当 AI 开始改变创意生产、买量执行和团队协作，游戏营销团队真正需要重新思考的，可能不只是工具，而是整套工作方式。
在移动游戏行业，关于 AI 的讨论已经很多。
有人关注 AI 视频生成，有人关注创意产能，还有人认为 AI 会逐步替代传统的 UA 和创意团队。
但这些讨论往往停留在工具层面：AI 能做什么、能提高多少效率、能节省多少成本。
在与 CrazyLabs VP Marketing Nimrod 的一次采访中，一个更值得关注的问题浮现出来：
当 AI 大幅降低执行和生产的门槛，游戏营销团队的组织结构、岗位职责，以及竞争优势，会发生什么变化？
Nimrod 的经历很有代表性。他在 CrazyLabs 从 Junior UA Manager 一路成长为 VP Marketing，亲历了公司从超休闲游戏到 Hybrid Casual 的转型，也经历了买量自动化、创意生产规模化，以及 AI 开始重塑营销工作流的过程。
这次采访中，有五个观点尤其值得游戏研发商、发行商和营销从业者关注。
01 超休闲游戏的核心问题，不是玩法失效，而是经济模型失败
回顾超休闲游戏的发展，曾经有一套非常高效的商业模式。
游戏玩法简单、容易理解、面向广泛用户，因此容易通过广告素材获得低 CPI（单次安装成本）。与此同时，游戏很快就开始通过广告变现。
这套模式的关键在于：用户生命周期虽然很短，但获客成本足够低，广告变现又足够快。
Nimrod 在采访中提到，在典型的超休闲商业模型里，团队希望一个用户群组（cohort）最迟在 D7 左右达到盈亏平衡。
为了实现这一点，CrazyLabs 当时会与大量外部工作室合作，每个月测试数百款新游戏，最终筛选出少数产品正式发行。
这是一套典型的高频实验机制：
● 用大量原型寻找具有广泛吸引力的玩法。
● 用快速测试筛选低 CPI 的产品。
● 尽早启动广告变现。
● 在用户流失前尽可能回收获客成本。
但后来，几个变化同时冲击了这套模型。
首先，ATT 等隐私政策变化增加了用户获取的难度，CPI 上升，原有的获客效率受到影响。
其次，玩家开始期待更丰富、更精致的游戏体验，希望游戏能提供长期成长和持续游玩的理由。
这意味着，游戏不能再只依靠短期吸引力和快速广告变现。
CrazyLabs 随之转向 Hybrid Casual：保留简单、直观、容易上手的核心玩法，同时加入更深入的游戏进程、更完善的体验，以及更长期的留存和内购变现设计。
Nimrod 对此有一个很重要的判断：
超休闲的经济模型可能不再成立，但超休闲的设计理念并没有消失。
简单的核心玩法、低学习成本、无需复杂教程，依然可以成为成功游戏的入口。
变化的是入口之后的内容。
一款游戏可以依然简单易懂，但必须让玩家有理由留下来、持续进步，并愿意为体验付费。
这也解释了为什么简单玩法并不必然意味着短生命周期。
Nimrod 提到，CrazyLabs 目前盈利能力排名前三的游戏中，仍然有一款诞生于 2019 年的超休闲游戏。
通过持续优化 LTV、创意策略、UA 和 LiveOps，即使是超休闲产品，也有可能维持多年的盈利能力。
值得思考的是：游戏的生命周期，未必完全由最初的玩法类型决定，也取决于团队能否持续经营产品。
02 AI落地的关键，不是让员工尝试，而是把尝试变成工作标准
采访中，Nimrod 分享了一段非常具体的 AI 转型经历。
最初，公司鼓励员工接触 AI 工具，让大家自由探索、尝试新方法，并观察能否创造价值。
这种方式有必要，但也存在局限。
员工可能觉得传统工具更熟悉、更高效，也可能认为 AI 暂时无法达到专业制作的质量要求。
例如，一位设计师可能认为，自己使用 After Effects 制作某种效果，比通过 AI 视频工具生成更快。
Nimrod 并没有简单地否定这些判断，而是强调：即使旧工具在某些具体任务上暂时更高效，也必须掌握新工具，因为新工具可能打开过去根本无法实现的能力边界。
他用 Photoshop 的普及作类比：真正重要的，不是新工具在某一个任务上是否立刻胜过旧工具，而是它最终能否改变整个行业的生产方式。
CrazyLabs 的 AI 推进经历了几个阶段。
第一阶段：开放工具，让员工探索。
团队先提供工具和尝试空间，让员工自己发现 AI 能解决什么问题。
第二阶段：创造真实的能力突破。
Nimrod 亲自使用 Claude、视频生成模型等工具，甚至尝试制作过去需要营销团队花费数周乃至数月才能完成的视频内容。
他分享了一个很直观的案例：自己第一次制作的短剧视频效果很差，第二次却取得了很好的效果。原本可能需要团队投入数周甚至数月的工作，他只花了半天。
这个过程让他意识到，AI 不只是让原来的工作更快，而是让没有专业技术或设计背景的人，也能独立完成过去无法完成的任务。
第三阶段：从鼓励尝试转向明确要求。
这是整个案例中最值得管理者关注的部分。
Nimrod 提到，在经过大约一年至一年半的探索和推动后，CrazyLabs 开始要求营销团队真正具备 AI 能力。
采访中，他分享了一项具体做法：团队约 35 名成员需要分别展示自己过去三个月的 AI 进展。
即使有人此前没有积极使用 AI，提前公布的汇报要求也促使他们在几周内开始行动。有人搭建创意生产自动化工具，有人将市场研究流程连接到不同的数据来源。
AI 因此不再只是个人兴趣，而成为可以展示、检验和持续改进的工作能力。
当然，这并不意味着所有团队都应该照搬同一种考核方式。真正值得借鉴的是背后的管理逻辑：
先给员工探索空间，再通过真实案例证明价值，最后把已经明确的能力要求纳入工作标准。
AI 转型不能永远停留在“鼓励大家多用工具”的阶段。
03 当创意生产成本下降，真正稀缺的可能是判断力
如果说 AI 最容易被看见的价值是提高生产效率，那么它带来的另一个变化是：过去昂贵的创意制作，正在变得越来越容易。
Nimrod 特别提到了视频生成模型 Seedance。
在 CrazyLabs 的应用中，AI 已经被用于制作完整广告、迭代游戏玩法画面、生成 UGC 风格内容，以及探索不同的创意开场和叙事方向。
过去，制作一个广告可能需要创意策略人员提出想法，再由设计师制作角色、Unity 开发人员完成实现、动效设计师进行加工，随后进入审核和修改流程。
现在，随着 AI 能力提升，越来越多的环节可以被压缩，甚至由同一个人完成。
这直接改变了创意生产的成本结构。
但 Nimrod 并不认为，生成能力越强，就意味着营销团队可以完全自动化。
他举了一个很简单的例子：你当然可以自动生成每天 200 条视频，但其中可能大部分质量不佳，甚至不值得进入测试。
生成得更多，不代表有效创意更多。
真正重要的问题仍然是：
● 哪些创意方向值得探索？
● 哪些素材应该进入测试？
● 哪些结果只是偶然波动，哪些结果揭示了值得放大的机会？
● 下一轮应该测试什么，而不是重复已有的成功经验？
这些问题涉及判断、策略和对游戏本身的理解。
采访中，Nimrod 将判断力视为目前尤其重要的人类能力。他认为，团队仍然需要依靠人的经验、审美和决策能力来决定下一步方向。
这里还可以进一步推导出一个值得关注的行业趋势：
当创意的生成越来越容易，创意的筛选、评估与迭代能力，就可能成为更重要的竞争壁垒。
这并不是说 AI 永远无法承担创意判断。Nimrod 也承认，AI 的能力会继续变化。
但至少在他的实践中，现阶段更有效的模式不是完全自动化，而是让 AI 扩大人的生产能力，再由人决定资源应该投向哪里。
04 营销团队正在从专业分工走向跨职能协作
AI 带来的变化，不仅是个人效率的提高，也可能动摇传统营销团队的组织结构。
过去，一套典型的游戏营销创意流程，需要不同岗位依次协作：
创意策略人员提出想法，平面设计师制作视觉资产，Unity 开发人员将玩法或交互内容实现到营销版本中，动效设计师负责加工，最后再交给 UA 团队测试。
这种模式建立在一个前提上：每个岗位都有相对明确的专业边界，而不同专业之间需要通过协作完成任务。
但当 AI 让更多制作环节变得容易，过去必须由多个专业人员完成的工作，可能逐步由一个具备跨领域能力的人完成。
Nimrod 认为，传统的专业分工模式不会永远保持不变。
他希望团队成员不一定成为所有领域的专家，但至少应该能够理解并使用其他领域的工具。
例如：
● UA Manager 不应只会分析买量数据，也应该能自己制作广告素材。
● 创意策略人员不应只负责提出想法，也应能更直接地把想法转化为可测试的内容。
● 设计师不必只依赖其他岗位完成所有相关环节，而应具备更多独立完成工作的能力。
在他看来，未来的团队成员应该更像 Orchestrator（指挥）：能够调用不同的工具、模型和专业能力，把想法转化为完整的结果。
这并不意味着专业知识失去价值。
相反，专业能力依然重要，只是专业能力的边界正在发生变化。未来的优秀人才，可能既要在一个领域足够深入，也要具备跨领域完成任务的能力。
对管理者来说，这也意味着组织设计需要更加灵活。
如果今天最有效的创意团队结构是按专业分工，六个月后，随着 AI 工具能力的变化，它就可能需要重新设计。
未来的竞争优势，未必来自拥有最多细分岗位的团队，而可能来自能够以最少的协作摩擦，把想法快速转化为有效结果的团队。
05 UA Manager 2.0：从买量执行者，变成一款游戏的营销负责人
这是整场采访中，我认为最值得 UA 从业者认真思考的观点。
Nimrod 表示，CrazyLabs 已经在内部重新定义 UA Manager 的职责，并将其称为 UA 2.0。
核心变化是：
UA Manager 不再只是负责媒体投放和 ROAS 的执行者，而是从营销角度对一款游戏的增长结果负责。
过去，UA Manager 的主要工作可能集中在广告平台、出价、预算、ROAS，以及投放效果优化。
但随着越来越多投放操作被平台和自动化系统接管，这些工作的执行门槛正在下降。
如果一个人的价值主要来自手动调整出价、管理投放细节，那么随着自动化程度提高，他的价值就可能受到挤压。
CrazyLabs 的做法，是让 UA Manager 将精力转向更完整的游戏经营问题。
第一，参与产品决策。
例如，一款游戏是否需要加入插屏广告，不再只是产品团队独立决定的问题。
如果缺少插屏广告会限制广告变现和 UA 规模化，那么 UA Manager 就应该参与讨论，并从增长和营销角度推动决策。
第二，负责创意策略，而不只是接收创意。
UA Manager 需要判断自己的游戏需要什么素材、测试什么方向、怎样提高创意的数量和质量。
如果创意表现不佳，不能简单地将责任全部归咎于创意团队。
因为 UA Manager 本身就是创意策略的参与者和负责人之一。
第三，参与商店页面与品牌决策。
应用商店图标、截图、品牌表达，以及需要测试多少种不同版本，都应纳入 UA Manager 的考虑范围。
第四，跨团队协作，并对结果负责。
UA Manager 需要与产品、数据分析、变现和创意团队协同，推动那些真正有利于游戏增长的决策。
Nimrod 将这一角色比作一款游戏的 CMO。
这个比喻的重点，不是职位名称，而是责任边界发生了变化。
以前，UA Manager 可以说：“我已经把投放优化好了，其他问题不属于我的职责。”
现在，他需要进一步追问：
为什么这款游戏无法扩大投放规模？产品设计是否限制了变现？创意测试是否充分？数据分析有没有提供正确的方向？我们是否正在测试真正有价值的创意？
在这套模式中，UA Manager 不再只是运营一个广告账户，而是对游戏的营销增长承担更完整的责任。
Nimrod 还分享了一个相当具体的结果：在 CrazyLabs 团队目前取得成功的创意中，约有 50% 是由 UA Manager 制作的。
这并不意味着 UA Manager 应该取代专业创意人员。
它说明的是，当 UA Manager 更接近产品、更理解数据，也能直接使用 AI 工具时，他可以更快地把自己的判断转化为创意实验，而不必每次都等待其他团队完成制作。
对 UA 从业者来说，这可能是一个重要的职业转型方向：
从执行投放，转向理解游戏；从优化广告账户，转向经营增长；从接收素材，转向主动创造并验证增长机会。
06 最后一个启示：AI时代，管理者自己必须动手
采访中，Nimrod 反复强调一件事：管理者不能只在会议上要求团队使用 AI，自己却从不真正使用这些工具。
他主动为自己留出时间，亲自尝试 Claude、视频生成模型和自动化工作流，甚至减少部分会议，把时间投入实际操作。
这背后是一个很现实的问题。
如果管理者自己没有使用过工具，就很难判断团队遇到的障碍究竟是能力问题、流程问题，还是工具本身的限制。
也很难制定真正合理的质量标准和产能目标。
亲自实践，不意味着管理者必须成为最优秀的设计师、程序员或 AI 工程师。
更重要的是，管理者需要具备足够的实际经验，理解工具的能力边界，并能与团队讨论具体问题，而不是只传达一个抽象的方向。
这也与 Nimrod 对未来营销人才的判断一致：越来越多的人需要具备独立构建工具、连接数据、制作创意和组织工作流的能力。
管理者的职责，则是帮助团队找到最有效的组织方式，并持续调整工作标准。
07 AI不只是提高效率，而是在重新定义谁应该负责什么
把 Nimrod 分享的这些实践放在一起，可以看到三个相互关联的变化。
第一，产品层面，游戏需要从获取用户转向持续经营用户。超休闲时代依赖低成本获客和快速变现的经济模型受到挑战，但简单、易上手的设计理念仍然有价值。
第二，生产层面，AI 正在降低创意制作和工具开发的门槛。 但产能提升并不自动带来业务增长。方向选择、创意判断、数据解读和持续实验，仍然决定着团队能否把产能转化为结果。
第三，组织层面，岗位正在从单一执行走向更完整的责任。 UA Manager 开始参与产品、创意和变现决策；创意人员需要掌握更多工具；管理者也需要亲自理解 AI 能力，并重新设计团队协作方式。
因此，AI 转型最值得关注的问题，可能并不是一家公司的员工用了多少 AI 工具，也不是每天生成了多少条广告。
而是：
当越来越多的执行工作可以被自动化，团队中的每个人是否因此能够承担更大的责任，解决更完整的问题，并创造过去无法实现的业务价值？
这才是从 AI 工具应用走向 AI 原生组织，真正需要跨越的一步。
