上次写完"验证很贵"这个命题后，我开始思考：
今天的广告已经精确到几乎会追着人走。你搜过一双鞋，刷短视频时会看到它；你在购物车里停留过，第二天可能就收到优惠；你买过一类商品，平台很快会推来相似品牌、相似价格带、相似卖点的内容。
但精准追的是已经发生的你。
这让我产生了一个猜测：既然广告系统已经能根据大量行为数据，把内容推到不同人的脸上，那么当数据颗粒度足够细、AI 算力足够强时，它能不能进一步模拟一群人的真实购买行为？
用户会不会停留、比较、犹豫，会不会因为价格、竞品、运费或优惠而下单。再把不同内容、不同价格、不同投放渠道放进去，从而提前判断一个策略值不值得花真钱去试。
如果这件事成立，内容验证会被改写，团队不必把一百个方向全投出去，先在一个虚拟市场里跑一遍，筛掉大部分，把真实预算留给少数最值得验证的方案。
这听上去并不荒唐。但后来我意识到，这种能力其实发生在购买链路的后半段。
算法擅长识别已经出现的需求：你搜过、看过、比较过、加购过。平台知道你正在接近购买，所以帮你完成最后一步。
但是营销要回答的是更靠前的问题，一条新内容怎么把从没想过这个品类的人推进来，怎么在他还没意识到需求时让他注意到，又是什么信息能让他在几个品牌之间改选。
这才是营销漏斗里最贵的部分。因为它不能只靠"猜用户会买什么"，而要回答一个更难的问题：如果我改变世界里的一个条件，换一条内容、一个卖点、一种优惠，用户的决策路径会不会随之改变？
「已经有人在尝试造一个虚拟市场」
市场上已经有人在做这件事。Aaru 是其中比较有代表性的一类：它搭的是一个围绕商业决策展开的虚拟世界，先圈定这次决策真正关心的人群，以及他们面对的价格和替代选择；再放进一个变化，比如降价、换卖点、改包装、加优惠，或者竞品进入；然后看这些模拟个体的行为会往哪里移动。
它模拟的是条件变化之后的行为，不做问卷。
Aaru 公开过一项与 EY 相关的财富管理研究案例，原本需要数月完成的研究被压缩到一天，公司称模拟结果与真实行为结果的中位相关性达到 0.90。这个数字出自 Aaru 自己公布的案例，尽管不能直接理解成它已经能准确预测所有市场；但它至少说明了一件事，把"用户画像"推进到"人群随环境变化而行动"，已经是一门正在被商业化的生意，这类公司近两年也拿到了大额融资。
看到这个案例，我一度觉得内容验证的问题快要解决了。如果虚拟消费者能在不同价格、竞品和信息表达下作出不同反应，那一百个内容方向，是不是也可以先在这里跑一遍？
它能模拟条件变化后的行为，但条件本身，仍来自人的假设。
「另一条路：平台方不模拟人，它们模拟钱」
Google 和 Meta 走的是另一条路。Meridian 和 Robyn 都是营销组合模型（MMM），而且两套工具都已经开源。它们不看单个消费者为什么喜欢这条视频，只看渠道汇总账，回答的也都是很具体的问题：预算从搜索挪到短视频之后销量会怎么变，哪个渠道接近饱和、再加钱也换不回回报，一次促销带来的订单里有多少本来就会自然发生。
它们要的是一张很无聊的账本：按周记录渠道花费、曝光、点击、订单、销售额，加上价格、促销、竞品和季节性。但这张账本不是谁都拿得出来，至少两三年分渠道、分周的干净记录，还得有人会跑模型：Robyn 是 R、Meridian 是 Python，官方建议配 GPU，或者请 Google 认证的测量伙伴、用 Meridian 的无代码界面顶一下。
不具备这些条件的团队，MMM 暂时用不上，一张"渠道 × 月 × 花费 × 毛利"的简表更实际。
我原以为，AI 模拟验证的门槛是模型太复杂、算力太贵、技术掌握在平台手里。开源之后我才发现，门槛不在这里。代码可以下载，Demo 可以运行，GPU 可以临时租用。
真正稀缺的，是一家公司过去两三年真实发生过的商业历史：哪周投了多少钱、投在哪，价格有没有变，竞品有没有降价，某条渠道带来的订单后来有没有退货，一轮促销到底带来新增，还是只是把原本会发生的购买提前了。
平台方模拟的不是消费者，它们模拟的是历史世界里，钱如何流动。
MMM 算得清钱的流向，却算不出欲望的起点。
「两种模拟，都绕开了最难的问题」
跑鞋的例子最能说明问题。一个人已经搜过跑鞋，平台可以据此推荐跑鞋，这是需求出现之后的判断。可一条内容真正想做的，是让一个从来没想过跑步的人，因为"久坐导致膝盖不适"这句话，第一次意识到自己需要一双跑鞋。
这条内容要影响的是：他有没有进入这个品类、有没有开始考虑这个问题、有没有把某个品牌放进比较名单。
合成受众管设定条件下的人，MMM 管历史数据里的钱，两者依赖的都是已经发生过的行为或支出记录；而上面这一层变化，很少被完整记录。平台看到曝光、点击和停留；商家看到订单、复购和退货；消费者在别处比过什么、放弃过什么、最后为什么没有买，往往散落在不同系统里。
一个模拟已经出现的人，一个模拟已经花掉的钱；最难的是尚未发生的“想要”。
数据颗粒度足够细，不等于有人拥有一份足够完整的数据。
即使过去的行为被完整记录，它也只能描述已经发生过的世界。而内容团队最想验证的，恰恰是一个还没有发生过的新策略。
「新颖和可预测，本来就有冲突」
模型之所以能够预测，是因为它见过相似的条件。它可以从历史里看到，预算从 10 万增加到 12 万通常会发生什么；也可以看到，价格变化和促销叠加时，渠道回报为什么会下降。
但一条真正新的内容，不在过去的数据里。它没有稳定的历史曝光，没有在不同价格、不同人群、不同竞争环境下被反复验证。它可能改变了用户对问题的理解，也可能只是自我感动。
模型奖励相似，内容需要意外。
越像过去的内容，模型越有把握；越没有先例的内容，越只能交给真实投放去回答。
「真实投放之前，先把不确定的那一条挑出来」
所以真实投放之前，需要先把这条内容要改变的漏斗位置写清楚：是让人意识到问题，还是打消价格顾虑；再翻一遍类似卖点、优惠和渠道组合过去在哪有效、在哪失效。
剩下的不确定，是卖点本身，是价格，还是落地页接不住，才是这笔预算要买的答案。
AI 不会让验证消失。它只是把验证拆成两段：能算的，先算清楚；不能算的，留给真实世界。每次测试都不再单独发生，而是留下下一轮能直接用的数据。
平台能模拟钱怎么流，合成受众能模拟人在条件下怎么选，但它们都无法替你回答最后一个问题，一条新内容，能不能让一个还没想买的人，开始想买。
推荐系统擅长把你已经想买的东西推到你面前。
营销要解决的，是在你还没有想买之前，什么能让你开始想买。