Lorsqu’un résumé AI apparaît dans les résultats de recherche, la probabilité que l’utilisateur clique sur une page web traditionnelle est pratiquement divisée par deux. Une analyse du Pew Research Center sur le comportement de navigation à grande échelle des utilisateurs américains sur Google a révélé que, en présence d’un résumé AI, le pourcentage de clics sur les résultats de recherche traditionnels est passé directement de 15 % à 8 %. [1]
Les utilisateurs terminent leur exploration et leur comparaison dans les conversations, et les publicités ont suivi ce déplacement. OpenAI a officiellement lancé ChatGPT Ads, et Google a intégré des publicités dans les Aperçus IA, en ajoutant des cartes sponsorisées aux réponses, perpétuant ainsi le modèle de l’ère des moteurs de recherche. [2, 3] Mais le changement de paradigme dans la manière dont les gens obtiennent des informations pousse à repenser la forme même de la publicité :
Lorsque le support d'information passe d'une page entière de résultats de recherche à une réponse générée en temps réel, que faut-il aux publicités aux enchères ?
Pendant trente ans, la publicité en ligne s’est toujours fondée sur une hypothèse implicite : les espaces publicitaires existent d’abord, puis une enchère détermine qui les obtient. Le classement des résultats de recherche ou la position d’une publication dans le fil d’actualité étaient des opportunités prédéfinies. Mais les réponses des grands modèles sont générées mot par mot : la pertinence d’un marque, son emplacement et sa présentation dépendent entièrement de ce qui a déjà été écrit. Même l’ordre dans lequel on aborde le prix ou l’expérience peut créer une impression complètement différente du produit.

Figure 1 : Dans les médias génératifs, l'emplacement des opportunités publicitaires, leur attribution et leur présentation influencent conjointement l'efficacité du marketing et l'expérience utilisateur.
Ainsi, la génération ne se contente pas de remplir les opportunités publicitaires, mais les façonne également. Dans ce nouveau paradigme, des recherches existantes commencent à explorer des mécanismes de mise aux enchères tels que l’insertion publicitaire au niveau des paragraphes et les enchères sur les réponses candidates, tandis que l’équipe de recherche de l’Université Renmin (Gaoling) et de l’Université de Stanford pousse davantage la concurrence publicitaire native aux grands modèles jusqu’au niveau de chaque token.
Ils proposent LAMA, qui fait évoluer la génération de contenu et la distribution publicitaire en parallèle : à chaque fois qu'un token est généré, il influence en temps réel la suite de la réponse ainsi que qui recevra finalement l'exposition publicitaire. Tel est l'idée centrale proposée par ce travail — la génération comme distribution (Generation as Allocation).

Publicité au niveau du jeton
Auteurs : Hanbing Liu, Bowei Zhang, Changyuan Yu, Yinyu Ye, Qi Qi
Unité : École d'intelligence artificielle Gaoling de l'Université Renmin de Chine, Université de Stanford
Lien : https://arxiv.org/abs/2608.27382
Le modèle de grande taille écrit chaque caractère
Il s'agit d'un processus d'enchères unique.
Poussez les enchères publicitaires au niveau des tokens : les annonceurs ne disputent plus seulement la dernière opportunité d'affichage, mais aussi la décision sur la direction à suivre. Par exemple, lorsqu'il s'agit de recommander une destination de vacances, aborder d'abord les transports ou d'abord l'hébergement peut donner un avantage à certains annonceurs dans les compétitions ultérieures. Les annonceurs gagnent ainsi un nouvel espace stratégique : ils peuvent non seulement ajuster les rapports pour influencer la génération actuelle, mais aussi modifier en temps réel leurs stratégies futures en fonction du contenu déjà écrit.
Cela impose des exigences plus élevées sur le mécanisme : il faut non seulement inciter les annonceurs à fournir des informations véridiques dès le départ, mais aussi les encourager à continuer de dire la vérité tout au long de la génération. En outre, les réponses ne doivent pas se contenter de s'adapter aux enchères au détriment de la question initiale de l'utilisateur.
LAMA signifie Latent Advertiser Mixture Auction, soit « enchère mixte de publicitaires potentiels ». Elle permet aux annonceurs de rapporter, pour le texte actuel : « À quel point serait-il précieux pour moi que le texte suive cette direction », puis combine ces rapports avec le modèle linguistique d'origine pour former des stratégies de génération reflétant les préférences de chaque annonceur. La plateforme génère ensuite la réponse token par token, mettant à jour en continu la probabilité finale d'exposition pour chaque annonceur : plus le contenu nouvellement généré correspond à la direction préférée d'un annonceur, plus sa probabilité d'attribution augmente. À la fin de la réponse, le gagnant est sélectionné selon les probabilités finales et reçoit une exposition sous forme de liens externes ou de cartes sponsorisées. En déploiement réel, ces rapports de valeur peuvent être calculés automatiquement par un modèle côté plateforme, de manière similaire au service d'enchères automatisées (Auto-bidding) des systèmes publicitaires actuels.

Figure 3 : Processus d'exécution de LAMA. À chaque génération de token, les étapes de rapport, de génération et de mise à jour sont effectuées en séquence, suivies de la répartition et du règlement finaux une fois la réponse complétée.
Comment empêcher les annonceurs de changer d'avis au cours de ce processus ? LAMA a conçu soigneusement des mécanismes de vérification de rapports locaux et des règles de paiement associés à ce processus de génération.
La vérification porte sur la cohérence entre les rapports précédents et suivants : les jugements de valeur de l’annonceur sur les différentes formulations de la prochaine étape doivent, une fois regroupés, être cohérents avec le rapport précédent sur le texte actuel. La plateforme n’a besoin d’effectuer qu’une vérification locale à chaque étape pour limiter les changements arbitraires de l’annonceur. Le paiement est ajusté en fonction du processus de génération : si une étape rend plus favorable la combinaison de la probabilité d’exposition pour l’annonceur et de la valeur ultérieure, des frais sont générés ; si elle devient moins favorable, une subvention est accordée, puis tout est régularisé avec les frais initiaux. Ainsi, l’influence sur la génération, la recherche d’exposition et la prise en charge des frais sont liés.
Ce mécanisme satisfait l'incitation à la vérité compatible avec la stratégie de Markov (Markov DSIC) : quel que soit le stratégie faisable adoptée par les autres annonceurs, tant qu'un annonceur a précédemment rapporté honnêtement, continuer à rapporter honnêtement dans n'importe quel état générable atteignable ne sera pas moins avantageux que d'adopter ultérieurement une autre stratégie faisable. Autrement dit, l'honnêteté s'applique non seulement à l'offre initiale, mais aussi à tout le processus de génération des réponses.
Dans le même temps, LAMA offre également une garantie de bien-être social : en visant la valeur publicitaire moins une pénalité pour l'écart par rapport à la réponse native, l'écart par rapport au mécanisme optimal idéal possède une borne théorique explicite. Cela permet au mécanisme de poursuivre la valeur commerciale tout en limitant l'impact de la publicité sur l'expérience utilisateur.
De la rédaction de chaque étape à la détermination finale de qui reçoit de la visibilité et combien est payé, LAMA les intègre dans un même mécanisme. C'est exactement ce que signifie « générer pour distribuer ».
La théorie est parfaitement cohérente
How effective is it in practice?
L'équipe de recherche a sélectionné 1 239 requêtes de recherche commerciales réelles provenant du jeu de données Webis Generated Native Ads 2024 pour une preuve de concept, couvrant trois scénarios courants : fitness, vacances et automobiles, chaque scénario constituant un environnement concurrentiel à trois annonceurs.
L'expérience utilise Qwen3-14B comme modèle linguistique de référence, avec un modèle de rapport partagé par les annonceurs obtenu via un entraînement LoRA. La valeur publicitaire provient des prévisions générées par un modèle de prédiction open source, tandis que l'expérience utilisateur est évaluée de manière globale selon les indicateurs fournis par GEM-Bench : pertinence, informativité, fluidité et cohérence, naturel de la publicité, véracité publicitaire et intrusivité. Les méthodes de référence incluent deux approches d'affectation (avant et après la génération), combinées à trois méthodes de génération (contenu natif, insertion éditoriale, stratégie d'apprentissage par renforcement), ainsi qu'un mécanisme d'agrégation au niveau des réponses : MOSAIC.

Figure 4 : Tableau de l'expérience principale
LAMA a obtenu le score maximal sur les quatre indicateurs, réalisant un gain mutuel pour les revenus de la plateforme (+10,7 %) et la valeur pour les annonceurs (+3,8 %), sans sacrifier l'expérience utilisateur.
Examinons une requête dans un contexte de vacances : « best beach vacations in the world ». La réponse de référence, sans mécanisme publicitaire, se concentre uniquement sur les destinations et les facteurs de planification ; la réponse générée par LAMA mentionne Expedia en début de texte et Tripadvisor en fin de texte, avec une alternance continue du contrôle par les annonceurs, tout en conservant une fluidité naturelle et en fournissant des informations utiles, tout comme la réponse de référence.

Figure 5 : Exemple de réponse dans un contexte de vacances ; la phrase en surbrillance orange est la zone de texte attribuée au lien hypertexte.
Après la génération, la probabilité d'attribution de Tripadvisor a été significativement plus élevée, et il a été sélectionné comme gagnant final dans cette réponse.
Pourquoi TripAdvisor ? Du point de vue du contenu textuel, Expedia semble servir au début de point d'ancrage de marque pour des destinations telles que les Maldives, Bali et les Caraïbes ; la phrase mentionnant TripAdvisor explicite directement ce que le produit peut faire : comparer des destinations, consulter les avis des voyageurs, filtrer les hébergements et les expériences, offrant une expression de valeur plus complète. La mise à jour de la probabilité d'affectation de la plateforme a capté avec finesse ce point.
L'équipe de recherche a également mené une expérience intuitive de perturbation des enchères : en gardant les rapports des autres annonceurs constants, elle a décalé globalement le rapport de l'annonceur cible au-dessus ou en dessous de sa valeur réelle. Les résultats correspondent parfaitement à l'intuition : plus l'enchère est élevée, plus la proportion de tokens attribuée, la probabilité d'attribution et le paiement augmentent. Toutefois, l'utilité attendue réelle n'augmente pas indéfiniment ; elle atteint son pic exactement lorsqu'on rapporte honnêtement. Bien qu'une déclaration mensongère permette d'obtenir une plus grande part d'influence, le coût plus élevé des paiements la rend contre-productive — ce qui correspond précisément à la propriété garantie par la théorie de la compatibilité incitative.

Figure 6 : La proportion générée, la répartition et les paiements augmentent avec le rapport, et l'utilité attendue réelle atteint son pic lorsqu'on est honnête.
Conclusion
Où les publicités génératives sont-elles adaptées ? Un point d’ancrage naturel se trouve dans les scénarios où les utilisateurs cherchent déjà des conseils commerciaux : comparer des produits lors d’un achat grâce à un conseiller numérique, choisir un hôtel lors d’un voyage, ou laisser un agent sélectionner les outils payants utilisés dans leur flux de travail quotidien. Lorsque les informations commerciales répondent aux besoins réels des utilisateurs et sont clairement identifiées comme publicité, sans compromettre l’objectivité et la validité des faits présentés, elles sont plus susceptibles d’être acceptées.
LAMA explore précisément comment mettre en œuvre les mécanismes de cette vision : permettre aux annonceurs de concourir pendant le processus de génération, tout en imposant des règles pour contraindre les comportements stratégiques et équilibrer la valeur commerciale avec la qualité des réponses.
Auparavant, les enchères déterminaient qui obtenait un espace publicitaire déjà existant. Aujourd'hui, le mécanisme peut également déterminer comment les opportunités publicitaires sont formées dans les réponses. Passant de « l'attribution d'emplacements » à « la génération comme attribution », LAMA offre une nouvelle voie de conception pour un mécanisme publicitaire natif aux grands modèles.
Informations sur l'auteur
Liu Hanbing (premier auteur) : Étudiante de troisième année en master à l'École d'intelligence artificielle Gaoling de l'Université renmin de Chine, sous la direction du professeur Qi Qi. Ses recherches portent sur la prise de décision intelligente et la conception de mécanismes dans l'intelligence artificielle générative. Elle prévoit d'obtenir son diplôme en 2027. Ses travaux ont été publiés dans des conférences de premier plan telles que WINE, ACL et SIGMOD.
Page d'accueil : https://tokgoleo.github.io/home/
Qi Qi (corresponding author): Tenured Professor at the Huiyuan 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, and WWW. He has also maintained long-term collaborations with leading 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 production scenarios involving hundreds of millions of users, with applications in online advertising, intelligent marketing, coupon optimization, and user growth.
Page d'accueil : https://ai.ruc.edu.cn/szdw/zrjs/qq/index.htm
Références
1. Pew Research Center, les utilisateurs de Google sont moins susceptibles de cliquer sur les liens lorsqu'un résumé IA apparaît dans les résultats, 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. Centre d'aide d'OpenAI, publicités dans ChatGPT, consulté le 2026-09-04 : https://help.openai.com/en/articles/20001047-ads-in-chatgpt
3. Google Ads & Commerce, davantage d'opportunités pour votre entreprise sur Google Search, 2025-05-21 : https://blog.google/products/ads-commerce/google-search-ai-brand-discovery
Cet article provient du compte WeChat « Machine Heart »
