Dalam hasil pencarian, setiap kali muncul ringkasan AI, kemungkinan pengguna mengklik halaman web biasa hampir turun setengahnya. Analisis Pew Research Center terhadap perilaku penelusuran besar-besaran pengguna Amerika di Google menemukan: ketika ada ringkasan AI, persentase pengguna yang mengklik hasil pencarian tradisional langsung anjlok dari 15% menjadi 8%. [1]
Pengguna sedang menyelesaikan eksplorasi dan perbandingan dalam obrolan, dan iklan pun ikut berpindah. OpenAI telah secara resmi meluncurkan ChatGPT Ads, sementara Google juga memperkenalkan iklan ke dalam AI Overviews, dengan menempelkan kartu sponsor pada jawaban, secara langsung melanjutkan model era mesin pencari. [2, 3] Namun, perubahan paradigma dalam cara orang mendapatkan informasi membuat kita mulai mempertimbangkan kembali bentuk iklan:
Ketika media informasi berubah dari hasil pencarian halaman penuh menjadi jawaban yang dihasilkan secara real-time, apa yang seharusnya dilelang oleh iklan?
Selama tiga dekade, iklan online selalu didasarkan pada asumsi default: ruang iklan ada terlebih dahulu, lalu lelang menentukan siapa yang mendapatkannya. Peringkat hasil pencarian, atau tayangan mana yang muncul di aliran informasi, semuanya adalah peluang yang telah didefinisikan sebelumnya. Namun, jawaban model besar dihasilkan secara per kata: apakah suatu merek cocok muncul, di mana ia muncul, dan bagaimana cara memperkenalkannya, semuanya bergantung pada apa yang sudah ditulis sebelumnya. Bahkan, membahas harga terlebih dahulu atau pengalaman terlebih dahulu pun dapat menciptakan kesan yang sama sekali berbeda terhadap produk.

Gambar 1: Di media informasi generatif, di mana peluang iklan muncul, siapa yang memperolehnya, dan bagaimana cara penyajiannya, secara bersama-sama memengaruhi efektivitas pemasaran dan pengalaman pengguna.
Oleh karena itu, generasi tidak hanya mengisi peluang iklan, tetapi juga membentuk peluang iklan. Dalam paradigma baru ini, penelitian yang sudah ada mulai mengeksplorasi metode lelang seperti penyisipan iklan tingkat paragraf dan penawaran kandidat jawaban, sementara tim peneliti dari Gaoling School of Business, Renmin University of China, dan Stanford University, mendorong kompetisi iklan native model besar lebih jauh ke dalam proses generasi per Token.
LAMA yang mereka ajukan memungkinkan konten generasi dan alokasi iklan berkembang bersama: setiap kali sebuah Token dihasilkan, ia secara real-time memengaruhi bagaimana jawaban dilanjutkan, sekaligus memengaruhi siapa yang akhirnya mendapatkan paparan iklan. Ini adalah gagasan inti yang diajukan dalam penelitian ini—generasi sebagai alokasi (Generation as Allocation).

Periklanan Berbasis Token
Penulis: Hanbing Liu, Bowei Zhang, Changyuan Yu, Yinyu Ye, Qi Qi
Unit: Sekolah Kecerdasan Buatan Gaoling, Universitas Renmin Tiongkok, Universitas Stanford
Tautan: https://arxiv.org/abs/2608.27382
Setiap kata yang ditulis oleh model besar
Semuanya adalah proses penawaran tunggal
Mendorong lelang iklan ke tingkat token, para pengiklan tidak hanya bersaing untuk peluang tayangan terakhir, tetapi juga untuk menentukan arah penulisan selanjutnya. Misalnya, dalam merekomendasikan tujuan liburan, membahas transportasi terlebih dahulu atau akomodasi terlebih dahulu bisa memberikan keunggulan kompetitif kepada pengiklan yang berbeda dalam persaingan selanjutnya. Pengiklan juga mendapatkan ruang strategis baru: tidak hanya dapat menyesuaikan laporan untuk memengaruhi generasi saat ini, tetapi juga mengubah strategi selanjutnya secara sewaktu-waktu berdasarkan konten yang sudah ditulis.
Ini menuntut persyaratan yang lebih tinggi terhadap mekanisme: tidak hanya harus membuat pengiklan bersedia menyediakan informasi nilai nyata di awal, tetapi juga memastikan mereka tetap jujur selama proses generasi. Sebagai tambahan, jawaban tidak boleh hanya berfokus pada menyesuaikan penawaran dan menyimpang dari pertanyaan asli pengguna.
LAMA adalah singkatan dari Latent Advertiser Mixture Auction, yang berarti "Pelelangan Campuran Iklan Potensial". Sistem ini memungkinkan pengiklan melaporkan "berapa besar nilai bagi saya jika teks berikutnya ditulis seperti ini", lalu menggabungkannya dengan model bahasa asli untuk membentuk strategi generasi yang sesuai preferensi masing-masing pengiklan. Platform kemudian menghasilkan jawaban secara Token demi Token, serta terus memperbarui probabilitas akhir setiap pengiklan mendapatkan eksposur: semakin sesuai konten yang baru ditulis dengan arah preferensi seorang pengiklan, semakin tinggi probabilitas yang dialokasikan kepadanya. Setelah jawaban selesai, pemenang dipilih berdasarkan probabilitas akhir, dan diberikan eksposur dalam bentuk tautan eksternal atau kartu sponsor. Dalam penerapan nyata, laporan nilai ini dapat dihitung oleh model sisi platform, mirip dengan layanan auto-bidding dalam sistem iklan saat ini.

Gambar 3: Proses operasi LAMA. Pada setiap generasi Token, laporan, generasi, dan pembaruan dilakukan secara berurutan, dan alokasi serta penyelesaian akhir dilakukan setelah jawaban selesai dibuat.
Bagaimana cara mencegah pengiklan memanfaatkan proses ini untuk "berubah pikiran di tengah jalan"? LAMA telah merancang secara hati-hati verifikasi laporan lokal dan aturan pembayaran yang sesuai untuk proses generasi ini.
Verifikasi memastikan bahwa laporan sebelum dan sesudah konsisten: penilaian nilai oleh pengiklan terhadap berbagai versi langkah berikutnya, setelah dirangkum, harus konsisten dengan laporan sebelumnya terhadap teks saat ini. Platform hanya perlu melakukan verifikasi lokal pada setiap langkah untuk membatasi pengiklan yang sembarangan mengubah pernyataan. Pembayaran disesuaikan dengan proses generasi: jika suatu langkah membuat probabilitas eksposur pengiklan bersama dengan nilai berikutnya menjadi lebih menguntungkan, maka biaya terkait timbul; jika menjadi kurang menguntungkan, maka diberikan subsidi, dan kemudian diselesaikan bersama biaya awal. Dengan demikian, dampak terhadap generasi, upaya mendapatkan eksposur, dan tanggung jawab biaya menjadi terhubung.
Mekanisme ini memenuhi insentif kompatibel Markov DSIC: terlepas dari strategi apa pun yang digunakan oleh pengiklan lain, selama seorang pengiklan sebelumnya melaporkan dengan jujur, maka dalam setiap keadaan generatif yang dapat dicapai, terus melaporkan dengan jujur tidak akan lebih buruk daripada beralih ke strategi feasible lainnya di masa mendatang. Dengan kata lain, kejujuran tidak hanya berlaku untuk penawaran awal, tetapi juga berlanjut sepanjang proses generasi jawaban.
Sementara itu, LAMA juga memiliki jaminan kesejahteraan sosial: dengan menjadikan nilai iklan dikurangi hukuman atas penyimpangan dari jawaban asli sebagai tujuan, kesenjangan antara mekanisme ini dan mekanisme optimal ideal memiliki batas teoretis yang jelas. Hal ini membatasi dampak iklan terhadap pengalaman pengguna sambil tetap mengejar nilai komersial.
Dari cara menulis setiap langkah hingga siapa yang mendapatkan eksposur dan berapa yang dibayarkan, LAMA memasukkannya ke dalam satu mekanisme yang sama. Inilah yang dimaksud dengan “generate-to-distribute”.
Teori sangat sempurna
How effective is it in practice?
Tim peneliti mengambil 1.239 kueri pencarian komersial nyata dari dataset Webis Generated Native Ads 2024 sebagai bukti konsep, mencakup tiga skenario umum: kebugaran, liburan, dan mobil, masing-masing merupakan lingkungan kompetitif dengan tiga pengiklan.
Eksperimen menggunakan Qwen3-14B sebagai model bahasa referensi, dengan model laporan yang dibagikan oleh pengiklan dilatih melalui LoRA. Nilai iklan berasal dari perkiraan yang diprediksi oleh model prediktif open-source, sedangkan pengalaman pengguna dievaluasi secara komprehensif berdasarkan indikator yang disediakan oleh GEM-Bench, seperti relevansi, keterinformasian, kelancaran, kealamian iklan, fakta iklan, dan tingkat invasivitas. Metode baseline mencakup dua strategi alokasi sebelum dan sesudah generasi, dikombinasikan dengan tiga metode generasi—konten asli, penyisipan diedit, dan strategi reinforcement learning—serta mekanisme agregasi tingkat jawaban MOSAIC.

Gambar 4: Tabel eksperimen utama
LAMA mencapai tertinggi pada keempat indikator, tidak hanya mencapai kemenangan bersama dalam pendapatan platform (+10,7%) dan nilai pengiklan (+3,8%), tetapi juga tanpa mengorbankan pengalaman pengguna sama sekali.
Mari kita lihat permintaan spesifik dalam konteks liburan pantai: “best beach vacations in the world (destinasi liburan pantai terbaik di dunia)”. Jawaban referensi tanpa mekanisme iklan hanya membahas destinasi dan faktor perencanaan; jawaban yang dihasilkan LAMA memuat Expedia di awal dan Tripadvisor di akhir, dengan pengiklan bergantian mengendalikan proses generasi, namun jawaban yang dihasilkan tetap alami, lancar, dan memberikan informasi bernilai seperti jawaban referensi.

Gambar 5: Contoh jawaban dalam skenario liburan, teks yang ditebalkan oranye adalah rentang teks yang dialokasikan untuk tautan hyperlink.
Setelah generasi selesai, probabilitas alokasi Tripadvisor secara signifikan lebih tinggi dan terpilih sebagai pemenang akhir dalam jawaban ini.
Mengapa Tripadvisor? Dari segi konten teks, Expedia di paragraf awal lebih berfungsi sebagai titik penguat merek untuk tujuan seperti Maladewa, Bali, dan Karibia; kalimat yang menyebut Tripadvisor secara langsung menjelaskan apa yang bisa dilakukan produk ini: membandingkan tujuan, melihat ulasan wisatawan, dan menyaring akomodasi serta pengalaman, dengan ekspresi nilai yang lebih lengkap. Pembaruan probabilitas alokasi platform secara tajam menangkap hal ini.
Tim peneliti juga melakukan eksperimen gangguan penawaran yang intuitif: mempertahankan laporan pengiklan lain tetap, sementara hanya menyesuaikan seluruh laporan pengiklan target secara naik atau turun dari nilai sebenarnya. Hasilnya sesuai dengan intuisi: semakin tinggi penawaran, semakin tinggi proporsi Token yang disumbangkan, probabilitas alokasi, dan pembayaran yang diterima. Namun, utilitas ekspektasi sejati tidak meningkat tanpa batas, melainkan mencapai puncaknya tepat saat melaporkan dengan jujur. Meskipun melaporkan secara tidak jujur dapat meningkatkan pengaruh dalam jawaban, hal ini justru menjadi tidak menguntungkan karena pembayaran yang lebih tinggi—sifat ini secara teoritis dijamin oleh konsep “insentif kompatibel”.

Gambar 6: Persentase generasi, alokasi, dan pembayaran semuanya meningkat seiring dengan laporan, dengan utilitas ekspektasi nyata mencapai puncaknya saat jujur.
Penutup
Iklan generatif paling cocok muncul di mana? Titik masuk yang alami adalah situasi di mana pengguna sudah mencari saran bisnis: saat berbelanja membandingkan produk melalui penjual digital, memilih hotel saat bepergian, atau meminta agen untuk memilih alat berbayar yang digunakan dalam alur kerja sehari-hari. Ketika informasi bisnis merespons kebutuhan nyata pengguna dan memiliki tanda batas iklan yang jelas, tanpa merusak fakta objektif yang valid dalam jawaban, maka kemungkinan besar akan diterima.
Yang dieksplorasi oleh LAMA adalah bagaimana mewujudkan mekanisme di bawah visi ini: memungkinkan pengiklan bersaing dalam proses generasi, sekaligus menggunakan aturan untuk membatasi perilaku strategis dan menyeimbangkan nilai bisnis dengan kualitas jawaban.
Dulu, lelang menentukan siapa yang mendapatkan slot iklan yang sudah ada. Kini, mekanisme ini juga dapat menentukan bagaimana peluang iklan terbentuk dalam jawaban. Dari "mengalokasikan posisi" menuju "menghasilkan sekaligus mengalokasikan", LAMA memberikan jalur desain baru untuk mekanisme iklan native model besar.
Informasi Penulis
Liu Hanbing (penulis pertama): Mahasiswa magister tahun ketiga di Sekolah Kecerdasan Buatan Gaoling, Universitas Renmin Tiongkok, pembimbing Profesor Qi Qi, dengan fokus penelitian pada keputusan cerdas dan desain mekanisme dalam kecerdasan buatan generatif, diperkirakan lulus pada 2027. Karyanya telah dipublikasikan di konferensi bergengsi seperti WINE, ACL, dan SIGMOD.
Halaman utama: https://tokgoleo.github.io/home/
Qi Qi (korresponden komunikasi): Profesor tetap di Sekolah Kecerdasan Buatan Gaoling, Universitas Renmin Tiongkok, salah satu talenta muda tingkat nasional, Wakil Ketua Komite Spesialis Ekonomi Komputasi CCF (eksekutif) sekaligus Kepala Kantor. Meraih gelar doktor dari Universitas Stanford di bawah bimbingan Profesor Yin-Yu Ye. Bidang penelitiannya mencakup teori algoritma permainan dan desain mekanisme, model besar dan agen, sistem multi-agen, optimasi, serta keputusan cerdas. Hasil penelitiannya banyak dipublikasikan di jurnal-jurnal top seperti MS, OR, MOR, GEB, TR-B, serta konferensi kelas CCF-A seperti STOC, ICML, NeurIPS, ICLR, ACL, AAAI, KDD, SIGIR, WWW. Selain itu, ia secara konsisten menjalin kerja sama mendalam dengan perusahaan-perusahaan seperti Baidu, Alibaba, Tencent, Meituan, ByteDance, Didi, Huawei, dan OPPO, mendorong penerapan teknologi model besar, desain mekanisme, dan keputusan multi-agen dalam skenario nyata dengan skala pengguna miliaran, terkait bisnis inti seperti iklan daring, pemasaran cerdas, optimasi kupon diskon, dan pertumbuhan pengguna.
Halaman utama: https://ai.ruc.edu.cn/szdw/zrjs/qq/index.htm
Referensi
1. Pew Research Center, pengguna Google kurang cenderung mengklik tautan ketika ringkasan AI muncul di hasil, 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. Pusat Bantuan OpenAI, Iklan di ChatGPT, diakses pada 2026-09-04: https://help.openai.com/en/articles/20001047-ads-in-chatgpt
3. Google Ads & Commerce, Lebih Banyak Peluang untuk Bisnis Anda di Google Search, 2025-05-21: https://blog.google/products/ads-commerce/google-search-ai-brand-discovery
Artikel ini berasal dari akun WeChat "Machine Heart"
