2026 年的数字广告生态里，正在上演一场静悄悄的分裂。
一边是 Meta Advantage+、Google Performance Max、TikTok Smart+——这些平台级 AI 产品用一个承诺统一了话术：把数据和预算交给我们，AI 会比你更懂怎么投。 不需要你设置受众定向，不需要你手动调出价，甚至不需要你知道”转化”的技术定义。把 pixel 装上，剩下的交给黑箱。
另一边，一批品牌正在反向操作。他们从平台手里收回控制权，用自研或开源的 AI 模型重建自己的广告决策栈。Patagonia 在内部搭建了基于第一方数据的预测模型，拒绝将核心受众信号输入 Meta 的机器。一家 DTC 床垫品牌最近公开了他们的实验数据：用自己的模型做受众分层 + 跨平台预算分配，CPA 比 Advantage+ 高出 18%——但 LTV 高出 34%。
这不是效率之争，这是路线之争。
两条路，两个假设
平台 AI 和品牌 AI 的底层分歧，不在于技术能力，而在于对一个问题的假设：广告优化的目标函数应该由谁定义？
Meta 的 Advantage+ 优化的是什么？是广告主在 Ads Manager 里设的那个转化事件——加购、下单、注册。它的内部机制——Dynamic Creative Optimization、多臂老虎机预算分配、跨版位竞价——全部围绕这个单一目标运转。这是一个给定目标下的效率最大化机器。
但品牌的增长不只靠转化。一个在 Instagram 上看到 Patagonia 广告的人，可能不会立刻点击购买，但他会记住”这家公司把 1% 的销售额捐给环保组织”。三个月后，当他在 REI 的货架前做选择时，这个记忆比任何 retargeting 都有效。
这种价值，Advantage+ 的转化优化模型算不出来。
这不是 Meta 的错。这是委托-代理问题的技术呈现：平台优化的是你可以测量的东西，品牌在乎的很多东西恰好测不出来。
品牌在收回什么
过去 18 个月，我追踪到越来越多品牌在做三件事：
第一，数据主权回流。 不止一家品牌在缩减 Meta CAPI（Conversions API）回传的数据字段。一位电商 CMO 在闭门会上说的原话是：”我们不想告诉 Facebook 到底谁买了。我们只告诉它’有人买了’，剩下的我们自己建模。” 这不是技术决策，是战略决策。
第二，创意生产分离。 平台 AI 的 DCO（Dynamic Creative Optimization）会把你的素材拆成组件——标题、图片、CTA——然后自动排列组合测试。问题是，这个过程把你的品牌表达变成了乐高积木。一家奢侈护肤品牌的创意总监告诉我，他们现在对每个平台只提交一套完整素材，关闭了 DCO 选项。”我们的视觉语言不能由 A/B 测试的 p-value 来决定。”
第三，归因独立。 Google PMax 和 Meta Advantage+ 都在用自己的归因模型告诉你转化来自哪里。但越来越多的品牌在同时跑第三方归因——用增量测试、营销组合模型、甚至因果推断方法——来验证平台的”自我评分”。结果呢？一家零售品牌的内部审计发现，Meta 自报的转化中有 23% 实际上来自自然搜索流量。
“但 AI 确实更好”——平台方的论据
公平地说，平台 AI 的优势是真实存在的。
Google 最近公开的一项研究表明，PMax 广告主的平均转化量提升了 18%，而这是基于 Google 自己的数据基础设施——包括搜索意图信号、YouTube 观看行为、Gmail 中的购买确认邮件、Google Maps 的到店记录。没有任何单一品牌能匹配这个数据广度。
Meta 的逻辑类似：Advantage+ 的受众扩展模型基于 30 亿用户的社交图谱和兴趣信号。一个只有 50 万客户数据的 DTC 品牌，其自建模型在冷启动阶段的预测能力是无法与 Meta 抗衡的。
所以平台的论点不是”我们比你聪明”，而是”我们的数据比你多得多”——这是一个规模问题，不是算法问题。
第三条路：混合架构
实践中，最聪明的品牌走的不是”全投”或”全收”的极端路线，而是一种我称之为混合决策架构的东西。
这个架构的核心思想是：让平台 AI 做它擅长的事，让品牌 AI 做平台不想做的事。
具体来说：
平台 AI 负责： 实时竞价优化、跨版位频次控制、创意格式适配、冷启动受众探索。这些都是平台 AI 的绝对优势领域——数据量、延迟要求、基础设施，品牌自己做不划算。
品牌 AI 负责： 受众价值分层（哪些人群值得更高的 CPA？）、跨平台预算分配（Meta 还是 TikTok？）、创意策略方向（这次 campaign 该说什么？）、品牌安全边界（哪些版位绝对不投？）。
一位正在实践这种架构的 DTC CEO 用一句话总结了他们的原则：”我们告诉平台去哪，让平台自己决定怎么走。”
一个具体案例：床垫品牌的对照实验
为了把讨论落到实处，我整理了一个案例。某中高端 DTC 床垫品牌（年营销预算约 $25M）在 2026 年 Q1 做了一次对照实验：
对照组： 完全使用 Meta Advantage+，预算由平台自动分配，素材使用 DCO，归因使用 Meta 自报模型。
实验组： 品牌自建 RFM 模型做受众价值分层，将用户分为 4 层，每层设定不同的 CPA 上限和创意策略。广告投放使用 Meta 的 API 而非 Advantage+，保持手动控制出价和受众定向。归因使用第三方增量测试。
三个月的实验结果：
| 指标 | 对照组（Advantage+） | 实验组（品牌控制） | 差异 |
|---|---|---|---|
| CPA（首次购买） | $52 | $61 | +17% |
| 90 天 LTV | $187 | $251 | +34% |
| 二次购买率 | 11% | 19% | +73% |
| 退货率 | 14% | 9% | -36% |
| 创意疲劳周期 | 8 天 | 22 天 | +175% |
关键的发现不在”谁赢了”，而在两组在优化完全不同的事情。Advantage+ 是转化最大化机器——它确实找到了最容易转化的人。问题是，这些人不一定是这个品牌最想要的长期客户。品牌自建模型多花了 17% 的获客成本，但带来了 34% 的 LTV 提升——因为它的目标函数里包含了”客户质量”这个平台模型里不存在的维度。
这意味着什么
这场路线之争不会有一个赢家。它更可能沿着以下轨迹发展：
短期（2026-2027）： 品牌加速建设第一方数据基础设施和自研模型，不是因为 AI 能力更强，而是因为平台归因越来越不透明，品牌需要自己的”真相来源”。
中期： 平台被迫开放更多控制权——自定义目标函数、增量归因报告、创意控制粒度——来留住大广告主。
长期： 市场标准化出”混合决策”的最佳实践。就像今天的云架构有公有云、私有云和混合云，AI 广告的未来也会有平台 AI、品牌 AI 和混合 AI 三种部署方式。
你今天能做什么
如果你正在评估自己的 AI 广告策略，以下是三个立即可行的动作：
-
跑一次增量测试。 选一个 campaign，在现有 AI 投放之外，用第三方工具做一次增量转化测量。你会惊讶于平台自报数字和增量真实数字之间的差距。知道这个差距，是夺回控制权的第一步。
-
做一次受众价值分层。 导出过去 12 个月的客户数据，按 LTV 分成 3-4 层。检查你的 AI 广告投放是否过度向低价值层倾斜（大概率会）。如果会，用手动出价给高价值层设独立的 campaign。
-
关闭一个 AI 功能。 不是为了永远关掉，而是为了建立基线。关掉 DCO，用你自己设计的创意跑两周，然后比较你的转化率和 AI 优化版的差异。如果差得不多——甚至更好——你就有了谈判筹码。
平台 AI 和品牌 AI 之间，不是一个”谁替代谁”的故事。它是一个”谁决定目标函数”的故事。
而在这个故事里，交出目标函数的定义权，比交出预算更危险。
