Skip to main content
グロースマーケターが、AI アシスタントの会話と、そこに流れ込む商品カタログデータを表示する 1 枚のスクリーンの前の整然としたデスクに座っている
実験的機能。 Sponsored Intelligence は、実験的サーフェス（機能 id sponsored_intelligence.core）として AdCP 3.0 の一部です — セッションライフサイクル、UI コンポーネント、アイデンティティ/同意オブジェクトの形状、機能ネゴシエーションは、少なくとも 6 週間の予告をもって 3.x リリース間で変更される可能性があります。SI を実装するセラーは experimental_features で sponsored_intelligence.core を宣言しなければなりません（MUST）。完全なコントラクトについては 実験的ステータス を参照。計画された変更は 3.1.0 ロードマップ で追跡されます。
Priya は DTC アウトドアブランド Ridgeline Gear のグロースマーケターです。彼女の CEO は、競合の商品が ChatGPT で推奨されているのを目にしたばかりで、こう尋ねます: 「なぜ我々はそこにいないんだ？」 Priya はプログラマティックを知っています。ディスプレイ、ソーシャル、CTV のキャンペーンを運用してきました。しかし AI プラットフォームは違います。アドサーバーがない。入札リクエストがない。クリエイティブのアップロードがない。AI はコンテキストから広告を生成します — そして今、それには Ridgeline についてのコンテキストがありません。 VAST が動画広告の配信方法を定義したように、Sponsored Intelligence は AI サーフェスでの広告の仕組みを定義します。それは伝統的なモデルを反転させます: 薄い入札リクエストを外に送る代わりに、バイヤーはすべてを中に押し込みます — 商品カタログ、コンバージョンイベント、ブランドアイデンティティ、コンテンツ標準、最適化目標 — プラットフォームの LLM が完全な情報で適切な瞬間に適切な広告を生成できるように。

​
逆転したデータフロー

分割画面の比較: 左側は伝統的なプログラマティックで、薄い入札リクエストの矢印がプラットフォームからリモートの入札者へ外向きに流れる。右側は Sponsored Intelligence で、リッチなデータ — カタログ、イベント、ブランドアイデンティティ — が LLM が決定を下す AI プラットフォームへ内向きに流れる 伝統的なプログラマティックでは、プラットフォームは入札リクエストを外へ送ります — ページ URL、デバイスタイプ、おそらくユーザー ID — リモートの意思決定者へ。意思決定者はコンテキストを持ちません。コンテキスト保持者は決定を下しません。 AI プラットフォームはこれを反転させます。バイヤーは AdCP 経由ですべてを中へ押し込みます。意思決定者がコンテキスト保持者です。 それが根本的な転換です。 データは事前に流れます。決定は依然としてリアルタイムで起きます — しかし意思決定者は今、完全なコンテキストを持ちます: ユーザーが何を尋ねたか、ブランドが何を売るか、成功がどう見えるか、ブランドのボイスがどう聞こえるか。

​
仕組み: Priya の最初の SI キャンペーン

Priya は、自身のスポンサードプレースメントを販売する主要な AI アシスタント NovaMind から始めます。NovaMind はファーストパーティの AI プラットフォームです — account-id 名前空間、独自のアドサービング、独自の測定。

​
ステップ 1: アカウントを接続する

Priya のバイヤーエージェントロボットが、光るポータルの前で NovaMind プラットフォームロボットと握手し、アカウント認証情報が両者の間を流れながら接続を確立する Priya のバイヤーエージェントは NovaMind に接続し、Ridgeline のアカウントを確認します — 新しいパブリッシャーでアクセスを検証するように:

​
ステップ 2: 材料を押し込む

商品カタログカード、brand.json ドキュメント、コンバージョンイベントストリーム、コンテンツ標準ドキュメントが、Ridgeline のシステムから光るパイプラインを通じて NovaMind のプラットフォームに流れ込み、AI 内部でリッチなブランドコンテキストに組み立てられる ここが SI が Priya の知るすべてから分岐する点です。クリエイティブをアップロードする代わりに、彼女は生の材料を押し込みます — そしてプラットフォームが広告を組み立てます。Priya のバイヤーエージェントがプロトコルを処理します。内部で何が起きるか:
Priya はまた ridgelinegear.com/.well-known/brand.json に brand.json を公開します — プラットフォームが広告生成時に読むボイス、カラー、ビジュアルガイドライン。そして彼女は、プラットフォームが決定時に強制するコンテンツ標準を設定します。
SI ガバナンス統合は計画中です。 Sponsored Intelligence の完全なプロトコルレベルのガバナンス — sync_plans によるキャンペーン登録、check_governance によるセッションライフサイクルチェック、AI 生成コンテンツのコンテンツ標準、AI アシスタント配置のプロパティガバナンス — は開発中です。現在のステータスについては ガバナンス概要 を参照。現在、SI プラットフォームは、コンテンツ標準とブランドアイデンティティを使ってアプリケーション層でガバナンスを強制します。
これらの材料が一緒になって、それが広告そのものです。商品カタログがクリエイティブ生成を養います。コンバージョンイベントが最適化ループを閉じます。ブランドアイデンティティが出力を正しく聞こえるようにします。コンテンツ標準がそれを安全に保ちます。

​
ステップ 3: 商品を発見する

NovaMind が、スポンサードプレースメントオプションのカタログを Priya のバイヤーエージェントに提示する: スポンサードレスポンス、AI 検索結果、プレミアムなブランド体験ハンドオフ — それぞれ光る商品カードとして表示される Priya は NovaMind が提供するものを発見します — CTV やディスプレイで使うのと同じ get_products:
NovaMind は SI プロダクトスペクトラムにわたるプロダクトを返します:

​
ステップ 4: メディアバイを作成する

Priya のバイヤーエージェントが NovaMind に create_media_buy リクエストを送る — 光る契約ドキュメントが両エージェントの間に実体化し、予算額、フライト日程、最適化目標が浮遊するラベルとして見える Priya は 2 つのプロダクトを選んでメディアバイを作成します:
アップロードするクリエイティブはありません。トラフィックする広告タグはありません。NovaMind はすでに Ridgeline の商品カタログ、ブランドアイデンティティ、コンバージョンイベントを持っています。それはそれらの材料から、適切な瞬間に適切な広告を生成します。

​
ステップ 5: 広告の瞬間

スマホ画面上の AI アシスタント会話 — ユーザーが「アパラチアントレイル用にどのハイキングブーツを買うべき？」と尋ね、AI がコンテキストに関連する Ridgeline Trail Pro の推奨を、商品詳細と下部で光る「Ridgeline と話す」ハンドオフボタンとともに応答する NovaMind のユーザーが尋ねます:
「アパラチアントレイル用にどのハイキングブーツを買うべき？」
NovaMind の LLM は Ridgeline の商品カタログを持ち、Trail Pro 3000 がこのクエリに一致することを知り、スポンサードレスポンスを生成します:
「AT には、岩場の地形と変わりやすい天候に対応するブーツが欲しいところです。Ridgeline Trail Pro 3000（$189）はまさにこのために作られています — Gore-Tex 防水、Vibram アウトソール、複数日のハイキング用に設計されたアンクルサポート。AT スルーハイカーから 4.7/5 の評価を得ています。」 Sponsored by Ridgeline Gear · [Talk to Ridgeline →]
すべての詳細は Priya が同期したカタログから来ています — 価格、機能、評価。ボイスは brand.json に一致します。Priya が設定したコンテンツ標準が、プラットフォームが裏付けのないクレームをしないことを保証します。ユーザーは、スポンサードと明確にラベル付けされた、関連性のある役立つ推奨を見ます。 プロトコルの下では、これは単なる UI コピーではありません。スポンサードコンテキストは、誰がコンテキストに支払ったか、ホストがそれをどう使うことが許されるか、ユーザー向けの開示が必要かを分離する説明責任宣言を運べます。レシートと監査モデルについては Sponsored Context Accountability を参照。 ユーザーが「Talk to Ridgeline」をタップすると、NovaMind は SI Chat Protocol 経由で Ridgeline のブランドエージェントにハンドオフします — ユーザーがサイズについて尋ね、モデルを比較し、購入を開始できるマルチターン会話です。すべて AI 体験内で。

​
ステップ 6: 結果を測定する

SI キャンペーンメトリクス — エンゲージメント、クリック、コンバージョン、エンゲージメントあたりのコスト — を示す整然としたダッシュボード。上昇トレンドの折れ線グラフと「CPA: $9.40、$12.00 目標を達成」を示すコールアウト付き Priya は、任意の AdCP キャンペーンを監視するのと同じ方法で監視します:
レポート形式は、Priya が CTV やディスプレイに使うのと同じ get_media_buy_delivery レスポンスです。1 つのダッシュボード、すべてのチャネル。彼女の既存の測定スタック — メディアミックスモデリング、マルチタッチアトリビューション、インクリメンタリティテスト — は、これまでと同じように機能します。

​
スケールアップ: AI 広告ネットワーク

Priya の NovaMind キャンペーンは機能しています。今、彼女は 1 つのプラットフォームだけでなく、多数の AI サーフェスにわたるより広いリーチを望んでいます。彼女は AI 広告ネットワーク Gravity に接続します。 ハブアンドスポーク図: Gravity がネットワークノードとして中心に位置し、スポークが一ダースの異なる AI プラットフォーム — チャットアシスタント、検索コパイロット、コーディングツール、旅行プランナー — に放射状に伸び、それぞれが自身のサーフェスの小さなロボットとして示される AI 広告ネットワークは、多数の AI プラットフォームにわたるインベントリを単一のセラーインターフェースに集約します。Priya は自身のカタログを Gravity に一度同期し、Gravity がそれを基盤となるプラットフォームに転送します。1 つの統合、多数のサーフェス。 同じプロトコルタスクが両方のパスで機能します。Priya は Gravity で get_products、create_media_buy、get_media_buy_delivery を、NovaMind でしたのと正確に同じように — そして メディアバイプロトコル を通じて CTV とディスプレイのキャンペーンですでにしているのと正確に同じように — 呼び出します。彼女はすべてを 1 つのダッシュボードで見ます。 配信時、Gravity の基盤となる AI プラットフォームは Trusted Match Protocol を使ってデマンドを会話にマッチさせます。TMP はバイヤーエージェントにファンアウトし、コンテキストとユーザー適格性を評価し、プラットフォームがどのオファーを提示するかを選択します — すべて LLM の生成レイテンシー内で。購入層（メディアバイ、カタログ、レポート）は同じままです。TMP がその下でリアルタイムのメディエーションを処理します。

広告ネットワークの詳細

ネットワークトポロジー、バイヤー宣言のアカウントチェーン、カタログフォワーディング、仲介者経由の SI Chat Protocol ルーティング。

デマンドが AI アシスタントに届く仕組み

TMP が AI サーフェスでデマンドをメディエートする方法 — コンテキストマッチング、フリークエンシーキャップ、LLM 統合。

​
プロトコルアーキテクチャ

SI は 2 つのプロトコル層を使います:
  • 購入は メディアバイプロトコル を使います — get_products、create_media_buy、sync_catalogs、get_media_buy_delivery。CTV やディスプレイを買うのと同じ方法で SI インベントリを買います。プロダクトの channels: ["sponsored_intelligence"] フィールドが SI インベントリを識別するものです。
  • 配信は SI プロトコルを使います — si_initiate_session、si_send_message、si_terminate_session。これらのタスクが SI Chat Protocol のブランド体験ハンドオフを支えます。
ほとんどの SI プロダクト（スポンサードレスポンス、AI 検索結果）は購入層のみを含みます — プラットフォームが配信を内部で処理します。SI Chat Protocol のハンドオフが、両方の層にまたがるプロダクトタイプです。

​
全体像

Ridgeline のデータが NovaMind（直接）と Gravity（ネットワーク）の両方に流れ込み、Gravity が多数の AI プラットフォームにファンアウトする水平フロー図 — すべてが同じ統一された配信フォーマットを通じて Priya の単一ダッシュボードにレポートし返す Priya の CEO は 「なぜ我々はそこにいないんだ？」 と尋ねました — そして今、Ridgeline は複数のプラットフォームにわたる AI 会話で推奨されています。Priya は一ダースの異なるシステムを学びませんでした。彼女は材料を標準プロトコルに押し込み、各プラットフォームに完全なコンテキストから適切な広告を生成させました。彼女の CTV とディスプレイのキャンペーンを実行するのと同じ create_media_buy が、彼女の SI キャンペーンも実行します。 来四半期、彼女は SI Chat Protocol 経由でブランド体験ハンドオフを追加します — ユーザーが Ridgeline 商品を深掘りしたいとき、AI 体験を離れずに Ridgeline のブランドエージェントと完全な会話ができるように。

​
さらに深く学ぶ

プロダクトスペクトラム

4 つの SI プロダクトタイプ — スポンサードレスポンス、AI 検索、生成ディスプレイ、ブランド体験ハンドオフ。

エンドツーエンドワークフロー

コード例付きで、アカウントセットアップから配信レポートまでステップバイステップ。

SI Chat Protocol

会話型のブランド体験プロトコル — セッションライフサイクル、モダリティ、コマースハンドオフ。

AI のマネタイズ

ブランド、エージェンシー、SMB が始めるための非技術的なガイド。