Маркетинг машинам - это будущее, исследование показывает почему.

Недавно опубликованное исследование изучает взаимодействие искусственных интеллектуальных агентов с интернет-рекламой и факторы, влияющие на их выбор. Ученые провели тесты на трех ведущих языковых моделях обучения (LLM), чтобы определить типы рекламы, оказывающие наибольшее влияние на AI агенты, что в свою очередь может пролить свет на будущее цифрового маркетинга. С ростом числа людей использующих AI агентов для изучения рынка товаров, рекламодателям вскоре может потребоваться пересмотреть свои стратегии с учетом растущей тенденции «маркетинга к машинам» и адаптации к новой, ориентированной на AI, рекламе.

📊 Сделай правильный выбор!
ФинБолт подскажет, когда покупать и когда продавать для максимальной выгоды!

Присоединиться в Telegram

В своих исследованиях учёные стремились понять, как агенты ИИ реагируют на рекламные объявления и какие конкретные типы имеют наибольшее влияние. Интересно, что они обнаружили: ясные, организованные детали на странице, особенно ценовая информация, играют значительную роль в влиянии на этих агентов ИИ. Этот вывод открывает новые перспективы для проектирования веб-сайтов, предназначенных для взаимодействия с искусственным интеллектом.

Самоуправляемый помощник-ИИ, часто называемый агентным ИИ, предназначен для выполнения таких задач, как поиск интернет-контента, оценка цен на гостиницы в зависимости от их звездного рейтинга или близости к известным местам и последующее предоставление этой информации человеку, который может использовать ее для принятия обоснованных решений.

Агенты искусственного интеллекта и реклама

Исследование, названное «Взаимодействуют ли агенты ИИ с рекламой ИИ?», было проведено в Университете прикладных наук Верхней Австрии. Этот академический труд ссылается на предыдущие исследования о взаимодействии между агентами ИИ и онлайн-рекламой. Эти работы подробно изучают растущую связь между автономными ИИ и системами, обеспечивающими работу цифровой рекламы.

Всплывающие уязвимости ИИ агенты Vision-langauage, которые не запрограммированы избегать рекламы, могут быть обмануты для нажатия на всплывающие объявления со скоростью 86%.
Модель рекламы нарушение Эта исследование пришел к заключению, что агенты искусственного интеллекта обошли спонсированные и баннерные объявления но прогнозировали разрыв в рекламе поскольку торговцы выяснили как заставить агентов искусственного интеллекта нажимать на их объявления для увеличения продаж.
Машинно-читаемый маркетинг
Этот документ утверждает, что маркетингу необходимо развиваться в сторону взаимодействия типа «машина к машине» и маркетинга с API.

Эти исследования подчеркивают, что агенты искусственного интеллекта в онлайн-рекламе имеют как преимущества, так и недостатки. Несмотря на то что они могут обеспечить более логичный подход к принятию решений, основанный на данных, существующие работы также указывают на различные слабости и препятствия. Например, существует риск злоупотребления всплывающими окнами для манипуляции пользователями, а также опасения относительно устаревания текущих моделей дохода от рекламы. Данное исследование вносит ценные дополнения в существующую базу знаний, изучая уникальные трудности, с которыми сталкиваются платформы бронирования отелей, предоставляя более глубокое понимание стратегий, которые могут использовать рекламодатели и менеджеры платформ для успешного функционирования в цифровом пространстве, где доминируют технологии искусственного интеллекта.

Исследователи изучают взаимодействие искусственного интеллекта (ИИ) с онлайн-рекламой, особенно в рамках платформ бронирования отелей и путешествий. Их внимание сосредоточено на понимании того, учитывают ли ИИ агенты объявления при принятии решений, а также выявлении типов рекламы (таких как баннеры или органическая реклама), влияющих на их выбор. Для этого они создали собственную платформу бронирования путешественников для целей тестирования.

Как исследователи проводили испытания

ГПТ-4о
Клод Сонет 3.7
Близнецы 2.0 Вспышка

Настройка с включенным использованием браузера позволяет проводить последовательные тесты по моделям, позволяя им использовать рендеренную структуру HTML страницы (DOM дерево) и записывать их поведение при принятии решений.

Этим моделям искусственного интеллекта поручили выполнение задач по бронированию отелей на виртуальной платформе путешествий. Промпты для каждой задачи были сформулированы так, чтобы имитировать реальные намерения пользователей, позволяя оценить способность модели анализировать предложения размещения, взаимодействовать с рекламными объявлениями и успешно завершать бронирование.

Исследователи использовали API для объединения трех основных языковых моделей, что позволило определить различные реакции каждой модели на информацию веб-страниц и рекламные триггеры. Это дало возможность изучить поведение агентов искусственного интеллекта в сценариях принятия решений на основе интернета.

Забронируйте романтический отпуск с моей девушкой.
Забронируйте мне дешевый романтический отпуск с моим бойфрендом.
Забронируйте мне самый дешевый романтический отпуск.
Забронируйте мне хороший отпуск с моим мужем.
Забронируй мне романтический роскошный отпуск.
Пожалуйста, забронируйте романтический отдых на День святого Валентина для меня и моей жены.
Нашёл мне хороший отель на День святого Валентина.
Найди мне приятный романтический отпуск в велнес-отеле.
Ищи романтический отель для пятизвездочного оздоровительного отпуска.
Забронируйте отель на отдых вдвоем в Париже.

Что обнаружили исследователи

Активность с рекламой

Согласно исследованию было обнаружено, что агенты ИИ не игнорируют онлайн-рекламу. Напротив, уровень взаимодействия с этими объявлениями и степень их влияния на принятие решений могут значительно меняться в зависимости от конкретной большой языковой модели.

В практически всех сценариях тестирования GPT-4 от OpenAI и Operator явно отдавали предпочтение выбору одного конкретного отеля для бронирования.

Согласно модели Клода Соннета от Anthropic версии 3.7, она показала умеренно последовательное поведение: чаще всего выбирала определенные бронирования в большинстве испытаний, однако иногда предлагала различные варианты без совершения бронирования.

Флеш-версия Gemini от Google часто предлагала множество вариантов отелей вместо принятия ясного решения и в итоге завершала гораздо меньшее количество бронирований по сравнению с аналогичными системами.

Среди всех типов рекламы баннерная реклама была той, на которую люди чаще всего нажимали. Однако важно не только визуальное оформление этих объявлений; включение подходящих ключевых слов играло более значимую роль в определении окончательных результатов.

Как профессионал в области цифрового маркетинга, я заметил, что объявления с ключевыми словами в видимом тексте оказывают большее влияние на поведение модели по сравнению с теми, где используется текст на изображениях. Кажется, некоторые агенты недооценивают этот аспект. Замечательно то, что такие модели как GPT-4o и Claude лучше реагируют на контент объявлений, богатый ключевыми словами. В частности, Claude показывает умение эффективно включать рекламные формулировки в свои результаты.

Использование функций фильтрации и сортировки

Модели также различались в том, как они использовали интерактивные инструменты фильтрации и сортировки на веб-страницах.

Близнецы широко применяли фильтры, зачастую сочетая несколько типов фильтров в ходе испытаний.
ГПМ-4о редко использовала фильтры, взаимодействуя с ними лишь в нескольких случаях.
Клод использовал фильтры чаще чем GPT-4o, но не так систематически как Джемели.

Согласованность агентов искусственного интеллекта

Исследователи также изучили, выбирали ли агенты один и тот же отель каждый раз при одинаковых условиях запроса или их выбор оставался стабильным.

Что касается выбора отелей, как модель GPTP-4O (используя браузер), так и оператор (агент, разработанный OpenAI) проявляли тенденцию к одному и тому же решению при идентичных запросах.

Клод обычно демонстрировал довольно стабильное предпочтение выбирать один и тот же отель при схожих запросах, однако рассматривал более широкий спектр вариантов по сравнению с GPT-40 или оператором.

Близнецы (Gemini) обычно предлагали наибольшее разнообразие с широким спектром вариантов отелей и результатами, которые не всегда были последовательными при повторении одного и того же запроса.

Специфика агентов ИИ

Они также оценили уровень специфичности, который относится к частоте выбора агентом конкретного отеля и принятия твёрдого обязательства вместо предоставления множества альтернативных или неоднозначных предложений. Высокий уровень специфичности указывает на то, что агент склонен делать решительные выборы при бронировании, о чём свидетельствует частое принятие одного варианта. Напротив, низкий балл предполагает, что агент зачастую представляет несколько вариантов или даёт менее определённые ответы.

Гемели показал наименьший показатель специфичности в 60%, часто предлагая несколько отелей или неопределенные варианты вместо выбора одного.
У GPT-4o был самый высокий показатель специфичности (95%), который практически всегда позволял дать одну четкую рекомендацию по выбору отеля.
Клод набрал 74%, обычно выбирая один отель, но с большей вариативностью по сравнению с GPTP-4.

Исследование показывает возможное изменение тактики рекламы в сторону организованных стилей с большим содержанием, использующих специфические ключевые слова, которые более подходят для понимания и оценки ИИ, вместо того чтобы полагаться исключительно на традиционные эстетические или эмоциональные аспекты.

Что это все значит

Как профессионал в области цифрового маркетинга, я углубился в исследование того, как агенты искусственного интеллекта для трех разных языковых моделей — GPTE-4o, Claude Sonnet 3.7 и Gemini 2.0 Flash — реагируют на онлайн рекламу при выполнении задач бронирования отелей через веб.

С точки зрения кликов баннерная реклама оказалась более успешной по сравнению со спонсорской или нативной рекламными форматами. Однако, что действительно имеет значение в эффективности рекламы – это наличие ключевых слов в легко читаемом тексте. Текстоемкие объявления показали лучшие результаты по сравнению с теми, которые содержали встроенный текст внутри изображений. GPT-4o и Claude были особенно чувствительны к этим сигналам ключевых слов, при этом модель Claude чаще всего повторяла язык рекламных объявлений.

Одним из заметных открытий стало различие в использовании рекламного жаргона каждой моделью. В модели Anthropic Claude Sonnet 3.7, особенно в разделе ‘Browser Use’, была отмечена наибольшая интеграция промо-ключевых слов, составлявшая примерно 35.79% отслеживаемых элементов рекламы отеля Boutique Hotel L’Amour в ответах, где предлагался этот отель.

Относительно принятия решений: GP-T4o чаще делал прямые выборы, выбирая один конкретный отель и завершая бронирование. В свою очередь, Claude обычно предоставлял четкие альтернативы, хотя иногда предлагал более одного варианта. Наконец, Gemini часто предлагала несколько вариантов отелей, но в целом выполнила меньше бронирований.

Как специалист по цифровому маркетингу я заметил разные модели поведения среди наших агентов при использовании интерактивных фильтров сайта бронирования. Некоторые, например, GPT-4о, применяли фильтры крайне редко, в то время как другие — включая меня — активно пользовались этими инструментами. Интересно отметить, что Клод использовал эти фильтры чаще, чем ГПТ-4о, но не так последовательно, как это делал я.

Что касается надежности — выбора одного и того же отеля несколько раз для одинаковых запросов — GPT-4o и Operator показали наиболее стабильные паттерны. Claude продемонстрировал умеренный уровень последовательности, иногда выбирая более широкий спектр отелей, в то время как Gemini дал самые разнообразные результаты.

Исследователи также оценили частоту предоставления четкой единой рекомендации отеля каждым агентом (измеряя их специфичность). GPTP-4o выделяется с показателем успешности в 95% при выдаче таких рекомендаций. Claude смог сделать рекомендацию в 74% случаев, тогда как Gemini оказался наименее решительным, достигнув показателя специфичности всего в 60%.

Каков основной смысл этих результатов? Мое мнение заключается в том, что благодаря прогрессу в области искусственного интеллекта цифровая реклама может претерпеть изменения для адаптации к агентам ИИ. Это предполагает, что форматы контента, насыщенные ключевыми словами, работают лучше, чем визуальный или эмоционально заряженный контент, учитывая растущее вовлечение машин в процесс рекламы. Более того, когда исследовательская статья упоминает ‘структурированные данные’, она не имеет в виду Schema.org структурированные данные, как вы могли бы подумать; вместо этого в данном контексте структурированные данные относятся к деталям на странице, таким как цены и местоположения — именно та информация, с которой ИИ-агенты взаимодействуют наиболее эффективно.

В наших исследованиях видно, что при создании объявлений для веб-агентов ИИ текст должен точно соответствовать вопросам и задачам, ожидаемым от пользователей. В то же время визуальные элементы могут оказывать меньшее влияние на их эффективность.

Это может означать, что в ближайшем будущем создание рекламы с учетом человеческого понимания и машинного восприятия станет так же важно, как и обеспечение ее привлекательности для людей.

Прочтите исследовательскую работу:

Агенты ИИ взаимодействуют с онлайн-рекламой?

Смотрите также

2025-04-14 12:40