范凌：AI+内容，如何成为碎片化时代商业增长的“秘密武器”？｜为溪分享

作者｜范凌、陈龙

编辑｜马多灵、常娜

01 ｜内容平台在影响文化认知和消费行为

02｜最佳内容策略：人负责创意，AI 无限延展

我们用 AI 生成内容已经有近十年时间。最早期，从数据集到算法都需要自己开发，那时只有碧桂园、阿里这样的大客户愿意投入每年千万级甚至上亿的预算来做这件事。但现在 AI 生成的成本、数据集的成本已经大幅降低。

以特赞合作的某化妆品牌为例，我们先根据他们不同的业务需求和终端绘制了一张内容分发图，结果类似交通堵塞图，显示出很多地方缺少内容覆盖。特别是 O2O 环节最为薄弱，线下门店和渠道几乎找不到相关内容。

于是我们帮对方重新梳理了内容分发的场景和链路——这些链路代表内容最终发挥作用的渠道，主要包括：电商、门店、私域、终端设备，以及海外渠道（特别是日韩市场），并且都通过系统进行统一管理。

需要特别说明的是，我们的 AI 应用范围远不止内容生成。实际上，内容生成并非最复杂的部分。我们还可以将静态素材转化为动态视频内容，但更关键的是通过商品标签快速匹配适合的内容。比如一个新品要上架时，我们可以通过它的昵称（比如“小紫瓶”）快速定位到具体产品，这背后是需要一个大规模的自动化标签体系做支撑。

企业每年在内容制作上的投入很大，有的可能高达十亿元。只有建立了标准化的标签体系，这些内容资产才能被“理解”，才能真正发挥价值。我们其实是在帮助企业建立一套完整的内容系统。

同时，这也是一套风险管理系统。内容是一把双刃剑：好的内容可以四两拨千斤，但也可能带来风险。比如说哪个代言人出事了，系统就能马上找到相关内容下架；或者是有些内容过期了，KOL 合作到期了还在用，这都可能带来额外的支出和赔偿。

所以这既是一个进攻系统（提升效率），也是一个防守系统（控制风险）。

除了对文字型内容打标签之外，我们也会做一些比较有意思的事情，比如视频分析；我们会进一步理解内容，比如进行动作分析。

举一个例子，视频中的“咳嗽”动作实际会表现为“抖肩”。我们可以识别出所有“抖肩”的镜头，识别完成后，可以通过 DRPC 加工，再进行混剪或者分析，找到哪些表现效果更好等。这些内容背后的数据都会被标记和利用。

从本质上来说，这些工作是为了加速内容的价值转化，让内容真正成为企业的进攻武器，帮助他们更好地开展业务。至于内容的生产，其实有两个主要场景：

第一个是降低成本，这是每个企业都非常关心的。通过降低成本，原本一些经济上不可行的商业模式，现在可能变得可行了。

第二个是定制化生产。因为我们合作的都是大品牌，他们就不能只依赖通用模型，还需要基于自身场景和元素打造专属模型，来满足个性化需求。比如有些品牌可能每周需要上新很多内容，这就需要专门的模型支持。

大家都知道，图片越好看，转化率（conversion）就越高。所以我们会利用 AI 工具，帮助企业重新定义内容的制作流程，比如如何优化商品图，或者如何设计 EDM（电子邮件营销内容）。

首先是商品文案的生成。以酱油为例，南方和北方的文案可能会完全不同。北方的文案可能会强调“这款酱油特别适合蘸饺子”，而南方可能会用更贴近当地饮食习惯的表达方式。通过 AI，我们可以根据地域差异和用户属性，生成个性化的文案。接下来是场景生成，再到排版设计，整个流程逐步优化，最终输出更符合品牌调性的内容。

再比如调味品的视觉设计，需要针对不同的产品进行所谓的“视觉翻译”。这并不复杂，但非常重要。比如，卖蚝油或酱油时，画面颜色需要更亮一些，以凸显产品的质感；而卖薯片时，画面颜色可能需要更暗一些，以突出产品的氛围感。如果没有经过优化，就可能出现“翻车”的情况，导致内容无法传递品牌价值。而经过优化后，内容不仅更符合品牌调性，也更加真实可信。

品牌调性是一个非常讲究的事情。比如，星巴克的“绿色”和特斯拉的品牌色调，都是经过精心设计的。通过 AI 优化后的内容，可以更好地体现品牌的核心价值。最终，这些模型和优化方案都会成为企业的内容资产。一个好的模型，不仅能提升内容质量，还能让品牌更高效地传递理念和价值。

04｜内容即企业品牌资产，紧贴用户需求

企业的所有内容资产，比如图片、视频，以前在人工智能技术普及之前，可能只被看作单一的静态资源。但现在，词汇、模型甚至生成逻辑本身，都可以成为非常重要的内容资产。通过 AI，即使面对不同的产品或场景，这些生成工具依然可以保持一致的高质量效果，为企业创造更多价值。

就像我刚刚提到的“0 到 1”和“1 到无穷”，“0 到 1”可能是品牌的核心内容，是类似 TVC 这种比较关键的内容，肯定还是需要由人来完成创作的。但在完成这些核心内容后，比如用于小红书、电商等场景的图片，就可以通过AI 生成来完成。这些内容通常是模仿 UGC 或 PUGC 风格的内容。

在这个过程中，有些品牌调性相关的元素是不能改变的，比如某品牌要求它的产品需要呈现在一个真实可信的场景中，那我们就要为他们设计并生成符合品牌调性的场景化内容。

有的场景是品牌自己拍摄的，我们也会参与制作；有品牌方可能需要提供一些基础输入；有的品牌甚至不需要明确告诉我们需求，因为他们的内容已经存储在系统中，我们可以根据这些数据，结合平台趋势，自动分析出什么样的场景更受欢迎。

同时，我们也会主动搜集外部资料。比如，当我们发现某平台上出现了新的拍摄趋势，从低角度拍摄的风格变得流行，我们也会尝试将这些新趋势融入内容制作中。这种方式结合了内部数据和外部趋势输入，能够让内容更加贴合市场需求。

值得一提的是，过去很多内容分析工作都是“马后炮式”的。比如会有人拿一堆图片或文字进行分析，总结哪些内容效果好，然后再试图从中提取洞察。但现在，我们可以通过智能内容模型直接生成效果好的内容，而不需要事后分析。我们会根据实际效果验证这些内容是否真的有效，再进一步优化。

这种智能内容模型的核心在于，将内容生产从“逐张调整”转变为“批量生成”。比如，你只需要提供一个商品的名称，AI 就可以自动生成对应的图片、文案和结构化内容。举例来说，如果有 1000 个商品需要生成内容，我们可以通过这个模型快速批量完成，而不再需要手动逐一调整。

这种方式极大地提升了效率，也让设计师和电商平台的运营人员更加轻松。以前，他们需要一张张调整图片，现在可以直接通过 AI 重新设计内容结构。比如，他们可以根据需求调整文字的个性化程度、图片的布局方式，甚至为不同场景生成不同风格的内容。

举个例子，假如今天需要为薯条设计内容，我们可以生成适合办公场景、派对场景、儿童学习场景等多种消费者体验场景。这种方式让内容制作从繁琐的细节调整转向更高层次的消费者体验设计。最终，这种智能化的内容生产方式，不仅提升了效率，也帮助品牌更好地满足消费者需求。

05｜企业需要的不是 AI，而是一个高效的工作流

很多企业会有一个误区，认为购买了某些大模型的服务，比如 ChatGPT、Midjourney 或其他工具，就能解决所有问题。

实际上，如果你只生成一张图，那确实可以，但当你需要为 1000 个商品生成内容时，仅靠简单的模型调用是远远不够的。因为在这个过程中，你需要处理的不仅是内容生成，还包括如何对接所有的渠道、整合已有的商品库和内容库，最终形成一个高效的工作流。

AI确实是不可或缺的，但如果没有设计好工作流，AI 的效率会被极大地限制。比如说，你可能需要生成 100 次内容，但只有其中两次是效果不错的，这显然不够高效。因此，企业需要的不仅是 AI 技术本身，更需要设计一个完整的工作流，将内容生成、渠道对接和数据整合串联起来。

另外，企业的数据资产也需要被很好地管理和存储。如果这些数据不能被有效利用，那么即便你有再强大的 AI 工具，也无法发挥其真正价值。

以某快消品牌为例，他们在做洗发水产品时，首先会通过小红书等平台搜集热门内容，并为这些内容打上标签，比如“香味”“包装设计”等。接着，他们并不是直接用这些标签去生成内容，而是用这些标签反向驱动产品研发。

当某些关键词在用户讨论中频繁出现，而这些特性并未体现在现有产品中，就可以作为下一步研发的方向。过去，外企研发一款洗发水新品可能需要两年的时间，而现在通过这种方式，研发周期可以缩短到 2 周到 2 个月。

最终，AI通过这种方式让新品的开发变得更加高效，过去需要几个月甚至更长时间的工作，现在可能只需要一下午就能完成初步设计并进入测试阶段。也许只有 10% 能取得市场成功，但这种高效试错的方式让企业能够像小公司一样快速迭代，容错率更高。

06｜矩阵式内容生产，实现密度覆盖

2024年，我们做得最多的就是矩阵号的内容生产。所谓矩阵号，就是指品牌在不同平台上运营的大量账号，比如抖音上一个品牌可能从原来的 10 个账号扩展到 300 个甚至 3000 个账号。

为什么要做矩阵号？因为用户的注意力已经从传统的大屏转移到了手机上，信息密度不足就会导致品牌被忽略。假如我手机里有 300 条未读消息，如果其中一条的信息不够强、不够多，我可能直接就忽略了。所以，矩阵号的核心在于以低成本、高密度的方式覆盖目标用户。

但矩阵号的难点在于内容的成本控制。过去，品牌可能会花费巨额预算制作一个内容，比如 Nike 可能为一个广告花费上亿元，但现在这种方式已经行不通了。矩阵号的内容生产需要极低的成本，比如一个内容不能超过1000 元，甚至最好能控制在 100 元以内。

我们希望通过 AI 技术，将内容生产的成本降低到“一杯咖啡”的价格。比如，如果你对内容要求较高，那可能是30 元一杯的星巴克；如果要求较低，可能是 5 元的速溶咖啡。只有将内容成本降到这个水平，矩阵号的逻辑才能跑通。

此外，我们还构建了一个统一的管理系统，用来协调整个内容生产和分发的流程。过去，品牌可能会制作一部高成本的大片，但现在我们更倾向于制作大量低成本的小片。这是两种截然不同的思路：前者依赖于高预算、高创意的集中投入，而后者则通过密集的信息覆盖和规模化的内容生产来实现相似的传播效果。这种模式如果没有AI 的支持，是难以实现的。

我们也会进行小规模测试，验证内容的转化效果。比如，有些客户关心的是曝光后的点击率，有些则关注实际的购买转化率。通过试验，可以找到最适合客户业务逻辑的内容策略。

我们在家居行业有一些成功的案例。比如某家居品牌通过小规模测试，一个月内发布了 10 条内容，其中有 50% 的内容带来了显著的转化效果，最终实现了 9-10 万元的销售额。

但在有些行业，矩阵号的效果就并不明显，比如鞋服领域。主要原因在于鞋服的卖点更多依赖于线下试穿或质感体验，而不是通过短视频的形式直接转化。另外，鞋服行业的单价较低，其实难以支撑矩阵号的内容生产成本。

相比之下，奢侈品行业在小红书上的表现尤为突出。比如 LVMH 旗下的某品牌，虽然早期主要依赖品牌官方账号发布内容，但转化效果一般。后来他们发现，小红书为其带来的到店转化率是天猫的 3 倍，他们便将小红书视为最重要的战略阵地之一。

现在，他们更倾向于通过生活化的内容来提升转化率，包括产品试用、搭配建议或生活场景展示等等。所以无论是奢侈品、家居还是快消品行业，AI 驱动的矩阵号内容生产已经成为品牌营销的重要工具。

Q&A ｜交流精选

陈龙：数智化正在推动一场信息革命，不仅在重塑内容的生产、管理和创造体系，更让科技与内容的融合创造了更大的商业价值。在你看来，什么量级的企业才需要下这么大力气投入 AI 内容建设，获得显著的商业回报？

范凌：可能企业年销售额在20 亿以上，甚至有的特定行业要达到 50 亿左右规模，才会需要这种比较复杂性的 AI 内容去支撑营销。

一个直观的参照是海外头部 SaaS 公司 Salesforce。如果一个企业使用 Salesforce，那它大概一年的销售额是在 50 亿左右。

为溪同学：那相应地，哪些领域的企业可能不适用？

范凌：这里逻辑可能是——企业需要大量内容营销时，才会需要AI 中台来支持高复杂度、高密度的“1 到 N”内容生产，从而产生品牌的长尾效应。只要你跟内容打交道，就大概会需要一个系统；但它肯定不是什么都做，比如就做不了用户标签分类这种任务。

最近 Gartner 发布的 Cool Vendors 榜单中，特赞是国内唯一一家入选的“内容+人工智能”全链路解决方案厂商，也帮我们点明了我们的核心价值——帮助企业重构品牌资产管理。

比如像 LVMH 这样的奢侈品牌，它们的品牌传播之前一直是高度集中的。但在当今注意力分散的时代，奢侈品牌也需要制作更多碎片化内容，需要各类合作伙伴配合进行二创来传播品牌理念，它们也成了我们的客户。

陈龙：当前AI 落地主要有两大方向，一个是 Agent，可能类似自动驾驶的 L2-L4 分级，不同级别具备不同的问题解决能力；另一种是赋能，帮助提升现有业务或工作效率。特赞现在做的是偏赋能，还是 Agent？

范凌：其实两者都有，特赞产品背后也是有很多Agent 做支撑，针对不同企业和需求来调用和配置工作流，最终是为了赋能企业。只不过我们选择了营销这个相对容易切入以及 AI 成熟度较高的领域。

我们其实把 AI 落地的关键要素分为算力、算法、数据、场景四个部分，算力和算法会直接调用第三方，不进行fine-tune（微调），方便后面随时升级和切换最先进的大模型；我们会深耕数据和场景——这些也是核心价值和竞争力所在。

为溪同学：特赞的系统是采用SaaS 模式还是支持本地部署？数据的控制权归属如何？

范凌：我们采用混合部署模式，大约60-70%的系统部署在公有云，剩余 30-40%可以部署在私有云环境中，这样的配置能够充分保障客户数据安全。