一部中等体量的电影，上映前的六周里要产出几百条短视频、几十版海报、上百条文案，分发到十几个平台，每个平台的尺寸、时长、语气都不一样。这个工作量在过去靠加班和外包消化，现在有相当一部分压给了 AI。省下来的到底是哪一段，很多宣发团队自己也说不清——有人觉得效率翻倍，有人觉得只是把活换了个形式。这篇按物料、投放、数据三段拆开，讲清每段能替人到哪一步、哪一步必须留人。
宣发的瓶颈，卡在量与周期上
电影宣发有个硬约束：档期定死，所有物料必须在首映前完成，晚一天就少一天曝光。这决定了它是一个峰值型的工作——平时人少，临战人手不够，扩编又不划算。AI 恰好适合这种形态：不需要长期养人，能在短时间内把产能拉起来。
但峰值型工作还有个特点：错误也会被放大。一条物料发错平台、一句文案踩到敏感点、一版预告片透了大结局，传播速度比制作速度快得多。所以在这条链上，AI 提的是产能，人守的是闸门。这两件事必须分开看，混在一起谈「省了多少」没有意义。
三段链路，各自能替人到哪一步
把宣发拆成物料、投放、数据三段，每段的天花板差别很大：
| 环节 | 能做 | 不能做 |
|---|---|---|
| 物料生产 | 按平台规格批量出文案版本；生成海报概念稿与多尺寸适配；自动剪出精彩片段、上字幕、配多语言版本 | 判断哪一版能打动人；确认预告片内容与正片一致；替代主创的表达意图 |
| 投放测试 | 一天内产出几十版素材变体；按人群包分发；回收点击、完播、转化的对比数据 | 设计测试方案；判断数据差异是素材造成的还是人群造成的；决定预算怎么加 |
| 过程数据 | 统计预告片完播率、各平台讨论热度、评论情绪分布、话题迁移路径 | 解释票房成败的因果；预测最终票房；区分「讨论多」与「想看多」 |
| 口碑监测 | 跟踪评分变化、找出集中吐槽的点、识别异常刷分 | 判断口碑走向；处理真实危机；替代发行方与主创的沟通 |
第一行的产能提升最直观，第二行次之，第三、四行更多是「看得更细」而不是「做得更多」。把三段混为一谈，就会得出「AI 让宣发效率翻倍」这种笼统结论——实际是物料段省了大头，决策段基本没省。
物料：省的是出稿时间，不是判断
文案这一段的替代率最高。同一部片，面向不同平台要写不同的话：短视频平台要前三秒抓人，图文平台要标题有信息量，票务平台要突出档期和卖点。这些版本的差异是格式性的，模型学得会。一个熟练的宣发写手，过去一天出十版，现在可以先让模型出三十版，自己挑五版改。
海报与配图的处境不同。生成概念稿很快，但要出能用的定版海报，仍然要设计师介入：主体位置、字体、留白、系列感，这些是设计判断。AI 在这里的作用是把方向试完，让人少走弯路，而不是把图做完。视频剪辑同理，自动剪能出粗剪，节奏、情绪、留白仍要人调。
本地化是容易被忽略的一段。同一支预告片要给不同地区市场配字幕、换文案、调整敏感内容，这类工作重复度高、规则明确，是目前落地比较扎实的场景。多语言配音的质量取决于语音合成的自然度，情绪和口型对不上时，观众会立刻出戏。
投放：多版本测试变便宜了，测试设计没有
过去做素材测试，成本主要在制作。一个团队一周能出五版素材，就只能测五版。现在一天能出五十版，理论上可以跑更细的对比：同一人群看不同开头、同一素材投不同平台、同一卖点换不同表达。测试的切分确实变细了。
但测试变多不等于结论变准。这里有两个陷阱。第一，素材之间的差异可能小到测不出来，五十版里四十版其实是同一个意思，数据波动被当成效果差异。第二，人群和素材会互相影响，A 素材在年轻人群里表现好，不代表它本身更好，可能只是投放位置更靠前。判断这类问题需要实验设计的能力，模型不提供。
更实际的做法是把测试收敛到少数几个假设上：这一版主打演员，那一版主打类型，另一版主打档期。三五个假设，每个配三版素材，跑出来的结论才站得住。评估这类对比时，看的是转化而不是曝光，思路和模型评估指标里讲的一样——指标选错，结论一定错。
它算不出观众为什么买票
过去宣发看的是票房和排片，都是结果指标，等看到的时候已经晚了。现在能看过程：预告片在第几秒流失、哪个平台的讨论在涨、评论区在夸什么骂什么。这些信号能让团队在上映前调整方向，比如发现某类物料完播率高就加投，发现某个卖点被反复吐槽就换说法。
过程指标的局限在于它只描述发生了什么，不解释为什么。完播率高可能是因为素材好，也可能是因为投放位置靠前；讨论热度高可能是期待，也可能是争议。把这些相关性当因果，就会做出错误决策。票房更是如此——它受档期、竞品、排片、口碑、天气影响，任何单一因素的解释都不可靠。模型能做的，是把这些信号摆在一起，让人看见哪几个同时在动。
还有一层是刷量。评分、想看、短评都可以被操作，模型能识别一部分异常模式，但做不到全部。看到数据异常时，第一反应应该是「这些数据怎么来的」，而不是「赶紧按这个调整」。相关内容可以对照数据漂移的理解：口径变了，趋势就失真。
四条不能碰的线
第一条，不伪造口碑。用 AI 批量生成好评、影评、素人观后感，属于造假。这类操作短期能拉高评分，一旦被识别，反噬远超收益，而且平台和监管都在收紧。
第二条，不虚假宣传。预告片里出现正片没有的镜头、把配角剪成主角、用不存在的场面做噱头，这是行业老问题，AI 让它的成本更低了。素材越容易生成，越需要有人核对片里到底有没有。
第三条，不伪造主创言行。用 AI 生成演员没说过的话、没做过的动作，涉及肖像权与名誉权。营销号惯用的「AI 配音模仿明星」属于这一类，风险由发布方承担。
第四条，生成内容要标识。用于对外传播的合成素材，按规定做好标注。这条常被当成形式，实际是责任划分的依据——标了，观众知道自己在看什么；不标，出了事没人能说清哪一段是生成的。
速查：宣发三段的省与不省
- 物料：省出稿时间，不省设计判断
- 投放：省素材成本，不省实验设计
- 数据：省统计工时，不省因果解释
- 测试收敛到三五个假设，别用五十版碰运气
- 四条红线：不造口碑、不虚宣、不伪造主创、生成内容要标识
回到那个六周的排期。AI 能把物料段的产能拉起来，让人从「出不够」变成「挑不完」；投放段让测试更便宜，但假设还得人来提；数据段让过程可见，但结论仍要人下。真正的变化不在省了多少工时，而在团队的时间分配——从做素材，转向判断哪版素材值得投。这个转向做不做得到，取决于有没有人愿意为判断负责。宣传内容的合规要求，以主管部门规定为准。
