Como o NotPixel criou uma camada de anúncios contextuais para produtos baseados em LLM

O NotPixel nasceu de uma tese clara: se a busca, o conteúdo e os fluxos de descoberta estão migrando para interfaces conversacionais, o modelo de publicidade também precisa mudar. Em vez de depender de cookies, banners genéricos ou interrupções visuais, o desafio era criar uma camada de monetização nativa para respostas de LLM, capaz de inserir ofertas relevantes sem quebrar a experiência do usuário.

A solução foi estruturada como um SDK provider-agnostic para plataformas de IA, chatbots, copilotos e assistentes. O produto permite que um publisher envie o contexto da conversa, receba um anúncio compatível com aquela intenção e componha a resposta final com disclosure claro de conteúdo patrocinado. A proposta não era criar mais um ad server tradicional, mas um mecanismo de monetização feito para ambientes onde o prompt, a resposta e a intenção do usuário são o principal inventário.

SDK de anúncios para LLMs

No núcleo do projeto, desenvolvi o SDK notpixel, com uma API simples para buscar anúncios, gerar respostas com oferta patrocinada, trabalhar em batch, fazer prefetch, cachear resultados e operar em modo mock para desenvolvimento. A integração foi desenhada para ser natural para times técnicos: o desenvolvedor informa publisherId, modelo, input e opções de privacidade, e o SDK resolve a seleção, composição e tracking.

O produto também foi construído para não prender o cliente a um único provedor de IA. Foram criados adapters para OpenAI, Anthropic, Google Gemini, xAI, OpenRouter e APIs compatíveis com Chat Completions. Isso permite que o mesmo mecanismo de monetização funcione em diferentes stacks de LLM, inclusive com streaming.

Relevância contextual e privacidade

A camada de matching considera o texto da conversa, metadados de contexto e score mínimo de relevância antes de exibir uma oferta. O SDK filtra anúncios de baixa aderência para evitar inserções forçadas e preservar a utilidade da resposta. Esse ponto é essencial em LLMs: um anúncio fora de contexto não é apenas ruim para performance, ele quebra confiança.

Também implementei uma abordagem privacy-first. Por padrão, o SDK pode gerar embeddings localmente e enviar apenas o vetor para a API, reduzindo a exposição do texto original da conversa. Quando necessário, há fallback para texto sanitizado e truncado. Essa arquitetura equilibra monetização, performance e proteção de dados em um cenário onde prompts podem conter informações sensíveis.

Composição da resposta e streaming

O NotPixel não injeta um bloco publicitário de forma cega. Ele constrói instruções para o LLM incorporar a oferta patrocinada no final da resposta com tom neutro, disclosure explícito e CTA preservado. A lógica funciona em português e inglês e evita que o modelo invente benefícios não presentes no anúncio.

Também foi estruturado suporte a streaming, com adapters capazes de consumir SSE de provedores diferentes e entregar a resposta em fluxo. Isso permite monetizar experiências de chat modernas sem sacrificar latência percebida ou obrigar o produto a esperar a resposta inteira para renderizar conteúdo.

Tracking, analytics e operação para publishers

Além da seleção do anúncio, criei uma biblioteca de browser tracking para impressões, cliques e conversões. Ela usa sendBeacon quando possível, fallback com fetch, tracking por visibilidade com IntersectionObserver e eventos de conversão com metadados. O SDK também expõe hooks de analytics para medir anúncio buscado, erros, ausência de oferta, latência e cache.

O resultado foi uma infraestrutura de ads desenhada especificamente para LLMs: seleção contextual, privacidade por embeddings locais, suporte multi-provider, streaming, componentes React, tracking de eventos e modo de desenvolvimento. O NotPixel transforma a resposta do assistente em um inventário comercial mensurável, sem reduzir a experiência a banners ou formatos herdados da web tradicional.