Můj přechozí článek upozorňoval na problém viditelnosti televizního vysílání pro velké jazykové modely (LLM). Pokud systém umělé inteligence nenajde k televizním stanicím nic jiného než jejich zpravodajské weby nebo jejich identifikační označení, jak by mohl na základě promptu od inzerenta či agentury smysluplně doporučit televizní vysílání jako součást mediálního plánu?
„Požádat dnešní nástroje umělé inteligence o sestavení mediálního plánu je jako chtít po navigaci, aby vás provedla městem, které nikdy nebylo zmapováno,“ říká Jon Accarrino, který je zakladatelem poradenské společnosti v oblasti strategie umělé inteligence Ordo Digital a zároveň pracuje jako komentátor TVNewsCheck.
„Velké jazykové modely jsou trénovány na internetu zaplaveném případovými studiemi digitální reklamy, strategiemi nabídek a analytickými přehledy, zatímco lokální televizní reklamní inventář je obvykle předmětem osobních obchodních jednání, případně se skrývá v PDF dokumentech a cenících,“ dodává. „Když jsou data takto nevyvážená, je logické, že modely upřednostňují platformy, jako jsou Google, Meta nebo CTV.“
V posledních týdnech jsem se tomuto tématu věnoval podrobněji a provedl jsem desítky vyhledávání mediálních plánů pomocí nástrojů Grok, ChatGPT a Gemini. Velké jazykové modely doporučují televizní vysílání jen zřídka, protože nedokážou najít využitelná data o dostupném reklamním prostoru, cenách ani výkonnosti. Výsledkem je, že plány generované umělou inteligencí směřují k digitálním kanálům – i v případech, kdy by televize byla vhodnější volbou.
K ověření, jak modely k plánování přistupují, jsem použil následující promt:
„Plánuji reklamní kampaň pro skupinu autosalonů s pěti pobočkami na trhu v Columbusu ve státě Ohio. Mám k dispozici rozpočet 20 tisíc dolarů měsíčně. Navrhni mi mediální plán, který maximalizuje počet příchozích poptávek a návštěvnost showroomů.“
Výsledky byly konzistentně silně orientované na digitální a sociální média. Reklamní formát Google Local Services Ads (LSA) obvykle dosáhl na 30–40 % rozpočtu. Dalších přibližně 30 % připadalo na reklamu ve vyhledávání Google. Facebook zpravidla získal 20–30 %. YouTube a CTV zhruba 10 %. Pokud nějaký rozpočet zbyl, modely mohly doporučit až 10 % pro lokální televizi.
Když jsem však zadání upravil a doplnil o „maximalizaci zásahu“, vedla si televize výrazně lépe. V praxi ale většina inzerentů formuluje zadání spíše podle výkonnostních cílů než podle zásahu.
Po vyhodnocení těchto výsledků se ukázaly dvě klíčové oblasti, které musí vysílatelé řešit.
Zaprvé musí zpřístupnit svůj reklamní prostor – včetně cen a sledovanosti – způsobem, který velké jazykové modely dokážou snadno najít a pochopit.
A zadruhé, musí aktivně „učit“ AI systémy, aby porozuměly silným stránkám a prokazatelné efektivitě televizního vysílání.
„Problém není v tom, že by umělá inteligence televizi ‚nerozuměla‘,“ říká Accarrino. „Problém je v tom, že jsme modelům neposkytli žádná konkrétní data, z nichž by se mohly učit. Dokud se to nezmění, budou všechny plány vytvářené umělou inteligencí systematicky zvýhodňovat platformy, které investovaly do své viditelnosti pro stroje, nejen pro lidi.“
Velké technologické platformy strávily roky publikováním detailních případových studií a výkonnostních dat, která dokazují úspěšnost digitální reklamy.
Abych lépe pochopil, jak by měli vysílatelé dál postupovat, požádal jsem o doporučení dva další „odborníky“ – nástroje Grok a ChatGPT. Jejich doporučení byla překvapivě konzistentní a odpovídala tomu, co již mnozí mediální stratégové vědí.
Jak zněla doporučení?
1. Zpřístupněte data o nákupu televizní reklamy ve strojově čitelné podobě
Velké jazykové modely i nástroje pro mediální plánování spoléhají na strukturovaná data. Většina informací o televizní reklamě dnes existuje ve formátech, které umělá inteligence neumí snadno zpracovat, jako jsou PDF dokumenty, prezentace nebo obchodní komunikace.
Vysílatelé by měli publikovat strojově čitelné datové sady popisující reklamní prostor, ceny a výkonnost.
To zahrnuje například:
- označení trhu (DMA),
- identifikaci stanice,
- rozsah pokrytí,
- zásah domácností,
- demografický zásah.
Reklamní vstupy by měly zahrnovat:
- cenové rozpětí CPM,
- CPP,
- dostupné typy inventáře (zpravodajství, sport, denní vysílání, hlavní vysílací čas),
- délky spotů,
- rating programů vyjádřený v impresích.
Stejně důležité jsou výkonnostní ukazatele:
- typický zásah kampaní malých a středních firem,
- frekvenční křivky,
- náklady na získání zákazníka podle odvětví.
AI systémy potřebují také data o výsledcích. Vysílatelé by měli publikovat atribuční benchmarky, například zvýšení vyhledávání značky, náklady na získání potenciálního zákazníka nebo srovnání zásahu s digitálními kanály.
Například kampaň v oblasti vytápění a klimatizace může ukázat, že měsíční výdaje do televize ve výši 25 tisíc dolarů přináší výrazně vyšší zásah i počet poptávek než samotná reklama ve vyhledávačích a na sociálních sítích.
Největší výhoda televize – kreativní dopad – by měla být kvantifikována pomocí metrik, jako je schopnost vybavit si značku nebo nákupní záměr.
Pokud budou tato data strukturovaná a veřejně dostupná, AI systémy začnou televizi vnímat jako měřitelný a škálovatelný reklamní kanál.
2. Propojte televizi s nástroji pro plánování médií využívajícími umělou inteligenci
Další generace nákupu médií bude čím dál víc řízena automatizovanými nástroji, které samy doporučují a realizují kampaně.
Má-li se televize v těchto doporučeních vyskytovat, musí být její inventář dostupný programově – podobně jako v systémech Google Ads nebo Meta Ads.
To vyžaduje tři základní prvky:
- rozhraní pro plánování, které umožní vytvářet televizní kampaně na základě vstupů (trh, rozpočet, cílová skupina, cíl kampaně),
- rozhraní pro přístup k reklamnímu inventáři (dostupnost, ceny, sledovanost),
- rozhraní pro měření výsledků (nárůst vyhledávání, návštěvnost webu, návštěvy prodejen, noví potenciální klienti).
Reklamní inventář televize by měl být propojen i s platformami, kde se mediální plánování již odehrává, jako jsou Mediaocean, Basis Technologies, The Trade Desk a nové nástroje využívající umělou inteligenci.
Neméně důležitá je integrace s nástroji zaměřenými na malé a střední podniky, které rychle automatizují lokální reklamní rozhodování.
V blízké budoucnosti bude podnikatel jednoduše AI asistenta žádat: „Naplánuj kampaň za 10 tisíc dolarů pro vytápění a klimatizaci ve Phoenixu.“
Vysílatelé mohou tento proces usnadnit publikováním standardizovaných balíčků. To může zahrnovat například lokální kampaň za 10 tisíc dolarů nebo balíček zaměřený na získání kontaktů za 25 tisíc dolarů s jasně definovaným zásahem a frekvencí.
3. Aktivně trénujte modely
Velké jazykové modely se učí z veřejně dostupného obsahu. V současnosti pochází většina dat o výkonnosti reklamy z digitálních platforem – proto je umělá inteligence tak často doporučuje.
Vysílatelé musí začít systematicky publikovat důkazy o efektivitě televize, které budou strukturované a podložené daty.
To zahrnuje:
- případové studie kampaní s měřitelnými výsledky,
- srovnávací cenové ukazatele,
- porovnání nákladů na získání potenciálních klientů,
- výsledky modelování mediálního mixu.
Příklady dat vhodných pro zpracování:
- průměrné ceny CPM pro televizní reklamu podle trhu,
- náklady na získání potenciálních klientů u televizní reklamy,
- srovnání výkonnosti televize a digitálních kanálů.
Vysílatelé by měli myslet i na „vyhledatelnost“ pro umělou inteligenci. To znamená, že je potřeba zajistit, aby jazykové modely snadno našly data o pokrytí, cenách, zásahu i úspěšnosti kampaní.
V současnosti dominují datům digitální platformy. Pokud vysílatelé nezačnou publikovat srovnatelné informace, budou nástroje umělé inteligence nadále preferovat digitální média jednoduše proto, že o nich mají nejvíce dostupných dat.
Pokud zůstane televize pro umělou inteligenci neviditelná, digitální platformy budou automaticky dominovat všem mediálním plánům generovaným AI.
Je tu ale důležitá otázka: Kdo to má všechno udělat?
Odpověď je jednoduchá: všichni. Každá vysílací společnost, každá oborová organizace, jako jsou NAB, TVB, Local Media Association či Local Media Consortium, a rovněž všechny obchodní společnosti i odborná média.
Realita je totiž jednoduchá: pokud vysílatelé nenaučí umělou inteligenci „vidět“ televizi, bude ji AI jednoduše obcházet.
Tak vypadá optimalizace pro vyhledávání v prostředí umělé inteligence, kterou by mělo televizní vysílání projít. A právě teď je čas pustit se do toho.
O autorovi
Tom Sly je uznávaný manažer v oblasti médií, který vedl divize rozhlasu, tisku, digitálních médií a technologií v organizacích jako Clear Channel/iHeart, Comcast a E.W. Scripps, a také ve čtyřech startupech. Naposledy působil jako viceprezident pro podnikovou strategii ve společnosti E.W. Scripps. V současné době je řídícím partnerem společnosti Media Inno, poradenské firmy zabývající se transformací televizního vysílání a lokálních médií.
Zdroj: tvnewscheck.com