阶段型颠覆式创新：生成式人工智能对广告产业的影响研究

姜智彬 周杨

【摘要】随着生成式人工智能与广告产业的持续融合，广告产业结构的中心协同化趋势不断增强，市场需求由被动式输出向主动式迎合转变，广告经营绩效取得系统化全面突破。生成式人工智能技术作为一项关键性技术突破，从外部对广告产业结构、业务行为与经营绩效产生冲击，已形成阶段型颠覆式创新。

【关键词】ChatGPT 生成式人工智能 广告产业 SCP模型 颠覆式创新

【中图分类号】G206 【文献标识码】Ａ 【文章编号】1003-6687（2023）11-059-08

【DOI】 10.13786/j.cnki.cn14-1066/g2.2023.11.008

人工智能作为一种模拟人类智慧的颠覆性技术，对广告运作流程进行了系统性重构，[1]推动了广告受众分析、[2]广告内容生产、[3]广告交易投放[4]和广告效果评估[5]等环节的智能化转型，催生了智能广告产业的范式转移。[6]然而，目前智能广告产业依然存在智能化程度不高、业态发展不充分、覆盖范围不全面、信息处理能力不强等一系列问题。[7]以ChatGPT为代表的生成式人工智能具有更加强大的自然语言对话能力、更为多元的输出输入形式与更为灵活的自主学习调整能力，[8]为广告产业的深度智能化提供了平台型的技术驱动力，必将深刻地影响广告产业的组织运行模式、技术迭代方向、产品设计思路、市场调研方式与市场营销手段。[9]那么，生成式人工智能技术究竟会对广告产业的哪些层面产生影响？产生怎样的影响？如何分析和评判这种影响？本文以SCP模型为分析框架，试图从产业组织经济学的角度揭示这种影响。

SCP分析模型在20世纪50年代由美国经济学家梅森提出，主要包括产业分析的三个要素：结构、行为和绩效。[10]20世纪70年代，美国经济学家鲍默尔和帕恩查将SCP模型中的结构、行为和绩效之间的分析框架拓展至外部因素的冲击，即分析行业受到外部冲击（政府与政策环境的改变）时进行的战略调整及行为变化。[11]随着信息技术与社会心理学的迅速发展，SCP模型中外部冲击因素的内涵也进一步扩展。学者们主张将关键性技术突破、社会生活方式与消费行为习惯的转变等因素纳入外部冲击的范畴。[12]生成式人工智能作为一项具有划时代意义的技术创新，可形成由关键性技术突破导致的外部冲击，从而持续不断地对整个广告产业产生深刻影响。本文以SCP模型为分析框架，从产业结构、产业行为和产业绩效的角度，探讨生成式人工智能对广告产业的影响。

一、生成式人工智能对广告产业结构的影响

从广义角度看，广告产业结构是指广告产业内部各细分产业间的相互联系及其联系方式，主要研究广告产业内部组成的比例关系及资源占有关系。[13]从狭义角度看，广告产业结构则聚焦于广告产业链和广告产业集群两方面，[14]其中广告产业链包括上下游供应链、应用形态、技术水平等要素，广告产业集群包括市场规模、竞争格局、组织构成等要素。生成式人工智能技术以多维场景的自适应处理能力为基础，可以实现持续的技术形态创新，会先对广告的产业市场、媒介应用与人力资源等市场结构要素产生外部冲击，从而深刻影响整体广告产业结构。

1. 生成式人工智能对广告产业市场的影响

以ChatGPT为代表的生成式人工智能技术，通过分析消费者的历史行为和心理偏好，进行更为精准的个性化广告推荐，提升广告的相关性和吸引力，进一步提高广告的点击率和转化率。这种由人工智能技术与广告产业市场耦合的发展模式，迅速提高了技术资源在广告产业发展中的重要性，促使广告市场组织形态趋于集中、广告经营格局走向扩张。伴随着生成式人工智能技术在产业结构内的市场化应用，不同的市场主体往往在技术应用水平与计算处理能力等方面表现出较大的差异。随着人工智能技术的快速迭代和升级，广告产业市场的技术门槛必然会持续提升。只有那些能够积累大量数据、掌握高阶人工智能技术的企业才有可能在未来广告市场中占据引领地位，从而导致广告市场中的个体技术差距不断拉大。这种由外部技术革新因素带来的巨大冲击，将使广告市场的集中程度不断提高。

现阶段，相当数量的广告市场主体在进行设计、制作与代理等经营服务过程中，会积极利用人工智能技术与算力资源来提高广告经营的效率、效果和創新能力，从而形成智能广告经营者这一全新的市场角色。[15]智能广告经营者持续从消费者的互联网行为、垂直领域数据库等中提取数据，并不断提升自身的巨量记录能力和精细描述能力，不断扩大在智能技术生产领域的产业资源比例，[16]引领智能广告产业市场的发展方向。

生成式人工智能技术在广告产业市场中展现出的广阔前景，已对市场资源产生了强大的吸引作用，促使更多具有产业关联性的创业公司进入广告市场，从而扩大广告市场的整体规模。在不断扩张的过程中，广告市场不断出现新的竞争者。智能算法研发团队、算力平台供应商、数据分析公司等信息计算服务商不断抢占细分场景下的广告专业市场份额，进一步挤压传统广告公司的生存空间。从产业市场来看，外部技术资源的不断涌入，将极大地丰富广告市场的角色定位空间，进一步提高广告产业的精细化程度，使得广告产业格局呈现多重融合的扩张趋势。

2. 生成式人工智能对广告产业媒介应用的影响

媒介应用是指媒介根据自身定位和受众需求，选择合适的媒介形式和传播方式来实现信息传播目的和认知引导目的。[17]在生成式人工智能快速发展的时代背景下，信息技术的不断创新使得广告媒介形式与传播方式的选择空间更加广阔。由OpenAI的技术演进路径可知，生成式人工智能模型的代表——GPT-4自然语言处理和内容生成能力一直在快速提升，且以多样化的技术应用和广告形式，不断为广告主提供高质量、多样态、个性化的广告媒介服务。针对虚拟客服助手在实际应用场景中长期存在的语言反应机械、信息内容匮乏、交流互动不佳等一系列问题，通过在标签化场景下的实时会话，利用大型模型对自然语言进行评估和推断，生成式人工智能技术可以更好地理解人类语言请求，推动语言模型的智能处理能力进入快速迭代升级的新周期。这种基于人类自然反馈的强化学习框架结构，能进一步刺激媒介应用的形态创新。

现阶段，ChatGPT在现实场景中已展示出高质量的人机对话能力，并显著降低不真实与偏差输出的概率，快速提升了内容信息的主动生成水平。同时，各大垂直领域的专业巨头纷纷搭建私有模型，并与通用语言模型相结合，寻求媒介应用产品的重大创新，进而推动整体产业竞争力的提升。如全球最大软件提供商微软作为OpenAI的重要投资主体，将ChatGPT嵌入Word、PowerPoint、Excel等Office办公软件中，推出基于人工智能的新型商业服务模式——Copilot。在已推出的预览版测试中，Copilot展现出强大的自主信息处理与专业分析能力，能够结合核心语义进行自主识别的视觉图形转化，可以实现基于Web的协作服务并进行自动化内容创建，从而推动细分专业领域内媒介应用的创新发展。

可以预见的是，人工智能的应用范围将不再局限于前期市场调研与后期广告定向投放环节的信息辅助，有望实现更为全面的高阶应用。凭借自然语言模型与自主学习调整能力的加持，生成式人工智能技术在传播方式上可以实现强大的适应性突破，如以虚拟数字形象代言人的形式发挥更广泛的媒介应用价值。在广告传播路径上，以ChatGPT为代表的生成式自然语言模型通过引入反映人类偏好的指令调节，能够结合市场数据的采集与分析，自动生成广告文案和创意内容，并将广告策略调整与内容输出紧密结合，进而作用于广告传播的完整路径，更好地实现信息传播和认知引导的营销目的。

3. 生成式人工智能对广告产业人力资源的影响

人力资源主要包括从业人员的需求条件、选择机制、培养发展、人员结构、流动状况等方面，[18]是推动广告行业高质高速发展的重要因素，更是广告产业发展的战略性资源。人工智能快速发展带来程序自动化的产业红利，使得人力资源的动态结构围绕智能技术特征发生新的变化。以ChatGPT为例，生成式人工智能技术在开发端构建的实际上是一种基础型设施服务。这种基础型设施服务在执行逻辑上追求高度的自动化与智能化，通过调整模型参数可以普遍适配于不同应用场景，从而大幅提高智能模型的使用效率。为了更加精确地执行个性化程序，智能广告产业必然在通用模型的框架基础上搭建各类私有行业或场景模型，从而形成具有核心竞争力的专有策略模型。在提升策略模型转化效能时，智能广告产业必然以信息处理能力为重要资源、以程序自动化水平为效率标杆，使得广告人力资源结构围绕高水平效益聚集，导致人力资源流动走向中心化。

现阶段，程序化广告投放过程中所需要的数据搜集与分析一直以劳动密集型的运作模式为主，对受众群体的标签设定更多限制在基础特征维度，如年龄、性别、地理位置等间隔式信息指标。程序化广告技术范式虽具有较大的适用范围和成熟的运作流程，但难以满足定制化的广告目标与快节奏的市场变化。随着广告产业智能化进程的加速，生成式人工智能模型在数据信息处理与创意内容输出等方面的技术能力大幅提升，可在需求条件层面逐步完成对简单人力劳动的初步替代。在选择机制层面，生成式人工智能的不断发展使得人力资源不是仅追求单一维度的技能指标，而是通过对广告运作流程的全面渗透，从整体上提出更广维度的要求。在这种全新的技术生产范式之下，人工智能不再停留于后台的数据分析，而是更多应用于创意生产、内容输出、营销决策等方面，使得广告运作的智能化逐渐由后台延伸至前台。因此，生成式人工智能加速贯通了广告运作流程，从业人员进一步融合、相互协作，使得广告运作各岗位之间的传递连接日趋广泛，交叉转换更为频繁，角色分工逐步模糊，进而导致广告人才选择机制全面、多样、深刻。

生成式人工智能通过发挥技术要素的驱动作用，在结构性替代初级生产劳动的同时，也提升了新范式之下广告从业人员快速学习和运用新技术的能力需求，这在广告人才的培养发展层面逐渐体现出来。考虑到细分消费市场的特殊性，作为营销服务提供方的广告公司快速以实时综合评估构建打分模型，将生成式人工智能推向现实市场，进而高效完成尽可能多样的营销任务。这种通过提示词校正来进行动态程序化控制的技术范式，要求相关从业人员必须具备与AI结合的协同工作能力，因此，与AI协同的人力资源需求将延展出更多全新的岗位角色，如提示词工程师、AI作品质控师、智能统筹调控师等。

二、生成式人工智能对广告业务行为的影响

广告业务行为是指广告经营市场的参与者为争夺市场份额所采取的一系列策略和行动。[19]在受到外部因素冲击时，市场参与者往往采取经营范围的调整、营销手段的转变、资源分配的转移、业务单元的整合等策略来适应外部变化。生成式人工智能技术以动态宽频的定制化生产能力为基础，可实现主动的多重模态融合，首先会对广告产业的个性化定制程度、交互性用户体验与程序化推荐等业务行为形成外部冲击，进而深刻影响广告业务行为的发展趋势。

1. 生成式人工智能对广告个性化定制程度的影响

生成式人工智能具有生成性特征，能够根据自定义的一组规则、模式或数据生成原创性输出内容。这意味着人工智能从以前的检索者、搬运者和呈现者转变为创作者，或者至少成为创作者的合作者。[20]在广告领域，生成式人工智能基于模型的训练和生成过程，可以增强广告个性化的定制程度。[21]在模型训练过程中，生成式人工智能需要大量的训练数据，通常包括广告文本、产品描述、用户评论、新闻文章、社交媒体帖子等多种类型的文本数据。在模型生成过程中，生成式人工智能使用基于神经网络的语言模型。如循环神经网络或变压器模型，这些模型在生成个性化广告内容时，可利用先前的对话历史或用户偏好，生成与用户需求和兴趣相关的广告内容。

在广告投放前，生成式人工智能通过分析大量的用户数據，可以获得关于用户偏好和需求的深刻洞察，用以指导大规模个性化的广告创意生成。如根据广告主提供的关键词、产品定位和目标受众，生成式人工智能可生成多个版本的广告创意，并通过测试和比较，找出最适合的个性化广告内容。在广告投放过程中，生成式人工智能通过分析广告投放的上下文环境，包括网页内容、社交媒体帖子、搜索关键词等，可以生成与当前环境相匹配的个性化广告内容，从而提高广告的相关性和吸引力。同时，生成式人工智能还能与用户实时交互，并根据用户的回应和反馈调整广告内容。在广告投放后，生成式人工智能通过实时监测广告投放效果，并根据反馈数据对广告内容进行自动优化，进一步提高广告的个性化效果和转化效率。

基于技术的本质特征，生成式人工智能将进一步鼓励创新和多元，能够根据训练数据中的不同样本和潜在创造力，生成更多版本的广告文案和口号，以适应受众的多元需求。在面对复杂且变化的广告投放市场时，生成式人工智能将通过微调和优化，进一步实时提升广告内容的生成质量，包括使用特定领域的数据对模型进行微调，或使用增强学习等技术来优化生成结果。

2. 生成式人工智能对广告用户交互性体验的影响

生成式人工智能对广告用户交互性体验的影响主要体现在个性化互动、实时性反馈和新交互方式三个方面。第一，生成式人工智能可以根据用户的兴趣、偏好和上下文信息提供个性化的互动体验。用户可以通过与生成式人工智能的实时对话获得定制化的服务和信息。这样就打破了传统静态广告的限制，方便用户更加主动地参与广告交互。第二，生成式人工智能的实时反馈和互动功能提升了广告交互性体验的层次。通过与生成式人工智能的对话，用户可以提出问题、寻求建议或分享反馈，并获得即时的个性化回应。这种实时互动增加了用户与广告之间的互动黏性，提升了用户的交互满意度。第三，生成式人工智能通过创新的交互方式改变了传统广告交互模式，可以提供图文、音频、视频等多种形式的内容呈现，使广告更具多样性和丰富性。

现阶段，ChatGPT作为生成式人工智能技术的代表性产物，在自然语言处理领域展示出了惊人的用户意图理解能力，如问答、分类、摘要、翻译等用户指令，其意图理解能力远超预期。在交互体验上，生成式人工智能具备强大的上下文连续对话能力，能够在连续多轮对话中准确识别省略、指代等细粒度语言现象，并始终保持对话主题的一致性和专注度。[22]生成式人工智能还初步具备了自主交互的修正能力，在用户对前置信息表露出调整需求时，可以捕捉到用户微妙的修改意图，从而为实现更多自然场景的移植提供了广阔的可能性空间。

生成式人工智能通过语言大模型和个性化算法，开创性地实现了与用户的实时对话和互动，有望在未来彻底打破传统广告的静态性和单向性，大幅提升用户的参与感、兴趣度和满意度。这种创新的交互方式可为用户提供更具沉浸式和吸引力的广告体验，从而加强用户与广告之间的联系和共鸣。随着生成式人工智能技术的不断发展和成熟，用户交互性体验的自然化和多样化将成为广告产业演进的重要方向。

3. 生成式人工智能对广告程序化推荐服务的影响

生成式人工智能对广告程序化推荐服务的影响主要体现在更精准的个性化推荐、更创意的内容推荐、更实时的互动反馈三个方面。首先，生成式人工智能通过分析更多的上下文信息可以生成更精准的个性化推荐内容。传统的广告程序化推荐主要基于用户的历史行为和兴趣标签等数据进行推荐，而生成式人工智能通过分析用户对话和实时反馈等更丰富的上下文信息，能夠提供更准确、更细致、更具针对性的个性化推荐，从而增强广告推荐与用户的匹配度，提供更好的用户体验。其次，生成式人工智能可以生成更有创意和故事性的广告内容，提供更具吸引力和娱乐性的推荐体验。传统程序化推荐往往注重基于用户行为的匹配，忽略了创意性和故事性的表达。生成式人工智能通过模型的创造性能力，能够生成更富有创意性和故事性的广告内容，从而吸引用户的注意力，提升用户的参与度和记忆效果。最后，生成式人工智能具备实时对话和互动反馈的能力，可以根据用户的需求和反馈动态调整推荐内容。传统程序化推荐主要基于静态的数据分析，缺乏与用户的实时交互。而生成式人工智能可以通过对话和互动，实时了解用户的偏好和需求，并根据用户的反馈及时调整推荐内容与方式。

现阶段，生成式人工智能通过算法模型，处理分析用户的历史浏览、搜索以及购买行为等一系列内容信息，可实现精准的广告定向投放。这种基于用户兴趣和需求的广告推荐，能够提高广告的点击率和转化率，进而提升广告效果。与此同时，生成式人工智能所具备的实时互动和反馈机制，通过持续完善用户需求预测，可更好地满足用户的个性化需求，提升用户满意度。

随着技术的成熟，生成式人工智能基于大数据和机器学习，通过分析广告数据和用户行为，将为广告程序化推荐服务提供更大范围数据驱动的决策支持。生成式人工智能通过处理庞大的广告数据集，能够识别出广告内容和用户特征之间的相关性和关联模式，还能够利用机器学习算法预测用户的兴趣和需求，进一步提高广告推荐服务的精准度，推动广告推荐从程序化向智能化的转变。

三、生成式人工智能对广告经营绩效的影响

从广告产业转型发展的历程来看，追求更高的经营绩效水平一直是引领广告产业升级发展的主流导向。经营绩效是市场参与者在市场竞争中的业务表现，以获得的成果和效益为核心指标。[23]广告产业在盈利能力、经营成本、市场份额等方面的变化趋势不仅与市场结构和市场行为相关联，还受到外部因素的冲击影响。生成式人工智能技术以全面高效的预训练学习能力为基础，可以实现进阶的决策与执行，首先会对广告的创意生产绩效、决策评估绩效与审核管理绩效等指标形成外部冲击，从而深刻影响广告经营绩效的整体水平。

1. 生成式人工智能对广告创意生产绩效的影响

生成式人工智能技术通过机器学习和深度神经网络等技术，可以推动广告文本、图片、音频、视频等各种形式的内容生产实现高质量发展。传统广告创意创作依赖大量的人力资源，在长时间的市场调研、策划和创意构思的基础上进行内容输出。程序化创意通过元素降维与自动组合，实现了广告创意生产数量的突破，但创意质量止步不前。生成式人工智能利用超数量级数据和分布式集群训练，可以实现更高效率的广告创意生产，提高广告创意的质量。

现阶段，生成式人工智能通过大规模数据集，使机器能够学习和理解用户的喜好及其行为模式，进而生成具有吸引力和个性化的广告创意。ChatGPT与程序化创意工具在信息能力上的最大差异，就在于模型参数的数量规模突破了千亿量级，可在消费级应用场景下实现接近甚至达到符合人类认知水平的高质量创意生产。从2018年拥有1. 17亿参数的GPT-1到2020年拥有1 750亿参数的GPT-3，生成式人工智能的创意生产能力与数据训练的处理体量呈现明显的正相关。[24]随着模型数量级的不断增大，生成式人工智能的语言处理能力和生成能力也在显著提升，推动着高效的智能广告创意生产机制不断走向成熟。

生成式人工智能技术通过学习海量的广告历史素材和数据，批量生成符合营销目标和受众特征的广告创意，从而解决个性化内容创作的数量和质量约束。在不久的将来，生成式人工智能可以融合海量的广告创作信息与市场反馈数据，形成一个更加高效的广告创意生产范式，即通过大样本量的现实信息采集与分析，不断丰富智能模型的调节体系，在全面的广告定位决策系统支持下，将广告创意的生产效能提升至全局优化的高质量水平。

2. 生成式人工智能对广告决策评估绩效的影响

基于更加全面、准确、多维的数据分析结果，生成式人工智能在决策层面可以帮助广告主及时调整广告投放决策。在程序化的广告竞价环节，广告主往往需要通过长期重复式、个体性与无规则的尝试，才能取得较好效果，这样不可避免地造成资源的浪费。而生成式人工智能基于深度学习技术可以对广告数据进行更加全面、深入的分析，利用大型算力与资源优势针对竞价目标制定更为科学的市场策略，甚至可以发掘广告数据中隐含的市场规律。

现阶段，生成式人工智能技术充分利用广告数据，凭借更加准确、细致、实时的数据分析，可以不断增强广告决策的科学性。生成式人工智能模型在动态调整定义指令能力的加持下，能实时处理非结构化的广告数据，分析学习海量动态的用户数据，并及时在广告决策中加以体现。

从技术可供性的角度看，生成式人工智能可以整合智能化分析技术、自动化生成技术与精准化投放技术，为广告评估环节提供了全程贯通的可行性空间。目前，广告效果评估市场普遍缺乏数据多样性，存在数据孤岛现象。数据市场仍然采用零散化的采集方式，数据的类型和标准也各不相同，且缺乏统一的数据管理平台，从而导致数据之间关联度不高，以及数据库之间无法兼容的问题。[1]凭借强大的自然语言学习训练能力，人工智能大模型可以在广告运作全流程实现全链路的效果数据监测追踪。联邦学习等智能技术可在一定程度上解决不同数据采集方式之间的数据间隔问题与安全隐私问题，进而推动数据评估的智能化融合进程，实现广告效果评估流程的全面贯通。

3. 生成式人工智能对广告审核管理绩效的影响

在传统运作流程中，影响广告审核管理准确性的因素有三点：一是广告违规信息与审核管理策略存在一定的滞后，使得规则执行的准确性难以保障；二是海量广告信息的审核管理需要十分严格的比对分析，而人力总是有倦怠的，难以全神贯注地进行审核管理从而产生人为偏差；三是传统广告审核管理手段存在不确定性，无法确保全面覆盖相关法规，且执行尺度难以统一。作为自动化、平台式、智能化生产工具的革命性技术模型，生成式人工智能通过持续的自我学习和优化，可以极大提升广告审核与管理的效率与准确性，不断增强广告审核的管理绩效。

现阶段，生成式人工智能已在广告审核与管理绩效方面发挥了相当的积极作用。首先，生成式人工智能通过自动化和智能化的方式，可以快速审核大量的广告内容，从而减轻人工审核团队的工作负担，并彻底避免人为偏差；其次，生成式人工智能通过学习和理解广告平台的审核准则和政策，并根据这些准则进行判断和分类，从而更准确地判断广告是否符合规定，并提供快速的审核决策。

随着智能监管模式的成熟，生成式人工智能在广告审核与管理中可以进一步提高准确性。其机理在于：一是开展自动化审核，通过学习大量的标记数据，理解各种广告违规情况，并自动检测和过滤不符合规定的内容，提高审核的准确性；二是进行上下文理解，包括语境、情感和意图等，有助于准确识别违规内容，避免误判；三是推动持续学习，快速适应变化的广告审核规则和标准，通过与人类审核员的协作，不断更新审核管理模型，从而提高准确性。

四、生成式人工智能技术对广告产业影响的研究结论

著名产业管理学者克莱顿·克里斯坦森在20世纪末首次提出了颠覆式创新的理论概念，认为颠覆式创新是在一定阶段内由技术环境变革后出现的现实创新。[25]颠覆式创新的本质是延续性创新与市场需求之间矛盾转换的结果，是市场效应在技术创新领域的体现。[26]颠覆式创新存在两种状态：[27]一种是完成型颠覆式创新，即技术创新对产业的渗透度已接近饱和，技术应用已覆盖产业的基本环节，技术辐射已形成具有显著差异的市场秩序；另一種则是阶段型颠覆式创新，即该技术已满足颠覆式创新的属性特征，在可以预见的将来会对整个产业进行颠覆，现阶段已完成初期颠覆且呈现出完全颠覆的趋势。

目前，生成式人工智能整体展现出显著的技术优势和发展前景，使得广告行业不断涌现出大量的关联性应用。这些关联性应用的市场影响力快速提升，逐步占领并改变了主流广告市场环境。生成式人工智能具有划时代意义的智能化信息处理能力，正在与广告产业场景不断结合，将逐步变革主流广告市场业已成熟的价值评估体系，并最终实现广告产业格局的战略重构。通过以上分析，研究者认为，生成式人工智能从技术演进角度加速推进广告产业的根本变革，已经形成阶段型颠覆式创新，集中体现在广告产业结构的中心协同化发展、广告业务行为对市场需求的主动迎合、广告经营绩效取得系统化全面突破三个方面。

1. 中心协同：生成式人工智能对广告产业结构形成阶段型颠覆式创新

市场管理学家托蒙德与莱蒂斯在克里斯坦森的研究基础上进行推演，得出颠覆式创新必须具有的产业结构特征，即在具有显著技术创新优势的基础上，能够对市场规模产生扩展作用，且通过整合创新技术与应用产业，使得产品、服务和商业模式等在结构上对产业资源形成吸引。[28]由此可以得出广告产业结构层面形成颠覆式创新的充分条件为：具有显著技术创新优势，且能够对市场规模进行扩展，对产业资源形成吸引。生成式人工智能在专业应用场景下，可完成对产业生产要素的集中协调，广告产业结构的中心协同化趋势明显。现阶段，生成式人工智能对广告的产业市场、媒介应用与人力资源等产业结构要素已形成外部冲击，对广告产业结构形成阶段型颠覆式创新。在产业市场方面，现阶段广告经营主体面对生成式人工智能展现出的巨大发展前景时，大多尝试进行部分应用的融合，随后逐步延伸至现有业务模式下进行整体变革，从而推动广告产业规模大幅扩展。在媒介应用方面，生成式人工智能作为一项重大的技术革命成果，具有推动专业领域内媒介应用的创新优势，正在吸引着大量产业资源，引导市场组织形态趋于集中，促使广告经营格局走向扩张。在人力资源方面，生成式人工智能与人类认知、思维、偏好甚至是审美保持一致的技术特征，使得其与人类进行高效协同的可能性不断增强，在各项具体的数字劳动环节之间拥有了更为强大的统筹工具。随着未来智能化水平的不断提升，生成式人工智能将进一步催生出全链路贯通的人机协同工作模式。

2. 主动迎合：生成式人工智能对广告业务行为形成阶段型颠覆式创新

媒介产业学家布莱恩从业务行为角度提出，颠覆式创新的实现在于满足新出现的市场需求或市场上尚未得到满足的需求。[29]由此可以得出，广告业务行为层面形成颠覆式创新的充分条件为：能够有效满足市场当中的新需求或者是过去存在但尚未完全被满足的需求。在现阶段广告产业化融合的过程中，生成式人工智能技术可以主动激发并满足更多的场景需求，例如实时互动广告、增强现实广告和虚拟现实广告等高度定制化的创新广告形式。与此同时，以往广告业务中受技术条件限制而未能实现的创新设想将迎来重新激活的可能性。人工智能在应用范畴和产业角色方面提供的创新性技术支持，可对已有广告业务行为实现更高层次的需求满足，例如更接近真人表现的虚拟客服助手、虚拟形象代言人等。生成式人工智能在进入大众消费级市场后快速积累了海量用户基础，将更大范围的个体需求纳入广告业务的范畴之中。这种由被动式输出向主动式迎合的广告业务行为转变，使得广告市场参与者在传播路径中获得了更大的控制优势。因此，在对广告个性化定制程度、交互性用户体验与程序化推荐等服务属性特征形成外部冲击的影响下，生成式人工智能已对广告业务行为形成阶段型颠覆式创新。

3. 全面突破：生成式人工智能对广告经营绩效形成阶段型颠覆式创新

克里斯坦森在《成为破坏者》的研究报告中指出，从经营绩效角度形成颠覆式创新的充分条件在于：新技术破坏并变革先前的商业模式，主流消费者对新技术极大关注并催化技术革新者获得更大的成功。[30]由此可以推导出，广告经营绩效层面形成颠覆式创新的充分条件为：在吸引社会主流消费群体的关注后获得持续进步，并能够变革现有商业模式。从这个研判标准出发，生成式人工智能技术一经发布便引起社会的全面关注，主流消费群体纷纷表现出对该技术的极大兴趣。以ChatGPT为例，该生成式人工智能语言模型在不到9周的时间里将平均月活用户数量提升至1亿以上，成为互联网历史上用户增长最快的消费级应用平台。在海量的用户基数与市场应用基础上，各类基于通用框架而搭建的私有智能模型迅速发展，在多个专业领域中不断取得显著突破。生成式人工智能凭借强大自主学习与机器训练能力，已逐步实现基于广告运作自动化的动态管理模式的变革，为企业提供更多创新性、互动性和预测性的广告服务。生成式人工智能以自动化竞价和成本优化技术，可以自动匹配生成最优的广告投放策略，一定程度上突破了不同数据采集方式下由信息间隔产生的绩效瓶颈。这种跨越式的变革将推动广告投放竞价信息日趋公开透明，使未来广告市场的经营绩效水平取得全面突破。因此，在对广告的创意生产、决策评估与审核管理等效率指标形成外部冲击之下，生成式人工智能已对广告经营绩效形成阶段型颠覆式创新。

随着生成式人工智能的不断成熟和完善，在不断的技术融合与场景衍生过程中，广告产业的未来发展将产生更深层次的变革。一是广告创意革新。生成式人工智能在主动创作能力方面的持续提升，将开创更多前所未有的内容风格与新奇的感官体验。这将使得广告产业迎来新的创意革命，带来体验更加丰富、内容更加个性、成本更加低廉的广告作品。随着市场数据的持续积累和模型算法的不断优化，生成式人工智能可对用户需求进行更为全面、细致、准确的分析，在服务端提供高度个性化的广告体验，在决策端达成更高效的说服路径。二是跨平台广告整合。生成式人工智能凭借海量的数据挖掘与批量处理能力，通过将不同平台上的广告素材和数据进行预训练，可以一举打破各平台之间的信息区隔。这种跨平台的广告整合策略具有极强的自主适应性，能够为广告主提供更全面、一致与有效的广告传播策略，实现多个渠道的无缝整合，全面提升广告投放的实际效果。三是自动化全触点广告投放。生成式人工智能所具备的强大自主输出处理能力，为广告投放过程的全链路自动化提供了技术支持。这种高阶水平的自动化全触点投放将大大提高广告投放的效率和精确度，优化广告投资回报率。伴随着这些更深层次变革的逐步实现，智能广告产业将朝着完成型颠覆式创新的方向发展，进而实现整个广告生态系统的全方位重构和升级。

参考文献：

[1] 姜智彬，马欣. 领域、困境与对策：人工智能重构下的广告运作[J]. 新闻与传播评论，2019（3）：56-63.

[2] 秦雪冰. 消费者洞察的NKP模型：社会网络分析在智能广告中的应用[J]. 当代传播，2020（3）：77-80.

[3] 姜智彬，戚君秋. 学习、生成与反馈：基于动觉智能图式理论的广告智能创作[J]. 新闻大学，2020（2）：1-16，119.

[4] 秦雪冰，郭钦颖. 互联网广告投放智能化转型研究——基于动态能力3P模型[J]. 现代传播，2022（7）：146-152.

[5] 姜智彬，师梦瑶. 广告智能评估：基于共振效应的识别、分析与应对模型[J]. 现代传播，2021（4）：121-127.

[6] 姜智彬，郭博. 流程性匹配：智能技术范式下互联网广告管理平臺的动态能力研究[J]. 山西大学学报（哲学社会科学版），2023（2）：75-85.

[7] 姜智彬，郭钦颖. 基于PSR模型的中国广告产业智能化转型研究[J]. 现代广告，2020（20）：29-35，63.

[8] Radford A， Wu J， Child R， et al. Language Models are Unsupervised Multitask Learners[J]. OpenAI Blog， 2019（8）： 9.

[9] 张夏恒. ChatGPT的逻辑解构、影响研判及政策建议[J]. 新疆师范大学学报（哲学社会科学版），2023（5）：113-123.

[10] Edward S. Mason. Controlling World Trade[M]. New York： Mcgraw-Hill Book Company， 1956： 20-22.

[11] Baumol， William Panzar， John C， et al. Contestable Markets and the Theory of Industry Structure[M]. New York： Harcourt Brace Jovanovich， 1982： 62-67.

[12] Walsh Vivien. Technology and the Economy：the Key Relationship[J]. R&DManagement， 1994（24）： 104-107.

[13] 高红阳. 外在技术预见与国家科技发展战略[M]. 长春：吉林人民出版社，2008：9.

[14] 徐卫华. 中国广告管理体制研究：基于国家与社会关系框架[M].长沙：岳麓书社，2009：11.

[15] Vakratsas D， Wang·X. S. Artificial Intelligence in Advertising Creativity[J]. Journal of Advertising， 2020（3）： 1-17.

[16] 陆伟，刘家伟，马永强，等. ChatGPT为代表的大模型对信息资源管理的影响[J]. 图书情报知识，2023（2）：6-9，70.

[17] 沃森·邓恩，等. 广告与商业[M]. 崔岩峙，崔岩，译. 北京：工商出版社，1981：9.

[18] 许家骏，陆仕超. 传媒管理与实践[M]. 上海：上海大学出版社，2019：2.

[19] 戴维·克拉克. 查理·芒格的投资思想[M]. 巴曙松，陈剑，译. 杭州：浙江人民出版社，2019：9.

[20] 邓建国. 概率與反馈：ChatGPT的智能原理与人机内容共创[J]. 南京社会科学，2023（3）：86-94，142.

[21] 钱力，刘熠，张智雄，等. ChatGPT的技术基础分析[J]. 数据分析与知识发现，2023（3）：6-15.

[22] 赵朝阳，朱贵波，王金桥. ChatGPT给语言大模型带来的启示和多模态大模型新的发展思路[J]. 数据分析与知识发现，2023（3）：26-35.

[23] 戴国良. 企划案管理实务[M]. 汕头：汕头大学出版社，2003：3.

[24] 刘禹良，李鸿亮，白翔，等. 浅析ChatGPT：历史沿革、应用现状及前景展望[J]. 中国图象图形学报，2023（4）：893-902.

[25] 林春培，张振刚，薛捷. 破坏性创新的概念、类型、内在动力及事前识别[J]. 中国科技论坛，2012（2）：35-41.

[26] 杨强，汪波，吕荣胜. 破坏性创新理论的本质及其市场效应分析[J]. 西北农林科技大学学报（社会科学版），2008（1）：59-61，74.

[27] Christensen·C. M， Raynor M， Mcdonald R .What is Disruptive Innovation？[J]. Harvard Business Review， 2015（12）： 44-53.

[28] Thomond P， Lettice F. Disruptive innovation explored[C]. 9th IPSE International Con-ference on Concurrent Engincering： Rescarch and Applications，2002.

[29] Bleyen V-A， Lindmark S， Ranaivoson H， et al. Atypology of media innovations：Insights from an exploratory study[J]. The Journal of Media Innovations， 2014（1）： 28-51.

[30] Christensen C， Dvaid Skok. Be The Disruptor[R]. Nieman Reports， 2012： 3.

基金项目：国家社会科学基金年度规划项目“区块链技术赋能互联网广告数据治理研究”（21BXW083）

作者信息：姜智彬（1968— ），男，安徽淮南人，上海外国语大学新闻传播学院教授、博士生导师，主要研究方向：计算广告、智能广告、广告学前沿；周杨（1993— ），男，江苏淮安人，上海外国语大学国际工商管理学院博士研究生，主要研究方向：计算广告、智能广告、数字营销。