OpenAI’s foray into conversational advertising promised a hyper-personalized experience where ads align seamlessly with user intent. However, new data suggests that the reality of AI-driven targeting is currently falling short of its high-tech potential.

Данные, стоящие за этим несоответствием

Недавний анализ, проведенный платформой видимости ИИ Searchable, выявил значительные трудности в том, как реклама подается внутри ChatGPT. Изучив более 11 000 объявлений, показанных в ходе реальных пользовательских диалогов в период с 4 июля по 4 августа 2026 года, исследователи выявили тревожную тенденцию в контекстуальной релевантности.

Исследование показало, что примерно треть всех объявлений, показанных в интерфейсе ChatGPT, появлялись в разговорах, которые были совершенно не связаны с рекламируемым продуктом или услугой. Это несоответствие говорит о том, что, хотя большая языковая модель (LLM) отлично справляется с генерацией человекоподобного текста, вторичный уровень, отвечающий за поиск рекламы и контекстуальное сопоставление, с трудом поддерживает высокую точность.

Точность против вероятности в рекламе на базе LLM

Фундаментальное обещание рекламы внутри LLM основано на концепции «таргетинга на основе намерений». В отличие от традиционного поиска по ключевым словам, где объявление запускается конкретным термином, реклама в ChatGPT должна запускаться семантическим контекстом развернутого диалога. В теории, если пользователь спрашивает об органическом садоводстве, модель должна предложить качественный грунт или семена старинных сортов.

Однако отчет Searchable указывает на то, что текущая реализация часто не проходит этот тест. Когда 33% объявлений воспринимаются как нерелевантные, это указывает на сбой в том, как рекламный движок интерпретирует нюансы разговора. Это может быть вызвано несколькими техническими факторами:

  • Ограничения контекстного окна: рекламный движок может фокусироваться на последних репликах в разговоре, а не на общей теме.
  • Семантический дрейф: модель может неверно интерпретировать намерения пользователя во время сложных многоходовых диалогов.
  • Ошибки эвристики: система может полагаться на широкие триггеры ключевых слов, а не на истинное семантическое понимание, для показа рекламы.

Почему это важно для экосистемы ИИ

Это событие является критическим лакмусовым тестом для будущего «Агентного веба» (Agentic Web). По мере того как компании переходят от традиционных поисковых систем к ИИ-ассистентам, модели монетизации должны эволюционировать, чтобы не ухудшать пользовательский опыт. Для основателей и разработчиков, строящих свои решения на базе LLM, это подчеркивает серьезную проблему: как поддерживать высокую полезность продукта, интегрируя при этом потоки доходов.

Если OpenAI не сможет решить проблему релевантности, они рискуют столкнуться с «усталостью от промптов» (prompt fatigue), когда пользователи начнут игнорировать или активно избегать разговорного ассистента, чтобы обойти навязчивую, неуместную рекламу. Для рекламодателей высокий уровень нерелевантности означает значительную потерю рекламного бюджета, что потенциально замедлит внедрение маркетинга, интегрированного с ИИ.

Основные выводы

  • Значительный разрыв в релевантности: Было обнаружено, что треть объявлений, показанных в ChatGPT в период с июля по август 2026 года, не имели отношения к текущему разговору пользователя.
  • Сбои в сопоставлении намерений: Данные свидетельствуют о том, что современные рекламные движки на базе ИИ с трудом точно сопоставляют предложения продуктов со сложным семантическим контекстом диалогов LLM.
  • Риск для пользовательского опыта: Высокий уровень нерелевантности рекламы представляет угрозу для удержания пользователей и может подорвать основное ценностное предложение персонализированного поиска на базе ИИ.

Согласно новому анализу платформы видимости ИИ Searchable, ChatGPT от OpenAI показывал рекламу, которая не попадала в цель примерно в трети случаев. Исследование, зафиксировавшее более 11 000 показов рекламы в период с 4 июля по 4 августа 2026 года, показало, что многие из этих объявлений не имели никакого отношения к окружающему разговору.

Что показывают данные

Searchable изучила взаимодействия пользователей с интерфейсом ChatGPT в режиме реального времени, отслеживая каждое объявление, появлявшееся вместе с диалогом. Исследователи сочли, что примерно 33% объявлений не связаны с обсуждаемой темой. В теории, если пользователь спрашивает об органическом садоводстве, модель должна предложить качественный грунт или семена старинных сортов.

Это несоответствие указывает на разрыв между обещанным таргетингом «на основе намерений» и тем, что предоставляет текущая система. Традиционная онлайн-реклама срабатывает при появлении конкретного ключевого слова; реклама в ChatGPT должна срабатывать на более глубоком семантическом смысле многоходового разговора. Данные указывают на то, что лежащий в основе движок все еще в значительной степени опирается на поверхностные признаки.

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:

  1. 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.
  2. 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.
  3. 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.