如果你最近经常打开 Meta Ads Manager，可能会有一种很明显的感觉：

按钮越来越少了，AI越来越多了。

以前做 Facebook / Instagram 广告，运营人员每天都在研究：

受众怎么拆？

兴趣怎么选？

版位怎么分？

预算怎么调？

素材怎么测？

现在再看 Meta 的广告系统，会发现越来越多事情正在交给机器完成。

Meta 的广告推荐模型在持续升级，AI 开始参与受众匹配、广告排序、创意生成、账户分析和优化建议；与此同时，Meta 也在调整归因和衡量方式。

对于广告主来说，一个很现实的问题出现了：

如果 AI 把越来越多的“操作”做掉了，广告运营到底还剩下什么？

从我们实际做海外广告投放的角度来看，答案反而很明确：

操作会越来越简单，但判断不会。

而且未来真正拉开账户差距的，可能恰恰不是谁更会点 Ads Manager，而是谁更知道自己应该让系统做什么。

01

先别急着说“兴趣定向没用了”

这可能是最近 Meta 广告圈最容易被说过头的一句话。

确实，Meta 正在持续增强 AI 推荐能力。

2025 年 Meta 公开了 Generative Ads Recommendation Model，也就是 GEM 的技术细节。

根据 Meta 官方介绍，GEM 并不是只看某一个兴趣标签，而是会处理包括用户行为序列、用户和广告属性、广告主目标、创意形式以及衡量信号等多种信息。

到 2026 年，Meta 又进一步公开了新的广告排序架构，持续加强对用户行为序列的建模。

换句话说：

系统越来越擅长自己判断“什么广告可能适合什么人”。

这和过去依赖人工搭建大量受众组合的逻辑，确实不一样。

但这里有一个特别容易被误读的地方：

AI推荐能力增强 ≠ 所有定向都失去价值

更准确地说，是：

广告主不再需要像以前一样，把“找谁”这件事情拆得极其细碎。

举个更实际的例子。

假设我们在推广一款户外露营装备。

过去可能会围绕：

“露营兴趣”

“徒步兴趣”

“户外运动”

“旅行爱好者”

……

拆出一堆受众组合。

但现在更值得测试的问题可能变成：

这款产品究竟解决了消费者什么问题？

是收纳麻烦？

是户外环境不方便使用？

还是产品太重？

如果不同素材分别解决不同购买障碍，系统就有机会从用户的行为反馈中判断：

什么样的人，更容易对什么样的内容产生反应。

所以，与其说“兴趣定向没用了”，不如说：

人工定义用户的工作正在减少，而让系统理解用户需求的空间正在增加。

过去做 Meta 广告，很像开一辆手动挡汽车。

什么时候换挡、什么时候加速、什么时候减速，很多动作都需要驾驶员自己完成。

现在的 Meta，越来越像一辆自动驾驶能力不断升级的车。

但这并不意味着：

驾驶员可以下车了。

而是驾驶员需要把更多精力放在：

路线怎么规划？

目的地是不是正确？

遇到异常要不要接管？

系统的判断是不是符合实际情况？

这其实就是 Meta AI 化之后，广告运营岗位最大的变化。

Meta 近一年持续推出 AI 辅助能力。

2026 年，Meta 扩大了 Meta AI Business Assistant 的测试和覆盖范围，为广告主提供账户问题处理、个性化洞察、优化建议等能力。

同时，Meta 还在推进更深入的 AI 创意能力。

例如 2026 年公布的创意解决方案中，Meta 提到了 Brand Memory——AI 可以根据品牌已有广告学习品牌的身份和表达方式，再参与后续创意生成。相关功能目前仍在测试和逐步扩展阶段。

这意味着什么？

以前运营人员可能花两个小时：

看报表 → 找问题 → 改广告 → 调预算。

以后 AI 可能先完成：

数据扫描 → 异常识别 → 问题总结 → 给出建议。

那么运营人员真正需要做的，就变成：

这个问题判断得对不对？

这个建议该不该执行？

执行到什么程度？

执行之后怎么验证？

这其实是从“执行型运营”向“决策型运营”的转变。

这也是我们在实际账户管理中，经常需要帮客户纠正的一个认知。

现在行业里很流行一句话：

“素材就是新的定向。”

这句话作为传播上的总结很好理解，但如果把它当成完整的广告策略，就容易走偏。

因为 Meta 官方公开的 GEM 技术信息已经说明，推荐系统并不是只看广告素材。

它同时会处理用户行为、广告属性、创意表现以及其他信号。

所以，素材的重要性确实在提升。

但不是：

“只要素材好，其他都不用管。”

真正发生变化的是：

素材越来越成为系统理解用户意图的重要输入。

这就会影响我们怎么做素材测试。

以前测试素材，很容易变成：

A视频
B视频
C视频
D视频

然后发现：

“这条 CTR 高。”

“那条 CPC 低。”

“再复制十条。”

但这样的测试，有时候只是制造了大量“看起来不同”的素材。

真正有价值的测试，应该是：

不同素材，回答不同的问题。

比如一家做家居产品的品牌，可以分别测试：

“小户型空间怎么解决”

“收纳效率怎么提升”

“安装到底麻不麻烦”

“长期使用会不会变形”

“为什么比普通产品贵”

这些不是简单换颜色、换背景、换音乐。

而是在测试：

消费者到底为什么愿意买。

这才是 AI 时代更有价值的素材测试。

做海外广告最怕什么？

不是 ROAS 低。

而是：

你以为 ROAS 变了，实际上是统计方式变了。

2026 年，Meta 对广告归因方式进行了调整。

其中一个重要变化是，click-through attribution 更明确地要求用户发生链接点击；非链接互动产生的相关转化，则被纳入 engage-through attribution。

同时，Meta 也调整了视频广告的有效互动观看定义，从原来的 10 秒调整到 5 秒。

这个变化对于广告主来说，最大的提醒其实只有一句话：

不要把不同归因口径下的数据，直接放在一起比。

比如：

上个月 ROAS 3.5。

这个月 ROAS 2.8。

是不是广告突然变差？

不一定。

你至少应该先检查：

归因规则有没有变化？

转化窗口是不是一致？

Meta 和 GA4 的统计口径是不是一致？

网站订单有没有同步变化？

最终收入和毛利有没有变化？

如果这些问题都没有确认，就直接根据一个 ROAS 数字调整预算，很容易把正常波动当成账户问题。

这是我们作为服务商特别想提醒广告主的一点。

广告后台可以有很多指标：

CTR、CPC、CPM、CVR、CPA、ROAS……

但老板真正关心的通常只有几件事：

有没有订单？

有没有利润？

新客成本能不能接受？

现金流能不能撑住？

所以，我们在做账户分析的时候，不建议把 Meta Ads Manager 当成企业最终的财务报表。

因为平台看到的是广告行为。

而企业真正要看的，是：

广告 → 订单 → 收入 → 毛利 → 现金流。

这几层数据之间，本来就不是同一个东西。

例如一个产品：

广告 ROAS 看起来不错，

但退款率很高；

或者首单不赚钱，

需要靠后续复购才能盈利。

这时候，如果只看平台 ROAS，很容易得出一个错误结论：

“这个广告非常成功。”

但从企业经营角度，它可能并没有那么成功。

因此，Meta 后台的数据应该成为决策依据之一，而不是唯一答案。

还有一个经常被忽略的问题：

AI不是魔法。

它同样需要数据。

Meta 正在不断加强 Pixel、CAPI、商品目录以及广告数据之间的连接。

这意味着：

商品标题、价格、库存、事件数据、转化信息等基础数据的重要性正在提升。

问题也就来了：

如果输入的数据本身有问题呢？

价格错了。

库存没更新。

事件重复回传。

购买金额统计错误。

币种配置不一致。

退款没有进入自己的利润核算。

这些问题并不会因为 AI 更聪明就自动消失。

相反：

自动化程度越高，错误数据被放大的速度可能越快。

所以我们一直比较强调：

先把数据基础做好，再谈 AI 自动化。

CAPI 接上了，不代表数据一定准确。

Pixel 有数据，也不代表事件口径一定正确。

商品目录能够自动同步，也不意味着商品信息就一定没有问题。

真正成熟的广告运营，不是“工具接得越多越先进”。

而是：

知道每一份数据从哪里来、代表什么、应该怎么验证。

Meta 广告正在发生一个很有意思的变化：

后台越来越自动化，广告运营反而越来越考验判断力。

从 GEM 到广告推荐模型，从 AI Business Assistant 到创意生成，再到归因体系调整，Meta 正在不断把更多执行工作交给机器。

这对于广告主来说其实是一件好事。

因为很多重复性的工作终于可以被释放出来。

但释放出来的时间，并不是让我们少做事情。

而是应该把时间放到更值钱的地方：

研究消费者、判断产品、设计测试、验证数据、理解利润。

站在我们做海外广告投放服务的角度来看，未来真正有竞争力的运营团队，可能不是最会“手动调广告”的那批人。

而是能够同时理解：

平台算法 + 用户需求 + 素材逻辑 + 数据归因 + 商业利润。

的人。

毕竟，AI 可以帮你把广告跑得更快。

但广告到底应该往哪里跑，

以及跑到了终点之后，

这门生意到底赚不赚钱——

依然需要人来判断。

工具越来越智能，是行业的进步；

判断越来越专业，才是服务商真正的价值。

- 微信公众号 -

搜索 “跨境蓝鲨”

- 小红书 -

搜索 “鲨出海”

- 微信客服 -

搜索 “鲨出海”

往