废片率50%也不亏？内容操盘手算清AI生意账
先看两组对比数据：传统内容生产模式下，一个创意团队一周能产出3条广告片，最终仅1条投放效果达标，命中率约33%；而采用AI辅助的工业化生产模式，同样的时间与成本，可以产出30条素材，最终跑出8条优质内容，命中率虽降至27%，但优质内容总量是传统模式的8倍。这组数据来自深耕内容行业十年的星榜创始人刘思洋，在一次行业交流中，他拆解了AI内容生意的真实盈利逻辑。
刘思洋的创业轨迹覆盖了过去十年内容行业的主要变革节点：从2015年的图片社交项目起步，先后涉足短视频营销、数据服务、直播电商、MCN机构与效果投放领域，2025年正式切入AI内容赛道。他坦言，所有创业方向都围绕一个核心：探索新技术如何重塑内容生产方式，以及如何让内容实现商业价值落地。
很多人对AI内容的讨论还停留在“能否生成合格的图文或视频”，但刘思洋关注的是更深层的问题：如何将概率性的AI模型，转化为一门可盈利的可持续生意。这中间的差距，需要一整套系统工程来填补，而这也是多数公司尚未理清的核心账目。
AI模型的能力边界已经跨过基础门槛
在刘思洋看来，AI模型作为基础生产力，已经跨过了“能否使用”的基本门槛。2023到2024年，行业的核心议题还是“AI生成的内容能否看、能否用”，到2025年这个问题已经有了明确答案。两年前行业还在讨论“AI能否写出通顺的文案”，如今大家争论的焦点已经变成“AI生成的内容是否具备差异化风格、品牌个性与情绪价值”。前者是模型的及格线，后者才是竞争力的真正起点。
生成能力本身已经不再是行业门槛，真正的差距在于如何将模型能力转化为用户可落地的结果。单纯依赖更强的模型并不足够，模型的能力上限与用户实际产出之间，还存在大量需要系统工程解决的细节问题——当用户从要求单条优质视频，升级为需要连续叙事与多版本创作时，上下文管理、状态同步、工具协作与效果评价，都会成为新的挑战。
一体化协同创作平台
星榜的AI创作工作台，本质上是一个协同创作的一体化平台。用户可以直接提出创作需求，上传产品资料、参考素材与具体要求，系统会自动拆解创作步骤，逐步生成脚本、画面与最终成片，用户可以随时查看中间成果并提出修改意见。
对比传统广告制作流程，从策划写脚本、分镜师画分镜、导演现场拍摄到后期剪辑配音，多个环节分散在不同工具中，信息传递过程中极易出现损耗。而星榜的工作台将所有创作环节整合在同一个可编辑画布中，无论是人类创作者还是AI工具，都可以在同一平台并行工作，用户可以随时掌握创作全貌，调整任意环节的细节。
以电商信息流广告素材的生产为例，流程从拟定brief开始，涵盖产品名称、核心卖点、风格调性、参考视频与交付要求等信息；随后AI编剧自动生成脚本，AI分镜工具拆解镜头，视觉与剪辑环节并行推进，内部团队完成审核修改后，最终交付可直接用于投放的竖屏高清成片。更重要的是，这套流程跑通后可以保存为标准化模板，下次为同一品牌制作其他产品的视频时，品牌调性、视觉规范与语气风格都可以直接复用，系统会自动记录这些“品牌记忆”，将一次性的创作任务转化为可沉淀的资产。
避开AI内容的“假降本”陷阱
AI内容行业普遍存在一种“假降本”的误区：单张图片或单条视频的生成成本看似很低，但为了筛选出可用的素材，往往需要生成数十倍的内容，再搭配人工修改，最终整体账单并未真正下降。
刘思洋指出，AI内容生成系统的成本不仅来自模型调用费用，还包括大量无效工作带来的损耗：比如上下文理解不准确导致整体方向偏差，需要全盘重做；任务拆解不合理，让可并行的环节陷入等待；缺少中间校验环节，小错误一路传递到最终成片，增加返工成本。因此，星榜更关注三件事：减少无效的模型调用、控制返工的范围、复用已经验证有效的内容，而非单纯更换更便宜的模型。
当然，仍有部分成本无法通过AI降低：比如复杂创意的判断、高质量内容的效果评价、创作方法的长期维护，都需要持续的人力投入。系统中沉淀的经验也需要随着模型迭代、任务变化与用户需求不断更新。
如果只能保留三个指标来评价AI内容生产系统，刘思洋会选择单条合格交付成本、交付周期与复用率。这里的“合格交付成本”需要覆盖完整的任务链路，包括模型推理、媒体生成、失败重试与人工修正等所有环节。单次模型调用的成本看似很低，但如果整个系统反复绕圈，实际总成本并不会降低。交付周期则需要从任务启动到合格交付全程计算，明确耗时分布在推理、工具执行、依赖等待还是人工确认环节，才能精准找到优化方向。至于被行业频繁提及的生成速度，并未进入他的核心评价指标。
审美也可以被工程化落地
“审美可以被工程化”的观点曾引发不少争议，毕竟审美通常被认为是主观的。但刘思洋的视角更偏向实际应用：对于专业创作与企业客户而言，一套风格脉络在项目中的延续性，远比单条内容的单次效果更重要。
色彩搭配、版式规范、镜头时长等元素都可以被明确为规则；团队的创作流程、使用AI工具的行为偏好、认可的过程素材，都可以沉淀为系统的“记忆”。最终，AI系统可以清晰判断在不同场景下应该采用的创作方法、所需的输入信息、需要保留的核心特征，以及完成后需要检查的标准。简单来说，就是将资深创作者的经验手感，转化为系统的默认设置。
对于品牌而言，他们需要的是第一百条视频与第一条视频保持统一的品牌调性，单次的惊艳效果并不具备长期价值。
50%废片率背后的盈利逻辑
回到最开始的那组数据，很多内容行业从业者看到“废片率50%”的第一反应是系统效率低下，但刘思洋的逻辑恰好相反：即使废片率高达50%，工业化生产的整体效率依然远高于传统模式。
工业化生产的核心逻辑是用数量换取质量，当样本量足够大时，数据会自然筛选出最优的内容方向。传统模式下，一周产出3条片，最终1条达标，总优质内容量为1；而工业化模式下，同样的时间与成本产出30条片，最终8条达标，优质内容总量是传统模式的8倍。核心并非减少废片，而是摊薄每条优质内容的获取成本。
刘思洋甚至建议将“废片率”改为“素材测试通过率”，因为每一条未达标内容，都在帮助客户缩小“正确方向”的搜索范围。这些看似浪费的素材，本质上是为优化后续创作方向缴纳的“学费”，系统会根据投放的客观数据调整下一轮的创作方向，让迭代更具针对性，避免无效探索。
哪些内容不适合工业化生产
当然，并非所有内容都适合工业化生产。星榜内部有清晰的判断标准：当内容的核心价值在于“可复用的结构”时，工业化是效率放大器；当核心价值在于“不可复制的个性化”时，工业化反而会破坏内容的独特价值。
信息流广告、电商素材与AI漫剧属于前者：这类内容拥有清晰的叙事模板、明确的转化目标与标准化的交付格式，可以同时推出多个版本，通过数据筛选出最优方案后快速铺量。在刘思洋看来，这三个方向同时也是检验AI创作系统的三类典型场景：漫剧考验长任务的连贯性，需要保持人物、世界观、时间线与视觉风格的统一；电商内容考验约束表达能力，需要准确还原产品外形、卖点与使用场景；信息流广告则考验版本探索与反馈利用能力，需要明确每个测试版本的目标与结果价值。
而依赖创作者独特性、依赖灵感捕捉的内容，则不适合规模化工业化生产。星榜的市场团队常说：“我们的AI画布创作工具不生产灵感，只是让灵感落地得更快速、更准确、更稳定。”
真正的AI公司应该是什么样的
关于商业模式，品牌客户的付费意愿分为两类：消费品类品牌更倾向于直接购买可投放的成品素材，只要素材能够有效放大生意规模，就会持续付费；而创意生产类公司，比如广告公司、自媒体工作室与AI内容制作团队，则更愿意订阅SaaS服务。
有一个尖锐的问题被多次提及：如果公司收入增长100%，同时人力成本也增长100%，这算不算真正的AI公司？刘思洋明确表示不算，这意味着业务依然依靠增加人手来扩张，AI并未真正改变生产方式。真正的AI产品应该让同一个团队能够完成更多任务、服务更多客户，新增客户带来的算力消耗增加，不需要额外配套一套人马从头开始策划、制作与交付。
基于这个逻辑，星榜的需求筛选标准也十分清晰：定制化需求可以承接，但必须能够帮助产品迭代升级，今天为一个客户解决的问题，明天应该能够更快地解决其他客户的同类需求。如果每次都需要单独开发、专人维护，且无法沉淀可复用的能力，这类需求即使有短期收入，也会被拒绝。在当下强调增长的市场环境中，这种主动拒绝收入的选择显得尤为难得。
行业变革的核心是预算表的重构
访谈的最后，双方聊到了AI内容行业的经典循环：创意生成、投放、数据反馈、AI学习、再生成。刘思洋表示，这个循环已经在星榜的业务中落地，只是仍在不断完善。星榜十年积累的资源恰好卡在这个循环的关键节点：服务品牌客户积累的“内容-投放-转化”全链路数据、对“有效内容”的归因能力，以及与长期客户建立的信任机制。
很多品牌客户愿意第一时间与星榜共创AIGC内容的测试与复盘，在实践中使用产品，在应用中推动产品迭代。用刘思洋的话说，星榜是带着数据资产与商业闭环进入AI行业的。如果这个循环真正跑通，内容行业将发生三个核心变化：
第一，创意决策将不再依赖“个人感觉”，而是基于数据模型预测的“该方向达到行业均值以上的概率”。创意不会消失，但创意的风险会被数据大幅降低。
第二，内容生产的边际成本会持续下降，但头部优质内容的溢价反而会上升，真正优秀的创意与打动人心的故事，会变得更加稀缺。
第三，品牌的内容预算结构将被重构，“数据模型+策略洞察”会成为最大的预算项，而内容制作本身的费用会被压缩到极低。品牌客户购买的不再是单条创意视频，而是一套能够持续产出有效内容的系统。
过去十年，内容行业的每一次技术浪潮都遵循相似的路径：先改变生产工具，再重构分工体系，最终改写商业账本。短视频、直播电商如此，AI浪潮也不例外。但这一次，最先被改写的或许是品牌预算表的科目顺序，内容本身的生产环节反而退居次要位置。
