Los LLMs cuestan mucho dinero de operar, y la industria está buscando cómo monetizarlos sin cobrar suscripciones prohibitivas: la publicidad es la opción más obvia, pero en un chatbot cambia de naturaleza.
Un estudio reciente muestra qué ocurre cuando la publicidad se inyecta dentro de la propia respuesta del modelo, personalizada con lo que el usuario escribe, y mide tanto impacto técnico como percepción humana.
Lo realmente nuevo: anuncios que “se mezclan” con la respuesta
En un buscador, el anuncio suele estar separado: bloque patrocinado, enlace, etiqueta, otro color. En un chatbot, el anuncio puede aparecer como una frase útil dentro de una explicación, como un “por cierto”, o como una recomendación aparentemente neutral integrada en un itinerario, una lista de herramientas o un plan de acción.
Los autores lo plantean con un ejemplo muy razonable: alguien pide recomendaciones de viaje y el chatbot puede devolver un plan completo “muy personalizado” que, casualmente, usa una plataforma concreta para reservarlo todo, empujando al usuario hacia una sola opción sin que compare alternativas.
Ese es el núcleo del asunto: el formato conversacional convierte la publicidad en narrativa, y la narrativa tiene una capacidad persuasiva muy distinta.
El experimento: un chatbot con motor publicitario “realista”
El paper no se queda en la especulación: construye un sistema que emula cómo podría ser una infraestructura de anuncios dentro de un chatbot moderno. Montan una interfaz similar a ChatGPT (historial, regeneración, markdown, etc.) y detrás integran un pipeline publicitario con piezas reconocibles para cualquiera que haya trabajado con adtech.
Elementos principales del diseño:
- Asignación de temas: el sistema clasifica cada consulta dentro de categorías jerárquicas inspiradas en la lista de la Topics API (25 temas de alto nivel y 576 subtemas) para decidir “de qué va” la conversación y poder asociar un inventario publicitario.
- Perfilado del usuario: a partir del historial, el LLM genera un perfil en JSON con inferencias de demografía, intereses y personalidad, y lo actualiza cada dos consultas.
- Inventario y “bidding” simulado: construyen una lista de 6,556 productos/marcas por subtema (nombre, descripción y URL) y simulan una puja eligiendo 10 “postores” por tema; luego usan RAG para seleccionar el producto que encaja con la consulta.
- Inyección del anuncio: el modelo integra el producto en la respuesta con prompts diseñados para que aparezca cuando sea “relevante”, con sutileza y con estilo conversacional (incluso con anécdotas personalizadas y enlaces externos).
- Disclosure tipo web: agregan un enlace “Sponsored” en las respuestas con publicidad que abre un pop‑up explicando por qué se mostró ese anuncio y qué productos se han anunciado en esa conversación.
La intención es clara: construir algo que se parezca a lo que una empresa desplegaría, no un simple ejemplo de laboratorio.
Resultados técnicos: vender no rompe el modelo (casi)
Primero responden a una pregunta incómoda para quien espera que “meter anuncios degrada la calidad”: sí degrada, pero poco. En benchmarks comparando el modelo sin prompts publicitarios contra el mismo modelo instruido para insertar anuncios, la degradación fue como máximo de alrededor del 3% en algunas pruebas (especialmente en “response desirability”), lo cual es sorprendentemente bajo.
Además miden prevalencia: tomando 1,000 chats muestreados de WildChat1M (“conversaciones en la naturaleza”), 433 respuestas generadas con su motor contenían colocación de producto/marca. Traducción: si lo diseñas para monetizar, la publicidad no será un evento raro; será parte del ritmo normal de la conversación.
Resultados humanos: casi nadie detecta los anuncios (y a veces los prefiere)
La parte más interesante es el estudio con usuarios: un experimento entre sujetos con 179 participantes para evaluar percepciones y detección. Incluso con el disclosure, el 49.15% no se dio cuenta de que se les estaba mostrando publicidad, y muchos detectaron “marcas” o “productos” sin interpretarlos como anuncios.
Todavía más provocador: en la condición sin disclosure usando GPT‑4o, los participantes llegaron a percibir las respuestas con anuncios ocultos como ligeramente más creíbles, relevantes y útiles que las respuestas control sin anuncios. Esto encaja con una intuición que a muchos nos incomoda admitir: si el anuncio está bien integrado, puede sentirse como una recomendación “extra” que mejora la respuesta, en vez de un estorbo.
Y aquí aparece otro hallazgo con implicaciones de diseño: el enlace “Sponsored” se usó poco; en vez de hacer clic, varios participantes intentaron “cambiar su configuración de anuncios” hablándole al chatbot en lenguaje natural. Es decir, la gente no quiere un aviso estilo web: quiere control conversacional, y espera que el sistema “entienda” cuando le dices “no me muestres esto”.
La consecuencia: el incentivo comercial se vuelve parte del razonamiento
Los autores dedican buena parte de su discusión a los daños potenciales, y el más importante no es “me molesta la publicidad”, sino la erosión de neutralidad y autonomía. Si el chatbot es el canal por el que planificas, aprendes o decides, y el sistema tiene incentivos económicos para empujarte hacia una marca, entonces el formato conversacional puede convertirse en una autopista para la manipulación suave: no te ordena, te sugiere con tono humano, con contexto y con continuidad.
También señalan un reto práctico enorme: auditar esto es difícil. Cuando la publicidad es texto integrado, no un bloque separado, rastrear “qué parte de la respuesta fue influida por el incentivo comercial” se vuelve una pesadilla técnica y regulatoria.
Un paso más: modelos entrenados para anunciar
El paper no se limita a prompts: crea un dataset publicitario y entrena un modelo open-source llamado Phi‑4‑Ads para servir anuncios y adaptar sutileza/frecuencia a señales del usuario. El dataset incluye 172 conversaciones con 1,212 ejemplos de publicidad y se combina con 250 conversaciones “benignas” (AgentInstruct) para cubrir tareas variadas, además de incorporar controles en lenguaje natural para ajustar la entrega de anuncios.
El mensaje de fondo es potente: no estamos ante “anuncios en chat” como accesorio, sino ante un escenario donde el propio modelo puede ser afinado para persuadir, personalizar y optimizar conversión sin que el usuario lo note.
