Архитектура рекламной платформы ChatGPT: как LLM управляет контекстом и аукционами
Инженеры OpenAI рассказали о создании новой рекламной системы для чат-бота. Платформа на базе дообученной LLM достигла годовой выручки в 1 млрд долларов менее чем за 200 дней после запуска.
В октябре 2026 года инженеры OpenAI Ритендра Датта и Картик Гопалратнам опубликовали детали архитектуры рекламной системы ChatGPT. Традиционные рекламные платформы строятся вокруг конкретных действий пользователя: поискового запроса или просмотра страницы. Однако в диалоговых интерфейсах намерения формируются постепенно, на протяжении нескольких реплик. Чтобы адаптироваться к этой парадигме, компания разработала систему с нуля.
В классическом поиске система получает запрос, находит подходящие объявления, ранжирует их, проводит аукцион и показывает результат. В ChatGPT пользователь часто приходит с широкой целью, например, планированием поездки или выбором программного обеспечения. Детали проясняются по мере общения. Если бы система реагировала только на первое сообщение, она могла бы неверно интерпретировать намерения, что ухудшило бы пользовательский опыт.
Flow diagram showing a user conversation branching into a ChatGPT answer path that produces an organic response and a separate ads eligibility and serving path that produces a clearly labeled sponsored placement.
Для решения этой задачи инженеры OpenAI приняли три ключевых архитектурных решения. Во-первых, были внедрены рекламные сессии с сохранением состояния (stateful sessions). Система запоминает информацию на протяжении всего диалога и адаптируется к изменениям контекста, а не опирается на один изолированный запрос.
Во-вторых, управлением процессом занимается отдельная большая языковая модель (LLM), прошедшая специальное дообучение. Эту модель называют «оркестратором». Она анализирует контекст беседы и использует архитектуру вызова инструментов (tool calls) для выполнения всех этапов: поиска кандидатов, оценки качества, ранжирования и проведения аукциона. Оркестратор работает в агентном цикле, постоянно обновляя данные по мере поступления новых сообщений от пользователя.
В-третьих, процесс выбора рекламы полностью изолирован от генерации ответов самого ChatGPT. Рекламная система работает как независимый сервис со своими моделями и кодом. Это гарантирует, что реклама никак не влияет на нейтральность ответов основного чат-бота. Кроме того, если рекламный сервер работает медленно или недоступен, генерация ответов продолжается без сбоев.
Architecture diagram showing conversation context and user profile feeding an ads orchestrator with retrieval, relevance estimation, event prediction, eligibility, pacing and budgets, and auction and pricing tools that balance user and advertiser value.
Эффективность такого подхода подтверждается цифрами. По данным компании, менее чем за 200 дней после запуска ChatGPT Ads достигла показателя годовой выручки (annualized revenue run rate) в 1 млрд долларов. За это время рекламу на платформе разместили более 100 000 рекламодателей.
Разделение систем генерации текста и показа рекламы устанавливает высокую планку качества. Отсутствие рекламного объявления считается нормальным и успешным исходом сессии. Система показывает рекламу только в том случае, если оркестратор определяет, что она принесет явную пользу как пользователю, так и рекламодателю, соблюдая баланс их интересов.
Использование LLM в качестве оркестратора рекламных аукционов демонстрирует, как агентные системы могут справляться со сложными задачами в реальном времени. Способность модели переписывать контекст диалога в семантические векторы для поиска и отличать актуальные намерения от устаревших открывает новые возможности для монетизации диалоговых интерфейсов без ущерба для доверия пользователей.
Flow diagram showing rewritten queries encoded into high-dimensional semantic embeddings, searched across regular ads, product ads, and optional strategies, then combined into a broad candidate pool.
Sequence diagram showing an ad winner prepared by the serving system, final checks by ChatGPT, display in the user experience, and acknowledgements that distinguish selection from successful delivery.
Flow diagram showing an eligible ChatGPT turn producing product, ads serving, and quality outcomes that pass through privacy-controlled analytics to aggregate measurement and permitted model-improvement data.
Scaling Storage for 1 Billion ChatGPT Users (Part I) card image
Jalapeño inference — Art Card
Continuous voice interaction with GPT Live - art card
TL;DR
Главное
OpenAI создала рекламную систему для ChatGPT, управляемую отдельной LLM, которая анализирует весь контекст диалога и работает изолированно от генерации ответов бота.
Ключевые факты
- /Менее чем за 200 дней после запуска ChatGPT Ads достигла годовой выручки (run rate) в 1 млрд долларов.
- /Более 100 000 рекламодателей воспользовались платформой с момента запуска.
- /Управление рекламой осуществляет специальная дообученная LLM («оркестратор») через вызовы инструментов (tool calls).
- /Рекламная система работает как отдельный сервис, не влияя на ответы и стабильность самого ChatGPT.
Инсайт
Отсутствие показа рекламы заложено в систему как базовый успешный сценарий: независимость рекламного модуля позволяет боту вообще ничего не продавать, если контекст диалога не дает четкого коммерческого сигнала.
