PILA: LLM에 최적화된 광고를 위한 플러그 앤 플레이 방식의 삽입 기술

PILA: Plug-and-Play Insertion for LLM-native Advertising

최근 대규모 언어 모델(LLM)을 활용하여, 생성되는 답변 내에 자연스럽게 스폰서 콘텐츠를 통합하는 방식, 즉 LLM-네이티브 광고를 통해 수익을 창출하는 방법은 중요한 과제로 부상했습니다. 그러나 기존의 해결책들은 광고와 콘텐츠 생성을 하나의 모델 안에 묶어두기 때문에, 현대적인 API 기반 또는 워크플로우 기반의 LLM 애플리케이션과 호환되지 않으며, 원본 답변의 품질을 저하시키는 문제가 있습니다. 이러한 문제를 해결하기 위해, 우리는 PILA를 제안합니다. PILA는 광고 삽입을 조건부 응답 재작성 문제로 재정의하고, 경량화된 사이드카 모듈로서 상위 서비스와 분리하여 작동합니다. PILA는 모델에 구애받지 않으며, 기본 모델이나 워크플로우를 수정하지 않고 기존 LLM 서비스와 원활하게 통합될 수 있습니다. 또한, 사용자 측면의 자연스러움과 광고 노출 간의 균형을 조절할 수 있는 기능을 제공하여, 다운스트림 가격 책정 및 배포에 실용적인 인터페이스를 제공합니다. 다양한 상위 모델에서의 실험 결과, PILA는 일관적으로 광고 효과를 향상시키면서도 응답 품질을 유지하는 것으로 나타났으며, 이는 LLM-네이티브 광고를 위한 실용적인 솔루션으로서의 잠재력을 보여줍니다.

How to monetize large language models (LLMs) by naturally integrating sponsored content into their responses, known as LLM-native advertising, has recently emerged as a critical problem. However, existing solutions entangle advertising with content generation inside a single model, which is incompatible with modern API-only or workflow-based LLM applications and inevitably compromises the original response quality. To address this, we propose PILA, which reformulates ad insertion as a conditional response rewriting problem and decouples it from the upstream service as a lightweight sidecar module. PILA is model-agnostic and can be seamlessly integrated with existing LLM services without modifying the base model or its workflow. It also exposes a controllable trade-off between user-side naturalness and ad-side exposure, offering a practical interface for downstream pricing and deployment. Experiments across diverse upstream models show that \pila consistently improves ad effectiveness while preserving response quality, highlighting its promise as a practical solution for LLM-native advertising.