1. 引言
随着人工智能技术的迅速发展，其在各行各业的应用不断拓展。Statista [1]数据显示，全球AI市场规模预计2024年达1840亿美元，2032年增至8260亿美元；中国市场2024年预计达436亿元人民币，2030年将达1.14万亿元。AIGC的应用场景日益广泛，推动广告行业实现从创意到落地的全过程自动化，不仅提升了效率，也为广告内容带来更多可能性。
生成式人工智能(AIGC)正成为广告创作的重要力量，尤其在个性化与创意广告领域表现突出。AIGC能够自动生成高质量广告内容，并结合用户行为与偏好实时优化创意，研究表明其在转化率与用户参与度方面均优于传统广告[2]。在数字化转型与用户需求多元化背景下，高质量、个性化广告需求迅速增长。与传统模式相比，AIGC显著提升了内容生产效率与质量，并可生成契合品牌调性的创意内容，强化品牌与受众的情感共鸣[3]。
然而，AIGC广告仍面临挑战，包括内容的质量、原创性及与品牌一致性不足，可能导致效果欠佳或缺乏独特品牌声音。由此引发核心问题：AIGC广告能否真正提升消费者品牌好感？何种类型更易被接受？其作用机制为何？本文旨在探讨这些问题，为AIGC广告的优化与应用提供理论与实践参考。
2. 文献综述
2.1. 广告与广告感知
广告在品牌塑造与个性传达中发挥着关键作用[4]。作为消费者感知品牌的重要线索，广告不仅传递核心价值与独特个性，还帮助消费者理解和识别品牌[5]。在消费者对企业的认知过程中，信号效应(Signaling Effect)尤为重要：当消费者对产品质量或服务存在不确定性时，广告作为外部信号可显著影响其对品牌的认知与评价[6]。研究表明，消费者对广告的态度主要受享乐性、实用性、趣味性以及严谨性[7]的影响。当广告内容兼具这些特征时，不仅能够吸引注意力，还能增强其好感与信任，从而转化为对品牌的认同与偏好。
2.2. AIGC与AIGC广告
在机器学习发展中，判别式和生成式模型各具优势，深度学习推动了生成式模型的突破，自GAN问世以来，AIGC在语言、图像、视频、音频等多模态生成中广泛应用[8]。AIGC被定义为一种内容类型、生产方式及技术集合[9]，相比专业生成内容(PGC)、用户生成内容(UGC)可实现跨界创新，相比企业生成内容(FGC)，可部分替代人工创造，从而影响消费者品牌态度[10]。
研究表明，AIGC的逼真度会影响用户态度[11]，并推动广告创新和数字营销转型，提升广告吸引力、参与感与购买意愿。目前研究多关注AIGC广告特性对接受度的影响，但“技术特性–心理感知–行为意向”的完整传导机制仍缺乏验证，尤其是情感路径与认知路径的并行中介作用，仍是AI营销理论的重要空白。
3. 研究假设
3.1 AIGC广告感知类型与消费者品牌接受意愿
AIGC广告感知类型指消费者对AI生成广告内容的表现形式与风格特征的主观感知[12]，可分为“真实型感知”和“创造型感知”，前者强调内容的可信度、自然性与人性化特征，易激发系统性加工，增强信息理解与信任；后者注重独特性与创新性，更易引发启发式加工，提升注意力与情感响应。技术可供性所提供的感知线索在其中起关键作用，影响消费者对信息质量的评估与行为反应[13]。
真实型通过贴近现实的语言、图像和情感表达提升品牌信任和接受意愿[14]，但若AI元素堆砌过度，可能产生“失真”感，削弱说服力。创造型依托技术创新和视觉冲击吸引注意、激发分享和品牌联想，但脱离品牌调性可能导致“虚构”或“机械”偏差，影响信任[15]。真实性与创造性均能提升广告效果，但机制不同，品牌应在保障真实性的基础上适度发挥创造性，以兼顾信任与传播力。因此，本研究假设如下：
H1：AIGC广告感知类型对消费者品牌接受意愿具有正向影响，但真实型感知和创造型感知对品牌接受意愿影响的显著性存在差异。
3.2. 信息加工流畅性的中介作用
信息加工流畅性是指个体在处理信息时感知到的轻松程度，包括感知、语义、概念和回忆四个维度，共同影响消费者的广告态度、品牌态度与购买意向[16]。高流畅性的信息因易于理解与记忆，可引发积极情感与深度加工，从而增强品牌信任和好感；低流畅性则可能增加理解负担，削弱说服效果。在AIGC广告中，真实性特征(如自然语言、贴近生活的视觉、真挚情感)可与消费者认知结构匹配，降低理解难度，提升流畅性与信任度[17]。而创造型内容虽具新颖性与视觉冲击力，却可能增加认知复杂度，若与受众预期不符，还会导致理解障碍，削弱传播效果[18]。因此，本研究假设如下：
H2：相较于创造型感知，当消费者感知为真实型时，信息加工流畅性的中介作用越显著。
3.3. 内容生成创新性的中介作用
内容生成创新性指AIGC广告在新颖性、独特性和创造性方面的表现及其对消费者感知与品牌接受度的影响[19]。它衡量广告是否带来不同于传统的新体验，激发兴趣并提升品牌价值[20]。创新性体现在形式、内容、创意与体验四方面，AI可通过多模态表达与沉浸式体验突破传统创意边界，提高参与度。真实感较高的AIGC广告可降低认知壁垒，增强信任与情感共鸣，使消费者更专注于创意价值而非技术细节[21]。创造型感知则强调视觉设计、叙事结构等的突破性，激发参与、分享与差异化联想，提升品牌辨识度[22]。其常依赖感官刺激与创意元素的启发式加工路径，在短时间内引发兴趣与情感反应。因此，本研究假设如下：
H3：相较于真实型感知，当消费者感知为创造型时，内容生成创新性的中介作用越显著。
3.4. 广告与品牌一致性的调节作用
广告与品牌一致性指广告内容与品牌形象、价值观和定位的契合程度[23]，涵盖视觉、信息、情感、文化价值观及产品特性五个维度[23]。一致性高可增强品牌认同、减少认知冲突并提升信息处理效率[24]，因为消费者的既有品牌认知会正向影响对广告的理解与评价。当AIGC广告在视觉、信息及情感等方面与品牌高度契合时，无论被感知为真实型或创造型，均更易引发积极反应并增强可信度[25]。若AI生成内容能精准回应消费者兴趣与需求，并兼具情感或实用价值，将显著提升广告的信任与接受意愿。
H4：广告与品牌一致性在广告感知类型和品牌接受意愿之间的调节作用，当广告与品牌一致性高时，无论是真实型感知还是创造型感知，均能更显著地提升品牌接受意愿。
保持广告与品牌的高度一致性，可降低消费者信息加工负荷，使其能够更顺畅地理解和接受广告内容，同时弱化创新性带来的负面感知，增强创意接受度，弥合技术创新与品牌信任的差距，使创新元素被积极理解与评价。
H5：广告与品牌一致性在广告感知类型和信息加工流畅性之间的调节作用，在高一致性条件下，真实型与创造型广告感知相较于低一致性条件，更有助于提升信息加工流畅性。
H6：广告与品牌一致性在广告感知类型和内容生成创新性之间的调节作用，在高一致性条件下，真实型与创造型广告感知相较于低一致性条件，更有助于提升内容生成创新性。
综上所述，本研究的构念模型如图1所示。
Figure 1. Research framework
图1. 研究框架
4. 正式实验与分析
4.1. 预实验
在正式实验前，首先对广告感知类型进行操纵检验。64名被试者对广告感知类型刺激材料进行打分，使用李克特五级量表就“你认为这则广告内容的真实性如何”、“你认为这则广告内容的创造性如何”进行评价，独立样本t检验结果显著(对于第一个问题，M真实型感知 = 3.50，SD真实型感知 = 1.27；M创造型感知 = 1.50，SD创造型感知 = 0.76，p < 0.001；对于第二个问题，M真实型感知 = 1.97，SD真实型感知 = 1.09；M创造型感知 = 3.94，SD创造型感知 = 0.95，p < 0.001)，这表明实验对AIGC广告感知类型的操纵是成功的。
其次，对广告感知真实性进行操纵检验。邀请64名被试者对广告与品牌一致性刺激材料进行打分，使用李克特五级量表就“你认为这则广告与该品牌的风格一致吗”进行评价，独立样本t检验结果显著(M高广告与品牌一致性 = 4.35，SD高广告与品牌一致性 = 0.79；M低广告与品牌一致性 = 2.88，SD低广告与品牌一致性 = 1.43，p < 0.001)。这表明实验对广告与品牌一致性的操纵是成功的。
4.2. 实验目的及刺激材料
实验旨在检验AIGC广告感知类型对消费者接受意愿的直接影响、间接影响以及广告和品牌一致性的调节作用，采用2 (感知类型：真实型vs.创造型) × 2 (广告与品牌一致性：高vs.低)的组间实验设计，使用海报广告作为刺激材料，通过问卷星平台进行在线实验，刺激材料包括PRADA、伊利、星巴克和麦当劳广告，具体见附录。
4.3. 描述性统计
本实验通过问卷星招募288名被试，随机分配至四组，未告知被试广告由AIGC生成。男女比例均衡(男47.6%)，70.5%年龄18~40岁，63.5%本科及以上学历。60%以上经常接触广告，品牌熟悉度较高，“有所了解”和“非常熟悉”分别占37.5%和29.2%。
4.4. 信效度检验
4.4.1. 信度分析
本研究使用SPSS 27.0对样本数据进行信度检验，结果如表1所示。由表可知，各变量量表的Cronbach’s α系数均大于0.8，说明问卷效度较好，测量结果具有较高的稳定性、可靠性和一致性。
Table 1. Reliability test of each scale
表1. 各量表信度检验
变量 |
题项 |
Cronbach’s α系数 |
感知类型——真实型 |
2 |
0.803 |
感知类型——创造型 |
2 |
0.853 |
信息加工流畅性 |
5 |
0.890 |
内容生成创新性 |
5 |
0.842 |
广告与品牌一致性 |
4 |
0.869 |
品牌接受意愿 |
5 |
0.802 |
4.4.2. 效度分析
本文使用AMOS 29.0对整体模型进行验证性因子分析(CFA)。由表2可知，模型的χ2/df (卡方自由度比)为1.722 < 3，GFI、CFI、NFI、IFI、TLI均大于0.8，RMSEA (近似方差均方根)为0.050 < 0.08，均在可接受范围。因此，模型的拟合度较好。
Table 2. Reliability test of each scale
表2. 各量表信度检验
χ2/df |
GFI |
CFI |
NFI |
IFI |
TLI |
RMSEA |
1.722 |
0.919 |
0.962 |
0.915 |
0.963 |
0.954 |
0.050 |
4.5. 假设检验
4.5.1. AIGC广告感知类型的直接效应分析
单因素方差分析结果表明，与创造型广告感知组被试(M创造型广告感知 = 2.98，SD创造型广告感知 = 0.70)相比，真实型广告感知组被试(M真实型广告感知 = 3.18，SD真实型广告感知 = 0.78)的广告态度更为积极(F (1, 286) = 5.249, p < 0.05)。
回归分析结果显示，感知类型的虚拟变量对品牌接受意愿具有显著的正向影响(β = 0.200, p < 0.05)。这表明，与创造型感知，真实型感知能显著提升品牌接受意愿。因此，假设H1成立。
4.5.2. 中介效应分析
首先，单因素方差分析结果表明，与创造型广告感知相比，真实型广告感知能显著提升信息加工流畅性(M真实型广告感知 = 3.33，SD真实型广告感知 = 0.86，M创造型广告感知 = 2.30，SD创造型广告感知 = 0.82；F(1，286) = 107.111，p < 0.001)。相较于真实型广告感知，创造型广告感知在内容生成创新性方面表现更突出(M真实型广告感知 = 2.54，SD真实型广告感知 = 0.78，M创造型广告感知 = 3.31，SD创造型广告感知 = 0.79；F(1, 286) = 73.713，p < 0.001)，H2和H3部分得到验证。
其次，以信息加工流畅性和内容生成创新性为自变量，品牌接受意愿为因变量，并控制性别、年龄、学历、广告接触频率和对广告品牌的熟悉度，进行多元线性回归，并利用OLS算法估计回归系数。所有变量的方程膨胀因子VIF都小于5，表明回归方程无严重多重共线性。分层回归分析结果(见表3)显示，在控制性别、年龄、学历、广告接触频率与品牌熟悉度等变量后(模型1)，信息加工流畅性(β = 0.375, p < 0.001)和内容生成创新性(β = 0.413, p < 0.001)均显著正向预测品牌接受意愿(模型2)。相比模型1，模型2的解释力显著提升(ΔR2 = 0.472, p < 0.001)。标准化回归系数表明，内容生成创新性的影响力高于信息加工流畅性。
Table 3. Regression analysis results
表3. 回归分析结果
|
模型1 |
模型2 |
控制变量 |
|
|
常数 |
3.326*** |
1.008*** |
性别 |
−0.062 |
−0.039 |
年龄 |
−0.044 |
−0.060 |
学历 |
0.007 |
0.010 |
广告观看频率 |
−0.001 |
−0.038 |
对品牌熟悉度 |
−0.018 |
0.036 |
自变量 |
|
|
信息加工流畅性 |
|
0.375*** |
内容生成创新性 |
|
0.413*** |
样本量 |
288 |
288 |
R2 |
0.006 |
0.478 |
调整后R2 |
−0.012 |
0.465 |
F值 |
0.327 |
36.595*** |
对于信息加工流畅性和内容生成创新性的中介效应检验，依旧参照Hayes提出的中介检验方法[26]，选择Process中的Model 4，感知类型为虚拟变量，真实型 = 1，创造型 = 0，结果表明，AIGC广告感知类型对品牌接受意愿的影响主要是通过信息加工流畅性和内容生成创新性实现的。总间接效应显著(−0.0673, p < 0.05)，M1 (信息加工流畅性)和M2 (内容生成创新性)的间接效应均显著(βM1 = 0.3038, p < 0.001; βM2 = −0.3711, p < 0.001)，置信区间(CI)均不跨越0 (LLCIM1 = 0.2042, ULCIM1 = 0.4103; LLCIM2 = −0.4831, ULCIM2 = −0.2707)，进一步验证了中介效应的统计显著性，即H2和H3得以验证。
4.5.3. 调节效应分析
本研究在控制人口统计学变量后，以广告与品牌一致性和广告感知类型为自变量开展双因素方差分析。结果如下：(1) 以品牌接受意愿为因变量的分析结果表明，二者交互效应显著(F (1, 287) = 4.890, p < 0.05)。简单效应分析结果进一步显示：在高一致性条件下，真实型感知(M = 3.72, SD = 0.07)相较于创造型感知(M = 3.36，SD = 0.07)显著提升品牌接受意愿(F (1, 287) = 15.451, p < 0.001)；而在低一致性条件下，差异并不显著(F (1, 287) = 0.290, p = 0.591)，相关结果详见图2，H4得以验证。(2) 以信息加工流畅性为因变量的分析结果表明，交互效应显著(F (1, 287) = 11.754, p < 0.001)。无论高一致性组(M = 3.73 vs. 2.95, F (1, 287) = 71.015, p < 0.001)还是低一致性(M = 2.94 vs.1.64, F (1, 287) = 113.696, p < 0.001)，真实型感知相较于创造型感知均显著提升信息加工流畅性，且低一致性效应更强，见图3，H5得以验证。(3) 以内容生成创新性为因变量的分析结果表明，交互效应同样显著(F (1, 287) = 9.550, p < 0.01)。在高一致性下，创造型感知(M = 3.62, SD = 0.07)相比于真实型感知(M = 3.09, SD = 0.07)能产生更高的内容生成创新性(F (1, 287) = 21.331, p < 0.001)；而在低一致性组，两类感知所带来的创新性均显著下降，且真实型降幅更大(M创造型感知 = 2.99，SD创造型感知 = 0.07，M真实型感知 = 2.01，SD真实型感知 = 0.07，F (1, 287) = 998.82，p < 0.001)，见图4，H6得以验证。
Figure 2. Effect analysis of advertising-brand consistency on brand acceptance intention
图2. 广告与品牌一致性与品牌接受意愿的效应分析
Figure 3. Effect analysis of ad-brand consistency and information processing fluency
图3. 广告与品牌一致性与信息加工流畅性的效应分析
Figure 4. Effect analysis of ad-brand consistency and content generation creativity
图4. 广告与品牌一致性与内容生成创新性的效应分析
5. 讨论
5.1. 研究结论
本研究以消费者品牌接受意愿为因变量，AIGC广告感知类型为自变量，引入信息加工流畅性与内容生成创新性作为中介变量，探讨广告感知真实性对信息理解与创意感知的作用机制，并以广告与品牌一致性为调节变量。
结果表明，AIGC广告感知类型对品牌接受意愿具有正向影响，且真实型感知较创造型感知提升作用更显著，感知类型通过信息加工流畅性与内容生成创新性发挥正向中介作用：真实型感知更显著地通过提升信息加工流畅性促进品牌接受意愿，而创造型感知更依赖增强内容生成创新性；其中，内容生成创新性的中介效应更强，表明在AIGC广告情境中，创意较信息处理顺畅程度更关键。
此外，广告与品牌一致性对广告感知类型与品牌接受意愿及两条中介路径均具有正向调节作用，表明一致性是激发信息加工流畅性与创意感知的关键边界条件，为提升AIGC广告的积极心理效应提供了重要启示。
消费者在面对AIGC广告时，可能会因“非人类智能”的刻板印象产生独特反应。一方面，不信任会增加理解负担，降低信息加工流畅性；另一方面，对机器创造力的期待存在分化，有人认为其突破人类思维而更具创新性，也有人质疑其缺乏原创，从而降低创新性感知。
5.2. 营销启示
(1) 关注AIGC广告类型的选择
企业在运用AIGC进行广告创作时，应在“真实型”与“创造型”之间权衡。研究表明，两者均能提升消费者品牌接受意愿，但真实型效果更优。因此，创作中应优先保证真实性，确保信息准确、视觉自然、情感真挚，同时可适度融入新奇元素以增强兴趣，但避免猎奇或惊悚化。建议建立“人工审核 + AI优化”机制，确保内容契合品牌调性、符合法规，并强调真实用户体验，从而提升AIGC广告传播质量与受众接受度。
(2) 提升信息加工流畅性与创新性
设计AIGC广告时，应通过清晰的视觉、简洁的语言和温暖叙事降低认知负担，提升信息加工流畅性；同时利用AI创意引入沉浸式体验与创新表达，增强吸引力和品牌辨识度。需避免单纯堆砌AIGC元素，而应关注文本、图像、音频等内容的互动与融合，实现自然协同，从而打造兼具沉浸感与感染力的广告体验，发挥AIGC的创意优势。
(3) 确保广告与品牌形象一致
品牌需在创新与一致性间保持平衡，通过生成规则、AI训练数据优化、人工审核及品牌故事融入，确保广告既具技术优势又符合品牌形象。制定视觉、语言、价值观的生成标准，结合品牌历史广告和官网素材，使生成内容具备辨识度，并通过人工审核优化AI生成内容，使创新同时传递核心价值。
5.3. 未来展望
本研究存在以下局限性，后续研究将进一步地探究AIGC广告对消费者品牌接受意愿的影响。
(1) 样本局限。本研究采用网络问卷，受访者主要集中在18~40岁群体，40岁以上样本较少，可能影响结果的适用性。未来可扩大调查范围，增加不同年龄、地区及社会背景的样本，以提升结论普适性和可靠性。
(2) 实验材料局限。本实验未充分比较不同广告媒介、不同产品类型的AIGC广告对消费者接受度的差异。未来可通过跨媒介比较分析，更全面理解AIGC广告在不同形式下的有效性，为企业广告策略提供指导。
(3) 变量选取局限。研究主要关注消费者和品牌相关变量，未充分考虑社交媒体环境中外部因素的干扰。未来可引入平台环境变量，探索AIGC广告类型在TikTok、Instagram等短视频平台上的影响，以及社交互动和用户评价等因素在消费者接受意愿中的作用。
致 谢
在本研究顺利完成之际，谨向所有给予帮助和支持的单位与个人致以诚挚的感谢。
首先，衷心感谢我的导师孙明贵老师，在研究过程中提供了前瞻性的视野、宝贵的建议与细致的指导，这不仅对我个人有莫大帮助，也显著提升了本研究的质量。
其次，感谢所有提供实验材料、数据、及研究思路的机构和个人，正是有了他们的支持，本研究才得以顺利开展。
最后，感谢所有给予转载或引用其资料和文献的作者，感谢他们为学术研究提供了丰富资源。本研究的完成凝聚了各方的帮助与支持，在此谨致以衷心的谢意。
附 录
实验材料：(左上：真实高一致、右上：真实低一致、左下：创造高一致、右下：创造低一致)
NOTES
*通讯作者。