Asset Studio＋Veo＋Nano Banana：一條龍生成廣告創意的極限與風險（2026）
Google Marketing Live 2026 把 Asset Studio 推上舞台，一句 brief 或一個網址就生出腳本、橫直影片與配音，2026 夏季全球英文版上線。生成成本趨近於零，但能生不等於能轉換。這篇拆解一條龍創意的三層結構、創意疲勞的機制，以及台灣品牌把產能變成成效的做法。
2026 年 5 月 20 日，Google Marketing Live 2026 的舞台上，一支 YouTube 廣告在幾分鐘內從無到有。沒有攝影棚，沒有燈光師，沒有剪接與配音，只有一句話：把這個產品拍成一支讓人想看完的短影片。台下的行銷人看著螢幕，畫面裡的模特兒轉身、鏡頭推近、配音響起，整個過程像在用文字下指令炒一盤菜。Google 把這套工具叫做 Asset Studio，背後接的是 Gemini、Veo 與 Nano Banana 三個生成模型，一份 brief 或一個網址進去，腳本、橫式影片、直式影片、配音一次出來，官方預告 2026 年夏季全球英文版正式 rollout（Google 官方 GML 2026 彙整）。
台下有人興奮，也有人沉默。興奮的是產能，一個原本要三週、三家供應商、六位數預算的影片專案，被壓縮到一個下午一個人一杯咖啡。沉默的是另一個問題：當生成一支廣告的成本趨近於零，真正稀缺的東西是什麼？Google 自己在同一份發布裡就給了半個答案。它引用的資料顯示，廣告創意本身驅動了將近一半的增量銷售，是所有成效因素裡影響最大的一項（NCSolutions／Circana 2023 五大效益關鍵研究原始報告）。這句話翻過來看很嚇人：如果創意品質決定成敗，而 AI 讓每個人都能一天生一百支，那市場上會發生什麼事？
我們在客戶的廣告檢討會上看到的事
我們是 91APP 團隊。過去幾個月的幾場品牌廣告成效檢討會上，我們反覆看到同一個畫面：行銷團隊一個上午生出上百支素材全數上架，第一週報表漂亮，到了第二、三週，投影幕上的 CTR 曲線一路往下滑、成本往上爬，會議室的空氣跟著安靜下來。大家都在問同一句話，素材明明變多了，成效怎麼反而掉得更快，這一百支裡到底有幾支真能賣貨。
一條龍創意分成三層，能生只是最上面那層
要看懂 Asset Studio 的價值與風險，先把「一條龍生成」拆成三層來看。多數人只看見最上面那層，卻是下面兩層決定生意。
| 這一層在做什麼 | 誰決定它做得好不好 |
|---|---|
| 生成力：把 brief 或網址變成大量橫直影片與圖文素材 | 生成模型的能力（Veo、Nano Banana、Gemini） |
| 判斷力：從一百支素材裡挑出值得投放預算的那幾支 | 投放系統與衡量訊號的準確度 |
| 資料力：系統憑什麼判斷一支素材對哪群人有效 | 品牌自己的第一方數據乾不乾淨、歸不歸得了戶 |
Asset Studio 把最上面那層的門檻打到接近零。根據 Google 的說明，它整合了 Gemini、Veo 3.1 與 Nano Banana，上傳最多三張靜態圖，Veo 就能各生出一支最長十秒、帶自然運鏡的影片，並預告 2026 夏季再加入 Gemini Omni 模型，同時開放與 Adobe、Canva 等外部平台串接（Google Asset Studio 多模態影片生成公告）。這裡要說清楚時效：Asset Studio 的多模態影片生成與 Gemini Omni 整合，是 GML 2026 這次的新發功能；而 Veo、Nano Banana 本身是 2025 年就存在的 Gemini 系列模型，這次是被整併進 Google Ads 的創意工作流。至於 AI Max、Smart Bidding Exploration 這些投放端能力，則是 2025 年先發、2026 年延續強化，別跟這次的創意新功能混在一起講。
真正的問題出在第二層與第三層。生成力被無限放大之後，判斷力與資料力就成了瓶頸。你能一天生一百支，但你的帳戶一週能學會判斷的素材數量有上限；系統要判斷一支素材對誰有效，靠的是你餵給它的成效訊號，而這些訊號的源頭，是你自己歸得乾不乾淨的顧客資料。上面那層越便宜，下面兩層就越值錢。
判斷力這一層有個容易被忽略的物理限制。任何投放系統要判斷一支素材好不好，都得先讓它跑一段時間、累積足夠的曝光與轉換樣本，才收得到統計上可信的訊號。素材數量一旦暴增，每支能分到的預算與曝光就被稀釋，系統反而更難在短時間內分辨誰優誰劣，最後常常是還沒學明白就整批換掉，白白燒掉學習期的預算。生成端一個下午能給你一百支，判斷端一週可能只消化得了其中十幾支，這中間的落差不會因為模型更強而消失，它是預算與時間的硬邊界。真正的高手不是比誰生得多，而是比誰能用最少的素材，最快找到那幾支值得加碼的贏家。
資料力這一層則決定了前面兩層的天花板。當你把出價、版位、受眾都交給 AI 自動決策，我們在 Google AI Max 完全解析裡談過這種全自動投放的邏輯，系統的每一步都建立在它對你顧客的理解上。理解得越完整，生成與投放就越準；理解得越零碎，AI 就只能在錯的假設上把事情做得又快又錯。這也是為什麼談 Asset Studio 不能只談 Veo 和 Nano Banana 拍片拍得多漂亮，得一路往下問到：它拿到的顧客輪廓，到底是完整的一個人，還是拼不起來的三張碎片。
三個品牌，三種結局
把鏡頭拉到真實案例，一條龍生成的兩種命運看得更清楚。
先看 Google 自己端出的正面示範。運動服飾品牌 Rhone 用 Nano Banana 與 Veo 做圖生影片，把手上既有的商品圖延伸成大量可投放的影片素材，重點在於它是拿「已經驗證過的素材」去放大，基礎是市場已經證明有效的核心概念（Google Asset Studio 多模態影片生成公告）。這是把 AI 當放大器的用法：先有一個被市場證明有效的核心概念，再讓模型把它擴充成一整個素材庫。
再看一個反面教材。可口可樂 2024 年那支全 AI 生成的耶誕廣告，技術上算精緻，卻在社群引來大量反彈，被批評「沒有靈魂」、廉價、冒犯了品牌長年累積的情感資產。分析者用「真實性溢價」來解釋這件事：在情感導向的廣告情境裡，人類創意帶著一種說不清但真實存在的價值，AI 一旦把它抽掉，消費者立刻感覺得到（KO Insights：真實性溢價與 AI 生成內容）。同一套工具，Rhone 賺到效率，可口可樂賠掉好感，差別在於有沒有先想清楚要生什麼、為誰而生。
還有一組數字本身的對照。Google 委託 Ekimetrics 於 2024 年分析 2,096 檔活動後得出，YouTube 的銷售貢獻裡有六成來自廣告創意，優化得當時 ROI 甚至能翻倍（Google Asset Studio 多模態影片生成公告，此為 Google 委託之研究，屬品牌方立場數據，解讀時保留一分）。這裡要提醒一句，兩個數字量的是不同對象：Ekimetrics 這個六成，限定 YouTube 單一平台的銷售貢獻；NCSolutions 那個 49%，涵蓋所有媒體的跨通路增量銷售。兩把尺量的範疇不同，放在一起看只為說明同一件事，創意的份量被嚴重低估。這個份量既是 Asset Studio 存在的理由，也是它的風險說明書：創意這麼重，代表生錯方向的代價也同樣重。
這裡還藏著一個讓人惋惜的落差。NCSolutions 的機器學習模型算出創意驅動約 49% 的增量銷售，是最大的單一因素；但另一份由 Cumulus Media／Westwood One 委託、Advertiser Perceptions 於 2026 年 2 月訪問 122 位行銷人的調查發現，行銷人平均只把創意的重要性估到約 21%，反而高估了受眾鎖定的貢獻（Advertiser Perceptions 2026 年 2 月調查，Westwood One 整理，此為媒體整理其委託之調查、非研究機構原始報告，解讀時保留一分）。要留意的是，49% 與 21% 來自兩家不同機構、不同年份、不同題目的研究，並非同一份調查的前後對照，湊在一起卻指向同一個尷尬結論：市場長期把最該投注心力的地方看輕了一半以上。當 Asset Studio 把生成門檻打到零，一個原本就低估創意的行銷團隊，很容易誤以為「反正生得快，多生幾支就好」，把更多資源投進產量，而不去想「這一支到底想對誰說什麼」。工具放大的不只是能力，也放大了原本的認知偏差。
為什麼「素材變多」會讓成效更快變差
表面上看，AI 量產素材是好事，素材庫越大越不怕沒東西投。往下一層看，機制卻沒那麼樂觀。
問題的名字叫創意疲勞。Meta 的分析團隊在 2023 年的一份分析裡把它定義成使用者反覆看到同一組視覺元素後產生的效應：曝光累積到一定次數，轉換率開始下滑，單次行動成本開始上升，因為人會追求新鮮，看膩了就自動略過（Analytics at Meta：創意疲勞與重複曝光管理，2023）。值得注意的是，Meta 的分析還挑戰了行銷圈一個常見的直覺：很多人以為素材要先重複曝光一段時間、讓受眾「熟悉」之後成效才會起來，但資料顯示，對不少素材而言，第一次曝光往往就是效果最強的時候，之後只會往下走。
這個機制放到 AI 量產的情境，就變成一個要小心的前提條件。前提是這些素材彼此高度雷同：如果你用同一份 brief 一次生出一百支長得幾乎一樣的素材，一次全灌進市場，等於同時把一整批共享同一組視覺元素的素材推向下坡，疲勞不再是慢慢累積，而是集體發生。Meta 同一份 2023 年的分析也給了正面消息：針對高疲勞情況做對的素材更替，平均能把轉換率拉回約 8%。你可以在自家的 Meta 廣告報表裡實際盯這件事，我們寫過的 Meta 廣告策略指南裡拆解過頻率與相關性排名怎麼當疲勞的預警訊號。從操作面看，這也解釋了為什麼老練的投放團隊會把素材拆成模組來延壽：把一支影片拆成開頭鉤子、主體、行動呼籲三段，用不同組合輪播給不同受眾，能在不重做整支影片的前提下延長素材壽命；有意思的是，實務上最先磨損的往往是文案，同一句開場白被看多了，大腦就自動略過。
再往根源挖，會挖到一個更尷尬的事實。前面提到 NCSolutions／Circana 2023 的研究，創意品質驅動約 49% 的增量銷售，是最大的單一因素；而學術界也有實驗證據支持這個判斷：一份探討創意疲勞的研究（Fatigue-Aware Ad Creative Selection，arXiv 2019）在實驗室環境發現，品質夠高的創意對重複曝光的耗損明顯更耐磨，不過同一份研究也提醒，耗損因情境而異，高品質並不等於免疫。把這兩件事接起來看，AI 量產的真正陷阱就浮現了：如果你用同一份 brief 一次生出一百支高度雷同的素材，它們不只彼此稀釋曝光，還會一起加速疲勞。市場上因此多了一個新詞叫 AI slop，指的正是那種量大、精緻、卻空洞到互相沒有區別的內容。
消費者這一端的耐心也正在流失，而且有多份調查指向同一個方向。Canva 2026 年的行銷 AI 報告指出，每十位消費者就有七位覺得 AI 生成的廣告「總像少了點什麼」（Canva 2026 行銷 AI 報告）；Gartner 於 2026 年 3 月公布、2025 年 10 月訪問 1,539 位美國消費者的調查更顯示，半數消費者傾向把生意留給「不在面向消費者的內容、廣告與訊息裡使用生成式 AI」的品牌（Gartner 2026 消費者調查）；IAB 於 2026 年初的研究也發現，連續兩年出現同一個落差，Z 世代與千禧世代對 AI 生成廣告的反感，比廣告主自己以為的更強（IAB：AI 廣告認知落差擴大）。生成越便宜，同質越氾濫，消費者的鼻子就越靈。這一層才是廣告主真正該擔心的地方。
讓 AI 生得準，前提是它認得你的顧客
回到那三層結構。生成力現在人人都有，勝負移到判斷力與資料力，而這兩層都建立在同一塊地基上：乾淨、歸得了戶的第一方數據。
Asset Studio 官方一直強調它產出的素材是 data-backed、built on performance data，意思是系統會根據成效資料去判斷一份核心概念該衍生成哪些版本。問題來了，這裡的 performance data 是誰的？是你這個品牌自己的顧客行為。如果一位顧客早上在官網看了商品、中午到門市試穿、晚上用 App 下單，卻在你的系統裡被切成三個互不相識的陌生人，那麼餵給 Asset Studio 的成效訊號從源頭就已經拼不起來，生成模型再強，也只是根據錯的線索生出貌似合理的素材。這正是顧客數據平台這類工具存在的意義。以 91APP 的 CDMP（Customer Data & Marketing Platform）為例，它把同一個人在線上與線下、跨通路的行為歸到單一顧客身上，做到 OMO 的乾淨第一方數據，讓後續所有廣告自動化拿到的都是同一張完整的臉。我們在OMO 資料整合與 CDMP 的實作裡把這條歸戶邏輯拆得更細。這也是為什麼在代理商式商務與 CDP／CDMP 的討論裡，我們一直把資料歸戶當成 AI 自動化的前置條件：agent 讀到歸不了戶的第一方數據，就只會給你切成碎片的答案，創意生成也不例外。
舉一個具體的操作場景。假設一個美妝品牌要為一支明星精華液生成 Asset Studio 素材，如果系統只知道「這支商品賣得好」，它生出來的版本大概圍繞成分和促銷打轉。但如果背後的顧客數據平台能告訴它，這支精華液的主力買家有六成是先在門市試用、兩週後回線上回購的熟客，另有三成是被小資組合吸引的首購客，那麼生成方向就能拆成兩條：一條主打「櫃姐推薦、回購無腦選」的信任感，投給熟客；一條主打「小資入門組」的嘗鮮誘因，投給首購。同一支商品、同一個生成工具，因為餵進去的顧客輪廓不同，長出來的素材策略完全不同。這一步的前提，是這個品牌能把同一個人在門市與線上的行為歸到一起，而這正是很多品牌卡住的環節。
具體到操作，這件事會反映在每一個環節。Asset Studio 從一個網址或一份 brief 出發衍生素材時，若能同時知道「這個網址上的商品，過去主要被哪一群顧客買走、他們還一起買了什麼、在門市還是線上成交」，生成的版本就會更貼近真實需求；投放系統決定把哪支素材推給誰時，若受眾輪廓是跨通路歸戶後的完整樣貌，配對的準度就完全不同。反過來，資料若是七零八落的，這些聰明的判斷全都建立在流沙上。顧客數據平台做的，就是把這塊地基夯實：先把人歸對，再讓上面的生成與投放去發揮。
換句話說，Asset Studio 決定你能生多少素材，你的顧客數據決定這些素材生得準不準。前者 Google 已經幫全世界拉平，後者只能靠品牌自己補課。
把生成產能變成轉換產能，靠的是這五步
工具給了每個人一樣的生成力，拉開差距的是下面這幾件事。台灣品牌可以照著檢查。
- 先盤第一方數據，再開 Asset Studio。 在讓 AI 大量生成之前，先確認顧客資料歸戶乾不乾淨，線上線下、跨通路的行為有沒有歸到同一個人。餵給生成與投放系統的成效訊號準了，AI 的判斷才有意義。這一步是 91APP CDMP 這類顧客數據平台的主場，也是後面所有效率的地基。
- 把 AI 當放大器，不要當亂槍打鳥的發電機。 學 Rhone 的用法：先用少量素材找出被市場驗證過的核心概念，再讓 Veo、Nano Banana 把它擴充成一整個素材庫。禁止一份 brief 一次噴一百支雷同素材上架，那只會加速創意疲勞。
- 為疲勞建一套更替節奏，趁預警訊號出現時就換。 盯住頻率、CTR、相關性排名這些預警訊號，設定更替門檻（例如冷受眾頻率超過 2.5、再行銷超過 5.0 就進場更替，這組數字是業界常見的經驗參考值、非官方通用標準，實際門檻要用自家歷史數據回測校準），優先換掉最快疲勞的元素。前面引用的 Meta 2023 年分析顯示，這能平均把轉換率拉回約 8%。
- 用微轉換訊號校準 AI 要生什麼方向。 加購、加入願望清單、觀看完成率這些微轉換訊號，能比最終成交更早告訴你哪一類素材有感，把這些訊號回灌給生成與投放系統，AI 才知道下一批該往哪個方向生。
- 守住真實性溢價，替 AI 內容標好底線。 高情感、講品牌故事的檔期，留給人類創意或人機協作；把 AI 大量生成集中在轉換型、需要快速多版本測試的素材。消費者對 AI slop 的敏感度只會越來越高，這條界線值得先畫清楚。
生得出來，跟賣得出去，是兩件事
那天在 Google Marketing Live 的舞台上，一支廣告在幾分鐘內誕生，台下的驚嘆是真的，沉默也是真的。工具把「生得出來」這件事變成了空氣，人人免費呼吸。但生意從來不是靠生得出來贏的，是靠賣得出去。當每個品牌都能一天生一百支影片，市場不會因為素材變多而變好，只會因為同質變多而更吵。真正安靜下來、把顧客看清楚、知道自己要對誰說什麼的品牌，反而會在那片喧嘩裡被聽見。生成的極限，從來不在模型，在你有多認識來買你東西的那個人。
常見問題 FAQ
Q1: Asset Studio 是 GML 2026 全新推出的嗎？Veo 和 Nano Banana 也是新的？ Asset Studio 把多模態影片生成整合進 Google Ads，以及預告加入 Gemini Omni 模型，是 Google Marketing Live 2026 這次的新發功能，官方預告 2026 年夏季全球英文版 rollout。但 Veo、Nano Banana 本身是 2025 年就存在的 Gemini 系列生成模型，這次屬於被整併進創意工作流，不是全新誕生的模型。引用時要區分「新整合」與「舊模型」，避免張冠李戴。
Q2: 一條龍生成會不會讓廣告成效變好？ 不必然。生成成本降低解決的是產能問題，不等於成效問題。研究顯示創意品質驅動約 49% 的增量銷售（NCSolutions／Circana 2023），而 AI 若一次量產大量雷同素材，反而會加速創意疲勞。成效好不好，取決於你能不能挑出值得投的素材，以及生成系統拿到的成效訊號準不準。
Q3: 什麼是創意疲勞？跟 AI 量產有什麼關係？ 創意疲勞指使用者反覆看到同一組視覺元素後，轉換率下滑、成本上升的現象（Analytics at Meta 2023 分析）。AI 量產的風險在於，用同一份 brief 生出的素材彼此高度雷同，會一起加速疲勞。高品質、差異化的素材對疲勞抵抗力較強，這也是為什麼「生得多」不如「生得準」。
Q4: 消費者真的排斥 AI 生成的廣告嗎？ 存在明顯的落差。Canva 2026 報告指出七成消費者覺得 AI 廣告「總像少了點什麼」；Gartner 2026 年 3 月調查發現五成美國消費者傾向選擇不在面向消費者內容裡用生成式 AI 的品牌；IAB 2026 研究也發現年輕世代的反感比廣告主以為的更強。做法上，高情感檔期建議保留人類創意，AI 集中在轉換型、需要多版本測試的素材。
Q5: 為什麼 AI 生成創意跟第一方數據有關？ Asset Studio 產出的素材強調是 data-backed，會依成效資料判斷一份概念該衍生哪些版本。這些成效資料的源頭是品牌自己的顧客行為。如果顧客在線上線下被切成多個互不相識的身分，餵給系統的訊號從源頭就已經拼不起來，生成再強也生得不準。這正是顧客數據平台把跨通路行為歸到單一顧客的價值所在。
Q6: 台灣品牌現在該怎麼開始？ 建議順序是：先確認第一方數據歸戶乾淨，再開生成工具；把 AI 當放大器（先驗證核心概念再擴充），別亂槍打鳥；建立創意更替節奏盯住疲勞訊號；用微轉換訊號校準生成方向；替 AI 內容畫好真實性底線。工具人人有，差距在資料與判斷。