സംഭാഷണാത്മക പരസ്യരംഗത്തേക്കുള്ള (conversational advertising) OpenAI-യുടെ പ്രവേശനം, ഉപയോക്താവിന്റെ താൽപ്പര്യങ്ങളുമായി (user intent) പൂർണ്ണമായും ചേർന്നുനിൽക്കുന്ന അതിതീവ്രമായ വ്യക്തിഗത അനുഭവം വാഗ്ദാനം ചെയ്തിരുന്നു. എന്നിരുന്നാലും, AI അധിഷ്ഠിത ടാർഗെറ്റിംഗിന്റെ യാഥാർത്ഥ്യം അതിന്റെ ഉയർന്ന സാങ്കേതിക സാധ്യതകളിൽ നിന്ന് നിലവിൽ പിന്നിലാണെന്ന് പുതിയ വിവരങ്ങൾ സൂചിപ്പിക്കുന്നു.

ഈ വ്യത്യാസത്തിന് പിന്നിലെ വിവരങ്ങൾ

AI വിസിബിലിറ്റി പ്ലാറ്റ്‌ഫോമായ Searchable നടത്തിയ സമീപകാല വിശകലനം, ChatGPT-ക്കുള്ളിൽ പരസ്യങ്ങൾ നൽകുന്ന രീതിയിൽ വലിയ തടസ്സങ്ങൾ ഉണ്ടെന്ന് വെളിപ്പെടുത്തിയിട്ടുണ്ട്. 2026 ജൂലൈ 4 മുതൽ ഓഗസ്റ്റ് 4 വരെയുള്ള കാലയളവിൽ യഥാർത്ഥ ഉപയോക്താക്കളുടെ സംഭാഷണങ്ങൾക്കിടയിൽ നൽകപ്പെട്ട 11,000-ലധികം പരസ്യങ്ങൾ പരിശോധിച്ചതിലൂടെ, സന്ദർഭോചിതമായ പ്രസക്തിയിൽ (contextual relevance) ആശങ്കാജനകമായ ഒരു പ്രവണത ഗവേഷകർ കണ്ടെത്തി.

ChatGPT ഇന്റർഫേസിനുള്ളിൽ നൽകപ്പെട്ട പരസ്യങ്ങളിൽ ഏകദേശം മൂന്നിലൊന്ന്, പരസ്യം ചെയ്യുന്ന ഉൽപ്പന്നവുമായോ സേവനവുമായോ ഒട്ടും ബന്ധമില്ലാത്ത സംഭാഷണങ്ങളിലാണ് പ്രത്യക്ഷപ്പെട്ടതെന്ന് പഠനം കണ്ടെത്തി. മനുഷ്യനെപ്പോലെ ടെക്സ്റ്റ് നിർമ്മിക്കുന്നതിൽ Large Language Model (LLM) മികshowing ആണെങ്കിലും, പരസ്യങ്ങൾ കണ്ടെത്തുന്നതിനും അവ സന്ദർഭത്തിനനുസരിച്ച് ക്രമീകരിക്കുന്നതിനും (contextual mapping) ഉത്തരവാദിത്തപ്പെട്ട സെക്കൻഡറി ലെയർ കൃത്യത നിലനിർത്താൻ ബുദ്ധിമുട്ടുന്നു എന്നാണ് ഈ പൊരുത്തക്കേട് സൂചിപ്പിക്കുന്നത്.

LLM പരസ്യങ്ങളിലെ കൃത്യതയും സാധ്യതയും (Precision vs-Probability)

ഒരു LLM-നുള്ളിലെ പരസ്യങ്ങളുടെ അടിസ്ഥാന വാഗ്ദാനം "ഇൻ്റൻ്റ് ബേസ്ഡ് ടാർഗെറ്റിംഗ്" (intent-based targeting) എന്ന ആശയത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്. ഒരു പ്രത്യേക പദം (keyword) ഉപയോഗിക്കുമ്പോൾ പരസ്യം വരുന്നു എന്ന പരമ്പരാഗത രീതിയിൽ നിന്ന് വ്യത്യസ്തമായി, ChatGPT പരസ്യങ്ങൾ ഒരു ദീർഘമായ സംഭാഷണത്തിന്റെ അർത്ഥതലങ്ങളെ (semantic context) അടിസ്ഥാനമാക്കി വരാനാണ് ഉദ്ദേശിക്കുന്നത്. സിദ്ധാന്തപരമായി പറഞ്ഞാൽ, ഒരു ഉപയോക്താവ് ജൈവ കൃഷിയെക്കുറിച്ച് (organic gardening) ചോദിക്കുകയാണെങ്കിൽ, മോഡൽ ഉയർന്ന ഗുണനിലവാരമുള്ള മണ്ണോ അല്ലെങ്കിൽ പാരമ്പര്യ വിത്തുകളോ നിർദ്ദേശിക്കേണ്ടതാണ്.

എന്നിരുന്നാലും, നിലവിലെ രീതി പലപ്പോഴും ഈ പരീക്ഷണത്തിൽ പരാജയപ്പെടുന്നുവെന്ന് Searchable റിപ്പോർട്ട് സൂചിപ്പിക്കുന്നു. 33% പരസ്യങ്ങൾ പ്രസക്തമല്ലെന്ന് കാണപ്പെടുമ്പോൾ, സംഭാഷണത്തിന്റെ സൂക്ഷ്മതകൾ (nuance) പരസ്യ എഞ്ചിൻ എങ്ങനെ വ്യാഖ്യാനിക്കുന്നു എന്നതിലെ തകരാറാണ് ഇത് ചൂണ്ടിക്കാണിക്കുന്നത്. ഇതിന് പിന്നിൽ ചില സാങ്കേതിക കാരണങ്ങളുണ്ടാകാം:

  • Context Window Limitations: പരസ്യ എഞ്ചിൻ സംഭാഷണത്തിന്റെ മൊത്തത്തിലുള്ള വിഷയത്തേക്കാൾ ഉപരിയായി സമീപകാല സംഭാഷണങ്ങളിൽ മാത്രം ശ്രദ്ധ കേന്ദ്രീകരിച്ചേക്കാം.
  • Semantic Drift: സങ്കീർണ്ണവും ഒന്നിലധികം ഘട്ടങ്ങളുള്ളതുമായ സംഭാഷണങ്ങളിൽ ഉപയോക്താവിന്റെ ഉദ്ദേശ്യം മോഡൽ തെറ്റായി വ്യാഖ്യാനിച്ചേക്കാം.
  • Heuristic Failures: പരസ്യങ്ങൾ നൽകുന്നതിനായി സിസ്റ്റം യഥാർത്ഥ അർത്ഥം മനസ്സിലാക്കുന്നതിന് പകരം വിപുലമായ കീവേഡുകളെ (broad keyword triggers) മാത്രം ആശ്രയിച്ചേക്കാം.

എന്തുകൊണ്ട് ഇത് AI ഇക്കോസിസ്റ്റത്തിന് പ്രധാനമാണ്

"Agentic Web"-ന്റെ ഭാവിക്ക് ഈ വികാസം ഒരു നിർണ്ണായകമായ പരീക്ഷണമാണ്. കമ്പനികൾ പരമ്പരാഗത സെർച്ച് എഞ്ചിനുകളിൽ നിന്ന് AI അസിസ്റ്റന്റുകളിലേക്ക് മാറിക്കൊണ്ടിരിക്കുമ്പോൾ, ഉപയോക്താവിന്റെ അനുഭവം തകരാതിരിക്കാൻ വരുമാന മാതൃകകളും (monetization models) പരിണമിക്കേണ്ടതുണ്ട്. LLM-കൾ ഉപയോഗിച്ച് പുതിയ സംവിധാനങ്ങൾ നിർമ്മിക്കുന്ന സ്ഥാപകർക്കും ഡെവലപ്പർമാർക്കും ഇത് ഒരു വലിയ വെല്ലുവിളിയാണ്: വരുമാന മാർഗങ്ങൾ ഉൾപ്പെടുത്തുന്നതോടൊപ്പം തന്നെ ഉയർന്ന ഉപയോഗക്ഷമത നിലനിർത്തുക എന്നതാണ് പ്രധാനം.

പ്രസക്തിയുടെ പ്രശ്നം പരിഹരിക്കാൻ OpenAI-ക്ക് കഴിഞ്ഞില്ലെങ്കിൽ, ഉപയോക്താക്കൾ അനാവശ്യമായ പരസ്യങ്ങൾ ഒഴിവാക്കാൻ സംഭാഷണാത്മക അസിസ്റ്റന്റുകളെ അവഗണിക്കാനോ അല്ലെങ്കിൽ ഉപയോഗിക്കാതിരിക്കാനോ സാധ്യതയുണ്ട് (prompt fatigue). പരസ്യദാതാക്കളെ സംബന്ധിച്ചിടത്തോളം, പ്രസക്തമല്ലാത്ത പരസ്യങ്ങൾ നൽകുന്നത് പരസ്യച്ചെലവ് പാഴാക്കുന്നതിന് തുല്യമാണ്, ഇത് AI അധിഷ്ഠിത മാർക്കറ്റിംഗ് രീതികളുടെ വളർച്ചയെ മന്ദഗതിയിലാക്കിയേക്കാം.

പ്രധാന കാര്യങ്ങൾ

  • പ്രധാനപ്പെട്ട പ്രസക്തിയുടെ കുറവ്: 2026 ജൂലൈ മുതൽ ഓഗസ്റ്റ് വരെയുള്ള കാലയളവിൽ ChatGPT-യിൽ നൽകപ്പെട്ട പരസ്യങ്ങളിൽ മൂന്നിലൊന്ന് ഉപയോക്താവിന്റെ സംഭാഷണവുമായി ബന്ധമില്ലാത്തവയായിരുന്നു.
  • ഇൻ്റൻ്റ് മാപ്പിംഗ് പരാജയങ്ങൾ: നിലവിലെ AI പരസ്യ എഞ്ചിനുകൾക്ക് ഉൽപ്പന്നങ്ങളെ LLM സംഭാഷണങ്ങളുടെ സങ്കീർണ്ണമായ അർത്ഥതലങ്ങളുമായി കൃത്യമായി ബന്ധിപ്പിക്കാൻ പ്രയാസമുണ്ടെന്ന് വിവരങ്ങൾ സൂചിപ്പിക്കുന്നു.
  • ഉപയോക്തൃ അനുഭവം നേരിടുന്ന ഭീഷണി: പ്രസക്തമല്ലാത്ത പരസ്യങ്ങളുടെ ഉയർന്ന നിരക്ക് ഉപയോക്താക്കളെ നിലനിർത്തുന്നതിന് ഭീഷണിയാണ്, കൂടാതെ AI അധിഷ്ഠിത വ്യക്തിഗത സെർച്ചിന്റെ മൂല്യത്തെ ഇത് ഇല്ലാതാക്കിയേക്കാം.

AI വിസിബിലിറ്റി പ്ലാറ്റ്‌ഫോമായ Searchable നടത്തിയ പുതിയ വിശകലനമനുസരിച്ച്, OpenAI-യുടെ ChatGPT നൽകിയ പരസ്യങ്ങളിൽ ഏകദേശം മൂന്നിലൊന്ന് കേസുകളിലും അവ ലക്ഷ്യം വെച്ച കാര്യങ്ങളിൽ നിന്ന് വ്യതിചലിച്ചു. 2026 ജൂലൈ 4 മുതൽ ഓഗസ്റ്റ് 4 വരെയുള്ള കാലയളവിൽ 11,000-ലധികം പരസ്യങ്ങൾ രേഖപ്പെടുത്തിയ പഠനത്തിൽ, അവയിൽ പലതും ചുറ്റുമുള്ള സംഭാഷണവുമായി യാതൊരു ബന്ധവുമില്ലെന്ന് കണ്ടെത്തി.

വിവരങ്ങൾ എന്ത് കാണിക്കുന്നു

ChatGPT ഇന്റർഫേസിലെ യഥാർത്ഥ ഉപയോക്തൃ ഇടപെടലുകൾ പരിശോധിച്ചുകൊണ്ട്, സംഭാഷണത്തോടൊപ്പം പ്രത്യക്ഷപ്പെടുന്ന ഓരോ പരസ്യവും Searchable നിരീക്ഷിച്ചു. ഗവേഷകർ വിലയിരുത്തിയതനുസരിച്ച് ഏകദേശം 33% പരസ്യങ്ങളും ചർച്ച ചെയ്യുന്ന വിഷയവുമായി ബന്ധമില്ലാത്തവയായിരുന്നു. സിദ്ധാന്തപരമായി പറഞ്ഞാൽ, ഒരു ഉപയോക്താവ് ജൈവ കൃഷിയെക്കുറിച്ച് ചോദിക്കുകയാണെങ്കിൽ, മോഡൽ ഉയർന്ന ഗുണനിലവാരമുള്ള മണ്ണോ അല്ലെങ്കിൽ പാരമ്പര്യ വിത്തുകളോ നിർദ്ദേശിക്കേണ്ടതാണ്.

വാഗ്ദാനം ചെയ്യപ്പെട്ട "ഇൻ്റൻ്റ് ബേസ്ഡ്" ടാർഗെറ്റിംഗും നിലവിലെ സംവിധാനം നൽകുന്നതും തമ്മിലുള്ള വ്യത്യാസമാണ് ഈ പൊരുത്തക്കേട് ചൂണ്ടിക്കാണിക്കുന്നത്. പരമ്പരാഗത ഓൺലൈൻ പരസ്യങ്ങൾ ഒരു പ്രത്യേക കീവേഡ് വരുമ്പോൾ വരുന്നു; എന്നാൽ ChatGPT പരസ്യങ്ങൾ ഒരു ദീർഘമായ സംഭാഷണത്തിന്റെ ആഴത്തിലുള്ള അർത്ഥതലങ്ങളെ അടിസ്ഥാനമാക്കി വരാനാണ് ഉദ്ദേശിക്കുന്നത്. നിലവിലെ എഞ്ചിൻ ഇപ്പോഴും ഉപരിപ്ലവമായ സൂചനകളെയാണ് (surface-level cues) പ്രധാനമായും ആശ്രയിക്കുന്നത് എന്നാണ് വിവരങ്ങൾ സൂചിപ്പിക്കുന്നത്.

എന്തിനാണ് ഈ എൻജിൻ പതറുന്നത്

പരസ്യം പ്രസക്തമല്ലാതാകാൻ കാരണമായ മൂന്ന് സാങ്കേതിക പ്രശ്നങ്ങളെ Searchable റിപ്പോർട്ട് ചൂണ്ടിക്കാട്ടുന്നു:

  • Context-window പരിമിതികൾ – പരസ്യം തിരഞ്ഞെടുക്കുന്ന സംവിധാനം (ad selector), സംഭാഷണത്തിന്റെ പൊതുവായ വിഷയം നിശ്ചയിക്കുന്ന മുൻപത്തെ സംഭാഷണങ്ങൾ അവഗണിച്ച്, ഉപയോക്താവിന്റെ ഏറ്റവും പുതിയ പ്രതികരണത്തിന് മുൻഗണന നൽകുന്നതായി കാണപ്പെടുന്നു. സംഭാഷണം സാവധാനം മാറിക്കൊണ്ടിരിക്കുകയാണെങ്കിൽ, സിസ്റ്റം പ്രധാന ഉദ്ദേശ്യത്തിന് പകരം താൽക്കാലികമായ ഒരു വാചകത്തിൽ മാത്രം ശ്രദ്ധ കേന്ദ്രീകരിച്ചേക്കാം.
  • Semantic drift (അർത്ഥപരമായ വ്യതിയാനം) – ദൈർഘ്യമേറിയ സംഭാഷണങ്ങളിൽ, മോഡലിന് യഥാർത്ഥ വിഷയം വിട്ടുപോയേക്കാം, ഇത് പിന്നീട് വരുന്ന ഒരു ചോദ്യത്തെ പുതിയൊരു ഉദ്ദേശ്യമായി തെറ്റായി വ്യാഖ്യാനിക്കാൻ കാരണമാകുന്നു. ഈ വ്യതിയാനം പരസ്യ എൻജിൻ തെറ്റായ വിഭാഗങ്ങളിൽ നിന്ന് പരസ്യങ്ങൾ തിരഞ്ഞെടുക്കാൻ ഇടയാക്കും.
  • Heuristic shortcuts – പരസ്യ സംവിധാനത്തിന്റെ ആദ്യ പതിപ്പുകൾ, പൂർണ്ണമായ വാചകങ്ങളുടെ എംബെഡിംഗുകൾക്ക് (embeddings) പകരം വിശാലമായ കീവേഡ് മാച്ചുകളെയാണ് ആശ്രയിക്കുന്നത്. ഇത്തരം ലഘുവിദ്യകൾ ലളിതമായ ചോദ്യങ്ങൾക്ക് ഫലപ്രദമാണെങ്കിലും, സൂക്ഷ്മമായ വ്യത്യാസങ്ങൾ പ്രസക്തമാകുന്ന സാഹചര്യങ്ങളിൽ അവ പരാജയപ്പെടുന്നു.

ഈ പ്രശ്നങ്ങളൊന്നും പരസ്യരംഗത്തിന് മാത്രമുള്ളതല്ല; തുടർച്ചയായ ധാരണ ആവശ്യമായ ഏതൊരു ഡൗൺസ്ട്രീം ടാസ്കിലും (downstream task) ലാർജ് ലാംഗ്വേജ് മോഡലുകൾ (LLMs) പ്രയോഗിക്കുമ്പോൾ നേരിടുന്ന വിപുലമായ വെല്ലുവിളികളെ ഇവ പ്രതിഫലിപ്പിക്കുന്നു.

ആർക്കാണ് ഇതിന്റെ നഷ്ടം സംഭവിക്കുന്നത്?

ഈ പ്രസക്തിയില്ലായ്മ മൂന്ന് വിഭാഗങ്ങളെ ബാധിക്കുന്നു:

  1. ഉപയോക്താക്കൾ (Users) – വിഷയവുമായി ബന്ധമില്ലാത്ത പരസ്യങ്ങൾ ആവർത്തിച്ച് കാണുന്നത് അസിസ്റ്റന്തിയോടുള്ള വിശ്വാസം കുറയ്ക്കാൻ കാരണമാകും. അനുഭവം അനാവശ്യമായവയാകുമ്പോൾ (noisy), ഉപയോക്താക്കൾക്ക് പ്രോംപ്റ്റുകൾ നൽകുന്നതിനോട് മടുപ്പ് തോന്നുകയും പ്ലാറ്റ്‌ഫോം പൂർണ്ണമായും ഒഴിവാക്കുകയും ചെയ്തേക്കാം.
  2. പരസ്യദാതാക്കൾ (Advertisers) – താൽപ്പര്യമുള്ള പ്രേക്ഷകരിലേക്ക് എത്താതിരിക്കുന്ന പരസ്യങ്ങൾക്കായി പണം ചിലവഴിക്കുന്നത് ബജറ്റ് പാഴാക്കുന്നതിന് തുല്യമാണ്. ചിലവഴിക്കുന്ന തുകയുടെ മൂന്നിലൊന്ന് ഭാഗം പോലും പ്രസക്തമായ സാഹചര്യങ്ങളുമായി യോജിക്കുന്നില്ലെങ്കിൽ, പരസ്യത്തിനുള്ള ലാഭം (return on ad spend) ഗണ്യമായി കുറയും. ഇത് AI അധിഷ്ഠിത പരസ്യങ്ങൾക്കായി ഫണ്ട് നീക്കിവെക്കുന്നതിൽ നിന്ന് ബ്രാൻഡുകളെ പിന്തിരിപ്പിക്കും.
  3. OpenAI-യും വളർന്നുവരുന്ന "agentic web"-ഉം – സംഭാഷണാത്മകമായ AI-ൽ നിന്ന് വരുമാനം കണ്ടെത്തുക എന്നത് അതിന്റെ ഉപയോഗക്ഷമത കുറയ്ക്കാതെ തന്നെ വരുമാന മാർഗ്ഗങ്ങളെ കൃത്യമായി സംയോജിപ്പിക്കുന്നതിനെ ആശ്രയിച്ചിരിക്കുന്നു. പ്രസക്തിയുമായി ബന്ധപ്പെട്ട നിരന്തരമായ പ്രശ്നങ്ങൾ, സെർച്ച് എഞ്ചിൻ കേന്ദ്രീകൃത മാതൃകകളിൽ നിന്ന് അസിസ്റ്റന്റ് കേന്ദ്രീകൃത മാതൃകകളിലേക്കുള്ള മാറ്റത്തെ തടസ്സപ്പെടുത്തിയേക്കാം.

ചുരുക്കത്തിൽ

ChatGPT-യ്ക്കുള്ളിലെ ഉദ്ദേശ്യധിഷ്ഠിത പരസ്യങ്ങൾ (intent-based advertising) ഇപ്പോഴും വികസന ഘട്ടത്തിലാണെന്ന് Searchable വിശകലനം തെളിയിക്കുന്നു. മൂന്നിലൊന്ന് പരസ്യങ്ങൾ പോലും സംഭാഷണത്തിന്റെ പശ്ചാത്തലവുമായി പൊരുത്തപ്പെടാത്ത സാഹചര്യത്തിൽ, ഈ സാങ്കേതികവിദ്യ ഒരു നിർണ്ണായക പരീക്ഷണത്തെ നേരിടുകയാണ്: ഉപയോക്താക്കളെ നിലനിർത്താനും, പരസ്യദാതാക്കളെ തൃപ്തിപ്പെടുത്താനും, വിപുലമായ AI-അസിസ്റ്റന്റ് സമ്പദ്‌വ്യവസ്ഥയെ നിലനിർത്താനും ആവശ്യമായ രീതിയിൽ അതിന്റെ സെമാന്റിക് മാപ്പിംഗ് (semantic mapping) എത്ര വേഗത്തിൽ പരിഷ്കരിക്കാൻ കഴിയുന്നു എന്നതാണ് പ്രധാന വെല്ലുവിളി.