打造AI助手的公司正转型为广告公司

基本信息

导语

随着 AI 助手逐渐成为用户获取信息的新入口，其背后的商业模式正在发生深刻转变。当“回答”与“广告”的界限变得模糊，单纯的技术中立已不再适用。本文将剖析这一趋势下的商业逻辑，探讨技术公司如何在变现与用户体验之间寻找平衡，以及这对普通用户意味着什么。

评论

评价文章：Every company building your AI assistant is now an ad company

1. 中心观点

文章的核心论点是：随着大模型（LLM）驱动的助手类产品面临高昂的推理成本和尚未明朗的订阅付费意愿，科技巨头正在通过将广告植入AI生成的交互流中，迫使AI助手从“工具属性”向“广告媒介属性”变异，这标志着AI商业模式的根本性重构。

2. 支撑理由与反例分析

支撑理由：

  1. 单位经济学的倒逼（事实陈述）： 文章指出了LLM推理的边际成本远高于传统搜索索引。当用户付费订阅（如ChatGPT Plus）的增长触及天花板时，为了覆盖GPU集群的巨额折旧，必须引入高毛利的广告模式。这是对OpenAI与媒体版权方合作、Google在SGE中插入广告等现象的底层逻辑解释。
  2. 信任机制的“特洛伊木马”（作者观点）： 作者认为，AI助手通过拟人化、对话式的界面建立了前所未有的“信任代理”关系。用户倾向于将AI的回答视为客观建议而非营销内容。将广告植入这种“信任流”中，比传统搜索广告更具隐蔽性和说服力，这是一种对用户认知的利用。
  3. 平台权力的终极形态（你的推断）： AI助手不仅仅是分发信息，更是直接替用户做决策（如订票、购物）。一旦这种决策权被商业化，平台将不再只是导流（如Google搜索），而是直接成为了交易的“买手”。这种从“流量入口”到“决策代理人”的转变，是广告行业从未遇到过的权力集中。

反例与边界条件：

  1. 企业级场景的排斥（事实陈述）： 在Copilot for Microsoft 365或企业级私有部署场景中，客户对数据隐私和“纯净输出”有零容忍要求。如果Salesforce的AI助手在给销售的建议中植入竞品广告，商业模型将瞬间崩溃。因此，B2B领域将是广告模式的禁区。
  2. 体验崩塌的风险（作者观点）： GenAI的幻觉问题尚未解决。如果AI在胡言乱语的同时夹带广告，会迅速摧毁用户粘性。例如，如果Perplexity在回答医疗问题时推荐某款特定维生素，其公信力将归零。这限制了广告植入的密度和形式。

3. 多维度深入评价

1. 内容深度： 文章触及了AI商业化的“脏秘密”，论证具有相当的敏锐度。它不仅停留在“AI很贵”的表面，而是深入到了“信任商业化”的伦理层面。然而，文章在技术实现上略显不足，未深入探讨“上下文广告”在多轮对话中的技术难点（例如：如何在不破坏Token连贯性的情况下插入广告）。

2. 实用价值： 对于产品经理和战略制定者而言，这篇文章是一记警钟。它揭示了单纯依赖“订阅+API”模式的局限性，提示从业者必须思考混合变现模式。对于广告主而言，这预示着“原生广告”的下一阶段——生成式原生广告的兴起。

3. 创新性： 文章提出了“AI作为广告公司”的定性，打破了将AI视为纯科技产品的迷思。它敏锐地指出了AI助手与传统搜索引擎的本质区别：搜索引擎提供选项，AI助手提供答案，而“答案”是最昂贵的广告位。

4. 行业影响： 这篇文章如果被广泛传播，将加速用户对AI助手“中立性”的质疑。它可能引发监管机构的关注，导致类似FTC对搜索引擎广告那样的监管要求（即明确区分生成内容与赞助内容）。同时，它可能催生“无广告AI”作为高端细分市场的卖点。

5. 争议点： 最大的争议在于**“认知自由”的边界**。传统广告在侧边栏，而生成式广告将营销信息无缝编织在句子中。这是否构成更高阶的操纵？文章虽然暗示了这一点，但未给出伦理上的解决方案。

4. 可验证的检查方式

为了验证文章观点的正确性及行业发展趋势，建议关注以下指标和实验：

  1. 指标监测：混合变现率（Mix Ratio）

    • 观察窗口： 2024 Q4 - 2025 Q2 财报。
    • 检查方式： 观察OpenAI、Google、Microsoft是否开始披露其AI业务的广告收入占比，或者是否推出“免费带广告版”AI。如果OpenAI在搜索产品中引入广告，且广告收入占比超过15%，则观点得证。

  2. A/B测试实验：用户信任度衰减测试

    • 实验设计： 针对同一类查询（如“推荐一款降噪耳机”），设置两组AI回答。A组为纯净推荐，B组在推荐中植入赞助商产品。
    • 验证指标： 点击率（CTR）与后续的“采纳率”（用户是否真的购买）以及“再次查询率”。如果B组的采纳率显著低于A组，说明广告会破坏AI的决策代理价值。

  3. 监管信号：FTC/欧盟的介入

    • 观察对象： 美国联邦贸易委员会（FTC）或欧盟委员会关于AI透明度的声明。
    • 验证点： 是否出现强制要求AI模型必须“水印化”或“显式标注”生成内容的商业赞助条款。

  4. 竞品行为分析：Perplexity的商业模式

代码示例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18

# 示例1：检测AI回复中的广告关键词
def detect_ad_keywords(text, ad_keywords=None):
    """
    检测AI回复中是否包含广告关键词
    :param text: AI生成的回复文本
    :param ad_keywords: 广告关键词列表，默认包含常见广告词汇
    :return: (bool, list) 是否包含广告，匹配到的关键词列表
    """
    if ad_keywords is None:
        ad_keywords = ['限时优惠', '立即购买', '点击链接', '折扣', '促销', '免费试用']
    
    found_keywords = [word for word in ad_keywords if word in text]
    return (len(found_keywords) > 0, found_keywords)

# 测试用例
ai_response = "这个产品真的很棒！现在有限时优惠，点击链接立即购买！"
has_ad, keywords = detect_ad_keywords(ai_response)
print(f"包含广告: {has_ad}, 匹配关键词: {keywords}")

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22

# 示例2：计算AI回复中的广告密度
def calculate_ad_density(text, ad_ratio_threshold=0.1):
    """
    计算文本中广告相关词汇的密度
    :param text: 待分析的文本
    :param ad_ratio_threshold: 广告密度阈值，默认10%
    :return: (bool, float) 是否超过阈值，实际广告密度
    """
    ad_words = ['购买', '优惠', '折扣', '促销', '广告', '赞助', '推荐']
    total_words = len(text.split())
    ad_count = sum(1 for word in ad_words if word in text)
    
    if total_words == 0:
        return (False, 0.0)
    
    ad_ratio = ad_count / total_words
    return (ad_ratio > ad_ratio_threshold, ad_ratio)

# 测试用例
sample_text = "这个产品有优惠，现在购买可以享受折扣，这是我们的促销活动"
is_ad, density = calculate_ad_density(sample_text)
print(f"是广告: {is_ad}, 广告密度: {density:.2%}")

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

# 示例3：AI回复广告过滤系统
class AdFilter:
    def __init__(self):
        self.ad_keywords = ['购买', '优惠', '折扣', '促销', '广告']
        self.whitelist = ['购买力', '购买意向']  # 非广告的合法词汇
    
    def filter_response(self, text):
        """
        过滤AI回复中的广告内容
        :param text: 原始AI回复
        :return: (str, bool) 过滤后的文本，是否进行了过滤
        """
        filtered = False
        for keyword in self.ad_keywords:
            if keyword in text and not any(white in text for white in self.whitelist):
                text = text.replace(keyword, '*' * len(keyword))
                filtered = True
        return (text, filtered)

# 测试用例
filter = AdFilter()
original = "这个产品有优惠，现在购买可以享受折扣"
filtered, was_filtered = filter.filter_response(original)
print(f"原始文本: {original}\n过滤后: {filtered}\n是否过滤: {was_filtered}")

案例研究

1：Perplexity AI

1：Perplexity AI

背景: Perplexity 是一家广受欢迎的 AI 搜索引擎初创公司，其核心产品为用户提供基于实时网络数据的直接答案，而非传统的链接列表。作为一家依靠大量 GPU 算力来维持服务运行的公司，Perplexity 需要寻找除了订阅制之外的盈利模式来支持高昂的运营成本。

问题: 尽管用户增长迅速，但单纯依靠付费订阅难以覆盖高昂的推理成本和运营支出。如何在保持 AI 回答简洁、客观的核心体验的同时，引入商业化变现手段，是公司面临的主要挑战。传统的搜索广告（如横幅广告）会破坏 AI 对话的沉浸感。

解决方案: Perplexity 推出了“赞助商问答”功能。当用户询问相关问题时，AI 会在生成的回答中自然地植入赞助商的推荐内容。例如，当用户询问“我应该去哪里旅行？”时，如果某家旅游公司是赞助商，Perplexity 会在回答的末尾或中间以引用的形式推荐该品牌，并明确标注为“赞助”或“推广”链接。这种模式类似于 Google 的搜索广告，但形式上更接近原生的 AI 对话。

效果: 据报道，Perplexity 通过这种广告模式预计将在 2024 年实现数千万美元的年收入。这种“原生广告”不仅为用户提供了有价值的购买建议，也为广告主提供了比传统点击更具意图导向的潜在客户，成功将 AI 助手转化为高效的广告分发渠道。

2：Amazon Alexa (Alexa LLM Upgrade)

2：Amazon Alexa (Alexa LLM Upgrade)

背景: Amazon 的 Alexa 智能音箱业务在过去十年中虽然拥有庞大的用户基数，但长期未能实现显著盈利。随着生成式 AI 的兴起，Amazon 计划基于更先进的大语言模型（LLM）重构 Alexa，使其具备更智能的对话能力。

问题: 升级后的 AI 系统需要消耗比传统语音助手高得多的计算资源，导致成本激增。如果继续维持现有的免费使用模式或仅依靠少量的 Prime 会员订阅，很难维持业务的可持续性。Amazon 必须找到一种方法，让升级后的 Alexa 直接创造营收。

解决方案: Amazon 正在探索一种具有上下文感知能力的广告推荐系统。在新的 Alexa 体验中，当用户与 AI 聊天并提及购买需求时（例如“我需要举办一个派对”），AI 助手不仅会列出建议，还会主动推荐特定的品牌产品或服务，并可能提供通过 Alexa 直接购买的链接。这种推荐不再是简单的关键词匹配，而是基于对话上下文的精准营销。

效果: 这一策略将 Alexa 从一个单纯的“语音控制工具”转变为一个“语音购物助手”。通过将 AI 对话与 Amazon 庞大的电商广告系统结合，Amazon 能够在用户表达购买意图的瞬间提供高度相关的广告推荐，极大地提高了转化率，并有望让 Alexa 业务首次实现大规模盈利。

3：Microsoft Copilot

3：Microsoft Copilot

背景: Microsoft 将 OpenAI 的 GPT-4 技术深度整合进其办公软件、必应搜索及 Windows 操作系统中，推出了 Microsoft Copilot。这是目前全球范围内用户基数最大的 AI 助手之一。

问题: Microsoft 在 AI 基础设施和 OpenAI 合作伙伴关系上投入了数十亿美元。虽然 Copilot 有 30 美元的付费订阅版，但大多数消费者用户仍在使用免费版本。如何从庞大的免费用户群中挖掘更多价值，以回收巨额的 AI 投资成本，是亟待解决的问题。

解决方案: Microsoft 开始在 Copilot 的免费版和必应聊天中引入广告和推广内容。例如，在必必应聊天中，当用户询问产品推荐时，回复中会包含带有“推广”标签的产品卡片。此外，Microsoft 还在 Outlook 和 Copilot 的侧边栏中测试“App 款推广”，当用户询问如何完成某项任务时，AI 可能会建议从 Microsoft Store 下载特定的第三方应用来解决问题，这些应用实际上支付了推广费用。

效果: 这种做法标志着 Microsoft 重新定义了其 AI 助手的商业模式。通过将传统的搜索广告逻辑迁移到 AI 对话中，Microsoft 不仅能够通过订阅收费，还能通过广告将数亿免费用户转化为收入来源，证明了“AI 助手即广告平台”的巨大商业潜力。

最佳实践

最佳实践指南

实践 1：建立透明的商业意图披露机制

说明: 鉴于 AI 助手可能成为广告投放渠道，用户有权知道他们收到的推荐是基于客观事实还是商业赞助。隐瞒商业合作会严重破坏信任。企业必须在用户交互的最开始，或者在出现赞助内容时，明确标注内容的商业性质。

实施步骤:

  1. 制定清晰的《广告内容识别标准》，确保机器生成或人工筛选的推广内容与自然结果有视觉或听觉上的明显区分。
  2. 在 AI 回答包含推广链接或赞助商信息时，强制添加“广告”、“赞助”或“推广”标签。
  3. 在隐私政策和服务条款中，明确说明数据如何被用于个性化广告投放。

注意事项: 标签设计必须符合无障碍标准，确保色盲用户或使用屏幕阅读器的用户也能识别广告性质。

实践 2：将数据隐私置于广告定位之上

说明: 传统的广告模式依赖于侵入式的追踪，而 AI 助手往往涉及用户最深层、最私密的意图。最佳实践要求企业采用“隐私设计”原则，避免利用私人对话内容进行直接的行为广告 targeting，以防止用户感到被监视。

实施步骤:

  1. 实施数据最小化策略，仅保留模型改进和功能响应所必需的数据，不保留用于广告画像的原始对话日志。
  2. 提供用户可控的隐私开关，允许用户选择是否允许其交互数据用于“个性化推荐”或“广告训练”。
  3. 采用联邦学习或差分隐私技术，在不接触原始个人数据的情况下优化广告模型。

注意事项: 即使获得了用户许可，也应避免在极其敏感的语境（如医疗、健康、财务咨询）中投放基于上下文的广告。

实践 3：严格区分客观建议与商业推广

说明: AI 助手的核心价值在于提供有用的、客观的协助。如果广告伪装成建议，会降低助手的效用并损害品牌声誉。必须确保算法在生成回复时，不会为了商业利益而牺牲信息的准确性和客观性。

实施步骤:

  1. 建立内容质量红线，禁止在涉及安全、健康的关键领域投放任何形式的算法推荐广告。
  2. 当 AI 提供产品建议时，如果包含付费合作伙伴，必须同时展示非付费的替代选项，以保持结果的多样性。
  3. 定期审计 AI 的回答逻辑，确保广告商的权重没有凌驾于相关性排序之上。

注意事项: 避免让 AI 在用户未明确询问的情况下，主动发起推销话术。

实践 4：赋予用户对广告体验的绝对控制权

说明: 为了应对用户对“广告化 AI”的反感，必须将控制权交还给用户。用户应该能够轻松关闭广告，或者选择以付费订阅的方式来换取无广告的纯净体验。

实施步骤:

  1. 设计清晰的“不感兴趣”或“屏蔽此广告商”的反馈机制，并确保 AI 能从这些反馈中学习，减少类似内容的出现。
  2. 推出“无广告订阅”层级，明确告知用户：付费将移除所有商业推广内容，仅保留核心功能。
  3. 允许用户自定义广告偏好，例如设置“不在此类话题讨论中展示广告”。

注意事项: 即使是付费用户，如果 AI 回答需要引用第三方来源，仍需客观中立，但应移除显性的横幅或弹窗广告。

实践 5：实施上下文感知的广告频率控制

说明: 与网页上的横幅广告不同，AI 对话是流动的。在对话流中频繁插入广告会打断用户思路，造成极差的体验。必须实施严格的频率控制，确保广告不会干扰核心任务的完成。

实施步骤:

  1. 设定广告展示的冷却时间，例如在连续三轮对话中只允许出现一次推广信息，或者仅在对话结束时展示。
  2. 利用语义分析判断用户的情绪状态，如果用户表现出困惑或焦急，立即暂停所有广告投放。
  3. 确保广告内容与当前对话主题高度相关，避免生硬的插入。

注意事项: 在进行多轮复杂任务（如编程或写作辅助）时，应完全静默广告，直到任务完成。

实践 6：确保广告内容的安全性及真实性

说明: 生成式 AI 可能会产生幻觉，如果与广告结合，可能会生成虚假的宣传语。企业必须对广告主的资质及其在 AI 渠道中生成的文案进行严格审核，防止诈骗或误导性信息传播。

实施步骤:

  1. 建立广告主白名单机制，禁止未经验证的第三方在 AI 回答中插入链接或引用。
  2. 对 AI 生成的广告文案进行事实核查，确保不夸大产品功效或做出无法兑现的承诺。
  3. 建立快速响应机制，一旦发现某个广告通过 AI 传播了恶意内容，立即全网下架。

注意事项: AI 不应为高风险的金融产品（如加密货币、高利贷）或伪科学产品提供生成式推广服务。

学习要点

  • 基于对当前行业趋势的分析，以下是关于“AI助手公司转型广告公司”的5个关键要点：
  • AI助手正在演变为新的广告投放渠道，科技巨头正试图通过在对话回复中植入付费广告来将庞大的用户群变现。
  • 传统的“搜索-点击”广告模式将发生根本性改变，广告主将转而争夺AI生成的“唯一正确答案”中的推荐位。
  • 用户信任是这一商业模式的核心隐患，如果AI为了商业利益而牺牲回答的客观性，将导致用户迅速流失。
  • 商业化压力可能会扭曲AI的输出结果，导致助手在提供信息时不再以“最有用”为标准，而是以“利润最高”为导向。
  • 原本作为生产力工具的AI助手，一旦引入广告，将面临从“帮用户完成任务”异化为“帮商家推销产品”的风险。

常见问题

1: 为什么说现在构建 AI 助手的公司本质上都变成了广告公司？

1: 为什么说现在构建 AI 助手的公司本质上都变成了广告公司？

A: 这一论断主要基于这些科技巨头（如 Google、Meta 和 Microsoft）的核心商业模式。尽管它们推出了先进的生成式 AI 助手（如 Gemini、Copilot 或 Meta AI），但它们绝大部分的收入仍然来自广告。为了维持股价和增长，这些公司必须将庞大的 AI 运营成本（算力、模型训练）货币化。最直接、最成熟的变现方式就是将广告植入到 AI 的交互结果中。因此，AI 助手不再仅仅是提供客观信息的工具，而是逐渐演变成了一个新的广告分发渠道，其设计初衷开始服务于广告主的利益，而不仅仅是用户的查询需求。

2: AI 助手中的广告与传统搜索引擎广告有什么区别？

2: AI 助手中的广告与传统搜索引擎广告有什么区别？

A: 传统搜索引擎广告通常在搜索结果页面的顶部、底部或侧边有明显的“广告”或“赞助”标识，且用户习惯于在多个蓝链接中进行扫描和点击。而在生成式 AI 的对话界面中，广告的植入更加隐蔽和原生。AI 助手可能会直接在生成的文本中推荐某个品牌或产品，或者将赞助商的内容无缝融入到回答的语境中。这种“对话式广告”打破了传统的展示界限，使得用户更难区分客观事实与付费推广，从而极大地增强了广告的诱导性和说服力。

3: 这种广告导向的模式会对 AI 回答的准确性产生什么影响？

3: 这种广告导向的模式会对 AI 回答的准确性产生什么影响？

A: 这是一个主要的风险点。当 AI 模型的训练目标或推荐算法受到广告收入的影响时，可能会产生“偏见”。例如，当用户询问“最好的降噪耳机”时，AI 可能不会根据纯粹的技术评测或客观性能来回答，而是优先推荐了支付了更高广告费的某品牌耳机。此外，为了迎合广告主，AI 可能会刻意淡化某些产品的负面评价。这种利益冲突可能导致信息质量的下降，使得用户不再能信任 AI 提供的中立性，最终损害用户体验。

4: 用户在使用这些 AI 助手时，隐私数据是否面临更大的风险？

4: 用户在使用这些 AI 助手时，隐私数据是否面临更大的风险？

A: 是的，风险显著增加。为了实现精准的广告投放，广告公司需要极其详细的用户画像。传统的搜索记录已经包含了大量敏感信息，而 AI 助手的交互更加深入和私密。用户可能会向 AI 咨询医疗建议、财务规划或个人情感问题。如果这些公司利用对话数据来训练广告推荐模型，意味着用户的隐私边界被进一步侵犯。尽管公司声称会“匿名化”处理数据，但在高度个性化的广告定位需求下，完全的隐私保护几乎是不可能的。

5: 如果不想要广告，用户是否可以通过付费订阅来获得无广告的纯净 AI 体验？

5: 如果不想要广告，用户是否可以通过付费订阅来获得无广告的纯净 AI 体验？

A: 理论上是可以的，例如 Microsoft 的 Copilot Pro 或其他订阅服务。然而，从历史经验来看，对于这些广告巨头而言，广告收入远高于订阅收入。因此，有观点认为，即使存在付费版本，免费版（作为绝大多数用户的使用入口）仍然会被广告主导。此外，为了推动更多用户点击广告，免费版 AI 的功能可能会被故意限制，或者其回答可能会被设计得更倾向于引导商业消费。除非有专门致力于隐私和无广告的独立 AI 公司出现，否则“付费免广告”可能只是一种并不彻底的妥协。

6: 这一趋势对互联网的未来意味着什么？

6: 这一趋势对互联网的未来意味着什么？

A: 这标志着互联网正在从“信息检索”向“商业推荐”深度转型。如果 AI 成为获取信息的主要入口，而该入口由广告算法控制，那么独立网站、博客和非商业性内容的流量可能会被切断。因为 AI 助手倾向于直接给出总结答案或推荐大品牌的产品，用户不再需要点击链接进入原始网站。这可能导致互联网的“花园围墙”效应更加严重，中小型内容创作者难以生存，最终导致用户接触到的信息越来越窄化，完全被少数几家科技巨头和其广告客户所主导。

思考题

## 挑战与思考题

### 挑战 1: [简单]

问题**:

假设你正在开发一个基于大语言模型（LLM）的旅游助手。用户询问：“我想去日本旅游，有什么推荐吗？”请设计一段回复，其中包含一个“软性植入”的酒店预订链接，并解释这种植入方式与传统的横幅广告在用户体验上有什么本质区别？

提示**:

引用

注：文中事实性信息以以上引用为准；观点与推断为 AI Stack 的分析。

站内链接

相关文章