Когда в результатах поиска появляется AI-аннотация, вероятность того, что пользователь откроет обычную веб-страницу, почти снижается вдвое. Анализ масштабного поведения пользователей в США на Google, проведенный Pew Research Center, показал: при наличии AI-аннотации доля кликов по традиционным результатам поиска упала прямо с 15% до 8%. [1]
Пользователи завершают исследование и сравнение в рамках диалога, и реклама также переместилась туда. OpenAI официально запустила ChatGPT Ads, а Google внедрила рекламу в AI Overviews, прикрепляя к ответам спонсорские карточки, что напрямую продолжает модель эпохи поисковых систем. [2, 3] Однако смена парадигмы получения информации заставляет пересмотреть форму рекламы:
Когда информационные медиа меняются с полных страниц результатов поиска на мгновенно генерируемые ответы, что именно следует продавать на аукционе рекламы?
На протяжении тридцати лет онлайн-реклама основывалась на одном предположении по умолчанию: рекламные места существуют заранее, а аукцион решает, кто их получит. Позиции в поисковой выдаче или конкретные показы в ленте — это заранее определённые возможности. Но ответы крупных моделей генерируются посимвольно: подходит ли тому или иному бренду появляться, где и как его представлять, зависит от того, что уже было написано ранее. Даже порядок упоминания цены или опыта может создать совершенно разное впечатление о продукте.

Рисунок 1: В генеративных информационных медиа возможности для рекламы, их получение и способ представления совместно влияют на эффективность маркетинга и пользовательский опыт.
Таким образом, генерация не просто заполняет рекламные возможности, но и формирует их. В этой новой парадигме уже существующие исследования начали изучать такие методы аукциона, как вставка рекламы на уровне абзаца и аукцион кандидатских ответов, а исследовательская группа из университета Ренминь (Gaoling) и Стэнфордского университета продвинула конкуренцию в области нативной рекламы больших моделей еще дальше — до уровня отдельных токенов.
Их предложенный LAMA позволяет генерации контента и распределению рекламы развиваться вместе: каждый раз, когда генерируется токен, это в реальном времени влияет на то, как продолжить ответ, а также на то, кто в итоге получит рекламную экспозицию. Это и есть ключевая идея, представленная в этой работе — генерация как распределение (Generation as Allocation).

Реклама на уровне токена
Авторы: Ханбин Лю, Боэй Чжан, Чаньюань Ю, Инью Е, Ци Ци
Единица: Школа высоких технологий искусственного интеллекта Университета中国人民大学, Стэнфордский университет
Ссылка: https://arxiv.org/abs/2608.27382
Каждый символ, который пишет крупная модель
Это одноразовый аукционный процесс.
Переведите рекламные аукционы на уровень токенов: рекламодатели борются не только за последнюю возможность показа, но и за то, каким направлением писать дальше. Например, при рекомендации туристических направлений, сначала говорить о транспорте или о размещении — это может дать различным рекламодателям преимущество в последующей конкуренции. Таким образом, у рекламодателей появляется новое стратегическое пространство: они могут не только корректировать отчеты, чтобы повлиять на текущий генерируемый текст, но и в любое время менять дальнейшие стратегии, основываясь на уже написанном содержании.
Это предъявляет более высокие требования к механизму: необходимо не только побудить рекламодателей предоставлять достоверную информацию в начале, но и заставить их сохранять правдивость в процессе генерации. В то же время ответы не должны лишь стремиться подстроиться под ставку, отклоняясь от первоначального вопроса пользователя.
LAMA расшифровывается как Latent Advertiser Mixture Auction, то есть «Скрытый аукцион смеси рекламодателей». Он позволяет рекламодателям оценивать, насколько ценным для них будет следующий фрагмент текста, и, объединяя эти оценки с исходной языковой моделью, формирует стратегии генерации, соответствующие предпочтениям каждого рекламодателя. Платформа генерирует ответ по токенам, постоянно обновляя вероятность получения экспозиции каждым рекламодателем: чем больше новый текст соответствует предпочтениям конкретного рекламодателя, тем выше его распределительная вероятность. После завершения ответа победитель выбирается на основе финальных вероятностей и получает экспозицию в виде внешних ссылок, спонсорских карточек и других форматов. При реальной реализации эти оценки ценности могут вычисляться моделью платформы аналогично сервису автоматического размещения ставок (Auto-bidding) в современных рекламных системах.

Рисунок 3: Процесс выполнения LAMA. При генерации каждого токена последовательно выполняются отчет, генерация и обновление, а после завершения генерации ответа — финальное распределение и расчет.
Как предотвратить, чтобы рекламодатели не меняли решение в процессе? LAMA тщательно разработала соответствующие правила проверки локальных отчетов и оплаты для этого процесса генерации.
Проверка направлена на то, чтобы последующие отчеты соответствовали предыдущим: оценка рекламодателем ценности различных вариантов следующего шага, после агрегации, должна совпадать с предыдущим отчетом по текущему тексту. Платформа выполняет только локальную проверку на каждом этапе, что ограничивает рекламодателей в произвольном изменении позиций. Оплата корректируется в соответствии с процессом генерации: если на каком-либо этапе вероятность получения экспозиции для рекламодателя в сочетании с последующей ценностью становится более выгодной, взимается соответствующая плата; если становится менее выгодной — предоставляется субсидия, после чего производится окончательный расчет вместе с первоначальной платой. Таким образом, влияние на генерацию, стремление к экспозиции и несение расходов становятся взаимосвязанными.
Этот механизм удовлетворяет условию марковской стратегической доминирующей истинности (Markov DSIC): независимо от того, какую допустимую стратегию используют другие рекламодатели, если рекламодатель ранее сообщил правдивую информацию, то в любом достижимом порожденном состоянии продолжение предоставления правдивой информации не будет хуже, чем последующий переход на любую другую допустимую стратегию. То есть честность применима не только к начальному предложению, но и贯穿整个 процесс генерации ответов.
В то же время LAMA обеспечивает социальные гарантии: цель представляет собой рекламную ценность за вычетом штрафа за отклонение от естественного ответа, и расстояние до идеального оптимального механизма имеет четкую теоретическую верхнюю границу. Это позволяет механизму стремиться к коммерческой ценности, одновременно ограничивая влияние рекламы на пользовательский опыт.
LAMA объединила все шаги — от того, как их писать, до того, кто получает экспозицию и сколько платит, — в единую систему. Именно это и означает «генерация — это распределение».
Теория очень совершенна
Каков реальный эффект?
Исследовательская команда выбрала 1239 реальных коммерческих поисковых запросов из набора данных Webis Generated Native Ads 2024 для проверки концепции, охватывая три распространенных сценария: фитнес, отпуск и автомобили, каждый из которых представляет собой конкурентную среду с тремя рекламодателями.
Эксперимент использовал Qwen3-14B в качестве эталонной языковой модели и получил модель отчетов, общую для рекламодателей, с помощью обучения LoRA. Ценность рекламы определяется на основе прогнозов, полученных с помощью открытой прогностической модели, а опыт пользователей оценивается комплексно по показателям, предоставленным GEM-Bench: релевантность, информативность, плавность и связность, естественность рекламы, фактическая точность рекламы и ее вторжение. Базовыми методами являются два способа распределения до и после генерации, сочетаемые с тремя методами генерации: встраивание в исходный контент, редактирование с вставкой и стратегии усиления обучения, а также механизм агрегации на уровне ответов MOSAIC.

Рисунок 4: Таблица основного эксперимента
LAMA достигла наивысших показателей по всем четырем показателям, обеспечив взаимовыгодный рост доходов платформы (+10,7%) и ценности для рекламодателей (+3,8%) без ущерба для пользовательского опыта.
Рассмотрим конкретный запрос в контексте отдыха на пляже: «best beach vacations in the world». Ответ без рекламных механизмов касается только направлений и факторов планирования; сгенерированный LAMA ответ начинается с упоминания Expedia, а затем переходит к Tripadvisor — рекламодатели поочередно контролируют процесс генерации, однако итоговый ответ остается естественным, плавным и предоставляет ценную информацию, как и эталонный ответ.

Рисунок 5: Пример ответа в сценарии отпуска; текстовый фрагмент, выделенный оранжевым цветом, является ссылкой.
После завершения генерации вероятность назначения Tripadvisor значительно выше, и он был выбран в качестве финального победителя в этом ответе.
Почему TripAdvisor? С точки зрения текстового содержания, Expedia в первой части выступает скорее в роли бренда-якоря, вводящего такие направления, как Мальдивы, Бали и Карибский бассейн; предложение, упоминающее TripAdvisor, прямо объясняет, что может сделать продукт: сравнивать направления, просматривать отзывы туристов, фильтровать жилье и мероприятия — и тем самым предоставляет более полное ценностное предложение. Обновление вероятностей распределения платформы точно зафиксировало этот момент.
Исследовательская команда также провела интуитивный эксперимент по возмущению ставок: при фиксированных отчетах других рекламодателей они просто смещали отчет целевого рекламодателя вверх или вниз от истинного значения. Результаты полностью соответствовали интуиции: чем выше ставка, тем выше доля токенов, вероятность распределения и сумма платежа. Однако ожидаемая полезность не возрастает бесконечно — она достигает пика именно при честном отчете. Хотя ложное завышение ставки позволяет получить больше влияния в ответе, это компенсируется более высокими платежами, что делает такой подход невыгодным — именно это свойство и гарантируется теорией «стимулирующей совместимости».

Рисунок 6: Доля генерации, распределение и выплаты увеличиваются с улучшением отчетности, а реальная ожидаемая полезность достигает пика при честности.
Заключение
Где лучше всего размещать генеративную рекламу? Естественной точкой входа являются сценарии, в которых пользователи уже ищут коммерческие советы: при покупке товаров с помощью цифровых помощников для сравнения продуктов, при выборе отеля во время поездки или при использовании агента для выбора платных инструментов в повседневных рабочих процессах. Когда коммерческая информация отвечает реальным потребностям пользователя и сопровождается четкими маркерами рекламы, не нарушая при этом объективность и достоверность ответа, она с большей вероятностью будет воспринята.
LAMA исследует, как реализовать механизмы в рамках этой концепции: позволить рекламодателям конкурировать в процессе генерации, одновременно применяя правила для ограничения стратегического поведения и балансировки коммерческой ценности и качества ответов.
Раньше аукцион определял, кто получает уже существующее рекламное место. Сегодня механизм также может определять, как рекламные возможности формируются в ответах. Переход от «распределения мест» к «генерации с распределением» предоставляет LAMA новую дизайн-дорожную карту для нативной рекламной системы крупных моделей.
Информация об авторе
Лю Ханьбин (первый автор): магистрант третьего года обучения Школы высоких технологий ИИ при Университете человека и общества, научный руководитель — профессор Ци Ци. Направление исследований — интеллектуальное принятие решений и проектирование механизмов в области генеративного ИИ, планируемый год окончания — 2027. Работы опубликованы на ведущих конференциях WINE, ACL, SIGMOD.
Главная страница: https://tokgoleo.github.io/home/
Ци Ци (корреспондирующий автор): профессор с постоянной занятостью, Школа искусственного интеллекта Гаолинь, Университет中国人民, молодой специалист национального уровня, заместитель председателя (исполнительный) и директор офиса Комитета по вычислительной экономике CCF. Получил докторскую степень в Стэнфордском университете под руководством профессора Е Иньью. Области исследований включают алгоритмическую теорию игр и проектирование механизмов, крупные модели и агенты, многоагентные системы, оптимизацию и интеллектуальное принятие решений. Результаты исследований широко публикуются в ведущих журналах, таких как MS, OR, MOR, GEB, TR-B, и на конференциях класса CCF-A: STOC, ICML, NeurIPS, ICLR, ACL, AAAI, KDD, SIGIR, WWW. Длительное время сотрудничает с такими компаниями, как Baidu, Alibaba, Tencent, Meituan, ByteDance, Didi, Huawei и OPPO, внедряя технологии крупных моделей, проектирования механизмов и многоагентного принятия решений в реальных сценариях с миллиардами пользователей в таких ключевых бизнес-направлениях, как онлайн-реклама, интеллектуальный маркетинг, оптимизация купонов и рост пользователей.
Главная страница: https://ai.ruc.edu.cn/szdw/zrjs/qq/index.htm
Справочные материалы
1. Pew Research Center, пользователи Google реже кликают на ссылки, когда в результатах появляется AI-сводка, 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. Служба поддержки OpenAI, реклама в ChatGPT, доступ 2026-09-04: https://help.openai.com/en/articles/20001047-ads-in-chatgpt
3. Google Ads и Commerce, больше возможностей для вашего бизнеса в Google Search, 2025-05-21: https://blog.google/products/ads-commerce/google-search-ai-brand-discovery
Эта статья взята из официального аккаунта WeChat «Machine Heart»
