用 AI 之后：多数公司变快了，少数公司变强了

AI 能帮投手出图、上广告、做竞品分析，但素材数量翻倍不等于效果翻倍。决定广告效果的不是出图速度，是素材背后的假设质量。真正的竞争力在于：知道该测什么。

前几天跟一个朋友聊 ChatGPT 上广告，他提到提效 15%。

我追问了一句：这 15% 是指 ROI 提升，还是 CPA 降低了 15%？

他说：CPA 降的确实是有的，但核心还是素材在起作用。

我回了他一句，也是我最近反复跟同行说的判断：不论是 ChatGPT 上广告，还是投手手动上广告，核心还是在素材层面。ChatGPT 解放的是重复性的上广告环节——AI 解放的是投手的双手，但决定效果的是投手的策略。

Stanford 2026 AI Index 说，88% 的企业已经在用 AI。这个数字我信。但 McKinsey 同年的调查补了一刀：真正达到”AI 高绩效”标准的企业，只有大约 6%。

用了 AI 和用好了 AI，中间差的不是工具，是工作方式。

AI 确实帮投手做到了三件事

先说好的。过去一年，我自己在工作中感受最明显的三个变化：

第一，上广告这种重复操作可以交给 AI 了。建 Campaign、设置受众、上传素材、配置 UTM——这些步骤高度标准化，ChatGPT 通过 MCP 接上 Meta 广告 API 之后，几分钟就能完成以前半小时的工作。对投手来说这个体感很爽，每天省出来的时间实实在在。

第二，作图不再完全依赖设计师了。以前一条素材从写 Brief 到发设计师到看稿到改稿到定稿，3-5 天。现在用 ChatGPT Image 这类出图工具，简单的场景图当天就能出、当天就能测。以前一周测 2 组素材，现在同样的预算能测 10 组，试错成本低了很多。

第三，竞品分析能看到以前看不到的维度了。这是我觉得 AI 在情报层最有价值的地方。

举个例子。eBike 赛道，Aventon 和 Heybike 两个品牌，看起来都是北美市场的电动自行车，但用 Claude 系统分析 Amazon 用户评论之后，发现一个很有意思的事情。

Aventon 的用户最夸的三个点：Torque sensor 骑感自然、开箱即骑组装简单、线下店售后有保障。关键词是骑感、体验、售后。

Heybike 的用户最夸的三个点：性价比爆炸配置高、动力速度够猛、价格便宜功能多。关键词是性价比、动力、低价。

两个品牌卖点完全不同，买家群几乎不重叠。

这种洞察以前要花大量时间人工翻评论才能做到，现在用 Claude 几十分钟就能跑出来。对广告投放和文案优化，价值是巨大的。

但大多数人把省下来的时间用在了哪里？

做更多同样的事。

出更多图、上更多广告、跑更多组、看更多数据。素材数量从一周 5 组变成一周 20 组，测试速度确实快了。但你问一句”这 20 组素材到底在测什么不同的东西”，很多人说不清楚。

换了模特、换了背景颜色、换了排版方式、换了一句文案——看起来是 20 个版本，实际上可能只是同一个假设的 20 种视觉包装。目标用户没变，使用场景没变，核心痛点没变，卖点角度没变，证明方式也没变。

这就是为什么很多团队素材数量翻了几倍，效果却没有同比提升。

AI 加速了生产，但没有增加假设。

BCG 有一份对 CMO 的调研：96% 说自己在做 AI 转型，42% 实际还停留在”用 AI 做单个任务”的阶段。这就是典型的转型幻觉——工具用上了，流程没变，思路也没变，只是旧动作做得更快了。

真正拉开差距的，是素材背后的假设

我在投放中一直用一套方法，叫素材的五层变量系统：

受众 × 卖点 × 场景 × 形式 × 转化理由

一条素材本质上是一个假设——你在赌一个特定的用户，在一个特定的场景下，会被一个特定的痛点打动，相信一个特定的证明方式，最终因为一个特定的理由下单。

这五层，每一层变一个，就是一条新假设。而大多数投手在做的，是五层全不变，只换视觉。

拿 Renogy 的 12V 100Ah 锂电池举例——同一个 SKU，至少可以拆出三条完全不同的打法：

打 RV 用户：”一块电池撑起整个露营周末。“痛点是露营地没电网，冰箱灯手机全靠它。独立落地页，独立素材。

打房主：”下次停电，你家不断。“痛点是加州德州经常断电，需要家庭应急电源。独立落地页，独立素材。

打钓鱼 / 船钓用户：”半天钓鱼，不用想电量的事。“痛点是驱动 trolling motor，铅酸电池太重，锂电池轻了三分之二。独立落地页，独立素材。

产品没变，SKU 没变——触达方式从一条线变成了三条线。每条线的素材、文案、落地页、证明方式都不一样，因为用户不一样。

如果你不做这一步拆解，不管 AI 出图多快，你都只是在用不同的画面包装同一个故事。

前段时间有个同行跟我说了一件事：他把这个五大变量的思维分享给刚入行的小伙伴，他们用这个思路做出了跑量的素材。注意，帮到他们的不是某个 AI 工具，是思维方式——知道每条素材该测什么。

省下来的时间，应该花在哪？

这个问题的答案其实已经出来了：花在决定”测什么”上，而不是”多出几张图”上。

具体说，投手从 AI 那里拿回来的时间，应该投入三件事：

第一，做更深的用户研究。不是让 AI 跑一个泛泛的竞品报告，而是像 Aventon vs Heybike 那样，真正搞清楚你的用户在夸什么、在骂什么、在犹豫什么。搞清楚之后，你的素材才知道往哪个方向打。

第二，设计更多元的假设。同一个产品，能拆出几条不同的打法？不同用户、不同场景、不同痛点、不同证明方式——这些排列组合才是素材真正的多样性。换一个背景颜色不叫多样性，换一个目标人群才叫。

第三，复盘实验结果，积累组织知识。这一组素材跑完了，你到底学到了什么？不只是”CTR 高的继续跑、CTR 低的关掉”，而是这个假设成不成立——是这类人群对这个场景真的有反应，还是只是标题写得好骗了点击？

我自己的习惯是每周一做一次数据诊断：用 Claude 通过 MCP 连上广告账户，先问一句”帮我看最近 7 天的表现”，30 秒出结果，然后顺着往下追问——拆素材和受众的表现，找出高转化的组合。有时候 ROAS 降了根本不是广告的问题，追下去发现是落地页速度变慢了。不是看报表，是跟数据对话。跑赢的组合记下来，跑输的原因搞清楚，下一轮才不会重复犯错。

NBER 有一个研究发现很有意思：AI 助手对低经验员工的效率提升大约是 35%，对最有经验的员工影响很小。我的理解是——AI 压缩的是执行差距，不是判断差距。高手的优势不是手快，是知道该做什么。AI 可以让新人做到 70 分的执行，但从 70 分到 90 分的那段路，靠的是经验沉淀下来的判断力。

所以，最值得做的事不是让 AI 替你出更多图，而是把你脑子里的判断方法提炼成系统，再让 AI 帮你放大。你知道 RV 用户在意续航而不是速度，这个判断比任何 AI 生成的图片都值钱。