一个营销项目在两个半月里获得约五亿次观看，接下来应该加预算还是复制爆款？
Wispr Flow 的选择是关掉它。内容负责人 Hector Serrano 在 Lenny 的访谈中说，这些由创作者发布的视频虽然带来了大量曝光，却没有带来团队期待的转化。观看的人和愿意为语音输入工具付费的人，并不总是同一批。
这个结果比访谈标题里那个年轻实习生的故事更吸引我。它提醒我，增长的难题常常不是能不能做出内容，而是团队会不会因为容易看到的数字，奖励了错误的行为。
Serrano 随后搭建了另一套创作者广告机制。他说现在约有 50 位创作者，每月推出 500 到 600 条广告。这些数字来自受访者自述，不能单独证明广告为 Wispr 带来了多少增量收入。但他描述的做法值得拆开看：如何让人持续提出不同的创意，如何付钱让他们愿意留下，以及如何判断这些创意是否真的有价值。
从观看次数到广告支出，中间换了什么
Section titled “从观看次数到广告支出，中间换了什么”原来的自然传播项目，让创作者在自己的账号上发布视频，报酬与观看量相关。这个机制会鼓励大家寻找容易被看见的内容；但如果观看者没有购买需求，高曝光也可能离业务目标很远。
后来 Wispr 把创作者内容用于付费广告。品牌选择素材投放，Serrano 介绍，SaaS 场景下创作者可以按素材获得的广告支出分成。他负责内容和创作者关系，媒介投放由同事负责。创作者不必先拥有庞大的粉丝群，视频能否作为广告跑起来更重要。
这个变化有意思的地方，是它把反馈向业务拉近了一步。品牌愿意继续给某条广告花钱，通常意味着它通过了某些投放判断；创作者也有动力关心内容能否服务产品，而不仅是能否引人驻足。
但支出仍然只是一个代理指标。广告花出去的钱不等于新增利润，也不等于广告独自创造的购买。投放可能触达本来就会购买的人，也可能受其他渠道的影响；短期转化不错的素材，带来的用户未必会长期留下。如果只把「花得最多」当作「贡献最大」，团队可能从追逐播放量，换成追逐另一个更漂亮的数字。
我会把广告分成看作协作与分配机制，而不是效果证明。效果仍要回到新增用户、留存和投入产出上检验。有条件时，可以对照相近受众，比较投放与不投放的差异；预算有限时，至少把自然增长、创作者佣金和后续留存一起记下来，不要只看广告后台的归因结果。
让创作者留下来，试验才有机会积累
Section titled “让创作者留下来，试验才有机会积累”Serrano 说，他们没有简单地要求新人完全靠佣金吃饭，而是设置了一个与交付量挂钩的保底。他举的例子是：约定完成 25 条视频，保底 1500 美元；如果佣金只有 500 美元，就补足 1000 美元；如果佣金达到 3000 美元，则领取佣金，不再额外叠加保底。
保底不是让每一条内容都变好，而是给学习过程买时间。创作者需要理解产品、摸索受众、消化投放反馈；品牌也需要时间分辨一时运气和稳定能力。每个月重新找一批人，双方就得反复从头解释。
访谈中还有一个容易被忽略的条件：创作者确实喜欢产品。Serrano 认为，让用户以自己的方式表达，比给他们一份规定镜头和措辞的厚重脚本更容易产生新想法。他提到有人拍下雨滴敲打屋顶键盘的视频，用意外的画面引出语音输入；也有面向技术用户、看起来朴素的屏幕录制素材。
我读到这里想到，所谓创意自由，价值并不只是让广告显得自然。不同职业、不同使用场景的人，会带来团队原本想不到的问题和表达。投放反馈让这些想法接受市场检验，长期合作则让经验留在团队里。
自由也需要边界。真实体验不意味着观众应该猜测商业关系；例如美国 FTC 的创作者披露指南要求适用情境下清楚披露与品牌的财务关系。合作前还应讲清楚素材使用范围、付款条件和效果数据如何共享。让创作者有发挥空间，与对观众和合作伙伴坦诚，是可以同时做到的。
年轻人才的机会，来自给他们做事的空间
Section titled “年轻人才的机会，来自给他们做事的空间”访谈反复提到年轻创作者熟悉新平台的优势。Serrano 自己进入 Wispr 时年轻，也有制作内容的经验；他说团队给了他时间摸索，而不是要求他一开始就拿出成熟打法。
我赞同看作品、看学习速度，也赞同给早期人才承担真实问题的机会。但把这条经验翻译成「年轻人更懂营销」就太粗了。年龄本身不能替代能力，粉丝数也不能直接证明一个人能为特定产品找到客户。更有用的问题是：这个人是否真的理解目标受众？能否解释自己为什么这样做？面对失败能不能调整？团队是否愿意提供预算、反馈和足够明确的责任？
这套环境同样适用于有经验的人。一个熟悉某个专业行业的创作者，可能比更擅长热门短视频的人，更能解释复杂产品的价值。重要的是让合适的人接近真实用户，并且允许他们在有限成本内试错。
AI 可以加速制作，谁来判断仍然关键
Section titled “AI 可以加速制作，谁来判断仍然关键”Serrano 对 AI 生成的最终广告相当谨慎，但他并没有否认研究和内部流程可以自动化。我更愿意把这理解为一个质量问题，而不是给工具划出永久禁区：当生产内容变得更便宜，团队更容易得到大量看似完整、却没有具体洞察的素材。
AI 可以帮助整理访谈、归纳反馈、寻找需要验证的角度；它生成的画面或文字，也应该和其他素材一样接受审阅。真正要追问的是：这段表达有没有准确呈现产品？背后是否有真实体验？它帮助谁理解了什么？用生成工具做出来，不自动说明内容差；由真人出镜，也不自动说明内容诚实或有效。
Wispr 的例子里，人与工具最值得讨论的分工，是谁对结果负责。创作者提出看法，投放人员观察表现，团队再检查长期价值。自动化可以缩短环节，却不能替团队决定究竟在优化什么。
如果要从这个故事借走一个做法，我会从小规模开始：找几位真正理解产品、能够触达不同用户的人，约定明确的交付、保底和素材使用方式；让他们提出各自的表达，再用有限预算验证。先看哪些人因此愿意尝试、留下，之后再决定要不要扩充团队。
五亿次观看没有让 Wispr 留下那个项目，恰好说明一个增长团队最难得的能力：看到热闹，也愿意继续问，热闹之后发生了什么。