---
title: "同样的时间与预算，做3条还是做30条？AI如何改写内容的生产逻辑"
id: "20260917A0EWAG00"
publicationAccount: "非凡产研"
originalPublishedAt: "2026-09-17T22:07:02+08:00"
canonical: "https://ffcap.cn/research/20260917a0ewag00"
source: "https://view.inews.qq.com/a/20260917A0EWAG00"
sourceAccount: "https://news.qq.com/omn/author/21759984"
language: "zh-CN"
tags: ["营销增长","内容创作","电商零售","AI 编程","模型与基础设施"]
---

# 同样的时间与预算，做3条还是做30条？AI如何改写内容的生产逻辑

文章中的“非凡产研”是原始发布账号署名，不代表已核实个人执笔作者。引用访谈或圆桌观点时，应按正文标明具体发言人及当时身份；无法确认时不要推断。日期为原始发表日期，历史信息以发布时点为准。

**AI行业观察**

## **废片率50%也不亏？一个内容行业操盘手，把AI生意的账算明白了**

  

品牌客户买的不是“一条创意视频”，而是“一个能持续产出有效内容的系统”。

  

先上两组数。

传统做法：一个创意团队花一周做3条广告片，投放后跑出1条效果好的，命中率33%。

工业化做法：同样的时间、差不多的成本，做30条，投放后跑出8条，命中率27%。

命中率反而降了6个百分点，但跑出来的好内容，总量是前者的**8倍**。

这是星榜创始人刘思洋算的一笔账。成都AI文娱大会开始前，我跟这位连续创业者聊了一次。

星榜是一家做了十年的全链路整合营销公司，以数据服务为基石、短视频和电商为锚点，而刘思洋本人的履历，基本就是过去十年内容行业的简史：2015年做图片社交，之后一路做短视频营销、数据平台、直播电商、MCN、效果投放，2025年又转身扎进AI。

问这几次创业有没有一条没变的主线，刘思洋的回答是：一直关心新的技术怎样改变内容的生产方式，以及内容怎样产生商业价值。

聊完我有一个很直观的感受：市面上关于AI内容的讨论，大多还停留在“模型能不能生成一张好图、一条好片”。而刘思洋关心的是另一层的问题，一个概率型的模型，怎么变成一门算得过账的生意。

这两个问题之间，隔着一整套系统工程，和一本很多公司至今没算明白的账。

  

## **模型早就及格了，别再用两年前的尺子量它**

先交代背景。刘思洋进AI不算早，2025年才正式布局。

我问为什么是这个时间点，对方把判断拆成了三个条件：模型开始能承担具体创作任务；工具调用和代码执行让模型能把理解变成行动；手里有足够多的真实任务，可以检验这些能力到底有没有用。

第三条其实最关键。很多AI公司是有锤子找钉子，星榜反过来，手里攒了十年的钉子，就等一把够用的锤子。

对行业状态，刘思洋有一个判断：模型作为基础生产力，已经跨过了“能不能用”的门槛。2023年到2024年，行业的核心议题还是“AI生成的内容能不能看、能不能用”，到2025年这个问题基本有了答案。

对方的原话是：

**“我还记得两年前，大家讨论的是‘AI能不能写出一篇通顺的文案’，现在争论的是‘AI生产的文字或图片甚至视频有没有差异化、有没有品牌个性、有没有情绪价值’。前一个问题是模型的及格线，后一个问题才是竞争力的起跑线。”**

这话翻译过来就是：生成能力本身已经不是门槛，门槛挪到了别处。

模型的能力上限和用户实际拿到的结果之间还有一段距离，补这段距离靠的是系统工程，光靠更强的模型不够。

因为更强的模型只会让用户提出更复杂的目标，单条视频做好了，接着就会要求连续叙事和多版本创作。任务变长之后，上下文、状态、工具协作和评价，样样都是工程问题。

![同样的时间与预算，做3条还是做30条？AI如何改写内容的生产逻辑 · 原文图片 1](https://inews.gtimg.com/om_bt/OB-iwIJ1piks5pIwEjX1izKDWEuzkJ7qqLS4i4B3j062cAA/1000)

  

## **一张无限大的桌子**

那星榜到底在做什么？

刘思洋的解释很朴素：一个能跟你一起完成作品的创作助手。你告诉它要做什么，给它产品资料、参考和要求，它把步骤展开，逐步做出脚本、画面和成片，过程中你能看到中间结果，随时提修改。

传统广告制作是什么样？先找策划写脚本，再找分镜师画分镜，再找导演盯拍摄，再找后期剪辑配音。每个角色在不同的制作程式里干活，信息在来回传递中不断损耗。

星榜的做法，是把这些环节全部搬到同一张“无限大的桌子”上。策划、编剧、视觉、剪辑，不管这些角色是人还是AI，都在同一张桌子上并行工作，你随时能看到创作全貌，随时调整任何一个环节。

这张画布还支持团队多人对同一个项目实时协作，人和AI在同一块地方干活。

实际跑起来是什么流程？他们给电商客户做信息流广告素材：先拟好brief，包含产品名称、核心卖点、调性关键词、参考视频、交付要求；然后AI编剧自动写脚本，AI分镜自动拆镜头，视觉和剪辑并行制作，内部团队审核修改，最终交付可以直接适配投放的竖屏高清成片。

这套流程里有个细节我觉得最值钱：跑通一次之后，整个流程可以保存成模板。

下次同一个品牌做不同产品的视频，品牌调性、视觉规范、语气风格全部可以直接调用，Agent会自动记住这些“品牌记忆”。

一次性的活，变成了可复用的资产。干过内容行业的都知道，这事以前只存在于理想里。

  

## **“假降本”：生成便宜，不等于生意便宜**

聊到成本，行业里有个很普遍的现象：假降本。

生成一张图确实很便宜，但为了挑一张能用的，你可能要先生成100张，再搭上人修改。图片的单价降了，账单的总额没降。

刘思洋说，在AI内容生成系统里，成本不只来自模型价格，也来自系统做了多少无效工作。上下文不准确，方向错了以后整轮重做；任务拆解不合理，本来可以并行的步骤互相干等；缺少中间校验，小错误一路传到最终成片。

所以比起换一个更便宜的模型，他们更在意三件事：减少无效调用、控制返工范围、复用已经确认的内容。

当然，也有降不下来的成本。复杂创意的判断、高质量的评价、创作方法的长期维护，这些仍然需要投入。

经验进入系统以后也不是永远正确，得跟着模型、任务和用户需求持续更新。

如果只能留三个指标来评价一套AI内容生产系统，刘思洋留的是：单条合格交付成本、交付周期、复用率。

注意，是“合格交付”成本，而且成本要算完整任务，模型推理、媒体生成、失败重试、人工修正全得算进去。

一次调用很便宜，但如果整个系统反复绕圈，实际成本并不低。周期也要从任务开始算到合格交付，看清楚耗时花在推理、工具执行、依赖等待还是人工确认上，才知道该优化哪里。

至于生成速度这个被各家发布会吹上天的指标，压根不在前三里。

  

## **审美也能工程化？这个争议得接住**

“审美也可以工程化”，这个观点争议不小。审美不是很主观的东西吗？

刘思洋的回答角度很实际：对专业创作和企业使用来说，一套风格脉络在项目里的延续，比单条视频、单张图的效果重要得多。

色彩、版式、镜头时长，这些都可以有明确规则；团队的操作流程、使用Agent的行为偏好、认可的过程素材，也都可以变成Agent记忆，沉淀在协作项目里。

沉淀到最后，Agent清楚知道什么情况下用哪类方法，需要什么输入，哪些特征要保持，完成后检查什么。

说白了，就是把老师傅的手感，变成系统的默认设置。

我这种连调色盘都认不全的人，听完居然觉得这事靠谱。原因很简单：品牌要的是第一百条和第一条看起来像同一个牌子，单次惊艳不值钱。

  

## **废片率50%，为什么还赚钱**

然后，就到了开头那笔账。

做内容出身的人听到“废片率50%”，第一反应是这系统不行。刘思洋的算法完全相反：就算废片率**50%**，工业化的整体效率依然远高于传统方式。

因为工业化做的是用数量换质量，样本量够大，数据会告诉你哪条最优。

传统方式，一周3条片，跑出1条，命中率33%，总收获1条好内容。工业化方式，同样的时间和成本做30条，跑出8条，命中率27%，但好内容总量是8倍。

我这种数学常年靠计算器的人也听明白了：核心逻辑是摊薄每条优质内容的获客成本，废片多少倒在其次。

刘思洋甚至想把“废片率”这个词改掉，换成“素材的测试通过率”。理由是：

**“每一条没跑出来的内容，都在帮客户缩小‘什么是对的’的搜索范围。”**

这个视角转换挺狠的。废片摇身一变，成了学费，交出去的每一分都在给下一轮生成定向。

而且他们会让Agent根据投放反馈调整下一轮探索，投放的客观数据决定这种迭代到底是在进步还是在空转。

  

## **什么内容，碰不得工业化**

当然，也不是什么都工业化。

星榜内部有一条很清楚的判断标准：当内容的核心价值在于“可复用的结构”，工业化是放大器；当核心价值在于“不可复制的个性化”，工业化就是破坏者。

信息流广告、电商素材、AI漫剧属于前者，有清晰的叙事模板、明确的转化目标、标准化的交付格式，可以同时跑10个版本，用数据找出最好的那个，然后迅速铺量。

这三个方向在刘思洋眼里还有另一层身份：检验AI创作系统的三种任务环境。

漫剧考验长任务能力，人物、世界观、时间线和视觉风格要保持连续；电商内容考验约束表达，产品外形、卖点和使用场景要准确；信息流广告考验版本探索和反馈利用。

选赛道的同时，顺手搭了一套考题，这个选法挺聪明。

至于依赖创作者独特性、依赖灵感捕捉的内容，一旦规模化，反而失去价值。

**“我们的‘AI画布创作工具’不生产灵感，它只是让灵感落地得更快速、更准确、更稳定。”**

这是他们市场团队常挂嘴边的一句话，说得直白。

  

## **收入涨100%，人也涨100%，那不叫AI公司**

聊到商业模式，我问了一个很多人都在问的问题：品牌到底愿意为AI内容付什么钱？

答案是：都成立，但客户结构不同。

消费品类的品牌更愿意直接买结果，只要素材能有效投放、放大生意规模，就持续付费；创意生产类的公司，比如广告公司、自媒体工作室、AI内容制作公司，更多是直接买SaaS订阅。

我又问了个更尖锐的：如果收入增长**100%**，人力也增长100%，算不算真正的AI公司？

**“我觉得不算。这说明业务还是靠增加人手来扩大，AI没有真正改变公司的生产方式。”**

这是刘思洋的回答。他接着说，AI产品应该带来的变化是，同一个团队能完成更多任务、服务更多客户。

新增客户可以增加算力消耗，但不应该再配一套人，从头做一遍策划、制作和交付。

顺着这个逻辑，他们拒绝需求的标准也很清楚：定制可以做，但要能帮助产品成长，今天为一个客户解决的问题，明天应该能更快替另一个客户解决。

如果每次都要单独开发、专人维护，做完留不下可复用的能力，这类需求即使有收入，也会拒绝。

有收入还拒绝。在一级市场人人讲增长故事的语境里，这算是稀缺品种了。

  

## **最后，先变的是预算表**

访谈尾声，我们聊到那个经典循环：创意生成、投放、数据反馈、AI学习、再生成。

刘思洋说，这个循环已经在发生，只是还在完善。星榜十年攒下的东西正好卡在这个循环上：服务品牌积累的大量“内容、投放、转化”全链路数据，对“有效内容”的归因能力，还有和长期品牌客户之间的信任。

客户愿意第一时间跟他们共创AIGC内容的测试与复盘，在实践中用产品，在应用中帮产品迭代。用刘思洋的话说，星榜是带着数据资产和商业循环进入AI行业的。

如果这个循环真正跑顺，内容行业会发生什么？对方给了三个判断。

创意不再是“我觉得好”，而是“根据数据模型，这个方向有多大概率能跑到行业均值以上”。创意不会消失，但创意的风险会被数据预测大幅降低。

内容生产的边际成本会继续下降，但头部内容的溢价反而会上升。真正优秀的创意、打动人心的故事，会变得更加稀缺。

品牌的内容预算结构会被重构，“数据模型+策略洞察”会变成最大的预算项，制作本身的费用会被压缩到极低。

用刘思洋的话说：品牌客户买的不是“一条创意视频”，而是“一个能持续产出有效内容的系统”。

制作费被压缩到极低。这句话，值得每个靠制作吃饭的公司多读两遍。

过去十年，内容行业的每一波技术浪潮，顺序都差不多：先改生产工具，再改分工，最后改账本。短视频改过一遍，直播电商改过一遍，现在轮到AI了。

只不过这一次，最先被改写的，也许是品牌预算表上的科目顺序，内容本身的地位反而排在了后面。

  

## **更多对话细节**

**嘉宾**

星榜创始人 刘思洋

### **一、从连续创业到AI：一条没变的主线**

Q1：从2015年的图片社交，到短视频营销、数据平台、直播电商、MCN、效果投放，再到2025年做AI，你几乎把过去十年内容行业的几次主要变化都经历了一遍。回头看，这几次创业背后有没有一条其实一直没有变的主线？你判断“新的内容基础设施要来了”的依据是什么？

**刘思洋：**我一直关心的是，新的技术怎样改变内容的生产方式，以及内容怎样产生商业价值。做图片社交时，我们在探索图片和消费场景的连接；做短视频、MCN和直播电商，是在理解新的表达方式和分发机制；做数据与效果投放，则是希望把内容效果变成可以分析、可以验证的东西。

到了AI阶段，变化更深了一层：软件开始能够理解目标、拆解任务、调用工具，参与整个创作过程。过去需要人把经验翻译成每一步操作，现在可以让Agent承担其中一部分执行和判断。

所以星榜进入AI，有很强的延续性。过去积累的是人怎样把内容做好，今天进一步思考的是，这些经验怎样被表达为Skills、上下文和评价标准，让AI也能够使用。判断机会时，我会看流量和预算，更会看能力边界发生了什么变化，技术能够承担什么新任务，往往决定了下一种产品形态是否成立。

Q2：2016年做短视频的时候，这个市场还需要教育客户；到了今天做AI，市场又出现了类似的状态吗？两次创业有没有让你产生一种“历史又来了一遍”的感觉？哪些地方很像，哪些地方完全不同？

**刘思洋：**相似的是用户都需要经历一个从看见新技术，到相信它能进入日常业务的过程。2016年，品牌会问短视频的表达方式是否合适、质量是否可控；今天他们会问AI能不能理解要求、能不能修改、能不能持续完成任务，大家关心的都是确定性。

但两次改变的层次不同。短视频主要改变了内容形式和传播方式，AI开始改变人与软件的分工。过去软件提供工具，人负责规划和操作；现在用户可以提出目标，Agent选择工具并组织执行，人再根据中间结果调整方向。

这意味着交互方式也需要变化，光在原来的软件上加一个对话框是不够的。我们做创作工作台，就是希望把自然语言、可编辑画布和Agent执行连接起来，用户既可以表达目标，也能看到过程、选择结果、随时介入。

Q3：为什么是在2025年决定真正布局AI？是因为模型能力到了某一个临界点，还是因为你们服务品牌、MCN、电商客户时，已经看到传统内容生产方式出现了明显瓶颈？

**刘思洋：**我会把这个判断拆成三个条件。第一，模型开始具备承担具体创作任务的基础能力，能够处理文本、图像等不同类型的信息。第二，工具调用和代码执行让模型有机会把理解变成行动。第三，我们在实际业务里有足够多的任务，可以检验这些能力到底有没有用。

如果只有生成能力，产品很容易停留在单点工具。但当模型能够拆任务、用工具、观察结果再继续执行，我们就开始看到一种新的可能：围绕一个创作目标持续工作的多模态创作工作台。

「星榜」过去积累的新媒体内容经验，在这个阶段可以有新的沉淀和复制方式，可以把任务方法做成Skills，做成模版。这三件事结合起来，让我们觉得值得认真布局AI。

Q4：你提到一个判断：“当AI模型趋于稳定，真正拉开差距的是从创意到交付的系统工程。”这里面的“趋于稳定”具体指什么？是模型之间能力差距缩小了，还是模型已经基本跨过“能不能用”这个门槛？如果模型明年再强10倍，这个判断还成立吗？

**刘思洋：**趋于稳定，不是说模型不再进化，而是模型作为基础生产力的属性，已经跨过了两个关键临界点。

一个是从“能不能用”到“好不好用”。2023年到2024年，行业的核心议题是“AI生成的内容能不能看、能不能听、能不能用”，2025年这个问题的答案已经基本确定，文本生成、图像生成、视频生成的可用性已跨过基础达标线。

我还记得两年前，大家讨论的是“AI能不能写出一篇通顺的文案”，现在争论的是“AI生产的文字或图片甚至视频有没有差异化、有没有品牌个性、有没有情绪价值”。前一个问题是模型的及格线，后一个问题才是竞争力的起跑线。

“趋于稳定”容易让人误解，我更准确的意思是：在大部分创作任务里，模型早已经跨过基础可用的门槛。但模型的能力上限和用户实际拿到的结果之间，还有一段距离。模型需要知道当前目标、已有素材、不能违反的约束，以及可以使用哪些工具。这些信息和执行条件，会直接影响它能不能把能力发挥出来。

更强的模型也会让用户提出更复杂的目标，用户会要求完整视频；单条视频做好以后，又会要求连续叙事和多版本创作。任务变长以后，上下文、状态、工具协作和评价仍然重要。所以，我们希望做的是一个能跟随模型进步持续演化的Agent系统。

模型负责提供能力，产品负责把能力组织成用户能够控制、持续使用的Agent，通过系统工程将审美和经验变成记忆以实现用户的复杂目标。

### **二、把“从创意到交付”真正拆开**

Q5：如果不允许说Agent、多模态、大模型、工作流这些词，你会怎么向一个品牌解释「星榜」的“AI画布创作工具”到底在做什么？能不能直接拿一个真实业务举例：客户进来给你们什么，系统中间完成哪些工作，最后交出去的究竟是什么？

**刘思洋：**你可以把它理解成一个能够和你一起完成作品的创作助手。你告诉它要做什么，给它产品资料、参考和要求，它会把需要完成的步骤展开，再逐步做出脚本、画面和成片。过程中你能看到中间结果，也能提出修改，继续往下做。

以前这些东西散落在不同软件里，需要人来回传递。我们把过程和结果放在同一张可编辑的画布上，让下一步创作能够直接接着前面的成果继续。

原来做一个传统广告视频，需要先找策划写脚本，再找分镜师画分镜，再找导演盯拍摄，再找后期剪辑配音，最后还要根据需求不断调整修改，才能最终定稿，这中间参与的每个角色都在不同的制作程式里干活，信息在来回传递中不断损耗。

「星榜」的“AI画布创作工具”就是把这些环节全部搬到同一张“无限大的桌子”上，让策划、编剧、视觉、剪辑这些角色不管是人还是AI在同一张桌子上并行工作，你随时可以看到创作全貌，随时可以调整任何一个环节。

举个例子，我们之前尝试用“AI画布创作工具”为电商客户创作了短视频素材，用于信息流广告的投放，我们初步拟定了brief，包含产品名称、核心卖点、调性关键词、参考视频、交付要求等。

过程中分阶段完成了AI编剧Agent自动生成脚本、AI分镜Agent自动拆解分镜、视觉和剪辑Agent并行工作、内部团队审核与修改，最终交付可以直接适配投放的竖屏高清成片。

值得沉淀的一个点是我们甚至把“一次性”变为“可复用”，这套流程跑通后，可以保存为模板，下次同品牌做不同产品视频时，品牌调性、视觉规范、语气风格全部可以直接调用，Agent会自动记住这些“品牌记忆”，大大提升了素材制作效率，这也是「星榜」通过无数全链路营销项目服务执行所不断内化出的产品开发能力。

Q6：你们为什么会选择AI漫剧、AI电商和信息流广告这三个方向？这三个场景看起来内容形态不同，但它们是不是存在某些共同特征，比如内容需求量巨大、生命周期短、需要不断测试，而且最终都有非常明确的数据结果？

**刘思洋：**选择AI漫剧、AI电商和信息流广告这三个方向，是因为它们背后共通的“工业化内容生产”逻辑，就是寻找那些内容需求巨大、生命周期短、需要快速迭代且效果可量化的领域，很适合我们“AI画布创作工具”中的创作流水线去提升甚至重塑生产效率。

除了需求量和反馈速度，我也把它们看成检验AI创作系统的三种任务环境。漫剧考验长任务能力，人物、世界观、时间线和视觉风格需要保持连续；电商内容考验约束表达，产品外形、卖点和使用场景要准确；信息流广告考验版本探索和反馈利用，需要知道每个版本在测试什么、结果能支持什么判断。

这几个场景能帮助我们同时检验上下文管理、Skills组织、模型调度和结果评价。「星榜」的业务经验，让这些技术问题有真实任务可以落地。

Q7：什么内容其实不适合工业化？AI公司现在很容易讲“规模化生成”，但内容里一定存在创意和工业化之间的矛盾。什么样的东西越规模化越好，什么东西一旦规模化反而会失去价值？这个边界你们内部怎么判断？

**刘思洋：**我们的判断标准非常简单，当内容的核心价值在于“可复用的结构”时，工业化是放大器；当内容的核心价值在于“不可复制的个性化”时，工业化是破坏者。

具体来看，【结构驱动型内容】适合工业化，比如我们选择的信息流广告、电商素材、AI漫剧，它们都有清晰的叙事模板、明确的转化目标、标准化的交付格式。对于品牌来说，这类内容的竞争力来自于在既定结构里快速试错和迭代的能力，你可以同时跑10个版本，用数据找出最好的那个，然后迅速铺量。

【个性化驱动型内容】不适合工业化，这类内容的核心价值在于创作者的独特性、不可复制的情感连接、以及对某个瞬间的灵感捕捉。套用一句我们市场团队常说的话：我们的“AI画布创作工具”不生产灵感，它只是让灵感落地得更快速、更准确、更稳定。

### **三、真正的系统工程到底难在哪里**

Q8：现在随便一个团队都可以把几个模型串起来做Workflow。为什么这还不是你说的“系统工程”？一个真正能进入生产环境的AI内容系统，至少应该具备哪些能力？

**刘思洋：**固定流程预先规定了步骤，按顺序把任务跑完。Agent的系统工程则围绕目标持续判断：现在完成到哪里，还缺什么，需要调用哪个工具，结果是否符合要求，下一步是继续、修改还是请人介入。

Agent Loop的系统工程充分调度模型能力使得我们的产品具备重规划能力，执行中的结果能够影响后续计划。这样才能处理创作里经常出现的变化，而不是假设第一次规划永远正确。

但Loop本身还不够，Skills提供具体领域的操作方法，工具接口提供执行能力，上下文管理和记忆提供任务的信息，状态管理记录已经发生了什么，自动校验提供继续或修正的依据。

从工程设计上，还要明确循环的边界：工具调用、重试次数、超时和停止条件，否则系统可能一直在行动，却没有朝目标取得进展。

Q9：AI生成特别大的问题是“不稳定”：今天生成很好，明天相同需求可能就是另外一个结果。商业客户恰恰最不能接受这种随机性。你们怎么把一个概率型的模型，变成一个相对确定的生产系统？

**刘思洋：**我们追求的是结果在约束内可控，以及出现问题后能够恢复。第一层是约束。把角色、产品、画幅、时长等要求明确下来，让生成有清楚的边界。

第二层是自动校验。需要区分能用规则判断的条件，以及需要视觉或语义判断的条件。文件规格可以检查，人物是否一致、表达是否偏离目标，则涉及更复杂的判断，也可能需要人工复核。

第三层是重规划。检查发现问题以后，Agent要决定是补充信息、修改局部、换一种方法，还是停下来请人确认。简单地重复同一个调用，不一定能解决问题。

还有一个原则是保留已经确认的结果，尽量控制修改范围。随机性不会因为多跑几次就消失，但可以通过约束、检查和恢复机制，降低它对整个项目的影响。

Q10：你们特别强调“审美也可以工程化”。这个观点其实挺有争议。审美不是很主观吗？品牌调性、镜头节奏、人物风格、文案语气这些东西，究竟怎么被系统学习、约束和复用？有没有哪些审美标准最后真的可以变成参数、规则或者企业资产？

**刘思洋：**对于专业创作和企业使用来说，审美的工程化对于一套设计脉络或者说风格脉络在生成的项目中延续，比单一一个视频或者一个图片效果如何更加重要。

我们的画布空间本身支持团队多用户对于同一个项目的实时协作，且我们将审美和风格变成上下文的记忆使得Agent可以在不同项目中使用一套用户偏好的审美风格，例如色彩、版式、镜头时长等可以有明确规则；

画布的操作流程以及团队使用Agent的行为偏好、团队认可的过程状态素材，都可以变成Agent记忆沉淀在协作的项目中，Agent可以清楚的知道什么情况下使用哪类方法，需要什么输入，哪些特征要保持，哪些可以变化，以及完成后检查什么。

Q11：模型越来越多以后，一个真正的AI内容公司是不是反而不应该绑定某一个模型？你们内部现在怎么决定某一个任务调用哪个模型？看质量、速度、价格还是稳定性？未来模型层会不会越来越像今天的云计算，最后变成相对标准化的基础设施？

**刘思洋：**在我们的产品里，Agent系统偏好和人工选择是同时存在的。不同任务对模型的要求不同，用户也可能有自己的偏好。

一定不是绑定唯一模型，模型是基础设施。第一层是能力匹配：这个任务需要文本推理、参考图控制、视频生成还是语音能力，其中哪个模型效果最好；第二层才是在满足效果条件下成本符合利润空间要求的模型。

不能只看单价，主要值得评估的是模型放进具体任务以后，能否完成要求，需要多少次修改，模型的边界如何。

### **四、把AI内容生产的真实账算出来**

Q12：如果今天让你评价一个AI内容生产系统，你最关心的指标是什么？生成速度显然不够。你会不会看一次通过率、有效素材率、人工修改次数、单条成本、交付周期、投放ROI、复用率？如果只能留下三个指标，你会留下哪三个？

**刘思洋：**我还是会保留单条合格交付成本、交付周期和复用率，但会给它们更严格的技术口径。成本要算完整任务，包括模型推理、媒体生成、失败重试和人工修正。一次调用便宜，如果整个Loop反复绕圈，实际成本并不低。

周期要从任务开始算到合格交付，同时看耗时发生在推理、工具执行、依赖等待还是人工确认。这样才知道优化哪里。

复用率要看Skills、素材和已确认经验是否真正减少了后续工作。保存了很多东西，但下一次没有用上，不能算形成了有效积累。

这三个是结果指标。工程团队还需要看任务完成率、工具调用错误率、重规划后的恢复率和人工接管情况，用它们解释结果，而不是只展示生成速度。

Q13：AI内容最容易出现一种“假降本”：生成一张图确实很便宜，但为了挑一张能用的，生成了100张，还需要很多人修改。从你们实际项目看，现在真正意义上的成本下降发生在哪里？哪些成本虽然模型便宜了，但并没有明显下降？

**刘思洋：**在AI内容生成系统里，成本不仅来自模型价格，也来自系统做了多少无效工作。上下文不准确，可能导致方向错了以后整轮重做；任务拆解不合理，会让本来可以并行的步骤互相等待；缺少中间校验，小错误就可能一路传到最终成片。

因此我们更关注减少无效调用、控制返工范围，以及复用已经确认的内容，这些往往比单纯换一个便宜模型更值得研究。

另一方面，复杂创意的判断、高质量评价和长期维护Skills仍然需要投入，经验进入系统以后，也不是永远正确，需要随着模型、任务和用户需求更新。

Q14：内容工业化之后，一个特别关键的数据其实是“废片率”。比如生成100条广告素材，最终真正进入投放的有多少？进入投放以后真正跑得动的又有多少？AI时代有没有可能把“内容生产效率”从以前很模糊的创意问题，变成一套可以量化管理的指标？

**刘思洋：**我们假定废片率是50%，工业化生产的整体效率依然远高于传统方式，因为工业化做的是用数量换质量，当你有了足够的样本量，数据会告诉你哪条是最优。

举个例子，传统方式下，一个创意团队花一周做3条片，投放后跑出来1条效果不错的，命中率33%，但总产量只有3条，总成本是1条优质内容×3条的制作消耗。

工业化方式下，我们用同样的时间、差不多的成本生产30条片，投放后跑出来8条效果不错的，命中率27%，但总产量是30条，总成本是30条的总和，但成功内容总量是前者的8倍。

所以，核心逻辑不是“减少废片”，而是降低每条优质内容的获客成本，我更想把“废片率”改为“素材的测试通过率”，每一条没有跑出来的内容，都在帮助客户缩小“什么是对的”的搜索范围。

我们更愿意把它变成Agent增强学习的探索过程，我们希望Agent根据反馈调整下一轮探索，让新增的生成更有针对性；投入投放的客观数据结果，决定了这种迭代到底是在进步还是在重复。

Q15：「星榜」的全链路整合营销本就是以数据服务为基石、短视频及电商为锚点，当下投身AI新业务线相比很多AI创业公司是不是具备了更多优势？因为你们不仅知道“怎么生成”，还知道内容投出去之后CTR、CVR、ROI到底怎么样。

未来最有价值的闭环，会不会其实是：创意生成 → 投放 → 数据反馈 → AI学习 → 再生成？如果这个闭环真正跑起来，内容生产会发生什么变化？

**刘思洋：**「星榜」成立十年，跑出了一些可持续的业务发展结果，第一个是【内容效果的数据资产】，通过服务品牌积累了大量“内容→投放→转化”的全链路数据；

第二个是【“有效内容”的归因能力】，数据和效果之间不是直接画等号的，一条视频跑得好，可能是因为前三秒的钩子好，可能是因为达人的人设和产品匹配，可能是因为投放的时间段刚好对了等，我们不断尝试提炼出“归因模型”满足客户投放需求；

第三个是【与品牌客户之间建立的信任关系和长期协作机制】，很感激我们的长期服务品牌客户愿意在第一时间跟我们共创AIGC内容的测试与复盘，在实践中应用产品，在应用中帮助我们不断迭代。

总的来说，「星榜」是带着数据资产和商业闭环进入AI行业发展。【创意生成 → 投放 → 数据反馈 → AI学习 → 再生成】这个闭环已经在发生，只是还在不断优化完善，内容生产一定会发生变化。

从内容上看，可能是创意不再是“我觉得好”，而是“根据数据模型，这个方向有多大概率能跑到行业均值以上”，当然不必担心创意会消失，只是创意的风险会被数据预测大幅降低。

从成本上看，内容生产的边际成本会继续下降，但头部内容的溢价反而会上升，真正优秀的创意、打动人心的故事，会变得更加稀缺。

从市场上看，品牌的内容预算结构会被重构，“数据模型+策略洞察”会变成最大的预算项，制作本身的费用会被压缩到极低，因为品牌客户买的不是“一条创意视频”，而是“一个能持续产出有效内容的系统”，我们当下已经有相关的服务案例可以看到这样的趋势。

### **五、从“生成内容”追到“为结果负责”**

Q16：品牌客户现在到底愿意为什么付钱？是为一个AI软件账号付钱，为生成多少条视频付钱，为节省多少人力付钱，还是最后直接为GMV、线索、转化结果付钱？你觉得AI内容公司的商业模式最后会落在哪一层？

**刘思洋：**都存在，买结果的客户和买工具的客户成交均有，目前看这个背后的决策更多来源于本身客户的组织构成。

目前我们看到的通常消费品类的品牌更愿意直接买结果，可以有效投放的AIGC视频素材，只要可以帮助客户放大生意规模就持续付费；创意生产类的公司，例如创意广告公司、自媒体工作室、AI内容制作公司则多是直接的SaaS订阅。

至于AI内容公司的商业模式最后会落在哪一层，我个人认为还是要具体看每个公司的发展阶段，或者说不一定就是单一的某一层，而是多层叠加。不同客户会选择订阅、按量或者按项目服务。我们更关心的是，用户付费需要我们提供的能力是什么，哪些可以程序化、智能化。

Q17：AI公司现在普遍面临一个问题：产品Demo看起来很标准化，但一进入大客户，就需要大量定制、实施和人工服务。怎么判断哪些需求应该产品化，哪些需求可以定制，哪些客户需求反而应该拒绝？如果收入增长100%，人力也增长100%，这算不算真正的AI公司？

**刘思洋：**我觉得不算。如果收入增长100%，人力也必须增长100%，说明业务还是靠增加人手来扩大，AI没有真正改变公司的生产方式。

AI产品应该带来一个变化：同样一个团队，能够完成更多任务、服务更多客户。新增客户可以增加算力消耗，但不应该再配一套人，从头做一遍策划、制作和交付。

所以判断需求时，我们会看它能不能被复用。品牌资料和风格偏好，可以通过上下文和记忆来适配；反复使用的创作方法，可以沉淀成Skill；多个客户都需要的能力，就应该进入标准产品。这样，服务新客户更多是在调用和组合已有能力。

定制可以做，但要能帮助产品成长。今天为一个客户解决的问题，明天应该能更快地替另一个客户解决。如果每次都要单独开发、专人维护，做完也留不下可复用的能力，这类需求即使有收入，我们也会拒绝。

### **六、从星榜走到矩阵像素，怎么看内容行业下一轮洗牌**

Q18：你同时经历过MCN、达人营销、直播电商、效果广告，现在又进入AI内容生产。你觉得AI真正冲击的到底是谁？是剪辑师、设计师、编剧这些具体岗位，还是MCN、广告代理公司、内容制作公司这些组织形态本身？如果三年之后再看，现在这批内容公司里什么样的公司会消失，什么样的公司反而会因为AI变得更大？

**刘思洋：**我觉得核心变化是专业能力开始以新的方式被组织。过去很多经验依附在个人身上，通过沟通和带教传递。现在其中一部分可以被写成Skills，配合工具和上下文，由Agent参与执行。人和软件之间的分工会因此发生变化。

但把经验变成AI能够使用的东西，本身也需要专业判断：怎么拆任务，哪些信息要保留，什么标准能检查结果，哪里应该让人介入。这些会成为内容公司新的能力。

理解用户消费偏好，理解内容创作和可以构建AI工具，并随着模型进步，持续探索优化工具的边界，这样的公司才有可能在未来有更多可能性。

---

原始发布版本：https://view.inews.qq.com/a/20260917A0EWAG00

本站阅读页：https://ffcap.cn/research/20260917a0ewag00