ورود OpenAI به حوزه تبلیغات گفتگومحور، نویدبخش تجربهای فوقشخصیسازیشده بود که در آن تبلیغات بهطور یکپارچه با قصد کاربر همسو میشوند. با این حال، دادههای جدید نشان میدهند که واقعیتِ هدفگیری مبتنی بر هوش مصنوعی در حال حاضر از پتانسیلهای تکنولوژیک بالای خود فاصله دارد.
دادههای پشت این عدم تطابق
تحلیل اخیر که توسط پلتفرم قابلیت مشاهده هوش مصنوعی، Searchable، انجام شده است، اصطکاک قابلتوجهی را در نحوه نمایش تبلیغات در ChatGPT نشان داده است. پژوهشگران با بررسی بیش از ۱۱,۰۰۰ تبلیغ ارائه شده در طول گفتگوهای واقعی کاربران بین ۴ جولای تا ۴ آگوست ۲۰۲۶، روند نگرانکنندهای را در مرتبط بودن با بافتار (contextual relevance) شناسایی کردند.
این مطالعه نشان داد که تقریباً یکسوم از تمام تبلیغات نمایش داده شده در رابط کاربری ChatGPT، در گفتگوهایی ظاهر شدهاند که کاملاً با محصول یا خدمات تبلیغشده بیارتباط بودهاند. این عدم تطابق نشان میدهد که اگرچه مدل زبانی بزرگ (LLM) در تولید متنهای انسانگونه عالی عمل میکند، اما لایه ثانویهای که مسئول بازیابی تبلیغات و نگاشت بافتاری (contextual mapping) است، در حفظ دقت بالا با مشکل مواجه است.
دقت در برابر احتمال در تبلیغات LLM
وعده اصلی تبلیغات در یک LLM بر پایه مفهوم «هدفگیری مبتنی بر قصد» (intent-based targeting) استوار است. برخلاف جستجوهای سنتی با کلمات کلیدی که در آن یک تبلیغ توسط یک عبارت خاص فعال میشود، تبلیغات ChatGPT قرار است توسط بافتار معنایی (semantic context) یک گفتگوی طولانی فعال شوند. در تئوری، اگر کاربری درباره باغبانی ارگانیک سوال کند، مدل باید خاک باکیفیت یا بذرهای اصیل را پیشنهاد دهد.
با این حال، گزارش Searchable نشان میدهد که پیادهسازی فعلی اغلب در این آزمون شکست میخورد. وقتی ۳۳٪ از تبلیغات بیربط تشخیص داده میشوند، این نشاندهنده نقص در نحوه تفسیر ظرافتهای گفتگو توسط موتور تبلیغاتی است. این مسئله میتواند ناشی از چندین عامل فنی باشد:
- محدودیتهای پنجره بافتار (Context Window): موتور تبلیغاتی ممکن است به جای تمرکز بر موضوع کلی، بر چرخشهای اخیر گفتگو تمرکز کند.
- انحراف معنایی (Semantic Drift): مدل ممکن است قصد کاربر را در طول گفتگوهای پیچیده و چندمرحلهای اشتباه تفسیر کند.
- شکستهای هیوریستیک (Heuristic Failures): سیستم ممکن است برای نمایش تبلیغات، به جای درک معنایی واقعی، بر محرکهای گسترده کلمات کلیدی تکیه کند.
چرا این موضوع برای اکوسیستم هوش مصنوعی اهمیت دارد
این تحول، یک آزمون تعیینکننده برای آینده «Agentic Web» است. با انتقال شرکتها از موتورهای جستجوی سنتی به دستیاران هوش مصنوعی، مدلهای درآمدزایی باید تکامل یابند تا اطمینان حاصل شود که تجربه کاربری را کاهش نمیدهند. برای بنیانگذاران و توسعهدهندگانی که بر پایه LLMها فعالیت میکنند، این موضوع یک چالش بزرگ را برجسته میکند: حفظ کاربرد بالا در عین ادغام جریانهای درآمدی.
اگر OpenAI نتواند مشکل مرتبط بودن را حل کند، با خطر «خستگی از پرامپت» (prompt fatigue) مواجه خواهد شد؛ وضعیتی که در آن کاربران برای فرار از تبلیغات مزاحم و بیربط، شروع به نادیده گرفتن یا اجتناب فعالانه از دستیار گفتگومحور میکنند. برای تبلیغکنندگان، نرخ بالای بیارتباط بودن تبلیغات نشاندهنده اتلاف قابلتوجه بودجه تبلیغاتی است که میتواند پذیرش بازاریابی یکپارچه با هوش مصنوعی را کند کند.
نکات کلیدی
- شکاف قابلتوجه در مرتبط بودن: مشخص شد که یکسوم از تبلیغات نمایش داده شده در ChatGPT بین جولای و آگوست ۲۰۲۶ با گفتگوی جاری کاربر بیارتباط بودهاند.
- شکست در نگاشت قصد: دادهها نشان میدهند که موتورهای تبلیغاتی فعلی هوش مصنوعی در نگاشت دقیق محصولات به بافتار معنایی پیچیده گفتگوهای LLM با مشکل مواجه هستند.
- ریسک تجربه کاربری: نرخ بالای بیارتباط بودن تبلیغات، تهدیدی برای حفظ کاربر محسوب میشود و میتواند ارزش پیشنهادی اصلی جستجوی شخصیسازیشده مبتنی بر هوش مصنوعی را تضعیف کند.
طبق تحلیل جدید پلتفرم Searchable، تبلیغات ChatGPT از OpenAI در حدود یکسوم موارد، با هدف اصلی مطابقت نداشتند. این مطالعه که بیش از ۱۱,۰۰۰ نمایش تبلیغ را بین ۴ جولای تا ۴ آگوست ۲۰۲۶ ثبت کرده است، دریافت که بسیاری از آن تبلیغات هیچ ارتباطی با گفتگوی پیرامون خود نداشتند.
آنچه دادهها نشان میدهند
Searchable تعاملات واقعی کاربران در رابط کاربری ChatGPT را بررسی کرد و هر تبلیغی را که در کنار گفتگو ظاهر میشد، ردیابی نمود. تقریباً ۳۳٪ از تبلیغات توسط پژوهشگران بهعنوان موارد غیرمرتبط با موضوع مورد بحث قضاوت شدند. در تئوری، اگر کاربری درباره باغبانی ارگانیک سوال کند، مدل باید خاک باکیفیت یا بذرهای اصیل را پیشنهاد دهد.
این عدم تطابق به شکافی بین هدفگیری وعدهدادهشده «مبتنی بر قصد» و آنچه سیستم فعلی ارائه میدهد، اشاره دارد. تبلیغات آنلاین سنتی زمانی فعال میشوند که یک کلمه کلیدی خاص ظاهر شود؛ اما قرار است تبلیغات ChatGPT بر اساس معنای عمیقتر معنایی یک گفتگوی چندمرحلهای فعال شوند. دادهها نشان میدهند که موتور زیرساختی همچنان به شدت بر نشانههای سطحی تکیه دارد.
Why the engine stumbles
Searchable’s report lists three technical culprits that likely drive the irrelevance:
- Context-window limits – The ad selector appears to prioritize the most recent user turn, ignoring earlier exchanges that set the overall topic. If a conversation shifts gradually, the system may latch onto a transient phrase rather than the core intent.
- Semantic drift – In longer dialogues the model can lose track of the original subject, interpreting a later question as a new intent. This drift can cause the ad engine to pull from the wrong semantic bucket.
- Heuristic shortcuts – Early versions of the ad system rely on broad keyword matches instead of full-sentence embeddings. Such shortcuts work for simple queries but break down when nuance matters.
None of these issues are unique to advertising; they echo broader challenges in applying large language models (LLMs) to any downstream task that requires sustained comprehension.
Who stands to lose
The relevance gap matters to three groups:
- Users – Repeated exposure to off-topic ads can erode trust in the assistant. When the experience feels “noisy,” users may develop prompt fatigue and avoid the platform altogether.
- Advertisers – Paying for impressions that never reach a receptive audience wastes budget. If a third of spend yields no contextual alignment, return on ad spend drops sharply, discouraging brands from allocating funds to AI-driven placements.
- OpenAI and the emerging “agentic web” – The ability to monetize conversational AI hinges on clean integration of revenue streams without compromising utility. Persistent relevance problems could stall the shift from search-engine-centric models to assistant-centric ones.
Bottom line
The Searchable analysis proves that intent-based advertising inside ChatGPT is still a work in progress. With one-third of ads failing to match conversation context, the technology faces a decisive test: refine its semantic mapping fast enough to keep users engaged, advertisers satisfied, and the broader AI-assistant economy viable.