从范式颠覆到生态重构：AIGC驱动广告产业转型的逻辑与机制

摘要

研究基于技术可供性理论，系统阐释AIGC如何通过创造性生成、多模态理解与实时适配三大技术可供性，驱动广告产业从微观范式颠覆到宏观生态重构的系统性转型。实践层面，创意生产从依赖人力的“灵感经济”转向“智能创意经济”，产出效率与内容多样性提升，但创意质量与有效性仍需人工把控；生产投放从“先产后投”的静态模式转向有限度的“动态适配”模式；效果评估从“后验归因”升级为“模拟推演与全过程优化”；生态层面,产业链从线性价值链结构为以数据与算法为核心的动态智能网络；商业模式从项目服务费向“增长分成与SaaS订阅混合模式”演进；同时衍生出数据伦理、版权归属、算法透明度及算力成本等治理挑战。研究构建了“技术可供性—范式颠覆—生态重构”的整合分析框架，贯通微观实践与宏观结构转型的机制阐释，揭示AIGC转型中不同类型主体的差异化路径，引入成本—效益边界条件以修正技术乐观主义偏向，为理解人工智能时代广告产业转型提供更严谨的理论视角。

关键词

生成式人工智能(AIGC) 技术可供性 范式颠覆 生态重构 广告产业转型

Abstract

Based on the theory of technological affordances, this study systematically explains how AIGC drives the systemic transformation of the advertising industry—from micro-level paradigm shifts to macro-level ecosystem restructuring—through three core affordances: creative generation, multimodal understanding, and real-time adaptation. At the practical level, creative production shifts from a human-dependent “inspiration economy” to an “intelligent creative economy,” improving output efficiency and content diversity, although creative quality and effectiveness still require human oversight. Production and placement evolve from a static “produce-then-deploy” model to a bounded “dynamic adaptation” model. Performance evaluation advances from “post-hoc attribution” to “simulation-based forecasting and whole-process optimization.” At the ecosystem level, the industry value chain transforms from a linear structure into a dynamic intelligent network centered on data and algorithms; business models shift from project-based service fees to a hybrid model of “growth-based profit sharing and SaaS subscriptions.” Concurrently, governance challenges arise in areas such as data ethics, copyright ownership, algorithmic transparency, and computing costs. This study develops an integrated analytical framework of “technological affordances—paradigm disruption—ecosystem restructuring,” bridging the mechanisms underlying micro-level practices and macro-level structural transformation. It reveals the differentiated paths for various types of actors in the AIGC transformation and introduces cost-benefit boundary conditions to temper techno-optimist biases, offering a more rigorous theoretical perspective for understanding the transformation of the advertising industry in the age of artificial intelligence

Keywords

Generative Artificial Intelligence (AIGC) Technological Affordance Paradigm Subversion Ecological Restructuring Advertising Industry Transformation

当前，我国正全面推进“数字中国”建设，加快发展以科技创新为驱动的新质生产力。2025年10月，《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》明确提出“全面实施‘人工智能+’行动，抢占人工智能产业应用制高点，全方位赋能千行百业”[1]，凸显人工智能在国家战略布局中的核心地位。广告产业作为数字经济的有机组成部分，其与前沿技术的深度融合不仅关乎行业自身的转型升级，也对构建现代化产业体系、释放数据要素价值具有重要战略意义。

以ChatGPT、Midjourney、Sora等为代表的生成式人工智能（AIGC）技术，正以前所未有的广度和深度渗透至广告产业的创意、生产、投放与评估全链路。从互联网广告兴起到程序化购买普及，历次技术迭代虽深刻改变了广告的运作模式与价值创造路径，但AIGC凭借多模态内容生成与智能交互能力，正推动广告产业从局部效率优化走向系统性逻辑重构。这一变革预示广告产业即将进入以智能生成、实时适配与人机协同为特征的全新阶段。因此，深入解析AIGC驱动广告产业转型的内在逻辑与作用机制，兼具重要的理论价值与现实紧迫性。

1文献综述

既有研究围绕AIGC与广告产业的互动关系，已形成从现象观察到理论探索不断深化的趋势，呈现出从技术描述向系统解构、从局部分析向整体把握的演进特征。现有研究可归纳为以下三个递进而交叉的层面。

技术应用与效果响应层面，学者们探讨了AIGC在创意生成、程序化创作等场景中的功能实现与消费者响应机制。研究关注AIGC驱动广告内容生产向“智能创意经济”与“阶段型颠覆式创新”转型[2][3]，具体表现为通过商业智能体等实现生产流程的自动化、智能化与实时动态适配[4]。并初步触及AIGC在全链路中的整合潜力[5]。同时，学者通过实证方法考察消费者对AIGC广告的态度形成机制[6][7]，揭示了用户端的认知与行为反应。然而，这类研究多集中于技术功能的描述与效果测量，对于AIGC如何实质性地嵌入并重构产业内在运作逻辑的深入剖析有待强化。

系统影响与结构转型层面，随着认知深化，研究视角逐步从工具性应用转向系统性影响。学者指出，AIGC已成为继PGC、UGC后的新型内容生产模式，以其多模态生成与智能交互能力重构广告运作全链路[8]。研究强调以大语言模型为核心的技术正驱动广告产业结构、组织行为与市场绩效发生系统性变革[9][10]，并开始探讨广告产业终极形态的可能性[11]。当前研究虽然已从不同侧面揭示了AIGC与广告产业的互动特征，但对其微观操作层面的变革如何传导并引致宏观产业结构的系统性演化，其中的传导机制与作用路径尚不清晰，技术驱动产业重构的内在逻辑有待进一步阐明。

伦理治理与规范调适层面，伴随AIGC的渗透，其引发的数据隐私、算法偏见、版权归属等治理问题受到关注[12]。此类研究具有前瞻性与规范性，强调在效率与风险之间寻求平衡，但多数讨论仍停留在原则性层面，对伦理挑战如何动态嵌入产业转型过程、治理机制如何与技术创新协同演进等问题缺乏系统性阐释。

综上，既有研究为理解AIGC与广告产业的互动奠定了多维基础，但多数成果呈现出局部化或描述性特点，当前研究尚未充分构建能够系统阐释技术特性如何通过实践过程转化为结构性重塑力量的整合性分析框架，尤其对“技术可供性—实践重塑—生态重构”这一连续作用机制的揭示仍显不足，使得AIGC驱动广告产业从微观范式变革到宏观生态演进的内在逻辑尚不清晰。因此，本研究旨在突破当前理论阐释的碎片化困境，构建一个贯通微观实践与宏观结构的系统性分析框架，回应AIGC究竟通过何种机制，将其技术可供性转化为对广告产业实践范式与生态系统的一体化重塑力量？

2研究设计与研究框架

2.1 研究设计

本研究定位于理论建构与机制研究，旨在揭示AIGC技术可供性驱动广告产业转型的深层逻辑与传导路径。为保障理论建构的实证基础，研究采用文献分析、典型行业案例深度归纳、理论建构的方法路径。通过系统文献综述，梳理AIGC广告研究的前沿进展与理论缺口，确立技术可供性作为核心分析透镜；选取广告产业链中代表性的三类主体技术平台、代理公司与品牌方等作为典型案例，通过其公开披露的业务数据、产品迭代与战略调整，归纳AIGC嵌入产业实践的具体模式；案例选取遵循典型性与差异性原则，在案例归纳基础上进行理论抽象，构建“技术可供性－范式颠覆－生态重构”的整合分析框架。

2.2 研究框架

为系统解析上述问题，引入技术可供性理论作为核心分析视角。可供性理论源于生态心理学，由吉布森（Gibson,1979）提出，后经诺曼（Norman,1999）引入人机交互领域。其核心要义在于，技术并非中立的客体，而是通过其物质与设计特性，在使用者与环境的互动中“提供”特定的行动可能性。这些可能性产生于技术特性与使用者能力、目标及情境的动态互动之中[13]。这一视角超越了技术决定论与社会决定论的二分，为理解技术如何通过持续的社会技术互动引发系统性变革提供了有力框架。

基于此提出“技术可供性－范式颠覆－生态重构”整合分析路径（如图1所示），将转型理解为一个逐级传导、动态演进的连续过程，AIGC的创造性生成、多模态理解与实时适配三大核心可供性，首先在微观层面被识别与运用，引发广告生产、投放评估环节的范式颠覆；这些颠覆实践经由组织主体的选择采纳与流程再造，逐步形成稳定的作业惯例，最终推动广告产业在产业链、商业模式与治理逻辑等宏观层面发生系统性生态重构。

3范式颠覆：AIGC可供性对广告产业实践逻辑的重塑

AIGC的技术可供性正在重构广告产业的底层实践逻辑，推动其创意、生产、投放与效果评估三大核心环节从传统范式向智能化、动态化与人机协同的新范式迁移。

3.1 创意范式：从“灵感经济”到“智能创意经济”

传统广告创意生产主要依赖个体的灵感与经验积累，其产出具有不确定性高、周期长、成本高昂等特点，属于典型的“灵感经济”模式。AIGC的创造性生成可供性则通过人机协同的流程再造，使创意生产进入标准化、规模化与智能化的新阶段。在新范式下，创意生产形成了“提示设计－批量生成－人工筛选与优化－模型迭代反馈”的闭环工作流。

从技术实现来看，基于Transformer的大规模预训练模型为创意内容的语义理解与多样化生成提供了基础[14]。广告创意的生产逻辑从“人才驱动”转向“算法与数据双轮驱动”，创意质量不仅取决于人才的经验，更依赖于模型的训练广度、数据质量及提示设计的精准度[15]。产业实践已充分验证这一趋势，例如，利欧数字研发的LEOAIAD平台支持在10秒内完成跨平台图文内容的自动生成与适配，其图像生成模块日均产能可达300万张，在电商广告、信息流投放等领域显著提升创作效率。

需要明确的是，AIGC在保障创意有效性与品牌适配度方面还存在局限性，易出现同质化、策略偏离、审美缺陷等问题，生成内容仍需人工筛选、修正与再创作，快速生产大量无效内容的风险客观存在。因此，当前创意转型并非完全脱离人力的范式终结，而是以人机协同为核心的创意生产方式升级，内容生产处于范式转移的过渡阶段。

因此，这一模式已初步勾勒出新的范式轮廓，从“灵感经济”到“智能创意经济”的转型并非单向的线性替代，而是一个充满张力、需要人机动态协商的探索过程。创意人员的角色演变为承担“创意策展人”“提示工程师”“AI训练师”的复合职能的内容生产者，其核心价值转向策略制定、生成结果的审美判断与品牌调性的把控。

3.2 生产投放范式：从“静态分发”到“动态嵌入”

传统广告内容通常遵循“先制作、后投放”的线性流程，内容形态固定，难以适应碎片化、场景化的媒介环境与用户个性化需求。AIGC的多模态理解与实时适配可供性，使广告能够根据实时环境与用户状态进行动态生成与调整，推动广告投放从“程序化购买”向“程序化创意”跃迁。在此模式下，广告不再是一种单向的“打扰”，而转变为一种可实时响应、可个性交互的情境服务，其本质是对广告中“人、货、场”关系的智能化重构与动态匹配[16]。

在落地层面，智能生成系统已能实现广告内容的即时生产与精准适配。例如，阿里巴巴的“鲁班”设计平台每秒可生成8000张商品海报；京东的“莎士比亚”智能文案系统支持秒级产出千量级营销文案。行业分析进一步指出，预计到2028年，超过80%的生成式AI应用将深度整合于企业现有的数据与业务平台中，推动动态情境嵌入从技术试点走向规模化应用。

然而，基于当前AIGC技术的成熟度与落地应用之间仍存在差距。“动态嵌入”的成熟应用仍主要集中在货架电商与效果广告领域，其逻辑是基于用户行为标签的内容匹配，尚未完全实现品牌广告从“广播”到“对话”的跃迁。个性化广告生成在算力成本、数据隐私与创意可控性方面仍面临现实约束。因此，目前的广告生产投放处于从“静态分发”向“动态嵌入”演进的过渡阶段。

3.3 效果评估范式：从“后验归因”到“模拟推演与全过程优化”

传统广告效果评估多依赖于投放后的数据回收与统计归因，具有显著的滞后性与被动性。AIGC技术与预测分析模型的深度融合，重构了效果评估的时空逻辑，构建起覆盖广告全生命周期的“预测－监测－优化－迭代”智能评估体系。具体而言，该系统可在创意生成阶段通过A/B测试模拟、舆情预测模型等进行“创意预演”，前瞻性地评估不同内容方案的市场反响；在投放执行过程中实时捕捉用户交互数据，并基于预设规则或强化学习算法自动调整出价策略、定向人群与创意组合；在投放结束后开展多维归因分析与深度复盘，将洞察结果沉淀为优化模型，直接反馈至下一轮内容生成与策略制定流程。需要指出的是，这里的“预测”本质上是基于历史数据与概率模型的统计推断，而非严格意义上的强因果预见。其核心能力在于归纳历史模式，而非演绎全新的未知结果。

代表性实践如利欧数字开发的“AI短剧投手”解决方案，将原本需要10人团队耗时一个月完成的账户搭建与优化任务，压缩至2至3人配合AI在一周内完成。这一转变的核心价值在于将广告效果评估从依赖历史经验的“后验归因”，升级为由数据与算法驱动的闭环“模拟推演与全程优化”体系，通过大幅缩短“从效果到创意的反馈回路”来驱动产业进化模式的变革。其核心是“实时学习与快速迭代”，而非预设未来的强预测能力。

AIGC通过创造性生成、多模态理解与实时适配三大技术能力，已深刻重构了广告产业的微观实践范式。这种系统性的范式变革，为产业宏观层面的结构演化积蓄了内在动力。

4生态重构：范式颠覆驱动的广告产业结构性变革

技术是引起广告产业变迁的核心力量，从传统传播技术到互联网技术再到大数据技术，每一次技术升维都对广告产业进行着解构与重构，与之相适应的产业实践与产业理论都得到了革新[17]。AIGC驱动的微观实践变革在完成范式重塑后，其影响通过产业网络不断传导、扩散与固化，逐渐沉淀为系统性的结构力量，推动广告产业生态在宏观层面展开整体性重构。

4.1 产业链：从线性价值链到以数据为中心的动态智能网络

传统广告产业链中，创意、制作、投放与反馈环节往往线性分割，信息流动不畅，资源配置效率受限。AIGC技术推动产业向以数据流动与算法协同为核心的智能价值网络转型。与传统线性链条相比，新的产业网络在多个维度发生了根本性变化（见表1）。

一方面，AIGC平台、模型服务商与技术工具开发者作为新兴节点强势介入。《2023－2028年中国4A广告市场发展趋势及市场前景评估报告》显示，互联网平台企业借助算法推荐技术，已占据42%的广告投放市场份额。抖音、快手等内容平台通过自建广告交易系统直接对接品牌主，导致传统媒介代理业务量下滑27%[18]。另一方面，大型媒体平台与电商巨头依托其用户数据、场景入口与算力优势，持续向产业链上游延伸，构建起“内容智能生成－程序化投放－实时效果优化”的一体化闭环能力。例如，抖音、快手等内容平台通过自建广告交易系统直接对接品牌方；2025年，国际4A集团WPP将其全球媒介业务更名为WPP Media，定位为人工智能驱动的全域整合媒介公司，并发布了业内首个大营销模型Open Intelligence。

可见，新网络虽被称为“去中心化的智能网络”，但其实践形态更接近于“多中心再结构化”，平台经济方与拥有垂类数据/模型能力的专业服务商构成了新的权力节点。广告公司尤其是中小型企业，必须重新定位自身核心价值，从提供标准化执行服务转向成为品牌战略的提示工程师、人性化洞察的诠释者与跨媒体叙事整合者。依托垂直领域的专业认知与深度服务构建竞争壁垒，产业参与主体日趋多元，非人类行动者（如AIGC模型、虚拟代言人、智能投放系统）作为关键节点嵌入价值网络，推动产业组织逻辑从“人与人的协作”转向“人－机－环境”的协同共生。

4.2 商业模式：从“成本计价”到“增长分成+SaaS订阅”

技术浪潮下，AIGC预计将替代约三成基础创意工作，虚拟制片技术亦将广告拍摄周期缩短一半。在此背景下，广告主与媒体平台逐渐呈现出“去中介化”倾向，传统广告公司基于人力工时的计价模式受到根本性质疑。

市场正逐步形成以“增长分成与SaaS订阅”为核心的混合型商业模式。 “SaaS订阅”指广告公司或品牌方按需订阅AIGC工具平台的账号与服务；“增长分成”则指广告服务商的收益与客户广告带来的可量化业务增长（如GMV增量、有效线索数）进行一定比例绑定，从而完成从“服务执行方”向“增长合伙人”的角色跃迁。行业调研表明，超六成广告主已开始系统化部署AIGC工具，其应用场景从初期的内容生成拓展至消费者洞察与全链路优化等领域。

然而，“增长分成”模式的落地面临多重挑战。其一，归因难题：在复杂的全域营销环境中，科学、公平地界定AIGC对最终转化的贡献度几乎是“不可能的任务”，容易引发结算纠纷。其二，信任与博弈风险：广告主可能归因于自身品牌力，服务商则可能归因于其技术，双方处于持续博弈状态，需要极高的信任基础和精细的合同框架。其三，规模悖论：若增长分成约定过于宽松，服务商可能收益不足；若过于严格，则品牌主可能望而却步。目前该模式多出现在双方深度绑定、数据互通良好的标杆案例中，尚未成为行业通用规则。

商业模式的上述演进，实质上反映了广告产业价值创造逻辑正经历从“劳动密集型”向“技术－智力双密集型”的结构性转型。

4.3 治理规则：新挑战与新框架

随着AIGC技术在广告产业中深度渗透，其引发的治理复杂性日益凸显，亟待构建适应智能时代的系统性治理框架。这主要涉及四个相互关联的核心维度。

数据层面，AIGC对大规模训练数据的高度依赖使得数据采集、使用与权属的合规边界趋于模糊，深度合成技术若缺乏必要约束可能催生误导性广告内容。知识产权领域，AI生成内容的著作权归属呈现复杂格局，涉及提示词设计者、模型训练者、平台运营者及最终使用者等多重权益关系。算法责任维度，AIGC模型的“黑箱”特性导致其决策过程缺乏透明度，训练数据中的潜在偏见可能在广告推荐中被强化。最后，产业人才结构面临系统性重塑，现有行业教育与培训体系需培养既掌握智能工具操作技能，又具备人文价值判断与战略思维的新型专业人才。

5讨论

5.1 技术维度的制约：算力成本与数据门槛

前文的论述主要集中在AIGC的技术潜能上，但AIGC驱动产业转型的现实进程在很大程度上受限于算力成本与经济可行性。大模型的单次训练与持续迭代成本极高（单次训练可达数百万至数千万美元量级），这部分成本最终会以API调用费、订阅费或平台服务费的形式转嫁给下游广告应用方。推理成本同样不容忽视，实时生成并投放个性化广告会产生持续的计算开销，对于日均曝光量巨大的广告活动而言，这可能构成一笔相当可观的运营支出。高质量、合规、经过清洗的垂类数据是微调模型以满足特定广告需求的前提，而多数中小型广告主并不具备这样的数据资产，形成了事实上的“数据壁垒”。因此，脱离“成本－收益”比来讨论AIGC的大规模广告应用是不现实的。未来，只有当计算单位成本持续下降、轻量化模型技术成熟，以及“模型即服务”的商业模式进一步普及时，本文所描述的转型图景才能从“头部企业的试点”走向“全行业的普惠”。

5.2 中介传导机制的再审视

为确保理论框架的解释力，需进一步明确从“范式颠覆”到“生态重构”的中观传导路径。这一过程并非自动发生，而是通过“技术感知—组织采纳—流程再造—制度固化”的递进链条完成。从产业主体感知到AIGC的技术可供性，到部分领先组织开始采纳并在局部实验，再到采纳者围绕AIGC重构内部作业流程，最后当新流程在竞争中展现出效率优势并形成共识后，逐渐固化为产业层面的新惯例与制度。在这一过程中，不同类型主体的转型路径存在显著差异：技术平台倾向于构建生态闭环，大型代理公司探索“人机协同”新定位，而中小企业则更多作为技术采纳者，通过SaaS模式获取能力，其路径依赖与转型风险亦各不相同。

6结论与展望

6.1 研究结论

研究基于技术可供性视角，系统分析了生成式人工智能（AIGC）驱动广告产业转型的内在机制。研究发现，AIGC通过创造性生成、多模态理解与实时适配三大技术可供性，重构了广告产业在创意生产、内容投放与效果评估等微观层面的实践范式，并推动广告产业生态系统在产业链结构、商业模式与治理规则等宏观层面发生系统性演变。

本文主要理论贡献在于构建了“技术可供性－范式颠覆－生态重构”的整合分析框架，贯通了微观技术实践与宏观产业结构之间的传导机制，即感知－采纳－流程再造－固化的递进链条，弥补了既有研究在机制阐释上的不足。揭示了AIGC转型中不同主体（平台方、代理商、品牌方、中小企业）的差异化路径与约束条件，避免将转型过程简单化为同质化叙事。同时，引入了成本－效益边界条件的讨论，修正了既有研究中的技术乐观主义偏向。

6.2 实践启示与研究展望

基于研究发现，广告产业各参与方需在战略、组织与治理层面作出适应性调整。广告代理公司应转向人机协同的策略服务角色；品牌方需构建内部AIGC能力体系；监管机构应建立敏捷治理框架，在数据使用、版权认定、算法透明度等维度形成覆盖全流程的规制体系。

本研究仍存在一定局限，一是AIGC技术仍在快速演进之中，本文的发现有一定时间滞后特征。二是受案例材料公开性的限制，对中小企业转型路径的关注仍不够深入。三是受制于成本数据的商业敏感性，对算力成本与落地经济性的分析停留在定性层面。

未来研究可在以下方向深化：一是开展跨制度环境的比较案例研究，揭示技术扩散的差异化路径；二是通过实验方法量化评估人机协同对广告创意质量与市场效果的影响机制；三是引入产业经济学视角，对AIGC广告落地的成本结构与规模经济性进行量化建模； 四是关注AIGC引发的劳动过程变迁与从业者职业认同等社会学议题。

作者信息

魏瑞，河南开封科技传媒学院副教授，河南省智能传播工程技术研究中心研究员，上海大学新闻传播学院博士研究生

注释