論文の概要: Do AI Overviews Benefit Search Engines? An Ecosystem Perspective

• arxiv url: http://arxiv.org/abs/2601.22493v1
• Date: Fri, 30 Jan 2026 03:04:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.184752
• Title: Do AI Overviews Benefit Search Engines? An Ecosystem Perspective
• Title（参考訳）: AIはベネフィット検索エンジンを概観する? - 生態系の展望
• Authors: Yihang Wu, Jiajun Tang, Jinfei Liu, Haifeng Xu, Fan Yao,
• Abstract要約: AI概要の検索エンジンへの統合は、コンテンツクリエーターからのトラフィックを分散させる。 本稿では,コストのかかる開発競争のゲーム理論モデルを提案し,均衡挙動を特徴付けるとともに,2つのインセンティブ機構を設計する。
• 参考スコア（独自算出の注目度）: 45.70578588688835
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The integration of AI Overviews into search engines enhances user experience but diverts traffic from content creators, potentially discouraging high-quality content creation and causing user attrition that undermines long-term search engine profit. To address this issue, we propose a game-theoretic model of creator competition with costly effort, characterize equilibrium behavior, and design two incentive mechanisms: a citation mechanism that references sources within an AI Overview, and a compensation mechanism that offers monetary rewards to creators. For both cases, we provide structural insights and near-optimal profit-maximizing mechanisms. Evaluations on real click data show that although AI Overviews harm long-term search engine profit, interventions based on our proposed mechanisms can increase long-term profit across a range of realistic scenarios, pointing toward a more sustainable trajectory for AI-enhanced search ecosystems.
• Abstract（参考訳）: AI概要を検索エンジンに統合することで、ユーザーエクスペリエンスが向上するが、コンテンツクリエーターからのトラフィックが分散し、高品質なコンテンツ作成を阻害し、長期的な検索エンジンの利益を損なうユーザー誘惑を引き起こす可能性がある。 この問題に対処するために、我々は、コストのかかる努力によるクリエーター競争のゲーム理論モデルを提案し、均衡行動の特徴付けと、2つのインセンティブメカニズムを設計する:AI概要内のソースを参照する引用メカニズムと、クリエーターに金銭的な報酬を提供する補償メカニズムである。 どちらの場合も、構造的洞察とほぼ最適利益最大化機構を提供する。 実クリックデータによる評価によると、AI概要は長期的な検索エンジンの利益を損なうが、提案したメカニズムに基づく介入は、AIに強化された検索エコシステムのより持続可能な軌道を指して、さまざまな現実的なシナリオにおける長期的な利益を高める可能性がある。

関連論文リスト

• Generative Engine Optimization: How to Dominate AI Search [13.959899706228176]
  ChatGPT、Perplexity、GeminiといったAIによる生成検索エンジンは、情報検索を再構築している。 本稿では,AI検索と従来のWeb検索(Google)を包括的に分析する。 私たちの重要な発見は、AI検索がブランドやソーシャルコンテンツに対して、アーンドメディア(第三者、権威ソース)に対して、体系的で圧倒的な偏見を示しています。
  論文  参考訳（メタデータ） (2025-09-10T18:29:18Z)
• Learning Payment-Free Resource Allocation Mechanisms [19.60309632660988]
  ニューラルネットワークを用いた自己関心エージェント間のリソース制限機構の設計について検討する。 支払いなしのメカニズム設計に"マネーバーニング"というアイデアを取り入れた、新たなエンドツーエンドニューラルネットワークアーキテクチャであるExS-Netをコントリビュートしています。
  論文  参考訳（メタデータ） (2023-11-18T01:21:54Z)
• GEO: Generative Engine Optimization [50.45232692363787]
  我々は、生成エンジン(GE)の統一的な枠組みを定式化する。 GEは大規模な言語モデル(LLM)を使用して情報を収集し、ユーザクエリに応答する。 生成エンジンは通常、複数のソースから情報を合成し、それらを要約することでクエリを満足する。 我々は、生成エンジン応答におけるコンテンツの可視性向上を支援するために、コンテンツ作成者を支援する最初の新しいパラダイムである生成エンジン最適化(GEO)を紹介する。
  論文  参考訳（メタデータ） (2023-11-16T10:06:09Z)
• No Bidding, No Regret: Pairwise-Feedback Mechanisms for Digital Goods and Data Auctions [14.87136964827431]
  本研究は, 一般的な繰り返しオークション設定に対処する新しいメカニズムを提案する。 メカニズムの新規性は、入札者から情報を引き出すためにペアワイズ比較を使用することにある。 ヒューマンファクターに焦点が当てられていることは、よりヒューマン・アウェアで効率的なメカニズム設計の発展に寄与する。
  論文  参考訳（メタデータ） (2023-06-02T18:29:07Z)
• Learning Dynamic Mechanisms in Unknown Environments: A Reinforcement Learning Approach [123.55983746427572]
  本稿では,複数ラウンドの対話を通して動的ビックレー・クラーク・グローブ(VCG)機構を回復するための新しい学習アルゴリズムを提案する。 当社のアプローチの重要な貢献は、報酬のないオンライン強化学習(RL)を取り入れて、リッチな政策分野の探索を支援することである。
  論文  参考訳（メタデータ） (2022-02-25T16:17:23Z)
• Human Parity on CommonsenseQA: Augmenting Self-Attention with External Attention [66.93307963324834]
  本稿では,外部の知識や状況に配慮した外部アテンション機構を備えたトランスフォーマーアーキテクチャの強化を提案する。 提案した外部注意機構は,既存のAIシステムの性能を大幅に向上させることができる。 提案システムは、オープンなCommonsenseQA研究ベンチマークにおいて、89.4%の精度で人間に匹敵する88.9%の精度で人間に匹敵する。
  論文  参考訳（メタデータ） (2021-12-06T18:59:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。