Los investigadores proponen una subasta a nivel de token para anuncios generados por IA

icon MarsBit
Compartir
AI summary iconResumen
Investigadores de la Escuela de IA Gao Ling de la Universidad Renmin y de Stanford han propuesto un nuevo sistema de subasta de anuncios a nivel de token llamado LAMA. El mecanismo integra la puja por anuncios en la generación de contenido de IA, permitiendo a los anunciantes influir en la dirección del contenido. LAMA garantiza la presentación veraz y equilibra la experiencia del usuario con el valor comercial. Las pruebas muestran que aumenta los ingresos de la plataforma y los rendimientos de los anunciantes sin reducir la calidad del contenido. Este desarrollo se enmarca dentro de la creciente tendencia de noticias AI + crypto y podría respaldar nuevos lanzamientos de tokens en el espacio.

Cuando aparece un resumen de IA en los resultados de búsqueda, la probabilidad de que el usuario haga clic en una página web normal se reduce casi a la mitad. Un análisis del Pew Research Center sobre el comportamiento de navegación masiva de usuarios estadounidenses en Google encontró que, con un resumen de IA, la proporción de clics en resultados de búsqueda tradicionales cayó directamente del 15% al 8%. [1]

Los usuarios están completando la exploración y comparación dentro de la conversación, y los anuncios también se han migrado junto con ellos. OpenAI ya ha lanzado oficialmente ChatGPT Ads, y Google también ha introducido anuncios en AI Overviews, colocando tarjetas patrocinadas directamente en las respuestas, continuando así el modelo de la era de los motores de búsqueda. [2, 3] Pero el cambio en el paradigma de obtención de información hace que uno comience a replantearse la forma de los anuncios:

Cuando el medio de información pasa de resultados de búsqueda completos a una respuesta generada en tiempo real, ¿qué debería subastarse en la publicidad?

Durante treinta años, la publicidad en línea siempre se ha basado en un supuesto predeterminado: los espacios publicitarios existen primero, y luego una subasta decide quién los obtiene. El orden de los resultados de búsqueda o qué publicación aparece en el feed están predefinidos. Pero las respuestas de los modelos grandes se generan palabra por palabra: si una marca debe aparecer, dónde y cómo presentarse, depende de lo que ya se ha escrito anteriormente. Incluso mencionar primero el precio o primero la experiencia puede generar impresiones completamente diferentes sobre el producto.

Publicidad en línea

Figura 1: En los medios de información generativos, la ubicación, el propietario y la presentación de las oportunidades publicitarias influyen conjuntamente en el rendimiento del marketing y la experiencia del usuario.

Por lo tanto, la generación no solo llena oportunidades publicitarias, sino que también las moldea. En este nuevo paradigma, investigaciones previas han comenzado a explorar métodos de subasta como la inserción de anuncios a nivel de párrafo y la subasta de respuestas candidatas, mientras que el equipo de investigación de la Universidad Renmin (Gaoling) y la Universidad de Stanford ha llevado la competencia de anuncios nativos de grandes modelos aún más lejos, hasta el proceso de generación por Token.

El LAMA que proponen permite que la generación de contenido y la asignación de anuncios evolucionen juntos: cada vez que se genera un Token, se influye en tiempo real en cómo continuar la respuesta y en quién recibirá finalmente la exposición publicitaria. Esta es la idea central que presenta este trabajo: generar como asignar (Generation as Allocation).

Publicidad en línea

Publicidad a nivel de token

Autores: Hanbing Liu, Bowei Zhang, Changyuan Yu, Yinyu Ye, Qi Qi

Unidad: Escuela de Inteligencia Artificial Gaoling de la Universidad Renmin de China, Universidad de Stanford

Enlace: https://arxiv.org/abs/2608.27382

El modelo grande escribe cada carácter

Es un proceso de subasta única.

Impulsa la subasta de anuncios hasta el nivel de token: los anunciantes ya no solo compiten por la última oportunidad de exposición, sino también por decidir hacia dónde dirigir el siguiente paso. Por ejemplo, al recomendar destinos vacacionales, comenzar por el transporte o por el alojamiento puede dar a diferentes anunciantes ventajas en la competencia posterior. Esto otorga a los anunciantes un nuevo espacio estratégico: no solo pueden ajustar los informes para influir en la generación actual, sino también cambiar sus estrategias posteriores en función del contenido ya escrito.

Esto exige mayores requisitos para el mecanismo: no solo debe incentivar a los anunciantes a proporcionar información de valor real al inicio, sino también asegurar que sigan diciendo la verdad durante todo el proceso de generación. Al mismo tiempo, las respuestas no deben limitarse a adaptarse a las ofertas, desviándose del problema original del usuario.

LAMA es el acrónimo de Latent Advertiser Mixture Auction, es decir, "Subasta Mixta de Anunciantes Potenciales". Permite a los anunciantes informar, en función del texto actual, "¿Cuánto vale para mí escribir así a continuación?", y combinar esta información con el modelo de lenguaje original para formar estrategias de generación que reflejen las preferencias de cada anunciante. La plataforma genera la respuesta token por token, actualizando constantemente la probabilidad final de exposición para cada anunciante: cuanto más se alinee el contenido recién generado con la dirección preferida de un anunciante, mayor será su probabilidad asignada. Al finalizar la respuesta, se selecciona al ganador según las probabilidades finales, otorgándole exposición en forma de enlaces externos o tarjetas patrocinadas. En la implementación práctica, estos informes de valor pueden ser calculados automáticamente por modelos del lado de la plataforma, similar al servicio de puja automática (Auto-bidding) en los sistemas publicitarios actuales.

Publicidad en línea

Figura 3: Proceso de funcionamiento de LAMA. En cada generación de Token, se completan secuencialmente el informe, la generación y la actualización, y se realiza la asignación y liquidación finales una vez generada la respuesta.

¿Cómo se impide que los anunciantes cambien de opinión durante este proceso? LAMA ha diseñado cuidadosamente reglas de verificación de informes locales y pagos asociadas para este proceso de generación.

La verificación se centra en asegurar que los informes anteriores y posteriores coincidan: la evaluación de valor del anunciante sobre las distintas versiones del siguiente paso debe, al resumirse, ser coherente con el informe previo sobre el texto actual. La plataforma solo necesita realizar una verificación local en cada paso para limitar que el anunciante cambie de opinión arbitrariamente. El pago se ajusta según el proceso de generación: si en un paso la probabilidad de exposición del anunciante, combinada con el valor posterior, se vuelve más favorable, se genera un cargo correspondiente; si se vuelve menos favorable, se proporciona un subsidio, y luego se realiza el cálculo final junto con los cargos iniciales. Así, influir en la generación, buscar exposición y asumir costos quedan interconectados.

Este mecanismo satisface la compatibilidad con incentivos de estrategia dominante de Markov (Markov DSIC): independientemente de qué estrategia factible adopten otros anunciantes, si un anunciante ha informado con honestidad hasta el momento, entonces, en cualquier estado generativo alcanzable, continuar informando con honestidad no será peor que cambiar posteriormente a cualquier otra estrategia factible. Es decir, la honestidad no solo se aplica a la oferta inicial, sino que también se mantiene a lo largo del proceso de generación de respuestas.

Al mismo tiempo, LAMA también cuenta con garantías de bienestar social: su objetivo es el valor publicitario menos la penalización por desviación de la respuesta nativa, y la diferencia con el mecanismo óptimo ideal tiene una cota teórica clara. Esto permite que el mecanismo persiga el valor comercial mientras limita el impacto de la publicidad en la experiencia del usuario.

Desde cómo escribir cada paso hasta quién finalmente obtiene exposición y cuánto se paga, LAMA las integra en un mismo mecanismo. Eso es exactamente lo que significa “generar para asignar”.

La teoría es perfecta

¿Cómo es el efecto real?

El equipo de investigación seleccionó 1.239 consultas de búsqueda comerciales reales del conjunto de datos Webis Generated Native Ads 2024 para la validación del concepto, cubriendo tres escenarios comunes: fitness, vacaciones y automóviles, cada uno de los cuales representa un entorno competitivo con tres anunciantes.

Se utilizó Qwen3-14B como modelo de lenguaje de referencia y se entrenó un modelo de informes compartido por anunciantes mediante LoRA. El valor del anuncio proviene de predicciones estimadas generadas por un modelo predictivo de código abierto, mientras que la experiencia del usuario se evaluó integralmente según métricas proporcionadas por GEM-Bench, incluyendo relevancia, informatividad, fluidez y coherencia, naturalidad del anuncio, veracidad publicitaria e intrusividad. Los métodos base incluyen dos enfoques de asignación (antes y después de la generación), combinados con tres métodos de generación (contenido nativo, inserción editada y estrategias de aprendizaje por refuerzo), así como el mecanismo de agregación a nivel de respuesta MOSAIC.

Publicidad en línea

Figura 4: Tabla del experimento principal

LAMA alcanzó el máximo en las cuatro métricas, logrando un resultado ganar-ganar para los ingresos de la plataforma (+10,7%) y el valor para los anunciantes (+3,8%), sin sacrificar en absoluto la experiencia del usuario.

Veamos una consulta específica sobre un escenario vacacional: “best beach vacations in the world (los mejores destinos de playa del mundo)”. La respuesta de referencia, sin mecanismos publicitarios, solo discute destinos y factores de planificación; la respuesta generada por LAMA incluye Expedia al inicio y Tripadvisor al final, con anunciantes alternándose constantemente el control durante la generación, pero la respuesta resultante sigue siendo natural, fluida y proporciona información valiosa, al igual que la respuesta de referencia.

Publicidad en línea

Figura 5: Muestra de respuestas en un escenario de vacaciones; el texto resaltado en naranja es el intervalo asignado al hipervínculo.

Al finalizar la generación, la probabilidad de asignación de Tripadvisor fue significativamente mayor y fue seleccionado como el ganador final en esta respuesta.

¿Por qué TripAdvisor? Desde el contenido textual, Expedia parece más bien un punto de anclaje de marca para introducir destinos como Maldivas, Bali y el Caribe; la oración que menciona TripAdvisor explica directamente qué puede hacer el producto: comparar destinos, revisar reseñas de viajeros y filtrar alojamientos y experiencias, ofreciendo una expresión de valor más completa. La actualización de las probabilidades de asignación de la plataforma captó con precisión este punto.

El equipo de investigación también realizó un experimento intuitivo de perturbación de ofertas: manteniendo constantes los informes de otros anunciantes, ajustaron uniformemente hacia arriba o hacia abajo el informe del anunciante objetivo. Los resultados fueron coherentes con la intuición: cuanto más alto era el informe, mayor era la proporción de tokens contribuida, la probabilidad de asignación y el pago. Sin embargo, la utilidad esperada real no aumenta indefinidamente, sino que alcanza su pico exactamente cuando se presenta un informe honesto. Aunque falsear la oferta para aumentar el precio permite obtener más influencia en la respuesta, el mayor pago lo hace contraproducente, lo cual es precisamente la propiedad garantizada por la teoría de la compatibilidad con incentivos.

Publicidad en línea

Figura 6: La proporción generada, la asignación y el pago aumentan con el informe, y la utilidad esperada real alcanza su pico cuando se actúa con honestidad.

Conclusión

¿Dónde deben aparecer los anuncios generativos? Un punto natural es en escenarios donde los usuarios ya están buscando consejos comerciales: al comprar productos comparando artículos mediante asistentes digitales, al elegir hoteles durante un viaje o permitir que un agente seleccione herramientas de pago utilizadas en flujos de trabajo diarios. Cuando la información comercial responde a las necesidades reales del usuario y cuenta con una identificación clara de límites publicitarios, sin comprometer los hechos objetivos y útiles de la respuesta, es más probable que sea aceptada.

Lo que LAMA explora es cómo implementar los mecanismos bajo esta visión: permitir que los anunciantes compitan durante el proceso de generación, mientras se utilizan reglas para restringir comportamientos estratégicos y equilibrar el valor comercial con la calidad de las respuestas.

Anteriormente, las subastas determinaban quién obtenía un espacio publicitario ya existente. Hoy, el mecanismo también puede decidir cómo se forman las oportunidades publicitarias en las respuestas. Al pasar de la “asignación de posiciones” a la “generación como asignación”, LAMA ofrece una nueva vía de diseño para mecanismos publicitarios nativos de modelos grandes.

Información del autor

Liu Hanbing (primer autor): Estudiante de maestría de tercer año en la Escuela de Inteligencia Artificial GaoLing de la Universidad Renmin de China, bajo la tutoría del profesor Qi Qi. Su línea de investigación se centra en la toma de decisiones inteligentes y el diseño de mecanismos en inteligencia artificial generativa, con una graduación prevista para 2027. Sus trabajos han sido publicados en conferencias de primer nivel como WINE, ACL y SIGMOD.

Página principal: https://tokgoleo.github.io/home/

Qi Qi (corresponding author): Tenured Professor at the Huiyan School of Artificial Intelligence, Renmin University of China; National High-Level Young Talent; Deputy Director (Executive) and Director of the Office of the Special Committee on Computational Economics, CCF. Ph.D. from Stanford University, supervised by Professor Yinyu Ye. Research interests include algorithmic game theory and mechanism design, large models and agents, multi-agent systems, optimization, and intelligent decision-making. His research has been widely published in top-tier journals such as MS, OR, MOR, GEB, TR-B, and CCF-A class conferences including STOC, ICML, NeurIPS, ICLR, ACL, AAAI, KDD, SIGIR, WWW. He has also maintained long-term deep collaborations with enterprises such as Baidu, Alibaba, Tencent, Meituan, ByteDance, Didi, Huawei, and OPPO, driving the real-world deployment of large models, mechanism design, and multi-agent decision-making technologies in scenarios involving hundreds of millions of users, focusing on core business areas such as online advertising, intelligent marketing, coupon optimization, and user growth.

Página principal: https://ai.ruc.edu.cn/szdw/zrjs/qq/index.htm

Referencias

1. Pew Research Center, los usuarios de Google son menos propensos a hacer clic en enlaces cuando aparece un resumen de IA en los resultados, 2025-07-22: https://www.pewresearch.org/short-reads/2025/07/22/google-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results/

2. Centro de ayuda de OpenAI, anuncios en ChatGPT, accedido el 2026-09-04: https://help.openai.com/en/articles/20001047-ads-in-chatgpt

3. Google Ads & Commerce, más oportunidades para tu negocio en Google Search, 2025-05-21: https://blog.google/products/ads-commerce/google-search-ai-brand-discovery

Este artículo proviene del canal de WeChat "Machine Heart"

Descargo de responsabilidad: La información contenida en esta página puede proceder de terceros y no refleja necesariamente los puntos de vista u opiniones de KuCoin. Este contenido se proporciona solo con fines informativos generales, sin ninguna representación o garantía de ningún tipo, y tampoco debe interpretarse como asesoramiento financiero o de inversión. KuCoin no es responsable de ningún error u omisión, ni de ningún resultado derivado del uso de esta información. Las inversiones en activos digitales pueden ser arriesgadas. Evalúa con cuidado los riesgos de un producto y tu tolerancia al riesgo en función de tus propias circunstancias financieras. Para más información, consulta nuestras Condiciones de uso y la Declaración de riesgos.