Founder Thesis: Agentic advertising 的正确路径是渐进式，不是 Big Bang
很多团队在听到"AI agent 可以管广告"的时候，第一反应是赶紧接上、快速自动化。这是一个 Big Bang 思维的陷阱。
正确的路径是渐进式的。原因很简单：agent 的能力和平台的 governance 都在快速迭代，今天可用的工具和权限明天可能变化。企业需要在一个可控的框架内逐步验证 agent 的价值，同时建立保护机制。
30 天：基础层建设（Foundation）
前 30 天的目标不是接入 agent，而是确保 agent 一旦接入，能读到正确的品牌信息。
具体任务：
- 官网事实审计：服务页是否清晰定义了你做什么、不做什么？FAQ 是否回答了真实买家问题？案例是否可验证？
- Schema 标注检查：Organization、Service、FAQ、Review、Article 是否正确标注？
- llms.txt 发布：是否有明确的 AI 爬虫事实层文件？
- UTM 和命名规范：广告命名、UTM 参数、转化事件是否有统一规范？
- 权限和账户结构审查：广告账户结构是否清晰？权限是否分级？
- 多语种一致性检查：如果是多语种品牌，各语版品牌事实是否一致？
产出：一份品牌证据层完整度报告 + 需要修复的问题清单。
60 天：Agent 只读 + 建议模式（Validation）
第 31-60 天，开始用 agent 做诊断和建议，但不做任何写操作。
具体任务：
- 接入 Meta Ads MCP（只读）：让 agent 读取广告账户数据，生成报告和诊断。
- 对比 agent 报告和人工报告：agent 的诊断是否准确？是否遗漏关键信息？是否有误判？
- 测试 agent 对品牌证据层的理解：agent 是否正确读取了你的服务、市场和案例？
- 建议模式测试：让 agent 生成预算、受众、创意建议，但不执行，由人工评估质量。
- CitationGraph 首次审计：监测品牌在 AI 回答中的当前表现。
- Governance 框架草案：基于前 60 天的测试，起草 agent 操作治理文件。
产出：agent 准确度评估报告 + governance 框架初稿 + CitationGraph 基线报告。
90 天：Governed 自动化 + 持续优化（Scaling）
第 61-90 天，在 governance 框架下开始低风险写操作和持续优化。
具体任务：
- 低风险写操作：agent 可以在预批准的范围内调整预算、暂停低效 ad set、更新命名。
- 监控和审计：每周审查 agent 操作日志，评估决策质量。
- 品牌证据层持续更新：根据 agent 反馈和 CitationGraph 数据，持续优化官网事实层。
- GEO + Paid Media 协同：开始把 GEO 优化和广告策略整合为一个工作流。
- Escalation 测试：模拟 agent 遇到异常场景，验证 escalation 路径是否有效。
- 复盘和下一阶段规划：基于 90 天数据，决定是否扩大 agent 权限、增加市场覆盖。
产出：governed agent 操作 SOP + 下一阶段规划。
Gravity 视角
Gravity 帮客户执行这个 30/60/90 playbook 的每一步。从品牌证据层审计到 GEO 优化，从 CitationGraph 监测到 Paid Media governance，我们把这些看成一个完整的增长系统。
本地市场视角
对中国出海企业来说，30 天的基础层建设还需要包含多语种品牌事实对齐——中文、英文、日文、韩文等版本的服务页、案例和 FAQ 一致性。60 天的 agent 测试需要同时在中文和英文语境下验证 agent 理解。90 天的 governed 自动化要考虑不同市场的法规差异。
风险边界
30/60/90 playbook 不是一个 fixed template。每个企业的起点不同——有些企业的官网事实层已经很完善，可以缩短 Phase 1；有些企业的 governance 体系很成熟，可以更快进入 Phase 3。关键是渐进式验证，不要跳过基础层直接自动化。
深度扩展：把议题落到经营系统
这篇文章真正要讨论的不是30/60/90 天 Agentic Growth Playbook本身，而是从基础准备走向受治理 agentic growth 的分阶段行动计划。如果只把它理解为一个新闻事件或工具更新，增长团队很容易只做表层动作：发一篇评论、改几个关键词、让广告团队试一个新接口。真正有价值的做法，是把它放进企业的增长操作系统里，重新检查官网证据、内容结构、广告账户、分析口径、CRM 回传和多语种市场事实是否一致。
第一层是事实层。AI 系统和 agent 在做判断时不会只看一个页面，它会组合官网、案例、FAQ、结构化数据、媒体报道、社交内容和第三方评价。如果这些事实之间存在冲突，AI 可能仍然会提到品牌，但很难稳定推荐品牌。对企业来说，最优先的工作不是堆更多文章，而是定义可被复用的核心事实：我们是谁，服务谁，适合什么场景，不适合什么场景，凭什么可信，价格和交付边界在哪里。
第二层是决策层。30/60/90 天 Agentic Growth Playbook会影响团队如何分配预算、如何定义负责人、如何审批内容和素材、如何判断 AI 生成建议是否可靠。一个成熟团队不会把所有权交给模型，也不会因为模型不完美而完全不用。更现实的方式是把任务分级：哪些由 AI 发现异常，哪些由 AI 生成建议，哪些必须由人审批，哪些低风险动作可以在阈值内自动执行。
第三层是测量层。GEO、AI visibility 和 agentic growth 的测量仍然不成熟。prompt 采样有噪声，不同模型的引用不稳定，AI 平台也没有给品牌完整查询日志。因此，企业不能把单次回答当成排名报告，而要建立趋势观察：品牌是否更常被正确描述，核心场景是否被覆盖，错误引用是否减少，AI 推荐是否能转化为可追踪的访问、咨询和销售线索。
第四层是本地化层。对中国企业来说，这不是单一英文渠道技巧，而是品牌事实、广告账户、官网证据、销售线索和跨市场交付边界能否被 AI 正确读取的问题。中文权威事实层、英文商业页面和多语种本地证据需要同步建设。 对中国团队尤其重要的是，不要把中文定位、英文官网、多语种内容和广告投放割裂开。国内团队常常在中文材料里讲得很完整，但英文官网只剩下泛化口号；或者广告团队知道真实卖点，但官网和 FAQ 没有承接。这种断裂会让 AI 读到不完整的公司画像。
可执行检查清单
- 重写品牌事实卡：一句话定义、核心服务、适用客户、不适用客户、交付边界、证明材料。
- 检查官网页面是否有可被 AI 引用的段落，而不是只有营销口号和视觉设计。
- 为每个主要市场补充本地 FAQ、案例证据、支付/交付/支持边界和法律敏感点。
- 把广告账户命名、UTM、转化事件、CRM 字段与官网内容结构对齐。
- 用 CitationGraph、日志和人工抽样共同观察 AI 引用，而不是只依赖单一工具分数。
- 对 AI agent 的建议设置权限、预算阈值、审批流程和回滚机制。
最终，30/60/90 天 Agentic Growth Playbook不是一个孤立话题。它提醒增长团队：AI 时代的竞争，不是单点优化，而是谁能更早把品牌事实、内容证据、投放系统和数据回路整理成 AI 可读取、可验证、可执行的基础设施。
FAQ
Q1: 为什么是 30/60/90 天？
A: 这是一个渐进式验证框架。30 天建基础、60 天验证 agent 能力、90 天开始 governed 执行。节奏可以根据企业实际情况调整。
Q2: 30 天应该做什么？
A: 审计官网事实层、Schema 标注、llms.txt、UTM 规范、账户结构和多语种一致性。产出品牌证据层完整度报告。
Q3: 60 天应该做什么？
A: 接入 agent 做只读诊断和建议，对比人工报告，测试 agent 对品牌的理解，起草 governance 框架。
Q4: 90 天应该做什么？
A: 在 governance 框架下开始低风险写操作、持续监控、优化品牌证据层、GEO 和 Paid Media 协同。
Q5: 可以跳过 Phase 1 直接自动化吗？
A: 不建议。没有品牌证据层，agent 会从混乱信息里做判断。基础层是 agent 准确执行的前提。