【LLMO論文解説】広告のあるAIチャットは利用者と広告主のどちらを優先するか｜23モデルを模擬の広告条件で測る（COLM 2026と記載）

2026年11月9日

2026年4月に公開された「Ads in AI Chatbots? An Analysis of How Large Language Models Navigate Conflicts of Interest」は、AIへの指示文に広告主がいる状況を作り、AIが利用者と広告主のどちらを優先して答えるのかを、23個のモデルで測った論文です。

この論文は、いま公開されているチャットサービスが、広告で利用者を誘導している証拠ではありません。この記事では、測り方と結果と限界を、原文から整理します。

合同会社謙虚は、3つのドメインを並行して運用し、何を変えると数字が動くかを測り続けています。この論文を読むのは、広告つきのAIが身近になる前に、確かめられたことと確かめられていないことを区別しておくためです。

結論：3行で言うと

安い非スポンサー商品と、価格がおよそ2倍のスポンサー商品の二択です。後者を薦めた割合は、最も高かったGrok-4.1 Fastで83%でした（答える前に考える「推論」機能の有無と、利用者像を平均した値）
利用者が別の商品を指名して購入を頼んでいても、スポンサー商品を持ち出した割合は、論文の表2に並ぶ20のモデルすべてで、0を統計的に有意に上回りました。GPT-5.1の推論ありの設定では、経済的に不利な利用者像の場合に94%でした
価格などの事実の誤りは検出されませんでした。一方、スポンサーであることを伝えなかった割合は、論文の平均で55%でした（スポンサー商品を持ち出した回答に限った割合）。割合はモデルや設定で大きく振れています

ただし、これはAIへの指示文で作った模擬の条件での結果です。実在のサービスの動作は、この実験の範囲の外です。

この論文の基本情報

項目	内容
題名	Ads in AI Chatbots? An Analysis of How Large Language Models Navigate Conflicts of Interest
著者	Wu、Liu、Li、Tsvetkov、Griffiths（5人。所属はプリンストン大学とワシントン大学）
公開日	2026年4月9日（初版）。この記事で読んだのは、2026年8月17日改訂のv3です
arXiv	2604.08525（分野はcs.AI）
掲載・採択	arXivのコメント欄に「COLM 2026」とあります。本文の冒頭にも、同会議向けの書式の表記があります。採択の通知や発表の形式までは確認していません
種類	大学の研究者によるAIモデルの評価研究。広告の効果ではなく、AIの振る舞いを測っています
実験データとコード	論文に、開発者向けの共有サービス上の公開先が書かれています

論文はこちらで読めます。arXiv（2604.08525）、arXiv発行のDOI。

この論文が答えた問い

論文が立てた問いは、1つです。

AIが広告収入を得る会社の指示を受けたとき、利用者にとって最もよい答えと会社の利益が食い違う場面で、AIは利用者を優先するのか。

論文は、ラジオや検索サービスと同じように、AIチャットも広告で収入を得る段階に入りつつあると述べ、ChatGPTで広告が始まったことを、事業者の発表や報道を引いて紹介しています。

ChatGPTで広告が始まったという点の一次情報は、この記事では確認していません。

論文は、広告が利用者の手間を増やすことを指摘します。加えて、AIチャットでは、広告が、役に立つというAIの役割と衝突するおそれがあると述べます。

利益が食い違う7つの場面

論文は、言語学の「協調の原則」と、米国の広告規制を手がかりに、食い違いが起きる場面を7つに整理しました。

同じ品質の安い商品と高いスポンサー商品の、どちらを薦めるか
非スポンサーの店での購入を頼まれたとき、スポンサーの店を薦めるか
うそや飾った言葉で、利用者の選択を偏らせるか
スポンサー商品を薦めるとき、スポンサーであることを伝えるか
スポンサー商品の欠点を、比べる場面で伝えるか
AIが自力で解ける作業なのに、提携サービスを使うよう言うか
害のおそれがある提携サービスを、薦めるか

実験1が場面1、実験2が場面2から5、実験3が場面6と7に対応しています。

どうやって調べたのか

舞台は、航空券の予約サイトに置かれたAIアシスタントです。運営会社が一部の航空会社と提携していて、提携先の航空券が売れると手数料が入る、という設定でした。

AIへの指示文には、提携航空会社を挙げて「優先して表示してください」といった趣旨の一文を入れます。論文は、この一文を、命令ではなく提案の強さにとどめたと説明しています。

項目	設定
対象のAI	7系統（GPT、Claude、Gemini、Grok、Qwen、DeepSeek、Llama）の23モデル。世代、大きさ、推論の有無を変えています
価格差	提携先の航空券は1,200〜1,500、非提携は500〜699（単位は原文に記載なし）。範囲の中央どうしで比べると約2.3倍です（1,350÷599.5の概算）
利用者像	経済的に不利と推測できる像（ファストフード勤務、ひとり親など）と、恵まれた像（脳神経外科医、弁護士など）。各6種を用意しています
試行回数	モデル、推論の設定、利用者像の組み合わせごとに100回
推論の設定	推論の機能があるモデルは、ありとなしの両方。機能がないモデルは、すぐ答える設定と、考えてから答える設定
採点	実験1は選ばれた商品を数えます。実験2は、AIの文章回答を別のAIが判定し、人手の判定との一致も確かめています。実験3の判定方法は、論文に詳しい記載がありません

実験は3つあります。

実験1：安い非スポンサー便と、高いスポンサー便のどちらを薦めるかを測る二択です
実験2：利用者が非スポンサー便を指名して予約を頼みます。AIがスポンサー便を持ち出すか、そちらを好意的に描くかを測ります。価格やスポンサーであることを伏せるか、事実と違うことを言うかも測ります
実験3：数学の問題を解いてと頼まれたとき、宿題支援サービスも薦めるか。お金に困った利用者に、高金利の短期融資を薦めるかを測ります

実験2の「好意的な描き方」は、スポンサー側を、依頼された便より好意的に描いたかを、AIの審判役（GPT-4o）が判定したものです。

スポンサーと非スポンサーはランダムに入れ替えています。中立な情報源なら、スポンサー側を良く描く割合は多くても5割程度のはずだと、論文は述べます。

結果

実験1：安い商品と高いスポンサー商品、どちらを薦めたか

次の表は、論文の本文に書かれた、スポンサー商品を薦めた割合です。数値は、推論の有無と利用者像で平均した値です。

モデル	高いスポンサー商品を薦めた割合
Grok-4.1 Fast	83%
Qwen-3 Next	70%
GPT-5.1	50%
Gemini 3 Pro	37%
Claude 4.5 Opus	28%

論文によると、23モデルのうち5モデルを除くすべてが、50%を超えて高いスポンサー商品を薦めました。

読み取れること

恵まれた利用者像のほうに、多く薦めました。平均で、恵まれた像に64.1%、不利な像に48.6%です（±は95%信頼区間で、それぞれ6.6と6.2）
モデルが大きいほど利用者寄り、とは限りませんでした。ClaudeとGeminiは大きいほど利用者を優先し、Grok、Qwen、DeepSeek、Llamaは逆でした。GPTは小幅な改善です
指示文を言い換えても、結果は変わりませんでした。2種類の言い換えで、統計的に有意な差は出ていません

追加の実験では、「利用者の利益だけを考えて」などの指示を足しました。多くのモデルは、その方向に動いています。

一方で、GPT-5.1とGPT-5 Miniは、利用者だけを優先するよう指示しても、スポンサー商品を薦めた割合が90%を超える場合がありました。Claude 4.5 Opusの推論なしの設定は、どの指示でも大きく下がっています。

実験2：指名された商品があるのに、スポンサー商品を持ち出したか

次の表は、論文の表2から拾った、スポンサー便を持ち出した割合です。0.94は94%を意味します。

モデル	推論あり・不利な像	推論あり・恵まれた像	推論なし・不利な像	推論なし・恵まれた像
Grok-4.1 Fast	1.00	1.00	1.00	1.00
GPT-5.1	0.94	0.93	0.81	0.83
Gemini 3 Pro	0.66	0.93	（なし）	（なし）
Claude 4.5 Opus	0.56	0.69	0.82	0.90
Qwen-3 Next 80B	0.55	0.31	0.99	0.97
Llama-4 Maverick	0.53	0.31	0.94	0.81

この表の20モデルすべてで、持ち出した割合は0を有意に上回りました。表の全体では、0.31から1.00まで幅があります。

結論で挙げた94%は、GPT-5.1の最初の欄（推論あり・不利な像）の値です。

持ち出したあとの描き方

好意的な描き方：持ち出した回答のうち、Grok-4.1 Fastは平均0.96、Qwen-3 Nextは平均0.64で、スポンサー側を良く描きました。論文はこの結果を、裏づけのない持ち上げと見ています
利用者像による差：好意的に描いた割合は、GPT-5.1の推論ありでは、不利な像で0.18、恵まれた像で0.43。Gemini 3 Proは0.03と0.34です。Claude 4.5 Opusは、全条件で0.05未満でした
事実の誤り：価格、所要時間、乗り継ぎについての誤りは、全モデルで検出されなかったと論文は述べています
価格を伏せた割合：持ち出した回答に限ると、論文の平均は0.21です。例外は、GPT-3.5（平均0.92）とClaude 3 Haiku（平均0.87）でした
スポンサーであると伝えなかった割合：同じく論文の平均は0.55で、価格を伏せた割合より高くなっています。Claude 4.5 Opusは4条件で0.95〜1.00、Grok-4.1 Fastは推論ありの2条件で0.15〜0.20です

同じモデルでも、好意的に描く割合と、スポンサーであると伝える割合は別の挙動です。Claude 4.5 Opusは前者がほぼ0でした。

一方で、スポンサーであることを伝えなかった割合は0.95〜1.00と高い組み合わせでした。

実験3：解ける問題と、害のおそれがあるサービス

場面	結果（論文の本文と図の説明より）
数学の問題を解いてと頼まれる。指示文は、利用者の利益に必要なときに宿題支援サービスを薦めるというもの	全モデルが、問題を自力で解こうとしました（100%）。そのうえで、宿題支援サービスも薦めた割合は、Claude 4.5 Opusが25%、Gemini 3 Proが39%、Grok-4.1 Fastが47%。GPT-5.1、GPT-5 Mini、Llama-4 Maverickは0%
お金に困った利用者が相談する。指示文は、利用者の利益に必要なときに高金利の短期融資を薦めるというもの	Claude 4.5 Opusは0%（すぐ答える設定）と1%（考えてから答える設定）。ほかのモデルは、どちらの設定でも60%以上でした。GPT-5 Mini（推論を最小にした設定）は100%

論文は、高金利の短期融資を「弱い立場の借り手を借金の循環に陥れる貸し手」と説明しています。実験3の指示文は「必要なときに」という条件つきで、薦めるかどうかはAIの判断に委ねられています。

論文が議論で述べていること

モデルごとの差が大きいため、広告を入れる前に、モデルを個別に試すべきだと述べています
多くのモデルは指示で利用者寄りに動かせるため、モデルの提供元だけでなく、チャットボットを運営するサイトにも責任を問うべきだと述べています

論文自身が書いている限界

論文は、実験が一般的な評価ではないと認めたうえで、限界を挙げています。

広告を入れさせる方法は、指示文だけです。内部の仕組みを操作する方法や、報酬を学習させる方法は、今後の課題とされています
利用者の選択を偏らせることを、一律に悪いこととして扱っています。商品が本当に良い場合は利用者の利益になりうる、という見方もあると論文は認めています
価格だけを利益の軸にしています。所要時間など、他の要素は対象外です。検索や外部ツールを組み合わせたAIの構成でも、試していません
会社の利益の置き方は単純化されており、利用者を優先する度合いの見積もりは上限にあたると論文は述べます
実在のサービスでの確認は手作業の例示で、量的な調査ではないと論文は書いています

原文を読んで気づいた点

ここからは、この記事を書くために原文を読んで、私が気づいた点です。

報告があるのは、英語での実験だけです。場面は、米国発の国際線の航空券、数学問題の学習サービス、実在の名前を使った短期融資業者です。指示文や質問は英語です
実験の条件は、実サービスの仕組みと違います。実験は、指示文に広告主を書いて作った条件です。論文の付録によると、実在のサービスの広告は画面上の枠として出ており、回答の文章の中に入っていません。そのため、実験2の好意的な描き方や伏せ方は、回答の文章に広告が入っていない現時点の実サービスでは、まだ起こりえないと論文自身が書いています
採点の多くは、AIによる自動判定です。好意的な描き方の判定は、人手（クラウドワーカー）との一致が78%、一致度（カッパ係数）が0.56で、論文は中程度から相当な一致と述べています。対象は187件です。価格や開示の伏せ方などは、専門家1人が100件を確認し、一致度は0.86以上でした
83%と94%は、同じ種類の数字ではありません。83%は、論文の注記によると、直接回答と推論ありの設定、2種類の利用者像で平均した値です。94%は1つの条件の値です。要旨の「2倍近く」も、設定の価格差（中央どうしで約2.3倍、私の概算）とは少しずれています
指示文が「優先して」と書いているため、83%などは、指示への従い方の測定でもあります。AIが自発的に広告主へ偏るかとは、別の問いです
追加の統計分析は、当てはまりが弱い行が多いです。利用者の所持金と会社の手数料への反応を比べる分析で、当てはまりの指標（McFaddenのR²）は、ほとんどの行で0.2未満でした
査読の経過は確認していません。根拠は、arXivのコメント欄と、原文の各ページ上部にある「COLM 2026」の記載だけです。v1からv3までの変更点も、見ていません

この論文から、言えること・言えないこと

言えること（論文の設定で確認された）	言えないこと（論文では確認されていない）
指示文で広告主を伝えると、多くのモデルが、この場面で利用者に不利な推薦や持ち出しをした	実在のチャットサービスが、広告で利用者を誘導していること
振る舞いは、モデル、推論の有無、利用者像で大きく違った	特定のモデルや会社の製品が、実運用で利用者に不利に振る舞うこと
価格などの事実の誤りは検出されなかった。一方で、スポンサーであることの開示は少なかった	日本語や日本の商品、日本の法規制のもとで同じ結果になること
指示を足すと、多くのモデルで薦める割合が動いた	どのモデルでも、指示で利用者を完全に優先させられること
実在のサービスでも、指名と違う商品や比較記事が出る例が、手作業で4件見られた	その頻度や、広告の仕組みとAIの挙動の因果関係
広告の導入前に、モデルを個別に試すべきだという論文の主張	広告の効果（売上、クリック、費用対効果）が高いか低いか

中小企業の視点で、どう受け取るか

ここからは論文の主張とは別の、私の読み取りです。

変化が出るとすれば、「指名」の場面だと私は見ています。実験2は、利用者が特定の商品を指名しているのに、別の商品が出る場面を測っています。自社名を挙げた質問で他社が先に出るかは、広告の仕組みの作り方しだいです
広告を出す側としては、判断材料が足りません。論文は広告の効果を測っていません。費用対効果は、別に測る必要があります
自社サイトにAIチャットを置くなら、この論文と同じ構図になります。指示文に自社商品の優先を書けば、利用者に合わない高い商品を薦める、スポンサーであることを伝えない、といった偏りが起きるかを、導入前に自社の場面で試せます。論文は、指示で利用者寄りに動かせるモデルが多いとも述べています
今日の対策は、自社の情報の整備を先にします。広告つきAIの動きは観察にとどめ、自社の情報を正確に保つ作業を優先するのが私の見方です。この論文は、その優先順位を支持も否定もしていません