AI 会重构广告营销吗？-精准获客

DeepSeek设计，也就是梦AI绘图，剪映成片。

1

DeepSeek的热度持续高涨。

用户对各个场景下DS应用的探索从未停止，各种DS+模式不断被挖掘。超级个体们开始给大模型团队分工，探索各种场景下的最佳组合方式。

很多网友调侃：当领导安排工作还挺头疼。

一段时间以来，我也在尝试DS+模式。最常用的是让DS输出文本，再将信息提交给其他大模型，以满足对应场景需求。

常见案例有：生成小红书爆款笔记、制作图片和视频的提示词工程、基于效果图编写产品页面代码。

几句简单的提示词，就能轻松高效地得到基本符合预期的效果，这就是当下人工智能赛道的魅力。

【1】小红书笔记：在DS模型内即可完成，每篇耗时1分钟。以3:4的比例，用HTML写一个web页面，制作小红书爆款笔记背景图，参考XX风格，并提供页面导出图片的按钮。

下面两个场景，都是先由DeepSeek写文，再由梦AI绘图，最后用剪映制作成短片。

【2】写给打工人的诗：耗时约1小时。一是为春节后身心俱疲回归职场的打工人写一首诗，既要理解他们的难处，又要鼓励他们继续努力；二是为诗的每句话写图片生成提示词，图片风格要契合主题且保持一致。

【3】短片《打工人的一天》：耗时约30分钟。一是假设自己是短片导演，为打工人制作记录忙碌一天的短片，给出12个值得记录的场景；二是为每个场景选一张经典画面，并为画面写AI绘图提示词，同时考虑12组画面的连贯性。

相关成品已发布在视频号，网友可自行查看点评。

我认为这三个场景的提示词工程都比较简单。绘图和短片场景描述直接让DS模型代写，不考虑成品瑕疵，在熟悉工具用法的前提下，效率极高。

体验过程中，我一直在思考：假设AI足够了解用户，能力迭代到可商用，为个体量身定制文本、图片、视频等信息化内容，会产生怎样震撼的效果？这个思考源于广告营销的产品场景。

2

过去几年，广告行业流行“数字营销”，即基于广告和用户特征匹配，根据曝光和转化效果分析营销链路是否合理。上网刷到的广告，并非偶然，而是精心策划的“偶遇”。

具体来说，广告内容可用多维度标签描述，常见的有行业、内容本身和目标用户群体，同样的标签也可标记在用户身上。标签是计算广告和用户匹配度的依据。

广告投放时，会先进行小规模人群测试，验证匹配度。效果好则具备大面积推广价值，效果差则需重新考虑广告设计或目标人群设定。这种策略在推荐流媒体和广告行业很常见。

反复分析用户和广告的转化效果，总结规律，迭代算法和营销策略，这就是过去常说的算法模式。不少用户感慨自己训练的算法会压榨更多时间。

先匹配再营销的手段，原理并不复杂，在有足够数据样本时，是客观合理的营销逻辑。但这种模式也有明显缺点，标签体系相对固定，会在无形中约束人群和广告。

对于标签而言，明确的喜欢和讨厌都是有价值的数据。给用户推荐不感兴趣的内容，未必是算法不懂用户，可能是在进行内容分发或试探用户喜好，再根据效果迭代标签库。

复杂鲜活的个体，善变是永恒的标签。传统标签匹配算法无法精准洞察和预测这种变化。在信息爆炸的当下，算法推荐的20%内容或广告，未必符合用户心意，这也导致很多用户反向训练算法。在人工智能趋势下，这种个性化推荐机制极有可能被重构。

3

个性化推荐常用以下策略：

第一种是基于算法做内容筛选。在内容行业，用户浏览、点击、查看、标记喜欢和收藏等行为，正向可让算法了解用户喜欢的内容，反向可推导用户不感兴趣的内容。通过反复分析用户行为，提炼内容标签，可实现用户和标签的深度绑定。

第二种是相似人群洞察。分析少量目标用户的共同标签，据此寻找其他有相同标签的人群，通过精细化检索标签，可放大或缩小用户群体。例如，用户1有ABC三个标签，用户2有BC两个标签，可推测用户2可能也有A标签，基于此验证可能事半功倍。毕竟物以类聚，人以群分。

第三种是混合策略，基于前两种逻辑设计。对于新用户，用复杂全面的标签内容试探兴趣，完善标签库；对于兴趣标签固定的用户，在推荐算法中加入少量新标签内容，丰富标签体系。

传统推荐算法受标签限制，但AI技术有重构的能力。广告、用户和交易本质未变，营销内容还是文本、图片、视频、音频等，但多模态信息的底层存储逻辑一致，是大模型的通用语言。

大模型对广告和用户的理解更细腻灵活，有足够能力时，甚至可为用户量身定制即时广告信息。这不仅是千人千面，效率上更是分秒必争。

电商平台推荐算法发现用户有购买意向（如多次搜索、加购物车、点击喜欢和收藏等）时，特定或类似商品会在多个应用显眼位置多次展示，这并非偶然。而在AI加持的推荐业务中，大模型能更细致理解多模态信息，对广告和用户知根知底，能精准定位用户群体，为用户推荐更及时准确的内容。

俗话说：知己知彼，百战百胜。但这需要更详细的数据采集机制。标签模式下，只需分析用户行为生成标签体系，粗略完成用户画像分析。若想让AI更准确理解用户，需尽可能详细采集用户多模态信息，包括行为及涉及的文本、图片、视频等，这不是简单的画像能描述清楚的。传统标签算法如今略显粗糙，AI加持的推荐必然更精准高效。

4

大模型的能力不止于理解信息，其创意能力也不容小觑。DeepSeek爆火的关键不在于算力成本突破，而在于文本信息处理能力，其出色的语言能力让低成本算力更有价值。

以DS给打工人写诗为例，看其思考推理能力。要为春节后身心疲惫回归职场的打工人写诗，既要理解他们的难处，又要鼓励他们。首先要确定诗的基调，不能消极也不能太鸡汤，要真实有共鸣。接着考虑打工人日常，他们常自嘲“牛马”，用这个比喻很贴切。春节刚过，要表现出从家的温暖到忙碌工作的反差。还要体现身心俱疲，螺丝钉、齿轮等意象能表现机械重复的工作和个体的渺小。鼓励部分不能空洞，要找到工作中的小确幸……（成品见蝴蝶号）

严密的思维链路加上DS出色的语言能力，成品效果不错。若在提示词中添加更精确描述，DS输出的文本会更高级有质感。然后让DS为每句诗写图片生成提示词，交给梦AI绘图，选符合审美习惯的图片高清处理后转成视频，最后用剪映做成短片。当然也可直接由文本转视频，但效果稍差。整个过程约1小时，若人工处理，成本和耗时都会大幅增加。

受AI在图片和视频方面能力限制，流程中需多次人工介入，也可考虑智能体和程序处理，但要设计自动化流程策略。简单流程已展现出AI在内容和创意方面的多模态能力。