繞不開的 After Effects（AE）：一堵牆，讓我重新理解 AI Agent 的邊界

前陣子我們有個功能要上線，我想幫它配一支產品介紹影片。就是那種你在 SaaS 產品官網常看到的——介面滑入、游標點擊有回饋、文字逐行出現，看完會覺得「這產品不便宜」的那種片子。

2026 年了，我覺得這件事應該半天就能搞定。Seedance、Kling、Veo 生成的畫面已經很有質感了，一個「把 Figma 稿丟進去就能出片」的方案，照理早該存在了吧。

結果我試了一整圈。

AI 影片模型先試。畫面確實漂亮，但只要你需要的是「精確」——品牌色不能偏、介面文字不能糊、按鈕要在特定幀數亮起來——它馬上就崩了。接著試 Remotion 的程式碼路線，工程量不對；試 CapCut 模板，品牌色直接跑掉；試了幾個宣稱「上傳設計稿就出片」的平台，成品離可交付還差兩個檔次。

繞了一大圈，結論有點無奈：真的要做一支能交付、改一個圖層不會壞掉的 explainer 影片，繞不開 After Effects。

一個學習曲線陡到嚇人、存在快三十年的「老前輩」。

我一個做增長的，被動效軟體擋在門外——這件事本身就夠奇怪了。但也正是這個奇怪，讓我回頭去想一個更根本的問題：為什麼偏偏是它換不掉？

不是模型不夠強，是工作的結構不對

最省事的答案是「等模型再強一點就好了」。但我越想越覺得不是這麼回事。

AE 換不掉，根本原因不是難度，是這類工作的結構，跟現在 Agent 能處理的東西對不上。

首先是回饋訊號的問題。Agent 真正厲害的地方不是「生成」，是能跑起「試→看結果→調整→再試」這個循環。但循環要轉得動，需要一個乾淨的、回得快的評價標準。「這段動效好不好看」——這個評價靠的是人的主觀判斷，慢、模糊、經常前後矛盾。循環轉不動，Agent 就只是個一次性出圖的工具，跟真正的自動化差了一整層。

再來是容錯的問題。有些工作天生就適合多試幾個版本、留好的丟差的，隨機性是紅利。但商業動效不是——Hex 色碼差一號、圓角從 8px 變 10px，客戶就退件。在這種零容錯的工作面前，AI 天生帶有的隨機性不是「探索」，是事故。

但有意思的地方在這裡：把這兩個條件反過來看，會出現一種完全相反的工作。

如果有一種任務，回饋訊號乾淨到不行——連續的、數值化的、當天就回來；而且天生就該靠多版本並行、淘汰輸家、放大贏家來逼近最佳——那它幾乎就是為 Agent 量身打造的。

而廣告投放，剛好很接近這種工作。

建 Campaign、設預算、選受眾、調出價——每一步都是結構化的，本質上就是在調整一組參數。ROAS、CTR、CPA，這些數字不需要誰主觀評判，直接回來。而投放的玩法從第一天起就是機率性的：你不知道哪支素材會贏、哪群人會轉化，所以你多版本並跑、快速淘汰、放大表現好的。在這裡，「不確定」不是缺陷，是整個遊戲的核心機制。

所以真正讓我想通的是這件事：

AI 天生帶有的隨機性——那個讓它沒辦法碰 After Effects 的根本限制——在投放這個場景裡，恰好就是它最有用的能力。同一個特性，結論完全相反，只因為兩個任務的結構是反的。

GrowthGPT 做投放這件事，不是我們碰巧挑到一個方向，是投放這個任務的形狀，剛好長在 Agent 能力的正中央。

（關於從「AI 寫文案」到「Agent 跑增長」之間那個斷層，我們之前寫過一篇更詳細的，有興趣可以看看。）

那條線不在「廣告 vs 設計」之間

但現實沒這麼二分。

不是說「廣告天生適合 AI、設計天生不適合」——這太粗了。那條邊界，其實是從廣告內部穿過去的。

廣告裡也有自己的 AE 型難題：素材製作。做一支精確的品牌影片、設計一張不能錯色的主視覺，它們跟 After Effects 屬於同一種問題——主觀、連續、回饋模糊、容錯極低。而投放側的事——預算、受眾、出價、測試編排——才是 Agent 能真正跑起來的部分。

GrowthGPT 涵蓋素材生產（AIGC 廣告圖／影片變體），只是精密品牌動效（AE 型）不是發力點；投放編排是 agent 的主場。

承認這個，不是示弱。是畫一張誠實的地圖。

那我們做影片生成是憑什麼

說到這我得交代一件事：我們也快要上線影片生成功能了。

你的第一反應可能是——跟 Higgsfield、LibTV 那些比，你憑什麼？人家模型更多、工作流更完整、案例更豐富。

論模型我們確實沒優勢。底層大家其實用的是同一批模型，Seedance、Veo、Kling、Sora。模型早就是人人都買得到的能力了，這點我不繞。

但回到前面 After Effects 給我的啟發。

我說素材製作是「AE 型難題」，因為它缺一個乾淨的回饋循環。可廣告素材有個特殊之處：它的評價標準不在製作端，在投放端。素材投出去之後，ROAS、CTR、轉化率會回來。這些訊號連續、數值化、回得夠快。

只有素材跑過真實流量，你才知道哪個 Hook 贏了、哪個開頭三秒有效、哪個版本值得繼續放大。

後來我慢慢發現，問題可能不在生成品質。LibTV 也好、Higgsfield 也好，它們其實把產出那個環已經做得不錯了——腳本、分鏡、生成、剪輯，工作流完整，出片效率高。但它們停在匯出按鈕那裡。素材匯出以後發生了什麼、跑出來的數據長什麼樣、下一輪該往哪個方向迭代——這些不在它們的迴圈裡。

而廣告真正決定價值的，恰恰是匯出按鈕之後的那個環：

生成 → 投放 → 拿到真實表現 → 學到贏家特徵 → 生成下一輪

影片生成是其中一步，而且是人人都買得到的那一步。生成是標準化能力，持續學習才是護城河。

（關於這個閉環更系統的拆解，可以看這篇。）

回到那堵牆

After Effects 之所以還繞不開，不是因為沒等到一個更強的模型。是因為還沒人把品牌規範、設計稿結構這些硬約束注入到生成流程裡，然後在輸出端做好校驗迴圈。那是一層工程問題，不是一次模型升級能解決的。

而 GrowthGPT 能把投放跑通，靠的也是同一層東西：在 Meta、TikTok 的 API 之上，把編排和校驗的基礎架構搭好。

兩件事在底層是同一個道理——壁壘不在模型裡，在那層把一個帶有隨機性的系統關進確定性框架裡的工程。

模型決定能力的起點。回饋循環決定能力會不會繼續長。

After Effects 還繞不開，是因為沒人把那個框架搭好。投放能跑，是因為我們花了很久把它搭好了。

→ growthgpt.app