簡要回答。 AIGC——AI生成內容——是指由生成模型生成或大幅修改的文本、圖像、音頻、視頻、代碼或其他媒體。在企業中，它是一種生產方式，而非發佈方式：其有效形式是受控的工作流程，結合經批准的原始素材、版本化的提示詞和模板、品牌規範、人工審核、來源追溯以及審批閘門。值得回答的問題並非AIGC是否有效，而是哪些內容類型值得投入，而答案是明確的。生成內容可節省生產成本，但會增加審核成本。當某種內容類型的審核成本高於其替代的生產成本時，該內容就不應納入生成流程——無論輸出多麼驚豔——且模型性能的任何提升都無法改變這一點，因為審核需求源於錯誤後果，而非草稿質量。
大多數企業AIGC項目都是由熱情驅動的：有人展示了令人驚歎的產出，項目就被定義為‘用這個來生成內容’。十二個月後，這一模式依然存在——部分內容類型帶來了實際節省，部分持平，而部分則花費超過其替代成本，因為每個資產都需要律師審核。本指南旨在提前幫助人們區分這些情況。
什麼是AIGC，它與生成式AI有何不同？
生成式AI是技術本身。AIGC是產出——由該技術生成或轉換的內容。這一區別在商業上至關重要，因為二者採購方式不同：你購買的是模型，而運營的是內容供應鏈。
企業AIGC有四種生產模式，它們的風險特徵截然不同：
| 模式 | 它做什麼 | 典型風險 | 審核集中於何處 |
|---|---|---|---|
| 基於項目需求說明生成 | 從提示中生成新內容 | 偽造內容；泛化輸出 | 事實準確性；獨特性 |
| 對已批准源內容的轉化 | 對已批准內容進行重新格式化或重寫 | 轉化過程中的意義漂移 | 與源內容的一致性 |
| 變化 | 生成一個已批准資產的多個受控版本 | 集合中的品牌漂移 | 符合性，採樣 |
| 本地化 | 將已批准的資產適配到另一個市場 | 註冊，習語，法律可說性 | 市場內原生評審 |
第二和第三點是企業價值最可靠的所在，也是討論最少的。變革始於已經通過評審的材料，因此評審負擔是保真度而非真實性。變體可以將一次完整的評審攤銷到多個資產上。從空白項目需求說明開始生成是人們展示的模式，也是每項資產評審成本最高的模式。
企業層面的區分，一句話概括：你需要能夠說明是哪個模型生成了該資產，提供了哪些原始材料，由誰進行了評審，適用哪些權利，以及是否需要披露。無法回答這些問題的內容，無論其質量如何，都不是企業內容。
AIGC實際上在何處產生價值？
價值集中於企業需要 大量受控變體來實現某種已決定內容 的地方：本地化活動資產、產品目錄中的產品描述、培訓材料變體、社交媒體簡版、分鏡概念、語音版本、結構化文檔的初稿、字幕和標題集。
共同之處在於，創意決策已經做出，剩下的只是大規模執行。生成式生產在大規模執行方面表現優異，但在決策方面則無動於衷。
當任務依賴於以下方面時，價值會急劇下降：
- 原創報道 —— 一種在有人親自去發現之前並不存在的內容。
- 敏感判斷 —— 關於人員、事件或任何情況的決策，其中出錯是關係問題而非複製問題。
- 高風險事實準確性 —— 需要以某種標準進行證實的聲明，其中驗證是成本，而撰寫並非約束條件。
- 鮮明獨特的創意方向——營銷活動中必須突破訓練數據既有模式的部分。
- 被極少數人閱讀的內容 —— 價值隨規模增長，因此單個定製資產很少能抵消工作流程的開銷。
決定適配性的計算
每個素材的淨節省 =（傳統製作成本 − 生成成本）− 審核成本
生成成本很小且持續下降。傳統生產成本是已知的。 評審成本是決定答案的變量，它由錯誤的後果設定，而不是由草稿的質量設定。 即使一個模型生成的營銷文案接近完美，它也無法減少對監管聲明的評審需求，因為評審的目的是確認聲明得到了充分支持，而不是確認句子質量良好。
這有三個值得明確指出的後果：
- 更好的模型無法彌補不合適的匹配。 如果某種內容類型需要對每個資產進行法律審批，那麼無論草稿是由何種模型生成，都必須對每個資產進行法律審批。
- 審核成本隨模板成熟而下降，而不只取決於模型質量。要讓某類內容具備經濟性，應收窄其範圍：採用更明確的模板、固定的陳述集合和批准的來源材料，讓審核從重新核實事實轉為檢查是否符合既定要求。
- 產量是使工作流程開銷值得的決定性因素。 提示庫、參考集、評審標準和來源追溯的構建都需要成本。當資產數量低於某個閾值時，這些成本無法被收回。
你可以為每種內容類型運行的適配測試
在將候選內容類型投入流程前，為其每個候選內容類型打分。只要在前兩行得分較低，無論其在其他方面表現如何，都是劣質候選內容類型。
| 問題 | 優質候選內容類型 | 差的候選方案 |
|---|---|---|
| 錯誤的成本是什麼？ | 尷尬，容易糾正 | 監管、合同或安全後果 |
| 每個週期有多少資產？ | 數十到數千個 | 一個或幾個 |
| 創意決策是否已經做出？ | 是 — 這是執行 | 否 — 這是決策 |
| 是否存在已批准的源材料？ | 是，已簽字確認 | 否，必須進行調研 |
| 輸出的差異有多大？ | 基於模板的受控變化 | 每個資產在結構上都不同 |
| 誰需要審核？ | 一名經過培訓的審核員依據評分標準進行審核 | 法律、合規或某位特定專家 |
| 是否具有市場特定性？ | 可從母模板進行適配 | 是否必須在市場內部創作？ |
最常見的範圍界定錯誤是，從最顯眼的內容開始——即旗艦活動、高層溝通內容——因為這些內容最引人注目。但實際上，這類內容幾乎都位於每一行的錯誤一側。應從枯燥但高流量的內容開始，先在這些內容上驗證工作流程，然後隨著審核成本降低，逐步擴展到難度較高的部分。
人工審核實際上是為了什麼
生成模型產生的輸出流暢但存在不準確信息、品牌細節不一致、視覺偽影、虛構陳述、不安全內容以及文化誤判的表述——而正是這種流暢性使得這些錯誤難以通過快速瀏覽發現。一個強大的工作流並非僅有一輪審核，而是包含多個由不同責任人執行的審核環節：
- 事實性審核 —— 陳述的內容是否真實且有依據，依據是什麼？
- 品牌審核 —— 是否符合品牌身份、語氣以及禁止聲明清單？
- 法律或政策審核 —— 在該市場、針對該受眾，這種表述是否可被使用？
- 本地化審核 —— 是否讀起來像是由母語者撰寫，且其核心思想是否能夠被有效傳達？
- 生產質量審核 —— 是否滿足技術交付規範？
將這些審核環節分開至關重要，因為它們需要不同的人來執行，可以以不同的頻率運行，而將它們合併為‘有人審核過’，就會產生被包裝成‘編輯審核’的批准點擊。
谷歌在搜索引擎中關於生成式AI內容的指導從出版角度提出了一個相關觀點：其標準是實用性、原創性和質量，而非內容的生成方式。這一框架對範圍界定很有幫助——方法本身並非問題，關鍵在於內容實質。
當項目規模擴大時，會發生什麼變化
在大規模生產時，AIGC會演變為一個內容供應鏈：經過批准的原始素材、版本化的提示詞和模板、生成過程、多層審核、按市場本地化、審批、帶有元數據的存儲，以及性能數據反饋到下一個循環。此時，有三項內容變得不可或缺，通常需要痛苦地進行補救：
- 每個資產的來源追溯，因為產量會超過記憶能力。是哪個模型、哪個提示詞版本、哪個審核人員、哪些權利歸屬。NIST在合成內容方面的研究強調透明度和來源追溯，正是出於這個原因，記錄創建時的來源需要花費幾分鐘，而事後重建則通常無法完成。詳見 AIGC治理、披露與來源追溯。
- 分級審核，因為生成過程成本低廉，而人類注意力卻無法隨之擴展。
- 超越輸出數量的衡量標準，因為已發佈資產數量是最容易被移動的指標，而且當項目運行出問題時，該指標會自動上升。詳見 衡量一個AIGC項目。
這與員工獨立使用AI工具的情況不同，後者產生的內容無法追溯，也無法證明任何整體效益。
Lifewood的應對方式
Lifewood將AIGC視為一種受管理的生產服務，而非工具訂閱：輸入經過批准的原始素材和版本化的模板，將人工編輯審核作為必要關口而非最終步驟，每個資產都記錄來源追溯，本地化處理方式是從已批准的主版本進行適配，而非每個市場都重新生成。
規劃對話首先從內容類型入手，因為如果項目針對錯誤的內容類型，即使生產能力再強也無法解決。多語言層是交付模式最難複製的部分：50多種語言，覆蓋30多個國家的40多個交付中心，以及56,788名註冊貢獻者，意味著在一些通用供應商退化到機器翻譯的語言中，仍能實現本地化原生審核。合作項目涵蓋前沿模型實驗室、語音AI開發者、AI計算供應商、計算機視覺供應商以及自動駕駛項目，客戶身份根據協議予以保密。AI數據遺產可追溯至2004年，公司目前成立於2018年。
資料與進一步閱讀
- 谷歌搜索中心，關於AI生成內容的指導 —— 強調的是有用性和原創性標準，而非生產方法標準。
- NIST，降低合成內容帶來的風險——關於生成媒體的透明度和來源追溯。
- 配套指南：AIGC治理、披露與來源追溯 和 如何運行一個真正能夠預測結果的AIGC試點。