Un control de volumen para el contenido publicitario nativo de IA

El «periodo de luna de miel» de la IA popular aún no ha terminado del todo. Si lo comparáramos con el paso de la edad dorada de Netflix a la actual fragmentación y comercialización de los servicios de streaming, la comparación nos situaría hacia 2019. El actor dominante (OpenAI) se enfrenta ahora a una nutrida competencia de empresas con abundantes recursos, ninguna de las cuales ha conseguido una ventaja decisiva suficiente como para arriesgarse a imponer anuncios a su voluble base de usuarios.

Del mismo modo, ChatGPT actualmente limita la publicidad en el chat a los usuarios de los planes Free y Go; los anuncios de Gemini aparecen únicamente en AI Overviews y en AI Mode; Perplexity abandonó sus planes publicitarios el invierno pasado; está previsto que xAI incluya anuncios en algún momento; Microsoft Copilot ya los tiene; y Claude rechaza de plano esa posibilidad.

Pero sabemos que esto no puede durar; a medida que se haga evidente el verdadero costo de la inferencia y que las inminentes salidas a bolsa de empresas de IA pongan sobre la mesa las exigencias de los accionistas, la historia sugiere que podemos esperar que, tarde o temprano, tengamos que examinar con atención los resultados de los LLM para distinguir el contenido basado en anuncios del contenido no comercial.

Subirlo hasta 11

Además de cuestiones como el grado de personalización de los anuncios o los grupos demográficos a los que se dirigirá la publicidad, los proveedores tendrán que considerar el alcance y el tipo de integración del contenido comercial.

No es fácil: si la publicidad es demasiado sutil, se conservan más usuarios, pero se pierden anunciantes dispuestos a pagar más; por otro lado, una integración mayor del contenido publicitario, que puede bordear las normativas sobre divulgación, permite conseguir contratos publicitarios más lucrativos, pero también puede generar controversia y otros efectos negativos indirectos.

Además, las plataformas publicitarias con distintos niveles de suscripción podrían requerir diferentes grados de «volumen» e integración, aunque las variables de los LLM sean bastante difíciles de cuantificar. Por ejemplo, un método anterior para crear una especie de «regulador de volumen» de los anuncios en las respuestas de los LLM terminó incluyendo en el chat los términos usados para cuantificarlo dentro:

Del nuevo artículo: ejemplo de cómo las etiquetas de un antiguo sistema para «regular el volumen» se filtran en el texto generado. Fuente

El ejemplo anterior procede de un nuevo artículo* que aborda dos cuestiones clave de la publicidad basada en LLM: controlar la prominencia de los anuncios en las respuestas de los chatbots e identificar qué partes de esas respuestas constituyen publicidad pagada:

Esquema del nuevo método AdKnob. A la izquierda, Subway aparece como una de varias recomendaciones o como el tema principal, según el nivel de publicidad seleccionado. A la derecha, los resaltados en verde señalan el contenido publicitario de la respuesta generada.

El método, llamado AdKnob, utiliza una escala de cuatro niveles para determinar con qué intensidad un chatbot promociona un producto y, al mismo tiempo, identifica las frases que contienen publicidad. Su objetivo es facilitar la identificación del contenido publicitario sin tener que ejecutar modelos auxiliares ni ralentizar el proceso de ninguna manera, algo especialmente importante en uno de los sectores de ritmo más acelerado que existen.

En el material complementario del nuevo estudio se muestran ejemplos de texto con anuncios insertados, resaltados en rojo.

El método AdKnob se probó con seis modelos de IA de Alibaba, Microsoft y Meta. En cada caso, la cantidad de publicidad podía ajustarse en cuatro niveles, desde una mención casual de un producto hasta una respuesta dedicada casi por completo a promocionar una marca.

En el nivel de «volumen» más agresivo de AdKnob (en este caso es «4», no el mítico «11»), los mensajes de marca tienden a dominar la respuesta.

Fue necesario utilizar modelos de pesos abiertos porque durante el entrenamiento había que modificar sus parámetros internos y examinar sus patrones de atención para identificar la publicidad en las respuestas generadas; por ello, quedaron descartadas las pruebas con modelos de vanguardia a los que solo se puede acceder mediante API.

Los resultados se evaluaron con 913 personas a través de Amazon Mechanical Turk. Al comparar las respuestas de AdKnob con las de cuatro métodos rivales, las primeras fueron preferidas entre el 75 % y casi el 90 % de las veces.

Por sorprendente que parezca, la utilidad y la claridad de las etiquetas publicitarias estuvieron entre las principales razones mencionadas. Incluso con el nivel de publicidad más alto, las respuestas obtuvieron una calificación de calidad media de 3,1 sobre 4, frente a 3,6 con el nivel más bajo.

Los autores sostienen que AdKnob también demostró ser mejor a la hora de identificar qué frases contenían publicidad; además, en uno de los modelos evaluados, este proceso de comprobación tardó apenas tres milisegundos por respuesta: un coste adicional aceptablemente bajo que no requirió generar tokens específicos, a diferencia de varios enfoques anteriores.

Para hacer posible el nuevo sistema, se creó el conjunto de datos MI-KnobSet a partir del conjunto de datos anterior Webis Generated Native Ads 2024 conjunto de datos, ampliando la colección previa para abarcar distintos niveles de publicidad en las respuestas de los chatbots. El conjunto incluye 3.946 ejemplos de entrenamiento y 913 casos de prueba.

Los autores afirman:

‘[AdKnob] permite que un único LLM genere respuestas con una amplia variedad de intensidades publicitarias. La función de pérdida de atribución publicitaria refuerza además la atribución entre los tokens de entrada relacionados con los anuncios y el contenido publicitario generado, lo que permite etiquetar los anuncios con precisión en el momento de la inferencia.

‘Los experimentos con seis modelos base y los estudios con usuarios muestran que AdKnob supera sistemáticamente a las líneas de referencia existentes tanto en la calidad de los anuncios como en su etiquetado. Nuestro trabajo ofrece una base práctica para una publicidad transparente y controlable, nativa de los LLM, en servicios del mundo real.’

Método

A diferencia del enfoque anterior mencionado, en el que las palabras utilizadas para cuantificar un nivel de incremento acababan filtrándose en la respuesta, el nuevo método emplea cuatro tokens de control diseñados específicamente, cada uno de los cuales representa una intensidad publicitaria distinta:

q̂ = q ⊕ [AD_LV_n]

Por supuesto, el token n de arriba representa un número potencialmente arbitrario, pero, en este caso, AdKnob limita el rango a una escala de 1 a 4 (probablemente tan granular como se puede ser para estas variables concretas: cuán «evidente» y cuán «llamativo» es el contenido publicitario).

Como estos tokens abstractos carecen de un significado preexistente, el modelo puede aprender la función que se les asigna sin confundirlos con el lenguaje corriente.

Según explican los autores, a continuación se entrena el modelo mediante Optimización directa de preferencias (DPO) para ajustar los tokens de control al grado de intensidad deseado:

‘[We] basan así la construcción de preferencias en dos métricas: la [score] publicitaria, que mide hasta qué punto la marca y el texto del anuncio se incorporan a la respuesta de forma destacada y positiva, y la [score] calidad de la respuesta, que mide en qué medida esta responde a la solicitud del usuario [query].’

Para crear el conjunto de datos de pares, se puntuaron las respuestas candidatas según su intensidad publicitaria, pertinencia, fluidez e información conservada de una respuesta sin publicidad. Después, se utilizaron las puntuaciones para seleccionar ejemplos de entrenamiento para cada nivel publicitario.

Para cada escenario publicitario, se generaron 25 respuestas posibles con GPT-4o, mediante instrucciones que promovían distintos grados de promoción de productos. Se seleccionó la respuesta con la puntuación más alta para cada nivel objetivo, junto con tres alternativas deliberadamente inferiores que representaban una calidad deficiente, una intensidad publicitaria incorrecta o ambas cosas:

Puntuaciones publicitarias de 25 respuestas candidatas generadas con cinco instrucciones diferentes. El considerable solapamiento entre las cinco curvas muestra por qué las instrucciones por sí solas no podían producir de forma fiable niveles publicitarios diferenciados.

Estas comparaciones se utilizaron para entrenar el modelo mediante la técnica DPO mencionada anteriormente, enseñándole a generar respuestas que se ajustaran al nivel publicitario solicitado y que, al mismo tiempo, siguieran siendo útiles y naturales.

Pruebas

AdKnob se evaluó en cuatro niveles de intensidad publicitaria con seis modelos: Qwen3-4B-Instruct; Phi-4-Mini-Instruct (3.8B); LLaMA-3.2-3B-Instruct; Qwen2.5-14B-Instruct; Phi-4 (14B); y LLaMA-3.1-8B-Instruct.

La intensidad publicitaria y la calidad de las respuestas se puntuaron por separado, mientras que la precisión del etiquetado de anuncios se midió mediante ROC-AUC, precisión y exhaustividad y F1.

Los modelos se ajustaron mediante adaptación de bajo rango (LoRA); las respuestas generadas se limitaron a 500 tokens y se estableció un umbral de 0,005 para el etiquetado publicitario. Todos los experimentos se llevaron a cabo en una única GPU NVIDIA H200, equipada con unos impresionantes 141 GB de memoria VRAM HBM3e.

Se utilizaron cuatro métodos como referencia. En la categoría de dos pasos, la publicidad se insertaba en una respuesta generada previamente; en el enfoque basado en instrucciones, se incorporaba mediante instrucciones del sistema.

En cuanto a los otros dos métodos: JU-NLP recurría al ajuste fino para favorecer una publicidad menos llamativa; y NL-prompt (instrucciones del sistema corrientes que especificaban la intensidad publicitaria, sin entrenamiento adicional) empleaba instrucciones en lenguaje natural para solicitar cuatro niveles de intensidad publicitaria: sutil (L1); moderada (L2); intensa (L3); y máxima (L4).

Se compararon tres métodos de etiquetado de publicidad: Marker, que indicaba al modelo que etiquetara la publicidad mientras escribía; BERTScore, que señalaba las oraciones similares al texto publicitario proporcionado; y AttnLRP, que se utilizó para rastrear la influencia de la publicidad en los mecanismos internos del modelo:

Resultados de pruebas que comparan la intensidad publicitaria y la calidad de las respuestas en cuatro modelos de IA. AdKnob (azul) logró un intervalo más amplio y uniformemente espaciado de niveles de publicidad (L1–L4) que los métodos de la competencia y, en general, mantuvo una mayor calidad de respuesta con intensidades publicitarias comparables.

AdKnob produjo un intervalo más amplio y uniforme de intensidades publicitarias que los métodos de la competencia y, en general, ofreció respuestas de mayor calidad en niveles comparables. Esto se atribuyó a sus novedosos tokens de control y al rechazo de respuestas de baja calidad durante el entrenamiento.

Aquí, los autores afirman:

‘JU-NLP ajusta el modelo para que la publicidad pase más desapercibida, sin controlar explícitamente la intensidad, lo que produce respuestas de intensidad fija. Aunque NL-prompt abarca varias intensidades, su intervalo es estrecho y las puntuaciones publicitarias son inconsistentes, lo que confirma que las instrucciones en lenguaje natural no bastan para controlar la intensidad.

‘En cambio, AdKnob abarca un intervalo amplio y uniforme de intensidades publicitarias.

‘Esto se debe a nuestros tokens de control publicitario, que carecen de semántica preentrenada y sirven específicamente como señales de condicionamiento para controlar la intensidad publicitaria, lo que permite que DPO establezca una correspondencia clara entre cada token y la intensidad que le corresponde.’

Según el artículo, el enfoque de los autores también produjo respuestas de mayor calidad que los métodos de la competencia con intensidades publicitarias similares; la mejora se atribuyó a ejemplos de entrenamiento en los que se rechazaban explícitamente las respuestas de menor calidad.

A continuación, se evaluaron las capacidades del sistema para etiquetar la publicidad:

Resultados de la detección de publicidad en cuatro modelos de IA. Las puntuaciones más altas indican una mayor precisión; los mejores resultados aparecen en negrita.

En este caso, AdKnob obtuvo la mayor precisión general de detección en los cuatro modelos e identificó la publicidad en apenas 2,5-7,3 milisegundos por respuesta. En comparación, BERTScore necesitó aproximadamente 1.800 milisegundos, por lo que AdKnob fue más de 500 veces más rápido en el modelo más pequeño de los evaluados.

Los autores añaden:

‘AdKnob entrena el modelo para establecer una atribución sólida entre los tokens de entrada relacionados con la publicidad y los segmentos publicitarios mediante una guía explícita basada en la ablación, con lo que obtiene los mejores valores de AUC y F1 en todos los modelos.’

‘Además, AdKnob permite el etiquetado en tiempo real sin costo adicional de inferencia: ∼3 ms por respuesta en [Qwen3-4B.]

En una prueba cualitativa, la publicidad de Nintendo Switch se incluyó como una recomendación entre varias en el Nivel 1. En el Nivel 4, la marca dominó la respuesta, y AdKnob identificó los pasajes promocionales en ambos niveles de intensidad:

Ejemplos de respuestas a una consulta sobre el Black Friday de Walmart en dos niveles de publicidad. Los pasajes resaltados y marcados con [AD] identifican contenido promocional.

Por último**, los autores realizaron un estudio con usuarios en el que participaron 913 personas, quienes calificaron la intensidad publicitaria y la calidad de las respuestas, compararon AdKnob con los métodos de la competencia y evaluaron la precisión con que se identificaba el contenido promocional:

Resultados de las evaluaciones humanas de AdKnob. La tabla muestra las calificaciones de la intensidad publicitaria y la calidad de las respuestas, las tasas de preferencia frente a los métodos de la competencia y la precisión de la detección de publicidad. Las celdas verdes indican tasas de preferencia superiores al 50 %.

Los autores concluyen:

‘AdKnob obtiene los mejores valores de AUC y F1. Cabe destacar que AdKnob presenta una alta exhaustividad y pocos falsos negativos, algo fundamental desde el punto de vista normativo, ya que no revelar un segmento publicitario conlleva importantes riesgos legales y para la confianza.’

Conclusión

Una cuestión interesante sobre la publicidad integrada en los LLM, a la que no he visto que se le haya prestado atención, es qué ocurre cuando el resultado sin publicidad y el resultado basado en publicidad son iguales.

Por ejemplo, si alguien pide una recomendación de un restaurante local y solo hay un McDonald’s y una cafetería con muy malas reseñas, pero McDonald’s ha pagado para aparecer, presumiblemente se presentará en el contexto de un anuncio, porque eso conviene a los objetivos del marco anfitrión… aunque de todos modos fuera la opción natural?

Leer sobre este tipo de cosas, de las que escribo con bastante regularidad en este sitio, me hace sentir como un pavo que hojea un catálogo de hornos. Conviene recordar que, incluso con el etiquetado mínimo exigido en ciertos territorios, no se destacará el contenido «engañoso» de nuestros  resultados. Algunos de los escasos ejemplos que se muestran en este artículo y en otros similares ilustran un nivel escandaloso de intrusión de contenido comercial en el contenido propio.

Y, por supuesto, estos son los ejemplos escogidos a propósito: los que funcionaron y no alucinaron, establecieron asociaciones escandalosas u ofensivas ni provocaron controversia de alguna otra manera. A gran escala, en arquitecturas tan propensas a episodios de descrédito público, esto quizá sea otro motivo por el que la mayoría de los servicios de vanguardia se acercan a la publicidad con cautela.

* Titulado «AdKnob: control de la intensidad de los anuncios y etiquetado para la publicidad nativa de los LLM», de seis autores de la Escuela de Computación de KAIST.

** Como de costumbre, omitimos los estudios de ablación (salvo cuando constituyen parte del valor central del trabajo, y no una simple comprobación puntual).

Publicado por primera vez el jueves 5 de noviembre de 2026