--- area: "finance-wealth" category: business companies_orgs: - Uber - Airbnb date: '2025-11-07' draft: true guest: '' insight: '' layout: post.njk media_books: - TechCrunch Disrupt products_models: - YouTube - Twitter - Instagram Reels project: [] series: '' source: https://www.youtube.com/watch?v=McTi0DdKybY speaker: 课代表立正 status: evergreen summary: Aha创始人Kay在访谈中深入剖析了AI如何解决达人营销行业长期缺乏数据和匹配效率低下的痛点。她详细阐述了平台如何利用大模型进行达人画像、内容匹配和动态定价，实现广告主和达人双方的效率提升与信任构建。Kay还分享了创业过程中的挑战、团队筛选标准以及对用户价值的坚定信念，揭示了看似“卷”的AI赛道背后，通过深耕细作仍能找到蓝海的创业哲学。 tags: - business - dynamic - network-effect - platform - startup-challenge title: AI如何重塑达人营销：Aha创始人Kay揭秘“不卷”赛道的深层逻辑与创业心法 --- ### AI重塑达人营销：解决行业核心痛点 谈及Aha（现已更名为Aha）这家公司，我的第一反应是为何此前没有人成功解决其所面对的问题。我猜测，应该有很多公司曾试图解决这一难题。我们可以先探讨对于传统公司而言，为何过去难以实现这一目标。 **达人营销**（Influencer Marketing: 通过有影响力的人物推广产品或服务）这个行业，本质上是一个严重缺乏数据的匹配问题，类似于**搜广推**（Search, Ad, Recommendation system: 搜索、广告和推荐系统的合称）。搜广推问题极其依赖数据，需要丰富的特征来做**CTR预测**（Click-Through Rate Prediction: 预测用户点击广告或内容的概率），但达人营销领域恰恰缺乏此类数据。过去，只能依靠人工来判断谁更合适，这依赖于对语义的理解和对受众的推理。然而，在**大模型**（Large Language Model, LLM: 基于海量数据训练的深度学习模型，能理解和生成人类语言）出现之前，这项工作是无法完成的——既没有数据，也没有能够准确判断匹配度的模型。因此，从数千万达人中找到适合特定产品的达人几乎不可能，导致行业效果一直较差。当一个匹配问题无法被高效解决时，建立一个平台便难以成立，这就像滴滴如果无法高效匹配乘客和车辆，其平台也无法运作。 大约一年半前，我们开始着手解决这个问题，彼时正是大模型在应用层相对成熟的时期。我们开始探索不再依赖传统的搜广推方式，而是真正让大模型主导决策，在**召回、粗排与精排**（Recall, Coarse Ranking, Fine Ranking: 推荐系统中的三个阶段，分别负责初步筛选、初步排序和精细排序）等环节中，让大模型发挥决定性的决策作用。 ### 大模型在达人匹配系统中的应用 在框架层面，我们依然沿用了过去的框架，因为对于处理大规模匹配问题（从数千万达人中筛选出少量并进行排序），这个框架是稳定且有效的。然而，在具体判断方式上，我们引入了大模型。例如，在召回环节，过去可能主要依赖数据，但现在我们通过大模型进行**画像判断**。我们首先将达人数据和大量产品数据输入大模型，推理并构建一个**画像库**（Profile Database: 存储用户或达人详细特征信息的数据库）。 我很好奇这个画像库具体是什么样子。比如在知识类领域，它可能包含“tech savvy innovator”这样的相似标签。但深入观察，每个达人的画像又有所不同，如消费能力、相对偏好等。因此，每个博主背后可能至少有七八个相关画像。有了这些画像，当一个产品进入时，我们能迅速从画像库中找到相似的画像，进而找到一大批对应的博主，他们将进入粗排环节。 在粗排环节，我们会根据**campaign**（营销活动: 为特定目标而设计的一系列营销策略和行动）的条件限制，筛选出符合国家、地区、语言等要求的达人，比如是推YouTube还是Twitter。同时，我们还会进行**反作弊**（Anti-fraud: 识别并阻止虚假或恶意行为）处理，排除那些质量极差的营销号。 随后进入精排环节，大模型会根据达人过往的30条以上内容，以及产品的详细信息，判断达人能否很好地讲解产品，能否为用户带来内容价值。此外，还会再次判断产品与达人画像的一致性，进行双重判断，最终排出匹配顺序。这里的大多数判断都依赖于大语言模型。我们对大语言模型的理解是，它本身是一个语文能力极强的人，当其逻辑能力提升后，对因果推断的发挥甚至比行业内过去做这件事的人更稳定。因为人工判断受个体理解力差异影响大，而模型的表现则更为稳定。 ### 模型调教与专业知识的融合 关于模型的调教，我们投入了大量精力在**Prompt**（提示词: 给大模型输入的指令或问题）和**上下文工程**（Context Engineering: 优化输入给大模型的信息，以提高其理解和生成能力）上。因为只有提供高质量的内容给模型，才能确保其推理结果的准确性。此外，**提示词**的设计对专家经验要求极高。即使我自己过去做过很多类似工作，但我们对这些事情的抽象程度和**SOP**（Standard Operating Procedure: 标准操作流程）化程度，最初也无法达到让大语言模型稳定判断的水平。因此，我们在一年的时间里，不断调整版本，反复对比结果，直到每个环节都达到我们满意的AI与人工判断一致度。 ### 创业挑战与竞争优势 传统的算法在达人营销中效果不佳，但有了大语言模型后，效率显著提升。然而，面对市场上众多的竞争对手，Aha是如何脱颖而出的呢？ 在过去一年半的时间里，我们曾听说其他公司也想做或已经开始做类似的事情，但他们可能在执行速度、AI实践经验或行业专业知识储备方面有所欠缺。同时，我们当时的融资也比较顺利，获得了足够的资本来启动这项工作。因为前期投入巨大，第一年我们在研发上花费了近200万美金。高质量的数据要求很高，整个成本不低。如果有些公司一开始没有获得资金，很难开启这项事业。 我们选择自己从**一方API**（First-party API: 由数据所有者直接提供的应用程序接口）购买数据，因为我们发现市面上大部分达人数据库和SaaS产品的数据质量非常差，基本不可用。 我们可以分享一些**Good Case**（成功案例）和**Bad Case**（失败案例）。一个成功的案例是我们的客户，一个AI安全与编排平台，其客户主要是**ToB**（Business-to-Business: 企业对企业）类型。他们在我们平台上的周消耗能达到10万美金以上，而过去要达到同样效果，可能需要10人的执行团队或支付高昂的**agency**（营销代理机构: 提供营销服务的公司）成本。这个产品最初由创始人亲自试用并推动团队落地，因为他们已是一家融资超过1亿美金的公司。创始人使用后很快将其推广给执行团队，团队成员每周只需花半天时间在我们平台上进行审核和审批操作。在14天内，他们共发布了356条内容，其中必然会产生一些爆款。通过这些爆款，他们迅速找到了方向，并建立新的**campaign**，有效降低了**CPM**（Cost Per Mille/Thousand Impressions: 每千次展示成本）。 第二个案例是**MetaGPT**（AI开发工具: 一个用于AI应用开发的工具），一家中型创业公司。他们对达人营销有一定认知，但对效率非常敏感，不希望团队将大量时间花在执行和整理工作上，更希望获得实际结果。因此，他们从五六月份开始使用我们的平台，并保持**always-on campaign**（持续营销活动: 长期持续进行的营销活动）预算，每月投入数万美元。通过平台出现的爆款，他们不断优化campaign效果，YouTube上的CPM从132美金降至90美金，**CPC**（Cost Per Click: 每次点击成本）一直低于1美金。 然而，也有**Bad Case**。例如，对于一些对审美要求较高的服装品牌，如追求**Y2K**（Year 2000 style: 2000年前后流行的一种时尚风格）或辣妹风格的品牌。要识别出效果特别好的达人，需要有视觉模型。但目前Aha的匹配系统主要基于文本内容（如字幕和丰富的**content**信息）进行判断，无法很好地进行审美和调性判断。因此，目前我们做得更好的领域是**AI SaaS**（Software as a Service: 软件即服务）或偏标品的电子消费品。 ### 平台化与动态定价：构建信任生态 我认为，将达人营销平台化、流程化、透明化和自动化，可以实现10倍的效率提升。这个行业本身是一个双端撮合的业务，要实现提效，需要同时提升广告主和达人双方的效率。其中必然涉及信任和结算问题。过去，真正成功的双端平台公司，如Uber和Airbnb，都完整解决了这些问题。 达人营销与Uber、Airbnb解决的问题有相似之处，本质上都是解决一个人找到另一个人的需求。过去，交易就像“打黑车”一样，双方陌生，需要讨价还价，缺乏信任。海外不像国内有丰富的MCN（Multi-Channel Network: 多频道网络，管理和支持内容创作者的机构）生态，大部分博主都是个人，彼此之间没有信任。签订合同、讨价还价都没有标准，很多博主甚至不知道如何给自己定价，可能会使用一些粗糙的报价计算器，仅基于播放量或粉丝量来定价。 然而，市场价格一定是动态的，不能简单地固定。我们的定价系统基于多维度考量：首先是预测播放量，这主要参考历史商单数据，而非所有数据，因为博主在商单上的表现与日常爆款不一定等同。其次，每个平台和内容形式（如YouTube长视频与Instagram Reels或Carousel）对应的CPM都不同。再次，受众的国家地区和购买力也是重要因素，我们会以受众所在地区和购买力为准。通过这些维度，我们能得出一个基础定价。但市场是动态的，例如，如果AI工具竞争激烈，博主有更多选择，价格就会上涨；如果市场冷淡，则可能通过更低的价格获得合作。这背后是一套动态定价机制。 我请你再深入解释一下定价机制，因为我个人觉得你们的定价非常合理。我自己的频道定价也是如此，但在那之前我从不接商单，因为大多数联系我的报价都非常随意，可能是因为有代理商抽成，或者他们根本没看我的内容。你们是如何做到这一点的？ 我们最初使用的真实成交数据量并不大，即使我们投入大量精力收集，规模也只有1000条左右。通过这1000条数据来确定定价公式中的因子，一开始肯定是不准确的。但在不断调优的过程中，它在数据集上的表现越来越好，我们找到了合适的因子。随着更多用户使用，数据量增加，准确度也随之提高。此外，我们还会考虑博主的接受率，通过接受率来调整定价。我们内部知道在什么样的接受率下，campaign是正常的，是偏高还是偏低。 在信任层面，我们的平台扮演担保角色。当广告主选择达人合作时，资金会锁定在平台，确保达人完成工作后能收到款项，品牌也不会跑路。对于品牌而言，只有在达人完成内容并十天后确认收货，资金才会真正支付。这避免了合作中断或达人失联的情况，确保资金可收回。此外，我们还会自动检查内容上传后**CTA**（Call to Action: 行动号召，引导用户采取特定行动的提示）链接是否正确等，及时发现问题，避免后期发现导致双方损失。我们希望Aha不仅能帮助大家提效，更能通过平衡双方利益，建立起更好的行业生态和信任标准。 ### 长期主义与创业心法 Aha是一个非常典型的具有**网络效应**（Network Effect: 产品或服务的价值随着用户数量增加而增加的现象）的平台公司。未来我们确实可以开发创作者工具，围绕这个生态能做的事情很多，无论是帮助创作者还是品牌。但我们不会过于激进地快速推进。我们希望当产品在一个部分达到**PMF**（Product-Market Fit: 产品与市场契合度，指产品能在一个好的市场中满足市场需求）时，能够迅速**scale**（规模化: 扩大业务规模）这个最核心的痛点。当市场渗透率达到一定程度后，我们再考虑下一个功能点。 接下来，我们将在**go to market**（市场进入策略: 公司将产品推向市场并获得客户的计划）层面，将产品从早期的**early adopter**（早期采纳者: 愿意尝试新产品或技术的用户）用户推向更大众的早期用户。这需要建立对AI的信任。早期尝试的用户比较敢于尝试新产品，但对于其他公司而言，他们需要看到AI能做出更靠谱的事情，真正交付结果，才会选择使用。 自上线以来，我们记录了产品和用户的数据，并与用户自行寻找agency或专家进行达人营销的数据进行对比。基于此，我们制作了一支特别的短片，记录了AI与五位人类专家在密闭实验中进行达人营销的全过程。短片将还原每个环节，并于10月29日在**TechCrunch Disrupt**（科技媒体大会: 知名科技媒体TechCrunch举办的创业和科技大会）现场及线上同步发布，希望让大家真正看到AI在达人营销中能达到什么程度。 这听起来很有趣，我很期待。我觉得你们在宣传上天然有一个优势，因为你们有一个现成的、要被**disrupt**（颠覆: 通过创新改变现有市场或行业格局）的行业，有一个大家都很讨厌的“敌人”。你们只需不断展示自己比他们好在哪里，就很容易成功。是的，你做的所有事情听起来都很合理，而且你们还在赚钱，应该已经盈亏平衡了。 然而，其他人普遍感觉AI赛道很**卷**（内卷: 指非理性的内部竞争或过度竞争），做任何东西都会被抄袭。为什么没有人抄袭你们？你提到了几个点，比如融资顺利，团队既懂达人营销又懂AI，但这些元素似乎并非难以集齐。你觉得除了这些，还有什么原因？ 我认为这件事情本身的难度和复杂度非常高，明确来说，它是一件“脏活累活”。虽然今天我们呈现出了一部分成果，但整个过程充满艰辛。我们曾遇到一些想做这个事情的人，他们做了一段时间就放弃了，因为中间一定会碰到让你觉得完全解决不了的困难。我们经历过很多次这种状态，比如在做定价时，可能有一个月的时间，每次测试结果都不尽如人意，甚至一度放弃过，觉得可能无法真正做出定价。但最终我们熬了过来，把东西做了出来。很多次，我觉得换作别人，可能就会放弃了。因为在早期的一年里，客户反馈各方面都非常不好，几乎没有正反馈。如果一个人在一年内都没有任何正反馈，我觉得大部分人是熬不下去的。 你为什么能熬下去？我觉得我是一个不太给自己正反馈的人，说实话，自己比较习惯的状态反而是遇到问题，一直有困难。可是你自己可以不用正反馈，你的团队呢？你是如何维持公司的？团队方面，更多时候也是在筛选。本质上，我们非常需要那种具有**长期主义**（Long-termism: 关注长期目标而非短期利益的思维方式），并且能在各种问题中保持稳定输出的人。这样的人非常少，所以我们在过程中也遇到了很多不合适的人选。但我们对价值观比较坚定，所以只选择这样的人。 除了坚持、解决问题和对这件事情有足够的**conviction**（信念: 坚定的信仰或确信）之外，我似乎感觉到你还有一个特质，就是会真正去深入学习和研究。听你说在Dora的时候，你就开始做很多工作，包括看别人的博客学习方法。在这里，你又把链条拆解得非常清楚。我觉得自己对于一些问题，特别是技术角度的问题，即使我本身不了解，但一旦我知道这件事，我就一定要**刨根问底**（thoroughly investigate: 彻底追究事物的根源）。我一定会通过各种方式，哪怕去读非常难懂的论文，也要把它死磕到底，读到我能理解的程度为止。这也是一种跟自己较真的态度，我觉得这东西对我有用，那我就一定要掌握它。我一天工作可能从早上10点到晚上十一二点，一周五天，有时周末自己也会工作，比如写东西或学习新知识。我也会玩，但我的娱乐活动也是输入型的，比如很喜欢看话剧，还在看内容。 创业这段时间你的成长非常快，你看到了我们很多没有看到的事情，体验过很多人没有的体验。基于这些体验，如果给平行世界的你提一些建议，你会提什么？ 我觉得，要多做真正对用户有价值的事情。因为能选择做的事情很多，一路会碰到很多分岔口，但真正对的事情，还是要真的对用户本身有价值。即使这条路可能更难，或者其他人不认为这个东西有价值，你就是得坚持做下去。让自己能够去犯错，一定要能犯错。如果说你不犯错，就没办法去迭代，然后你在迭代的过程中，就会变得越来越好。一直去坚定你的初心，就是做对用户有价值的事情。 你一开始就知道什么是对用户有价值的东西，哪怕很多其他人不这么认为，你是怎么知道的？对于Aha而言，因为我本身过去就是市场负责人，我其实也是这个产品的用户。所以我确实很容易理解，如果对于当初的我而言，这件事情是不是有价值的。只有我自己真的会为这件事情买单，我才会觉得这件事情有价值。但这过程中，不可能完全不会有所动摇。你会看到所谓的大家觉得风口上面更大的机会，你可能也会动摇自己当初认为的什么事情是有价值的想法。你可能会犯错，然后你会走一条可能相对更激进，但其实它对用户来讲本身就没有那么有价值的选择。但是当你尝试完之后，你会发现真正对的事情还是在那里，然后你还是要去坚定那件事情。有些认知，它其实是从一开始的时候你知道这个事情的道理，但是如果你没有去实践，去犯过一次错的话，这个道理是没办法真正变成真理的。 感谢，我觉得这两个建议都非常好，希望大家有所收获。那我们这期访谈就到这里。我也希望大家关注Aha的发展，你接下来会做很多规模化和市场进入的工作，我们也拭目以待你接下来一两年的成长，希望以后还会回到频道来，再跟大家分享你的体验。