放重新接觸，當品牌再次觸及使用者時，通常已經與最初出現購買意圖的時間點產生落差。
因此，支撐 Agent 決策品質的關鍵，不只在於企業累積了多少數據，更在於數據是否即時、能否被統一辨識，以及是否足以反映使用者當下的意圖。
例如：一位訪客第三次瀏覽同一個商品頁，將商品加入購物車後仍未完成結帳，這些正在發生的行為訊號，對轉換判斷的參考價值，通常高於幾天後才出現在廣告平台中的「曾經瀏覽過」標籤。
若系統能在這個時間點辨識意圖，Agent 就有機會即時調整網站文案、顯示提醒、推薦相關內容，或提供符合條件的限時方案。
這也呈現出網站端即時行為介入與事後再行銷之間的核心差異：前者是在意圖仍然活躍時做出回應，後者則是在行為發生後，再透過其他渠道重新接觸使用者。
從 McKinsey 五步驟框架看，行銷團隊應優先檢視哪些項目？
McKinsey 提出的五步驟框架，包括建立任務分類、定義 Agent 原型、盤點所需 Agent、重新設計人機協作流程，以及分階段導入，這套方法原本以大型企業的技術轉型為背景，若套用到資源有限、人力精簡的行銷團隊，可以將「數據準備度」納入每一個步驟的評估重點。
第一步：先盤點數據的即時程度
在規劃導入 AI Agent 前，行銷團隊可以先確認現有數據能否即時取得。
例如，網站行為需要等到隔日報表才能查看，還是能在使用者瀏覽、點擊與加入購物車的當下被系統識別？同一位訪客在網站、App、廣告與客服系統中的互動，是否已經串接到一致的身分？
這些條件會直接影響 Agent 能理解多少顧客情境，以及後續可以承接哪些任務。
第二步：依據數據準備度排列任務優先順序
這一步對應 McKinsey 所提出的「建立任務分類」。
McKinsey 建議企業先拆解完整的行銷活動、子任務與背後使用的系統，實務上，行銷團隊可以進一步檢視，每一項任務需要哪些數據，以及這些數據是否完整、即時且可被調用。
第一波適合導入 Agent 的任務，通常具備幾個特徵：決策條件明確、數據來源穩定、執行結果容易衡量，而且已有第一方數據可以支持。
第三步：確認 Agent 與既有系統能否互通
這一步對應 Agent 原型定義與所需 Agent 的盤點。
企業除了評估內容生成、資料分析、規劃或執行等 Agent 能力，也要確認它們能否讀取既有數據，並與 CDP、CRM、CMS、廣告平台及分析工具互動。
McKinsey 特別指出，系統之間缺乏互通性，經常比模型能力更容易成為導入瓶頸，因此，評估 AI 工具時，除了關注模型表現，也需要確認工具能否透過 API 穩定讀取資料、執行任務，並將結果回寫到既有系統。
第四步：明確設計人與 Agent 的分工
這一步對應 McKinsey 所提出的人機協作流程。
策略方向、創意品味、品牌判斷、關係經營與例外情況處理，仍適合由人員負責。重複性高、規則清楚、需要快速反應的工作，則可以交由 Agent 或自動化規則執行。
行銷團隊需要進一步定義，哪些決策可以由 Agent 自主完成、哪些內容需要人工核准，以及出現哪些條件時，系統必須將任務交回給人員處理。
第五步：從即時且可衡量的場景分階段導入
這一步對應 McKinsey 的分波導入策略。
對資源有限的團隊而言，第一波不需要追求涵蓋完整行銷流程，可以先選擇數據較完整、執行邏輯清楚，而且成效容易衡量的場景。
例如，當使用者重複瀏覽商品、加入購物車卻尚未下單，系統能否在購買意圖仍然活躍的當下，自動調整訊息、顯示提醒或觸發後續溝通。
這類場景的觸發條件、執行動作與轉換結果都相對清楚，較容易衡量 AI Agent 是否縮短反應時間、提升轉換率，並創造可量化的投資報酬，對行銷團隊而言，導入 AI Agent 的起點，可以先從一條數據已經準備好、系統能夠即時反應的工作流開始，再依據成效逐步擴大應用範圍。
AI Agent 能否落地，取決於數據是否準備好
McKinsey 的報告描繪出一個清楚的方向：行銷工作將逐步從彼此切割的單次活動，轉向整合洞察、內容、商務與成效的持續性流程，這套流程能否順利運作，很大程度取決於底層數據是否即時、能否反映使用者當下的行為與意圖，以及是否能被 Agent 穩定讀取與調用，而不只是事後彙整的歷史紀錄。
對正在評估導入 AI Agent 的行銷團隊而言，除了思考要導入哪些 Agent、優先自動化哪些工作，也應先檢視一個更基本的問題：現有的第一方數據，是否足以支撐一套需要即時判斷與執行的系統？
這項檢視結果，會直接影響 Agent 的導入順序、可承接的任務範圍，以及最終能創造的實際效益，因此，補強 CDP、身分整併與即時行為數據層，可以視為企業導入 AI Agent 時，值得優先評估的基礎建設。
👉 想聊聊 CDP × AI Agent 如何落地在品牌行銷場景？👉點我預約了解