先泼一盆冷水:把文案交给 AI,然后产量翻十倍,通常不会让效果变好,只会让「没人看的素材」变多十倍。
AI 营销真正的杠杆不在「生成」这一步,而在生成之后的两件事——能不能被快速淘汰,以及能不能被正确归因。这篇讲我们实际跑素材工厂时,必须先立起来的三个前提。
前提一:输入必须结构化,否则产出就是随机噪声
直接对模型说「帮我写 20 条产品文案」,出来的东西一定有 15 条是同一个意思换个说法。原因是输入里没有变量。
我们要求输入至少拆成四层,缺一层就不开工:
- 人群:不是「25–35 岁女性」,而是「第一次买、担心过敏、会先看成分表的人」。
- 场景:她是在什么时刻打开这个页面的?睡前刷到、搜索比价、还是朋友转发。
- 卖点:按「她现在最在意什么」排序,而不是按研发觉得最厉害什么排序。
- 反对意见:她为什么还没买。这一层最容易被忽略,但往往是转化率的关键。
四层拆完之后,素材的差异才有意义:A 组打「担心过敏」,B 组打「懒得坚持」,C 组打「觉得贵」。这样测出来的结论能指导下一步,而不只是「这条跑得好」。
判断标准:如果两条素材你说不清它们「除了文案不同,还有什么假设不同」,那它们就不是两个实验,只是两次尝试。
前提二:必须有淘汰机制,否则产能就是负担
产能提高之后,最大的风险是「素材太多,没人敢关」。于是预算被平摊到几十条素材上,每条都跑不出显著数据,最后谁也没结论。
我们的做法是三件事绑定:
- 预算按胜率而非平均分配。初始给每条素材最小可判定预算,跑够样本后,胜者加倍、败者归零,中间态继续观察。
- 设定明确的淘汰线。写下来:CAC 高于目标 1.5 倍且持续 3 天,直接关。不靠当天心情决定。
- 保留「失败素材库」。被关掉的素材连同人群、卖点、数据一起存档。下次做类似人群时,先看历史失败原因,能省掉一半试错。
顺带说一句:AI 生成素材的边际成本接近于零,但「看数据并做决策」的成本没有下降。所以素材越多,越需要一套能自动筛的规则,否则人的注意力会成为新瓶颈。
前提三:AI 渠道要单独建账,否则你分不清增量和搬运
这是最容易自欺的一步。AI 批量生成的素材投出去,整体 GMV 涨了 12%,看起来很成功。但其中有多少是「本来就会买的人被另一条素材接住了」?
我们要求同时看三个口径:
- 同口径对照:保留一组不使用 AI 素材的渠道或时段作为对照,看真实增量。
- 品牌搜索变化:AI 素材大量曝光后,自然搜索词的变化。如果品牌词暴涨而品类词没动,说明只是重复触达。
- 新客占比:AI 素材带来的订单里,新客比例是多少。老客被反复触达不算增长。
三个口径里有两个为负,就要怀疑是「搬运」而不是「增量」。
常见的四种翻车
- 同质化:几十条素材长得像同一个模板,用户审美疲劳,平台也会判重。解法是强制不同人群走不同视觉方向。
- 合规风险:AI 容易生成「最有效」「绝对安全」这类违规表述,必须有硬拦截词表,不能靠人工抽查。
- 事实错误:模型会把参数、成分、规格写错。所有含具体数字的表述必须回到产品资料核对。
- 数据回流断链:素材没有统一命名与打标,跑出结果后无法回溯到「是哪个人群、哪个卖点」。这是最可惜的一种失败——钱花了,经验没留下。
一个最小可行的起步方式
不需要一上来就搭系统。第一周做三件事就够:把人群、场景、卖点、反对意见写成一张表;选一个渠道,用这张表生成 12 条素材;给每条素材打上可回溯的标签,跑够样本后按淘汰线关掉一半。
跑完这一轮,你会得到两样东西:一份「哪类人群吃哪类卖点」的真实结论,以及一套能复用的标签体系。剩下的,才是把它自动化。
记住顺序:先有可归因的实验,再谈产能。反过来做,只会更快地烧钱。