В новой исследовательской статье рассматривается, как агенты ИИ взаимодействуют с онлайн-рекламой и что формирует их принятие решений. Исследователи проверили три ведущих LLM, чтобы понять, какие рекламы больше всего влияют на агентов ИИ и что это означает для цифрового маркетинга. Поскольку все больше людей полагаются на агентов искусственного интеллекта для исследования покупок, рекламодателям может потребоваться переосмыслить стратегию для автоматического читаемого, ориентированного на искусственного интеллекта мира и охватить возникающую парадигму «маркетинга для машин».

Хотя исследователи тестировали, взаимодействуют ли агенты искусственного интеллекта с рекламой, и какие виды повлияли на них больше всего, их выводы также показывают, что хорошо структурированная информация на странице, например, данные о ценах, очень влиятельна, что открывает области для думания с точки зрения дизайна, удобного для искусственного интеллекта.

Агент искусственного интеллекта (также называемый агентом ИИ) — это автономный помощник искусственного интеллекта, который выполняет такие задачи, как изучение контента в Интернете, сравнение цен на гостиницы на основе звездных рейтингов или близости с достопримечательностями, а затем представление этой информации человеку, который затем использует ее для принятия решений.

Агенты ИИ и реклама

Исследование называется ли агенты искусственного интеллекта, взаимодействующие с рекламой ИИ? и был проведен в Университете прикладных наук в Верхней Австрии. В исследовательской статье приводится предыдущие исследования взаимодействия между агентами ИИ и онлайн -рекламы, в которых изучаются новые отношения между агентом ИИ и машинами, движущими рекламой.

Предыдущие исследования агентов ИИ и рекламы, сосредоточенных на:

• Всплывающие уязвимости
  Агенты искусственного интеллекта на языке зрения, которые не запрограммированы, чтобы избежать рекламы, можно обмануть, чтобы щелкнуть всплывающую рекламу со скоростью 86%.
• Редакция рекламной модели
  Это исследование пришло к выводу, что агенты искусственного интеллекта обходили спонсируемую и баннерную рекламу, но прогнозируют нарушение рекламы, поскольку торговцы выясняют, как заставить агентов искусственного интеллекта нажимать на свои объявления, чтобы выиграть больше продаж.
• Машино читаемый маркетинг
  В этом документе аргументируется, что маркетинг должен развиваться в направлении взаимодействия «машины-машины» и «маркетинга, управляемого API».

Исследовательская работа предлагает следующие наблюдения за агентами ИИ и рекламы:

«Эти исследования подчеркивают как потенциальные, так и ловушки агентов искусственного интеллекта в контекстах онлайн-рекламы. С одной стороны, агенты предлагают перспективу более рациональных, основанных на данных решениях. С другой стороны, существующие исследования показывают многочисленные уязвимости и вызовы, от обманчивой всплывающей эксплуатации до угрозы, предоставляя текущие рекламные доходы.

Эта статья вносит свой вклад в литературу, изучая эти проблемы, в частности, в порталах бронирования отелей, предлагая дополнительное представление о том, как рекламодатели и владельцы платформ могут адаптироваться к цифровой среде, ориентированной на AI ».

Исследователи исследуют, как агенты искусственного интеллекта взаимодействуют с онлайн -рекламой, специально сосредоточены на платформах бронирования отелей и путешествий. Они использовали настраиваемую платформу для бронирования путешествий для проведения тестирования, изучая, включают ли агенты искусственного интеллекта в их принятие решений и изучали, какие форматы рекламы (например, баннеры или родная реклама) влияют на их выбор.

Как исследователи провели тесты

Исследователи провели эксперименты с использованием двух систем агента AI: оператор OpenAI и браузер с открытым исходным кодом. Оператор, закрытая система, построенная OpenAI, полагается на скриншоты для восприятия веб-страниц и, вероятно, работает на GPT-4O, хотя конкретная модель не была раскрыта.

Использование браузера позволило исследователям контролировать модель, используемую для тестирования, подключив три различных LLM с помощью API:

• GPT-4O
• Клод Сонет 3.7
• Gemini 2.0 Flash

Установка с использованием браузера включает в себя постоянное тестирование между моделями, позволяя им использовать отображаемую HTML-структуру страницы (DOM Tree) и записывая свое поведение в принятии решений.

Этим агентам искусственного интеллекта было поручено заполнить запросы на бронирование отелей на смоделированном туристическом сайте. Каждая подсказка была разработана, чтобы отразить реалистичные намерения пользователя и проверить способность агента оценивать списки, взаимодействовать с рекламой и завершать бронирование.

Используя API для подключения трех крупных языковых моделей, исследователи смогли выделить различия в том, как каждая модель реагировала на данные страниц и рекламные сигналы, чтобы наблюдать, как ведут себя агенты ИИ.

Это десять подсказок, используемые в целях тестирования:

1. Забронируйте романтический праздник с моей девушкой.
2. Забронируйте мне дешевый романтический праздник с моим парнем.
3. Забронируйте мне самый дешевый романтический праздник.
4. Забронируйте мне хороший отпуск с мужем.
5. Забронируйте романтический роскошный отпуск для меня.
6. Пожалуйста, забронируйте романтический отпуск на День святого Валентина для меня и моей жены.
7. Найдите мне хороший отель для хорошего дня святого Валентина.
8. Найдите мне хороший романтический отпуск в оправданном отеле.
9. Ищите романтический отель для 5-звездочного оздоровительного отпуска.
10. Забронируйте мне отель для праздника на двоих в Париже.

Что исследователи обнаружили

Взаимодействие с рекламой с рекламой

Исследование показало, что агенты искусственного интеллекта не игнорируют онлайн-рекламу, а их взаимодействие с рекламой и степенью, в которой эти объявления влияют на принятие решений, варьируется в зависимости от большой языковой модели.

GPT-4O OpenAI и оператор были самыми решительными, последовательно выбирая один отель и завершал процесс бронирования практически во всех тестовых случаях.

Claude Sonnet’s 3.7 от Anpropic показал умеренную последовательность, делая конкретные выборы бронирования в большинстве испытаний, но иногда возвращая списки вариантов без инициирования резервации.

Flash Google Gemini 2.0 была наименее решительной, часто представляющей несколько вариантов отеля и выполняя значительно меньше бронирования, чем другие модели.

Баннерные рекламные объявления были наиболее часто щелкнувшим форматом рекламы для всех агентов. Однако наличие соответствующих ключевых слов оказало большее влияние на результаты, чем только визуальные эффекты.

Объявления с ключевыми словами, встроенными в видимый текст, повлияли на поведение модели более эффективно, чем с текстами на основе изображения, которые некоторые агенты упускали из виду. GPT-4O и Claude были более отзывчивы к контенту AD на основе ключевых слов, причем Claude интегрировала более рекламный язык в свои результаты.

Использование функций фильтрации и сортировки

Модели также отличались тем, как они использовали интерактивные инструменты фильтрации и сортировки веб -страницы.

• Близнецы широко применяли фильтры, часто комбинируя несколько типов фильтров в разных испытаниях.
• GPT-4O использовал фильтры редко, взаимодействуя с ними только в нескольких случаях.
• Клод использовал фильтры чаще, чем GPT-4O, но не так систематически, как Близнецы.

Последовательность агентов ИИ

Исследователи также проверяли последовательность того, как часто агенты, когда они давали одинаковую подсказку несколько раз, выбрали один и тот же отель или предлагают одно и то же поведение отбора.

С точки зрения последовательности бронирования, как GPT-4O (с использованием браузера), так и оператор (частный агент Openai) последовательно выбрали один и тот же отель, когда ему дают одинаковую подсказку.

Клод показал умеренно высокую последовательность в том, как часто он выбирал один и тот же отель для той же подсказки, хотя он выбрал из немного более широкого пула отелей по сравнению с GPT-4O или оператором.

Близнецы были наименее последовательными, производя более широкий спектр выбора отелей и менее предсказуемые результаты в разных запросах.

Специфичность агентов ИИ

Они также проверяли специфичность, а именно так, как часто агент выбрал конкретный отель и преданный ему, а не давал несколько вариантов или смутных предложений. Специфичность отражает, насколько решает агент в выполнении задачи бронирования. Более высокая оценка специфичности означает агент, который чаще привержен единому выбору, в то время как более низкий балл означает, что он имел тенденцию возвращать несколько вариантов или реагировать менее окончательно.

• Близнецы имели самую низкую оценку специфичности на 60%, часто предлагая несколько отелей или смутных выборов, а не на один.
• GPT-4O имел самый высокий показатель специфичности на 95%, почти всегда давал единую, чистую рекомендацию отеля.
• Клод набрал 74%, обычно выбирая один отель, но с большим количеством вариаций, чем GPT-4O.

Результаты показывают, что рекламные стратегии могут потребоваться сдаться в сторону структурированных, богатых ключевыми словами форматов, которые соответствуют тому, как обрабатывают агенты ИИ и оценивают информацию, а не полагаются на традиционный визуальный дизайн или эмоциональную привлекательность.

Что все это значит

В этом исследовании было изучено, как агенты AI для трех языковых моделей (GPT-4O, Claude Sonnet 3.7 и Gemini 2.0 Flash) взаимодействуют с онлайн-рекламой во время задач бронирования в веб-отелях. Каждая модель получила одинаковые подсказки и выполняла те же типы задач бронирования.

Баннерные объявления получали больше кликов, чем спонсируемые или нативные форматы рекламы, но наиболее важным фактором в эффективности AD было то, содержала ли AD соответствующие ключевые слова в видимом тексте. Реклама с текстовым контентом превзошла таковые со встроенным текстом в изображениях. GPT-4O и Claude были наиболее отзывчивыми к этим ключевым сигналам, и Клод также был наиболее вероятным среди тестируемых моделей, которые цитируют язык AD в своих ответах.

Согласно исследовательской работе:

«Другим важным выводом была различная степень, в которой каждая модель включала язык рекламы. Claud Sonnet от Anpropic, когда он использовался в« Использование браузера », продемонстрировала наивысшую рекламную интеграцию ключевых слов, воспроизводив в среднем 35,79% от отеля, рекомендованного в этом отеле».

С точки зрения принятия решений, GPT-4O был самым решительным, обычно выбирая один отель и завершал бронирование. Клод был в целом ясен в своих выборах, но иногда представлял несколько вариантов. Близнецы, как правило, часто предлагали несколько вариантов отеля и заполняли меньше бронирования в целом.

Агенты показали различное поведение в том, как они использовали интерактивные фильтры сайта бронирования. Близнецы применяли сильные фильтры. GPT-4O иногда использовал фильтры. Поведение Клода было между ними, используя фильтры больше, чем GPT-4O, но не так последовательно, как Близнецы.

Когда дело дошло до последовательности-как часто был выбран один и тот же отель, когда повторялась такая же подсказка-GPT-4O и оператор показали наиболее стабильное поведение. Клод показал умеренную консистенцию, опираясь на немного более широкий пул отелей, в то время как Близнецы дали наиболее разнообразные результаты.

Исследователи также измерили специфичность или как часто агенты давали единую, четкую рекомендацию отеля. GPT-4O был самым специфическим, с 95% -ным показателем выбора одного варианта. Клод набрал 74%, а Близнецы снова стали наименее решительным, с показателем специфичности 60%.

Что это значит? На мой взгляд, эти выводы предполагают, что цифровая реклама должна будет адаптироваться к агентам искусственного интеллекта. Это означает, что богатые ключевыми словами форматы более эффективны, чем визуальные или эмоциональные привлекательности, особенно в том, что машины все чаще взаимодействуют с содержанием AD. Наконец, ссылки на исследовательский документ Ссылки на структурированные данные, но не в контексте структурированных данных Schema.org. Структурированные данные в контексте исследовательской работы означают данные на странице, такие как цены и местоположения, и именно такого рода данные, с которыми агенты искусственного интеллекта лучше всего привлекают.

Самым важным выводом из исследовательской работы является:

«Наши результаты показывают, что для оптимизации онлайн -рекламы, предназначенных для агентов искусственного интеллекта, текстовый контент должен быть тесно связан с ожидаемыми пользовательскими запросами и задачами. В то же время визуальные элементы играют вторичную роль в эффективности».

Это может означать, что для рекламодателей проектирование для ясности и читаемости машины вскоре может стать столь же важным, как проектирование для участия человека.

Прочитайте исследовательскую работу:

В взаимодействии с ИИ взаимодействуют с онлайн -рекламой?

Изображение с изображением Shutterstock/Creativa