廣告平台操作實務

AI 廣告投放和傳統投放差在哪？自動化廣告是什麼，品牌的控制權搬到資料與驗證

AI 廣告投放和傳統投放差在誰做決定。傳統投放主要由人決定給誰看、出多少錢、放哪個素材；現在品牌設定目標、預算與限制，提供素材與資料，平台 AI 依產品與設定，接手更多受眾、出價、版位與素材組合的決策。用受眾、出價、素材、預算分配、成效判讀與人力角色六個面向對照，拆解品牌手上還剩哪些控制點，以及 Meta、Google 官方文件怎麼寫。

Brick Liao

20 10月 2026 • 20 min read

傳統投放主要由人決定給誰看、出多少錢、放哪個素材；現在品牌設定目標、預算與限制，提供素材與資料，由平台 AI 依產品與設定，接手更多受眾、出價、版位與素材組合的決策。品牌能控制的地方，轉到資料品質、邊界設定與成效驗證。

自動化廣告（automated advertising）指的是：廣告主設定商業目標與預算，由廣告平台的機器學習系統自動處理出價、受眾擴展、版位或素材組合等決策。Meta 的 Advantage+、Google 的 Performance Max（PMax）與 AI Max for Search，都是這一類產品，各自接手的決策範圍不同，也會依活動設定而異。

AI 廣告投放和傳統投放，差在誰做決定

面向	以前 vs 現在
受眾	以前：投手手動圈興趣、年齡與再行銷名單，系統主要投給圈到的人。現在：平台依轉換機率自己找人，品牌給的受眾建議變成參考，排除等控制項仍照設定執行。
出價	以前：人工設定每次點擊或每千次曝光的出價。現在：選擇出價策略，視需要設定目標 ROAS 或目標單次成效，系統在每次競價自己算出價。
素材	以前：素材與受眾的分組由人規劃，人來決定哪支廣告給哪群人。現在：品牌上傳一批素材，系統自己組合文案、圖片與版位，挑表現好的放大。
預算分配	以前：預算按廣告組合切好，由人依成效手動挪。現在：系統在該產品與設定允許的範圍內，把預算自動分到表現較好的版位與受眾。
成效判讀	以前：看後台點擊與轉換，投手改了設定再看數字變化。現在：決定受眾的系統也負責回報成績，後台數字更需要用增量測試與自家訂單驗證。
人力角色	以前：投手的工時花在調參數與拉報表。現在：省下的工時可以移到設目標、管素材、整理資料、設煞車與驗證成效。

這張表的六列可以收成一句話：更多決策從人手上移到平台。目標、預算與排除條件這些邊界仍由品牌設定，品牌最常低估的則是兩個入口，一個是進去的資料，一個是出來的驗證。

Meta 三種主要目標的活動，一建立就預設開啟全自動投放

2025 年 10 月 29 日的 Meta 第三季財報電話會議上，財務長 Susan Li 說明了一個關鍵設定：銷售、應用程式與潛在顧客三種目標的廣告活動，現在一建立就預設打開端到端自動化，讓系統自己決定「要把廣告給誰看、放在哪裡」。同一場會議揭露，跑在這套端到端自動化方案上的營收，年化規模已經到 600 億美元（Meta 2025 年第三季財報電話會議逐字稿）。

九個月後，這個數字又長了一截。Meta 2026 年第二季財報電話會議上，Susan Li 報告 Advantage+ 端到端方案的年化營收已超過 750 億美元。

這兩個數字說明端到端自動化在 Meta 已經有相當規模；上述三種目標的活動預設就開啟自動化，手動圈受眾、手動出價變成要另外調整設定才會走的路，實際可調的範圍仍依活動設定而異。Google 那一側方向相近，PMax 在 2021 年 11 月對全球廣告主開放，並宣布原本的智慧購物廣告與本地廣告要在隔年整併進 PMax。

會議室裡那句「我們這週不是有改受眾嗎」

我們讀 Meta 財報這段話時，腦中浮現一個很常見的週會畫面：投影幕上是 Meta 後台，行銷主管指著上週新增的興趣受眾問投手，為什麼成效看起來沒什麼差。投手有點尷尬，因為他知道在 Advantage+ 這類自動化活動裡，那組受眾只是交給系統參考的建議。

這個尷尬的停頓，就是傳統投放和 AI 投放的落差。大家還在用調後台設定的方式管廣告，平台早就換成另一套決策邏輯。我們寫這篇，是想把這個落差攤開來講清楚，讓品牌知道自己現在真正握著哪幾條線。

平台接手給誰看、出多少、放什麼，品牌管資料與驗證

把上面的對照表再拆一層，AI 投放是把三種決定交給平台，同時讓兩個入口變得更關鍵。以下拆法為本文提出，用來說明控制點的位置。

收走的三種決定：

給誰看：受眾從硬式圈選變成系統自己擴張，名單只是起點。
出多少錢：出價從人工數字變成系統在每次競價即時計算，品牌選策略、視需要設目標值。
放什麼：素材與版位的配對由系統在品牌允許的範圍內組合，品牌提供並管理素材與品牌限制。

留下的兩個入口：

資料入口：系統用來學習的轉換事件、客戶名單、商品資料與素材，是品牌能主動改善的部分（平台另外也會用自己掌握的互動與競價資料）。資料寫錯、漏傳、名單過期，系統就可能朝錯的方向學。
驗證入口：系統回報的成績要有另一把尺來核對，這把尺只能由品牌自己握著。

預算分配與人力角色兩列，是這三種決定被收走之後的連鎖結果。預算跟著系統判斷流動，投手的工時就從調參數挪到這兩個入口上。

Google 和 Meta 的官方文件，怎麼寫受眾？

Meta 與 Google 走的方向相近，官方文件都把受眾寫成給系統的建議。

Google：PMax 可以投給名單以外的人

Google Ads 說明中心對 PMax 受眾建議的說明寫到：品牌可以加入「受眾建議」（audience signals），幫助 Google AI 朝選定的目標學習，但加不加是選填。同一頁還有一句註記：只要判斷轉換可能性高，PMax 可能把廣告投給設定範圍以外的相關受眾。

換成投手的語言：以前在後台勾選的受眾是一道圍牆，現在是一張給系統看的地圖。

搜尋廣告也在往同一個方向走。Google 在 2025 年 5 月 6 日發表 AI Max for Search，把它定義為一鍵開啟的功能組合，用廣泛比對與不依賴關鍵字的技術，替搜尋廣告擴張到原本關鍵字沒覆蓋的查詢。以前搜尋廣告最核心的手動工作是挑關鍵字，現在不必逐一新增關鍵字，系統也能把廣告配對到更多相關查詢。

Meta：系統先從大量廣告裡挑出候選，再決定給誰看

Meta 工程團隊在 2024 年 12 月公開了 Andromeda，這是替 Advantage+ 自動化提供支撐的廣告檢索系統，負責從數千萬則候選廣告中，替每個人篩出數千則相關的候選，再交給下一輪排序。

Meta 在同一篇文章裡說明，Advantage+ 自動化讓可投放的廣告數量增加，生成式 AI 工具的普及也預期會讓素材數量再顯著成長，Andromeda 正是為了在大量素材裡替每個人挑廣告而設計。這改變了素材的角色：以前素材多半是配合受眾做的，先決定給誰看再做對應的圖；現在系統能在更大量的素材裡替每個人配對，素材庫裡差異明顯的選項愈多，系統替不同的人配對時就有愈多選擇。

兩邊合起來看，平台把受眾設定從開關改成提示，品牌真正能影響結果的地方，是交給系統學習的資料與素材。這一點在受眾設定的官方規格與排序方法那篇有更完整的拆解。

為什麼平台後台的成績，需要另一把尺

AI 投放之後，成效判讀更需要另一把尺，原因很單純：同一個系統既負責花錢，也負責回報花錢的結果。

手動投放的報表同樣有歸因偏差，看設定改動前後的數字變化，本來就不等於因果。AI 投放之後，系統自己決定投給誰，品牌更難單靠報表看出哪些訂單是廣告新增的。自動化活動以轉換為目標，自然會把預算放在購買機率高的人身上，這些人的訂單一進來，後台 ROAS 就好看，但其中可能有一部分就算不投廣告也會發生。

學界很早就量過這個落差。西北大學與 Facebook 研究團隊 2018 年的工作論文（2019 年刊登於 Marketing Science）比較了 15 個在 Facebook 上進行的隨機對照實驗，發現常見的觀察式衡量方法多數情況下高估廣告效果，在 14 個以結帳轉換為結果的研究中，有 7 個的觀察式估計與實驗結果持續相差超過三倍。

平台自己也在補這道缺口。Google 在 2025 年的說明中心公告寫到，過去一次增量實驗可能要花超過 10 萬美元，現在符合資格的帳號最低 5,000 美元就能做。門檻降下來，增量測試就不再只是大品牌的工具，但能不能得到明確結論，仍取決於轉換量與測試設計。

所以 AI 投放的成效判讀，建議分成三層：後台 ROAS 用來追蹤同一套歸因設定下的趨勢，判斷新增貢獻靠設計適當的增量測試，最後用自家後台的訂單核對營收。歸因數字和增量測試結果打架時怎麼分工，我們在歸因與增量兩套結論打架的處理那篇談過。

投手的工作沒有消失，換了位置

自動化收走了調參數的工時，投手的工作移到四個地方：設對目標值、維持素材庫的數量與差異、把資料整理成系統讀得懂的樣子、在系統亂花錢之前設好煞車。

AI agent 也在這個時候開始進入廣告操作。Google 在 2025 年的 Google Marketing Live 上，把「Google Ads expert」這類代理功能列為 beta 階段推出，讓系統協助建立活動、產出報表與找出問題。下一步是讓 AI agent 代替人操作廣告後台，平台收走受眾權之後廣告人還能在哪裡施力，可以參考 AI agent 工具在廣告投放的四個施力點。

平台吃什麼資料，決定它往哪裡學

兩個入口裡，資料入口是品牌最常低估的一個。品牌能主動改善的輸入有四種：網站與 App 回傳的轉換事件、上傳的客戶名單、商品目錄，還有素材。轉換事件漏傳，系統就少了「誰買了」這個關鍵訊號；名單是一年前的舊資料，就可能無法反映會員目前的購買狀態。

資料入口要顧好的事情很具體。購買事件要帶著金額、幣別與商品編號完整回傳，伺服器端與瀏覽器端的回傳要能去重；上傳的客戶名單要用最近的購買會員，並把線上與門市的同一位顧客對在一起；名單排序要看預期能帶進來的客人數，購買傾向很高但人數太少的名單，要另外評估比對成功的人數、代表性與擴張後的實測結果。

整理好的名單交給 Advantage+ 或 PMax 當建議，系統擴張時的起點會更接近現有客群。這不保證成效一定變好，但它讓品牌在資料入口上握有主動權，這是平台收不走的部分。把第一方名單當種子的具體做法，可以參考 Advantage+ 受眾自動化後的種子名單操作。

接手 AI 投放之前，先確認資料、目標與驗證方式

檢查轉換事件是否完整回傳：網站與 App 的購買事件、金額、幣別與商品編號都要正確傳回平台，伺服器端回傳與瀏覽器端要能去重（預期效果：系統學習的依據變乾淨；建議週期：導入前做一次完整盤點，之後每月抽查）。
把受眾名單當成種子定期更新：用最近一段時間的購買會員取代舊名單；以拉新為目標的活動，再依產品功能設定既有客戶排除（預期效果：系統擴張的起點貼近現在的客群；建議週期：每月更新一次名單）。
目標值從歷史數據抓：目標 ROAS 或目標單次成效以近期實際達成的水準為起點（例如過去 30 天，並排除大檔期的異常值），不要一次設到理想值（預期效果：避免目標 ROAS 設得過高、或目標單次成效設得過低而壓縮競價機會；建議週期：每兩週檢視一次，每次小幅調整）。
維持素材庫的差異度：每個活動保有角度、形式與視覺明顯不同的多支素材，而不是同一張圖換字（預期效果：系統有足夠的選項替不同的人配對；建議週期：每兩到四週補一批新素材）。
定期做對照組驗證：用隨機對照組或可信的地區對照，比較有投和沒投的訂單差異，並控制檔期與季節的影響，再拿自家後台訂單對帳（預期效果：估計後台 ROAS 裡大約有多少是新增的生意；建議週期：依轉換量與預算安排，轉換量足夠的主力活動建議每季一次）。

Meta 與 Google 各自的設定步驟，可以參考 Meta 廣告自動化的三層設定與 Google Ads 從智慧出價到自動規則的教學。

清單最後一項的訂單對帳，最容易卡在帳本分散：官網、App 與門市各有一本帳，廣告帶來的訂單很難對到同一個人。91APP 的 MediaOne 把這一段接起來，廣告成效直接對回品牌後台的實際訂單，三個通路的交易透過 OneID 對成同一位顧客；Meta、Google 的日常調整交給 AI Agent，團隊手上留著目標、素材與這本帳。

方向盤沒有被收走，只是換到了資料那一側

回到會議室那一幕。下次行銷主管問「我們這週不是有改受眾嗎」，比較好的回答會是：受眾設定現在只是建議，我們這週更新了種子名單，也確認了購買事件有完整回傳，下個月用對照組驗證成效。

平台收走的是一個個下拉選單，品牌手上仍握著目標、資料與驗證。資料餵得乾淨，驗證做得誠實，AI 投放就是品牌可以駕馭的工具。

品牌最常問的 AI 廣告投放問題

Q1：自動化廣告是什麼？ A1：自動化廣告是廣告主設定目標與預算，由廣告平台的機器學習系統自動處理出價、受眾擴展、版位或素材組合等決策的投放方式，接手範圍依產品與活動設定而異。Meta Advantage+、Google Performance Max 與 AI Max for Search 都屬於這一類，品牌的主要工作改成提供資料、素材與驗證成效。

Q2：AI 廣告投放和傳統投放差在哪？ A2：差在誰做決定。傳統投放主要由人決定給誰看、出多少錢、放哪個素材；AI 投放由品牌設定目標、預算與限制，提供素材與資料，平台依產品與設定接手更多受眾、出價、版位與素材組合的決策。品牌的控制點轉到資料品質、邊界設定與成效驗證。

Q3：現在投廣告還要自己設受眾嗎？ A3：可以提供，但角色變了。在 Advantage+ 與 Performance Max 這類自動化活動裡，品牌提供的受眾多半是給系統參考的建議，Google 官方說明也寫明 PMax 可能把廣告投給設定範圍以外的人。品牌要做的是給乾淨、近期的購買會員名單當起點，並依拉新或回購的目標，決定是否用排除名單避開既有客戶。

Q4：小品牌適合 AI 自動投放，還是手動投放？ A4：人力有限的小品牌，可以先評估平台內建的自動化，它能省下調參數的人力。前提是轉換事件要能正確回傳，轉換量也要足夠讓系統學習（各平台門檻不同，以官方說明為準）。轉換量太少時，系統容易學不穩，這時可以把預算集中在少數活動；若改用加入購物車等較前段的事件當目標，要先確認它與實際購買的關聯，並持續追蹤購買品質。

Q5：改用 AI 投放之後，多久看得到成效？ A5：自動化活動上線後會有一段學習期，期間成效波動屬於正常現象，不建議頻繁更動設定。判斷有沒有效，建議至少累積幾週的數據，並視轉換量安排增量測試（隨機對照組或地區對照），再用自家後台訂單核對，不只看平台後台的 ROAS。

Q6：AI 投放最常見的誤解是什麼？ A6：最常見的誤解是以為交給 AI 就不用管。系統會依品牌給的資料與目標學習，轉換事件漏傳、名單過期或目標值設錯，它會很有效率地朝錯的方向花錢。另一個誤解是把平台後台 ROAS 當成最終成績，後台 ROAS 依平台自己的歸因規則計算，可能包含本來就會發生的訂單。

Q7：MediaOne 是什麼？ A7：MediaOne 是 91APP 推出的 AI 廣告投放 Agent，整合 AI 素材生成與 Meta、Google 跨平台投放優化，並把廣告成效對回品牌後台的實際訂單。品牌負責設定 ROAS 目標、預算與提供商品素材，素材製作與日常投放調整由 AI 執行。

Q8：用了 MediaOne，品牌還需要自己管什麼？ A8：品牌仍要決定方向：設定 ROAS 目標與廣告預算、提供要推的商品與素材、定期檢視成效報表。MediaOne 會列出 AI 做了哪些調整與帶來的成效，團隊可以逐項檢查 AI 的決定。

Q9：MediaOne 和 Advantage+、PMax 是互相取代的嗎？ A9：兩者處理的範圍不同。Advantage+ 與 PMax 是 Meta、Google 各自平台內建的自動化；MediaOne 串聯 Meta 與 Google，處理跨平台的預算與投放組合，並用品牌後台的實際訂單驗證成效。

延伸閱讀

AI 廣告投放系列的其他文章：

其他相關文章：

更多 Meta 與 Google 廣告的實務拆解，可以在廣告平台操作實務專欄找到。

想了解更多？留下您的資訊

感謝您的諮詢