2026 年 7 月，TikTok 表示，平台累计标注的 AI 生成视频已经达到30亿条；八个月前，这个数字还是13亿。Meta 也提到，已有900万家小企业在使用它的AI广告创意工具，图像生成的采用率一个季度翻了一倍。

内容生产力已经到了一个很吓人的阶段。以前拍一组图、剪一个片子需要全组动员，现在脚本、标题、卖点重组，AI一天就能产出成百上千个版本。

内容生产的门槛正在快速下降。问题是，当每个卖家都能低成本做出海量内容时，竞争的差距还会出现在哪里？

很多人的第一反应是：拼量。

但真正跑过投放之后会发现，事情恰恰相反。生产力的爆炸并没有让生意变简单，反而让「判断」这件事变得前所未有地贵。

音乐流媒体 Deezer 曾统计过一组数据，AI 生成的曲目一度占到了每日新上传量的一半以上，但最终的播放量占比只有1% 到 3%。

广告也是一样，Motion 分析了 6000 多个广告账户、近 58 万条素材，发现大约一半的广告素材几乎拿不到任何花费，每个账户约 6% 的素材吃掉了大部分预算。也就是说，我们不是做不出足够多的内容，而是做出来的内容，远远超过了市场和投放系统能够验证、消化的数量。

AI 解决的是生产问题，却没有解决需求问题。

素材成本可以越来越低，但真实的曝光、点击、订单和广告预算不会凭空增加。你做出 100条素材，并不意味着市场会给你100次平等的验证机会。

当「做内容」逐渐变成一种基础能力，真正拉开差距的，就不再是谁做的多，而是谁能更快判断：什么值得继续投，什么应该立刻停。

01

为什么「验证」会变贵？

一条素材从诞生到真正产生经营结果，中间其实隔着三层成本。

麻烦的地方在于，AI只降低了第一层。第二层和第三层不仅没有变便宜，反而因为第一层的爆炸而变得更拥挤。

很多人容易掉进一个陷阱：既然素材多了，我就全发上去测测看。

但从统计上看，这件事没有那么便宜。因为，你想分辨的差异越小，买到一个可靠答案所需要的数据就越多。按 4 万多个电商品牌的 Meta 投放中位数算，大概是这个量级：

想分辨的转化率差异	所需曝光量级（万）	大概要花(美元）
50%	42	6000
20%	232	35000
10%	880	130000
5%	3460	520000

注：品类、客单价、转化率、CPM 不同，实际数字会变，这里只看量级。

这张表真正想说明的，不是「测试一条素材一定要花多少钱」。

而是：AI可以降低生产一条素材的成本，却不会降低验证一个差异所需要的证据量。你能从10条素材做到1000条素材，但真实流量不会因此变成原来的100倍。

反过来，如果你同时把越来越多素材送进测试，有限的曝光和订单只会被进一步摊薄。

于是问题来了，每条素材只有几百、几千次曝光的时候，你看到的所谓「赢家」，到底是真的赢家，还是随机波动？某条视频前几个小时点击率特别高，可能只是系统碰巧先把它推给了一批更容易转化的人。某条素材跑赢另外一条，也可能只是数据量还没大到足以排除随机性。

这就像此前达人营销里的一个行业经验，寄出100份样品给达人，可能有60个人发了内容，但最后真正值得你砸钱投流的素材往往只有5到10条，而能跑出大爆款的，可能只有一两条。

素材验证，天然就是一个高损耗漏斗。AI 只是把漏斗的口子开大了，但它没有缩短漏斗的路径。

02

更麻烦的是，平台正在把答案藏起来

上面说的还只是样本不够带来的失真。还有一层更结构性的麻烦：这两年各大平台的广告产品，正在系统性地把「哪条素材起了作用」这个问题变得更难回答。

从 2025 年7月起，GMV Max成了TikTok Shop Ads唯一支持的广告系列类型。商品、素材、版位、人群，全部交给系统自动组合，商家手里能调的核心杠杆，基本只剩一个 ROI 目标。Google的Performance Max是同一个思路：你把素材丢进素材库，剩下的由系统自己排列组合。

对投放效率来说，这是好事。系统确实比人更快找到能放量的组合，也确实能把钱花出去。

但对「验证」这件事来说，它很麻烦。因为归因的口径变了。

以GMV Max 为例，活动期内这个商品的付费订单和自然订单，都可能被算进去。也就是说，报表里面那个看起来很漂亮的ROI，里面混着一部分本来就可能发生的自然成交。

Performance Max更隐蔽，它会给标题、描述、图片分别记转化，报表看上去粒度很细。但真实购买往往是多个组件共同作用的结果，于是同一笔订单，可能同时被多个组件记上一笔转化，组件层面的数据因此很容易被高估。

看起来有数据，不代表知道原因。

于是你会遇到一个很容易被忽略的问题，平台报表能告诉你，系统愿意把预算投给哪条素材；但它回答不了：如果没有这条素材，这些订单还会不会发生。

这两者之间的差距，本质上就是「平台优化」和「因果判断」之间的差距。

系统给某条素材放量，只能说明它在平台自己的目标函数下表现好；但这并不等于这条素材真的为你的生意带来了增量。

平台没有错，它只是在解决和商家不完全一样的问题。

还有一个容易被忽略的约束：广告系统学习真正需要的，也不是素材数量，而是真实转化事件。

无论是 Google还是TikTok，广告系统想要跑稳，都需要积累足够多的真实转化信号。你手里有10条素材还是 1000条素材，并不会改变这件事：系统需要的真实订单，不会因为你多生成了 990 条素材就自动减少。

这也是现在最拧巴的地方。

一边是AI把素材供给推向近乎无限；另一边，真正能够验证素材价值的流量、订单和预算，依然有限。生产越来越便宜，验证却没有一起变便宜。

而且这个验证过程，越来越多地发生在平台的黑箱里。

那商家怎么办？

至少有一件事现在就可以做：平台给你一个指标，你自己再配一个经营指标。

平台告诉你	你自己要再看
ROAS很漂亮	扣掉退款、履约、平台费之后，还剩多少净毛利
转化数很多	扣掉取消、退款和退货之后，真正成交了多少单
某条素材是赢家	它带来的客户，30 天后有没有复购、有没有继续贡献利润

如果这两列数字长期在打架，优先相信离你的利润更近的那一列。

03

从「内容工厂」到「实验系统」

这就对现在的团队提出了一个很高的要求：你不能再把自己当成一个「内容工厂」，你得变成一个「实验系统」。

过去我们考核内容团队，看的是产量、看的是成片。但在 AI 时代，产量正在迅速变成最不值钱的指标。

真正应该关心的是：为了找到一个有效方向，你总共花了多少钱、多少时间？我更愿意叫它「有效方向验证成本」。

有效方向验证成本 =（生产费用 + 验证费用 + 必要的放量确认费用）÷ 真正被验证成立的方向数

分母之所以是「方向」而不是「素材」，是因为真正值得积累的，不是那一条具体素材，而是素材背后那些可复用的判断。

比如「真人试穿比参数图更打动这批人」，之后还能用，但某一条具体成片，可能跑几个星期就不行了。

所以你的目标不是不断囤积赢家素材，而是不断提高自己发现赢家方向的效率。

所以正确的顺序应该是：

1. 先问：多大的差异，才会真的改变我的经营决策？
2. 再算：为了分辨这个差异，需要多少曝光、订单和预算？
3. 买得起，就测。
4. 买不起，就接受更低的分辨率。
5. 如果放宽之后依然买不起，就不要硬用 A/B Test 给自己制造一个“科学答案”

比如，一个AI生成的新版本如果只比旧版本好 1%，但这个提升既不足以让你重新拍摄，也不足以让你调整货架和预算，那么你根本不需要知道这 1% 到底是不是真的。

因为这个答案即使测出来，也不会改变你的决策。

对很多中小卖家来说，真正有经营意义的，往往不是分辨 1%、2% 的微小差异，而是判断一个方向有没有带来足够明显的改善。

如果为了识别一个很小的提升，需要投入远超其潜在收益的预算，那么就不应该硬测。这个时候，直接结合净毛利、退货率、履约难度和复购表现做决定，反而更合理。真正的严谨，不是所有问题都做实验，而是知道什么问题值得花钱验证，什么问题不值得。

样本量买不起，却还坚持从有限数据里找显著性，最后得到的往往不是答案，只是一个看起来很科学的噪音。

04

AI 扩大假设，真人提供真实信号

如果团队要从「内容工厂」变成「实验系统」，那 AI 和真人的分工也应该重新调整。

AI 最擅长的，不应该只是帮你多做几百条素材。而应该是帮你快速扩大值得验证的假设空间。真人则负责另外一件更难被复制的事情。提供真实信号。

我们要承认，AI 很擅长写脚本、换角度、改口吻、做本地化，它可以把一个想法迅速变成几十种、几百种表达。但有些东西，它给不了。

比如产品真正用起来是什么感觉，一个用户为什么买了第二次，一个创始人为什么坚持某个判断，一次售后到底是怎么解决的。

这些东西不是生成出来的，而是真实发生过的。

一项由哥伦比亚大学等机构与 Taboola 合作的研究，覆盖 30 多万条广告、5 亿多次曝光，把「素材实际是谁做的」和「用户觉得是谁做的」交叉着看，点击率如下：

素材实际来源	用户感知	点击率
AI做的	被当成人做的	1.55%
人做的	也被当成人做的	1.31%
人做的	但被误认为AI	1.03%
AI做的	也被看出是AI	0.20%

最值得注意的，其实不是「人工一定比 AI 好」。恰恰相反。

表现最好的，是AI 做的，但用户没有觉得它像 AI。而人工做的素材，只要被用户误认为 AI，表现同样会明显下降。

这至少说明一个问题：用户真正排斥的，未必是 AI 这项技术本身。

他们更容易排斥的是：低质、模板化、缺乏真实感的内容。所以未来真正能拉开差距的，也不只是「谁更会生成」。

而是谁拥有更多：竞争对手无法轻易复制的真实输入。

比如产品在真实厨房里的使用过程，创始人对这个行业有什么别人没有的判断，甚至一次具体、可核验的售后处理过程。

这些信号先由真人、用户和真实业务提供。然后 AI 再把它们拆开、重组，从不同人群、场景、卖点和表达方式里，扩展出几十个甚至几百个待验证的假设。

注意，是假设，不是成片。

因为前面说过，如果一开始就同时铺开上千条成片，只会把有限的数据进一步摊薄。AI 真正应该放大的，是探索空间，而不是素材库存。

先用它快速找到更多值得测试的方向，再用真实流量和订单筛掉错误答案。等一个方向真的被验证成立之后，再批量生产成片。

这才是生产能力爆炸之后，更合理的工作方式：真人提供真实世界里的信号，AI 扩大假设，实验系统负责筛选答案。

所以面对这一轮 AI 浪潮，商家最该问自己的，可能已经不是：「我该用哪个 AI 工具做内容？」

而是另外两个问题：我的内容里，有没有一些竞争对手无法轻易复制的真实信号？以及我有没有一套系统，能从一堆看起来都不错的方向里，尽快分辨出哪个只是热闹，哪个才是真机会？

因为接下来，素材只会越来越便宜。

AI也会让每个人都拥有近乎无限的生产能力。但真实世界能够给你的验证机会，始终有限。

未来真正拉开差距的，不是谁生成得更多。而是谁更快知道，什么值得继续。

数据与口径说明

• About attribution for GMV Max（TikTok):GMV Max 归因口径
• Conversion reporting by asset in Performance Max（Google）: 素材层级转化归因
• Demand Gen campaign performance guide（Google）："The campaign needs to generate at least 50 conversions"；"Your budget should be at least 10 times your target CPA"
• Learning Phase FAQs（TikTok） ："Achieving 50 conversions is the most significant indicator of passing the learning phase"
• Taboola × 哥伦比亚行业报告 PDF:1.55% / 1.31% / 1.03% / 0.20% 这四个数出自这里，30 多万条广告、5 亿多次曝光
• TikTok Newsroom, 2026-07-10："we've labeled over 3 billion videos as AIGC"
• TikTok Newsroom, 2025-11-19 ："These efforts helped label over 1.3 billion videos to date"
• Motion报告:12.9 亿美元消耗、578,750 条素材、6,015 个账户、2025-09-01 至 2026-01-01；约 5% 的素材是赢家，占掉约 55% 的消耗

• Deezer Newsroom, 2026-07-21: 超过 50% 的新上传是全 AI 生成（月均 9 万首），但只占总播放量的 1–3%

• Meta Q2 2026 财报电话会实录（The Motley Fool）:"over 9 million small businesses using at least one AI creative tool"；"Image generation... saw adoption more than double this quarter"(Susan Li)