从ChatGPT写出一篇百万播放文案，到用AI生成宠物水晶视频斩获75万播放却卖不动货，作者用四年时间经历了对AI的狂热、依赖与祛魅。本文复盘了从内容工厂到技术自学的认知升级，犀利指出：AI能降低生产门槛，却无法自动提升内容价值，真正的稀缺始终是人的判断与选择。

75 万播放出现的时候，我以为这件事终于成了。

那是一条宠物水晶的营销内容。画面里的水晶被摆在自然光下，镜头轻微晃动，光线沿着切面流过去，看上去很像用手机随手拍下的一段实况照片。

但实际上，画面中的产品图是 AI 生成的。我先用GPT Image 2制作图片，再通过即梦让静态画面动起来，最后把视频处理成Live Photo式的内容。

从图片、动态效果到标题和文案，AI 几乎参与了整个制作过程。

视频发布后，数据很快开始上涨。点赞、评论和播放量不断刷新，最终达到了 75万。作为一个长期做内容的人，我当然知道，这已经算是一条爆款。

可问题是，流量来了，买宠物水晶的人却寥寥无几。

这并不是 AI 第一次帮我做出爆款。

三年前，它曾经用一篇文案，帮我把一个做了两年多都不温不火的抖音账号推到 100 万播放。那次爆款让我开始相信 AI，甚至逐渐对它产生依赖。

而这一次，40 万播放却让我重新认识了 AI。

为什么同样是爆款，一次帮我起了一个账号，另一次却没能帮我做成一门生意？

这两个数字之间，隔着我使用 AI 的四年。

一篇 AI 文案，突然有了 100 万播放（现在早已不止）。

2022 年 11 月 30 日，OpenAI 发布ChatGPT。因为我一直对前沿科技很感兴趣，也习惯追踪各种科技热点，所以在 2023 年初，我便开始使用它。

那时，我已经做了两年多抖音。

那个账号不能说完全失败，偶尔也会有一些数据还可以的视频，但总体始终不温不火。它像一辆一直能发动、却始终无法真正提速的车：我知道它没有坏，也知道自己还可以继续做，但就是看不到突破的迹象。

为了把账号做好，我学过不少抖音运营知识，也研究过选题、开头、节奏和文案。我会分析别人的视频为什么能火，也会反复迭代思路。但做内容有时候就是这样，你可以掌握越来越多的方法，却很难判断下一条内容究竟会不会有效。

刚开始使用 ChatGPT 时，我并没有想到它会改变这个账号。

我只是把自己的诉求、账号情况和想要的文案形式告诉了它，让它按照我的要求写了一篇文案。现在回头看，那次对话可能并没有什么特别复杂的提示词，也谈不上完整的工作流。

我只是想试试看。

结果，那条视频发出去以后火了。

一夜之间，单条播放量达到了100 万

最让我意外的并不只是后台不断上涨的数字，而是评论区的反应。很多人开始分享自己的经历，有人说文案写出了自己一直想说却说不清楚的感受，还有人把视频转发给朋友。

评论区里出现了真实的共情。

对于一个做了两年多内容、却一直没有真正突破的人来说，那种感觉很难完全用“高兴”概括。它更像是你在一扇门前敲了很久，试过很多种方法，门始终没有打开；然后一个刚刚认识的工具帮你换了一种敲法，门突然开了。

我当然知道，这 100 万播放不一定全是ChatGPT 的功劳。

它可能恰好赶上了合适的选题，也可能被平台推荐，更可能有很大的运气成分。任何一个做过内容的人都知道，爆款从来不是单一因素造成的。

但人并不会因为“无法严格归因”，就忽略一次真实发生的成功。

从那以后，我几乎每一条抖音文案都会使用 GPT。

我没有办法证明那 100 万播放到底有多少属于 AI，但从那天起，我已经无法把它只当成一个新奇的聊天机器人。

它第一次向我证明：AI 生成的内容，不只是“看上去像那么回事”，它真的可能影响现实中的传播结果。

当 AI 第一次证明自己，我开始想让它包办一切

第一次成功很容易改变一个人的判断。

如果 ChatGPT 只是帮我写了一篇普普通通的文案，我或许只会把它当作一个提高效率的工具。但那次百万播放，让我对 AI 的期待迅速膨胀。

我开始大量体验不同的 AI 产品。

只要听说某个开源模型效果不错，我就想试一试；只要某个闭源模型发布了新能力，我也会尽快体验。我想知道它们之间有什么差别，也想知道除了写文案之外，AI 还能替我完成什么。

一个念头很自然地出现了：

既然 AI 能写出一篇有效的文案，它能不能一次写十篇？

如果文案可以自动生成，那么选题、图片、对标分析、素材整理，甚至内容发布前的大部分工作，是不是也能被自动完成？

对一个内容创作者来说，这种诱惑非常大。

过去限制内容产量的，是时间、精力和人的状态。你需要想选题、写文案、找素材，还要等待灵感。但如果这些工作都能被流程化，内容生产似乎就不再有明确的上限。

后来，Coze 这类工作流平台开始在抖音上受到关注，我很快也去学习了。

我尝试搭建各种内容工作流：批量生成图片，批量生成文案并写入飞书，批量获取对标账号的视频文案，再让模型分析、改写和仿写。

以前需要不断复制、粘贴、切换工具的工作，现在可以通过节点和变量串联起来。只要设置好流程，内容就会一条接一条地生成。

第一次把整套流程跑通时，我有很强的自豪感。

那种自豪感不仅来自“我学会了一个工具”，还来自一种更隐秘的想象：我似乎提前进入了一种新的生产方式。别人还在一条一条写内容，而我已经开始搭建内容工厂。

我一度认为，自己终于踩在了风口上。

我搭起了一座内容工厂，却没有生产出真正的好内容

问题很快出现了。

当我能批量生成内容时，别人也能。

短时间内，各个自媒体平台上出现了大量 AI 生成的内容。它们结构完整、语句通顺、更新频率很高，却经常给人一种似曾相识的感觉。

它们不一定有明显错误，但也很难留下什么。

我逐渐发现，工作流最擅长解决的是重复劳动，而内容创作中最难的部分，往往不是重复劳动。

我可以不断调整节点、修改变量，规定标题格式、文案长度和输出结构，却仍然无法通过这些设置，让一个平庸的想法突然变得重要。

一个流程可以稳定地生成五十条内容，但如果最初的选题就没有价值，这五十条内容只是在以更高的效率重复同一个问题。

更麻烦的是，当生产速度变快以后，人很容易降低对单条内容的重视。

过去写一篇文案需要投入很长时间，我会反复检查它的逻辑、情绪和表达。后来一次可以生成几十篇，我关注的逐渐变成流程是否正常运行、变量有没有报错、格式是否符合要求。

我开始盯着机器怎么生产，却没有认真判断它生产出来的东西是否值得被人看见。

那时我才意识到，我搭起了一座内容工厂，却没有真正解决“为什么要生产这些内容”的问题。

AI 确实降低了生产内容的成本，但它不会自动提高内容的价值。

当所有人都能快速生成时，“更多”也就不再是一种优势。真正稀缺的，反而变成了人的选择、判断，以及愿不愿意对最后的结果负责。

这也是我第一次对 AI 产生祛魅。

不是因为它不够强，而是因为它太容易制造一种错觉：只要生产效率足够高，结果就一定会更好。

不甘心只做工具使用者，我开始学习 AI 技术

发现简单的批量生产行不通后，我开始想，也许我对 AI 的理解还是太浅了。

如果只会使用别人做好的平台，我永远只能跟着工具的功能走。于是，我开始自学一部分 Python，也陆续接触了 RAG、Function Calling、LangChain、LangGraph、MCP 等技术和框架。

我必须承认，这些内容我学到的很多都只是皮毛。

我没有因为了解几个概念，就突然变成一名算法工程师；也没有因为搭过几个项目，就真正掌握所有底层原理。但这段学习仍然改变了我理解 AI 的方式。

以前使用 AI，我主要看最终答案。

它写得好不好，图片像不像，文案能不能用，这是我最关心的事情。

后来，我开始关心它获得了什么上下文，能访问哪些资料，调用了什么工具，任务被拆成了哪些步骤，又可能在哪一个节点出错。

我也逐渐明白，模型给出的结果不是凭空出现的。它看起来聪明到什么程度，往往与使用者提供的信息、设定的边界和搭建的系统有关。

这种认识让我不再只追逐某个模型的一次惊艳输出。

但即便如此，我还是会不断被新模型震撼。

因为 AI 进步的速度，确实太快了。

每隔一段时间，AI 都会让我重新“哇”一次

Sora第一次公开展示时，我看到了文生视频可能达到的新高度。

后来是Veo。视频中的镜头、光影和运动开始越来越接近真实拍摄，过去一眼就能看出问题的 AI 视频，逐渐需要更仔细地分辨。

再后来，Nano Banana Pro出现了。

图片生成不再只是抽一张“看起来不错”的图。模型开始更好地理解修改要求，保持主体和风格的一致性，也能处理越来越复杂的视觉任务。

到了Seedance 2.0，我又一次产生了那种熟悉的感觉：原本以为还需要很久才能实现的效果，突然就被放到了眼前。

我开始学习怎么写 Seedance 的提示词，怎么描述镜头，怎么控制画面节奏，怎么让生成结果更接近自己的想法。

作为 AI 从业者，也是长期使用者，我并不是站在远处观察这场变化。

每一次模型更新，我最关心的都不是新闻稿里用了什么形容词，而是它能不能真正进入我的工作：能不能减少重复劳动，能不能提高内容质量，能不能让我原本做不到的事情变得可行。

模型进步得越快，我心里的冲动也越强。

过去需要团队完成的事情，一个人似乎也能做了。那么，我是不是应该真的做点什么？

就在这个过程中，我想起了一个曾经被搁置的项目。

我让 AI 和我一起策划一门宠物水晶生意

我的朋友一直在卖水晶。

有一天，我突然想到：能不能专门卖宠物水晶？

宠物正在成为许多人重要的情感陪伴，而水晶本身也具有装饰、象征和情绪寄托等属性。两者结合，看起来似乎是一个很自然的方向。

当时国内专门做宠物水晶的人并不多，我又听说这类产品在国外受到欢迎，于是很快产生了一个判断：这会不会是一个还没有被充分开发的蓝海？

现在回头看，“很少有人做”其实存在两种完全不同的解释。

一种是竞争者还没有发现机会；另一种则是，需求本身没有想象中那么强。

但当时的我更愿意相信前一种。

我没有简单地让Gemini直接输出一份商业策划书，而是要求它用苏格拉底式的方式与我对话，不断通过提问帮助我检查想法，确认我的需求。

• 谁会购买宠物水晶？
• 人们购买的是装饰、纪念，还是某种情感投射？
• 宠物主人为什么不直接购买普通水晶？
• 产品要怎样呈现，才能建立信任？
• 这个品类应该如何定价，又应该通过什么内容触达用户？

在一轮轮问答中，这个项目逐渐变得完整。我整理了商业逻辑，写出了策划书，还为它建立了专属知识库。

那是我第一次真正尝试让 AI 参与一个商业项目的早期推演。

过去，我让 AI 帮我完成一个已经确定的任务；这一次，我开始让它和我一起讨论应该做什么。

只是后来因为生活中的一些事情，这个项目被暂时搁置了。

直到Claude Code、Codex以及Skills这类Agent使用方式开始受到关注，我才又把那份策划书翻了出来。

从聊天窗口到可以持续协作的执行者

Claude Code、Codex 以及 Skills 给我带来的最大变化，并不只是“AI 更会写代码了”。

更重要的是，AI 开始从一次性的聊天对象，变成能够读取资料、遵循方法、调用工具并持续执行任务的协作者。

我重新整理了宠物水晶项目的资料，也为它编写了一批 Skills，用来辅助生成图文标题、产品文案和视觉提示词。

同样的方式也被我用到了其他事情上。除了工作，我还做过辅助健身和饮食管理的 Skill，也会根据自己的需求，把一些重复使用的方法整理成可以被 AI 调用的流程。

这个阶段，我越来越清楚地感受到，AI 已经进入了我的生活。

最早，它只是在需要时帮我写一篇文案。后来，它帮我搭建工作流。再后来，它开始理解一个项目的资料，并按照我设定的方法持续做事。

它不再只是一个“问一句、答一句”的工具，而逐渐变成了个人能力的一部分。

这也让我重新燃起了对宠物水晶项目的信心。

最初的商业逻辑已经有了，知识库已经有了，内容生产的方法也逐渐建立起来。更关键的是，图片和视频生成模型已经进步到了新的阶段。

这一次，我感觉工具终于追上了那个想法。

一个人借助 AI，完成了一支小团队的工作

重新启动项目后，我先用Nano Banana Pro制作产品视觉，后来又使用GPT Image 2生成更加逼真的图片。

再通过即梦让静态画面动起来，模拟真实拍摄中轻微的镜头晃动、光线变化和物体质感，最后转成Live Photo式的内容。

第一眼看上去，它已经非常接近手机实拍。

熟悉 AI 的人如果仔细观察，可能依然能看出一些痕迹。但它呈现出来的完成度，仍然让我震撼。

如果把时间拨回几年以前，为了完成这一套内容，我可能需要准备真实产品、布置拍摄环境、调整灯光、完成摄影和后期，再分别撰写标题和文案。

现在，我一个人借助 AI，就完成了过去可能需要文案、摄影、设计和后期共同完成的工作。

我先用一个主号和一个小号发布内容，后来又建立了第三个账号，专门承担营销和测试任务。

然后，爆款再次出现了。

第三个账号上的一条内容达到了75万播放。

那一刻，我再次体会到几年前看到 100 万播放时的兴奋。不同的是，这一次 AI 参与的不再只是一篇文案。

从早期策划、知识整理，到标题、文案、图片和动态效果，它几乎参与了整个过程。

如果说第一次爆款证明了 AI 可以帮助创作者表达，那么第二次爆款证明的是：一个人借助 AI，确实可以完成一条过去属于小团队的内容生产链。

从这个角度看，项目是成功的。

AI 把一个存在于策划书里的想法，变成了真正被几十万人看到的内容。

但是，内容被看到，不等于产品被需要。

流量来了，生意却没有来

75 万播放之后，我开始等待订单。

可真正愿意购买宠物水晶的人寥寥无几。

这时我才不得不重新检查那个看起来已经被论证得很完整的项目。

画面逼真，证明的是 AI 已经能够制作高完成度的内容，却不能证明产品本身值得购买。

用户愿意停下来观看，可能是因为画面新奇、宠物可爱，也可能只是因为内容触发了平台的推荐机制。这些行为与最终付款之间，隔着完全不同的心理距离。

用户喜欢宠物，不代表用户需要宠物水晶。

有人愿意点赞，不代表他愿意相信产品；愿意评论，也不代表他愿意为它支付价格。

我之前听说宠物水晶在国外受欢迎，也不代表国内存在同样的消费习惯。不同市场对宠物、饰品、纪念品和水晶的理解都可能不同。

更重要的是，我曾经把“很少有人做”理解成竞争较小，却没有认真验证另一种可能：也许并不是别人没有发现这个市场，而是需求根本没有我想象得那么强。

AI 帮我完善了商业逻辑，却没有替我完成真实的市场验证。

再回头看当初与 Gemini 的苏格拉底式对话，我发现，即使 AI 一直在提问，问题的边界依然由我提供。

当我把“宠物水晶可能是一个机会”作为起点时，我提供的信息、选择的案例、建立的知识库，以及对问题的回答，都可能围绕这个判断不断强化。

AI 并没有欺骗我。

它只是在认真帮助我完成一个可能从一开始就没有被充分验证的设想。

如果输入中已经包含了我的倾向，那么模型越能理解我、越擅长配合我，就越有可能把这种倾向整理成一套看起来严密的逻辑。

逻辑完整，不等于前提正确。

这可能是我使用 AI 这些年得到的最重要、也最昂贵的认识之一。

两次爆款之间，是我对 AI 的重新理解

第一次爆款发生在 2023 年。

那时，AI 主要帮我写了一篇文案。它带来了 100 万播放，也帮助一个做了两年多的账号完成了突破。

我因此开始相信AI 的生成能力。

第二次爆款发生时，AI 已经参与了策划、知识库、文案、图片和视频制作。内容获得了 40 万播放，却没有形成我期待的商业结果。

我因此开始理解AI 的能力边界。

最早，我认为 AI 的价值是帮我写得更好。

后来，我认为它可以帮我生产得更多。

再后来，我发现它可以帮助我学习技术、搭建流程、整理知识、执行项目，甚至成为生活中的长期助手。

直到第二次爆款，我才意识到，AI 能放大的不只有人的能力。

它也会放大人的冲动、偏好，以及那些未经验证的前提。

当方向正确时，AI 可以让人走得非常快；当方向存在问题时，它同样可以高效地把人送到错误的终点。

这不意味着 AI 没有价值。

恰恰相反，如果没有 AI，我可能需要投入更多时间和成本，才能发现宠物水晶项目中的问题。现在，我用相对有限的成本就完成了一次真实测试。

从这个角度看，AI 没有替我做成一门生意，却帮助我更快地验证了一个想法。

只是这种验证只有在我愿意面对结果时才有意义。

如果我把 75 万播放当成成功，把没有订单归咎于账号、流量或平台，而不去检查真实需求，那么 AI 只会继续帮我制造更多看上去不错的数据。

从生成到判断：我对未来 AI 的期待

过去几年，AI 最让我震撼的始终是生成能力。

它会写文案，会画图，会生成视频，会写代码，也越来越擅长调用工具、执行复杂任务。

但最近受到关注的Jev，让我开始注意另一个方向。

Jev 并不以生成长文本为主要目标。它尝试为软件提供结构化的判断，例如分类、选择、评分和概率，让 AI 的输出可以更直接地参与实际系统。

它还处于很早期的阶段，能否真正改变未来的 AI 格局，现在下结论还太早。结构化输出也不代表判断一定正确，更不意味着它能够替人承担所有决策责任。

但这个方向仍然让我感兴趣。

因为过去几年，我们一直在努力让 AI 生成更多东西，而我在真实项目里逐渐遇到的问题是：

我们真正缺少的，可能已经不只是生成。

当 AI 可以瞬间生成一百条文案、几十张图片和多段视频时，下一个问题不是怎样继续增加产量，而是怎样判断其中哪些值得被生产，哪些前提尚未验证，哪些结果虽然漂亮，却没有解决真实问题。

我期待未来的 AI，不只是忠实执行我提出的目标，也能帮助我检查这个目标是否成立。如果人类一意孤行需要去做未经验证的事情，可以拒绝执行。

当然，最重要的还是以人为主导，自己先要想清楚自己的需求

不只是给出一个看似确定的答案，也能清楚表达它的不确定性。

不只是沿着我的倾向继续推演，也能及时指出：我可能忽略了另一种解释。

如果在宠物水晶项目开始批量生产之前，AI 能更明确地提醒我——你现在验证的是内容吸引力，不是用户的购买需求——那么这种提醒可能比再帮我生成一百条视频更有价值。

AI 没有替我抓住风口

我仍然会关注每一个新模型，也仍然会在看到能力跃迁时感到兴奋。

作为AI 从业者和长期使用者，我很难对这些变化无动于衷。过去几年，很多曾经只存在于想象中的能力，正在以极快的速度变成普通人可以使用的工具。

我也仍然相信，AI 会继续深入我们的工作和生活。

但现在，每当 AI 帮我迅速完成一件事，我都会多问自己一句：

它是在帮我解决一个真实的问题，还是只是在帮我更快地执行一个未经验证的想法？

100 万播放让我开始相信 AI。

75万播放让我重新理解 AI。

第一次，它让我看见技术能做什么；

第二次，它让我看见仍然需要由人承担什么。

我期待的未来 AI，不是一个替我包办所有事情的万能机器。

我更期待它成为一个真正的同行者：它可以帮我把想法变成现实，也能在我因为走得太快而忽略方向时，提醒我停下来，重新看一眼。