עולם הפרסום הממומן עומד בפני אחת מנקודות המפנה הגדולות בתולדותיו. עד היום, מפרסמים התחרו על מיקומים בעמודי תוצאות החיפוש, תוך שימוש במודעות מוכנות מראש. אך דור חדש של מודלי שפה גדולים (LLMs) מציג אפשרות אחרת: מודעה שלא נבחרת, אלא נוצרת בזמן אמת, כתוצאה ממכרז על המילים שהולכות להיכתב.
רעיון זה, שנשמע כמעט מדע בדיוני, הופך לממשי בזכות מחקר מעמיק של Google Research בשיתוף אוניברסיטת שיקגו, תחת הכותרת “Mechanism Design for Large Language Models”. המאמר, שפורסם ביולי 2024, מציע מסגרת תאורטית ומעשית למערכת מכרזים חדשה שמיועדת במיוחד לעידן ה-LLM.
הרעיון של שילוב פרסום בתוך פלט של בינה מלאכותית אינו חדש. כבר ב־2018 גוגל רשמה פטנט תחת הכותרת “Using various AI entities as advertising mediums”, שבו פורטו מנגנונים לשילוב מסרים פרסומיים בתוך שיחות עם עוזרים קוליים או צ’אטבוטים. עם הופעת ה־LLMים, הרעיון הזה מקבל ביטוי עמוק יותר: לא רק הצגת מודעה, אלא עיצוב ממשי של הפלט, מילה אחרי מילה.
אחד החוקרים של גוגל ששותפים למחקר מסביר על הרעיון:
Token Auction: מכרז גנרטיבי על מילים
במערכת של Google Ads, מפרסמים מגישים הצעות מחיר (בידים) על מילות מפתח. המערכת בוחרת מודעה מתוך אלו שהוגשו מראש, בהתאם למחיר ולאיכות. כלומר, הקריאייטיב (המודעה) כבר קיים, והמכרז רק בוחר איזו להציג.
לעומת זאת, המחקר מציע מודל חדש: Token Auction. כאן המפרסמים לא מתחרים על מודעה מוכנה, אלא משפיעים בזמן אמת על איך תיראה תשובת ה-LLM שתיכתב ממש עכשיו. לא פחות.
במקום לבחור בין מודעות, המערכת שוקלת לכל טוקן (מילה או סימן) איזו הסתברות לייחס לו, לפי שילוב של מודלי שפה שונים שכל אחד מהם מייצג מפרסם אחר.
כל משתתף מגיש:
- מודל שפה שמקודד את ההעדפות הלשוניות שלו (למשל סגנון, מסר, ברנד).
- ביד אחד בלבד (מספר).
המערכת יוצרת את הפלט מילה במילה (Token-by-Token), כאשר בכל שלב מחושבת התפלגות הסתברות שמושפעת מהבידים. התוצאה: טקסט משולב שבו יש השפעה שונה לכל מפרסם, בהתאם לביד שלו.
העיקרון מבוסס על האופי הסטטיסטי של LLMים, שמייצרים טקסט על פי הסתברויות, ויודע לאגד כמה “רצונות” של מפרסמים שונים לפלט משולב, בצורה שקופה ובעלת תמריץ.
המחקר מציע שתי שיטות עיקריות לאגרגציה בין ההצעות:
- Linear Aggregation (ממוצע משוקלל של הסתברויות): תומך בתמריצים יציבים, שומר על מונוטוניות, ומעודד ביד מדויק.
- Log-Linear Aggregation (ממוצע לוגריתמי): פחות יציב מבחינה תמריצית, עלול להפר את עקרונות ה”הוגנות”.
מפרסמים שלא יבינו את הבדלים בין השיטות עלולים להשקיע ביד מבלי לראות השפעה ממשית, נקודה קריטית להבנת מבנה העלות-תועלת במכרז מהסוג הזה.
איך מפרסם “יביע העדפות” בעידן גנרטיבי?
בעולם הפרסום המסורתי, מפרסם מספק מודעה מוגמרת או פונקציית ערך. בהתאם למודל שמוצע במחקר, לא תהיה “מודעה” במובן הקלאסי. במקום זאת, כל מפרסם מזין מודל שפה גנרטיבי שמייצג את הסגנון, המסרים והטון של המותג.
זה לא אומר לנסח מודעה אחת, אלא לאמן LLM שיודע לדבר את שפת המותג ולפעול בשמו ברגע האמת. מי שיודע לנסח מודלים כאלו טוב – ינצח.
יתרון נוסף: פרטיות וחסכון חישובי
אחד העקרונות הטכניים החשובים במחקר הוא שהמערכת לא מריצה את המודלים של המפרסמים בעצמה. במקום זאת, כל LLM מופעל מראש על פרומפט נתון, ושולח רק את ההסתברויות לתשובה הבאה. כלומר, כל מפרסם שומר לעצמו את ה-LLM שלו, מבלי לחשוף את הקוד או המשקלות.
התוצאה: מכרז שבו גם פרטיות נשמרת, גם חישוביות נחסכת, וגם אין העדפה מובנית למודל כזה או אחר.
מודל עסקי: תשלום לפי השפעה בפועל
בדומה ל-Google Ads שמשתמשת בכללי מכרזים בסגנון Vickrey (מחיר שני), גם כאן התשלום מתבצע רק כאשר המפרסם באמת מצליח להשפיע על הפלט. כלומר, אם הביד שלו גורם למערכת לבחור טוקן אחר, שמועדף עליו, במקום זה שהיה נבחר בלעדיו.
החישוב נעשה לפי הנקודה שבה ההעדפה של המפרסם משנה את הטקסט בפועל. ברגע שההשפעה שלו כבר לא משנה את התוצאה, הוא מפסיק לשלם. כך נוצר מנגנון תמחור שמבוסס על תרומה אמיתית.
והכי חשוב – כדי למדוד עד כמה השפעת באמת, המערכת משתמשת במרחק מתמטי שנקרא Total Variation Distance, שזהו מדד מדויק שמכמת את ההשפעה שלך על הפלט הסופי. זו אולי הדרך הראשונה למדוד ROI בעידן שבו אין מודעה אחת, אלא נוכחות בתוך שיחה גנרטיבית.
ניסוי ההדמיה שמופיע במחקר
החוקרים לא הסתפקו בתיאוריה, הם הריצו הדמיות על מודל שפה פתוח (Gemma 7B), כשהם מגדירים שני מפרסמים דמיוניים, כל אחד עם העדפות סגנון שונות (למשל אחד מעדיף ניסוחים פורמליים והשני סגנון קליל). כל מפרסם ייצג את ההעדפות שלו בעזרת מודל הסתברות מותאם (softmax over logits).
תרחישים שנבדקו:
- תגובה לפרומפט כמו “What’s a good weekend activity?”
- פרומפטים נייטרליים שבהם אין נטייה חזקה לטוקן מסוים.
במהלך ההדמיה:
- כל מפרסם שלח הסתברויות משלו למילים האפשריות.
- הבידים שהוזנו השפיעו על הרכב ההסתברות הסופי.
- ההשפעה נמדדה לפי Total Variation Distance בין התשובה שנוצרה לבין התשובה שהייתה נוצרת ללא ההתערבות.
התוצאה: החוקרים הראו באופן כמותי שהגדלת הביד של מפרסם אחד באמת משנה את ההרכב של הפלט (למשל הופעת מילים בסגנון הרצוי לו), והם מציגים גרפים הממחישים את מידת השפעתו ככל שהביד שלו עולה.
להלן טבלה מתוך המחקר מדגימה כיצד משתנה הפלט של מודל השפה כאשר היחס בין הבידים של שני מפרסמים משתנה. ככל שמפרסם 1 מעלה את הביד, התשובה נכתבת בסגנון שמקרב יותר להעדפות שלו:
זוהי דוגמה חיה לכך שבעידן ה-LLM, הטקסט נבנה בזמן אמת מתוך איזון הסתברותי ולא נבחר מתוך מודעה מוכנה מראש. העיקרון הזה מתקיים גם בעולם החיפוש החדש: אם ב-SEO התוצאה היא דף קיים שהמערכת שולפת, הרי שב-GEO (אופטימיזציה למנועים גנרטיביים) התשובה עצמה נוצרת באופן דינמי בתוך מודל השפה.
איך תיראה מערכת הפרסום הממומן הגנרטיבית?
קשה לדעת בדיוק איך תיראה מערכת הפרסום של העתיד, אבל אם ננסה לדמיין בהתבסס על העקרונות שמוצגים במחקר, ייתכן שהפרסום עצמו יהפוך להיות חלק בלתי נפרד מהשיחה.
במקום לקבוע מראש מודעה שתוצג, מותגים ישפיעו על ניסוח התשובות של המודל בזמן אמת. לכל שאלה לא תהיה מודעה אחת, אלא השפעה הסתברותית של מספר מפרסמים. התוצאה עשויה להיות פלט שמשלב מסרים ממותגים שונים, בהתאם למידת התרומה של כל אחד לתשובה, וכל זה מבלי שהמשתמש מרגיש שהוא “צופה בפרסומת”. זהו עולם שבו גם הקריאייטיב, גם ההקשר וגם התמחור נוצרים בזמן אמת.
דמיינו את הוורקפלואו הבא:
- המותג מאמן LLM מותאם אישית שמדבר בשפה שלו, יודע מה לקדם, ואיך להישמע אותנטי.
- מנהל הקמפיינים לא מעלה מודעה, אלא מגדיר מטרות (“להיות מוזכר כששואלים על חופשה רומנטית”) ומכניס ביד.
- מערכת הפרסום של מנוע השפה בוחנת כל שאילתה שנשאלת בזמן אמת, ולפני כל טוקן שהיא כותבת, היא בודקת את הבידים של המותגים שרלוונטיים לה.
- המנוע יוצר תשובה כמו תמיד, אבל חלק מהטוקנים (מילים) נבחרים מתוך השפעה של מותגים.
- בממשק הדשבורד, המפרסם לא רואה קליקים אלא Heatmap של נוכחות בתשובות, כמה טוקנים השפיעו דרכו, ומה הייתה עלות ההשפעה.
- הקריאייטיב החדש? זה לא קופירייטר, זה מהנדס שפה שמתמחה בלכתוב הסתברויות ולא כותרות.
מה המשמעות עבור המפרסמים?
בזמן שמפרסמים רגילים למודעה של 90 תווים, בעידן ה-LLM מדובר באינספור וריאציות. לא צריך לבחור מודעה אחת מנצחת אלא להשפיע על התשובה עצמה. ברמה העמוקה, המפרסם הופך ממשתתף במכרז לקריאייטיב לתוך תוכן דינמי שמיוצר בלייב.
- אין יותר מודעות מוכנות מראש: המערכת מייצרת את הקריאייטיב בעצמה, לפי “הנחיות” (LLM + ביד).
- מותג שמסוגל “להנדס” שפה טוב ינצח: לא עיצוב ולא סלוגן, אלא מי שמקודד את ההעדפות הכי חכמות לתוך מודל.
- מודעות משולבות כסטנדרט: המערכת יכולה לייצר תשובות שבהן מופיעים מספר מפרסמים, כל אחד לפי חלקו.
- פחות פרסום, יותר נוכחות: המטרה היא לא בהכרח לשלוט בטקסט, אלא להופיע בו במידה הנכונה.
- מודל עסקי חדש למדידת השפעה: לראשונה אפשר לחשב השפעה של מותג ברמת הטוקן ולהעריך את עלותה.
גוגל כבר החלה בצעדים ראשונים בכיוון הזה. במאי 2025 גוגל התחילה לשלב פרסומות בתוך תוצאות ה-AI שלה בפועל, הן ב-AI Overviews והן ב-AI Mode. הפרסומות כוללות קישורים ממומנים והמלצות למוצרים, ומופיעות כחלק מהתשובה הגנרטיבית, עם תווית “Sponsored”. למעשה, לפי דיווח של The Verge, מדובר בהרחבה משמעותית של הנוכחות הפרסומית, יותר מודעות מופיעות כעת בתוך תוצאות ה-AI, גם במובייל וגם בדסקטופ. אמנם מדובר עדיין בשילוב של מודעות מסורתיות בתוך תוכן גנרטיבי, אבל המגמה ברורה, הפרסום עובר מלהיות תוספת – לחלק בלתי נפרד מהתשובה.
למחקר המלא (קובץ PDF): Mechanism Design for Large Language Models
