三个 40 岁老程序员决定用 AI 重新出发（十）：客户主动让 AI 碰广告预算了，我们为什么还不敢？

你好，我是曹犟，欢迎关注我的公众号。

在这个系列的上一篇，我写了我们三个老程序员怎么用 FDE 模式跑到客户现场，把自己变成投手。在驻场一个月之后，事情又往前走了一步。

上周，在客户现场驻场的同事给我发来一条企微消息：“客户的投手觉得现在每天 Agent 盯盘给出的效果绝大部分都是对的，不太想一个个确认了，问我们多久能做好‘一键采纳’”。

先补充一下背景，我们三人小团队正在做的 Omni-Growth Agent，是给做海外公域营销的公司提供的 AI Agent。其中一条产品线，就是给投手用的 copilot：替投手 7×24 盯盘，持续关注广告账户的数据变化，发现问题，给出调整建议。这个场景有一个特殊之处，Agent 给出的每一条建议，都会影响客户真金白银的广告预算的消费；建议一旦错了，钱是真的会被浪费的。所以，它的信任门槛天然比写文案、做纪要的 AI 高得多。而现在这家客户，我们已经按照 FDE 的方式驻场服务了一个月。

看到这条消息，我的第一反应其实不是高兴，而是感慨：一个月前刚进场时，不光 Agent，包括我们自己，都连碰客户广告后台的资格都没有，只能在外围看看数据、给一些建议，不能替客户执行任何操作。从“不敢让 AI 动”，到“嫌自己确认太慢”，这中间发生了什么？

PART 01 “敢不敢放手”，这个问题问偏了

今年以来，关于 Agent 的讨论有一个明显的变化：重心从“它能不能做事”，转到了“该不该让它做事”。万事达卡公司在官网发过一篇文章，标题翻译过来大意是：AI Agent 已经准备好行动了，但大多数系统还没有准备好信任它们。这种障碍，不是模型能力，而是文化、安全、责任、治理这些组织层面的问题。网上类似的讨论也不少，核心问题都是：我们什么时候才应该放心让一个自主的 Agent 去干活？这些声音合起来看，Agent 的焦点已经从能力转向了工作边界。

这些讨论都有价值，但它们有一个共同的预设：把“放手”当成一个需要具体做的决策，好像企业开几次会、定一套制度，就能决定要不要信任 AI。而现实是，讨论治理框架的人很多，真正把 Agent 放进客户的真实业务里、一天一天跑下来的人还很少，所以这类讨论很容易停留在制度层面，很难落到实际操作中。

我们在客户现场看到的，完全不是这样。信任不是一次决策出来的，而是一步一步积累出来的。而且，要积累这种信任，乙方的产品设计跟甲方的组织变革同样关键。产品有没有给客户留出一条从不信任到信任的路径，这才是关键。

还是以我们正在做的这个 copilot 产品为例。

PART 02 从只读盯盘，到一键采纳

第一步，只读进场。

Agent 刚接入客户的广告账户时，我们只给了它“看”的权限。它 7×24 盯着数据，每天关注的内容，和一个投手早上打开后台要看的内容差不多：各个广告系列的花费、转化和 ROI 有什么变化，有没有异常波动，然后给出当天的调整建议，比如哪个系列应该增加预算、哪个应该止损、哪里需要投手进一步排查。但它不能操作后台，所有操作都由投手自己在广告后台手动完成。

为什么这么设计？不是技术上做不到自动执行，而是在那个阶段，它还没有这个资格。它不了解这个客户的预算节奏，不知道哪些品类在清库存，也不知道老板对哪条产品线有特别的坚持。这些信息都是所谓的默会数据，在投手的脑子里，从广告后台的数据是看不到的。

可以说，这个阶段的 Agent 懂的是广告投放这门通用手艺，还不懂这家客户的生意。

第二步，三态响应。

我们在产品设计上，对 Agent 给出的每一条建议，给投手留了三种处理方式。

第一种，同意。但同意之后，操作仍然由投手自己去后台完成。Agent 会记录这条建议被采纳了，然后持续跟踪后续的数据变化，看效果是否真的符合它的预测，比如 ROI 是否真的改善。这样一来，每条建议都有了一份可以事后对账的记录。

第二种，拒绝。投手可以拒绝，但需要用自然语言给出明确的理由。

第三种，争论。投手可以直接用自然语言跟 Agent 讨论：你这条建议没考虑我们这周的促销安排，或者，你看的数据口径不对。讨论过程中，Agent 可以随时去获取更多数据，来支撑或者修正自己的判断。

第三步，让不信任变成学习信号。

这套三态设计里，最值钱的其实不是“同意”，而是“拒绝”和“争论”。

市面上很多 Agent 产品，用户不采纳建议，这个信号本身是被丢掉了。而在我们这套机制里，这个信号会被保留下来：客户拒绝的理由、争论的过程，本质上都是投手在把自己脑子里的策略、预算节奏、品牌考虑，以及那些 Agent 从数据里看不到的信息，一条一条教给 Agent。

所以这一个月里，变化是双向的：客户越来越信任 Agent，Agent 也越来越懂客户。这两件事不是先后关系，是同一个过程。客户的不信任，恰恰是 Agent 最昂贵的训练数据。

这也是为什么，我们不急着做自动化。只读期不是通往自动化过程中的被动等待期，而是 Agent 学习这家客户的必经阶段。一个跳过这一阶段、一上来就替客户执行的产品，既积累不了信任，也拿不到这些学习数据。

第四步，让数据决定什么时候升级权限。

那么，什么时候可以从“给建议”升级到“替客户操作”？我们的判据不是感觉，是两个硬指标：建议的采纳率，以及采纳之后效果的兑现率。

同事发来那条消息的当天，盘面是这样的：80% 的建议，投手直接采纳了；剩下的 20% 有分歧，仔细一看，不是 Agent 判断错了，而是双方看的数据维度不同，口径对齐之后也采纳了。

同时，前两天 Agent 给出的一些这位投手采纳的建议，实际执行下来之后，效果也基本都符合最开始的预期。

然后，才有了开头那一幕：投手不想再一条一条手动确认，反过来催我们，多久能上“一键采纳”。

这里的顺序很重要。不是我们去说服客户接受自动化，而是客户主动提出，要把确认这个动作交出来。放权，是客户自己做的决定，而不是我们开会说服了客户。

PART 03 客户在催，我们反而按住没上

但我们并没有顺势上线一键采纳。恰恰相反，到今天为止，一键采纳还没有真正上线，整套机制仍在迭代。

原因很简单：上面提到的采纳率，只是这一个投手一天的盘面，不是常态，也不是所有投手的共通状态。同时，另一个指标兑现率，天然会更慢；一条建议执行下去，数据需要过几天才能回流，才能知道当初的预测有没有兑现。

我们希望这两个指标在更长的时间窗口里和组织内更多的投手的账户上稳定下来，再把“确认”这一环节交给机器。信任积累得比功能开发快，当然是好事，但放权的节奏应该由数据决定，而不是由意愿决定，哪怕这个意愿来自客户自己。

行业里讨论的问题是“企业敢不敢让 Agent 放手干活”，我们在现场遇到的真实版本却是：客户敢了，我们还不敢。

我之前写过一篇文章，讨论 AI 自己花钱这件事，当时的结论是，难的不是支付，是谁来认账。放到广告投放这个场景里，这个问题会变得更加具体：Agent 建议加的预算，花的是客户的钱；一键采纳之后，动作是 Agent 做的，效果不好，账算在谁头上？这笔账没想清楚之前，把“确认”这一环节从流程里拿掉，对双方都不是好事。

顺带一提，我们跟这个客户在合同上，也对 Agent 如果给出错误的建议，带来了经济损失，应该如何承担责任，也有详细的约定。整个约定的过程，也来回了好几次。

除此之外，还有一条底线：留痕。就算将来一键采纳真上线了，每一次操作的完整记录也会保留下来：哪个 Agent 发起的、依据哪条建议、在什么时间、做了什么，全部可查、可回溯。

我在之前讨论 AI 广告管理的文章里说过，AI 进入实际业务，最大的变化不是效率，而是审计。对客户，这份记录是出了问题可以追责的底气；对我们，它也是产品迭代的原始素材。

每一条没有兑现的建议，都可以顺着记录找回当时的判断依据，看清楚 Agent 到底错在哪里。从这个角度来说，权限决定信任能积累多高，留痕决定出了问题能不能兜得住。

写在最后

进一步来看，这套做法其实就是 FDE（Forward Deployed Engineer，前向部署工程师）模式的产品化。FDE 的核心，是把人放到客户现场，学习客户的业务，用一个一个跑通的小结果积累信任。我们只是把同样的逻辑放进了产品里：驻场的人在学习客户，产品里的 Agent 也在学习客户，两个过程同时进行。这也是我们这个三人小团队愿意整周整周泡在客户现场的原因。

所以，下次再有人讨论“该不该让 Agent 放手干活”，我个人的看法是，这个问题应该反过来问：你的产品，有没有给客户设计一条从只读到放权的路径？如果没有这条路径，讨论敢不敢，意义不大。

如果你也在做 Agent 产品，或者你的公司正在纠结要不要让 AI 碰真实业务，欢迎在留言区聊聊：你们现在走到哪一步了？

本文作者曹犟正在和团队打造 Omni-Growth Agent，目标是用 AI 帮中国公司把海外营销做得更高效、更可控。如果你自己就是投手，想要个帮手替你 7×24 盯盘、出事才叫你、要不要动还自己拍板，看看投手 Copilot：https://omni-growth.ai/copilot.html