前两篇文章分别聊过 《AI 短剧的中国实验：谁在生产成本归零后赚到了钱？》 与 《AI 短剧不是一夜暴富的财富密码，但它确实给新手开了一扇门》。前者看清了生产成本下降后钱流向哪里，后者讨论了普通创作者如何把 AI 当作低成本试错的沙盒。不过这两篇都在看外部的商业与环境，中间还隔着一个很具体的现场问题：当画面已经可以用模型算出来时，一部短片从想法到交付，究竟哪些地方需要 AI，哪些地方根本用不上？
Netflix 在 Netflix
2026 年二季度股东信 中提到，公司在 2026 年已有
roughly 300 of our titles 使用了 GenAI
工作流，最大集中在后期制作。紧接着，他们在 2026
年二季度业绩电话会议记录 里解释了具体用途，也在 Netflix
Partner Help 页面更新了对合作伙伴的制作要求。
最吸引人的地方，在于它让我们看到专业影视团队如何倒推 AI 的使用位置。他们没有等待模型一口气算出一整部影片，而是从预算、工期、画面质量和交付要求出发，把 AI 嵌进那些最卡人的制作环节。技术可行性本身不等于一部好作品，真正把二者贴合在一起的，是电影工业积累多年的制作判断。
许多关注 AI 视频的人，第一反应往往是盯着模型参数与生成效果：镜头能否再拉长几秒？角色在不同场景里会不会换脸？算出来的画面能不能直接拿去上线？这种习惯隐含了一个前提，似乎只要模型能力突破某个临界点，制作价值就会顺理成章地跑出来。可回到制作现场，单靠模型算出一段好看的画面只是开始，画面能不能搬进立项、拍摄与最终交付的流程，才是项目能否推进的关键。
没有影视制作经验的创作者，常在电脑前跑出大量镜头，真到了要拿去交差或上线时，却拿不准哪些素材有用，更算不清后面的返工和合规成本。Netflix
在股东信里提到的 roughly 300 of our titles 使用了 GenAI
工作流，这里的 title
只是公司披露时用的片目统计词，没有说明分母和具体口径，既不能看作 300
部全由 AI 生成的作品，也不是 300 部纯 AI
短剧。其中已知最大的应用集中在后期制作。
专业团队用起 GenAI 来，并没有干等“端到端一键生成电影”的那一天。他们没有急着拿 AI 去替换整个片场，而是先把技术放进那些能提前做决定、少花冤枉钱的局部环节。
在业绩电话会议记录中，Netflix 聊到了团队使用 GenAI 的真实场景，涉及场景参考、序列准备、镜头规划、VFX 视觉特效，以及在实拍前预看镜头和动作的 pre-vis 环节。
试着拿一部 3 到 5 分钟的短剧项目来看。在团队花钱租场地、约演员档期或者搭景前，先用 GenAI 跑出一套情绪板、场景参考图、pre-vis 动态小样和镜头规划表。主创站在一起看，镜头的构图舒不舒服、人物走位顺不顺、几幕之间的节奏踩没踩对，瞬间就有了直观画面。万一发现某个桥段看起来很别扭，或者某种视觉风格根本走不通，这时改剧本或换方案，通常比正式开拍后再推倒重来便宜得多。
这类用法从来不逼着 AI 画面一次性达到成片交付标准。它的真正好处，是把原本只有拍完、剪完才能看到的毛病，提到最开始的筹备桌上来。只要团队能尽早做出“要不要这么拍”的决定，试错成本就降下来了。
只是，预演解决的是“想得清不清楚”。当剧本里的镜头被验证可行后，随之而来的就是“拍不拍得起”的考验。
有些野心勃勃的镜头，即便在预演阶段让人眼前一亮，到了真正拍摄时，也常常因为场地租不起、群众演员凑不够或者工期太紧被直接删掉。Netflix 在股东信里特别提到了这一点：如果不借助 GenAI，项目里的某些关键镜头和序列原本只能放弃。
比如在印度剧集 Glory、巴西纪录片
Brasil 70: A Saga do Tri 以及美国纪录剧集
The American Experiment 里，制作团队用 GenAI
处理了复杂的画面，包括画面里的人群增强、历史战役序列，还有用来交代时代与环境规模的远景镜头。The American Experiment
包含了 17 分钟的 AI-enhanced footage。Netflix 提到，这 17
分钟扩大了项目的视觉范围；在这一特定案例里，制作速度达到了先前方案的约两倍，成本降低了约一半。这里对比的是剧组先前考虑过但未说明细节的旧选项。
这种“速度翻倍、成本减半”是特定项目相对于旧方案的个案表现，不能直接套用到 Netflix 所有项目上，更不能当作短剧行业到处通用的规律。它的价值在于提醒我们：AI 的省钱方式并不一定表现为削减总预算，而是在预算和工期固定的前提下，把原本可能因为太贵而被删掉的视觉效果保下来。
如果把刚才那部 3 到 5 分钟的短剧推演下去，剧本里如果需要一段古代战争的宏大远景，实拍开销可能瞬间超出预算，而把背景远景交给 AI，镜头就留住了。那为什么这些成功的尝试都落在局部复杂镜头上，而不是直接用 AI 把整部戏的所有镜头全部算出来？
在一部短剧里，不同镜头承担的叙事任务截然不同，面临的风险也完全不在一个数量级上。成熟的制作团队很少幻想用某一款神奇工具做完所有事，而是看哪项任务出了错代价最小、哪里最耗钱却最容易被替换。
还是看那部 3 到 5 分钟的短剧。如果只是在前期的概念阶段生成几张情绪板或者镜头规划表，这些素材纯粹留在团队内部交流，根本不进成片，就算 AI 算出的手脚稍有走形也无伤大雅；如果到了中期的环境镜头，比如让 AI 去垫补后排熙熙攘攘的人群，或者在远景里加几栋宏伟建筑，虽然传统实拍极贵，但因为背景画面不需要承载主角细腻的表情与稳定的脸型，替换起来也相对从容；可一旦到了正面拍摄主角对话、情绪爆发的核心镜头，情况就变了，只要角色的面部闪烁或者口型对不上，整段表演就会让人出戏，后面的剪辑也可能跟着返工。
这种差异在 Netflix Partner Help 公布的合作伙伴政策里体现得很清晰。如果素材只是拿来做概念探索的参考图，属于低风险使用，不需要升级审批；可一旦素材要进入 final deliverables，也就是真正进到成片里的画面、声音或文字，或者涉及演员的 talent likeness 肖像、个人数据与第三方 IP，就必须拿到书面批准。至于作品的核心主角、关键视觉以及主要虚构场景，Netflix 同样要求走书面升级审批流程；哪怕是串联多个模型的自定义工作流，管线里的每一个环节也要符合数据保护与授权规则。
既然用到真人演员的肖像和授权需要书面审批，不少人顺理成章地想：如果干脆不用真人，全用纯虚构的虚拟角色，是不是就能绕开肖像权、免去审批，顺便把制作成本降得更低？
用全虚拟主角，确实不用再找特定真人演员要 digital replica 授权，也就是无需获得能让人认出某位真人的数字声音或肖像许可。片场协调、场地租用、服化道和特技拍摄的实体开销，也可能随之减少。可这并不意味着难题凭空消失，制作上的压力只是从物理片场换到了角色资产维护与后期修图上。
从权利与审核的角度看，哪怕把源脸外观稍微改动一下，也并不代表就能自动避开肖像、版权、合同、许可或误认风险。具体风险如何判断，依然取决于司法辖区、画面可识别度、实际用途和具体的呈现方式。况且在 Netflix Partner Help 的要求里，最终的角色设计、关键视觉和核心虚构场景同样列在需要书面升级审批的范围内。这是平台面向合作伙伴的制作采购规范，不能直接当作通用法律，也不能拿来推算平台的实际通过率。
再看实际制作，全虚拟路线等于把剧里最难的部分交给了 AI：让同一个角色在几分钟的剧集里换了几十个镜头，依然要保持脸型、身材、服装、嗓音、情绪乃至人际关系的稳定连贯。画面一旦开始漂移，建立角色资产、人工逐帧修复、配音对口型以及一遍遍返工的开销就会不断累积。算下来，全虚拟路线的总成本未必就比真人配合 AI 后期的混合路线更低。
归根结底，每种选法都有各自要付出的代价。各种路线在技术上都能做得通，关键要用真实的制作标准去算，哪套方案能让当前这个项目获得真正的净价值。
Netflix 公开的这些细节与政策，呈现的其实不是一份炫酷的 AI 成绩单，而是一套很朴素的制作判断。生成模型给出了基础的能力，但决定项目能不能顺利拍完、成本是不是真的降了、画面能不能合规交付的，还是影视制作本身的行业经验。
对于短剧创作者来说，与其每天盯着有没有“一键出片”的新模型，不如拿个具体项目上手跑一趟真实的对比。拿同一份 3 到 5 分钟的短剧剧本，试试三条不同的路：纯真人实拍、真人拍摄加 AI 后期，以及全虚拟角色。把每条路线到底生成了多少次、人工花在修复上的工时、返工卡在哪儿、素材授权怎么拿，以及测试版本在目标平台的审核结果和受控发布后的观众反馈记录下来。
把这三条路在同一个剧本上跑一遍，就能明明白白地看出各自在成本和交付上的真正差别。电影工业的制作判断，把“AI 能做什么”，重新改写成了“这个项目究竟在哪一部分真正需要 AI”。