一个增长的人，被动效软件挡在门外。这件事看起来荒诞，但拆开来看，它解释了 AI Agent 到底擅长什么——以及 GrowthGPT 为什么从一开始就做投放。AE 还绕不开，是因为没人焊好那个笼子。投放能跑，是因为我们焊好了。
前阵子我们有个功能要发布，我想给它配一条产品讲解视频。就是你在那些 SaaS 产品官网上常见的那种——界面丝滑滑入，光标点按钮有反馈，文字逐行弹出，配点轻音效，看完觉得「这东西值钱」。
2026 年了，我觉得这事应该半天搞定。Seedance、Kling、Veo 生成的画面都挺唬人了，一个「喂进 Figma 稿就能出产品演示片」的方案，听起来早该有了吧。
结果我试了一整圈。
AI 视频模型先试。画面质感确实漂亮，但你要的是「精确」——品牌色不能偏、界面文字不能糊、按钮该在第几帧亮起来——它立刻就崩。我退一步，试 Remotion 那条代码路线，写到一半觉得工程量不对；试 CapCut 的模板，品牌色直接跑偏；试了几个号称「上传设计稿就出片」的平台，出来的东西离可交付差着两个档次。
绕了一大圈，结论很扫兴：真要那条能交付的、改一个图层不会崩的 explainer 片，绕不开 After Effects。
一个学习曲线陡到劝退、被叫了快三十年「上古软件」的东西。
我一个做增长的，被动效软件挡在门外——这事本身就够荒诞了。但正是这个荒诞，逼着我去想一个更大的问题：凭什么偏偏是它替不掉？
不是模型不够强，是任务形状不对
最懒的答案是「等模型再强一点就好了」。我越想越觉得不是这么回事。
AE 替不掉，根本原因不是难度，是这类任务的形状跟今天 Agent 能咬住的东西对不上。
反馈信号的问题。 Agent 真正厉害的不是「生成」，是能跑起来「试→看结果→调→再试」这个循环。但循环要转，得有个干净的、回得快的打分机制。「这条动效好不好看」——这个打分靠的是人的主观判断，慢、模糊、经常自相矛盾。循环转不动，Agent 就只是个一次性出图的工具，跟真正的自动化差了一整层。
容错的问题。 有些工作天然就该多试几个版本、留好的扔差的，随机性是红利。但商业动效不是——Hex 色值差一号、圆角从 8px 变 10px，客户就打回来。在这种零容错的活儿面前，AI 的概率性不是「探索」，是事故。
但有意思的是，你把这两条翻过来，会看到一种完全相反的任务。
如果有一种工作，反馈信号干净到奢侈——连续、数值化、当天就回来；而且天然就该靠多变体并跑、杀输家、放大赢家去逼近最优——那它简直就是给 Agent 量身定做的。
广告投放就是这个东西。
建 Campaign、设预算、圈定向、调出价——每一步都是结构化的，本质是在调函数。ROAS、CTR、CPA，这些信号不需要谁去主观评判，数字直接回来。而投放的玩法从第一天起就是概率性的：你不知道哪条素材会赢、哪个人群会转化，所以你多版本并跑、快速淘汰、放大赢家。在这里，「不确定」不是缺陷，是整个游戏的核心机制。
所以真正让我想明白的是这件事：
AI 的「不够确定」——那个让它没资格碰 AE 的毛病——在投放这个场景里，恰好就是它最有用的能力。同一个特性，结论完全相反，只因为两个任务的结构是反的。
GrowthGPT 做投放这件事，不是我们碰巧挑了个方向，是投放这个任务的形状，刚好长在 Agent 能力的正中央。
（关于从「AI 写文案」到「Agent 跑增长」之间那个断层，我们之前写过一篇更详细的，感兴趣可以看看。）
那条线不在「广告 vs 设计」之间
但现实没这么二分。
不是说「广告天然适合 AI、设计天然不适合」——这太粗了。那条边界，其实是从广告内部穿过去的。
广告里也有自己的 AE 型难题：创意生产。做一条精确的品牌视频、设计一张不能错色的主图，它们跟 AE 属于同一种问题——主观、连续、反馈模糊、容错极低。而投放侧的事——预算、定向、出价、测试编排——才是 Agent 能真正跑起来的部分。
GrowthGPT 站在投放这一侧。我们伸手去碰创意层的时候，撞的其实还是同一堵 AE 墙。
承认这个，不是认怂。是画一张诚实的地图。
那我们做视频是凭什么
说到这我得交代一件事：我们也快上线视频生成能力了。
你的第一反应可能是——跟 Higgsfield、LibTV 那些比，你凭什么？人家模型更多、工作流更完整、案例更丰富。
论模型我们没优势。底层都是同一批公开模型，Seedance、Veo、Kling、Sora，大家手里的牌一样。模型早就是 commodity，这点我不绕。
但回到前面 AE 给我的启发。
我说创意生产是「AE 型难题」，是因为它缺一个干净的反馈回路。可广告创意有个特殊之处：它的奖励函数不在产出端，在投放端。素材投出去之后，ROAS、CTR、转化率会回来。这些信号连续、数值化、回得够快。
只有素材跑过真实流量，你才知道哪个 Hook 赢了，哪个开头三秒有效，哪个版本值得继续放大。
我后来发现，问题甚至不在生成质量。LibTV 也好，Higgsfield 也好，它们其实把产出环已经做得很好了——脚本、分镜、视频、剪辑，工作流完整，出片效率高。但它们停在导出按钮那里。素材导出以后发生了什么、跑出来的数据长什么样、下一轮该往哪个方向迭代——这些不在它们的闭环里。
而广告真正决定价值的，恰恰是导出按钮之后的那个环：
生成 → 投放 → 拿到真实表现 → 学到赢家特征 → 生成下一轮
视频生成是其中一步，而且是谁都买得到的那一步。生成是 commodity，持续学习才是壁垒。
（关于这个闭环更系统的拆解，可以看这篇。）
回到那堵墙
AE 之所以还绕不开，不是因为没等到一个更强的模型。是因为还没人把品牌规范、设计稿结构这些硬约束注入到生成过程里，然后在输出端做好校验闭环。那是一层工程活儿，不是一次模型升级能解决的。
而 GrowthGPT 能把投放跑通，靠的也是同一层东西：在 Meta、TikTok 的 API 之上，把编排和校验的脚手架焊好。
两件事在底层是同一个道理——壁垒不在模型里，在那层把一个概率性的系统关进确定性笼子里的工程。
模型决定能力的起点。反馈回路决定能力会不会继续长。
AE 还绕不开，是因为没人把那个笼子焊好。投放能跑，是因为我们花了很久把它焊好了。
这就是我从一堵墙里学到的，关于 AI Agent 到底擅长什么的答案。
