用大模型批量生成营销文案的工作流已经普及：一段Prompt，十秒十条，成本趋近于零。但多数团队忽略了一个更底层的问题——当这种效率工具被所有人无差别使用时，它带来的增益会以什么方式存在？
一、先定义"剧场效应"
剧场效应（Theater Effect）：当某种工具被所有竞争者同时采用时，工具带来的增益相互抵消——行业整体水位上升，但任何个体的相对竞争优势不变。
把它放到内容生产场景里：你的AI能一秒生成十条文案，对手的AI也能。你用AI省下的时间，对手同样省下了。结果不是你赢，是行业平均产出被整体拉高，而每个人的位置没变。
一个思想实验：如果高考允许所有考生用AI加500分，能上清北的仍然是那批学霸。人人加分，等于人人没加分。模型不忠于任何用户，它只忠于效率——而效率是公共资源。
二、AI的结构性盲区：缺少战场上下文
从模型机制看，这个问题的根源很清楚：LLM生成文案时，可用的上下文是你喂进去的Prompt，而Prompt里几乎不可能装下一个品牌的完整竞争拓扑——谁占了哪个心智位置、哪条退路被守住、消费者在真实货架前的决策路径是什么。
所以AI最擅长输出的是"形似广告语的漂亮话"：押韵、对仗、有节奏感。但"让人掏钱"的文案依赖的是对购买现场的感知，这部分不在模型参数里。
某营销博主用AI给新茶饮品牌生成的口号"东贝出，对手哭"——押韵、有气势、传播感强，消费者看完的反应只有一句："这跟我有什么关系？"这就是典型的形似而神不似：它输出了修辞，没有输出购买理由。
三、案例一：先定义问题，再让AI执行
笔者服务过一个啤酒品牌1553。AI给出的方向全是"口味、新鲜、原浆"——这是模型从训练语料里检索出的行业共性词汇。但啤酒是成熟品类，这些理性卖点早被青岛、燕京说烂了，新品牌跟着喊没有意义。
正确的工作顺序是：先由人完成竞争分析，确定这个品牌剩下的路只有感性方向——通过右脑卖情绪和态度。再让AI在关联信息里搜索，它发现了1553与国窖1573的关联性，也发现了嘉靖帝这个"30多年不上朝、跟不想上班的年轻人有点像"的历史人物。
最终输出：“嘉靖帝没喝过的好啤酒。”
注意这句话的合规处理：没说嘉靖爱喝（那是虚假营销），说"没喝过"——既是事实，又有稀缺感。AI完成了素材检索和信息关联，但"选哪条路、怎么规避合规风险、如何制造稀缺感"这三个决策，全部由人完成。
四、案例二：方向错了，AI会放大错误
另一个案例是青岛老火腿品牌波尼亚。AI面对这类百年老品牌，大概率从优势、卖点、历史角度生成一批"高端火腿领导者"式的输出。
但真正的问题定义是：如何用一句话分别拦截两类对手——青岛以外的大品牌，和青岛本地的小品牌。基于这个定义，最终输出是：“老火腿看青岛，波尼亚是代表。”
前半句用消费者对原产地的执念画线，拦住外地大牌；后半句用历史和实力画线，压住本地小牌。这句话的价值不在修辞，在于它回答了一个AI不会主动提出的问题：这个品牌的战场边界在哪里。
五、工程结论
LLM是执行层效率工具，不是战略层决策工具。把两者混同，是当前AI内容生产最大的结构性风险。
生成内容的质量上限，由Prompt背后的问题定义质量决定——而问题定义权必须留在业务侧。
人机分工的正确姿势：人负责定义问题、判断方向、承担合规责任；AI负责素材检索、方案发散、文案润色。顺序反了，输出再快也是放大错误。
