随着AI生成内容商品化，价值从最终产出转向用于引导LLM生成的上游专业知识。组织缺乏评估这些专业知识价值的方法，也难以识别哪些技能或配置对性能有因果提升。
本研究聚焦生成式营销，结构化的专家标签作为技能原语条件LLM生成广告。估计其因果效应困难，因为结果受随机LLM中介、高维标签交互和多模态混淆因素影响。
提出 D‑VAE（Deconfounder Variational Autoencoder），一个反事实推断框架，结合多处理去混淆器与因果表征学习。D‑VAE 能恢复因果可分离的标签逻辑，并给出基于 PAC 的单处理混淆偏差上界 $$\epsilon = O\left(\sqrt{\frac{\log(1/\delta)}{n}}\right)$$。
在 29,177 条基础化妆品广告创意上实验，D‑VAE 超越最新基准。现场实验表明，推荐的标签配置将互动率提升 32.7%，且与人工专家表现统计上无差异。模拟研究进一步验证在复杂混淆和处理交互下的因果归因能力。
本研究将价值评估从AI产出转向技能，为 AI 增强技能组合的定价和优化提供基础。
点评