Pesquisadores propõem leilão em nível de token para anúncios gerados por IA

icon MarsBit
Compartilhar
AI summary iconResumo
Pesquisadores da Escola de IA Gao Ling da Universidade Renmin e de Stanford propuseram um novo sistema de leilão de anúncios em nível de token chamado LAMA. O mecanismo integra lances de anúncios à geração de conteúdo por IA, permitindo que anunciantes influenciem a direção do conteúdo. O LAMA garante relato verdadeiro e equilibra a experiência do usuário com o valor comercial. Testes mostram que aumenta a receita da plataforma e os retornos dos anunciantes sem reduzir a qualidade do conteúdo. O desenvolvimento faz parte da crescente tendência de notícias AI + crypto e pode apoiar novas listagens de tokens no espaço.

Quando há resumos de IA nos resultados de pesquisa, a probabilidade de os usuários clicarem em páginas web normais cai quase pela metade. Uma análise do Pew Research Center sobre o comportamento de navegação em larga escala de usuários americanos no Google descobriu que, com resumos de IA, a proporção de cliques em resultados de pesquisa tradicionais caiu diretamente de 15% para 8%. [1]

O usuário está concluindo a exploração e comparação dentro da conversa, e o anúncio também se migrou junto. A OpenAI já lançou oficialmente os ChatGPT Ads, e o Google também introduziu anúncios nos AI Overviews, anexando pequenos cartões patrocinados às respostas, mantendo diretamente o modelo da era dos motores de busca. [2, 3] Mas a mudança no paradigma de obtenção de informações leva as pessoas a repensar novamente a forma dos anúncios:

Quando o meio de informação passa de resultados de pesquisa em páginas inteiras para uma resposta gerada em tempo real, o que os anúncios deveriam leiloar?

Durante trinta anos, a publicidade online sempre se baseou em um pressuposto padrão: os espaços publicitários existem primeiro, e leilões decidem posteriormente quem os obtém. A classificação dos resultados de busca ou qual exibição aparece no feed são oportunidades previamente definidas. Mas as respostas de grandes modelos são geradas palavra por palavra: se uma marca deve aparecer, onde e como ser apresentada, dependem do que já foi escrito anteriormente. Até mesmo discutir o preço antes da experiência ou vice-versa pode criar impressões completamente diferentes sobre o produto.

Publicidade online

Figura 1: Na mídia generativa, onde as oportunidades de publicidade surgem, quem as obtém e como são apresentadas influenciam conjuntamente o desempenho do marketing e a experiência do usuário.

Portanto, a geração não apenas preenche oportunidades de anúncio, mas também molda essas oportunidades. Neste novo paradigma, pesquisas já existentes começaram a explorar mecanismos de leilão, como inserção de anúncios em nível de parágrafo e licitação de respostas candidatas, enquanto a equipe de pesquisa da Universidade Renmin (Gaoling) e da Universidade de Stanford levou a competição de anúncios nativos de grandes modelos ainda mais adiante, para o processo de geração por Token.

Eles propuseram o LAMA, que faz com que a geração de conteúdo e a distribuição de anúncios evoluam juntas: a cada token gerado, está-se influenciando em tempo real como a resposta será continuada e também quem receberá exposição publicitária final. Essa é a ideia central proposta por este trabalho — geração como alocação (Generation as Allocation).

Publicidade online

Publicidade por Nível de Token

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

Unidade: Escola de Inteligência Artificial Gaoling, Universidade Renmin da China; Universidade de Stanford

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

O modelo grande escreve cada caractere

É um processo de licitação única.

Levar as licitações de anúncios ao nível do token significa que os anunciantes não estão mais apenas disputando a última oportunidade de exposição, mas também decidindo para qual direção escrever a seguir. Por exemplo, ao recomendar destinos de férias, discutir primeiro o transporte ou primeiro a acomodação pode dar a diferentes anunciantes vantagem nas competições subsequentes. Assim, os anunciantes ganham um novo espaço estratégico: não apenas podem ajustar relatórios para influenciar a geração atual, mas também alterar imediatamente suas estratégias futuras com base no conteúdo já escrito.

Isso exige requisitos mais altos para o mecanismo: não apenas fazer com que os anunciantes estejam dispostos a fornecer informações de valor real no início, mas também garantir que continuem dizendo a verdade durante a geração. Ao mesmo tempo, as respostas não podem se concentrar apenas em atender às ofertas, desviando-se da pergunta original do usuário.

LAMA é a sigla para Latent Advertiser Mixture Auction, ou "Leilão Misto de Anunciantes Potenciais". Ele permite que os anunciantes, com base no texto atual, relatem "quanto valor teria para mim escrever assim a seguir", combinando-se com o modelo de linguagem original para formar estratégias de geração alinhadas às preferências de cada anunciante. A plataforma gera a resposta token por token, atualizando continuamente a probabilidade final de exposição para cada anunciante: quanto mais o conteúdo recém-gerado se alinhar com a direção preferida de um anunciante, maior será sua probabilidade atribuída. Após a conclusão da resposta, o vencedor é selecionado com base nas probabilidades finais, recebendo exposição por meio de links externos, cartões patrocinados ou outros formatos similares. Na implementação prática, esses relatórios de valor podem ser calculados automaticamente por modelos do lado da plataforma, semelhante ao serviço de lances automáticos (Auto-bidding) nos sistemas de publicidade atuais.

Publicidade online

Figura 3: Processo de execução do LAMA. Em cada geração de Token, os passos de relatório, geração e atualização são realizados sequencialmente, seguidos pela alocação e liquidação finais após a conclusão da resposta.

Como impedir que os anunciantes mudem de ideia durante esse processo? A LAMA projetou cuidadosamente regras de verificação de relatórios locais e pagamento para este processo de geração.

A verificação foca em garantir que os relatórios anterior e posterior coincidam: a avaliação de valor do anunciante sobre as diferentes versões da próxima etapa, quando consolidada, deve ser consistente com o relatório anterior sobre o texto atual. A plataforma realiza apenas uma verificação local em cada etapa, limitando assim o anunciante de mudar de opinião arbitrariamente. O pagamento é ajustado conforme o processo de geração: se, em uma etapa, a probabilidade de exposição do anunciante, combinada com o valor subsequente, se torna mais favorável, é gerada uma taxa correspondente; se se torna menos favorável, é fornecido um subsídio, que é então consolidado com a taxa inicial. Assim, influenciar a geração, buscar exposição e assumir custos passam a estar interligados.

Este mecanismo satisfaz a compatibilidade com incentivos da estratégia dominante de Markov (Markov DSIC): independentemente das estratégias viáveis adotadas por outros anunciantes, desde que um anunciante tenha relatado honestamente até o momento, continuar relatando honestamente em qualquer estado gerado acessível não será pior do que mudar para qualquer outra estratégia viável posteriormente. Ou seja, a honestidade não se aplica apenas à oferta inicial, mas também se estende por todo o processo de geração da resposta.

Ao mesmo tempo, o LAMA também possui garantias de bem-estar social: o objetivo é o valor do anúncio menos a penalidade por desvio da resposta nativa, e a diferença em relação ao mecanismo ideal ótimo possui um limite teórico explícito. Isso permite que o mecanismo busque valor comercial, ao mesmo tempo em que restringe o impacto dos anúncios na experiência do usuário.

Desde como escrever cada passo até quem finalmente recebe exposição e quanto paga, a LAMA integra tudo em um único mecanismo. É exatamente o que significa "gerar para distribuir".

A teoria é perfeita

How effective is it in practice?

A equipe de pesquisa selecionou 1.239 consultas de busca comerciais reais do conjunto de dados Webis Generated Native Ads 2024 para validação conceitual, abrangendo três cenários comuns: fitness, férias e automóveis, cada um representando um ambiente competitivo com três anunciantes.

O experimento utilizou o Qwen3-14B como modelo de linguagem de referência, obtendo o modelo de relatório compartilhado pelos anunciantes por meio do treinamento LoRA. O valor do anúncio é derivado das previsões fornecidas por um modelo preditivo de código aberto, enquanto a experiência do usuário foi avaliada de forma abrangente com base nos indicadores fornecidos pelo GEM-Bench, incluindo relevância, informatividade, fluidez e coerência, naturalidade do anúncio, factualidade do anúncio e intrusividade. Os métodos de base incluem duas abordagens de alocação (antes e depois da geração), combinadas com três métodos de geração (conteúdo nativo, inserção editada e estratégia de aprendizado por reforço), além do mecanismo de agregação em nível de resposta MOSAIC.

Publicidade online

Figura 4: Tabela do experimento principal

LAMA alcançou o máximo em quatro métricas, conseguindo um ganho mútuo para a receita da plataforma (+10,7%) e o valor para os anunciantes (+3,8%), sem comprometer em nada a experiência do usuário.

Vamos analisar uma consulta em um cenário de férias: “best beach vacations in the world (os melhores destinos de praia do mundo)”. A resposta de referência sem mecanismos de publicidade discute apenas destinos e fatores de planejamento; a resposta gerada pelo LAMA menciona Expedia no início e Tripadvisor no final, com anunciantes alternando o controle durante a geração, mas a resposta ainda é natural, fluida e fornece informações valiosas, assim como a resposta de referência.

Publicidade online

Figura 5: Amostra de resposta em cenário de férias; o trecho destacado em laranja é o intervalo de texto atribuído ao link hipertexto.

Após a geração, a probabilidade de atribuição do Tripadvisor foi significativamente maior e foi selecionado como o vencedor final nesta resposta.

Por que TripAdvisor? Do ponto de vista do conteúdo textual, a Expedia atua na primeira metade como um ponto de âncora de marca para destinos como Maldivas, Bali e Caribe; a frase que menciona o TripAdvisor, por outro lado, explica diretamente o que o produto pode fazer: comparar destinos, verificar avaliações de visitantes e filtrar acomodações e experiências, oferecendo uma expressão de valor mais completa. A atualização da probabilidade de alocação da plataforma captou com precisão esse ponto.

A equipe de pesquisa também realizou um experimento intuitivo de perturbação de lances: mantendo inalteradas as relatórios dos outros anunciantes, ajustou-se uniformemente o relatório do anunciante-alvo para cima ou para baixo em relação ao valor real. Os resultados foram coerentes com a intuição: quanto mais alto o lance, maior a proporção de Tokens atribuída, a probabilidade de alocação e o pagamento. No entanto, a utilidade esperada real não aumenta indefinidamente, mas atinge seu pico exatamente quando o relatório é honesto. Embora mentir e elevar o lance possa aumentar a influência obtida na resposta, o custo mais alto do pagamento torna essa estratégia desvantajosa — exatamente a propriedade garantida pela teoria da compatibilidade com incentivos.

Publicidade online

Figura 6: A proporção gerada, a alocação e o pagamento aumentam com o relatório, e a utilidade esperada real atinge seu pico quando sincera.

Conclusão

Onde os anúncios generativos devem aparecer? Um ponto natural é em cenários em que os usuários já estão buscando conselhos comerciais: comparar produtos durante compras por meio de assistentes digitais, escolher hotéis durante viagens ou permitir que agentes inteligentes selecionem ferramentas pagas utilizadas em fluxos de trabalho diários. Quando as informações comerciais respondem às necessidades reais dos usuários e possuem marcas claras de identificação como anúncios, sem comprometer os fatos objetivos e úteis da resposta, é mais provável que sejam aceitas.

O que LAMA explora é exatamente como implementar os mecanismos sob essa visão: permitir que os anunciantes competam durante o processo de geração, enquanto restringem comportamentos estratégicos com regras e equilibram o valor comercial com a qualidade das respostas.

No passado, leilões determinavam quem obtinha um espaço publicitário já existente. Hoje, o mecanismo também pode determinar como as oportunidades publicitárias são formadas nas respostas. Passando de “atribuir posição” para “gerar e atribuir”, o LAMA oferece um novo caminho de design para mecanismos publicitários nativos de grandes modelos.

Informações do autor

Liu Hanbing (primeiro autor): Aluna de mestrado do terceiro ano da Escola de Inteligência Artificial GaoLing da Universidade Renmin da China, orientada pela Professora Qi Qi, com pesquisas focadas em tomada de decisão inteligente e design de mecanismos na inteligência artificial generativa, com previsão de conclusão em 2027. Seus trabalhos foram publicados em conferências de alto nível, como WINE, ACL e SIGMOD.

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

Qi Qi (corresponding author): Tenured Professor at the Haining 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 inicial: https://ai.ruc.edu.cn/szdw/zrjs/qq/index.htm

Referências

1. Pew Research Center, usuários do Google são menos propensos a clicar em links quando um resumo de IA aparece nos 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. Central de Ajuda da OpenAI, Anúncios no ChatGPT, acessado em 2026-09-04: https://help.openai.com/en/articles/20001047-ads-in-chatgpt

3. Google Ads & Commerce, Mais oportunidades para o seu negócio na Pesquisa Google, 2025-05-21: https://blog.google/products/ads-commerce/google-search-ai-brand-discovery

Este artigo é do canal do WeChat "Machine Heart"

Aviso legal: as informações nesta página podem ter sido obtidas de terceiros e não refletem necessariamente os pontos de vista ou opiniões da KuCoin. Este conteúdo é fornecido apenas para fins informativos gerais, sem qualquer representação ou garantia de qualquer tipo, nem deve ser interpretado como aconselhamento financeiro ou de investimento. A KuCoin não é responsável por quaisquer erros ou omissões, ou por quaisquer resultados do uso destas informações. Os investimentos em ativos digitais podem ser arriscados. Avalie cuidadosamente os riscos de um produto e a sua tolerância ao risco com base nas suas próprias circunstâncias financeiras. Para mais informações, consulte nossos termos de uso e divulgação de risco.