廣告平台操作實務

AI 廣告投放和以前差在哪？Meta、Google 官方成效數字比較了什麼

現在的 AI 廣告投放和以前比，差在誰做決定，也差在成效數字。Meta 的 15 組 A/B 測試裡，Advantage+ 購物廣告的每次購買成本平均低 12%；Google 報告使用 Performance Max 的帳戶平均多 13% 增量轉換。這篇把 Meta 與 Google 公布的自動化方案對照數字攤開，拆解受眾、出價、素材與人力的差別、每個數字的比較基準，以及品牌怎麼在自己的帳戶裡驗證。

Brick Liao

20 10月 2026 • 22 min read

現在的 AI 廣告投放和以前比，差在誰做決定，也差在成效。Meta 的 15 組 A/B 測試中，Advantage+ 購物廣告每次購買成本比既有做法平均低 12%；Google 報告使用 Performance Max 的帳戶平均多 13% 增量轉換。

這些數字都由平台自己發布，品牌仍要在自家帳戶做對照確認。AI 投放把受眾、出價與素材組合的決定從人手上移到平台，這個控制權的轉移我們已經拆過；這篇只看數據：Meta 與 Google 公布過哪些「平台自動化方案相對於既有做法」的成效數字。各研究的自動化程度與比較設計不同，不能一律視為純手動對全自動的實驗；下面拆開看比的是什麼、差多少，以及這些數字該怎麼讀。

平台自動化方案與既有做法的官方對照，比的是什麼、差多少

六組 Meta 與 Google 官方數字的比較基準：公布的 A/B 測試（分流細節未公開）、採用者平均、單一個案與平台內部資料

Meta Advantage+ 購物廣告（2022 年 8 月）：15 組 A/B 測試，對照廣告主原本的投放做法，每次購買成本平均低 12%
Meta Advantage+ 潛在顧客廣告（2025 年 10 月）：用 Advantage+ 的廣告主與沒用的相比，平均每筆名單成本低 14%
Meta 個案 Underneat（2026 年 7 月）：原本在 Facebook 與 Instagram 逐一手動設定活動，改用 Advantage+ 銷售活動後，購買增量 13%、加入購物車轉換增加 16%
Google 智慧出價個案 AliExpress（2016 年 7 月）：用草稿與實驗功能讓目標單次成效出價和原本的出價方式正面比較，一個月轉換增加 93%、單次成本減少 46%
Google Performance Max（2021 年 11 月）：Google 報告使用 PMax 的帳戶平均多 13% 總增量轉換，單次成本相近
Google AI Max for Search（2025 年 5 月）：開啟後通常多 14% 轉換或轉換價值；七成以上轉換或轉換價值來自完全比對與詞組比對關鍵字的活動，提升幅度約 27%

這六組平台公開資料都呈現正向結果，但研究設計不同，也可能有只公布成功案例的選擇偏差；它們適合拿來形成測試假設，不能用來估計一般品牌成功的機率或提升幅度。各組的比較方式也不相同：Meta 公布的 A/B 測試（未公開分流細節）、用與沒用的平均值、單一品牌個案，以及平台內部資料彙總。比較方式決定了數字能回答什麼問題。

週會上那張「官方說成本低 12%」的投影片

我們整理這些官方數字時，腦中浮現一個很常見的週會畫面：有人把平台簡報上的「每次購買成本低 12%」投到牆上，提議下個月把手動活動全部改成 Advantage+。坐在一旁的投手有點擔心，他手上的帳戶跟簡報裡的廣告主不一樣，商品、預算、轉換量都不同，這個 12% 能不能照搬，沒有人說得準。

這個擔心是對的。官方數字提供了值得測試的方向，卻沒有替任何一個帳戶保證結果。我們寫這篇，是想把每個數字背後的比較方式攤開，讓品牌知道哪些可以參考、哪些要自己驗證。

開了 AI 之後，受眾、出價、素材與人力各自換掉了什麼

對照研究裡，既有做法與自動化方案的差別集中在四個面向。下面只講這四個面向在「比較成效」時要注意的地方，控制權移轉的完整對照請回頭看 1A。

受眾：AI 組觸及的人，可能和既有做法不同

Google 在 Performance Max 受眾建議的說明寫得很清楚：受眾建議是選填，而且只要判斷轉換機率高，PMax 可能把廣告投給建議範圍以外的人。Meta 財務長 Susan Li 在 2025 年第三季財報會議也說明，銷售、應用程式與潛在顧客三種目標的活動一建立就打開端到端自動化，由系統自動選擇廣告給誰看、放在哪裡。

兩組的成本差距，有一部分可能來自「找到的人不一樣」。既有做法多半只投給投手圈好的受眾，AI 組可以往外擴，找到更便宜的轉換，也可能找到原本就會買的人。比較時要把新客與回購客拆開看。

出價：一個人算不完的參數，系統在每次競價時算

Google Ads 說明中心對智慧出價的定義是：用 Google AI 在每一次競價針對轉換或轉換價值調整出價，Google 稱為「競價時出價」。系統會同時考慮裝置、所在城市、地點意圖、當地時間與星期、是否在再行銷名單上、瀏覽器、作業系統與語言等條件，說明中心形容，這些參數多到超過一個人或一個團隊能計算的範圍。

手動出價只能針對少數條件設調整比例，AI 出價則是逐次計算。

素材：從一支廣告配一群人，變成系統自己組合

Meta 在 2022 年 8 月推出 Advantage+ 購物廣告的公告中說明，這類活動省去手動建立廣告的步驟，一次最多自動組合 150 種創意。到了 2026 年第一季財報會議，使用至少一種生成式 AI 素材工具的廣告主已超過 800 萬，使用影片生成功能的廣告主，在測試中的轉換率高出 3% 以上（Meta 在財報會議自行公布，未公開測試期間與設計）。

素材組合交給系統之後，AI 組能測試的版本數量遠多於手動組。成效差距裡，有多少來自出價、有多少來自素材數量，平台公布的數字沒有拆開。

人力：省下的是逐項設定與維護的工時

Meta 公布的這幾組對照，都沒有附上省下多少工時，這一項目前只能看調查。美國互動廣告局 IAB 的 State of Data 2025 報告調查 529 位代理商、品牌與媒體端專業人士，76% 認為 AI 在節省時間、資源或成本上大致或持續符合期待，代理商 82%，品牌端 71%。

Meta 的對照：公布的 A/B 測試基準最清楚，平均值與個案只能看方向

Meta 三組數字各自對照什麼：公布的 A/B 測試（分流細節未公開）、採用者與未採用者的平均、單一品牌個案

2022 年：15 組 A/B 測試，每次購買成本低 12%

Advantage+ 購物廣告推出時，Meta 公布了 15 組 A/B 測試的結果：和廣告主原本的投放做法（Meta 稱為 business as usual）相比，每次購買轉換成本平均低 12%。

這是六組數字裡比較基準最清楚的一組：Meta 稱之為 A/B 測試，對照的是廣告主原本的做法，但公告沒有公開分流單位與執行細節，原本的做法也不一定完全沒有自動化。限制是樣本只有 15 組測試，而且是 2022 年的系統。

2025 年：用 Advantage+ 的廣告主，名單成本平均低 14%

Susan Li 在 2025 年 10 月 29 日的財報會議上說，用 Advantage+ 跑潛在顧客活動的廣告主，平均每筆名單成本比沒用的低 14%。

這個數字是「用的人」與「沒用的人」的平均比較，兩群廣告主的產業、預算與轉換量可能本來就不同。我們的解讀是：它能說明採用者整體表現較好，但比較方式並非同一帳戶的 A/B 測試，不能直接當成單一帳戶開了就會低 14%。

2026 年：一家印度服飾品牌的購買增量 13%

在 2026 年第二季財報會議上，Susan Li 舉了印度線上服飾品牌 Underneat 的例子：原本在 Facebook 與 Instagram 逐一手動設定活動，改用 Advantage+ 銷售活動，並疊加 Advantage+ 受眾、版位與預算最佳化後，購買增量 13%，加入購物車轉換增加 16%。

Meta 把這個結果稱為購買的增量提升，但逐字稿沒有公開對照組、分流方式、測試期間與估計方法，本文無法確認它的比較基準是不是「完全不投放廣告」。這也是財報會議上挑選的單一個案；案例是印度的線上服飾品牌，客群、客單與市場競爭都和台灣零售不同，數字只能當「改用 AI 可能帶來增量」的方向證據，不是台灣品牌可以直接套用的目標。

Google 的對照：智慧出價、PMax 與 AI Max 各自比了什麼

2016 年：智慧出價和原本的出價方式正面比較

Google 在 2016 年 7 月 25 日發表智慧出價的文章裡，引用了幾家廣告主的測試。AliExpress 用 AdWords 的草稿與實驗功能，讓目標單次成效出價和原本的出價方式正面比較，一個月後轉換增加 93%、單次成本減少 46%。SurveyMonkey 測試智慧出價三週，轉換增加 44%。

AliExpress 用草稿與實驗功能做同一帳戶內的正面比較，但原文只寫對照「原本的出價方式」，沒有說明那是手動出價；SurveyMonkey 的部分，原文只說測試了三週，沒有交代比較方式。限制同樣明顯：它們是 Google 挑出來發表的成功案例，而且是十年前的系統。今天的帳戶多半已經從智慧出價一路用到自動規則，重新比較才有意義。

2021 年：使用 PMax 的帳戶，平均多 13% 增量轉換

Performance Max 在 2021 年 11 月 2 日開放給全球廣告主時，Google 公布：帳戶中使用 PMax 活動的廣告主，平均多 13% 的總增量轉換，單次成本相近。註腳標示資料來源是 Google 2021 年 7 月到 9 月的全球廣告資料。

這是 Google 報告使用 PMax 帳戶的平均提升，估計設計未完整公開；數字涵蓋 PMax 跨 YouTube、多媒體、搜尋、Gmail 與地圖等版位多出來的觸及，沒有拆出其中多少來自原本其他活動的轉移。

2025 年：AI Max 通常多 14% 轉換，以完全與詞組比對為主的活動多 27%

Google 在 2025 年 5 月 6 日發表 AI Max for Search 時說，在搜尋廣告開啟 AI Max 的廣告主，通常能在相近的單次成本或 ROAS 下，多 14% 的轉換或轉換價值；超過 70% 的轉換或轉換價值來自完全比對與詞組比對關鍵字的活動，提升幅度約 27%。註腳標在 27% 那句之後，寫明是 Google 2025 年內部資料，範圍是非零售廣告主、七成以上轉換或轉換價值來自完全與詞組比對的活動；14% 是否同一口徑，公告沒有分開說明。

零售品牌引用這兩個數字時要特別留意這個口徑，AI Max 會擴充搜尋字詞比對、自動調整廣告文字與到達網址，對以完全比對為主的帳戶改變最大。

官方數字搬進自己的帳戶前，先核對比較方式與資料口徑

以下四個檢查點為本文提出，用來判斷一個官方數字能不能拿來參考。

比較方式：A/B 測試的比較基準最清楚，用與沒用的平均值會混入廣告主本身的差異，個案則只能說明方向。12% 是 Meta 公布的 A/B 測試，未公開分流細節；14% 是用與沒用的平均；13% 的購買增量是個案。
誰發布的：六組數字都來自平台自己。平台同時負責投放與回報成績，所以品牌需要在平台後台之外留一把自己的尺。
資料口徑：AI Max 的 27% 限非零售廣告主，14% 的範圍公告沒有分開說明，PMax 的 13% 是 2021 年的全球資料。口徑和自家帳戶不同，數字就只能參考方向。
時間：2016 年的智慧出價、2022 年的 Advantage+ 購物廣告，系統都改版很多次了。出價、受眾、素材是十年間依序交給系統的，手動與 AI 的差距也會跟著演算法改版而變。

業界調查也反映了「官方數字很好看，品牌端相對保守」的落差。IAB 的 State of Data 2025 報告裡，認為 AI 在達成媒體活動預期效果上大致符合期待的，代理商有 75%，品牌端是 67%；對 AI 表現的穩定度，代理商 73% 給正面評價，品牌端只有 61%。

IAB 在 2026 年 1 月發布的 2026 Outlook Study，調查 205 位美國買方廣告投資決策者，63% 表示 2026 年會投入更多時間或資源在「把 AI 當成端到端解決方案」；同一份調查中，把「證明增量」列為媒體投資挑戰的比例是 28%，前一年是 36%。採用的意願往上走，驗證的需求沒有消失。

在自己的帳戶裡，做一次手動與 AI 的對照

官方數字回答的是「平均而言」，品牌要的是「自己的帳戶會怎樣」。下面五個步驟，是把兩種做法放在同一個帳戶裡比較的做法。

先讓兩組吃同一套轉換資料：購買事件、金額與商品編號完整回傳，兩組用同一個轉換目標，否則差距可能只是資料口徑不同（預期效果：減少衡量口徑造成的差異；結果能不能歸因於投放方式，仍取決於分流設計、同期控制與樣本量；建議週期：開測前做一次完整盤點）。
用平台的實驗功能切流量：Google 的自訂實驗讓實驗組與原始活動分攤流量與預算，搜尋活動可以選擇依 cookie 或依搜尋分流；但自訂實驗只支援搜尋、多媒體、影片與飯店活動，購物與應用程式活動不適用；要評估 PMax，Google 另有 PMax 提升實驗，以及 PMax 與標準購物廣告的正面比較實驗（預期效果：兩組面對相同的市場與檔期；建議週期：每次要把主力活動改成 AI 自動投放之前）。
比同一組指標，再加上自家訂單：除了單次成本與 ROAS，也把兩組帶來的訂單拆成新客與回購客，最後用自家後台訂單對帳；對照組怎麼切、樣本要多大，在開跑前就決定了結論能不能用（預期效果：新舊客拆分看出客群結構，後台訂單確認成交、退款與營收口徑；要判斷廣告額外促成多少生意，仍要另做增量實驗；建議週期：測試結束時做一次完整拆分）。
給學習期足夠的時間：Google 說明學習期長短主要受轉換數、轉換週期與出價策略影響，通常需要 1 到 2 個轉換週期，測試期間避免改設定（預期效果：避免把學習期的波動誤判成成效差；建議週期：測試至少涵蓋數個轉換週期，轉換少的帳戶要拉更長）。
把人力也記下來：記錄兩組每週花在設定、調整與報表上的工時（預期效果：成本比較包含人力，不只看廣告費；建議週期：測試期間每週記錄一次）。

五個步驟裡，比訂單那一步最常卡關：兩組的訂單要從後台撈出來、拆新舊客，門市成交更難對上。91APP 的 MediaOne 把廣告成效直接對回後台實際訂單，官網、App 與門市交易透過 OneID 對成同一位顧客；AI 每做一次調整也列在報表上，記人力那一步，可以對照哪些工作已經交給系統。

那張投影片上的 12%，最後要換成自己的數字

回到週會上那張投影片。下次有人把「成本低 12%」投到牆上，比較好的回應是：這是 Meta 在 2022 年用 15 組 A/B 測試算出來的平均，我們先在主力活動上切一組實驗，跑滿幾個轉換週期後，用自己的訂單看結果。

官方數字告訴品牌 AI 自動投放值得一試，自己帳戶裡的對照，才告訴品牌該把多少預算交給它。

品牌最常問的 AI 廣告投放成效問題

Q1：現在的 AI 廣告投放和以前比，差在哪？ A1：差在誰做決定，也差在成效。以前由人設定受眾、出價與素材配對，現在平台 AI 在每次競價自己決定。Meta 2022 年的 15 組 A/B 測試中，Advantage+ 購物廣告的每次購買成本比原本做法平均低 12%；Google 報告使用 Performance Max 的帳戶平均多 13% 增量轉換。這些數字由平台發布，品牌仍需自行驗證。

Q2：開 Advantage+ 或 PMax 之後，成效一定比手動投放好嗎？ A2：不一定。平台公開的研究都呈現正向結果，但這些是平台挑選公布的資料，比較方式也各不相同，有 A/B 測試，也有平均值與個案。帳戶的商品、預算、轉換量與資料品質不同，結果也會不同，比較穩當的做法是用平台的實驗功能，在自己的帳戶切一組對照。

Q3：官方說成本低 12%、多 13% 轉換，可以當成我們的目標嗎？ A3：不建議直接當目標。12% 來自 2022 年 Meta 的 15 組 A/B 測試，13% 來自 Google 2021 年的全球資料，AI Max 的 27% 限非零售廣告主，14% 的範圍公告沒有分開說明。這些數字適合拿來判斷方向，目標值要用自己帳戶的歷史數據與對照測試結果來定。

Q4：小品牌要怎麼比較手動投放和 AI 自動投放？ A4：先確認轉換事件完整回傳，再選一個轉換量較多的活動，用平台的實驗功能切出一部分流量改用自動化方案，並讓預算、轉換目標與檔期保持一致；改用 PMax 時活動結構一定會不同，Google 另有 PMax 專用的提升實驗與 PMax 對標準購物廣告的比較實驗。Google 的自訂實驗只支援搜尋、多媒體、影片與飯店活動；若使用受眾名單並以 cookie 分流，名單至少要有 1 萬名使用者，結果才比較準確。開測前先估算樣本夠不夠；不夠時縮小要回答的問題、拉長測試期間，並接受「目前無法判定」的結果。

Q5：手動投放和 AI 自動投放的對照測試要跑多久？ A5：要涵蓋學習期與數個轉換週期。Google 說明自動出價的學習期通常需要 1 到 2 個轉換週期，長短主要受轉換數、轉換週期與出價策略影響。轉換量少的帳戶要跑更久，測試期間也要避免更改預算與目標，否則可能讓出價策略重新進入學習期。

Q6：AI 自動投放會不會把錢花在本來就會買的人身上？ A6：有可能。Performance Max 這類活動會把廣告投給轉換機率高的人，包括原本就打算購買的既有顧客。比較兩組成效時，可以把訂單拆成新客與回購客看客群結構，用自家後台訂單確認成交與營收；但新客也可能本來就會買，回購也可能是廣告促成，要知道多出來的轉換有多少是真正新增的生意，仍要靠增量實驗。

Q7：MediaOne 有公開的成效數字嗎？ A7：91APP 公布一個 OMO 女裝品牌案例：持續投放 9 個月，ROAS 提升 40%，投放規模放大 3.5 倍，4 成預算投入新客。和本文提到的官方數字一樣，品牌搬進自己帳戶前，要先核對比較方式與資料口徑。

Q8：用 MediaOne 自動投放，品牌還看得到調整細節嗎？ A8：看得到。MediaOne 會列出 AI 做了哪些調整，以及帶來的成效，品牌能對照自己的目標檢查每一次調整。

Q9：MediaOne 用什麼口徑計算成效？ A9：以品牌後台的實際訂單為準，從廣告來源追到成交與營收金額；OneID 串聯官網、App 與門市交易，線下成交也算得到。

延伸閱讀

AI 廣告投放系列的其他文章：

其他相關文章：

想了解更多？留下您的資訊

感謝您的諮詢