立正讨论 AI 提效时，重点不在工具本身，而在工作流有没有为 AI 重新设计。他举过开发者的例子：AI 让写代码变快，但代码评审、审批、跨团队对齐没有同步变快，个人省下的时间被下游瓶颈吃掉，整体交付并没有变快⁠1。放到营销上，值得先看的可能不是“哪个环节能生成内容”，而是内容产出之后还要等谁、验证什么、反复改哪几轮。比如一份投放素材从初稿到上线要经过品牌审核、法务确认、多语言改写，如果 AI 只加速了初稿，后面照旧排队，提效就很有限。真正值得做成工具或插件的，往往是这类反复出现、规则相对明确、又卡住结果的环节。

立正提醒，刷屏的 AI 演示通常不会告诉你它失败了多少次、花了多少成本、输入材料准备了多久、结果由谁验证、能不能稳定复现⁠2。所以持续发现方向的方式，是回到自己行业里哪些任务是文本密集、规则密集、重复密集或判断密集的⁠2。营销里，批量改写不同渠道的文案偏文本密集，活动报名和线索清洗偏规则密集，素材版本管理偏重复密集，而判断某条信息该不该对外发布则偏判断密集。前几类更容易做成稳定工具，最后一类更适合人加 AI 审核，而不是全自动。

立正提到，反复做的任务类型应该沉淀成经过验证的模板或 skill，每用一次优化一次，而不是每次从空白对话开始⁠3。这可以直接用来检验一个方向：先挑一个你每周都要做、标准相对固定的营销任务，用现有工具手工跑通几轮，记录哪一步还需要人补、哪里会出错。如果几轮之后能稳定复现，再考虑做成插件或自动化；如果每次都要大量人工兜底，说明问题还没被真正定义清楚。这样做的好处是，你先验证了痛点真实存在，再去投入开发，而不是先做工具再找用途。

立正举过游戏配表的例子：把资深策划脑中的平衡判断拆成两层，一层是十几条可执行规则，毫秒级跑完，另一层是模拟玩家跑上万局，抓规则覆盖不到的盲区。他由此推广到一类工作：重要但依赖资深人员判断、执行频率又很高的事情，可以把隐性判断变成显性规则库，每发现一个新盲区就补进去⁠1。营销里符合这个形状的，通常是素材合规检查、文案规范核对、投放参数配置这类有明确对错、每次改动都要过一遍的环节。反过来，判断“这个创意能不能打动人”依赖的是审美和受众直觉，规则写不全，就不属于这一类。

光看任务“规则多”还不够，要追到产出之后下游做了什么不同的事。立正提醒，如果说不清这项工作最后要改变什么，agent 只会更快地生产代理信号⁠2；指标是衡量策略的工具，不是目标本身，本末倒置时动作就会变形⁠3。所以判断一个营销任务值不值得做成规则化工具，可以问：检查结果出来后，是有人据此改了素材、拦下了投放，还是只是多了一份报告？如果只是多一份报告，它更可能是动作而不是结果。

立正举过游戏配表的例子：资深策划判断一副卡牌是否平衡，靠的是直觉，新策划要么自己试玩，要么排队等审。他们把这种判断拆成两层：第一层是十几条可执行规则，覆盖费用曲线、关键词分布、字段完整性，改完配表顺手跑一遍，毫秒级出结果；第二层是让 AI 扮演策略型玩家在几种环境下跑上万局，统计每张卡的使用率和贡献值，专门抓静态规则漏掉的机制盲区⁠1。营销里的对应做法是：把“这条文案能不能发”“这个投放配置对不对”拆成可逐条勾选的检查项，再留一层用真实素材或历史案例批量试跑，看哪些问题清单没覆盖到。静态层负责快和稳，动态层负责发现你还没想到的盲区，两层缺一，规则就会停在表面⁠1。

配表案例里，判断标准沉淀在规则库里，每发现一个新盲区就加进去，整个团队自动受益，新人不必再排队等资深同事⁠1。这和你之前问的“规则密集、可稳定复现”是同一件事：先挑一类验收标准清楚、资深同事反复在做的检查任务，把已经能说清的部分写成清单，跑一段时间后收集“规则没拦住但资深同事一眼看出不对”的案例，逐条补进去。反过来，如果一开始就想把资深同事的全部判断写成完整规则，往往会写出大量互相竞争、没有优先级的条目，结果每条都满足、整体却没有鲜明判断⁠2。规则库的价值在于保留“当时要解决什么问题、为什么这样定”，否则一条对的选择很快会变成没有上下文的禁令⁠2。

可以先选一类高频、结果能被下游直接采用的检查任务，比如素材合规或投放配置核对，把资深同事最近几次打回的理由逐条记下来，写成第一版清单，让执行的人自己先跑一遍再提交。观察两件事：清单拦下的问题里，有多少是资深同事本来也会打回的；以及资深同事仍然打回、但清单没覆盖的是什么。前者说明规则抓对了，后者就是下一批要补的条目。这个试法能帮你判断这类判断到底能不能被拆开，还是必须留在人身上⁠1。