ARTICLE · 1251679
AI 素材越来越多,为什么预算仍集中在少数广告?
广告团队可以很快拿到同一卖点的几十个开头、不同语言和画幅。等到投放报表打开，大部分花费却仍然落在少数素材上。素材库丰富了，账户里的有效选择未必同样丰富。
AppsFlyer 10 月 21 日更新的创意分析，提供了一个具体观察：游戏视频广告中，头部 2% 素材的花费占比，从 2025 年第一季度的 53.5%，升到了 2026 年第二季度的 60.7%。
增加产量的团队，仍可能缺少把新方案投出去的机会。AI 让生产更多版本变得容易，但一条素材要形成可比较的结果，再被解释成下一次创作依据，中间还有几道成本。
生产数量、预算分配和创意学习，是三件相互影响的事。 把它们合成一个“素材效率”，很容易把产量提升当作学习能力提升。
视频花费更集中，静图却走向另一边
AppsFlyer 的 2026 创意研究覆盖约 1,400 个 App、120 万条创意变体，主要分析窗口为 2025 年第一季度至 2026 年第二季度。这里的“变体”应按报告口径理解，不能自动等同于彼此独立的创意概念。
同一个游戏大类里，视频花费集中度增加了 7.2 个百分点，静图反而下降了 4.9 个百分点。两类格式各有花费分母，不能混成一个“广告创意越来越赢家通吃”的行业结论。
对团队的含义是：视频与静图需要各自的创作和学习路径。视频可以逐步展示使用过程，静图必须在单帧内交代足够的信息。视频中的某个片段即使很受欢迎，截成图片后，承担说服作用的前因后果也可能已经丢了。
报告用花费占比观察创意特征的分布。这可以说明预算最后去了哪里，却还没有单独识别某个元素让销售增加多少。平台的分配方式、广告主主动加量和素材可投放时长，都可能参与形成这份排名。把 60.7% 写成收入贡献，便越过了资料能支持的范围。
AppsFlyer，2026创意报告；各格式头部2%变体占本格式花费。2025Q1与2026Q2，非收入或增量贡献。
素材库里的新文件，不一定是新的选择
数量差距也在拉开。报告按季度买量花费分组：季度花费超过 700 万美元的游戏 App，平均创意变体数从 2025 年第一季度的 2,743 条升到次年同期的 3,977 条；低于 10 万美元的一组，从 105 条降到 84 条。
这组观察不能证明大客户靠多做素材获得了增长。投放规模本身就可能支撑更多版本、更多地区和更多语言，也可能使生产工具更容易摊薄成本。但它提醒小团队，复制大客户的文件数量，不能复制其分发条件。
同一段证明素材换了字幕、颜色和开场顺序，可能适合解决本地化或适配问题；它仍然围绕同一个说服理由。另一条广告若换了购买场景，回答的是消费者为何需要这个产品，获得的反馈才有机会改变后续创意方向。
两种工作都有价值。问题出在团队把它们放在同一个产量指标下：为了按时交付更多条，优先完成容易复制的变体。下一轮复盘时，报表里多了很多行，能够回答的经营问题却没有增加。
创意自动化的交付物因此需要比“生成成功”多一层说明。文件与它试图改变的购买理由建立联系，团队才能知道这轮工作是在扩展覆盖，还是在探索新的需求。
游戏App，2025Q1与2026Q1；每App每季度平均变体数。分组观察，不能据此推断多做素材导致增长。
投放系统找的赢家，带着分发条件
给多个版本分配花费，目的是争取当前目标下的结果。团队希望知道哪个购买理由更有效，则需要让不同方案得到足够可比较的机会。两个目标并不总能同时实现。
如果某条素材只收到很少曝光，它的低花费首先说明没有获得多少分发。把这条记录直接归为“这个概念失败”，会把投放系统的选择写进创意知识库。下一次生成时，系统可能提前删掉一个尚未得到充分检验的方向。
反过来，一条高花费素材也不能被拆成若干普适元素。其效果可能依赖当时的受众、版位、促销和商品供给。把这些条件删掉，只保存“短标题、真人出镜、强 CTA”，得到的建议很容易失去可迁移性。
这会影响 AI 的后续工作。用高花费素材作唯一训练或检索样本，生成器更擅长重组账户已经大量投放过的表达；它是否找到了新的购买理由，仍需要另一类证据。自动化生产、自动分配和自动总结一旦共用同一个成功标签，过去的投放偏好就可能被反复强化。
这种反馈可以帮助稳定交付，也可能减少探索空间。团队至少应区分“已有方案的规模化复制”和“尚无答案的新方向”，让两类工作的结果分别被解释。
爆款的样子，可能包含别人的受众
8 月提交的 DIRECT 预印本，给这种误用提供了一个相邻领域的解释。作者研究了 1,527 位创作者在 2024—2025 年发布的 232,088 条 Instagram 美妆赞助帖，结果指标是点赞，而非成交。
他们将视觉属性拆成跨创作者的风格差异，以及同一创作者偏离日常风格的变化。在 11 个视觉属性中，两类估计有 4 个方向相反。分析所回答的问题，可能与使用者要做的决定不同。
品牌选择哪位创作者合作，可以参考其稳定风格、受众及历史响应。选定创作者后，让这位创作者下一条怎么拍，则需要研究其自身内容变化。把两种关系混在一起，可能会把“谁在看”误解成“该怎么拍”。
这项观察性研究仍依赖识别假设，不能完全排除活动目标、商品和赞助条款等混杂；Instagram 美妆帖的点赞也不能直接推广为 App 买量收益。它提供的是一个应被核对的问题：素材分析工具究竟在推荐创作者、描述预算分布，还是指导同一账户的下一次创作？
工具如果把跨账号的风格关联用于同一账号的下一条指令，就改变了结果的用途。推荐里需要交代，这个判断究竟依据谁与谁的比较。
创意自动化的价值，要看它留下了什么
在一个已有稳定方案的市场，批量完成语言、画幅和商品适配，可以减少重复劳动。面对新产品、新受众或新地区，团队更需要发现购买理由。继续把旧方案换成更多表面版本，能提高交付速度，却未必回答进入新市场的问题。
因此，评价一套 AI 创意工作流，可以先看它在下一轮是否减少了不确定性：团队是否知道哪个需求值得继续表达，哪个版本还没有得到可解释的机会，以及上一轮成功需要保留哪些条件。
这些答案需要素材与投放环境共同记录。只把成功文件交回生成器，缺少受众、目标和实际获得的测试机会，下一轮容易学到一种外观，而不是一个可以继续使用的判断。
视频头部花费更集中，并没有给“小团队应该做得更多”提供统一答案。它更迫使团队决定，有限的投放机会究竟要用来复制已知方案，还是换取一个新的答案。AI 可以把两种生产都做快，选择哪一种，仍然会改变后面的生意。
资料与口径
AppsFlyer，State of Creative Optimization 2026，以及 Creative optimization: Why your best video ad fails as a static image。官方分析更新于 2026-10-21；花费与变体数均采用报告各自窗口，未取得账户原始数据，也未将其中变体识别为 AI 生成或人工生成。
Yizhi Liu、Balaji Padmanabhan、Siva Viswanathan，DIRECT: Decomposing Audience Preference and Creative Effect in Visual Content Analytics，arXiv 预印本，2026-08-27。本文只用其研究问题与分解结果说明推荐对象差异，没有复现实验或宣称其因果识别已经独立验证。
关于生产、分配与学习之间的工作流关系，为基于上述资料的分析判断，不是两份研究直接测得的公司经营收益。
继续阅读：广告与商业增长
你们最近一次素材测试，新增了什么创意假设？
说一个产品卖点或使用场景就行。
关注「智跃出海」· 每篇先说结论
