生成式 AI 把一件过去很昂贵的事变得便宜：同一件产品，可以为不同人生成不同画面。真正难的却不再是“能不能生成”，而是“应该知道这个人多少，又应该把多少写进广告里”。
2026 年 9 月 11 日发布的一项预印本研究，给了品牌一个值得谨慎对待的信号。研究者让 100 名美国英语受试者评价四类产品、三种个性化程度的 AI 广告图。轻度个性化在“对广告的态度”和“对产品的态度”上优于通用版本；强个性化没有带来额外收益，并显著增加了 creepiness——那种“广告怎么会知道这些”的不适感。购买意愿没有出现同样明确的轻度个性化提升。
这项研究是预注册、被试内实验，但仍是预印本，样本有限，研究对象是静态图而非视频，也没有证明长期销售效果。因此合理结论不是“个性化广告无效”，更不是“把个性化控制在某个固定百分比”。更实用的结论是：品牌需要先选择个性化的分辨率，再决定生成多少版本。
为什么更像“为你做的”，也可能更让人反感
个性化同时启动两种相反力量。
一边是相关性。画面里的场景、问题或产品组合更接近观看者当下的需要，理解成本会下降。
另一边是被监视感。广告一旦暴露出过细的家庭、外貌、生活方式或敏感状态，观看者会开始追问：品牌从哪里知道的？为什么要把这些细节放进画面？研究中的高个性化版本还面临另一个问题：输入属性越多，生成模型越可能遗漏、扭曲或错误组合细节。反感不一定只来自隐私，也可能来自画面“不像我，却硬说像我”。
Google 当前的个性化广告政策也说明，这不只是审美问题。健康、负面财务状况、政治立场、种族与族裔、关系困境等属于受限制的敏感兴趣类别；广告数据还不能把个人身份信息与匿名或假名数据随意连接。FTC 关于 dark patterns 的报告则提醒，诱导用户交出更多数据、隐藏关键条件或利用设计操纵选择，可能带来消费者保护风险。
所以，生成能力不是授权。数据能被读取，也不等于它适合进入广告画面。
ONCE 个性化分辨率阶梯
我们建议把个性化从低到高分成五层。它不是研究原有分组的改名，而是一套供视频采购和制作使用的决策工具。
| 层级 | 变化内容 | 例子 | 默认判断 |
|---|---|---|---|
| 0. 通用产品事实 | 不因人改变的结构、功能与真实使用 | 接口、材质、安装步骤、尺寸关系 | 必须稳定，优先实拍或严格锁定 |
| 1. 公开情境 | 地区、季节、版位、时间段、公开文化语境 | 雨季通勤、节日送礼、短视频竖屏场景 | 通常适合规模化版本 |
| 2. 需求状态 | 用户主动表达或当前任务透露的问题 | 想减少桌面线材、需要轻量旅行装备 | 有价值，但措辞不能暗示隐藏监视 |
| 3. 产品配置 | 与需求匹配的 SKU、颜色、套装或功能组合 | 不同插头、容量、配件、市场版本 | 适合与目录和库存联动，产品事实必须锁定 |
| 4. 个人身份与敏感属性 | 姓名、外貌、家庭结构、健康、财务或私密经历 | 生成“像你本人”的角色或点出敏感处境 | 高风险，默认不进入自动化生产 |
多数跨境电商品牌的高价值区间，其实在 1—3 层：让内容更贴近使用情境、购买任务和正确产品配置，却不需要把观众本人搬进广告。
视频制作需要一份“个性化生产合同”
当版本成本下降，采购合同不能只写“生成 50 条不同视频”。品牌至少应要求五项可验收交付：
产品事实母版
把任何版本都不能改变的产品信息先拍清楚：真实外观、结构、操作、限制、包装内容和正确型号。AI 可以换环境，不能凭空改写产品。若要判断哪些信息应该锁死、哪些可以动态变化，可以参考 ONCE 关于动态视频变量层的拆分方法。
变量地图
列出可以变化的场景、人物关系、使用时机、开场问题、SKU 和行动提示，并为每个变量标注允许的数据来源。不是所有变量都需要用户级数据；很多有效变化只需要公开环境或当前会话意图。
数据来源与同意表
每个个性化字段都要回答：来自公开情境、用户主动输入、第一方同意数据，还是模型推断？用途是否与最初收集目的相符？可以保存多久？能否被创意供应商看到？不能回答的字段，不应进入提示词。
排除矩阵
把禁止使用的敏感属性、容易造成误解的推断、未成年人数据、过窄人群和不允许生成的身份特征写明。平台政策只是最低门槛；品牌还需要自己的声誉标准。
生成与审批记录
保存每个版本使用的产品母版、变量、提示词或工作流版本、人工审批人、最终用途和下线条件。它可以与AI 素材履历结合，避免版本越多，责任越模糊。
不要用 50 个版本开始，先用三个分辨率做试点
一个低风险试点可以只用一个产品、一个市场、同一优惠与同一版位，制作三组内容：
- 通用版：只呈现产品事实；
- 情境版：根据公开场景或季节变化；
- 需求版：回应用户主动表达的购买任务，但不使用身份与敏感属性。
先做人工预审，检查产品是否准确、人物是否自然、画面是否暗示品牌知道了不该知道的事。再用小范围测试同时观察两类指标：一类是相关性，如看完率、点击、商品页行为；另一类是反感与风险，如隐藏广告、负面评论、投诉、政策驳回、错误 SKU 和异常生成率。
如果品牌有条件进行小样本问卷，还应把“这条广告与我相关”和“这条广告知道得太多”分开询问。只看点击，可能会把好奇、惊讶甚至不适误判成有效说服。
试点的停止条件也应提前写明：出现敏感属性、未经允许的人脸或身份特征、错误产品信息、平台政策警告，或者强个性化版本的反感指标明显上升，就停止扩量并回到较低分辨率。这里没有通用阈值，品牌需要按品类、市场与风险承受能力设定。
对跨境品牌真正有用的判断
AI 让“为每个人做一条广告”变得技术上可行，却没有让“了解每个人”自动变得合理。
对于连接中国供应链的品牌，更稳妥的生产方式是：在深圳先建立高质量产品事实母版和可控的场景组件；到了目标市场，再根据公开情境、主动需求和正确 SKU 组合版本。高风险的身份模拟与敏感属性，不应成为默认卖点。
未来的竞争不会只是谁能生成更多，而是谁更清楚哪些内容值得个性化、哪些事实必须稳定、哪些数据永远不该进入画面。最成熟的个性化，不是让消费者惊讶品牌知道得多，而是让他更快看见：这件产品为什么适合此刻的任务。
资料说明
本文主要依据《Enabling and Understanding Personalization in AI-Generated Advertising Imagery》（2026 年 9 月 11 日预印本）及其配套技术研究《I Am AdMan》，并核对 Google Personalized Advertising Policy 和美国 FTC《Bringing Dark Patterns to Light》。论文结果仅适用于其研究设计与样本；五级分辨率阶梯、生产合同和试点方法为 ONCE 的分析建议。
