可口可乐 AI 广告测试拿满分，上线后却遭公众反噬

2024 年，可口可乐用 AI 制作的圣诞广告在 System1 的评分体系中拿到 5.9 分，在美国和英国都是满分。随后公众舆论却转向负面。测试说“通过”，市场并不买账。

这个细节说明，不少为企业做 AI 图片的团队把力气用错了地方。他们打磨提示词、比较模型、调参数。而一张图能不能发布、发布在哪里、由谁负责，是在另一个地方决定的：审批流程。

如果你想成为前线部署工程师（FDE），只要客户是品牌方、广告代理商或零售商，很快就会碰到这个领域。他们不缺图片生成工具，缺的是一条市场、法务和品牌负责人都信得过的流水线。

提示词是容易的部分，难点在哪里？

Publicis Sapient 对此回答得相当直接。这家公司在谈 AI 驱动的品牌治理时指出，它是“一种以人为核心的运营模式”，而不只是一层技术。

这种模式需要结构化的规则、团队之间清晰的决策权、互相打通的工作流，以及主动协同的团队。

仔细看这份清单，没有一项和图片质量有关，每一项都是组织问题。品牌规则有没有写成机器可读的形式，还是仍然是一份人人理解不同的 PDF 规范？创意团队和品牌负责人意见不一致时，谁说了算？

纯产品工程师往往会跳过这些问题，FDE 却绕不开。做一个好看的图片生成 demo 很快；做一个法务愿意签字的系统则是另一回事，因为最难的是理清谁审批什么。

法务排在队尾，整条线都在等

创意工具厂商 Virtuall 描述了一种它认为常见的失败：法务和合规在最后阶段成了瓶颈。按 Virtuall 的说法，原因是治理在图片生成之后才被“外挂”上去。解决办法是把约束移到流程开头。

设想一个越南化妆品品牌在为欧洲市场筹备营销活动。创意团队生成 40 张图，筛出 15 张，调色、排版。送到法务时才发现，一半图片里的模特看起来像真人，而且没人记录哪些图必须标注为 AI 生成。整批图退回起点。

如果约束写在需求简报里，比如“EU 渠道：不得出现酷似真人的面孔，否则必须加标签”，最初那 40 张图就会在这些限制内生成。法务仍然要审，但审的是已经过滤过的素材，而不是替大家收拾没人想到的问题。

机器先打分，人再审核

Publicis Sapient 描述了这样一套系统：生成的图片先按品牌规则打分，再进入审核。它认为，人工审核会因此变得“更聚焦，而不是更频繁”。

这是一家销售解决方案的代理商的观点，应当把它当作要在客户那里验证的假设，而不是实测结果。

尽管如此，背后的逻辑是成立的。色值错误、Logo 超出安全区、文字溢出画框，这类错误机器查得比人准。机器先把它们过滤掉，审核人员就只需面对只有人能回答的问题：这张图符不符合品牌调性？会不会冒犯谁？

Virtuall 还提出了两条更具体的要求。元数据和审计日志应当是默认项，而不是可选项。审批状态也应按渠道拆分：一张图可能已获准用于国内社交媒体，但还没获准上广告牌或进入 EU 市场。

从技术上看，这就是一个 approved: true 字段与一张关联图片、渠道、审核人和审批时间的关系表之间的区别。前者容易做，可一旦出事，你回答不了“是谁允许这张图在这里发布的？”

测试高分不等于市场认可

回到可口可乐。尽管公众反应不佳，这家公司仍在继续推进 AI；在为这一方向辩护时，它援引了上线前的测试，称其中一支广告是公司历史上测试成绩最好的广告之一。

就 2024 年那支广告而言，两件事同时成立。它确实拿到了测试满分；但上线后公众反应依然负面，说明上线前的分数没能预测市场的接受程度。

对构建系统的人来说，教训是：不要让自动评分或测试分数成为最终审批关口。

流程里需要有一步，由一个人，具体来说是事先指定的决策者，来权衡声誉风险。

这一步无法自动化，但可以像其他步骤一样记入日志。

AI 披露：从“应该做”变成必经步骤

对面向 EU 销售的企业来说，《欧盟人工智能法案》（EU AI Act）第 50 条取消了选择余地。用 AI 制作深度伪造（deepfake）内容的部署者，必须披露内容由 AI 生成或篡改。披露必须清晰、可辨识，并满足无障碍要求。

落到流水线上，“是否需要披露？”必须是一个元数据字段，在 EU 渠道的审批环节确定，而不是靠设计师记着。标签的措辞和位置也要作为图片的一部分一并审批，因为法律要求标签清晰且无障碍。

许多团队把 C2PA，也就是内容凭证（Content Credentials），视为内容溯源的技术答案。它值得集成，但 C2PA 自己的说明文档也承认，它不是万能药，只用于降低风险。给文件附上凭证，替代不了观众真正看得到的披露标签。

每层控制能拦住什么、漏掉什么

把各层控制放在一起看，就会发现没有哪一层单独够用。价值在于把合适的控制层放在流水线的合适位置。

控制层	应放在哪里	能拦住	会漏掉
法务与合规约束	写进简报，在生成之前	一开始就不合规的图片、后期返工	渠道变化时出现的新风险
按品牌规则打分	生成之后、人工审核之前	可量化的色彩、Logo 和版式错误	品牌调性、情感
决策权明确的审核人	机器打分之后，按渠道进行	声誉风险、文化语境	主观失误；没有日志就无从追溯谁批准的
广告上线前测试	营销活动上线之前	广告本身的得分	上线后真实的公众反应
第 50 条披露标签	EU 渠道的审批环节	对观众的披露义务	无法证明文件来源
内容凭证（C2PA）	文件导出时	附在内容上的溯源记录	不是万能药

第四行值得带到你和客户的第一次工作会上。如果对方的市场团队把测试当作最终关口，可口可乐的例子正好可以自然地引出关于决策权的讨论。

开发者可以从哪里入手

好消息是，这里的大部分技能都是熟悉的后端技能：schema 设计、审批状态的状态机、审计日志、基于角色的权限。新的是语境。你需要理解，为什么一张图可以在一个渠道“已批准”、在另一个渠道“未批准”，以及为什么“需 AI 披露”字段必须是必填项。

阅读创意工具公司或代理商的 FDE 岗位描述时，留意 brand governance、approval workflow、content provenance、compliance 这类词。它们说明这个岗位更偏流程，而不是模型。

简历上不要写“集成了图片生成 API”，而要写“设计了带审计日志的多渠道审批流程，减少了法务环节的返工轮次”；如果做过测量，附上数字。

如果还没有真实项目，就自己做一个小项目放进简历。一个仓库里有包含 draft、scored、approved-per-channel 状态的状态机，一张记录谁在何时批准了什么的审计日志表，以及 EU 渠道必填的“需 AI 披露”字段，就足以讲完一个完整的故事。

README 要说明为什么把约束放在简报里而不是末尾，因为这部分最能体现 FDE 的思维方式。

面试时，准备一个三段式的故事：你把哪些规则变成了机器可以打分的东西，哪些决定刻意留给人，以及日志如何帮你回答“是谁允许的？”

如果你服务的客户有市场团队，第一件事不是提议换新模型。花一次会议的时间和法务团队聊聊，问他们通常为什么驳回图片。这份理由清单，就是机器打分所依据的规则集的初稿。

图片生成模型还会不断变化。客户长期需要的，是懂得把规则放在正确位置的人，赶在整批图片推倒重来之前。