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 助手逐渐融入日常生活，其背后的商业模式正在悄然转变。文章指出，几乎所有致力于构建智能助手的科技企业，本质上都在向广告公司靠拢，试图在对话中植入营销信息。这一趋势不仅关乎商业变现，更直接影响用户对信息真实性的判断与隐私边界。阅读本文，你将了解这一变化的底层逻辑，以及它如何重新定义我们与 AI 的交互规则。

评论

核心评价：AI 商业化的必然转折与潜在陷阱

中心观点： 文章揭示了 AI 行业当前面临的根本性商业矛盾：由于高昂的推理成本和资本回报压力，AI 助手正不可避免地从“订阅制的纯粹工具”转向“广告驱动的推荐引擎”，这标志着行业从“搜索即服务”向“对话即服务”变现模式的强制迁徙。

深度评价分析

1. 内容深度与论证严谨性

  • 事实陈述：文章敏锐地捕捉到了 OpenAI 与媒体公司的版权纠纷、Google 在 SGE 中的广告植入测试，以及 Perplexity 引入“赞助问答”等近期行业动态。
  • 你的推断：文章的论证逻辑建立在“单位经济效益”这一核心痛点上。目前的 LLM 推理成本远高于传统搜索，单纯的 $20/月 订阅制难以覆盖高频用户的算力成本。文章指出的“广告是唯一能规模化补贴边际成本的手段”这一论点，在经济学上是高度严谨的。
  • 批判性思考：然而，文章略微低估了“企业级 SaaS”市场的消化能力。微软 Copilot 的主要收入来源并非个人订阅，而是企业 E5 套件。在企业内部，数据隐私是红线，广告植入几乎是不可能的。因此，文章的论点更适用于ToC 消费级市场，而非整个 AI 行业。

2. 实用价值与实际工作指导

  • 对产品经理的启示：文章指出了“信任成本”的危机。当 AI 开始推荐商品时，其作为“客观助手”的权威性会迅速瓦解。对于从业者而言，这意味着产品设计需要重新平衡“转化率”与“用户信任”。
  • 对广告主的挑战：传统的搜索广告是基于“用户主动意图”的匹配，而 AI 对话中的广告是“生成式”的。这要求广告投放策略从关键词匹配转向基于上下文的语义生成，这对广告素材的生成提出了新要求。

3. 创新性与新观点

  • 作者观点：文章提出了一个犀利的隐喻：AI 助手正在变成“没有网页的搜索引擎”。这并非技术上的创新，而是商业模式上的“旧瓶装新酒”。
  • 你的推断：真正的创新点在于文章隐含指出的**“原生广告的生成式化”**。未来的广告不再是蓝色的链接，而是 AI 吐出的一段话，例如：“为了做这道菜，我建议你使用 XX 牌的酱油，因为……”。这种将广告内容“无感化”融入生成的技术，是行业未曾面对过的挑战。

4. 行业影响与争议点

  • 争议点：最大的争议在于“幻觉”与“广告”的结合。如果 AI 为了广告主利益而编造推荐理由（例如推荐了一个并不存在的最佳产品），其法律责任归属目前尚无定论。
  • 行业影响：这可能导致 AI 行业的分层。上层是“付费无广告”的私有模型（如 GPT-4 Pro），下层是“免费含广告”的公域模型（如 Google SGE 免费版）。这种“数字鸿沟”将决定谁能获得更纯粹的信息。

支撑理由与边界条件

支撑理由（为什么 AI 公司必然成为广告公司）：

  1. 算力成本的不可持续性：[事实陈述] 每一次 LLM 推理都有显著的电力和 GPU 成本。随着模型参数增大，成本不降反升。单纯依靠订阅费，一旦用户使用频率过高，API 成本就会吞噬利润。
  2. 资本市场的增长压力：[你的推断] 纳斯达克对科技公司的估值逻辑要求指数级增长。订阅制有天花板（SaaS 增长放缓），而广告制依托于交易流水，理论上无上限。
  3. 用户对免费的价格刚性：[事实陈述] 互联网用户已经习惯了免费获取信息。让大众为 AI 助手支付每月几十美元存在巨大的心理阻力，广告是降低用户支付门槛的唯一杠杆。

反例 / 边界条件（在什么情况下该观点不成立）：

  1. 垂直领域的专业模型：[你的推断] 在法律、医疗、金融等高价值领域，用户对“客观性”的需求远高于“免费”。这些领域的 AI 会坚持高价订阅模式，严禁广告干扰，否则会丧失专业信用。
  2. 硬件即服务的边际成本递减：[事实陈述] 如果端侧 AI（如 Apple Intelligence）完全在本地运行，推理的边际成本接近于零，那么设备厂商（如 Apple）不需要通过广告回本，他们可以通过卖硬件溢价获利。

可验证的检查方式

为了验证“AI 公司正在转变为广告公司”这一趋势，可以观察以下指标和实验窗口：

  1. 观察窗口：OpenAI 或 Google 的财报电话会议

    • 检查指标：关注“广告收入”或“赞助合作”字眼的提及频率。如果 OpenAI 开始设立专门的销售团队对接广告主，或者引入“推荐合作伙伴”计划，即证实该观点。

  2. A/B 测试实验

    • 检查指标：使用不同的提示词向 AI 提问消费类问题（如“推荐一款降噪耳机”）。
    • 验证方式：观察 AI 的回答中是否出现特定的品牌链接，且该链接是否与回扣/联盟营销机制有关。如果非付费会员的回答中频繁出现带有追踪参数的购买链接，即证实

代码示例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

# 示例1：AI助手广告注入检测
def detect_ad_injection(user_query, ai_response):
    """
    检测AI助手回复中是否包含广告内容
    :param user_query: 用户原始查询
    :param ai_response: AI助手的回复
    :return: (bool, str) 是否包含广告及广告内容
    """
    # 常见广告关键词模式
    ad_patterns = [
        "推荐产品", "限时优惠", "点击购买", 
        "赞助商", "广告", "推广链接"
    ]
    
    # 检查回复中是否包含广告关键词
    for pattern in ad_patterns:
        if pattern in ai_response:
            return True, f"检测到广告关键词: {pattern}"
    
    # 检查回复是否明显偏离用户查询
    query_keywords = set(user_query.split())
    response_keywords = set(ai_response.split())
    relevance = len(query_keywords & response_keywords) / len(query_keywords)
    
    if relevance < 0.3:  # 相关性低于30%可能包含广告
        return True, "回复与查询相关性过低，可能包含广告"
    
    return False, "未检测到广告"

# 测试用例
print(detect_ad_injection("天气怎么样", "今天天气不错，顺便推荐您购买我们的雨伞"))  # 包含广告
print(detect_ad_injection("如何学习Python", "Python是一门编程语言..."))  # 正常回复

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

# 示例2：广告内容过滤
def filter_ads(text):
    """
    过滤文本中的广告内容
    :param text: 原始文本
    :return: 过滤后的文本
    """
    # 广告模式列表
    ad_patterns = [
        r"点击这里购买.*",
        r"限时优惠.*",
        r"赞助商.*",
        r"推荐产品.*"
    ]
    
    import re
    filtered_text = text
    
    # 使用正则表达式移除广告内容
    for pattern in ad_patterns:
        filtered_text = re.sub(pattern, "", filtered_text, flags=re.IGNORECASE)
    
    return filtered_text.strip()

# 测试用例
original = "Python很好学，点击这里购买我们的Python课程，限时优惠！"
filtered = filter_ads(original)
print(f"原始: {original}")
print(f"过滤后: {filtered}")

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

# 示例3：广告点击率分析
def analyze_ad_performance(ad_data):
    """
    分析广告点击率数据
    :param ad_data: 广告数据列表，每个元素为(广告ID, 展示次数, 点击次数)
    :return: 分析结果字典
    """
    results = []
    
    for ad_id, impressions, clicks in ad_data:
        # 计算点击率(CTR)
        ctr = clicks / impressions if impressions > 0 else 0
        
        # 计算置信区间(95%)
        import math
        if clicks > 0:
            ci = 1.96 * math.sqrt((ctr * (1 - ctr)) / impressions)
        else:
            ci = 0
            
        results.append({
            "ad_id": ad_id,
            "ctr": ctr,
            "ci": ci,
            "performance": "高" if ctr > 0.05 else "中" if ctr > 0.02 else "低"
        })
    
    return results

# 测试用例
ad_data = [
    ("ad001", 1000, 50),  # 5% CTR
    ("ad002", 800, 10),   # 1.25% CTR
    ("ad003", 1200, 30)   # 2.5% CTR
]
analysis = analyze_ad_performance(ad_data)
for result in analysis:
    print(f"广告 {result['ad_id']}: CTR={result['ctr']:.2%}, 表现={result['performance']}")

案例研究

1：Perplexity AI

1：Perplexity AI

背景: Perplexity 是一家新兴的 AI 搜索引擎公司，致力于通过大语言模型为用户提供直接、准确的答案，而非传统的链接列表。为了维持其免费订阅服务的运营并支付高昂的推理算力成本，该公司需要寻找除了付费订阅之外的收入来源。

问题: 尽管用户增长迅速，但仅依靠用户订阅难以覆盖高昂的 GPU 和模型调用成本。此外，传统的横幅广告会破坏 AI 问答的沉浸式体验，如何在不牺牲用户体验的前提下实现商业化是核心难题。

解决方案: Perplexity 推出了“赞助问答”功能。当用户查询与特定品牌相关的问题时，AI 会在生成的回答旁边展示相关的品牌广告。例如，当用户询问“如何制作拿铁咖啡”时，回答下方会出现一个带有“赞助”标签的咖啡机品牌链接或广告卡片。此外，他们还计划推出类似“购物广告”的商家付费模式，让商家在用户搜索特定商品时获得推荐。

效果: 这种模式将广告无缝融入 AI 的生成内容中，既保留了对话的流畅性，又为商家提供了精准的流量入口。据报道，Perplexity 已借此实现了数千万美元的年化收入，证明了在 AI 搜索结果中植入原生广告的可行性。

2：Microsoft & Copilot

2：Microsoft & Copilot

背景: 微软在其 Office 产品线（如 Word, Excel）和 Windows 操作系统中深度集成了 AI 助手 Copilot，旨在通过 AI 提高用户的生产力。

问题: Copilot 的运行需要消耗巨大的算力资源。如果仅依靠向企业用户收取高额的订阅费（如每用户每月 30 美元），可能会限制其在中小企业和个人用户中的普及率。微软急需一种方式来降低用户的使用门槛，同时分摊基础设施成本。

解决方案: 微软推出了免费的 Copilot Pro 版本（附带广告），并在 Bing Chat（现更名为 Copilot）的对话中引入了广告模式。具体而言，当用户通过 Copilot 查询购物建议或旅行规划时，AI 会在生成的文本回答中自然地引用赞助商的产品链接或推荐特定的服务。微软还允许广告主购买特定的关键词，使 AI 在相关话题讨论中优先提及该品牌。

效果: 通过将传统的搜索广告业务逻辑迁移到 AI 对话场景中，微软成功地将庞大的广告主资源转化为了 AI 助手的变现能力。这不仅降低了普通用户使用 AI 的门槛，也使得 Copilot 能够在免费用户群中维持运营，为微软构建了新的广告增长曲线。

3：Amazon & Rufus AI

3：Amazon & Rufus AI

背景: 亚马逊推出了名为 Rufus 的 AI 购物助手，内置于其移动应用中，旨在帮助客户通过自然语言对话来寻找商品、比较价格和获取购物建议。

问题: 电商平台的推荐系统通常是基于“商品陈列”的逻辑，而 AI 对话是基于“回答问题”的逻辑。如果 AI 只是客观地回答哪个产品好，亚马逊可能会失去其核心的广告收入（即商家付费购买曝光位）。如何让 AI 在保持“助手”中立性的同时，仍能通过引导用户购买高利润或赞助商品来获利，是关键挑战。

解决方案: 亚马逊将广告算法直接植入到了 Rufus 的生成逻辑中。当用户向 Rufus 询问“最好的跑鞋有哪些”时，Rufus 不仅会列出评价高的产品，还会优先展示那些购买了“Sponsored Products”（赞助商品）广告位的商品。AI 会将这些赞助商品以“推荐”的形式自然地编织在对话回复中，有时甚至会专门提及赞助品牌的特色功能。

效果: 这种做法将广告从静态的展示位变成了动态的对话内容。对于用户来说，这看起来像是 AI 的智能建议；对于亚马逊来说，这是其广告业务在 AI 时代的直接延伸。它有效地提升了高广告出价商品的转化率，同时强化了 AI 助手作为“购物导购”的商业价值。

最佳实践

最佳实践指南

实践 1：建立透明的数据使用与广告政策

说明: 鉴于 AI 助手可能成为广告投放渠道，企业必须明确界定用户数据如何用于广告定位以及推荐算法的工作机制。透明度是建立用户信任的基石，特别是在生成式 AI 产生的内容与商业意图混合时。

实施步骤:

  1. 制定并公开发布隐私政策，明确说明 AI 助手是否会利用对话内容来投放广告。
  2. 在 AI 返回包含推广性质的内容时，必须添加显著的标识（如“广告”或“推广”标签）。
  3. 提供用户可控的隐私设置，允许用户选择退出基于个人行为的广告追踪。

注意事项: 避免在隐私政策中使用模糊的法律术语，应使用通俗易懂的语言。如果声称“不利用个人数据投放广告”，则需严格遵守该承诺，仅使用上下文广告而非行为定向广告。

实践 2：确保核心功能的完整性

说明: 广告变现不应损害 AI 助手的核心实用价值。如果用户感觉到为了获得点击而被迫查看广告，或者广告干扰了问题的解决，他们将迅速放弃该产品。优先级必须是“先解决问题，再考虑商业化”。

实施步骤:

  1. 设定严格的广告展示频率上限，确保对话流不被频繁打断。
  2. 规定广告只能在 AI 完成核心回答后出现，或者作为侧边栏/附属信息展示，绝不能作为主要回答内容。
  3. 建立 A/B 测试机制，持续监控广告加载对用户任务完成率的影响。

注意事项: 严禁将广告内容伪装成客观事实或中立建议。例如，当用户询问“最好的笔记本电脑”时，不应仅返回赞助商的产品。

实践 3：实施严格的广告内容审核机制

说明: 生成式 AI 具有幻觉风险，若与广告内容结合，可能会生成误导性、虚假甚至有害的推荐。企业必须对广告主及其素材进行比传统搜索引擎更严格的审核，以防止 AI 助手成为诈骗或劣质产品的传播渠道。

实施步骤:

  1. 建立白名单机制，初期仅允许经过严格验证的品牌投放广告。
  2. 对广告链接进行安全扫描，确保其不指向钓鱼网站或包含恶意软件。
  3. 人工复核 AI 生成的广告文案，确保其符合事实且不包含夸大宣传。

注意事项: 特别注意医疗、金融等高风险领域的广告推荐，避免因 AI 的错误引导导致法律诉讼或用户安全受损。

实践 4：维护算法的中立性与公平性

说明: 商业化压力可能导致算法偏见，即 AI 倾向于推荐出价最高的广告主而非最符合用户需求的内容。为了保持长期信誉，必须平衡商业利益与回答质量。

实施步骤:

  1. 将“相关性”和“帮助性”作为排名的首要信号，将“出价价格”作为次要信号。
  2. 定期进行“盲测”或审计，检查搜索结果是否过度偏向特定赞助商。
  3. 开发独立的“纯净模式”或付费订阅版，为不想接触广告的用户提供无商业干扰的选择。

注意事项: 避免“付费排名”完全主导对话结果。如果 AI 助手为了广告费而推荐明显较差的产品，将严重损害品牌声誉。

实践 5：遵循原生广告的自然语言规范

说明: 在对话式界面中，传统的横幅广告往往体验不佳。广告应以自然语言的形式融入对话流，但这带来了伦理挑战。必须确保这种“原生”形式不会欺骗用户。

实施步骤:

  1. 设计专门的广告提示词模板，使其在语气上与正常回答有所区分，或明确标注“赞助内容”。
  2. 训练 AI 模型识别何时适合提及商业产品（例如用户明确寻求购买建议时），何时应绝对避免（例如用户寻求情感支持时）。
  3. 确保广告内容的语言风格与 AI 助手的人设保持一致，避免突兀的营销话术。

注意事项: 在敏感场景（如讨论心理健康、法律危机等）完全禁用广告插播，以免造成用户的不适或误解。

实践 6：构建用户反馈与申诉通道

说明: 自动化广告系统难免会出现错误匹配或不当展示。建立一个高效的反馈机制，让用户能轻易报告“糟糕的广告”或“误导性推荐”，是持续优化体验的关键。

实施步骤:

  1. 在每条广告或推荐内容旁设置“举报”或“反馈”按钮。
  2. 利用用户反馈数据来训练广告过滤模型，自动降低低质量广告的展示权重。
  3. 定期分析反馈数据，识别系统性问题（例如某类广告普遍不受欢迎）。

注意事项: 对用户的反馈必须给予即时响应或确认，让用户知道他们的声音被听到了，这能有效缓解因不良广告带来的负面情绪。

学习要点

  • 基于对当前AI行业商业模式的分析，以下是总结出的关键要点：
  • AI助手的免费服务模式迫使开发者必须通过广告或商业推荐来维持高昂的算力成本。
  • 搜索广告因其高利润特性，正成为大语言模型（LLM）实现商业闭环的最可行路径。
  • 未来的AI助手将不再仅仅是中立的查询工具，而是会通过“隐性植入”来引导用户消费的导购平台。
  • 用户需要警惕AI生成的“客观建议”实际上可能是基于商业合作而非真实需求的推荐结果。
  • 传统的搜索引擎优化（SEO）正在演变为针对AI模型的“生成式优化”，旨在让AI优先输出特定品牌的内容。
  • 这种转变标志着互联网从“信息检索”向“商业推荐”的彻底转型，用户获取信息的客观性将面临挑战。

常见问题

1: 为什么说现在的 AI 助手开发公司本质上都变成了广告公司？

1: 为什么说现在的 AI 助手开发公司本质上都变成了广告公司？

A: 这一论断主要基于商业模式的转变。随着 AI 助手（如 ChatGPT、Copilot、Perplexity 等）的运营成本极高（包括算力、电力和模型训练费用），单纯的订阅费用往往难以覆盖成本。为了寻求盈利和增长，这些公司开始引入“原生广告”或“赞助内容”。例如，当用户询问旅游建议时，AI 可能会推荐某个付费赞助的航空公司；或者在搜索结果中插入带有广告标记的链接。这种将商业推广直接融入生成内容的模式，使得它们的行为逻辑与传统依靠广告盈利的科技公司（如 Google 或 Meta）越来越相似。

2: AI 助手中的广告与传统搜索引擎中的广告有什么区别？

2: AI 助手中的广告与传统搜索引擎中的广告有什么区别？

A: 虽然两者最终目的都是推广，但呈现方式有本质区别。传统搜索引擎通常在搜索结果页面的顶部或底部明确划分出“广告”区域，用户可以区分自然排名和付费链接。而在 AI 助手中，广告往往更加隐蔽，它可能被“生成”在回答的正文之中，或者以“引用”的形式出现，这种形式被称为“原生广告”或“程序化广告”。这种界限的模糊使得用户更难分辨哪些是客观信息，哪些是付费推广，从而对信息的客观性构成了挑战。

3: 这种趋势会对用户体验产生什么负面影响？

3: 这种趋势会对用户体验产生什么负面影响？

A: 最直接的影响是信任度的缺失和信息的偏见。如果 AI 助手的回答受到广告商的影响，它可能会倾向于推荐付费赞助的产品，而不是客观上最适合用户的产品。此外，为了容纳广告，AI 的回答可能会变得冗长或偏离用户原本的意图。用户在使用时不得不时刻保持警惕，去甄别信息的真实性，这大大降低了 AI 作为高效助手的实用价值，也违背了用户最初使用该工具的初衷。

4: AI 公司为什么不能只靠订阅费生存，非要通过广告盈利？

4: AI 公司为什么不能只靠订阅费生存，非要通过广告盈利？

A: AI 产业的成本结构非常特殊。每一次用户查询（Inference）都需要昂贵的图形处理器（GPU）进行大量计算，这被称为“推理成本”。随着用户基数的扩大，边际成本并不会像传统软件那样趋近于零，而是线性甚至指数级增长。目前的订阅费（如 ChatGPT Plus 的 $20/月）虽然看似不菲，但对于重度用户和免费用户来说，往往无法覆盖其背后的算力消耗。为了维持免费层级的吸引力（用于数据收集和市场份额）以及实现股东要求的盈利增长，引入广告收入被视为目前最可行的变现路径。

5: 用户如何识别并应对 AI 助手中的隐性广告？

5: 用户如何识别并应对 AI 助手中的隐性广告？

A: 目前识别的难度正在增加，但用户仍可以采取一些策略。首先，观察 AI 是否在回答中无缘无故地推荐特定品牌或服务，尤其是当该推荐与上下文关联度不高时。其次，留意回答中是否包含“赞助”、“推广”或“广告合作”等字样（部分公司承诺会进行标注）。在应对方面，用户应保持批判性思维，不要完全依赖 AI 的单一答案进行购买决策，而是通过多方渠道核实信息。此外，如果某款 AI 助手广告过多，用户可以考虑转向那些明确承诺“无广告”且通过付费订阅维持运营的垂直类 AI 工具。

6: 这种“广告化”趋势对 AI 行业的长期发展意味着什么？

6: 这种“广告化”趋势对 AI 行业的长期发展意味着什么？

A: 这可能导致 AI 行业出现严重的“利益冲突”。如果 AI 模型的训练目标或输出结果受到广告主的影响，算法的客观性将被破坏，进而导致“算法偏见”的合法化。长期来看，这可能会引发监管机构的介入，强制要求 AI 公司披露广告植入机制。同时，这也可能催生一个新的市场细分：即主打“隐私保护”和“零广告”的高端 AI 服务，这部分服务将收取更高的费用，以换取纯粹、无干扰的智能体验。

思考题

## 挑战与思考题

### 挑战 1: [简单]

问题**:

请列举出三个主流的 AI 助手或大语言模型（LLM）产品，并分析其目前的商业模式中，是否存在通过数据变现、广告植入或流量分发的潜在路径。

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