ONCE 社交媒体短视频营销研究 · 社交媒体短视频营销研究 09/10
研究文章 / 文献比较与创意决策分析。研究截止：2026 年 10 月 5 日。
如果一支团队一天能生成 100 条短视频，它究竟学得更快，还是只是更快地制造了 100 个无法解释的结果？
这是生成式 AI 进入广告生产后最容易被忽略的问题。过去，素材昂贵，团队常常来不及测试；现在，候选素材突然变多，瓶颈从“做不出来”移到了“哪些值得看、为什么有效、下一版该改什么”。当开头、人物、场景、产品角度、字幕、声音和优惠同时变化，即使某条素材胜出，团队也很难知道应当复现哪一个变化。
本文的中心判断是：生成式 AI 扩大的是候选素材供给，不自动提高学习质量。只有先锁定品牌不变量，让版本之间保持可识别的变化轴，再把生成、筛选、投放和因果验证分开，素材规模才会变成可积累的知识。我们把这种能支持下一次判断的组合称为“可学习素材集”。它是 ONCE 对现有研究的组织与推导，不是已经验证的普适理论。
AI 没有消灭创意成本，只是把成本移到了搜索
Remi Daviet 与 Yohei Nishimura 2026 年发表于 Marketing Science 的研究把问题拆成两部分：一是从巨大生成空间里找到可能表现好的画面，二是确保画面仍符合品牌和活动要求。研究建立两个预测模型，一个学习点击表现，一个学习品牌可接受性，再用贝叶斯主动学习选择下一批最有信息价值的候选。
它的现场部分来自一家户外活动公司的 Instagram 图像广告。受众、预算、版位和模板被固定，只改变背景图；品牌方先用 60 批、每批 12 张图训练“可接受性”判断，再以 9 轮、每轮 12 条候选学习链接点击率。最后同时比较模型选择、审美模型选择和一位专业设计师提供的各 10 张图。论文报告，双目标系统的平均链接点击率为 0.98%，审美模型为 0.78%，设计师组为 0.65%；作者同时提醒，样本组数小、人工基准只有一位，结果应谨慎解释。
这项研究真正重要的并不是“AI 赢了设计师”。它说明了两个更窄的事实。第一，寻找好看素材和寻找既能点击又能过品牌审核的素材，不是同一个目标。第二，主动学习不是把所有版本都投一遍，而是利用不确定性挑选最值得获得新信息的下一批素材。
它也有清楚的迁移限制：实验优化的是户外活动广告的背景图和链接点击，不是包含人物表演、产品动作、字幕、声音与连续镜头的短视频，更没有测量销售或长期品牌记忆。论文自己指出，复杂产品和人物、精确文字、跨活动迁移仍是后续问题。把这一结果直接写成“AI 视频优于真人制作”，就是把一个受控的图像搜索实验扩张成研究没有回答的结论。
预测得准，不等于知道商业结果为什么改变
Mark Heitmann 等人的 Journal of Marketing 研究提供了另一种路线：用广告的注意、兴趣、欲望与行动意向等“心智指标”训练图像生成模型，再比较生成图与既有广告。研究包含多个汽车与快消品实验，也做了一个 Meta 现场点击测试。现场测试合计 28,775 次展示、496 次点击；经过训练的 AI 图像点击率为 2.04%，对照品牌既有图像为 1.37%。
但这仍然不是销售实验。大量研究阶段使用的是参与者对图像的 AIDA 评分；现场结果是点击率。论文还发现，训练得到的画面更易加工，但视觉平均化也可能让高度差异化产品失去意外感。换句话说，模型可以把“历史上较容易得到高分的视觉语言”学得更流畅，却未必因此产生新的品牌资产。
Anuj Kapoor 与 Madhav Kumar 2025 年的随机现场实验研究的是另一个环境：印度一家可持续消费品 DTC 品牌，通过 WhatsApp 向 21,000 多名既有用户发送广告。三组分别收到基于购买历史的生成式 AI 个性化视频、个性化图片，以及统一信息的非个性化视频。正式论文摘要报告，个性化 AI 视频的互动提升比两个基线高 6 至 9 个百分点。
这项结果有因果随机分组，但它并不等于今天的抖音、TikTok、Reels 或 Shorts 公共推荐流。WhatsApp 是定向消息环境，个性化依据是既有购买历史，信息内容仍由营销团队控制；研究观察的是单次触达后的互动，不是公共信息流中的算法竞争，也没有证明所有行业的购买增长。个性化、视频形式和技术新奇感都可能参与结果，长期重复后是否仍有效，需要新的数据。
三项研究放在一起，得到的不是一句“AI 有效”，而是三个不同问题：模型能否搜索出更合适的图像；训练目标能否迁移到点击；针对已知用户的个性化视频能否提高一次互动。生产效率、预测准确度、点击、销售和长期品牌效果必须分别记录，不能用最容易获得的那个数字替其他结果作答。
什么是“可学习素材集”
素材集的价值不由数量决定，而由下一轮还能否据此作出更准确的选择决定。我们建议在生成前先写四类约束。
| 组成 | 要先锁定什么 | 否则会发生什么 |
|---|---|---|
| 品牌不变量 | 产品形状、标志、主色、核心主张、人物身份、不可接受表达 | 高点击版本可能靠偏离品牌获胜 |
| 变化轴 | 一次主要改变开头、情境、人物资格、证据顺序或 CTA 中的一项 | 版本胜负无法解释，也无法复现 |
| 结果层级 | 本轮判断的是停留、理解、品牌归属、点击、销售还是新增结果 | 短期指标替代长期任务 |
| 曝光协议 | 受众、预算、频次、时段、版位和停止规则尽量保持可比 | 平台分配变化被误认为创意效果 |
“品牌不变量”并不是把所有画面做成同一模板。它规定的是观众需要认对的事实，以及品牌不愿用来换点击的东西。真正需要探索的是不变量之外的空间：同一个产品理由可以用演示、人物体验、对比或短叙事表达；同一个视觉资产可以在不同开头承担不同信息任务。
创意多样性也不能只按画面差异计算。换了十种背景却保留同一叙事因果，可能只是表面变化；同一场景里改变产品出现的原因、证明顺序或发言者资格，反而是更深的假设变化。AI 很擅长生成视觉差异，但团队仍需决定什么差异值得学习。
固定 A/B、主动学习与平台自动优化不是同一种测试
| 方式 | 最适合回答 | 成立条件 | 主要风险 |
|---|---|---|---|
| 固定候选 A/B | 在少数明确版本中，哪个在当前条件下表现更好 | 版本、受众、预算和观察窗口预先确定 | 只能在既有候选中选择，搜索范围窄 |
| 主动学习 | 面对巨大候选空间，下一批测试什么最能减少不确定性 | 创意可被稳定描述，反馈足够快，品牌审核可以编码或持续人工参与 | 模型会把错误目标学得更快；冷启动与情境漂移明显 |
| 平台自动优化 | 在平台目标下把更多机会分配给预测表现较好的素材 | 接受平台的目标、分配规则与可见数据范围 | 曝光不再可比，平台选中的赢家不等于因果最优或品牌最优 |
固定 A/B 的优势是解释清楚，代价是一次只能比较有限候选。主动学习适合昂贵反馈下的连续搜索，但需要稳定的特征、明确的目标与持续更新。平台自动优化适合交付，却常把探索、投放与评估揉在一起。平台为了效率会更快给早期领先者流量，这有助于业务执行，却使“每个版本在同等机会下会怎样”更难回答。
因此，一个团队可以先用小规模固定对照校准创意机制，再把通过品牌与信息检查的候选交给平台扩大投放；如果拥有足够数据和建模能力，再加入主动学习决定下一批生成方向。三种方式可以接力，但不能共享一个含糊的“AI 自动测试”名称。
素材疲劳不是“再生成十条”就能解决
疲劳至少有三种：观众反复看到同一执行而厌倦；平台把相似素材集中送给同一类人；团队持续优化一个短期赢家，使品牌表达逐渐收窄。生成更多表面变体可能缓解第一种，却加重后两种。
更稳妥的做法是同时保留两类多样性。一类是执行多样性：场景、节奏、人物、构图和声音不同；另一类是假设多样性：有的版本测试问题共鸣，有的测试功能证明，有的测试品牌联结，有的测试行动理由。前者降低重复感，后者防止整个学习系统只追逐一种反应。
AI 来源披露也不能被写成一个永远增信或永远减分的按钮。2026 年一项覆盖手表、手机、护肤品以及平面和视频形式的三组在线实验报告，AI 披露整体降低品牌态度，情感诉求和“温暖型”品牌的负面影响更明显，理性诉求与能力型品牌的影响较弱。这是特定实验中的交互，不是规避披露的理由；法律、平台规则、内容风险与消费者预期仍要分别处理。更重要的是，披露测量的是受众对来源线索的反应，不是生成流程本身是否可靠。
从一个公开案例看：一致性是搜索条件，不是最后修图
ONCE 公开的《荒野追速：AIGC 越野摩托概念广告》案例页提供了一个有限但直观的观察对象。我们读取了案例文字与可见页面信息；页面说明影片约 28 秒，并描述黑色车身、金色轮圈、白色骑行装备、暖色阳光、尘土与落日等重复线索。我们没有据此声称任何投放、点击或销售结果。
把它转成可学习素材集时，可以先锁住车身颜色、轮圈、骑行装备和户外冒险语气，再分别测试一个变化轴：开头是先见骑手还是先见轮胎；中段是强调地形切换还是机械细节；结尾是落日剪影还是清晰产品近景。这样，视觉世界仍有变化，品牌与产品事实没有被每次生成重新抽签。
这也解释了为什么 本系列第 04 篇的品牌记忆判断仍然重要：如果高表现素材的品牌归属变弱，系统学到的可能只是可脱离品牌的注意力。第 08 篇关于归因与增量的“反事实错配”则提醒我们，平台选出一个点击赢家，不等于它带来了最多新增销售。
一个可失败的最小创意学习方案
以下是实验建议，不是 ONCE 已完成的客户实验。
- 先写不变量：列出产品必须准确的外观与功能、品牌识别、许可范围和禁用表达。
- 建立三个假设族：例如问题开场、功能证明、品牌情境。每个假设族生成 6 至 10 个粗候选，不急着全部投放。
- 人工筛掉不可测试版本：产品变形、字幕错误、人物身份漂移、品牌线索缺失和事实主张不成立的版本不进入媒体测试。
- 做匹配版本：每个假设族选两个版本，保持时长、优惠、落地页、受众和预算一致，主要只改变一个创意变量。
- 分层读结果：观看指标诊断开头与节奏；产品理解和品牌归属检查信息；点击与合格询盘观察行动；销售与新增结果另用合适的反事实设计。
- 决定下一批：不要只复制赢家。保留一个利用已知强方向的版本，也保留一个针对最大不确定性的探索版本。
这个方案可能失败：样本太小、平台分配不均、变化轴仍不干净，或商业结果发生在站外。失败不应被包装成“模型还要更多素材”。先判断缺的是生成量、品牌审核、可比较曝光，还是结果数据。
结论：真正稀缺的不是素材，而是可解释的下一步
生成式 AI 让创意供应从稀缺走向过剩。新的竞争优势不再只是生成速度，而是把哪些事实锁住、让哪些假设发生变化、用什么结果评价，并知道何时不能从点击推到销售、从图像推到视频、从私域消息推到公共推荐流。
一套好的 AI 创意系统应该让团队在每轮之后少一点不知道，而不是多一批文件。先建立可学习素材集，再决定使用固定 A/B、主动学习还是平台优化。否则，素材越多，团队越可能只是在更快地重复无法解释的成功。
如果你正在规划生成镜头、实拍真实性锚点、关键帧和多版本短切，可以查看 ONCE 的 AIGC 广告片与混合制作方案。它用于说明创意、执行与交付范围，不代表 ONCE 提供平台归因基础设施或保证投放结果。
来源与阅读范围
- Remi Daviet、Yohei Nishimura，Leveraging Generative Artificial Intelligence to Create Visual Content in Digital Advertising，Marketing Science 45(5)，2026，DOI: 10.1287/mksc.2024.1130。已读公开全文、方法、现场实验、结果与局限；研究对象是 Instagram 图像背景、品牌可接受性与点击率。
- Mark Heitmann、Tijmen P. J. Jansen、Martin Reisenbichler、David A. Schweidel，Picture Perfect: Engaging Customers with Visual Generative AI，Journal of Marketing 90(4)，online-first 2025-06-25，DOI: 10.1177/00222429251356993。已读公开全文的研究设计、现场点击与边界；多数结果来自静态图像与心智评分。
- Anuj Kapoor、Madhav Kumar，Frontiers: Generative AI and Personalized Video Advertisements，Marketing Science 44(4)，2025，DOI: 10.1287/mksc.2023.0494。已读正式摘要与 MIT 研究说明；场景为印度 DTC 品牌的 WhatsApp 定向消息，结果是互动而非购买。
- Aligning Source, Appeal, and Brand: Resolving the Disclosure–Effect Dilemma in AIGC Advertising，Electronic Commerce Research and Applications，2026，DOI: 10.1016/j.elerap.2026.101598。已读正式摘要披露的三项在线实验、品类、形式、结果与中介；未把它写成跨市场普遍规律。
- ONCE 的 AIGC 解决方案、越野摩托公开案例及本系列第 04、08 篇均于 2026 年 10 月 5 日重新核验。案例只支持内容组织与制作判断，不支持未公开的效果结论。
