การเตรียมพร้อมสำหรับการโฆษณาในโมเดลภาษาขนาดใหญ่

การวิจัยใหม่แสดงให้เห็นว่าโฆษณาอาจถูกฝังตัวโดยตรงภายในคำตอบของ ChatGPT ในไม่ช้า – ไม่ใช่ในรูปแบบของแบนเนอร์หรือป๊อปอัพ แต่ถูกแทรกเข้าไปในคำตอบเอง โครงการ基準ใหม่จะทดสอบว่าโฆษณาที่ถูกฉีดเข้าไปในคำตอบเหล่านี้สามารถยังคงให้ความช่วยเหลือ เชื่อถือได้ และสร้างผลกำไรได้ และอาจต้องมีการแลกเปลี่ยนระหว่างประสบการณ์ของผู้ใช้ที่ยอมรับได้ และการคลิก

เมื่อความนิยมที่แพร่หลายและเติบโตของโมเดลภาษาขนาดใหญ่ ทำลายวิธีการโฆษณาแบบดั้งเดิม ที่ได้ขับเคลื่อนอินเทอร์เน็ตเกือบตั้งแต่เริ่มก่อตั้ง คนที่คุ้นเคยกับกลยุทธ์การเข้าซื้อกิจการของนักลงทุนจะสงสัยว่าจะใช้เวลาอีกนานแค่ไหนก่อนที่ AI Chatbot จะสามารถรวมโฆษณาเข้ากับคำตอบของตนได้

เมื่อ Netflix และบริการสตรีมมิ่งที่เพิ่มขึ้น แสดงให้เห็น ว่ากลยุทธ์ยุคเคเบิลที่รวมการสมัครสมาชิกที่จ่ายเงินกับโฆษณาที่ฝังตัว (มักอ้างว่าเป็นวิธีการลดต้นทุนผู้บริโภค) ได้รับแรงผลักดันกลับ และการเปลี่ยนแปลงในการรวมโฆษณาโดยตรงเข้ากับผลลัพธ์ของ LLM เริ่ม ดูเหมือนไม่ใช่เรื่องเกี่ยวกับการคาดเดา แต่เป็นการนำรูปแบบนั้นมาใช้

จากเอกสาร ‘โฆษณาออนไลน์กับ LLMs: โอกาสและความท้าทาย’ ตัวอย่างที่เป็นตัวแทนของการเปลี่ยนแปลงที่คนส่วนใหญ่คาดหวังเมื่อ LLMs สร้างรายได้ Source: https://www.sigecom.org/exchanges/volume_22/2/FEIZI.pdf

GEM-Bench

ด้วยสภาพแวดล้อมและข้อกำหนดทางธุรกิจเหล่านี้ในใจ โครงการวิจัยใหม่จากสิงคโปร์เสนอ基準แรกที่มุ่งเน้นไปที่อินเทอร์เฟซ AI Chatbot พร้อมด้วยเมตริกใหม่สำหรับการวัดสิ่งที่อาจเป็นหนึ่งในพื้นที่โฆษณาที่มีการเติบโตมากที่สุดใน 100 ปี

อาจมองว่าเป็นเรื่อง乐觀 แต่ผู้เขียนสมมติว่ามีการแบ่งแยกที่ชัดเจนระหว่าง ‘เนื้อหาแท้’ และ ‘โฆษณา’ โดยที่ ‘การเบี่ยงเบน’ จากคำตอบมาตรฐานไปสู่โฆษณาเป็นเรื่องที่ง่ายต่อการตรวจจับ:

ตัวอย่างของการรวมโฆษณาที่อาจเกิดขึ้นภายใต้สองรูปแบบที่ศึกษาในเอกสารใหม่ Source: https://arxiv.org/pdf/2509.14221

ยังคงต้องดูว่าโฆษณาเองจะพยายามที่จะรวมโฆษณาของตนเข้ากับผลลัพธ์มากกว่าที่ให้ไว้ในเอกสารหรือไม่

อย่างไรก็ตาม สิ่งเหล่านี้เป็นเรื่องที่จะพิจารณาในภายหลัง สำหรับขณะนี้ สนามนี้ยังใหม่มาก และแม้แต่คำศัพท์พื้นฐานก็ยังขาดหรือไม่ได้รับการตัดสินใจ

เอกสารจึงแนะนำ Generative Engine Marketing (GEM) เป็นเฟรมเวิร์กใหม่สำหรับการสร้างรายได้จาก LLM-based Chatbot โดยการฝังโฆษณาที่เกี่ยวข้องโดยตรงเข้ากับผลลัพธ์ที่สร้างขึ้น

นักวิจัยระบุ Ad-Injected Response (AIR) generation เป็นความท้าทายหลักใน GEM และแย้งว่า基準ที่มีอยู่ไม่เหมาะสมที่จะศึกษาเรื่องนี้ เพื่อเติมช่องว่างนี้ พวกเขานำเสนอ基準ที่อ้างว่าเป็น基準แรกที่ออกแบบมาโดยเฉพาะสำหรับวัตถุประสงค์นี้

GEM-Bench ประกอบด้วยชุดข้อมูลที่คัดสรรมา 3 ชุด ซึ่งครอบคลุมสถานการณ์ Chatbot และ Search Engine นอกจากนี้ยังมีมาตรฐานการวัดที่ออกแบบมาเพื่อประเมินหลายด้านของความพึงพอใจและความเกี่ยวข้องของผู้ใช้ พร้อมด้วยชุดวิธีการพื้นฐานที่นำไปใช้ภายในเฟรมเวิร์กหลายตัว

ผู้เขียนแย้งว่าแม้ว่าวิธีการที่ใช้คำตอบมาตรฐานสามารถบรรลุผลลัพธ์ที่ดี แต่ก็มักจะลดความพึงพอใจของผู้ใช้ ในทางกลับกัน วิธีการที่ใส่โฆษณาเข้ากับผลลัพธ์ที่สร้างขึ้นโดยไม่มีโฆษณาแสดงให้เห็นถึงการปรับปรุงในด้านความไว้วางใจและคุณภาพของผลลัพธ์ – แม้ว่าจะมีค่าใช้จ่ายในการคำนวณที่สูงกว่าก็ตาม

การแลกเปลี่ยนเหล่านี้ เอกสารโต้แย้งว่า เน้นย้ำถึงความจำเป็นในการพัฒนาวิธีการที่มีประสิทธิภาพและคุ้มค่าในการรวมโฆษณาเข้ากับผลลัพธ์ที่สร้างขึ้น

Method

การวางแผนสำหรับ Generative Engine Marketing (GEM) ยืมจากหลักการของ Search Engine Marketing (SEM) การตลาด SEM แบบดั้งเดิมทำงานโดยการตรงกับคำถามกับโฆษณาโดยใช้กระบวนการหลายขั้นตอน ซึ่งโฆษณาเสนอราคาโฆษณา ระบบระบุว่าคำถามใดที่จะแสดงโฆษณา ระบบประมาณการว่าโฆษณาแต่ละรายการมีโอกาสที่จะถูกคลิก และจากนั้นจัดสรรตำแหน่งโดยใช้การประมูลที่สร้างสมดุลระหว่างการเสนอราคาและความเกี่ยวข้องที่คาดหวัง

ในทางกลับกัน การเข้าถึง GEM ปรับเปลี่ยนขั้นตอนเหล่านี้ให้เหมาะสมกับ LLMs แต่ต้องเผชิญกับความท้าทายใหม่ที่แต่ละขั้นตอน: ไม่มีช่องโฆษณาที่ตายตัว ดังนั้นระบบจะต้องตัดสินใจว่าคำถามสามารถรับโฆษณาได้และจะใส่โฆษณาเข้ากับข้อความที่ไม่มีโครงสร้างใดๆ ได้อย่างไร การประมาณการอัตราการคลิกโฆษณายังคงยากขึ้นโดยไม่มีการวางโครงสร้าง และความเกี่ยวข้องจะต้องสมดุลกับความพึงพอใจของผู้ใช้ เนื่องจากโฆษณาเหล่านี้ถูกฝังตัวโดยตรงเข้ากับผลลัพธ์ของโมเดล

วิธีการพื้นฐานหนึ่งที่ศึกษาในงานนี้ คือ Ad-Chat ซึ่งเป็นวิธีการที่ง่ายๆ โดยใส่โฆษณาเข้ากับคำสั่งระบบก่อนที่จะสร้างผลลัพธ์

วิธีการอื่นคือ Ad-LLM ซึ่งพัฒนาโดยผู้เขียนเป็นส่วนหนึ่งของ基準ใหม่ Ad-LLM ใช้เส้นทางแบบโมดูลาร์ โดยสร้างผลลัพธ์ที่ไม่มีโฆษณาแล้วเลือกโฆษณาที่เกี่ยวข้อง ระบุจุดใส่โฆษณาที่ดีที่สุดตามการไหลของความหมาย และสุดท้ายเขียนผลลัพธ์ใหม่เพื่อรวมโฆษณาเข้าไปอย่างราบรื่น:

การเปรียบเทียบระหว่าง Ad-Chat และวิธี ‘Ad-LLM’ ของผู้เขียน Ad-Chat ใส่โฆษณาโดยใช้คำสั่งระบบก่อนการสร้างผลลัพธ์ โดยมีการควบคุมตำแหน่งที่จำกัด Ad-LLM แยกการสร้างผลลัพธ์และการใส่โฆษณา โดยเลือกตำแหน่งการใส่ตามการไหลของความหมาย และปรับปรุงผลลัพธ์

Data

สำหรับการสร้าง AIR ทั้งสองประเภทของชุดข้อมูลถูกสร้างขึ้น: ชุดข้อมูลคำถามของผู้ใช้ (User) และฐานข้อมูลโฆษณา (AdDB)

เนื่องจากคำถามของผู้ใช้กำหนดโอกาสในการโฆษณาในผลลัพธ์ของ LLM ‘สินค้าโฆษณา’ จึงสามารถพิจารณาว่าอยู่ในผลลัพธ์เหล่านี้ แต่นี่ไม่ได้ถูกกำหนดไว้เพียงโดยความเหมาะสมของคำถามของผู้ใช้เท่านั้น แต่ยังรวมถึงความเต็มใจของระบบที่จะปฏิบัติตามกฎเกณฑ์ของตนเองเกี่ยวกับการสร้างสมดุลระหว่างความซื่อสัตย์และความต้องการของโฆษณา

ในกรณีของการสร้างสถานการณ์สำหรับการทดสอบ ผู้เขียนสร้างชุดข้อมูลที่เรียกว่า CA-Prod จาก AdsCVLR ซึ่งมีคู่คำถาม-โฆษณา 300,000 รายการ

เพื่อปรับปรุงข้อมูล โฆษณาได้รับการจัดกลุ่มเป็นหกกลุ่มตามหัวข้อ (อุปกรณ์สนามและสวน, รองเท้าสวม, สินค้าในบ้าน, อาหารเสริม, อุปกรณ์ Android, และ ชุดผู้หญิง) โดยใช้การฝังความหมายและ K-means clustering

Tests

ในการประเมินว่าวิธีการใส่โฆษณาต่างๆ มีประสิทธิภาพอย่างไร โครงการ基準นี้จัดการกับคำถามหลักสามข้อ: วิธีการเหล่านี้มีประสิทธิภาพอย่างไรในด้านความพึงพอใจและความเกี่ยวข้องของผู้ใช้: ว่าการออกแบบภายในของ Ad-LLM อาจส่งผลต่อผลลัพธ์อย่างไร: และค่าใช้จ่ายในการคำนวณจะเทียบกันอย่างไรระหว่างระบบต่างๆ:

ผู้เขียนประเมิน Ad-Chat และสามรูปแบบของ Ad-LLM pipeline ของผู้เขียน โดยแต่ละรูปแบบแตกต่างกันในด้านการดึงโฆษณา (จากคำสั่งหรือจากผลลัพธ์ที่สร้างขึ้น) และในด้านการเขียนผลลัพธ์ใหม่เพื่อความชัดเจน

ทั้งสองวิธีการถูกทดสอบโดยใช้ doubao-1-5-lite-32k เป็นโมเดลพื้นฐานและถูกตัดสินโดย gpt-4.1-mini

Conclusion

แม้ว่าจะไม่น่าแปลกใจที่วรรณกรรมจะคาดเดาเกี่ยวกับวิธีการที่ LLMs สามารถแสดงโฆษณาได้ แต่มีการวิจัยที่มีอยู่ในหัวข้อนี้ไม่มากนัก ซึ่งทำให้เอกสารปัจจุบันและที่สามารถตีความได้ว่าเป็น สิ่งที่ตามมา เป็นเรื่องที่น่าสนใจ

ผู้ที่เคยทำงานกับแผนกขายโฆษณาหรือขายสินค้าจะรู้ว่าโฆษณาต้องการมาก – โดยเฉพาะอย่างยิ่งในการนำเสนอโฆษณาในรูปแบบของเนื้อหาที่เป็นข้อเท็จจริง ซึ่งไม่แตกต่างจากสตรีมเนื้อหาหลัก และพวกเขาจะจ่ายเงินจำนวนมากสำหรับสิ่งนี้ (พร้อมกับโฮสต์ที่เสี่ยงต่อความน่าเชื่อถือและสถานะกับผู้อ่านและผู้มีส่วนได้ส่วนเสียอื่นๆ)

ดังนั้นจึงน่าสนใจที่จะเห็นว่าโฆษณาที่มีโฆษณาในเอกสารสองฉบับนี้อาจถูกกระตุ้นให้ขยับขึ้นไปในผลลัพธ์ของ LLM และใกล้กับ ‘payload’ มากขึ้น

เผยแพร่ครั้งแรกวันพฤหัสบดีที่ 18 กันยายน 2025