Upaya OpenAI ke dalam periklanan percakapan menjanjikan pengalaman hiper-personal di mana iklan selaras secara mulus dengan niat pengguna. Namun, data baru menunjukkan bahwa realitas penargetan berbasis AI saat ini belum mencapai potensi teknologi tingginya.

Data di Balik Ketidaksesuaian Tersebut

Analisis terbaru yang dilakukan oleh platform visibilitas AI, Searchable, telah mengungkapkan gesekan signifikan dalam cara iklan disajikan di dalam ChatGPT. Dengan memeriksa lebih dari 11.000 iklan yang disampaikan selama percakapan pengguna nyata antara 4 Juli dan 4 Agustus 2026, para peneliti mengidentifikasi tren yang mengkhawatirkan dalam relevansi kontekstual.

Studi tersebut menemukan bahwa sekitar sepertiga dari semua iklan yang disajikan dalam antarmuka ChatGPT muncul dalam percakapan yang sama sekali tidak relevan dengan produk atau layanan yang diiklankan. Ketidaksesuaian ini menunjukkan bahwa meskipun Large Language Model (LLM) unggul dalam menghasilkan teks yang menyerupai manusia, lapisan sekunder yang bertanggung jawab atas pengambilan iklan dan pemetaan kontekstual sedang berjuang untuk mempertahankan presisi yang tinggi.

Presisi vs. Probabilitas dalam Periklanan LLM

Janji mendasar dari periklanan dalam LLM didasarkan pada konsep "penargetan berbasis niat" (intent-based targeting). Berbeda dengan pencarian kata kunci tradisional, di mana iklan dipicu oleh istilah tertentu, iklan ChatGPT dimaksudkan untuk dipicu oleh konteks semantik dari dialog berformat panjang. Secara teori, jika seorang pengguna bertanya tentang berkebun organik, model tersebut harus menyarankan tanah berkualitas tinggi atau benih warisan (heirloom seeds).

Namun, laporan Searchable menunjukkan bahwa implementasi saat ini sering kali gagal dalam pengujian ini. Ketika 33% iklan dianggap tidak relevan, hal ini menunjukkan adanya kegagalan dalam cara mesin periklanan menafsirkan nuansa percakapan. Ini bisa disebabkan oleh beberapa faktor teknis:

  • Keterbatasan Context Window: Mesin iklan mungkin berfokus pada giliran percakapan terbaru daripada topik menyeluruh.
  • Semantic Drift: Model mungkin salah menafsirkan niat pengguna selama dialog multi-turn yang kompleks.
  • Kegagalan Heuristik: Sistem mungkin mengandalkan pemicu kata kunci yang luas daripada pemahaman semantik yang sebenarnya untuk menyajikan iklan.

Mengapa Ini Penting bagi Ekosistem AI

Perkembangan ini merupakan uji litmus kritis bagi masa depan "Agentic Web." Seiring perusahaan bertransisi dari mesin pencari tradisional ke asisten AI, model monetisasi harus berevolusi untuk memastikan mereka tidak menurunkan pengalaman pengguna. Bagi para pendiri dan pengembang yang membangun di atas LLM, hal ini menyoroti tantangan signifikan: mempertahankan utilitas tinggi sambil mengintegrasikan aliran pendapatan.

Jika OpenAI tidak dapat memecahkan masalah relevansi, mereka berisiko menghadapi "prompt fatigue," di mana pengguna mulai mengabaikan atau secara aktif menghindari asisten percakapan untuk menghindari iklan yang mengganggu dan tidak nyambung. Bagi pengiklan, tingkat ketidakrelevanan yang tinggi mewakili pemborosan biaya iklan yang signifikan, yang berpotensi memperlambat adopsi pemasaran terintegrasi AI.

Poin-Poin Penting

  • Kesenjangan Relevansi yang Signifikan: Sepertiga iklan yang disajikan di ChatGPT antara Juli dan Agustus 2026 ditemukan tidak relevan dengan percakapan pengguna yang sedang berlangsung.
  • Kegagalan Pemetaan Niat: Data menunjukkan bahwa mesin periklanan AI saat ini kesulitan untuk memetakan penawaran produk secara akurat ke dalam konteks semantik yang kompleks dari dialog LLM.
  • Risiko Pengalaman Pengguna: Tingkat ketidakrelevanan iklan yang tinggi menimbulkan ancaman terhadap retensi pengguna dan dapat merusak proposisi nilai utama dari pencarian personal berbasis AI.

ChatGPT milik OpenAI menampilkan iklan yang meleset dalam sekitar sepertiga kasus, menurut analisis baru oleh platform visibilitas AI, Searchable. Studi tersebut, yang mencatat lebih dari 11.000 impresi iklan antara 4 Juli dan 4 Agustus 2026, menemukan bahwa banyak dari iklan tersebut tidak memiliki relevansi dengan percakapan di sekitarnya.

Apa yang ditunjukkan oleh data

Searchable memeriksa interaksi pengguna secara real-time di antarmuka ChatGPT, melacak setiap iklan yang muncul bersamaan dengan dialog. Sekitar 33% iklan dinilai oleh para peneliti tidak terkait dengan topik yang sedang dibahas. Secara teori, jika seorang pengguna bertanya tentang berkebun organik, model tersebut harus menyarankan tanah berkualitas tinggi atau benih warisan (heirloom seeds).

Ketidaksesuaian ini menunjukkan adanya celah antara penargetan "berbasis niat" yang dijanjikan dengan apa yang diberikan sistem saat ini. Iklan online tradisional muncul ketika kata kunci tertentu muncul; iklan ChatGPT seharusnya muncul berdasarkan makna semantik yang lebih dalam dari percakapan multi-turn. Data menunjukkan bahwa mesin yang mendasarinya masih sangat bergantung pada isyarat tingkat permukaan (surface-level cues).

Mengapa mesin ini tersendat

Laporan Searchable mencantumkan tiga penyebab teknis yang kemungkinan besar memicu ketidakrelevanan tersebut:

  • Batasan jendela konteks – Pemilih iklan tampaknya memprioritaskan interaksi pengguna terbaru, mengabaikan percakapan sebelumnya yang menetapkan topik secara keseluruhan. Jika percakapan bergeser secara bertahap, sistem mungkin terpaku pada frasa sementara alih-alih niat intinya.
  • Pergeseran semantik – Dalam dialog yang lebih panjang, model dapat kehilangan jejak subjek asli, menafsirkan pertanyaan berikutnya sebagai niat baru. Pergeseran ini dapat menyebabkan mesin iklan mengambil data dari kelompok semantik yang salah.
  • Jalan pintas heuristik – Versi awal sistem iklan mengandalkan kecocokan kata kunci yang luas alih-alih full-sentence embeddings. Jalan pintas semacam itu berhasil untuk kueri sederhana, tetapi gagal ketika nuansa menjadi penting.

Tidak ada dari masalah ini yang unik untuk periklanan; semuanya mencerminkan tantangan yang lebih luas dalam menerapkan model bahasa besar (LLM) pada tugas hilir apa pun yang memerlukan pemahaman berkelanjutan.

Siapa yang akan dirugikan

Kesenjangan relevansi ini berdampak pada tiga kelompok:

  1. Pengguna – Paparan iklan yang tidak relevan secara berulang dapat mengikis kepercayaan terhadap asisten. Ketika pengalaman terasa “berisik”, pengguna mungkin mengalami kelelahan perintah (prompt fatigue) dan menghindari platform tersebut sepenuhnya.
  2. Pengiklan – Membayar untuk impresi yang tidak pernah mencapai audiens yang reseptif adalah pemborosan anggaran. Jika sepertiga dari pengeluaran tidak menghasilkan keselarasan kontekstual, pengembalian belanja iklan (return on ad spend) akan turun tajam, sehingga membuat merek enggan mengalokasikan dana untuk penempatan berbasis AI.
  3. OpenAI dan “agentic web” yang sedang berkembang – Kemampuan untuk memonetisasi AI percakapan bergantung pada integrasi aliran pendapatan yang bersih tanpa mengorbankan kegunaan. Masalah relevansi yang terus-menerus dapat menghambat pergeseran dari model yang berpusat pada mesin pencari ke