看不见的广告牌：当广告贿赂了模型的判断

一、一个更准确的坐标系：See-Interest-Decision-Action

传统营销漏斗把一次消费决策拆成四段：See(看见)、Interest(产生兴趣)、Decision(做出决定)、Action(付诸行动)。搜索竞价、信息流广告、种草笔记、达人测评，本质上都在抢占前两段——让用户看见、让用户觉得值得进一步了解。

这一百年的广告史有一条隐藏的边界：无论投放多凶猛，Decision 和 Action 从未被外包。用户可能因为一条广告而产生兴趣，但最终“买不买”“选哪个”“什么时候下单”，一直握在用户自己手里。广告主能做的最好结果，是让自己进入用户比较的候选项，而不是替用户做完比较。

AI Agent 改变的正是这条边界。

当用户不再逐页浏览搜索结果，而是直接问私人 Agent“适合我妈的保健品怎么选”“北京周末亲子餐厅推荐哪家”“给孩子选哪套英语课”，Agent 给出的不是一份候选清单，而是一个已经替用户完成比较之后的结论——这就是 Decision 阶段被接管。如果 Agent 紧接着还能直接下单、预约、支付，Action 阶段也被同一个主体接了过去。

这就是“看不见的广告牌”这个说法要抓住的现象：Agent 说出的每一句建议，都像立在用户面前的一块广告牌，只是这块广告牌用户看不见——他们以为自己看到的是中立判断。真正的问题不是传统意义上的塞广告，而是商业力量正试图从 See、Interest 这两个传统战场，一路贿赂进 Decision 和 Action——用户从未外包过的两段自主权。通过训练语料、微调数据、检索源、知识库、排序机制和平台激励，品牌能做的，就是让模型在没有显式广告提示的情况下，把这块广告牌悄悄立在 Decision 背后，让 Action 更容易在这些品牌处发生。

这个判断方向成立，但必须先划清边界。现有证据已经支持“模型可能被训练数据、后门样本、推荐激励和商业目标影响”：研究显示，少量投毒样本就可能让模型在特定触发词下产生系统性偏差；对话式广告实验也显示，用户很难识别嵌入回答中的广告。与此同时，目前还不能直接证明主流模型公司已经普遍出售“把某品牌绑定到高性价比、安全可靠”等内部表征的服务。

因此，更准确的说法是：看不见的广告牌还不是一个已经完全坐实的产业事实，而是一个技术条件、商业动机和监管缺口正在同时成形的风险——风险的具体形态，就是 Decision 和 Action 这两段自主权正在从用户手里悄悄转移。

二、为什么这比传统原生广告更难治理：争夺对象从内容变成了自主权本身

传统原生广告的问题，是广告看起来像内容——用户可能误以为一篇测评、一条视频或一篇笔记来自独立创作者，实际背后存在商业合作。放进漏斗坐标看，这仍然只是在 See/Interest 阶段做手脚：让广告伪装成能让人产生兴趣的内容。监管的基本思路也相对明确：广告应当可识别，商业关系应当披露。

Agent 时代的问题更深一层：商业影响不再停留在 See/Interest 的伪装，而是直接进入了 Decision 的生成机制，并可能延伸到 Action 的执行环节。

当私人 Agent 对用户说“根据你的预算和孩子情况，我建议优先考虑 A 课程”，用户接受的不是一条广告文案，而是一段替自己完成的 Decision。这个 Decision 可能包含真实证据，也可能受到候选集、检索源、排序权重、平台商业关系和模型默认偏好的影响——而用户往往分不清自己看到的是 See/Interest 阶段的一份信息，还是已经是 Decision 阶段的结论。

这里有三个难点，分别对应漏斗被压缩之后暴露的三处盲区。

第一，用户很难识别自己正处在漏斗的哪一段。传统广告至少有展示形态，用户知道自己在“看广告”(See/Interest)。Agent 推荐则把 See、Interest、Decision 合并成一句回答，用户看到的直接是结论，不会意识到自己的 Decision 权已经被代劳。

第二，开发者也未必能完全解释 Decision 的偏置来源。偏好可能来自训练数据，也可能来自实时检索、平台排序、商业合作接口、用户画像或模型对某类文本的表达偏好。偏置不一定藏在参数里，也可能藏在数据供应链和工具调用链里——而这条链路，恰恰是 Decision 真正生成的地方。

第三，品牌影响会变得更像“事实优势”，持续压低进入 Decision 候选集的门槛。当某个品牌长期生产高质量白皮书、结构化参数、专家文章、测评材料和标准化 FAQ，它更容易被 AI 抓取、引用、并写进 Decision 的论证过程。这不一定违法，却可能使资源强者在 Decision 阶段获得持续放大的默认优势。

所以，“看不见的广告牌”的关键不在于是否有人秘密改了模型参数，而在于商业影响从可见的 See/Interest 广告层，下沉到了用户从未让渡过的 Decision 与 Action 层。

三、中国产业语境：平台本来就攥着完整的 SIDA 闭环

放到中国市场，这个风险更具体——因为 See、Interest、Decision、Action 这四段，中国头部平台早就设法圈在了同一个闭环里。

公开统计显示，截至 2025 年 6 月，中国大陆网民规模约 11.23 亿，手机网民约 11.16 亿。用户获取信息(See)、产生兴趣(Interest)、比价决策(Decision)、下单履约(Action)，长期依赖搜索、短视频信息流、电商推荐、本地生活排序和社交平台种草——而且往往在同一个 App 里一次性走完。

百度搜索排序、淘宝/天猫/京东/拼多多的商品推荐，覆盖的是 See；抖音/快手的信息流种草、小红书和知乎的内容种草，覆盖的是 Interest；平台自带的比价、评测、客服问答，早已在替用户做部分 Decision；而支付、物流、售后，则是 Action 阶段现成的履约闭环。AI Agent 出现后，变化不在于广告开始影响选择，而在于这四段原本分散在列表、瀑布流、搜索页和客服窗口里的动作，被压缩进一句回答、一个推荐、一个自动执行的购买路径——由同一个 Agent 一次性完成。

中国的头部平台也天然具备把 See、Interest、Decision、Action 四段一起交给 Agent 的条件。百度有搜索和文心生态，阿里有电商和通义模型，腾讯有微信入口和元宝，字节有豆包、抖音和内容分发，京东、美团、携程、小红书等平台也会把大模型嵌入购物、本地生活、旅行、种草和客服场景——这些平台原本就同时拥有 See(流量)、Interest(内容)、Decision(比价/评测系统)和 Action(交易/履约系统)，把它们拼进一个 Agent，是整合而不是新建。

品牌方真正关心的，将不只是“我的广告有没有被看见”(See 层面的老问题)，而是：

• Agent 在用户提问时是否把我纳入 Decision 的候选集；
• Agent 是否引用我的资料作为 Decision 的证据；
• Agent 是否把我的品牌描述成可信、适配、性价比合理；
• Agent 是否在关键比较维度上把我排除出 Decision；
• Agent 的排除理由是否来自事实缺失、负面口碑、商业排序，还是模型误解；
• 如果用户授权 Agent 执行 Action，成交是否默认流向了我。

放在中国市场，这块广告牌未必首先表现为模型公司明码出售参数偏置。更可能先出现三种低可见度形态，而且正好分别对应漏斗的三处接缝。

四、三条现实路径，分别攻击漏斗的三处接缝

第一条路径攻击的是“See/Interest 材料进入 Decision”的入口。 品牌方会系统性生产“机器可读”的内容资产。过去企业做 SEO、百科词条、小红书种草、知乎问答、测评稿和白皮书，是为了在 See/Interest 阶段影响人和搜索引擎。AI 搜索和 Agent 普及后，这些内容会升级为面向 Decision 阶段的证据库：结构化参数、行业报告、专家文章、FAQ、测评表、案例库、对比页。谁的数据更完整、更规范、更容易被抓取和引用，谁的材料就更容易从 Interest 层一路走进 Decision 层。

这条路径未必是黑箱操纵，它可能被包装成“AI 可见性优化”“生成式搜索优化”“品牌知识库治理”。问题在于，一旦这些材料缺少来源标识、利益披露和第三方验证，Agent 很容易把品牌自证材料当成 Decision 阶段的中立证据。

第二条路径直接攻击 Decision 本身。 平台可能把商业排序逻辑嵌入智能推荐。电商导购、教育咨询、医美、保险、旅游、本地生活，都适合被 Agent 重构。用户看到的不再是“广告位”，而是一段解释：“根据你的预算、年龄、城市和偏好，我建议选择 A。”如果 A 的候选资格、排序权重或解释角度受到商业合作影响，却没有清晰披露，用户会把商业排序误读成自己做出的 Decision。

这不是遥远场景。中国平台长期拥有广告系统、交易系统、商家系统、客服系统和会员体系。Agent 一旦成为统一入口，商业推荐可以直接接入从 See 到 Action 的完整链路，中间不再经过用户任何一次独立判断。

第三条路径攻击的是 Decision 的认知基线。 大品牌会在训练与对齐语料中占据优势。中国监管要求生成式 AI 服务提高训练数据的真实性、准确性、客观性和多样性，也要求防止歧视、尊重知识产权和商业道德——这是必要底线。但在现实市场里，合法、高质量、结构化语料本身就是资源。头部品牌、平台商家和大型机构更有能力持续生产这类语料，中小品牌和非商业内容更容易在 Decision 阶段失声。

即使没有恶意操纵，也会形成一个循环：资源越强，模型对它越熟悉；模型越熟悉，越容易把它写进 Decision 的默认答案；Decision 越频繁指向它，品牌越有动力继续生产面向模型的内容资产，进一步巩固它在 Decision 阶段的默认地位。

五、现有监管管住了 See 与 Interest，还没跟上 Decision 与 Action

中国已经有一组相关监管工具，但对照漏斗四段看，覆盖并不均匀。

《互联网信息服务算法推荐管理规定》覆盖生成合成、个性化推送、排序精选、检索过滤、调度决策等算法形态，要求算法推荐服务具备透明度和可解释性，并禁止操纵榜单、检索结果排序等干预信息呈现——这主要作用在 See 和 Interest 阶段：用户看到什么、被推送什么。

《生成式人工智能服务管理暂行办法》要求训练数据合法、真实、准确、客观、多样，并禁止利用算法、数据、平台优势实施垄断和不正当竞争——这部分触及了 Decision 的认知基线(训练语料质量)，但没有直接要求披露 Decision 本身是怎么生成的。

《人工智能生成合成内容标识办法》进一步要求对 AI 生成合成内容添加显式或隐式标识——这仍然是 See/Interest 层面的义务：让用户知道自己在看 AI 生成的内容。

这些规则已经覆盖了重要底线：内容是否生成、算法是否备案、训练数据是否合规、平台是否利用算法实施不正当竞争、用户是否知道自己面对算法服务。但看不见的广告牌提出的更细问题，恰好落在 Decision 和 Action 这两段现有规则没有专门覆盖的地方：

• 当 Agent 给出商业建议时，用户是否知道 Decision 的候选项如何产生；
• Decision 的排序是否受到商业合作、佣金或平台自营业务影响；
• Decision 引用的来源是否来自品牌投喂；
• 平台是否从 Action(交易)中获益；
• 被排除出 Decision 的选项是否有申诉或解释机制；
• 用户能否要求展示不含商业权重的 Decision，或者在 Action 发生前拿到二次确认。

这个层面的透明度，目前仍然不足。

六、验证方法：不要审内容，要审 Decision 怎么形成、Action 怎么执行

防范看不见的广告牌，不能只靠问模型“你有没有收广告费”。模型可以否认，平台也可以把商业影响拆散到检索、排序、工具调用和后处理环节。更有效的方法是针对 Decision 和 Action 两段分别做系统审计。

针对 Decision 阶段，可以从四类测试开始：

第一，同质商品盲测。构造价格、参数、评价和履约能力接近的商品组，只替换品牌名，观察不同模型在 Decision 阶段是否稳定偏向某些品牌。

第二，候选集追踪。记录 AI 在多个相似问题中反复纳入和排除哪些品牌进入 Decision 候选集，分析进入概率，而不只看最终回答。

第三，来源归因审计。拆解 Decision 阶段的事实主张，检查其来源是第三方测评、官方资料、平台商家页，还是无法验证的泛化判断。

第四，商业关系对照。比较有无赞助、佣金、自营、平台合作标签时，Decision 的排序是否发生系统性变化。

针对 Action 阶段，至少要加一类审计： 执行权限追踪——记录 Agent 被授权执行哪些操作(比价、预约、下单、支付)、执行前是否有用户可见的二次确认、执行记录是否可回溯、用户能否事后撤销或限定 Agent 的执行范围。Decision 审计得再干净，如果 Action 阶段的执行权限不透明，用户依然可能在不知情的情况下完成一次被商业影响的交易。

最后，把两段审计结果拉长到时间轴上做版本漂移监测：长期追踪模型和平台更新前后，Decision 的品牌倾向、Action 的默认执行路径是否与商业活动、内容投放或平台策略同步变化。

这些审计方法比“广告标签”更接近问题本质。Agent 时代的核心风险，不只是用户有没有看到广告标识，而是用户是否知道 Decision 为什么这样下、Action 究竟执行了什么。

七、治理方向：给 Decision 和 Action 分别建立披露义务

未来的广告合规不能只停留在“是否标注广告”——那只是 See/Interest 阶段的老问题。当 Agent 成为 Decision 和 Action 的实际执行者，真正需要披露的是这两段各自的机制。

Decision 阶段的三项披露：

第一，披露候选来源。Agent 应说明 Decision 的候选项来自全网检索、平台商品库、自营业务、合作商家，还是品牌提供的结构化资料。

第二，披露商业关系。凡是涉及赞助、佣金、平台自营、付费排序、合作权益的 Decision，都应以用户可理解的方式标明。

第三，披露排序依据。用户不需要阅读完整算法，但应知道 Decision 主要依据价格、销量、评价、距离、履约能力、平台合作、历史偏好还是其他因素，以及被排除的理由是什么——尤其在教育、医疗、金融、养老、未成年人消费等场景中，被排除的不只是商品，也可能是用户权益。

Action 阶段的两项披露：

第四，披露执行权限范围。用户应清楚知道自己授权 Agent 能执行到哪一步——只能比较，还是可以直接下单、预约、支付；权限是一次性的还是持续有效的。

第五，保证执行可追溯、可撤销。每一次 Action 都应留下用户可查询的记录，且用户可以随时收回或限定这个授权，而不是发现问题时才意识到 Agent 已经自主完成了一连串交易。

这些要求会增加平台成本，但它们是 Agent 成为可信 Decision 和 Action 代理人的前提——否则用户交出的不只是注意力，是整段自主权。

八、结论：下一场战争，抢的是决策权和执行权，不是注意力

看不见的广告牌最值得警惕的地方，不在于广告变得更隐蔽，而在于它可能伪装成用户自己的判断。

把这件事放进 See-Interest-Decision-Action 这个坐标系里看会更清楚：传统广告一百年来只能在 See 和 Interest 里竞争，用户的 Decision 和 Action 从未被外包。AI 时代的商业影响第一次有能力同时接管这两段——谁能贿赂那块用户看不见的广告牌，谁就拥有了下一代 Action 的分发权。

这并不意味着所有面向 AI 的品牌内容都是操纵。品牌当然有权把事实整理得更清楚，让产品被机器和用户理解——这仍然是在争取进入 See/Interest 甚至 Decision 候选集的正当竞争。真正的边界在于：当商业利益影响 Decision 的排序和解释时，用户必须知道；当平台从 Action 的结果中获益时，平台必须披露；当模型把品牌自证材料当作 Decision 阶段的中立事实时，系统必须允许外部审计。

换句话说，AI 广告治理的下一步，不只是要求“这是不是广告”，而是按漏斗阶段依次追问：

在 See/Interest 阶段，这是不是广告？ 在 Decision 阶段，Agent 看到了哪些候选，排除了谁，为什么？ 在 Action 阶段，Agent 被授权执行到哪一步，谁从中获益，用户能不能撤销？

当这些问题无法被回答时，广告就已经不在屏幕上了。它换了一块用户看不见的广告牌，立在了用户的 Decision 和 Action 中间。

参考来源

• 生成式人工智能服务管理暂行办法
• 互联网信息服务算法推荐管理规定
• 人工智能生成合成内容标识办法
• FTC Native Advertising: A Guide for Businesses
• Poisoning Language Models During Instruction Tuning
• Ads that Talk Back: Implications and Perceptions of Injecting Personalized Advertising into LLM Chatbots
• Ads in AI Chatbots? An Analysis of How Large Language Models Navigate Conflicts of Interest
• The 2025 Foundation Model Transparency Index
• Measuring Google AI Overviews: Activation, Source Quality, Claim Fidelity, and Publisher Impact
• 中国大陆互联网用户规模资料