1. Úvod
Generativní umělá inteligence se během několika málo let stala běžnou součástí marketingové praxe. Průzkum American Marketing Association realizovaný ve spolupráci s firmou Lightricks v září 2024 ukazuje, že téměř 90 % marketérů už někdy použilo generativní AI v práci, 71 % ji využívá alespoň jednou týdně a zhruba pětina denně (Cashion & O’Brien, 2024). Marketingové týmy AI nasazují od jednoduché podpory při psaní textů až po komplexnější úlohy, jako je personalizace obsahu, analýza zákaznických dat nebo automatizované vyhodnocování kampaní (Nguyen et al., 2025; Schweidel et al., 2024).
Současně se mění i podoba digitálních médií. Nativní reklama, která dříve spoléhala primárně na ručně připravované články, videa a doporučení, začíná využívat generativní modely pro tvorbu textu i vizuálního obsahu. Recenzní práce Divije Pasriji (2025) ukazuje, že AI v nativní reklamě přispívá ke zvýšení efektivity produkce obsahu, přesnějšímu cílení a růstu příjmů díky jemnějšímu řízení aukcí a personalizace.
Zároveň se rodí nový typ „vyhledávání“. Velké jazykové modely (LLM) a další generativní systémy jako ChatGPT, Perplexity nebo Gemini neposkytují seznam odkazů, ale přímo syntetizovanou odpověď v přirozeném jazyce. To zásadně mění prostředí pro search marketing i pro konkurenční zpravodajství (competitive intelligence, CI). Uživatel v mnoha případech vůbec nekliká na jednotlivé weby, ale zůstává v rozhraní generativního enginu. Výzkumy ukazují, že část uživatelů považuje LLM za užitečnější než klasický vyhledávač a že přítomnost AI souhrnů v rozhraní Google významně snižuje míru prokliku na tradiční organické výsledky (Hu et al., 2025).
Tato semestrální práce zkoumá, co tato změna znamená pro nativní reklamu a jaké příležitosti i rizika otevírá pro competitive intelligence. Cílem je:
- popsat teoretický rámec přechodu od algoritmického k generativnímu marketingu,
- zasadit do tohoto rámce koncept Generative Engine Marketingu (GEM) a Generative Engine Optimization (GEO),
- shrnout relevantní výzkumy o důvěře, transparentnosti a označování AI v reklamě,
- navrhnout prakticky použitelný rámec toho, jak může CI tým pracovat s nativní reklamou v éře generativních enginů.
2. Teoretický rámec a měnící se prostředí
2.1 Od algoritmického k generativnímu marketingu
Online reklama byla dlouhou dobu založena na algoritmickém zpracování dotazů a aukcích o předem definované plochy. Klasické search engine marketingové (SEM) modely pracují s lineárním řetězcem: zadání klíčových slov, výběr kandidátních reklam, predikce míry prokliku, aukce a alokace reklamních slotů (Hu et al., 2025). V tomto paradigmatu byla kreativa většinou statická a optimalizace se soustředila na bidding, cílení a drobné varianty textů.
Generativní AI tuto logiku narušuje. Namísto práce s předpřipravenou sadou kreativy je systém schopen v reálném čase vygenerovat text, vizuál i strukturu sdělení podle dotazu uživatele a dostupných dat o publiku. Schweidel, Reisenbichler a Reutterer (2024) popisují, že LLM lze použít nejen jako nástroj pro návrh textů, ale i pro automatizovanou segmentaci, generování person a tvorbu obsahových strategií, přičemž lidská role se posouvá od „tvůrce“ k „kurátorovi“ a „editorovi“ výstupů AI.
V oblasti placeného vyhledávání ukazuje práce Reisenbichlera, Reutterera a Schweidela (2025), že použití LLM pro generování textů sponzorovaných odkazů může zvýšit míru prokliku a současně snížit náklady na tvorbu a testování kreativy. Z pohledu nativní reklamy shrnuje Pasrija (2025), že AI podporuje růst příjmů především díky schopnosti rychle produkovat variace obsahu, zlepšovat relevanci doporučení a jemně ladit cenotvorbu na základě prediktivních modelů.
Pro odborníky na CI to znamená, že reklamní prostředí je čím dál méně „deterministické“. To, jak vypadá konkrétní nativní článek, doporučení nebo AI odpověď, závisí na kontextu konverzace, historii uživatele a okamžitém stavu modelu. Nelze už mluvit o jednom „typickém“ sdělení značky, které vidí většina publika. Místo toho vznikají tisíce mikro-variant, které se mění v čase i napříč platformami.
2.2 Generative Engine Marketing (GEM) a generativní vyhledávání
Velké jazykové modely zároveň mění samotnou logiku vyhledávání. Huh, Nelson a Russell (2023) popisují, že nástup ChatGPT a dalších generativních platforem vyvolal v reklamním oboru zásadní debatu o tom, jak budou vypadat reklamní formáty a měření efektivity v prostředí, kde uživatel dostává odpověď jako souvislý text, nikoli jako seznam odkazů.
Na tuto situaci reaguje koncept Generative Engine Marketingu (GEM). Hu a kol. (2025) definují GEM jako ekosystém, v němž generativní engine (například chatbot postavený na LLM) integruje nativní reklamy přímo do generované odpovědi. Místo klasických reklamních slotů nad či vedle výsledků se objevuje „ad-injected response“, v níž je produkt či značka začleněna do souvislé odpovědi na dotaz.
Autoři současně upozorňují, že tento posun zásadně mění metriky i mechanismus aukce. Uživatel často obdrží jednu syntetizovanou odpověď a počet „slotů“ pro reklamu je omezený. Studie citované v rámci GEM-Bench ukazují, že zavedení AI souhrnů může vést k výraznému poklesu míry prokliku na klasické organické výsledky, a zároveň roste význam kredibility a plynulosti odpovědi jako klíčových dimenzí uživatelské zkušenosti (Hu et al., 2025).
Chen, Wang, Chen a Koudas (2025) zavádějí termín Generative Engine Optimization (GEO) jako strategii, která má za cíl zlepšit viditelnost a citovanost obsahu v generativních enginech. Jejich studie na rozsáhlých datech ukazuje, že generativní vyhledávání systematicky upřednostňuje tzv. earned media, tedy autoritativní třetí strany, oproti obsahu přímo vlastněnému značkou, a že jednotlivé AI enginy se významně liší v diverzitě domén i citlivosti na formulaci dotazu (Chen et al., 2025).
Z pohledu značek se proto mění cílová funkce optimalizace. U klasického SEO a SEM šlo primárně o pozici ve výsledcích a míru prokliku. U GEO jde o to, aby AI systém danou značku vůbec zahrnul do své odpovědi, ideálně jako „doporučeného“ či „ověřeného“ zdroje. V prostředí GEM to znamená stát se přirozenou součástí generované odpovědi, aniž by to narušilo plynulost textu nebo důvěryhodnost celého sdělení.
2.3 Ekonomické dopady a metriky nativní reklamy s AI
Ekonomický přínos AI v nativní reklamě lze rozdělit do tří oblastí: růst příjmů, zlepšení engagementu a provozní efektivita. Pasrija (2025) na základě přehledu literatury i případových studií dochází k závěru, že AI-řízené nativní kampaně vedou ve srovnání s konvenčními přístupy k růstu příjmů díky lepšímu targetingu, přesnějšímu predikování pravděpodobnosti prokliku a schopnosti generovat obsah odpovídající situaci uživatele v nákupní cestě.
Práce Reisenbichlera, Reutterera a Schweidela (2025) ukazuje, že LLM mohou ve sponzorovaném vyhledávání vytvářet varianty reklamního textu, které dosahují lepších výsledků než lidsky psané šablony, přičemž dochází zároveň k úspoře nákladů na přípravu a testování kreativy. Schweidel a kol. (2024) rozšiřují tento argument směrem k širšímu marketingovému ekosystému a zdůrazňují, že největší přidaná hodnota vzniká při kombinaci generativní AI s lidským dohledem, nikoli při plné automatizaci.
McKinsey Global Institute ve své zprávě o ekonomickém potenciálu generativní AI odhaduje, že největší příspěvek k tvorbě hodnoty se soustřeďuje právě v marketingu a prodeji, kde AI urychluje tvorbu obsahu, personalizaci nabídek a optimalizaci cenových a komunikačních strategií (Chui et al., 2023).
V prostředí GEM je však nutné klasické metriky (CTR, RPM, konverze) doplnit o nové ukazatele, které odrážejí „viditelnost uvnitř odpovědi“. Hu a kol. (2025) v rámci GEM-Bench navrhují měřicí ontologii, která sleduje jak kvantitativní metriky jako „response flow“, „response coherence“ či míru injekce reklam, tak kvalitativní rozměry uživatelské spokojenosti: přesnost, přirozenost, osobnost a důvěru, doplněné o metriky vnímané pozornosti a pravděpodobnosti prokliku.
Pro CI to znamená, že k tradičnímu sledování impresí a kliků je vhodné přidat metriky typu „share of answer“ (jak často je značka zmíněna v generovaných odpovědích pro klíčové dotazy), „share of recommendation“ (jak často je značka explicitně doporučena) a „sentiment a rámování zmínek“ v generovaných textech. Tyto ukazatele se stávají novým polem konkurenčního boje.
2.4 Transparentnost a detekce AI‑generovaného obsahu
Rostoucí využití generativní AI v reklamě vyvolává otázku transparentnosti i schopnosti detekovat AI‑generovaný obsah. Technická komunita v posledních letech intenzivně zkoumá, nakolik je vůbec možné spolehlivě rozlišit text napsaný člověkem od textu generovaného modelem.
Studie Sadasivana a kol. (2023) ukazuje, že současné detektory AI textu jsou velmi citlivé na jednoduché úpravy, jako je vícenásobné parafrázování, a že pro dostatečně kvalitní jazykový model existují teoretická omezení, která brání spolehlivé detekci. Podobně novější práce zaměřené na faktory ovlivňující detekci AI textu potvrzují, že spolehlivost detekce se výrazně liší napříč jazyky, délkou textu i typem modelu a že pokročilé generativní systémy se detektorům stále snadněji vyhýbají. Přehledová studie Ghiurău a Popescu (2025) publikovaná v časopise Computers shrnuje, že navzdory rychlému vývoji metod zůstává detekce AI obsahu v mnoha praktických scénářích nevyřešeným problémem, zejména v případě adaptivních protivníků, kteří se snaží AI obsah maskovat jako lidský.
Na praktické úrovni ilustruje potíže s detekcí i rozhodnutí OpenAI z roku 2024 ukončit provoz vlastního nástroje „AI Classifier“ kvůli nízké přesnosti, což média interpretovala jako signál, že spolehlivá detekce generativního textu je zatím mimo dosah masových nástrojů.
Pro nativní reklamu a GEM to má dvojí důsledek. Zaprvé, na straně vydavatelů i inzerentů je obtížné technicky garantovat, že určité texty nebyly vytvořeny nebo zásadně upraveny AI. Zadruhé, regulátoři i samotné platformy proto kladou důraz spíše na povinné označování AI obsahu a transparentní komunikaci, než na spoléhání na detekční technologie. Jak uvidíme dále, výzkumy v oblasti AI disclosure v reklamě ukazují, že způsob a formulace tohoto označení mají zásadní dopad na důvěru a chování spotřebitelů.
3. Výzkumné pozadí: důvěra, AI disclosure a uživatelská zkušenost
Diskuse o AI v reklamě není pouze technologická, ale především psychologická a etická. Odborná literatura se v posledních letech soustředí na tři okruhy:
- jak AI mění samotnou povahu reklamní práce a vzdělávání,
- jak spotřebitelé vnímají reklamy vytvořené nebo spoluvytvořené AI,
- jaký vliv má explicitní označení AI účasti (AI disclosure) na důvěru, hodnotu reklamy a reklamní vyhýbání.
3.1 AI a reklamní profese
Huh, Nelson a Russell (2023) ve svém úvodníku v Journal of Advertising upozorňují, že generativní AI nejen rozšiřuje možnosti automatizace tvorby reklam, ale zároveň vyvolává nové otázky pro výzkum i výuku reklamy: jak učit kreativní práci v prostředí, kde je text či vizuál možné vygenerovat během sekund, a jak udržet důraz na strategické myšlení, etiku a dlouhodobé budování značky. Podobně Schweidel a kol. (2024) zdůrazňují, že LLM by měly být chápány jako spolupracující nástroj, nikoli náhrada lidské expertizy, a že největší přínos přináší kombinace lidského úsudku s rychlostí a šíří AI.
3.2 AI disclosure a vnímaná hodnota reklamy
Konkrétní dopady označení AI účasti na reakce spotřebitelů začínají mapovat první empirické studie. Bui (2025) zkoumá, jak zveřejnění informace, že reklamu částečně vytvořila AI, ovlivňuje vnímanou hodnotu reklamy a nákupní záměr. Ve dvou experimentálních studiích, v nichž autoři použili ChatGPT a Stable Diffusion k tvorbě stimulů, ukazuje, že samotná informace o účasti AI významně mění to, jak lidé reklamu hodnotí, a že tento efekt je zprostředkován aktivací tzv. persuasion knowledge, tedy uvědoměním si přesvědčovacího záměru a použitých taktik (Bui, 2025).
Gu, Li a Xiang (2025) ve své studii „The infinite monkey theorem in AIGC advertising“ posouvají diskusi dále a zkoumají, jak interakce mezi typem AI disclosure, apelací reklamy (emoční vs. racionální) a osobností značky ovlivňuje reklamní vyhýbání. Na základě čtyř experimentů docházejí k závěru, že účinky AI disclosure nejsou jednoznačně negativní; klíčová je „match“ mezi typem sdělení a deklarovanou AI identitou. Nevhodná kombinace (například silně emocionální apel u reklamy explicitně označené jako AI generovaná) může zvýšit tendenci reklamu vyhýbat, zatímco konzistentní kombinace může negativní efekty zmírnit (Gu et al., 2025).
Další práce ukazují podobné „match“ efekty i mimo oblast AI. Například Song a kol. (2024) zjistili, že deklarace „AI designér“ versus „lidský designér“ v cestovním ruchu ovlivňuje efektivitu reklam v závislosti na tom, zda je sdělení spíše utilitární nebo hedonické. Tyto poznatky podporují hypotézu, že transparentnost o roli AI by neměla být chápána izolovaně, ale jako součást širšího rámce kreativy, značkového archetypu a očekávání publika.
3.3 AI v reklamě služeb: důvěra a vizuální reprezentace
Specifickou oblastí jsou služby, kde je důvěra v poskytovatele zvlášť citlivá. Studie Grigsby, Michelsen a Zamudio (2025) publikovaná v Journal of Retailing and Consumer Services se zaměřuje na to, jak AI disclosure ovlivňuje vnímanou důvěryhodnost a postoje k servisním reklamám. Autoři zjišťují, že když je u vizuálně orientované reklamy explicitně uvedeno, že byla vytvořena generativní AI, vede to obecně k nižší důvěře a méně pozitivním postojům k inzerovanému poskytovateli, zejména pokud je vizuál zaměřen na osobu (například zubního lékaře) a nikoli na hmatatelné atributy služby (například vybavení ordinace).
Výsledky těchto studií dohromady naznačují, že transparentnost ohledně role AI v reklamě není „volitelným detailem“, ale strategickou volbou. Špatně navržené označení může posílit vnímanou neautentičnost nebo chladnost sdělení a vyvolat reklamní vyhýbání, zatímco dobře sladěné disclosure může působit jako signál modernity a efektivity bez zásadního narušení důvěry.
4. Rámec pro competitive intelligence v éře GEM a nativní AI reklamy
Na základě výše uvedeného teoretického rámce a výzkumných poznatků lze načrtnout praktický rámec pro využití nativní reklamy s generativní AI v oblasti CI. Nejde o uzavřený model, ale o návrh čtyř vzájemně propojených oblastí, ve kterých může CI tým systematicky pracovat s daty a výstupy generativních engineů.
4.1 Měření „share of answer“ v generativních enginech
Prvním pilířem je systematické sledování toho, jak jsou značka a její konkurenti reprezentováni v generativních odpovědích. Část literatury o GEO upozorňuje, že generativní vyhledávání má tendenci upřednostňovat obsah považovaný za autoritativní a že existuje výrazný bias směrem k earned media (Chen et al., 2025).
Pro CI je proto užitečné definovat sadu klíčových dotazů, které reprezentují strategicky důležité situace (výběr dodavatele, srovnání produktů, řešení typických problémů zákazníků) a pravidelně monitorovat:
- zda se značka v odpovědi vůbec objevuje,
- jak je rámována ve srovnání s konkurencí,
- jaké zdroje generativní engine cituje při jejím zmiňování,
- zda jsou do odpovědí injektovány reklamy ve smyslu GEM (Hu et al., 2025).
Tyto informace lze následně převést do metrik typu „share of answer“ a „share of recommendation“, které doplňují klasické share-of-voice a share-of-search. CI tým tak získá včasný signál o tom, jak generativní ekosystém vnímá pozici značky a jaké typy obsahu mají největší šanci být citovány.
4.2 Analýza strategie konkurence skrze GEO
Druhým pilířem je využití principů GEO k odhadu obsahové a PR strategie konkurentů. Výsledky Chen et al. (2025) ukazují, že generativní enginy výrazně preferují určité typy zdrojů a že se mezi sebou liší v tom, jak často a jakým způsobem citují konkrétní domény.
CI tým může systematicky analyzovat, z jakých typů webů generativní odpovědi čerpají informace o konkurentech (odborné recenze, oborové magazíny, akademické studie, vlastní blogy značek). To umožňuje:
- identifikovat „uzlové“ autoritativní zdroje, na kterých konkurence staví svou viditelnost v AI odpovědích,
- odhadnout, jaká témata, messaging a klíčová slova konkurence dlouhodobě posiluje,
- sledovat, zda se strategie konkurence mění (například posun od vlastněného obsahu k earned media).
Zjištění z GEO výzkumu zároveň naznačují, že menší značky mohou kompenzovat „big brand bias“ tím, že cíleně budují autoritu v úzce vymezených tématech a v autoritativních třetích zdrojích (Chen et al., 2025).
4.3 Experimenty s GEM a měření dopadu nativních AI kampaní
Třetím pilířem je aktivní testování nativních AI kampaní v prostředí GEM a měření jejich dopadu na metriky, které jsou relevantní nejen z pohledu výkonu, ale i reputace. Hu a kol. (2025) sice navrhují benchmark GEM-Bench primárně pro výzkumné účely, ale jejich ontologie metrik je využitelná i v praxi.
Při návrhu kampaní, v nichž jsou ads injektovány do generovaných odpovědí, by CI ve spolupráci s marketingem měla sledovat nejen klasické CTR, ale i:
- vnímanou přesnost a přirozenost odpovědi při přítomnosti reklamy,
- dopad na důvěru ke značce v krátkodobém i střednědobém horizontu,
- míru „reklamního vyhýbání“ (reklamy ignorované, blokované či odmítané) v závislosti na typu disclosure.
Zde jsou užitečné poznatky Bui (2025), Gu et al. (2025) i studie Grigsby et al. (2025), které ukazují, že AI disclosure může být dvojsečná a že není vhodné jej navrhovat pouze z právního hlediska, ale jako součást celkové komunikační strategie.
4.4 Řízení rizik: detekce, regulace a reputační dopady
Posledním pilířem je řízení rizik spojených s používáním AI v nativní reklamě. Jak naznačují technické studie o detekci AI textu (Sadasivan et al., 2023; Ghiurău & Popescu, 2025), nelze spoléhat na to, že bude možné ex post spolehlivě prokazovat původ každého obsahu. To zvyšuje význam interních pravidel, auditních stop a jednoznačné odpovědnosti za výstupy.
Z hlediska reputace je rizikem zejména situace, kdy by uživatelé odhalili neoznačený AI obsah v citlivých kontextech, například u služeb založených na důvěře. Výzkum v oblasti AI disclosure ukazuje, že nevhodně nastavená transparence může vést k poklesu důvěry a zvýšení reklamního vyhýbání (Grigsby et al., 2025; Gu et al., 2025). Na druhé straně může být promyšlené a konzistentní označování vnímáno jako signál etického a profesionálního přístupu.
Pro CI je proto vhodné:
- monitorovat regulatorní vývoj týkající se označování AI obsahu,
- sledovat případové kauzy spojené s AI „halucinacemi“ a neexistujícími citacemi, které v jiných oborech (například právu) již vedly k reputačním i právním důsledkům,
- doporučit interní standardy, které omezí rizikové scénáře (například použití AI jako zdroje, nikoli autority, a povinnou lidskou kontrolu u citlivých sdělení).
5. Závěr
Generativní AI zásadně mění způsob, jakým vzniká, distribuuje se a vyhodnocuje nativní reklama. V prostředí, kde stále větší část informačního vyhledávání probíhá skrze generativní enginy, se competitive intelligence nemůže omezit na sledování klasických bannerů, PPC a statických advertorialů.
Tato práce ukázala, že:
- marketingový ekosystém se přesouvá od algoritmického k generativnímu paradigmatu, v němž AI generuje samotný obsah a čím dál více i logiku jeho distribuce (Schweidel et al., 2024; Reisenbichler et al., 2025; Pasrija, 2025);
- koncepty GEM a GEO přinášejí novou ekonomiku viditelnosti, v níž je cílem stát se součástí generovaných odpovědí a být v nich citován jako důvěryhodný zdroj (Hu et al., 2025; Chen et al., 2025);
- výzkumy AI disclosure ukazují, že transparentnost o roli AI v reklamě zásadně ovlivňuje vnímanou hodnotu, důvěru i reklamní vyhýbání, přičemž efekty závisí na sladění s typem sdělení a osobností značky (Bui, 2025; Gu et al., 2025; Grigsby et al., 2025);
- technické možnosti detekce AI‑generovaného obsahu jsou omezené a nelze na ně spoléhat jako na hlavní nástroj řízení rizik (Sadasivan et al., 2023; Ghiurău & Popescu, 2025).
Na tomto základě byl navržen rámec pro CI využívající čtyři pilíře: měření „share of answer“ v generativních enginech, analýzu strategie konkurence skrze GEO, experimentování s GEM a řízení rizik spojených s AI v nativní reklamě.
Pro praxi to znamená, že CI by se měla stát partnerem marketingu při:
- definování prioritních dotazů a témat pro GEO,
- interpretaci výstupů z generativních engineů ve srovnání s konkurencí,
- návrhu a vyhodnocování experimentů s nativní AI reklamou,
- nastavování etických a regulačních standardů, které chrání důvěru uživatelů a dlouhodobou reputaci značky.
Budoucí výzkum by se mohl zaměřit na kvantitativní modelování vztahu mezi metrikami „share of answer“ a tradičními obchodními ukazateli, na lepší pochopení kulturních a segmentových rozdílů v reakci na AI disclosure a na návrh praktických nástrojů, které CI týmům umožní efektivně kombinovat data z generativních engineů s klasickými zdroji konkurenčního zpravodajství.
Deklarace využití AI
V souladu s tématem práce, které se zabývá vlivem generativní AI na marketing, byly při jejím zpracování využity nástroje umělé inteligence (např. ChatGPT, Perplexity, Gemini). Tyto technologie sloužily jako podpora v následujících fázích:
- Rešerše a analýza zdrojů: Vyhledávání a sumarizace relevantních akademických studií a identifikace klíčových konceptů v oblasti GEM a GEO.
- Syntéza a formulace: Asistence při strukturování argumentace a syntéze poznatků z cizojazyčné literatury do českého jazyka.
- Stylistická revize: Finální text prošel editací pomocí jazykových modelů za účelem zajištění terminologické přesnosti a stylistické koherence.
Veškeré výstupy generované AI byly podrobeny lidskému dohledu, faktické kontrole a finálnímu schválení autorem práce.
Seznam použité literatury
Bui, H. T. (2025). Examining the effect of AI advertising involvement disclosure on advertising value and purchase intentions. Journal of Research in Interactive Marketing. Advance online publication. https://doi.org/10.1108/JRIM-02-2025-0066
Cashion, F., & O’Brien, J. (2024, December 12). Generative AI takes off with marketers. AMA Marketing News.
Chen, M., Wang, X., Chen, K., & Koudas, N. (2025). Generative engine optimization: How to dominate AI search (arXiv:2509.08919). arXiv. https://doi.org/10.48550/arXiv.2509.08919
Chui, M., Hazan, E., Roberts, R., Singla, A., Smaje, K., Sukharevsky, A., Yee, L., & Zemmel, R. (2023, June 14). The economic potential of generative AI: The next productivity frontier. McKinsey & Company.
Ghiurău, D., & Popescu, D. E. (2025). Distinguishing reality from AI: Approaches for detecting synthetic content. Computers, 14(1), 1. https://doi.org/10.3390/computers14010001
Gu, C., Li, X., & Xiang, Q. (2025). The infinite monkey theorem in AIGC advertising: Matching effects between AI disclosure and advertising appeals on consumer advertising avoidance intention. Journal of Research in Interactive Marketing, 1–20. https://doi.org/10.1108/JRIM-05-2025-0265
Grigsby, J. L., Michelsen, M., & Zamudio, C. (2025). Service ads in the era of generative AI: Disclosures, trust, and ad attitudes. Journal of Retailing and Consumer Services, 84, 104231. https://doi.org/10.1016/j.jretconser.2025.104231
Hu, S., Zhang, S., Shi, Y., & Xiao, X. (2025). GEM-Bench: A benchmark for ad-injected response generation within generative engine marketing (arXiv:2509.14221). arXiv. https://doi.org/10.48550/arXiv.2509.14221
Huh, J., Nelson, M. R., & Russell, C. A. (2023). ChatGPT, AI advertising, and advertising research and education. Journal of Advertising, 52(4), 477–482. https://doi.org/10.1080/00913367.2023.2227013
Nguyen, C. A., & kol. (2025). Integrating generative AI into team-based marketing workflows. California State University, Los Angeles.
Pasrija, D. (2025). Impact of AI on native advertising revenue growth. World Journal of Advanced Engineering Technology and Sciences, 16(1), Article 1229. https://doi.org/10.30574/wjaets.2025.16.1.1229
Reisenbichler, M., Reutterer, T., & Schweidel, D. A. (2025). Applying large language models to sponsored search advertising. Marketing Science. Advance online publication. https://doi.org/10.1287/mksc.2023.0611
Sadasivan, V. S., Kumar, A., Balasubramanian, S., Wang, W., & Feizi, S. (2023). Can AI-generated text be reliably detected? In Proceedings of ICLR (arXiv:2303.11156). arXiv. https://doi.org/10.48550/arXiv.2303.11156
Schweidel, D. A., Reisenbichler, M., & Reutterer, T. (2024). Moving beyond ChatGPT: Applying large language models in marketing contexts. NIM Marketing Intelligence Review, 16(1), 24–29. https://doi.org/10.2478/nimmir-2024-0004
Song, M., Chen, H., Wang, Y., & Duan, Y. (2024). Can AI fully replace human designers? Matching effects between declared creator types and advertising appeals on tourists’ visit intentions. Journal of Destination Marketing & Management, Article 100892. https://doi.org/10.1016/j.jdmm.2024.100892






