Pengatur Volume untuk Konten Iklan Berbasis AI

Masa “bulan madu” AI populer belum sepenuhnya berakhir. Jika dibandingkan dengan kemerosotan dari masa keemasan Netflix menuju fragmentasi dan komersialisasi penyedia layanan streaming saat ini, situasinya kira-kira seperti pada sekitar tahun 2019. Pemain mapan (OpenAI) kini mendapat tantangan serius dari beragam pesaing bermodal besar, tetapi belum satu pun dari mereka memperoleh pijakan yang cukup kuat dan meyakinkan hingga berani mengambil risiko memaksakan iklan kepada basis pengguna mereka yang mudah berubah pikiran.

Demikian pula, ChatGPT saat ini membatasi iklan di dalam obrolan untuk pengguna paket Free dan Go; iklan Gemini hanya muncul dalam konteks AI Overviews dan AI Mode; Perplexity membatalkan rencana iklannya musim dingin lalu; xAI direncanakan akan menayangkan iklan pada suatu waktu; Microsoft Copilot sudah memilikinya; dan Claude tegas menolak kemungkinan tersebut.

Namun, kita tahu keadaan ini tidak mungkin bertahan selamanya. Ketika biaya inferensi yang sebenarnya mulai terlihat dan IPO perusahaan AI yang kian dekat menghadirkan tuntutan pemegang saham, sejarah menunjukkan bahwa kita bisa memperkirakan pada akhirnya harus mulai mencermati keluaran LLM untuk membedakan konten berbasis iklan dari konten nonkomersial.

Menaikkannya hingga 11

Selain persoalan seberapa personal iklannya dan demografi mana yang akan disasar, penyedia layanan perlu mempertimbangkan tingkat dan jenis integrasi konten komersial.

Hal ini tidak mudah: jika iklan terlalu samar, lebih banyak pengguna akan bertahan, tetapi pengiklan dengan nilai lebih tinggi akan hilang; sementara itu, konten iklan yang lebih terintegrasi dapat menghindari peraturan tentang pengungkapan dan mendatangkan kontrak iklan yang lebih menguntungkan, tetapi juga bisa memicu kontroversi serta dampak negatif lainnya.

Selain itu, platform iklan yang dibedakan berdasarkan tingkat langganan mungkin memerlukan tingkat “volume” dan integrasi yang berbeda, meskipun variabel LLM cukup sulit dikuantifikasi. Sebagai contoh, salah satu skema terdahulu untuk membuat semacam “pengatur volume” iklan dalam keluaran LLM justru membuat istilah pengukurnya ikut muncul dalam obrolan:

Dari makalah baru, contoh label dari skema lama untuk “mengatur volume” yang ternyata bocor ke dalam teks yang dihasilkan. Sumber

Contoh di atas diambil dari makalah baru* yang membahas dua persoalan utama dalam periklanan berbasis LLM: mengendalikan seberapa menonjol iklan ditampilkan dalam jawaban chatbot, serta mengidentifikasi bagian mana dari jawaban tersebut yang merupakan iklan berbayar:

Skema pendekatan baru AdKnob. Di sebelah kiri, Subway menjadi salah satu dari beberapa rekomendasi atau fokus utama, bergantung pada tingkat iklan yang dipilih. Di sebelah kanan, sorotan hijau menandai konten iklan dalam jawaban yang dihasilkan.

Pendekatan bernama AdKnob ini menggunakan skala empat tingkat untuk menentukan seberapa agresif chatbot mempromosikan suatu produk, sekaligus mengidentifikasi kalimat yang memuat iklan. Tujuannya adalah memudahkan identifikasi konten iklan tanpa perlu menjalankan model tambahan atau memperlambat proses dengan cara apa pun—padahal industri ini secara tradisional termasuk salah satu industri yang bergerak paling cepat.

Dari materi lampiran penelitian baru, contoh teks yang disisipi iklan ditampilkan dengan sorotan merah.

Metode AdKnob diuji pada enam model AI dari Alibaba, Microsoft, dan Meta. Dalam setiap kasus, jumlah iklan dapat disesuaikan pada empat tingkat, mulai dari penyebutan produk secara sambil lalu hingga jawaban yang hampir sepenuhnya berisi promosi suatu merek.

Pada tingkat “volume” AdKnob yang paling agresif (dalam contoh ini, “4”, bukan angka “11” yang legendaris), pesan merek cenderung mendominasi keluaran.

Model dengan bobot terbuka diperlukan karena parameter internalnya harus dimodifikasi selama pelatihan dan pola perhatiannya diperiksa untuk mengidentifikasi iklan dalam jawaban yang dihasilkan. Karena itu, pengujian terhadap model terdepan yang hanya dapat diakses melalui API tidak dapat dilakukan.

Hasilnya diuji kepada 913 orang melalui Amazon Mechanical Turk. Ketika jawaban AdKnob dibandingkan dengan jawaban dari empat metode pesaing, jawaban AdKnob lebih disukai dalam 75% hingga hampir 90% kasus.

Percaya atau tidak, kebermanfaatan dan label iklan yang jelas termasuk alasan utama yang dikemukakan. Bahkan pada pengaturan iklan tertinggi, jawaban memperoleh nilai kualitas rata-rata 3,1 dari 4, dibandingkan dengan 3,6 pada pengaturan terendah.

Menurut para penulis, AdKnob juga terbukti lebih baik dalam mengidentifikasi kalimat yang memuat iklan; dan pada salah satu model yang diuji, proses pemeriksaan ini hanya memerlukan tiga milidetik per respons—tambahan beban yang cukup rendah dan tidak memerlukan pembuatan token khusus, berbeda dengan beberapa pendekatan sebelumnya.

Untuk mendukung sistem baru ini, MI-KnobSet dikembangkan dari kumpulan data Webis Generated Native Ads 2024 yang lebih dulu dibuat. Kumpulan data tersebut memperluas koleksi sebelumnya dengan mencakup beragam tingkat iklan dalam respons chatbot, serta mencakup 3.946 contoh pelatihan dan 913 kasus uji.

Para penulis menyatakan:

‘[AdKnob] memungkinkan satu LLM menghasilkan respons dengan beragam intensitas iklan. Fungsi kerugian atribusi iklan semakin memperkuat atribusi antara token masukan yang terkait dengan iklan dan konten iklan yang dihasilkan, sehingga pelabelan iklan dapat dilakukan secara akurat saat inferensi.

‘Eksperimen pada enam model dasar dan studi pengguna menunjukkan bahwa AdKnob secara konsisten mengungguli metode dasar yang ada, baik dalam kualitas iklan maupun pelabelan iklan. Karya kami menyediakan landasan praktis untuk periklanan berbasis LLM yang transparan dan dapat dikendalikan dalam layanan di dunia nyata.’

Metode

Berbeda dengan pendekatan sebelumnya yang disebutkan di atas, ketika kata-kata untuk mengukur tingkat kenaikan akhirnya bocor ke dalam keluaran, metode baru ini menggunakan empat token kontrol khusus, yang masing-masing mewakili intensitas iklan yang berbeda:

q̂ = q ⊕ [AD_LV_n]

Tentu saja, token n di atas mewakili angka yang berpotensi tidak terbatas, tetapi dalam kasus ini, AdKnob membatasi rentangnya pada skala 1–4 (yang mungkin merupakan tingkat perincian tertinggi untuk variabel-variabel ini, yaitu seberapa “terang-terangan” dan seberapa “mencolok” konten iklannya).

Karena token abstrak ini tidak memiliki makna sebelumnya, model dapat mempelajari tujuan penggunaannya tanpa mencampuradukkannya dengan bahasa sehari-hari.

Para penulis menjelaskan bahwa model kemudian dilatih menggunakan Optimisasi Preferensi Langsung (DPO) untuk menyelaraskan token kontrol dengan tingkat intensitas yang diinginkan:

‘[We] dengan demikian mendasarkan penyusunan preferensi pada dua metrik: [score], yang mengukur seberapa menonjol dan positif merek serta materi iklan disertakan dalam respons, dan [score], yang mengukur seberapa baik respons menjawab [query].’

Untuk menyusun kumpulan data berisi pasangan, jawaban kandidat diberi skor berdasarkan intensitas iklan, relevansi, kelancaran, dan informasi yang dipertahankan dari respons tanpa iklan. Skor tersebut kemudian digunakan untuk memilih contoh pelatihan bagi setiap tingkat iklan.

Untuk setiap skenario iklan, 25 kemungkinan jawaban dibuat menggunakan GPT-4o, dengan prompt yang mendorong tingkat promosi produk yang berbeda-beda. Jawaban dengan skor tertinggi untuk setiap tingkat sasaran dipilih, bersama tiga alternatif yang sengaja dibuat lebih buruk, yang mencerminkan kualitas rendah, intensitas iklan yang tidak tepat, atau keduanya:

Skor iklan untuk 25 jawaban kandidat yang dihasilkan menggunakan lima prompt berbeda. Tumpang tindih yang cukup besar di antara kelima kurva menunjukkan alasan prompting saja tidak dapat menghasilkan tingkat iklan yang berbeda secara andal.

Perbandingan ini digunakan untuk melatih model dengan teknik DPO yang telah disebutkan, agar model menghasilkan jawaban sesuai tingkat iklan yang diminta, tetapi tetap berguna dan alami.

Pengujian

AdKnob dievaluasi pada empat tingkat intensitas iklan dengan enam model: Qwen3-4B-Instruct; Phi-4-Mini-Instruct (3.8B); LLaMA-3.2-3B-Instruct; Qwen2.5-14B-Instruct; Phi-4 (14B); dan LLaMA-3.1-8B-Instruct.

Intensitas iklan dan kualitas respons diberi skor secara terpisah, sedangkan akurasi pelabelan iklan diukur menggunakan ROC-AUC, presisi dan recall, serta F1.

Model disetel lebih lanjut menggunakan Adaptasi Peringkat Rendah (LoRA), dengan respons yang dihasilkan dibatasi hingga 500 token dan ambang pelabelan iklan sebesar 0,005. Semua eksperimen dilakukan pada satu GPU NVIDIA H200, yang dilengkapi VRAM HBM3e sebesar 141 GB—kapasitas yang mencengangkan.

Empat metode digunakan sebagai tolok ukur. Dalam kategori dua tahap, iklan disisipkan ke dalam jawaban yang telah dibuat sebelumnya; sedangkan dalam kategori berbasis prompt, iklan dimasukkan melalui prompt sistem.

Untuk dua metode lainnya: JU-NLP mengandalkan penyetelan lebih lanjut untuk mengutamakan iklan yang kurang mencolok; sedangkan NL-prompt (prompt sistem biasa yang menentukan intensitas iklan, tanpa pelatihan tambahan) menggunakan instruksi bahasa alami untuk meminta empat tingkat intensitas iklan: halus (L1); sedang (L2); kuat (L3); dan maksimum (L4).

Tiga metode pelabelan iklan dibandingkan: Marker, yang meminta model menandai iklan saat menulis; BERTScore, yang menandai kalimat-kalimat yang menyerupai naskah iklan yang diberikan; dan AttnLRP, yang digunakan untuk melacak pengaruh iklan melalui proses internal model:

Hasil pengujian yang membandingkan intensitas iklan dan kualitas jawaban pada empat model AI. AdKnob (biru) menghasilkan rentang tingkat iklan (L1–L4) yang lebih luas dan berjarak lebih merata dibandingkan metode lain, sekaligus umumnya mempertahankan kualitas jawaban yang lebih tinggi pada intensitas iklan yang sebanding.

AdKnob menghasilkan rentang intensitas iklan yang lebih luas dan konsisten dibandingkan metode lain, sekaligus umumnya memberikan jawaban berkualitas lebih baik pada tingkat intensitas yang sebanding. Hal ini dikaitkan dengan token kontrol baru yang dimilikinya serta penolakan terhadap respons berkualitas rendah selama pelatihan.

Berikut pernyataan para penulis:

‘JU-NLP disetel lebih lanjut agar iklan tersamarkan tanpa kendali intensitas yang eksplisit, sehingga menghasilkan respons dengan intensitas tetap. NL-prompt mencakup berbagai intensitas, tetapi rentangnya sempit dan skor iklannya tidak konsisten, yang menegaskan bahwa perintah dalam bahasa alami tidak memadai untuk mengendalikan intensitas iklan.

‘Sebaliknya, AdKnob mencakup rentang intensitas iklan yang luas dan seragam.

‘Hal ini berkat token kontrol iklan kami, yang tidak memiliki semantik hasil prapelatihan dan secara khusus berfungsi sebagai sinyal pengondisian untuk mengendalikan intensitas iklan. Dengan demikian, DPO dapat membentuk pemetaan yang jelas dari setiap token ke intensitas sasarannya.’

Makalah tersebut mencatat bahwa pendekatan para penulis juga menghasilkan jawaban berkualitas lebih tinggi daripada metode lain pada intensitas iklan yang serupa. Peningkatan ini dikaitkan dengan contoh-contoh pelatihan yang secara eksplisit menolak respons berkualitas lebih rendah.

Selanjutnya, kemampuan sistem untuk melabeli iklan dievaluasi:

Hasil deteksi iklan pada empat model AI. Skor yang lebih tinggi menunjukkan akurasi yang lebih baik, dan hasil terbaik ditampilkan dengan huruf tebal.

AdKnob mencatat akurasi deteksi keseluruhan tertinggi pada keempat model, dengan mengidentifikasi iklan hanya dalam 2,5–7,3 milidetik per respons. Sebagai perbandingan, BERTScore memerlukan sekitar 1.800 milidetik, sehingga AdKnob lebih dari 500 kali lebih cepat pada model terkecil yang diuji.

Para penulis menambahkan:

‘AdKnob melatih model untuk membangun atribusi yang kuat antara token masukan terkait iklan dan segmen iklan melalui panduan eksplisit berbasis ablasi, sehingga mencapai AUC dan skor F1 terbaik pada semua model.’

‘Selain itu, AdKnob memungkinkan pelabelan waktu nyata tanpa biaya inferensi tambahan, dengan waktu ∼∼3ms per respons pada [Qwen3-4B.]’

Dalam pengujian kualitatif, iklan Nintendo Switch muncul sebagai salah satu dari beberapa rekomendasi pada Level 1. Pada Level 4, merek tersebut mendominasi respons, dengan bagian promosi teridentifikasi oleh AdKnob pada kedua intensitas:

Contoh jawaban atas pertanyaan tentang Walmart Black Friday pada dua tingkat intensitas iklan. Bagian yang disorot dan ditandai [AD] menunjukkan konten promosi.

Terakhir**, para penulis mengadakan studi pengguna yang melibatkan 913 peserta. Mereka menilai intensitas iklan dan kualitas jawaban, membandingkan AdKnob dengan metode lain, serta menilai seberapa akurat konten promosi diidentifikasi:

Hasil evaluasi AdKnob oleh manusia. Tabel ini menampilkan penilaian terhadap intensitas iklan dan kualitas jawaban, tingkat preferensi dibandingkan metode lain, serta akurasi deteksi iklan. Sel berwarna hijau menunjukkan tingkat preferensi di atas 50%.

Para penulis menyimpulkan:

‘AdKnob mencapai AUC dan skor F1 tertinggi. Khususnya, AdKnob memiliki recall tinggi dengan sedikit negatif palsu. Hal ini sangat penting dari sudut pandang regulasi, karena tidak mengungkapkan segmen iklan menimbulkan risiko hukum dan risiko hilangnya kepercayaan yang besar.’

Kesimpulan

Satu hal menarik yang patut dipertimbangkan terkait iklan di dalam LLM—dan yang sejauh ini belum saya lihat mendapat perhatian—adalah apa yang terjadi ketika keluaran noniklan dan keluaran berbasis iklan ternyata sama?

Misalnya, jika seseorang meminta rekomendasi tempat makan lokal dan hanya ada McDonald’s serta sebuah kafe dengan ulasan yang sangat buruk, tetapi McDonald’s telah membayar untuk penempatan, maka McDonald’s mungkin akan ditampilkan dalam konteks iklan karena hal itu sesuai dengan tujuan kerangka yang menaunginya..meskipun McDonald’s memang pilihan yang wajar sejak awal?

Membaca hal-hal seperti ini, yang cukup rutin saya bahas di situs ini, membuat saya merasa seperti kalkun yang sedang melihat-lihat katalog oven. Yang perlu kita ingat adalah bahwa, bahkan dengan pelabelan minimal yang diwajibkan di wilayah tertentu, konten “tidak jujur” dalam keluaran kita tidak akan ditandai. Sebagian kecil contoh yang ditampilkan dalam makalah ini dan makalah serupa menggambarkan tingkat penyusupan konten komersial ke dalam konten asli yang sangat parah.

Dan, tentu saja, ini adalah contoh-contoh pilihan—yang berhasil dan tidak berhalusinasi, membuat asosiasi yang keterlaluan atau menyinggung, ataupun menimbulkan kontroversi dengan cara lain. Dalam penerapan berskala besar, bagi arsitektur yang begitu rentan mengalami insiden yang mencoreng reputasi di depan publik, hal ini mungkin menjadi alasan tambahan mengapa sebagian besar layanan terdepan mendekati periklanan dengan sangat hati-hati.

* Berjudul ‘AdKnob: Pengendalian Intensitas Iklan dan Pelabelan untuk Periklanan Berbasis LLM’, karya enam penulis dari Sekolah Komputasi di KAIST.

** Seperti biasa, kami tidak menyertakan studi ablasi (kecuali jika studi tersebut merupakan bagian dari nilai inti karya, bukan sekadar pemeriksaan sampel).

Pertama kali diterbitkan pada Kamis, 5 November 2026