如何使用 AI 分析競爭對手廣告（提示詞與工作流程）

使用 AI 分析競爭對手廣告最快的方法是：停止要求它「分析」單一截圖，開始餵給它一個批次：從競爭對手或特定垂直領域拉取 15 到 30 個正在運行的廣告創意，將標題和每張圖片的簡短描述貼到大型語言模型中，並要求它根據鉤子機制、訴求類型和目標情緒進行分組。單一廣告幾乎無法告訴你任何事。一個批次則能告訴你競爭對手不斷重複的是什麼，而這才是值得複製其結構的部分，而非具體的措辭。

為何單一廣告分析會失敗#

剛接觸此工作流程的媒體採購人員通常會截圖一張競爭對手廣告，丟進聊天工具，然後問「為什麼這個有效」。模型會自信地編造一個解釋，因為這就是大型語言模型在只有一個數據點卻被要求找出模式時會做的事。解決方法是增加數量：模式只有在一組廣告中才會顯現，而模型在總結二十個例子中的共同點時，遠比對單一例子進行理論推測更可靠。這與分析成功的原生廣告創意背後的原理相同：單一廣告充滿雜訊，批次才能揭示結構。

真正有效的提示詞工作流程#

以下是一個在健康、金融、電商和軟體等垂直領域都適用的序列：

1. 收集。 為競爭對手、品牌或垂直領域拉取一批正在運行的創意，最好是已經運行一段時間的（持續時間長短是「仍在有效」的粗略代理指標，詳見廣告持續時間作為成功訊號）。記錄每則廣告的標題、圖片描述和垂直領域。

2. 分類。 提示詞：「這裡有 20 個來自 [垂直領域] 的廣告標題。請根據核心機制分組：好奇心缺口、直接訴求、社會證明、恐懼/緊迫感、故事格式。針對每組，註明其佔該批次的百分比。」這能將一長串標題轉化為你可據以行動的分布圖。

3. 提取訴求結構。 提示詞：「針對每個標題，提取其提出的具體訴求（不是措辭，是底層承諾）。這些訴求是具體的（一個數字、一個身體部位、一個命名產品）還是模糊的？」具體的訴求才值得研究；模糊的訴求通常是填充批次表現不佳的廣告。

4. 與你自己的創意進行比較。 提示詞：「這是我目前的標題和競爭對手的標題批次。有哪些機制是我完全沒有使用的？」這比手動並排比較更快地找出差距。

5. 根據差距生成變體，而非從頭開始。 一旦知道你缺少哪種機制，就要求模型使用該特定機制，並以你的實際產品為基礎（而非通用模板），草擬標題變體。

該餵給模型什麼（以及不該餵什麼）#

此工作流程的品質完全取決於輸入內容。僅有廣告單元的截圖（圖片加標題）就足夠進行分類；在這個階段你還不需要登陸頁面。一旦你篩選出幾個值得深入研究的結構，可以將相同方法擴展到登陸頁面，並逆向工程完整的漏斗，從創意到優惠方案，因為一個有效的標題，如果登陸頁面未能兌現其提出的具體訴求，仍然可能失敗。

不要將整個原始匯出檔案餵給模型，然後要求沒有結構的「見解」。模糊的提示詞會產生模糊、通用的輸出，無論底層模型有多好。問題越具體（機制、訴求類型、情緒基調），分類就越有用。

原始資料從何而來#

此工作流程的成效僅與你開始使用的廣告集一樣好，而這是大多數指南跳過的部分。手動從動態牆截圖競爭對手廣告既慢又不完整，因為原生廣告不斷輪播，你只會看到自己裝置碰巧被投放的內容。圍繞監控清單和可搜尋存檔建構的競爭廣告情報工作流程，而非手動截圖，能為大型語言模型提供更大、更具代表性的批次來處理。程序化存取在這裡也很重要：透過 API 拉取數據，而非複製貼上截圖，意味著你可以完全自動化「收集」步驟，並按計劃將新的批次餵入你的分析提示詞，這正是原生廣告數據 API 的用途。對於已經在大型語言模型工作流程中運作的團隊，還有一條直接途徑：原生廣告庫 MCP 讓你直接從 Claude 或 ChatGPT 查詢即時創意語料庫，無需先匯出任何內容。

一個實際範例結構#

假設你正在研究助聽器領域的競爭對手。批次拉取可能會浮現像「聽不清楚很困擾？發現一款改變生活的裝置」這樣的標題，以及同一種好奇心加訴求結構的幾個變體。對此類批次進行分類，通常會浮現兩到三種主導機制（健康好奇心缺口、裝置導向的直接訴求，偶爾有故事格式），你可以透過數量快速看出競爭對手最依賴哪一種，而不是從單一廣告猜測。那個分布圖，而非任何單一標題，才是可操作的輸出。

使用此工作流程的常見錯誤#

• 將模型的輸出視為事實而非假設。 大型語言模型擅長總結你餵給它們的模式，但不擅長知道某個模式是否真的與績效相關。在將廣告活動押注於模型浮現的任何模式之前，請先根據真實的持續時間或花費訊號進行交叉驗證。
• 分析的批次太小。 五則廣告不是模式，只是雜訊樣本。二十到三十則才能讓你觸及真實情況。
• 跳過登陸頁面。 出色的鉤子分析如果沒有檢查漏斗如何處理點擊，就毫無意義，而這通常是預登陸頁格式決定點擊是否轉換的地方。
• 忽略地區和垂直領域差異。 在美國健康類創意中佔主導地位的訴求結構，不一定適用於不同地區或軟體優惠；應針對每個垂直領域重新執行分類，而非假設一種模式能普遍適用。

使用 AI 追蹤隨時間的變化，而不僅是快照#

一次性分析只能告訴你競爭對手本週在做什麼。此工作流程更有用的版本是按計劃執行：每隔幾天拉取一個新批次，用相同的分類提示詞處理，並將輸出與上週的進行比對。機制分布的轉變（例如，競爭對手從好奇心缺口標題轉向直接訴求標題）通常意味著他們找到了轉換效果更好的東西，並正在加倍投入。及早發現這種轉變比任何單次深度分析更有價值，這也是建立競爭對手監控清單真正能為你的創意日曆提供資訊，而非僅僅是一疊無人回顧的舊截圖資料夾之間的區別。

這也是「模糊提示詞」失效模式在規模化時變得昂貴的地方。如果你每週對多個競爭對手執行此分類，提示詞措辭的微小不一致會使週對週的比較不可靠。一旦提示詞模板能產生有用的分組，就將其鎖定，只更換輸入批次，而非指令，這樣你的趨勢線才真正具有可比性。

此工作流程無法告訴你的事#

請務實看待其限制。大型語言模型可以可靠地分類機制和訴求結構；但它無法告訴你競爭對手的實際轉換率、真實花費，或者廣告仍在運行是因為它真的有利潤，還是在一個設定好就忘記的廣告活動中自動運行。持續時間長短是代理指標，而非證明，即使是結構良好的提示詞也只是在總結你餵給它的內容。請將輸出視為一個強大的假設生成器，它能縮小下一步測試的範圍，而非對什麼會對你的優惠方案有效的判決。

將分析轉化為行動#

整個練習的重點不是一份報告，而是兩到三個你目前未使用的訴求結構清單，並誠實地針對你自己的產品進行測試。一旦你有了這個清單，AI 的工作就從分析轉向生成：在缺失的機制中草擬標題變體，保持訴求具體，並小規模啟動。如果你寧願跳過自己建立收集管道的步驟，在 OpenAdLibrary 的廣告情報平台 中瀏覽一個可搜尋、持續更新的即時創意存檔，可以讓你獲得用於分析的批次，而無需手動截圖任何一則廣告。