特赞科技创始人范凌：告别手感，拥抱量化，AI内容营销不再“玄学”丨《AI营销新范式》06期

文 | Eric

当大多营销人对“AI+内容营销”的讨论还停留在“能生成多少爆款文案”时，特赞科技创始人范凌却抛出了一个更本质的问题：比起内容生产，AIGC的关键能力在于推理，这才是撬动行业变革的关键。

如今很多企业把AIGC当成“创意速成班”，却忽略了AI能解码过去被称为“玄学”的营销经验。比如优质文案的底层逻辑、爆款内容的用户洞察。而在范凌眼中，AI大模型的独到之处在于“将过去依赖‘手感’的工作变成可量化的流程。”

这与当下消费者决策路径的变化高度契合。微软广告最近发布的《解码现代消费者》白皮书中显示，56%的消费者在决定购买前会花更多时间研究产品，39%的消费者收藏列表使用频率增加，这意味着品牌需要更精准地捕捉消费者在漫长决策链中的需求，而AI的量化能力恰好能为这种精准捕捉提供支撑。

这种“量化”能力，恰恰为破解营销领域长期存在的核心困境提供了钥匙：传统营销总困在时间、质量、预算的“不可能三角”里。而AI的价值，正在于用自动化工作流打破这种僵局。既像“多产粮食”一样实现短期效率提升，又能通过沉淀数据资产“增加土地肥力”，为长期品牌建设铺路。

但问题来了：当AI从单一工具进化成营销协作者，企业该如何让技术既提升执行效率，又不丢失创意灵魂？这或许是每个想在AI时代破局的营销人，都需要解开的命题。

为此，「AI营销新范式」栏目特别邀请了特赞科技创始人范凌展开了对话，共同探讨AI时代，如何让内容营销既更高效，也更有灵魂。

从玄学手感到数据沉淀

AI 如何将营销经验转化为量化标准？

AI营销新范式：过去谈论AI+内容时，大部分人首要想到的可能都会是AIGC来赋能创意广告生产制作，但在您眼里AI+内容是否还有着更加宽泛的应用？

范凌：AI+内容，显然不止于内容创作。

当下我们在谈论AIGC时，会默认将其看作文字、图片以及视频的生成工具。但我认为AI还有一个关键能力常被忽视：推理能力。

它能深入理解过去人类积累的优秀成果，比如好的社媒内容、优质文案，甚至成功的产品创新。这些知识过去往往像“玄学”或经验，难以系统传授，更多依赖“手感”。现在，AI却可以有效地“解码”和理解这些内容，将原本“玄学”的知识沉淀为实际的数据。

我认为这是个巨大的机会。当AI能够理解人类过去的优秀成果，它就能开始学习并尝试编排工作流。这也是为什么“多智能体”成为今年一个重要议题。AI不仅能提升内容生产效率，在理解内容之后，更可以自动编排工作流程，用于内容运营、生产等多个环节。

特赞在今年推出的 atypica.AI 就是这样一款全自动化的多智能体。它能持续在社交媒体上挖掘用户洞察，并据此生成各类营销分析，如新内容分析、新产品的设计思路分析等。因此，除了内容生成，AI的推理能力和自动化工作流组织能力，我认为也存在很大的发展空间。

AI营销新范式：您提到的这些应用方向，其实也和现在消费者的路径特征相契合。微软广告最近发布的《解码现代消费者》白皮书中提到现代消费者往往会在多个触点之间切换，广告主需要在不同渠道触达他们，并在保护隐私的前提下传递相关度更高的个性化信息吸引注意力并建立有效连结。

所以可能从最终的市场表现来看，AI在您提到的内容创意、流程效率、市场洞察等各个方向的应用，最终都会转化为驱动品牌实现精准触达、增强用户体验、提升转化率的关键力量？

范凌：是的

AI营销新范式：现在之所以放心不下让AI独立地完成一系列任务的原因之一是“AI幻觉”现象，那您是如何看待“AI幻觉”的？它是否会成为AI+内容营销的阻碍因素？

范凌：在回答问题前，我们不妨先理解一下“AI幻觉”是如何产生的。以“世界最高峰是珠穆朗玛峰”这句话为例，当用户在互联网提问“世界最高峰是什么”时，可能存在如“是你心中的那座高山”这类更加主观性的回答。类似的情况会导致训练语料并非完全fact-based（事实导向），而是基于probability-based（概率关联）。

因此，模型训练过程中会吸收大量被我们视为错误的答案。

但其实在特定的语境下，“世界最高峰是你心中的那座高山”这样的表述反而具有美感，所以说“AI幻觉”其实来自于人类语言的不确定性而成的意外。

正是因为大模型训练语料的不确定性，使得“AI幻觉”无法避免，我们只能通过后训练来规范它。比如明确地告诉大模型一些特定答案，类似这些后训练指令覆盖得越广，对应场景的幻觉概率就越低。

这也并非意味着“AI幻觉”是完全错误的，在利用AI做创造力工作时，我反而觉得幻觉是件好事，毕竟这种幻觉在某些场景也能化作一些不错的灵感。

所以，要判断“AI幻觉”是否会成为营销阻碍因素的关键在于定位：如果只是将AI视为按指令办事的机器，幻觉是问题；但如果我们将其作为一个Coworker（协作伙伴），尤其是在创意领域，幻觉便成为了AI很有价值的一件事。

所以我们需要明确何时属于“错误幻觉”，何时属于“有效创造”。

AI营销新范式：您刚才提到“有效创造”与“错误幻觉”的定位逻辑，特赞白皮书提到营销行业存在成本、效率、转化的“不可能三角”，从您的实践来看，AI破解这一困境的核心路径是什么？

范凌：“不可能三角”是营销行业的普遍困境，它是指在营销中难以同时实现低成本、高效率与高转化这三个目标。但新技术与工具的出现其实就是为了破除原来做不到的事情。

我认为如果企业能够实实在在地将自身的内容资产沉淀下来，那AI就可以承担起内容运营自动化的角色，就有可能破解这一三角难题。

举个例子，一家做内容运营的企业往往需要高频、持续的更新，AI工具能够提供稳定、持续的支持，同时不断优化效果，帮助团队从重复性工作中解放出来，把精力更多放在创意和策略上。这样一来，AI就可能成为实现成本、效率与转化平衡的关键力量。

AI营销新范式：所以针对当下营销行业的种种痛点，您认为AI在营销领域中的核心价值是什么？它能带来哪些显著的效率提升和成本节约？

范凌：目前，AI的应用通常涉及两个方面，一是通用模型层面，这个层面希望AI的能力越强越好；二是商业解决方案层面，这个层面需要解决实际问题，更追求解决方案（solution），而不是只探讨可能性（possibility）。

在营销场景中，核心关注的是两个关键问题，即增长和降低成本。对我来说，增长是首要任务。过去“矩阵号”的做法依赖切片，这样做出来的内容质量不高，重复率还高。而我们的做法是利用AI赋予独特的人物设定，以此提升内容的质量和丰富度。

在降低成本方面，AI可以让创意人员从一些重复性劳动（比如修改 Banner 尺寸等）中解脱出来，让他们能把精力放在创意构思上。同时，AI还能像“翻译者”一样，把优质的创意转化为合适的内容，让团队能够专注于高质量的内容生产。

我九年前就开始探索人工智能和设计的结合，最初的想法就是想让电商设计师从繁琐的工作中解放出来。他们本就应该把精力放在创意构思上，而不是做一些机械性的执行工作。

因此我认为，AI是实现增长与提效两大目标的基石。

*机器参与矩阵内容生产的过程

AI重塑品牌表达

从调性一致到创意延展的边界探索

AI营销新范式：接下来将视线聚焦到具体的内容生产环节，品牌战略有一个顶层架构，是品牌屋。这就要求品牌所有营销也都要在“屋檐下”，也就是需要一个统一的调性。在您看来，AI驱动下的内容生产是否正在重构品牌的人格表达？品牌在借助AI提升内容效率的同时，如何保持表达的一致性、独特性，乃至实现更深层次的共鸣？

范凌：AI同样遵循“Garbage in, Garbage out”的基本原理，也就是说如果输入的信息是垃圾，输出的信息同样会是垃圾。

类似品牌调性这种模糊的概念是难以描述的，但AI反而擅长处理这种问题。比如当我向AI要求“输出的内容要体现某品牌的调性，但不要和输入内容相同”时，AI通常能很好地把握这种平衡，无论是语言、视觉或分镜调性。比如提示用现有素材制作一段赛博朋克风格的视频，AI就会有不错的表现。

有些时候看似是AI没有输出与品牌调性相符的内容，但其实是品牌自身的调性不明显，AI也会因此而陷入困惑。

而在品牌与消费者的互动中，各个触点呈现的调性是否一致、内容是否足够个性化和相关，往往决定了整体的品牌感知。因此，企业需要从源头就把控好输入的素材和提示词，让AI在多场景中输出既统一又具个性和相关性的内容，从而维持品牌人格的连贯表达。

AI营销新范式：但仅仅是品牌调性的一致性还不够，创意够不够新也是影响广告抓人与否的因素之一，我们更加熟知的AI逻辑是对现有的创意逻辑进行总结与归纳，但这就可能导致“换汤不换药”，那目前是否有能力利用AI以现有创意为基础诞生出一些更加新鲜的灵感创意呢？

范凌：我认为是有能力的。

当下AIGC赋能广告的创作更多是“1~∞”的过程，而创意的诞生则是“0~1”的过程。不过特赞做一些“0~1”的工作并非是我们的初衷。我们开发AI工具的初衷始终是帮助企业把“1~∞”做好，更多的是在已经有核心想法的基础上在不同渠道把想法延展出来。

我们之所以会做“0~1”的工作一方面是出于流程闭环的优化。为了提升“1~∞”的效果，需要我们重新去思考“0~1”的交付。不仅是最终成果，还包括创作的过程、核心的思路以及背后的逻辑，以此来确保素材能被高效复用与衍生。

另一方面是出于对技术边界的探索。我们想知道AI的边界到底在哪，所以就需要通过挑战高难度的“0~1”的任务，比如创作一部优质的TVC或是规划一个新产品的创新流程，以此来测试现有工具与模型的极限能力。这种对“新鲜创意”的探索，恰好契合了Z世代等年轻消费群体的需求。

AI营销新范式：尽管AI创意已逐步走进商业实战，但不少品牌主依然处于观望或者怀疑阶段，担心生成过程不够透明、内容质量不稳定或无法承接品牌调性，您认为打破这种顾虑的关键是什么？

范凌：没必要有这种顾虑，使用AI工具并不是个矛盾点。

在AI参与视频创作的场景中，明确标注是保障信息透明的重要前提。无论是AI深度参与内容生成，还是仅在脚本构思、剪辑辅助等环节提供支持，都建议结合实际参与情况进行恰当说明，确保受众能清晰了解技术的应用边界。

这种标注并非对创作方式的限制，而是在技术赋能时代，平衡创意效率与信息透明度的必要举措，既符合行业规范要求，也能让品牌与用户之间建立更坦诚的沟通关系。

从重视数量到重视质量

AI营销新范式：创意行业的数据普遍存在碎片化、非结构化的难题，这给模型训练带来不小挑战。在搭建垂直行业创意数据库时，实际采用了哪些数据清洗和标注方法？

范凌：所谓的非结构化数据就是无法放入Excel表格中的数据，比如一些图片、视频等，这些又是创意内容的主体。过去的二三十年，计算机领域已经为此建立了大量数据集，比如ImageNet。并通过各种标注方式让机器有了理解能力，当下利用数据训练AI模型也是建立在此基础上的。

我们的关键在于连接起内容属性的特征性数据与表现结果属性的效果型数据，并以此为基础建立起“何种用户偏好何种内容”的关联，我们是更加侧重于内容管理的系统。

我们搭建的企业内容数据资产管理系统中包含三类标签：

第一类标签叫特征，也就是描述内容的本身属性；

第二类标签叫效果，与内容的使用场景和表现相关；

第三类标签叫管理，管理型标签是通过IFTTT（IF-Then-Then-Then）的规则来限制。

在打标签的方式上，我们的选择也相对多样，除了AI模型和规则引导外，我们还有一种混合模式。比如我们最近在做SKU的打标时，就是先让人来操作若干个商品，后续让AI来进行打标，如果AI和人的打标一致性打标，后续就交由AI来打标。

而大模型的出现降低了结构化解析的难度，因为它有着强大的多模态理解能力。不仅利于营销内容分析，也赋能无人驾驶、物理研究等行业。

AI营销新范式：因此当下不应该用“优质创意”来形容标签，而是根据具体内容在具体场景下的效果来评判？

范凌：是的。

大模型时代数据的价值并非是由多与少决定，而是由好与坏决定。因为大模型本身的数据就已经足够丰富了，我们需要做的是告诉大模型在不同场景下最好的选择是什么。

举个例子，在大语言模型出现之前，品牌都会有Social Listening系统，也就是社媒洞察。过往的做法是将全量的社媒数据“爬”下来，然后再进行海量的清洗工作，最终得出若干个简化的标签。这是很典型的大数据时代思维，数据全但分析处理能力弱。

而大模型时代并不需要全量的社媒数据，只需要找到最新、最有代表性的100条甚至是10条数据，就足以把大模型对社媒的理解调动出来。

我认为大数据时代需要“大量”数据，大模型时代只需要“有价值”的数据。

从“说话”到“干活”

Multi-Agent如何重构营销工作流

AI营销新范式：您前不久提出过一个有趣的观点，“AI正在从‘说话’转向‘干活’”，也有人提出2025是AI Agent元年。随着AI从内容生成走向真正的任务协作，您认为AI Agent会带来工作流的哪些结构性变化？

范凌：大语言模型之所以叫大语言模型是因为它真的“会说话”，无论我们问它什么问题，它都能做出相应回答，但它并不会真的付诸行动。

因为它只有“嘴”，没有“手”。当我们为大语言模型“加上手部”时，比如将它接入旅游服务平台，并给它交易的权限，它才能真的为我订机票。

营销行业同样是如此。过往当我们向大模型索要一份营销Campaign时，它仍然是嘴上功夫。但现在我们把作图工具交给它、把社媒账号交给它，它就能真的完成一些工作，所以我认为未来不仅是Agent，而是Multi-Agent。

从GPT-4o开始，到DeepSeek R1后的AI大模型都有了Reasoning（推理）的能力，它能进行自我博弈，它的思考能力会变强，这使得AI大模型拥有了规划任务的能力。接着我们再将其与各种工具连接在一起，当它做完规划后就可以调用各种工具来实操，最终直接交付结果。

所以Multi-Agent其实就像是一个团队一样，有人写文案、有人做策划又有人做投放，他们就像是团队成员一样互相博弈、互相讨论，最终呈现出一个结果，我认为这是一个巨大的机会。

AI营销新范式：从您自己的角度来看，你认为“人”在整个AI驱动的工作体系中还有不可替代性吗？

范凌：人始终是不可被替代的。

不管是之前提到的“0~1”的工作还是“1~∞”的工作，尽管过程是由AI完成的，但是它仍然是由人来驱动，靠人启动的。像之前提到的电商，产品效果图如何优化是需要AI去处理的，但用什么Idea去卖，永远是人需要思考的问题。

AI营销新范式：王坚院士曾说过“AI并非是工具的革命，而是革命的工具”，随着AI Agent对创意工作流的重构，我们也需要一种更加适配AI时代的企业结构，您认为未来企业需要怎样构建更具“AI协同弹性”的组织能力？

范凌：这也是如今AI时代企业面对的主要困境之一，他们只想买一个好用的工具，却不愿意改变自己。

在过去开发软件需要前端、后端、测试、运维等20多个职能角色协同，但在AI的加持下，单个个体就能承担多重角色，如果继续沿用过往的分工体系，AI也只能在单个环节提升少量效率，跨职能协作的效率瓶颈始终存在。

因此企业真正需要突破的是组织架构的变革，告别传统按职能划分的20种分工模式，转向让个体或团队端到端负责全流程。

AI营销新范式：从单个Agent提效到“Multi-Agent协同”，特赞在这个升级过程中，通过Agent间的“博弈讨论”解决了哪些过去单一工具无法突破的瓶颈？

范凌：特赞正在探索用AI模拟消费调查的前沿路径。通过智能体自主浏览社交平台的公开内容，利用大模型构建聚合化的用户模拟智能体，生成虚拟用户画像，再由多个AI专家智能体协同对这些“虚拟消费者”进行自动访谈，从而帮助品牌低成本获得对内容偏好与消费动因的洞察。

这种方式在效率与规模上已远超传统调研：过去找真人做访谈费时费力，现在每天能处理近万份调研。我们目前已经模拟了30多万个多元消费者，输出的洞见常有意料之外的惊喜。

最终呈现出的结果也比较有说服力：真人回答问题的两周一致性约81%，而AI智能体的模拟结果能达到85%。当然用户洞察只是一小步，我们接下来还会尝试接入不同工具来做符合用户的营销与新产品。

AI营销新范式：您是否认为未来品牌内容的决策权会随着AI的功能更加完善而转移？

范凌：传统的品牌做决策依靠Social Listening，这种形式有明显的局限性：首先，一旦数据被爬下来就变成静态的，而消费者是动态变化的；其次，将每个对象都标签化再分析，是难以还原和理解真实用户反馈的。这就好比即使我们知道橘子的元素构成，也无法复现橘子和它的味道。特赞现阶段可以用AI智能体来模拟85%的消费者特征，虽然并不能100%还原消费者，但对品牌决策而言已经足够了，商业的本质并不是对错题，而是概率题，关键在于找到合理而非“绝对正确”的解决方案。

很多时候品牌的判断都是一个人的决定，而决定又源于直觉，直觉是很难描述的。但AI能模拟不同视角的利弊分析，它能帮助决策者看到自己原有的思维盲区。

所以AI并非是在替人做决策，而是为人提供一些全新的视角，来协助做决策，因此我认为我们的初衷是希望能让原先较为感性的决策过程变得可追溯。

此外我们还发现，很多用户在用AI协助决策时并非是为了找到新答案，而是佐证已有的想法。比如他心里大概有个方向，想通过AI找支撑点，让内部沟通时方案更有说服力。这其实更贴近商业真实场景。毕竟决策本身没有绝对对错，执行力强弱才是关键。哪怕是正确的决定，拖太久或沟通不到位也会失败。

所以我们从不追求用AI实现决策自动化，而是希望解决决策卡顿问题。当AI能快速输出多维度分析，决策者就不用在信息不全时纠结，也不用花大量时间说服团队，让决策链条更顺畅。毕竟商场上很多事不是想清楚了才做，而是边做边调整，关键是先把决定落地。

AI营销新范式：最后，当AI成为创意生产的“新伙伴”，在您看来，品牌在构建AI驱动的内容能力时，如何平衡效率、商业价值与社会/合规责任？

范凌：永远不要把技术和人文对立起来。技术的进步，不是为了取代人，而是为了释放人的潜力，赋予我们创造新价值的可能。

在营销创意行业，AI的价值不在于“替代”，而在于“解放”——它能帮助品牌更高效地完成单一重复劳动，把团队的精力释放出来，用于构思真正打动用户的内容。这是效率的提升，也是商业价值创造的前提。

与此同时，AI内容的使用也不能脱离社会责任与合规的约束。特别是在创意内容中，如何确保原创性、公平性和对用户隐私的尊重，都是我们必须认真对待的议题。比如，在特赞的实践中，我们始终坚持标注AIGC生成内容，通过隐性标识、显性标识和溯源技术等确保生成内容的安全可控；在构建数据库时避免涉及个人隐私，通过数据脱敏、数据分级、数据加密等多种技术和管理措施确保数据的安全合规等等。当然，我们也在通过各类安全管理和安全工具不断的完善我们的内容保护能力。

所以我认为，在构建AI驱动的内容能力时，应该做到三维协同。效率、商业价值和社会责任不是对立关系，而是一个系统工程。真正的创新，不是只比谁跑得快，而是谁跑得远、跑得正、跑得稳。