对话式AI引入广告：信任边界与技术设计

一、事件背景

近期，一家AI公司在大型体育赛事直播的广告时段播出短片，以幽默方式讽刺竞争对手计划在对话回答中加入商业推广内容的做法。另一家AI公司的负责人随后公开回应，认为该广告有趣，但指责其对比不诚实。

争议集中在两个问题上：对话式助手是否应当植入广告，以及广告是否会影响回答的客观性。这两个问题不只属于营销范畴，它们直接决定产品的架构、数据流向和用户信任的设计方式。本文聚焦工程视角，不评判双方说法的对错。

二、为什么对话式广告比传统展示广告更敏感

传统展示广告与内容之间有明确的版面边界。用户看到页面侧边的横幅，通常能判断它与正文无关。对话式产品则不同，回答以自然语言呈现，用户默认将其视为经过推理的结论。如果商业内容混入回答，用户很难在短时间内区分两者。

这种敏感性可以拆解为三个维度：

1. 相关性冲突：广告通常依据用户意图和出价排序。若同一套排序逻辑影响答案的选材，回答就可能偏向付费方。
2. 披露可见性：广告是否清楚标识，决定用户能否识别其性质。
3. 激励一致性：商业目标与用户目标不一致时，系统需要预先定义明确的优先级规则。

搜索引擎多年来的实践已经形成“广告与自然结果分区展示并显著标注”的通行做法。这一经验可以迁移到对话场景，但对话界面没有固定的版面分区，需要额外设计。

三、系统分层：让广告决策与回答生成相互隔离

工程上最重要的原则是：回答生成链路不能读取广告决策的结果，也不能接收广告相关字段作为输入。推荐将系统拆为四层：

• 回答层：基于用户问题和可信来源生成内容，只使用与事实和任务相关的上下文。
• 策略层：根据会话意图、用户设置和合规规则，判断是否允许展示商业内容。
• 呈现层：将回答与广告分开渲染，固定标识的位置与样式。
• 审计层：记录每次展示的策略版本、广告标识和披露状态，支持事后核查。

下面的伪代码展示了这种隔离关系：

function handle_turn(user_query, session):
    # 回答层：不接收任何广告字段
    answer = generate_answer(
        query = user_query,
        sources = retrieve_sources(user_query)
    )
    # 策略层：独立判断是否允许商业内容
    slot = ad_policy.evaluate(
        intent = classify_intent(user_query),
        user_settings = session.settings,
        policy_version = current_policy_version()
    )
    # 呈现层：分开渲染，广告必须带标识
    if slot.allowed and slot.item is not None:
        return render(answer = answer, sponsored = {
            item = slot.item,
            label = "赞助内容",
            placement = "answer_below"
        })
    return render(answer = answer)

这段代码的关键在于参数列表。generate_answer 只接收查询和来源，不接收 slot。这样，即使广告策略发生变化，回答逻辑也不受影响，测试也更容易编写。

四、披露设计：标识要清楚，位置要独立

披露设计直接影响用户能否分辨内容性质。实践中可参考以下规则：

• 标识文字使用“广告”或“赞助内容”等通用表述，字号和对比度不低于正文。
• 广告内容与回答之间保留明显间距，并使用不同的背景色或边框。
• 不允许把广告包装成回答中的一句事实陈述，也不允许用广告内容替代事实性结论。
• 在语音等没有视觉界面的场景，播报前应明确说明“以下为赞助内容”，不能省略。
• 同一套披露规则覆盖所有语言版本，避免某个版本的标识被弱化。

上线前可以做小规模披露测试。邀请未参与开发的测试者阅读对话截图，询问他们能否判断哪部分是广告。若正确率偏低，应优先调整标识的样式和位置，而不是增加解释性文字。

五、把“诚实承诺”转化为可验证的规则

公开政策常使用“不影响回答客观性”之类的表述。工程团队需要把这类承诺转换为可测试的规则，否则它只停留在宣传层面。转换可分为三步：

1. 文档化：将承诺拆成具体条款，例如“回答内容不得包含付费排序结果”。
2. 配置化：在代码