У пошуку будь-яка наявність AI-скорочення майже вдвічі зменшує ймовірність того, що користувач відкриє звичайну веб-сторінку. Аналіз масштабної поведінки користувачів у США в Google від Pew Research Center показав: наявність AI-скорочення призводить до того, що частка кліків на традиційні результати пошуку падає з 15% безпосередньо до 8%. [1]
Користувачі завершують дослідження та порівняння в діалозі, і реклама також перенеслася туди. OpenAI офіційно запустила ChatGPT Ads, а Google ввела рекламу в AI Overviews, додаючи до відповідей спонсорські картки, що безпосередньо продовжують модель пошукових систем. [2, 3] Але зміна парадигми отримання інформації змушує переглянути форму реклами:
Коли медіум інформації змінюється з цілих сторінок пошукових результатів на миттєво згенерований відповідь, що саме слід аукціонувати в рекламі?
Протягом тридцяти років онлайн-реклама завжди ґрунтувалася на вихідному припущенні: рекламні місця існують заздалегідь, а аукціон вирішує, хто їх отримає. Позиції в пошуковій выдачі, чи яке відображення в стрічці новин — все це передбачені можливості. Але відповіді великих моделей генеруються посимвольно: чи підходить певний бренд для появи, де саме він має з’явитися та яким чином його презентувати — залежить від того, що вже було написано раніше. Навіть чи згадувати ціну першою, чи досвід користування, може створити зовсім різне враження про продукт.

Рисунок 1: У генеративних інформаційних медіа місце, де з’являються рекламні можливості, хто їх отримує та як вони подаються, спільно впливають на ефективність маркетингу та досвід користувача.
Тому генерація не просто заповнює рекламні можливості, а й формує їх. У цій новій парадигмі вже існуючі дослідження почали вивчати методи аукціонів, такі як вставка рекламних повідомлень на рівні абзацу та аукціони кандидатів на відповіді, а дослідницька група з вищої школи Гао Лін при Університеті人大 та Стенфордського університету продовжила розвиток конкурентної боротьби в генерації реклами з використанням великих моделей до рівня окремих токенів.
Запропонований ними LAMA дозволяє одночасно розвивати генерацію контенту та розподіл реклами: кожен раз, коли генерується токен, це в реальному часі впливає на те, як продовжити відповідь, а також на те, хто отримає експозицію реклами. Це й є основна ідея цієї роботи — генерація як розподіл (Generation as Allocation).

Реклама на рівні токенів
Автори: Ханбін Ліу, Бовей Чжан, Чаньюань Юй, Іньюй Є, Ці Ці
Одиниця: Школа високих технологій Шінг, Людзький університет Китаю, Стенфордський університет
Посилання: https://arxiv.org/abs/2608.27382
Велика модель пише кожен символ
Це один процес одноразового аукціону
Переведіть аукціон реклами на рівень токенів: рекламодавці борються не лише за останню можливість відображення, а й за те, яким шляхом писати далі. Наприклад, рекомендуючи місце відпочинку, чи починати з транспорту чи з розміщення — це може надати різним рекламодавцям перевагу у подальшій конкуренції. Тому рекламодавці отримують новий простір для стратегій: вони можуть не лише налаштовувати звіти, щоб вплинути на поточний генерований контент, а й змінювати свою стратегію в реальному часі, залежно від вже написаного.
Це вимагає від механізму більш високих стандартів: не лише щоб рекламодавці були готові надавати правдиву інформацію на початку, але й щоб вони продовжували говорити правду під час генерації. Крім того, відповіді не повинні лише підлаштовуватися під пропозиції, відхиляючись від початкового запиту користувача.
Повна назва LAMA — Latent Advertiser Mixture Auction, тобто «Прихований аукціон змішаних рекламодавців». Вона дозволяє рекламодавцям оцінити, наскільки цінною для них буде наступна фраза в поточному тексті, а потім поєднати ці оцінки з початковою мовою моделі, щоб сформувати стратегії генерації, що відповідають уподобанням кожного рекламодавця. Платформа генерує відповідь по одному токену за раз і постійно оновлює ймовірність отримання експозиції кожним рекламодавцем: чим більше новий текст відповідає уподобанням певного рекламодавця, тим вищою є його виділена ймовірність. Після завершення відповіді переможець вибирається за остаточними ймовірностями і отримує експозицію у вигляді зовнішніх посилань або спонсорських карток. У реальному впровадженні ці оцінки цінності можуть обчислюватися моделлю з боку платформи, подібно до сучасних сервісів автоматичного ставлення (Auto-bidding) у рекламних системах.

Рисунок 3: Процес виконання LAMA. Під час генерації кожного токена послідовно виконуються звіт, генерація та оновлення, а після завершення генерації відповіді — фінальне розподілення та розрахунок.
Як запобігти рекламодавцям використовувати цей процес для зміни умов напівдороги? LAMA розробила спеціальні правила перевірки локальних звітів та оплати для цього процесу генерації.
Перевірка полягає в тому, чи збігаються попередній та наступний звіти: оцінка рекламодавцем вартості різних варіантів на наступному етапі, зібрана разом, має бути згідною з попереднім звітом щодо поточного тексту. Платформа на кожному етапі виконує лише локальну перевірку, щоб обмежити довільну зміну позиції рекламодавця. Оплата регулюється відповідно до процесу генерації: якщо на певному етапі ймовірність отримання експозиції разом із майбутньою вартістю стає більш вигідною, сплачується відповідна плата; якщо стає менш вигідною — надається субсидія, після чого проводиться фінальне розрахунок разом із початковою платою. Таким чином, вплив на генерацію, прагнення до експозиції та несення витрат стають взаємопов’язаними.
Цей механізм задовольняє умову марковської переваги та стимулює інформаційну сумісність (Markov DSIC): незалежно від того, яку здійсненну стратегію використовують інші рекламодавці, якщо рекламодавець раніше надавав правдиву інформацію, то продовження надання правдивої інформації в будь-якому досяжному генеративному стані не буде гіршим, ніж перехід на будь-яку іншу здійсненну стратегію. Іншими словами, чесність застосовується не лише до початкової пропозиції, а й постійно під час генерації відповіді.
В той же час LAMA має соціальні гарантії: цільова функція — це рекламна вартість мінус штраф за відхилення від первісної відповіді, а різниця між нею та ідеальним оптимальним механізмом має чітку теоретичну верхню межу. Це дозволяє механізму прагнути до комерційної вартості, водночас обмежуючи вплив реклами на досвід користувача.
LAMA включила всі кроки — від того, як їх писати, до того, хто отримує експозицію та скільки отримує за це — в одну й ту саму механізм. Ось що означає «генеруй і розподіляй».
Теорія дуже ідеальна
Яка реальна ефективність?
Дослідницька команда використала 1239 реальних комерційних пошукових запитів із набору даних Webis Generated Native Ads 2024 для підтвердження концепції, охопивши три поширені сценарії: фітнес, відпочинок та автомобілі, де кожен сценарій представляв конкурентну середовище з трьома рекламодавцями.
У експерименті використовувався Qwen3-14B як опорна мовна модель, а модель звіту, спільно використовувана рекламодавцями, була отримана за допомогою LoRA-навчання. Цінність реклами визначається за допомогою прогнозів, отриманих від відкритої прогнозної моделі, а досвід користувача оцінюється комплексно за показниками GEM-Bench, такими як релевантність, інформативність, плавність і зв’язність, природність реклами, фактична точність реклами та інвазивність. Базовими методами є два підходи до розподілу — до та після генерації, поєднані з трьома методами генерації: нативний контент, редагування з вставкою та стратегії підсиленого навчання, а також механізм агрегації на рівні відповіді MOSAIC.

Рисунок 4: Таблиця основного експерименту
LAMA досягла найвищих показників за чотирма показниками, забезпечивши взаємовигідний результат для доходів платформи (+10,7%) та цінності для рекламодавців (+3,8%) без жодної втрати досвіду користувача.
Розглянемо конкретний запит у контексті відпочинку на пляжі: «best beach vacations in the world». Відповідь без рекламних механізмів стосується лише пунктів призначення та факторів планування; у відповіді, згенерованій LAMA, на початку з’являється Expedia, а наприкінці — Tripadvisor, причому рекламодавці почергово контролюють процес генерації, однак отримана відповідь залишається природною, плавною та надає корисну інформацію, як і еталонна відповідь.

Рисунок 5: Приклад відповіді у сценарії відпустки, текстовий діапазон, виділений оранжевим, призначений для гіперпосилання.
Після завершення генерації ймовірність розподілу Tripadvisor значно збільшилася, і саме він був обраний фінальним переможцем у цьому відповіді.
Чому саме Tripadvisor? З точки зору текстового змісту, Expedia на початку схожа на брендовий якір, що вводить такі напрямки, як Мальдіви, Балі та Кариби; речення, що згадує Tripadvisor, прямо пояснює, що саме робить продукт: порівнювати напрямки, переглядати відгуки туристів, фільтрувати місця проживання та досвід — з більш повним вираженням цінності. А оновлення ймовірностей розподілу платформи чутливо зафіксувало це.
Дослідницька команда також провела інтуїтивний експеримент зі зміщенням ставок: за фіксованих звітів інших рекламодавців вони цілісно піднімали або опускали звіт цільового рекламодавця. Результати повністю відповідали інтуїції: чим вищою була ставка, тим вищими були частка токенів, ймовірність розподілу та сума платежу. Однак справжня очікувана корисність не зростала нескінченно — вона досягала піку саме при чесному звіті. Хоча обманом із завищенням ставки можна отримати більше впливу, витрати через більш високий платіж роблять це невигідним — саме цю властивість гарантує теорія «інcentивної сумісності».

Рисунок 6: Доля генерації, розподіл і виплати зростають разом із звітом, а справжня очікувана корисність досягає піку при щирості.
Висновок
Де краще використовувати генеративну рекламу? Природним місцем є сценарії, де користувачі вже шукають комерційні поради: під час покупок, коли порівнюють товари за допомогою цифрових помічників, під час подорожей, коли вибирають готелі, або коли інтелектуальні агенти допомагають вибирати платні інструменти для повсякденних завдань. Коли комерційна інформація відповідає реальним потребам користувача, має чіткі позначки рекламного характеру і не порушує об’єктивність та достовірність відповіді, вона має більше шансів бути прийнятою.
LAMA досліджує, як реалізувати механізми цієї ідеї: дозволити рекламодавцям конкурувати в процесі генерації, одночасно обмежуючи стратегічну поведінку за допомогою правил та балансуючи комерційну цінність і якість відповідей.
Раніше аукціон вирішував, хто отримає вже існуюче рекламне місце. Зараз механізм також може визначати, як рекламні можливості формуються у відповідях. Переходячи від «розподілу місць» до «генерації з розподілом», LAMA пропонує новий шлях проектування рекламної механіки, вбудованої у великі моделі.
Інформація про автора
Лю Ханьбін (перший автор): третій рік магістратури Школи високих технологій Шінлін з штучного інтелекту, Національний університет «Ренмін» Китаю, науковий керівник — професор Ці Ці. Напрям досліджень — інтелектуальне прийняття рішень та проектування механізмів у генеративному штучному інтелекті, очікувана дата захисту — 2027 рік. Публікації у провідних конференціях WINE, ACL, SIGMOD.
Головна сторінка: https://tokgoleo.github.io/home/
Ци Ци (відповідальний автор): професор Школи штучного інтелекту Гао Лін при Університеті людських наук Китаю, член національної програми з підтримки молодих талантів високого рівня, заступник голови (виконавчий) та голова офісу Комітету з обчислювальної економіки CCF. Доктор філософії зі Стенфордського університету, учень професора Є Інью. Області досліджень: алгоритмічна гра теорія та проектування механізмів, великі моделі та агенти, багатоагентні системи, оптимізація та інтелектуальне прийняття рішень. Результати досліджень широко опубліковані у провідних журналах, таких як MS, OR, MOR, GEB, TR-B, а також на конференціях CCF-A класу: STOC, ICML, NeurIPS, ICLR, ACL, AAAI, KDD, SIGIR, WWW. Також тривалий час здійснює глибоку співпрацю з такими компаніями, як Baidu, Alibaba, Tencent, Meituan, ByteDance, Didi, Huawei та OPPO, спрямовану на реалізацію великих моделей, проектування механізмів та багатоагентних рішень у реальних сценаріях з мільярдами користувачів у таких ключових бізнес-напрямках, як онлайн-реклама, інтелектуальний маркетинг, оптимізація купонів та зростання користувачів.
Головна сторінка: https://ai.ruc.edu.cn/szdw/zrjs/qq/index.htm
Джерела
1. Pew Research Center, користувачі Google менш схильні клікати на посилання, коли у результатах з’являється AI-узагальнення, 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. Центр підтримки OpenAI, реклами в ChatGPT, доступно 2026-09-04: https://help.openai.com/en/articles/20001047-ads-in-chatgpt
3. Google Ads & Commerce, більше можливостей для вашого бізнесу на Google Search, 2025-05-21: https://blog.google/products/ads-commerce/google-search-ai-brand-discovery
Цей текст походить із офіційного каналу WeChat «Machine Heart»
