程序化广告，沿着预算流向看利润如何留下

预算经过哪些手

程序化广告把广告库存变成了可以实时交易的商品。广告主提出目标和预算，需求方平台负责投放决策，供给方平台连接媒体库存，交易平台完成匹配，数据平台帮助判断人群和效果。一次展示背后，可能同时经过几套系统。

这个过程中，每个角色承担的事情不同。媒体掌握流量，代理商掌握客户关系，技术平台掌握匹配、竞价和测量。收入规模最大的环节，未必留下最多利润。能够持续收费的环节，往往离不开一套别人替代起来很麻烦的系统。

高毛利要看能不能重复

行业材料里，部分程序化广告技术平台的毛利率明显高于传统代理环节。这个现象值得关注，但我不会把高毛利直接当成护城河。

我会继续追问。客户是否在下一季度继续投放，效果是否能在不同渠道和周期里复现，平台是否依赖单一媒体或单一客户，数据和算法是否真的改善了单位预算的产出。如果平台只能在流量便宜、预算充足的时候赚钱，高毛利更像阶段性红利。

广告主愿意付费的，是可解释的效率。一次投放带来多少有效线索，哪些素材和人群组合更有效，转化成本为什么变化，这些问题都要能回到数据。平台如果只能给出一个漂亮的投放结果，却说不清结果从哪里来，客户很难长期把预算交出来。

AI 会改变生产方式，也会放大管理差距

生成式 AI 正在降低广告素材的制作成本，模型也能参与出价、预算分配和人群选择。对平台来说，这些能力能缩短试错时间，也能让同一支团队管理更多投放任务。

但模型本身并不能替代经营判断。素材生成得越快，错误素材和违规素材也可能扩散得越快。出价算法越自动化，数据授权、归因口径和异常流量问题就越不能靠人工临时补救。

我更愿意把 AI 看成效率放大器。它需要稳定的投放反馈、清楚的客户目标和可追踪的合规边界。缺一块，效率提升就很难转化为可持续的利润。

我会用四组问题读一家广告科技公司

先看客户。客户留存怎样，预算是否集中在少数大客户，复投是否依赖一次性促销。

再看平台。填充率、有效展示、点击、转化和投放回报之间能不能互相解释。指标之间如果彼此脱节，管理层看到的可能只是报表上的好消息。

然后看单位经济。平台收的是服务费还是媒体差价，单次展示和一次转化的成本怎么变，研发和流量采购投入能不能被毛利覆盖。

最后看风险。数据从哪里来，是否有合法授权，算法推荐如何留痕，异常流量怎么识别，媒体结算是否稳定。广告科技的合规问题会直接影响客户预算和公司现金流，它不适合被放在报告最后一页。

市场还在增长，选择会更重要

短视频和信息流仍然有很大的预算规模，游戏和应用投放对算法效率较敏感，电商广告体量大但竞争成熟，程序化户外广告还在早期。不同细分市场的增长速度、客户结构和合规压力并不相同。

对投资人来说，值得追踪的是效率是否形成了重复购买。对经营者来说，最好先选一个自己真正理解的场景，把数据、供给和客户关系做深，再向相邻场景扩张。公司能不能穿越预算周期，最终仍要看它是否把效率做成了客户愿意持续购买的产品。