[界線-1] AI 壓得掉判斷，壓不掉等待

界線　AI × 品牌，判斷與等待

系列之一

AI 壓得掉判斷，
壓不掉等待

工具越強，帳越難算

「今年預算砍兩成，ROAS 要拉高三成。」

這大概是過去兩年，行銷主管最常聽到的版本。換個產業、換個數字，句子結構幾乎不動。

於是我們把能買的工具都買了。出價交給演算法，素材用 AI 批量生成，人群包一層一層往下切，連文案都開始讓模型寫。投放報表上的數字確實變好看了，單次轉換成本降了，素材迭代速度從一週三版變成一天三十版。

然後到了年底，把整年的帳攤開來看，獲客成本沒有降。有些品類甚至往上走了。

這不是工具的錯，也不是我們不會用。過去兩年，幾乎每家公司的行銷部門都在做同一件事，而且做得不差。CTR 在 2026 年發布的《中國廣告主營銷趨勢調查報告》裡有一組數字，94.1% 的廣告主已經在行銷環節投入 AI，但其中 60.3% 對 AI 帶來的成效評價只是「一般」。工具鋪得到處都是，帳卻沒跟著改善。

我認為問題出在一個更前面、也更少人停下來問的地方。

我們從來沒問過：手上這個卡點，究竟是卡在判斷，還是卡在等待？

這一問聽起來抽象，但它的差別，決定了一整年的預算該往哪裡放。

樹不會因為你算得準就長快一點

先講一件跟行銷看似無關的事。

果樹有個發育階段叫童期。一棵蘋果樹從種下去到第一次開花結果，要等多久，看你是用哪種苗開始的。嫁接苗快的話第三年就見花，慢一點四五年才掛果；用種子直接種出來的實生苗，八到十年是常態。這段時間裡，你施再多肥、算得再精、請再厲害的顧問來看，它都不會提早開花。

很多人以為開花是「時間到了」，其實不是。是「長到足夠大了」。樹必須累積到某個體量、某個節數量，才有能力把養分轉去開花。門檻是體量，不是日期。

人類當然不會乖乖去田裡等這些年。我們一直在跟童期搶時間。把果樹接到矮化砧木上，樹長得慢，但能省下一兩年。環剝樹皮，截斷養分往下走的路，逼它轉去開花。控水控肥，用一點生存壓力誘導它提早成熟。挑早花的親本品系，從遺傳上就把門檻調低。

這些辦法看起來五花八門，本質上只做一件事：改變樹到達門檻的路徑。它們讓樹更快走到那個體量，但沒有一個能讓門檻消失。

這件事被量化成可計算的數字，是園藝學很早的事。上世紀中葉，研究者開始把「低溫累積」折算成時數，讓休眠解除這件事有了公式可以算。後人講到果樹提早結果，常常從那些模型講起，好像加速這件事是那時候才被人類發明的。不是的。在那之前，果農已經跟童期搏鬥了幾百年，公式只是把其中一條經驗變成了可計算的數字。

而且那些公式算的是另一件事。休眠解除是一年一輪的週期，童期是十幾年的發育階段，兩者不是同一回事。人能用公式算的，是樹每年怎麼醒過來；人算不了的，是樹要多久才長到有能力開花。

AI 在這個場景裡能做什麼？它能從一萬株苗裡，挑出最有機會的那三百株；能靠影像判斷哪棵樹的根系已經到位；能把過去幾十年的氣候資料跟品系表現配起來，告訴你哪個組合的期望值最高。

它把「選哪一棵」這件事，做得比人準。

但它改變不了一棵樹長到足夠大的速度。

這就帶出了那個區分。

判斷在資訊裡，等待在時間裡

先說清楚，這是拿來分析問題的工具，不是事物客觀上的分類。現實裡多數卡點兩邊都有，你要找的是它偏向哪一邊。

我把卡點分成兩類。

一類卡在判斷。核心是不確定性。你不知道答案，但答案是存在的，它藏在資訊裡。多算一次、多看一組資料、多做一次對照測試，你就有可能對。判斷問題有個明確特徵，答案是離散的，可以比較，可以驗證，一次實驗就能告訴你哪個更好。

另一類卡在等待。核心是時間門檻。答案不在資訊裡，答案在時間裡。你把所有資訊都拿齊、把所有算力都用上，也不會讓它快一天。等待問題的特徵是，答案是連續的，只能靠累積推進，任何單次實驗都看不出差異。

判斷問題的解法，是讓判斷變便宜。等待問題的解法，是讓路徑變短，或者讓你在等待期間不要走錯路。

這兩件事，工具能介入的程度完全不同。

AI 是判斷機器。它把所有能用資訊解決的問題，成本壓到趨近於零。判斷一旦變便宜，判斷就不再稀缺。

但等待不是資訊問題。等待只認時間。

現在回頭看行銷，那個我們熟悉的漏斗，剛好就是這條分界線的形狀。

漏斗不是模型，是分界線

漏斗被畫了幾十年，畫法各家不同，但底層邏輯一樣：上面寬，下面窄，人一層層往下漏。

多數人把漏斗當成一個描述購買流程的模型。我認為它其實是一條分界線的地圖。

漏斗下半段，從點擊、加購、進站、下單，每一步都有數字。點擊率、轉換率、客單價、放棄率，全部即時回傳，當天就能算出哪一版素材更好。這一段是標準的判斷問題，答案在資訊裡，而且資訊又密又便宜。

漏斗上半段，從「沒聽過」到「聽過」到「記得」到「有點好感」，這一段幾乎沒有即時數字。你不知道今天投的那批曝光，讓多少人對品牌的印象移動了零點幾個百分點。你甚至不知道有沒有人在看。這一段是等待問題，答案在時間裡。

於是資源自然往哪邊走，不用多說。

哪邊有數字，哪邊就能證明自己有效；哪邊能證明自己有效，哪邊就拿到預算。這不是哪個主管的偏見，這是任何組織在資源分配上的必然結果。

《管理品牌資產》裡有一段話，把這件事講得很透。書裡談到，品牌建設最大的兩個敵人，一個是促銷，一個是短期業績。原因是度量體系只獎勵看得見的那一半。老闆並不短視，他只是只能看見那一半。

書裡舉的例子很具體。一次促銷下去，果汁飲料、冷凍食品、洗衣粉這類快消品的單週銷量，可以翻上好幾倍，報表第二天就看得見。而如果你把廣告預算砍掉，短期業績幾乎看不出影響，品牌資產的下降也看不出來，因為沒有指標在量它。

一邊是一週見效、報表上清清楚楚的倍數成長。一邊是砍掉之後什麼都看不出來的長期損失。任何一個要交數字的人，都知道該選哪邊。

這就是為什麼漏斗上半段幾十年來一直缺資源。大家都懂品牌重要，問題是它沒辦法在會議室裡替自己辯護。

所以真正該問的問題只有一個。AI 把判斷變便宜之後，漏斗的哪一段被掀翻了，哪一段沒有？

答案已經很明顯。下半段會被徹底重寫，因為那裡全是判斷問題，而判斷正好是 AI 的主場。上半段不會，因為那裡卡的是等待。

行銷版的矮化砧木

既然上漏斗卡的是等待，那人類過去是怎麼跟這個等待搏鬥的？

果農的答案我們看過了：改路徑，不改門檻。行銷其實一直在做同一件事，只是沒人把它們歸成一類。

我把它們攤開來看，主要有五種。

第一種

降低被撞見的門檻

鋪貨、搶貨架、買關鍵字、搶搜尋結果第一頁，做的都是同一件事，讓你出現在更多人的視線範圍裡。這一招解決的是撞見的機率，跟矮化砧木最像：不改變品牌需要被記住這件事，只讓它更容易被撞見。

第二種

借別人的時間

找一個已經在消費者腦中佔了位置的東西，把自己的品牌掛上去。找代言人、做聯名、蹭一個現成的文化符號。消費者對那個東西的認知是現成的，你不用從零開始累積。這是行銷最古老的手法之一，也是最容易被濫用的手法，因為借來的時間不屬於你，對方出事你就跟著出事。

第三種

提高接觸的集中度

第一種管廣度，這一種管深度。讓同一個人在同一個情境下反覆遇到你。關鍵在兩件事同時對上，同一個人，還有同一個情境，總曝光量再多，鎖不住人就沒用。分散在一萬個陌生人身上的一次曝光，跟集中在一個對的人身上的十次曝光，效果差得遠。

這件事有數據可以參考。CTR 有份報告叫《滲透率驅動增長戰略藍圖》，涵蓋中國市場九十三個快消品類、一千兩百個品牌、一千一百六十萬次真實購買行為。裡面提到，媒體觸達率超過七成的品牌，滲透率增速是觸達率低於三成品牌的 3 倍。這個數字只能當相關性看，不能當因果看，因為本來資源就多的品牌，很可能觸達率和增速同時都高。但因果可能不成立，它至少說明，觸達這件事跟增長是綁在一起的。

第四種

壓縮品類教育時間

如果你賣的東西消費者完全沒概念，你要花的就是教育時間，那比行銷時間貴得多。有人用一個新名詞重新定義品類，讓消費者不用學新東西就能懂；有人乾脆寄生在一個成熟品類旁邊，說「這是某某的升級版」。這都是把別人的教育成果拿來用。

第五種

選對起跑點

同樣的預算，投在一個已經有認知基礎的市場，跟投在一個完全空白的地方，到達門檻的時間差好幾倍。這就是為什麼有些品牌會先打一個小眾但高濃度的市場，站穩了再往外擴。小市場好做只是表象，真正的原因是它的門檻低，能更快累積到那個「足夠大」的體量。

這五種手段看起來各做各的，但都在做同一件事：它們改變的是品牌到達門檻的路徑，不是門檻本身。

門檻還在。一個品牌要被足夠多的人記住、並且記得對的東西，這件事需要的時間，不會因為你用了哪一招而消失。你只是換了一條更短的路走過去。

而 AI 在這五種手段裡，位置很清楚。它能幫你把第一種做得更精準，把第三種的投放效率提上去，把第五種的市場篩選算得更準。它優化的是「走哪條路」的判斷。

它不能替你把路走完。

這就是為什麼我一直覺得，把 AI 當成品牌建設的解法，方向就錯了。它是一個很好的路徑優化器，不是一個能讓樹長快的東西。

但這裡有個更少人注意到的轉折。

AI 不只沒有解決上半段的等待，它還讓等待變貴了。

等待為什麼變貴了

麥肯錫有一份談注意力經濟的報告，叫《打贏消費者注意力之戰》，研究涵蓋全球七千名消費者。裡面有兩個對比放在一起看，會讓人心裡一沉。

需求端，過去十年，消費者每天用於觀看、收聽、閱讀或與內容互動的總時長，年均增幅只有 1% 到 2%。

供給端，2024 年 YouTube 一年新增的內容時長，是所有傳統電視網絡與視頻串流服務總量的 2.5 萬倍。

供給漲了兩個數量級，需求幾乎沒動。

供給這樣不加篩選地湧進來，注意力這個池子的總量卻基本固定，要來分這個池子的東西，多了兩萬多倍。同樣一次曝光能分到的注意力，必然被攤薄。

而 AI 正是那個把供給推上去的引擎。內容生產成本趨近於零，每個品牌都能一天產出過去一年的素材量。判斷變便宜的直接後果就是供給爆炸，效率提升只是帳面上的附帶效果。

這讓等待這件事出現三個變化。

第一個變化，是要建立同一個品牌聯想，需要的重複次數變多了。原因很簡單，你說的每一句話，都要跟兩萬多倍的雜訊競爭同一個位置，人並沒有變笨。過去比較少次的重複就能立住，現在需要更多次。我沒有可靠的數字可以引用，但機制是清楚的，分母變大，分子不變，濃度必然下降。

第二個變化是，等待期間的干擾變多了。過去你在等待品牌發酵的這幾年裡，市場相對安靜，競爭對手的聲量有限。現在你的消費者每天被幾百條內容掃過，你的品牌在他們腦中的位置，隨時可能被別人擠掉。等待不再是靜靜地等，是邊等邊守。

第三個變化，也是最關鍵的一個。等待的期間，判斷的成本變得太低了，低到你會忍不住一直去動它。

這是 AI 帶來的真正陷阱。當最佳化變得這麼便宜、這麼即時、這麼有回饋感，任何一個有責任感的行銷主管，都會忍不住每天去調一下。調出價、調素材、調人群、調預算分配。每一次調整都有報表回饋，每一次回饋都讓你覺得自己在做事。

但品牌是在等待中生長的。你每天去動它，等於每天去挖開土看根長了沒有。

同一份報告裡還有一個數字，可以佐證專注這件事的價值。麥肯錫把注意力定義為「有價值的時間」，由專注程度和待完成任務兩個要素構成。研究發現，專注度平均每提升 10%，媒介消費支出增長 17%，因廣告觸發高頻購買的可能性提升 20%。專注度前 25% 的消費者，支出是後 25% 群體的兩倍。

在供給爆炸的環境裡，稀缺的東西是專注，曝光次數早就過剩了。而專注是等出來的，算不出來。你要讓一個人在對的時刻、對的情境下，願意把注意力交給你。這件事沒有捷徑，只有持續在場。

所以「AI 讓等待變貴」這句話，完整的意思是這樣。判斷變便宜，供給就爆炸；供給爆炸，注意力就稀釋；注意力稀釋，建立同一個聯想就要更多次重複；而重複這件事本身有節奏，你不可能把它壓縮在同一天做完，它必須一次一次隔開、攤在時間軸上，於是你就必須在場更久。

這是一條機制推演，不是實證結論。它說的是如果供給繼續這樣不加篩選地湧入，事情會往哪裡走。至於最後走多遠，還要看內容會不會重新集中、注意力會不會重新分配，那兩個變數現在還看不清。

等待的時間變長了，等待的難度也變高了。而 AI 在這件事上，一點忙都幫不上，因為它壓根不是在解決等待問題。

它甚至讓「停手」變得更難。每一次調整都有回饋，回饋又餵養下一次調整，於是你越動越覺得該動。

那四個老問題，到底解了沒有

行銷這一行，問來問去就那幾個問題。誰在買？為何買？為何不買？為什麼買了又買？

這幾個問題跟行銷的年資一樣老。每一代工具出現，大家就以為這次終於能把它們答清楚了。CRM 的年代大家這樣相信，大數據的年代大家也這樣相信，現在輪到 AI，信的還是同一件事。

我認為這四個問題裡，有些真的被解了，有些永遠解不了。而分界線，還是同一條。

「誰在買」，這題被解了大半。

這是標準的判斷問題。誰點了、誰買了、買了幾次、下次大概什麼時候買、什麼樣的人跟什麼樣的人行為相似，這些答案全都埋在資料裡。AI 能做的是把這些連結算得比人細，把人切得比人準，把下一次購買的時間點預測得比人早。這件事它做得比任何一代工具都好，這是真的進步。

但這裡有個容易忽略的地方。知道誰買了，跟知道為什麼買，是兩件事。

「為何買」，這題只解了一半，而且是比較表面的那一半。

AI 能告訴你哪個素材的轉換率高、哪個賣點的說服力強、哪一版文案的點擊多。這些都是真的，也都有用。

但它答不出這個人為什麼會在看到你的第三十七次曝光時才下單，而不是第三次。它也算不出，那個讓他按下購買鍵的東西，究竟是文案裡那句話，還是三個月前他朋友隨口提過一次你的品牌。

購買理由和購買行為之間，隔著一層東西，那層東西叫熟悉。熟悉只能靠一次一次累積出來的印象建立，一次說服做不到這件事。你可以用文案提高每一次說服的效率，但你沒辦法把累積這個動作跳過。

CTR 那份研究裡有個數字，很能說明這件事。他們發現，品牌之間的滲透率差異，有五成六可以歸因於認知度。可是同時，在認知到這個品牌的人裡面，只有兩成一最後真的買了。

這兩句不衝突，因為它們量的是不同的東西。五成六量的是橫向比較，品牌 A 跟品牌 B 的滲透率差距，一半以上來自認知度的差距。兩成一量的是縱向轉化，認識你的一百個人裡，最後只有二十一個走到購買。

橫向看，認知度確實是最有力的解釋變數，這點毫無疑問。縱向看，從「知道」到「買」還有八成的路要走，而這八成的路，靠把認知做得更廣是走不完的。它得靠時間。

「為何不買」，這題的答案常常不在你想要的位置。

我們習慣把不購買歸因於某個可以修掉的東西：價格太高、賣點沒講清楚、信任感不足、競品更好。找到原因，就能對症下藥。這是判斷問題的思路。

但很多時候，不買的原因簡單到讓人不想承認。他根本沒想過要買，因為他還沒到那個人生階段。

領英有一項針對 B2B 買家的研究，提出一個叫九五比五的法則。它的意思是，在任何一個時點，只有大約百分之五的 B2B 買家處於購買模式，剩下的九成五處於「市場外」，也就是還沒開始考慮這件事。

這九成五的人不是你的潛在客戶，至少現在不是。你沒辦法用更精準的投放把他們從市場外拉進來，因為他們不是被你說服的對象，他們是還沒走到那個路口的人。

你能做的只有一件事：在他們走到路口的那一天，你還在，而且他們還記得你。拉新之所以看起來像等待，原因就在這裡。

「為什麼買了又買」，這題被誤解得最厲害。

CTR 那份研究還有一個數字，可能比前面幾個都更值得記住：典型快消品牌每年流失七成以上消費者。而且研究特別強調，這不代表品牌表現不好，七成消費者一年本來就只買這個品牌一次。

你可以想像那個畫面。一個人在超市貨架前，順手拿了一瓶你家的洗髮精，用完這瓶，下次他可能買了別家，也可能根本忘了上次買的是哪一個。他不是討厭你，他只是對這件事沒有任何堅持。這一整年，你的品牌在他生活裡出現的次數，就只有那一次。

同時，就算是很大的品牌，平均也只覆蓋約三分之一的品類消費者，還有三分之二沒觸達過。

這兩個數字放在一起，滲透率和忠誠度之間的差距就出來了。你的顧客每年會流失七成，這是常態，你得持續補進新的人。而市場上還有三分之二的人根本不認識你。這兩個缺口，都比「讓現有顧客更忠誠」所能補上的量大得多。

所以品牌成長的杠杆，確實壓在拉新這一側。但我把話說清楚，這不是說忠誠度不重要。學術上對這件事的準確說法是，小品牌的顧客比較少，而且這批顧客的忠誠度也略低，是「略低」，不是沒有。真正的意思是，在滲透率和忠誠度這兩個變數裡，滲透率的差異幅度大得多，動它得到的報酬也高得多。忠誠度該守，只是它撐不起成長。

而拉新這件事，本質上就是持續在場。

四個問題攤完，回到那個區分，事情就清楚了。「誰在買」是判斷問題，交給 AI 就好。「為何買」的前半段是判斷問題，後半段是等待問題。「為何不買」看似判斷問題，實際上常常是時機問題。「買了又買」是結構問題，答案是不斷拉新，也就是持續在場。

那手上這件事該投在哪一層？我把它整理成一張表。

一張表，判斷你的卡點在哪一層

用之前，先確認一件事。這張表要回答的是「你的預算該壓在哪一層」。至於要不要用 AI，那不是這張表的事。多數卡點不會是純粹的判斷問題或純粹的等待問題，而是兩者混在一起。你要找的是那個真正讓你卡住的環節。

這張表如果只能記住一欄，記第二欄。

判斷那一欄的事，越早交出去越好，因為 AI 在這個位置確實比人強，而且差距還在拉大。把它留給人做，只是浪費。

至於等待那一欄，AI 幫不上忙，這件事不需要悲觀也不需要樂觀，它就是事實。但幫不上忙不等於無事可做。這一欄裡，人要做的事反而更具體，決定要綁哪個記憶點、決定要寄生在哪個品類、決定價格底線在哪、決定這段時間怎麼撐住。

表裡「換了代理商、換了團隊就掉量」那一行，我寫的是「等待，但要看掉的是哪一種」。這一行值得單獨說明，因為等待還要再切一刀，而那一刀切下去，會看到很多被當成等待的東西，其實不是等待。

這些決定都有個共同特徵，它們沒有即時報表可以驗證對錯。你只能靠對時間門檻的理解下判斷，然後承擔。

所以回到那個最初的問題：AI 能不能解決行銷的老問題？

我的答案分兩半。能用資訊解決的，AI 會全部解決，而且解決得比我們好。不能用資訊解決的，AI 一點都解決不了，這跟它多強無關，跟問題的性質有關。

認清這條線在哪，你就不會再把預算花在錯的地方，也不會再對著一個本來就需要時間的東西，要求它這個月出成果。

那個 94.1% 和 60.3% 的落差，我猜大部分就出在這裡。工具都買對了，只是買在了不該期待回報的地方。

而這句話還可以往前推一步。工具本身沒有對錯，是放的位置有沒有對。同樣一套東西，放在一個位置會變成很貴的擺設，換一個位置就是最划算的投資。這個判斷比「該不該用 AI」重要得多，後面幾篇會一步一步把它講清楚。