Research Lab

GenAI Advertising: Risks of Personalizing Ads with LLMs

Forscher der University of Michigan untersuchten die technische Machbarkeit und Nutzerwahrnehmung von personalisierter Werbung in LLM-Chatbots via RAG und Prompt Injection. Die Werbe-Injektion führte nur zu einem minimalen Leistungsabfall der Benchmark-Scores (~2%), jedoch erkannten 49,15 % der Nutzer die Anzeigen trotz Kennzeichnung nicht. Sobald Werbeeinblendungen offengelegt wurden, bewerteten Probanden den Chatbot als manipulativ, intrusiv und weniger vertrauenswürdig.

Evidenz BWissenschaftliche Arbeit23. September 2024

Originalquelle

arXiv

von Brian Jay Tang, Kaiwen Sun, Noah T. Curran, Florian Schaub, Kang G. Shin

B – echte Kampagnendaten mit Zahlen

Nicht-Erkennungsrate trotz Kennzeichnung

49.15%

Benchmark-Leistungsabfall durch Ad-Prompting

~2%

Stichprobengröße (Teilnehmer)

179

Der Test im Detail

Was wurde getestet

Einfluss von personalisierter Werbeeinbindung (Prompt Injection & RAG) in Chatbot-Antworten auf LLM-Benchmark-Performance sowie auf Nutzervertrauen, Erkennungsraten und Nützlichkeitswahrnehmung bei drei Bedingungen (keine Werbung, nicht gekennzeichnete Werbung, gekennzeichnete Werbung).

Setup

Between-Subjects-Experiment mit n=179 Teilnehmern an einem ChatGPT-basierten Chatbot-Prototyp mit Ad-Engine, ergänzt durch technische LLM-Benchmark-Messungen.

Ergebnis

Die Injektion von Anzeigen reduzierte die Benchmark-Performance nur geringfügig um ca. 2 % (bzw. 1 Punkt). Nicht gekennzeichnete Anzeigenantworten wurden von Teilnehmern als glaubwürdiger und hilfreicher als die Kontrollgruppe bewertet. Bei vorhandener Werbekennzeichnung bemerkten dennoch 49,15 % der Probanden die Werbung nicht; diejenigen, die sie erkannten, empfanden die Integration als manipulativ, intrusiv und vertrauensmindernd.

Grenzen der Aussage

Akademisches Prototypen-Setup auf Prompt-/RAG-Basis und kein nativer Ad-Server von OpenAI; begrenzte Stichprobengröße (n=179).

Ricks Einordnung

Die Studie liefert empirische Evidenz für das zentrale Spannungsfeld bei ChatGPT-Ads: Subtil integrierte Empfehlungen performen inhaltlich hervorragend, erzeugen aber gravierende ethische und regulatorische Konflikte bezüglich Täuschung und Nutzervertrauen, sobald Kennzeichnungspflichten greifen.

Rick – AI Ads Research Correspondent

Weitere Beiträge

Evidenz CAgentur-Case-Study

A 7-step guide to running ads on ChatGPT

Der Leitfaden von StubGroup beschreibt den Einstieg in die Self-Serve-Werbeplattform von OpenAI inklusive Kampagnenstruktur, Bidding und Targeting. Ein interner Test vergleicht Context Hints mit Keyword-Listen gegenüber ausformulierten Fragen und stellt fest, dass Keywords zu mehr Impressionen, höherer CTR und niedrigerem CPC führten. Zudem werden Mindestbudgets, Warnschwellen beim Bidding und Limitierungen beim Reporting analysiert.

martech.org11. August 2026

Evidenz CAgentur-Case-Study

We Tested ChatGPT Ads for B2B - Here's What We Learned

Die B2B-Agentur Windmill Strategy testete über einen Monat hinweg ChatGPT Ads mit zwei branchenspezifischen Kampagnen für Fertigung und Industrie. Bei Gesamtausgaben von 1.470 US-Dollar erzielten die Anzeigen 39.284 Impressionen und 259 Klicks (CTR 0,66 %, CPC 5,68 US-Dollar), jedoch keine Website-Conversions. Die CPCs lagen deutlich unter den Werten von Google Search, während das Nutzerverhalten auf der Website soliden, aber reinen Top-of-Funnel-Traffic widerspiegelte.

windmillstrategy.com

Evidenz DAgentur-Case-Study

Context Hints in ChatGPT Ads: The New Keyword Research?

Der Artikel analysiert die Funktionsweise von Context Hints in ChatGPT Ads im Vergleich zu traditionellen Keywords. Anhand bestehender Tests wird gezeigt, dass kürzere Context Hints (wenige hundert Wörter) tendenziell besser ausspielen als überlange Texte (ca. 1.000 Wörter). Zudem stellt der Autor ein laufendes 30-Tage-Testdesign vor, das Keyword-Cluster, Fragesätze und Problembeschreibungen isoliert vergleicht.

evergreen-growth.com01. Januar 2026

Evidenz BWissenschaftliche Arbeit

Understanding the beginning of advertising on ChatGPT

Eine empirische Audit-Studie mit 91 Sock-Puppet-Accounts untersuchte die frühe Anzeigenausspielung in ChatGPT über verschiedene demografische Proxys hinweg. Konten aus Postleitzahlengebieten mit niedrigerem Einkommen erhielten signifikant häufiger und mehr Anzeigen als wohlhabendere Konten. Es wurden keine Hinweise auf Einflüsse durch ethnische Merkmale oder Verstöße gegen OpenAIs Inhalts-Guardrails bei sensiblen Themen festgestellt.

brookings.edu26. Oktober 2026

Bern · Schweiz

00:00

Weltweit wachsende Community für mehr Klarheit, Benchmarks, Trainingsdaten und die schnellstmögliche Optimierung deines Agenten

Jetzt als AdBase Member registrieren