如何利用AI分析竞争对手广告（提示词与工作流程）

利用AI分析竞争对手广告的最快方法是停止要求它“分析”单个截图，而是开始给它提供一批：从一个竞争对手或垂直领域拉取15到30个实时创意，将标题和每个图像的简短描述粘贴到LLM中，并要求它按钩子机制、声明类型和目标情感进行分组。单个广告几乎毫无意义。一批广告能告诉你竞争对手在重复什么，这才是值得复制其结构的部分，而不是具体措辞。

为什么单个广告分析失败#

刚接触这个工作流程的媒体采购员通常会截取一个竞争对手广告的截图，放入聊天工具，并问“为什么这个有效”。模型会自信地编造一个解释，因为LLM在给定一个数据点并询问模式时就是这样做的。解决办法是数量：模式只有在一组广告中才能显现，模型总结20个例子中的共同点比理论化一个例子要可靠得多。这与分析获胜的原生广告创意背后的原理相同：单个广告充满噪音，批次揭示结构。

实际有效的提示词工作流程#

以下是一个在健康、金融、电商和软件垂直领域都有效的序列：

1. 收集。 为竞争对手、品牌或垂直领域拉取一批实时创意，最好是那些已经运行了一段时间的（广告持续时长是“仍在工作”的粗略代理指标，在广告长寿性作为获胜信号中有介绍）。记录每个广告的标题、图像描述和垂直领域。
2. 分类。 提示词：“这里是来自[vertical]的20个广告标题。按核心机制分组：好奇心缺口、直接声明、社会认同、恐惧/紧迫感、故事形式。对于每组，注明它占批次的百分比。”这会将一面标题墙变成你可以行动的分布。
3. 提取声明结构。 提示词：“对于每个标题，提取正在做出的具体声明（不是措辞，而是底层承诺）。这些声明是具体的（数字、身体部位、具名产品）还是模糊的？”具体声明值得研究；模糊的通常是用来填充批次的低绩效者。
4. 与自己的创意对比。 提示词：“以下是我当前的标题和竞争对手的标题批次。哪些机制我完全没有使用？”这比手动并排比较更快地发现差距。
5. 从差距生成变体，而不是从零开始。 一旦你知道缺少哪个机制，让模型用该特定机制起草标题变体，锚定到你的实际产品，而不是通用模板。

该给模型输入什么（和不该输入什么）#

这个工作流程的质量完全取决于输入。仅广告单元（图像加标题）的截图足以进行分类；在这个阶段你还不需要落地页。一旦你筛选出几个值得深入挖掘的结构，将同样的方法扩展到落地页，并逆向工程整个漏斗，从创意到优惠，因为一个有效的标题如果落地页没有兑现其做出的具体声明，仍然可能失败。

不要将整个原始导出数据喂给模型，并毫无结构地要求“洞见”。模糊的提示词会产生模糊、通用的输出，无论底层模型有多好。问题越具体（机制、声明类型、情感基调），分类就越有用。

源数据来自哪里#

这个工作流程的好坏取决于你开始时的广告集，这部分是大多数指南跳过的。从信息流中手动截图竞争对手广告既慢又不完整，因为原生广告不断轮换，你只能看到你设备碰巧被展示的内容。一个基于监视列表和可搜索存档的竞争性广告情报工作流程，而不是手动截图，能给LLM提供更大、更具代表性的批次。编程化访问在这里也很重要：通过API拉取数据，而不是复制粘贴截图，意味着你可以完全自动化“收集”步骤，并定期将新批次输入分析提示词，这正是原生广告数据API的用途。对于已经生活在LLM工作流程中的团队，还有一个直接途径：原生广告库MCP允许你直接从Claude或ChatGPT查询实时创意语料库，而无需先导出任何内容。

一个实际示例结构#

假设你在研究助听器领域的竞争对手。一次批量拉取可能会显示像“Struggling to Hear Clearly? Discover a Device Transforming Lives”这样的标题，以及该好奇心加声明结构的几个变体。对这样的批次进行分类通常会发现两到三个主导机制（健康好奇心缺口、以设备为中心的直白声明，偶尔还有故事形式），你可以通过数量快速看到竞争对手最依赖哪个机制，而不是从单个广告猜测。那个分布，而不是任何单个标题，才是可操作的输出。

这个工作流程的常见错误#

• 将模型的输出视为事实而非假设。 LLM擅长总结你提供的数据中的模式，但很难知道模式是否真的与绩效相关。在投入广告活动之前，将模型显现的任何模式与实际长寿性或花费信号进行交叉验证。
• 分析批次太小。 五个广告不是模式，而是噪音样本。20到30个才能带你到真实的地方。
• 忽略落地页。 出色的钩子分析毫无意义，如果没有同时检查点击后漏斗做了什么，而预落地页格式通常决定了点击是否转化。
• 忽略地域和垂直差异。 在美国健康创意中占主导地位的声明结构不一定适用于不同地域或软件产品；按垂直领域重新运行分类，而不是假设一种模式可以通用。

利用AI跟踪随时间的变化，而不仅仅是快照#

一次性分析告诉你竞争对手本周在做什么。这个工作流程更有用的版本是按计划运行：每几天拉取一批新数据，输入相同的分类提示词，并将输出与上周的进行对比。机制分布的变化（例如，竞争对手从好奇心缺口标题转向直接声明标题）通常意味着他们找到了转化更好的东西，并正在加倍投入。及早发现这种变化比任何一次深度分析都更有价值，这也是构建一个真正为你的创意日历提供信息的竞争对手监视列表与一个没人再查看的旧截图文件夹之间的区别。

这也是“模糊提示词”失败模式在规模上代价高昂的地方。如果你每周对多个竞争对手运行这个分类，提示词措辞上的微小不一致会使得周与周之间的比较不可靠。一旦提示词模板产生有用的分组，就锁定它，只更改输入批次，不更改指令，这样你的趋势线才是真正可比的。

这个工作流程不会告诉你什么#

对限制要现实。LLM可以可靠地分类机制和声明结构；它无法告诉你竞争对手的实际转化率、真实花费，或者广告仍然活跃是因为真正盈利还是因为在一个设置即忘的活动中自动运行。广告持续时长是一个代理指标，而非证明，即使结构良好的提示词也只是总结你提供的数据。将输出视为一个强有力的假设生成器，缩小下一步测试的范围，而不是对你产品有效性的判决。

将分析转化为行动#

整个练习的重点不是报告，而是一个包含两到三种你当前未使用的声明结构的短名单，并诚实地针对你自己的产品进行测试。一旦你有了这个短名单，AI的工作就从分析转向生成：在缺失的机制中起草标题变体，保持声明具体，并小规模启动。如果你宁愿跳过自己构建收集管道，浏览OpenAdLibrary的广告情报平台中可搜索、持续更新的实时创意存档，就可以获得分析所需的批次，而无需手动截图任何广告。