Kapag may AI summary sa mga resulta ng paghahanap, ang posibilidad na pumili ng karaniwang web page ay bumaba ng halos kalahati. Ayon sa pagsusuri ng Pew Research Center sa malawakang pag-browse ng mga user sa Estados Unidos sa Google: kapag may AI summary, bumaba nang direkta mula sa 15% sa 8% ang porsyento ng mga user na kumliko sa tradisyonal na mga resulta ng paghahanap. [1]
Nakakapagtapos ang mga gumagamit sa pagpapalawak at paghahambing sa usapan, at kasama rin dito ang mga ad. Opisyal na inilunsad na ng OpenAI ang ChatGPT Ads, at isinama na rin ng Google ang mga ad sa AI Overviews, kung saan isinaksak nila ang mga maliit na card ng sponsor sa mga sagot, na patuloy na ginagawa ang modelo mula sa panahon ng search engine. [2, 3] Ngunit ang pagbabago sa paraan ng pagkuha ng impormasyon ng mga tao, ay nagpapakilala muli sa anyo ng advertising:
Kapag nagbago ang medium ng impormasyon mula sa buong pahina ng mga resulta ng paghahanap patungo sa isang real-time na nabuong sagot, ano ang dapat ipagbili sa tulong ng auksyon?
Sa loob ng tatlong dekada, ang online advertising ay laging nakabatay sa isang default na aksiyoma: una ay umiiral ang mga ad slot, at ang auksiyon ang nagpapasya kung sino ang makakakuha nito. Ang pagkakasunod-sunod ng mga resulta sa paghahanap, o kung aling pagpapakita sa feed, ay mga nakapre-definisyon na pagkakataon. Ngunit ang sagot ng malalaking modelo ay binubuo ng bawat salita: kung ang isang brand ay dapat lumabas, saan ito lumalabas, at paano ito ipapakilala, ay depende sa mga salitang naisulat na bago ito. Kahit kung ang presyo o ang karanasan ang unang pag-uusapan, maaaring magdulot ito ng ganap na iba’t ibang impresyon sa produkto.

Figure 1: Sa generatibong medium ng impormasyon, ang lokasyon kung saan lumalabas ang mga pagkakataon sa pagpapalaganap, kung sino ang nakakakuha nito, at kung paano ito ipinapakita, ay magkakaroon ng impluwensya sa epekto ng pagmamarka at karanasan ng gumagamit.
Kaya, ang pagbuo ay hindi lamang nagpapalawig ng mga pagkakataon sa pag-advertise, kundi nagpapabuo rin nito. Sa bagong paradigma na ito, ang mga pag-aaral ay nagsisimula nang suriin ang mga paraan ng paligsahan tulad ng pag-insert ng advertisement sa antas ng talata at pagbida sa mga kandidatong sagot, habang ang mga ekipa mula sa Gaoling ng Renmin University at Stanford University ay ipinagpatuloy ang kompetisyon ng native advertising ng malalaking modelo patungo sa proseso ng pagbuo sa antas ng bawat Token.
Ang LAMA na kanilang ipinapropose ay nagpapalago ng paggawa ng nilalaman at pagkakaloob ng advertisement nang sabay: habang ginagawa ang isang Token, ito ay direktang nakakaapekto sa paano magpapatuloy ang sagot, at sa kinalabasan, sino ang makakatanggap ng pagkakataon sa pagpapalabas ng advertisement. Ito ang pangunahing ideya na ipinapakita ng pag-aaral na ito—ang paggawa bilang pagkakaloob (Generation as Allocation).

Pamamahayag sa Level ng Token
May-akda: Hanbing Liu, Bowei Zhang, Changyuan Yu, Yinyu Ye, Qi Qi
Unit: School of Gaoling Artificial Intelligence, Renmin University of China; Stanford University
Link: https://arxiv.org/abs/2608.27382
Bawat salitang isinusulat ng malaking modelo
Isa ito sa isang proseso ng single bid.
Ipalawak ang pag-aanunsiyo sa antas ng Token, kaya hindi na lang hinahabol ng mga advertiser ang huling pagkakataon para makita, kundi pati na rin ang pagdedesisyon kung saan dapat ipatuloy ang pagsusulat. Halimbawa, kapag inirerekomenda ang isang destinasyon sa bakasyon, ang pag-uusap muna tungkol sa transportasyon o sa akomodasyon ay maaaring magbigay ng kahilingan sa iba’t ibang advertiser sa susunod na kompetisyon. Dahil dito, may karagdagang espasyo para sa mga estratehiya ng advertiser: hindi lang sila makakapag-adjust ng report para maapektuhan ang kasalukuyang pagbuo, kundi maaari rin silang baguhin ang kanilang susunod na estratehiya batay sa naisulat na nilalaman.
Ito ay nagtataguyod ng mas mataas na mga kinakailangan sa mekanismo: hindi lamang kailangan na magbigay ang mga advertiser ng totoong impormasyon sa simula, kundi pati na rin na manatili sa katotohanan habang nagpapagawa. Samantala, ang sagot ay hindi dapat mag-focus lamang sa pagpapahalaga sa tawiran at maliitin ang orihinal na tanong ng user.
Ang buong pangalan ng LAMA ay Latent Advertiser Mixture Auction, o "Latent Advertiser Mixture Auction". Ito ay nagpapahintulot sa mga advertiser na mag-report kung gaano karaming halaga ang "sumusunod na pagsulat" para sa kanilang sarili, at pagkatapos ay i-combine ang mga ito sa orihinal na language model upang mabuo ang mga pagsubok na pagbuo batay sa kanilang mga preferensya. Batay dito, ang platform ay bumubuo ng sagot na isang Token sa isang beses, at patuloy na i-update ang probabilidad na makakuha ng exposure ng bawat advertiser: mas malaki ang probabilidad na matatalikod sa isang advertiser kung ang bagong isinulat na nilalaman ay mas malapit sa kanilang preferensya. Pagkatapos ng sagot, pipiliin ang mananalo batay sa huling probabilidad, at ibibigay ang exposure sa anyo ng external link o sponsored card. Sa praktikal na pag-deploy, maaaring kalkulahin ng mga modelo ng platform ang mga halagang ito, tulad ng auto-bidding service sa kasalukuyang advertising system.

Figure 3: Ang proseso ng LAMA. Sa bawat pagbuo ng Token, sunod-sunod na isasagawa ang pagrereport, pagbuo, at pag-update, at matapos ang pagbuo ng sagot, isasagawa ang huling pagkakaloob at pagkalkula.
Paano maiiwasan ang mga advertiser na magbago ng desisyon sa gitna ng proseso? Ginawa ng LAMA ang mga kaukulang lokal na pagsusuri at patakaran sa pagbabayad para sa prosesong ito.
Ang pag-verify ay nakatuon sa kung ang mga unang at sumusunod na ulat ay magkakasundo: ang pagtatantiya ng advertiser sa halaga ng iba’t ibang bersyon ng susunod na hakbang ay dapat magkakasundo sa nakaraang ulat tungkol sa kasalukuyang teksto. Ang platform ay kailangang gawin ang isang lokal na pag-check sa bawat hakbang upang limitahan ang arbitrariyang pagbabago ng advertiser. Ang pagbabayad ay iinasikaso batay sa proseso ng pagbuo: kung ang isang hakbang ay nagpapataas ng posibilidad ng pagkakaroon ng exposure at ang susunod na halaga ay nagiging mas benepisyoso, magkakaroon ng kaugnay na bayarin; kung nagiging mas masama, magkakaroon ng subsidy, at kasama ang orihinal na bayarin, magkakaroon ng pagsasama-samang pagbabayad. Sa ganitong paraan, ang pagpapaimpluwensiya sa pagbuo, paghingi ng exposure, at pagdudulot ng bayarin ay naging iisang malalaking koneksyon.
Ang mekanismo na ito ay sumasailalim sa Markov DSIC: anumang makatotohanang estratehiya ang gamitin ng iba pang mga advertiser, kung ang isang advertiser ay nag-report nang tapat sa nakaraan, ang pagpapatuloy sa pagpapahayag nang tapat sa anumang makakamit na estado ay hindi mas masama kaysa sa pagpapalit sa iba pang makatotohanang estratehiya sa susunod. Ibig sabihin, ang pagiging tapat ay hindi lamang nakatutok sa unang tawag, kundi patuloy din sa proseso ng pagbuo ng sagot.
Samantala, mayroon ding social welfare guarantee ang LAMA: ang layunin ay ang halaga ng advertisement minus ang parusa para sa paglihis mula sa native response, at may malinaw na teoretikal na hangganan ang pagkakaiba nito mula sa ideal na optimal na mekanismo. Ito ay nagpapahigpit sa mekanismo na habang hinahangad ang komersyal na halaga, ay pinipigilan din ang epekto ng advertisement sa karanasan ng user.
Kabilang sa bawat hakbang kung paano isusulat, hanggang sa kung sino ang makakakuha ng pagkakataon at magbabayad ng ilan, isinama ng LAMA ang lahat sa iisang mekanismo. Ito ang ibig sabihin ng “Generate-to-Distribute”.
Ang teorya ay perpekto
Ano ang tunay na epekto?
Ginamit ng panel ng mga mananaliksik ang 1,239 na totoong komersyal na hanap na query mula sa Webis Generated Native Ads 2024 dataset bilang patunay ng konsepto, na sumasakop sa tatlong karaniwang skena: fitness, bakasyon, at kotse, kung saan bawat skena ay isang kompetitibong kapaligiran ng tatlong advertiser.
Ginamit ang Qwen3-14B bilang reference language model upang makakuha ng report model na ibinabahagi ng mga advertiser sa pamamagitan ng LoRA training. Ang advertising value ay batay sa mga inaasahang pagbibilang mula sa open-source prediction model, habang ang user experience ay sinusuri nang komprehensibo gamit ang mga indikador mula sa GEM-Bench tulad ng relevance, informativeness, fluency at coherence, naturalness ng advertisement, factual accuracy, at intrusiveness. Ang mga baseline methods ay kasama ang dalawang paraan ng pagkakaloob bago at pagkatapos ng pagbuo, kasama ang tatlong paraan ng pagbuo—native content, edited insertion, at reinforcement learning strategy—at ang answer-level aggregation mechanism na MOSAIC.

Figure 4: Pangunahing eksperimento na talahanayan
Nakamit ng LAMA ang pinakamataas na marka sa apat na indikador, nagkaroon ng parehong pananagutan sa kita ng platform (+10.7%) at halaga ng advertiser (+3.8%), at hindi nagkamali sa karanasan ng user.
Tingnan natin ang isang query sa konteksto ng bakasyon sa beach: “best beach vacations in the world.” Ang reference answer na walang advertising mechanism ay nag-uusap lamang tungkol sa mga destinasyon at mga factor sa pagpaplano; sa kabilang banda, ang sagot na ginawa ng LAMA ay naglalaman ng Expedia sa unang bahagi at Tripadvisor sa huling bahagi, kung saan ang mga advertiser ay patuloy na nagpapalit ng kontrol, ngunit ang resultang sagot ay nanatiling natural, maluwag, at nagbibigay ng makabuluhang impormasyon tulad ng reference answer.

Figure 5: Halimbawa ng sagot sa isang escenario ng bakasyon, ang mga pangungusap na may orange highlight ay ang mga tekstong nakakabit sa hyperlinks.
Pagkatapos ng pagbuo, mas mataas ang probabilidad ng pagkakaloob ng Tripadvisor, at napili ito bilang pinakakalabas na tagapagpanalo sa sagot na ito.
Bakit ang Tripadvisor? Sa pananaw ng nilalaman, ang Expedia ay mas tila isang brand anchor na ginagamit upang ipakilala ang mga destinasyon tulad ng Maldives, Bali, at Caribbean; ang pangungusap na nagbanggit ng Tripadvisor ay diretso ang pagsasabi kung ano ang kayang gawin ng produkto: ihambing ang mga destinasyon, tingnan ang mga review ng bisita, at filtar ang accommodation at experience, na may mas kompletong pagpapahayag ng halaga. At ang pag-update ng probability ng platform ay nakuha nang maingat ang punto na ito.
Ginawa rin ng panel ng pag-aaral ang isang intuitibong eksperimento sa pagbabago ng tawag: pinanatili ang mga ulat ng iba pang mga advertiser, at binago lamang ang ulat ng target advertiser sa pataas o pababa mula sa totoong halaga. Ang mga resulta ay tumutugma sa intuisyon: mas mataas ang tawag, mas mataas ang proporsyon ng Token, probabilidad ng pagkakaloob, at bayad na ito ay nagdudulot. Gayunpaman, ang totoong inaasahang kasiyahan ay hindi lumalago nang walang hanggan—nagkakaroon ito ng pinakamataas na punto kapag sinasabi nang tapat. Habang ang pagmaliw upang itaas ang tawag ay maaaring magdulot ng mas maraming impluwensya sa sagot, ang mas mataas na bayad ay nagiging hindi makabuluhan—ito ay ang katangian na tinatawag na “incentive compatibility” na pinagkakatiwalaan ng teorya.

Figure 6: Ang pagkakabahagi, pagkakaloob, at pagbabayad ay tumataas kasabay ng pagtaas ng ulat, at ang totoong inaasahang kasiyahan ay nakakamit ang pinakamataas na punto kapag tapat.
Wakas
Saan dapat lumabas ang generative advertising? Isang natural na lugar ay ang mga sitwasyon kung saan ang mga user ay naghahanap na ng mga payo sa negosyo: habang bumibili at nagkukumpara ng mga produkto gamit ang digital shopping assistants, habang pumipili ng hotel habang naglalakbay, o pinapahintulutan ang mga intelligent agent na pumili ng mga bayad na tool na gagamitin sa kanilang araw-araw na workflow. Kapag tumutugon ang mga impormasyong pangnegosyo sa tunay na pangangailangan ng user at may malinaw na pagkilala sa hangganan ng advertising, nang hindi nasasira ang epektibong obhetibong katotohanan ng sagot, mas malamang itong tatanggapin.
Ang LAMA ay tinutukoy kung paano isasagawa ang mekanismo sa ilalim ng ganitong pangarap: pagpapahintulot sa mga advertiser na makipagkumpitensya sa proseso ng pagbuo, habang ginagamit ang mga patakaran upang kontrolin ang mga pagsisikap na manipula, at balansehin ang komersyal na halaga at kalidad ng mga sagot.
Noong nakaraan, ang paligsahan ang nagpasiya kung sino ang makakakuha ng isang umiiral na advertising slot. Ngayon, ang mekanismo ay maaari ring magpasiya kung paano nabubuo ang advertising opportunity sa mga sagot. Mula sa “pagkakaloob ng posisyon” patungo sa “generate-to-allocate”, ang LAMA ay nagtataguyod ng isang bagong disenyong landas para sa native advertising mechanism ng malalaking modelo.
Impormasyon ng may-akda
Liu Hanbing (unang may-akda): Ika-tatlong taon na masteral na mag-aaral sa School of Gaoling Artificial Intelligence, Renmin University ng China, na may tagapayo na si Prof. Qi Qi, na nakatuon sa paggawa ng desisyon at pagdidisenyo ng mekanismo sa generative AI, inaasahang magtatapos noong 2027. Ang kanyang mga akda ay nailathala sa mga pinakamataas na konperensya tulad ng WINE, ACL, at SIGMOD.
Pangunahing pahina: https://tokgoleo.github.io/home/
Qi Qi (corresponding author): 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.
Pangunahing pahina: https://ai.ruc.edu.cn/szdw/zrjs/qq/index.htm
Mga sanggunian
1. Pew Research Center, mas maliit ang posibilidad na i-click ng mga gumagamit ng Google ang mga link kapag lumalabas ang AI summary sa mga resulta, 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. Help Center ng OpenAI, Mga Ads sa ChatGPT, na-access noong 2026-09-04: https://help.openai.com/en/articles/20001047-ads-in-chatgpt
3. Google Ads & Commerce, Higit pang mga pagkakataon para sa iyong negosyo sa Google Search, 2025-05-21: https://blog.google/products/ads-commerce/google-search-ai-brand-discovery
Ang artikulong ito ay galing sa WeChat public account na "Machine Heart"
