OpenAI च्या संवादात्मक जाहिरातींमधील (conversational advertising) प्रवेशाने एक अति-वैयक्तिकृत (hyper-personalized) अनुभव देण्याचे आश्वासन दिले होते, जिथे जाहिराती वापरकर्त्याच्या हेतूशी (user intent) सुसंगत असतील. तथापि, नवीन डेटा असे सूचित करतो की AI-चालित टार्गेटिंगची वास्तविकता सध्या तिच्या उच्च-तंत्रज्ञान क्षमतेच्या तुलनेत कमी पडत आहे.
या विसंगतीमागील डेटा
AI व्हिजिबिलिटी प्लॅटफॉर्म, Searchable द्वारे केलेल्या अलीकडील विश्लेषणामध्ये ChatGPT मध्ये जाहिराती कशा प्रकारे दाखवल्या जातात, यामध्ये मोठी अडचण असल्याचे दिसून आले आहे. ४ जुलै ते ४ ऑगस्ट २०२६ दरम्यान वास्तविक वापरकर्त्यांच्या संवादादरम्यान दाखवल्या गेलेल्या ११,००० हून अधिक जाहिरातींचे परीक्षण करून, संशोधकांनी संदर्भात्मक सुसंगततेमध्ये (contextual relevance) एक चिंताजनक कल ओळखला आहे.
या अभ्यासात असे दिसून आले की, ChatGPT इंटरफेसमध्ये दाखवल्या जाणाऱ्या सर्व जाहिरातींपैकी अंदाजे एक तृतीयांश जाहिराती अशा संवादांमध्ये आल्या ज्या जाहिरात केल्या जाणाऱ्या उत्पादन किंवा सेवेशी पूर्णपणे असंबद्ध होत्या. ही विसंगती असे सूचित करते की, जरी Large Language Model (LLM) मानवासारखा मजकूर तयार करण्यात उत्कृष्ट असले, तरी जाहिरात शोधणे (ad retrieval) आणि संदर्भात्मक मॅपिंगसाठी (contextual mapping) जबाबदार असलेली दुय्यम स्तर उच्च अचूकता राखण्यासाठी संघर्ष करत आहे.
LLM जाहिरातींमधील अचूकता विरुद्ध संभाव्यता (Precision vs-Probability)
LLM मधील जाहिरातींचे मूलभूत आश्वासन "हेतू-आधारित टार्गेटिंग" (intent-based targeting) या संकल्पनेवर आधारित आहे. पारंपारिक कीवर्ड सर्चच्या उलट, जिथे एखादी विशिष्ट शब्दामुळे जाहिरात ट्रिगर होते, तिथे ChatGPT च्या जाहिराती लांबलचक संवादाच्या अर्थपूर्ण संदर्भाद्वारे (semantic context) ट्रिगर होणे अपेक्षित आहे. सिद्धांतानुसार, जर वापरकर्त्याने सेंद्रिय बागायतीबद्दल (organic gardening) विचारले, तर मॉडेलने उच्च दर्जाची माती किंवा पारंपरिक बियाण्यांची (heirloom seeds) शिफारस केली पाहिजे.
तथापि, Searchable च्या अहवालात असे दिसून येते की सध्याची अंमलबजावणी अनेकदा या चाचणीत अपयशी ठरते. जेव्हा ३३% जाहिराती असंबद्ध वाटतात, तेव्हा ते जाहिरात इंजिन संवादातील बारकावे (nuance) कसे समजून घेते, यातील त्रुटीकडे निर्देश करते. याची काही तांत्रिक कारणे असू शकतात:
- Context Window मर्यादा: जाहिरात इंजिन संपूर्ण विषयाऐवजी संवादातील अलीकडील वळणांवर लक्ष केंद्रित करत असावे.
- Semantic Drift (अर्थातील बदल): जटिल, बहु-स्तरीय संवादादरम्यान मॉडेल वापरकर्त्याचा हेतू चुकीचा समजू शकते.
- Heuristic त्रुटी: जाहिराती दाखवण्यासाठी सिस्टम खऱ्या अर्थाच्या अर्थपूर्ण समजण्याऐवजी व्यापक कीवर्ड ट्रिगर्सवर अवलंबून असू शकते.
AI इकोसिस्टमसाठी हे का महत्त्वाचे आहे
ही घडामोड "Agentic Web" च्या भविष्यासाठी एक महत्त्वपूर्ण कसोटी आहे. जसे कंपन्या पारंपारिक सर्च इंजिनकडून AI असिस्टंटकडे वळत आहेत, तसे युजर एक्सपिरियन्स (user experience) खराब होऊ नये यासाठी मॉनिटायझेशन मॉडेल्समध्ये बदल होणे आवश्यक आहे. LLMs वर आधारित काम करणाऱ्या संस्थापकांसाठी आणि डेव्हलपर्ससाठी, हे एक मोठे आव्हान अधोरेखित करते: महसूल स्त्रोत (revenue streams) समाविष्ट करताना उच्च उपयुक्तता कशी टिकवून ठेवायची.
जर OpenAI या सुसंगततेची समस्या सोडवू शकले नाही, तर त्यांना "प्रॉम्प्ट फॅटीग" (prompt fatigue) चा धोका आहे, जिथे वापरकर्ते त्रासदायक आणि असंबद्ध जाहिराती टाळण्यासाठी संवादात्मक असिस्टंटकडे दुर्लक्ष करू लागतील किंवा तो वापरणे टाळतील. जाहिरातदारांसाठी, जाहिरातींची ही असंबद्धता जाहिरात खर्चाचा मोठा अपव्यय दर्शवते, ज्यामुळे AI-एकात्मिक मार्केटिंगचा स्वीकार मंदावू शकतो.
मुख्य निष्कर्ष
- महत्त्वाची सुसंगततेची तफावत: जुलै आणि ऑगस्ट २०२६ दरम्यान ChatGPT मध्ये दाखवल्या गेलेल्या जाहिरातींपैकी एक तृतीयांश जाहिराती वापरकर्त्याच्या चालू संवादाशी असंबद्ध आढळल्या.
- हेतू मॅपिंगमधील त्रुटी: डेटा असे सूचित करतो की सध्याची AI जाहिरात इंजिन्स उत्पादनांची माहिती LLM संवादाच्या जटिल अर्थपूर्ण संदर्भाशी अचूकपणे जोडण्यास संघर्ष करत आहेत.
- युजर एक्सपिरियन्सचा धोका: जाहिरातींच्या असंबद्धतेचे उच्च प्रमाण वापरकर्त्यांना टिकवून ठेवण्यासाठी धोका निर्माण करू शकते आणि AI-चालित वैयक्तिकृत सर्चच्या मुख्य मूल्याला बाधा आणू शकते.
AI-व्हिजिबिलिटी प्लॅटफॉर्म Searchable च्या नवीन विश्लेषणानुसार, OpenAI च्या ChatGPT ने सुमारे एक तृतीयांश प्रकरणांमध्ये चुकीच्या जाहिराती दाखवल्या. ४ जुलै ते ४ ऑगस्ट २०२६ दरम्यान ११,००० हून अधिक जाहिरात इम्प्रेसन्स (ad impressions) नोंदवणाऱ्या या अभ्यासात असे दिसून आले की, त्यातील अनेक जाहिरातींचा आजूबाजूच्या संवादाशी कोणताही संबंध नव्हता.
डेटा काय दर्शवतो
Searchable ने ChatGPT इंटरफेस मधील रिअल-टाइम वापरकर्ता संवाद तपासले आणि संवादासोबत दिसणाऱ्या प्रत्येक जाहिरातीचा मागोवा घेतला. संशोधकांनी अंदाजे ३३% जाहिराती चर्चेच्या विषयाशी असंबद्ध असल्याचे ठरवले. सिद्धांतानुसार, जर वापरकर्त्याने सेंद्रिय बागायतीबद्दल विचारले, तर मॉडेलने उच्च दर्जाची माती किंवा पारंपरिक बियाण्यांची शिफारस केली पाहिजे.
ही विसंगती आश्वासित "हेतू-आधारित" टार्गेटिंग आणि सध्याची प्रणाली काय प्रदान करते, यातील तफावत दर्शवते. पारंपारिक ऑनलाइन जाहिराती एखादा विशिष्ट कीवर्ड आल्यावर दिसतात; ChatGPT च्या जाहिराती बहु-स्तरीय संवादाच्या सखोल अर्थपूर्ण अर्थावर आधारित असणे अपेक्षित आहे. डेटा असे सूचित करतो की मूळ इंजिन अजूनही पृष्ठभागावरील संकेतांवर (surface-level cues) मोठ्या प्रमाणावर अवलंबून आहे.
इंजिन का अडखळते
Searchable च्या अहवालात तीन तांत्रिक कारणांचा उल्लेख आहे, ज्यामुळे जाहिरातींची अप्रासंगिकता वाढण्याची शक्यता आहे:
- Context-window मर्यादा – जाहिरात निवडक (ad selector) वापरकर्त्याच्या सर्वात अलीकडील संवादाला प्राधान्य देतो असे दिसते, ज्यामुळे मूळ विषय ठरवणारे आधीचे संवाद दुर्लक्षित केले जातात. जर संवाद हळूहळू बदलत असेल, तर प्रणाली मूळ हेतूऐवजी एखाद्या तात्पुरत्या वाक्याला पकडून ठेवू शकते.
- Semantic drift (अर्थाचा विचल) – लांब संवादांमध्ये मॉडेल मूळ विषयाचा मागोवा गमावू शकते आणि नंतरच्या प्रश्नाचा अर्थ नवीन हेतू असा लावू शकते. या विचलनामुळे जाहिरात इंजिन चुकीच्या संदर्भातून (semantic bucket) माहिती घेऊ शकते.
- Heuristic shortcuts (अंदाज आधारित शॉर्टकट्स) – जाहिरात प्रणालीच्या सुरुवातीच्या आवृत्त्या पूर्ण वाक्यांच्या एम्बेडिंग्जऐवजी (embeddings) केवळ व्यापक कीवर्ड मॅचिंगवर अवलंबून असतात. असे शॉर्टकट्स साध्या प्रश्नांसाठी उपयुक्त ठरतात, परंतु जेव्हा सूक्ष्म फरक महत्त्वाचा असतो तेव्हा ते अपयशी ठरतात.
यातील कोणतीही समस्या केवळ जाहिरातींपुरती मर्यादित नाही; त्या मोठ्या भाषा मॉडेल्सचा (LLMs) वापर करून सतत आकलन आवश्यक असलेल्या कोणत्याही कार्यामध्ये येणाऱ्या व्यापक आव्हानांचे प्रतिबिंब आहेत.
कोणाचे नुकसान होऊ शकते
ही प्रासंगतेची तफावत तीन गटांसाठी महत्त्वाची आहे:
- वापरकर्ते (Users) – विषयाला धरून नसलेल्या जाहिराती वारंवार पाहिल्यामुळे असिस्टंटवरील विश्वास कमी होऊ शकतो. जेव्हा अनुभव "गोंधळलेला" (noisy) वाटतो, तेव्हा वापरकर्ते 'प्रॉम्प्ट फॅटीग' (prompt fatigue) जाणवू शकते आणि प्लॅटफॉर्मचा वापर करणे पूर्णपणे टाळू शकतात.
- जाहिरातदार (Advertisers) – अशा इम्प्रेसन्ससाठी पैसे मोजणे जे कधीही योग्य प्रेक्षकांपर्यंत पोहोचत नाहीत, हा बजेटचा अपव्यय आहे. जर खर्चाचा एक तृतीयांश भाग संदर्भाशी सुसंगत नसेल, तर जाहिरातीवरील गुंतवणुकीचा परतावा (return on ad spend) वेगाने कमी होतो, ज्यामुळे ब्रँड्स AI-आधारित जाहिरातींसाठी निधी खर्च करण्यास कचरतात.
- OpenAI आणि उदयोन्मुख “agentic web” – संवादात्मक AI चे व्यापारीकरण करण्याची क्षमता उपयुक्तता कमी न करता महसूल स्रोतांच्या सुव्यवस्थित एकत्रीकरणावर अवलंबून आहे. प्रासंगतेच्या सततच्या समस्यांमुळे सर्च-इंजिन-केंद्रित मॉडेल्सकडून असिस्टंट-केंद्रित मॉडेल्सकडे होणारा बदल मंदावू शकतो.
थोडक्यात सांगायचे तर
Searchable च्या विश्लेषणामुळे हे सिद्ध होते की ChatGPT मधील हेतू-आधारित (intent-based) जाहिरात प्रक्रिया अजूनही प्रगतीपथावर आहे. एक तृतीयांश जाहिराती संवादाच्या संदर्भाशी जुळण्यास अपयशी ठरत असल्याने, या तंत्रज्ञानासमोर एक निर्णायक कसोटी आहे: वापरकर्त्यांना गुंतवून ठेवण्यासाठी, जाहिरातदारांना समाधानी ठेवण्यासाठी आणि व्यापक AI-असिस्टंट अर्थव्यवस्थेला सक्षम ठेवण्यासाठी त्याचे 'सेमँटिक मॅपिंग' (semantic mapping) वेगाने सुधारणे आवश्यक आहे.