Ο καθορισμός μιας ακριβούς αξίας σε δολάρια για τις προκλήσεις που αντιμετωπίζουν οι δημιουργικές ομάδες με βοήθεια την Τεχνητή Νοημοσύνη (ΤΝ) είναι δύσκολος, αλλά κάθε μια από αυτές αποτελεί ένα πιθανά εμπόδιο που απειλεί την επιτυχία τους. Μια έρευνα της Gartner από τον Οκτώβριο, με 400 παγκόσμιους marketers, διαπίστωσε ότι το 58% χρησιμοποιεί γενετική ΤΝ για παραγωγή περιεχομένου. Πολλοί διαφημιστές επιδιώκουν να αναπτύξουν ημι-αυτοματοποιημένα συστήματα όπως αυτά της Unilever, αν και η κατασκευή μιας τέτοιας γραμμής παραγωγής με ΤΝ μπορεί να πάρει πάνω από ένα χρόνο. Ο Craig Elimeliah, διευθύνων σύμβουλος δημιουργικού τμήματος στην Code & Theory, συγκρίνει την παραγωγή με ΤΝ με το «χτίσιμο του δικού σου σπιτιού, αντί να ενοικιάζεις κάποιο άλλο». Αυτό το «χτίσιμο» περιλαμβάνει νομική συμβουλευτική, επιλογή κατάλληλων μεγάλων μοντέλων γλώσσας (LLMs) για μια μάρκα και υπομονετική συγκέντρωση οδηγών μάρκας και προηγούμενου περιεχομένου σε briefs που η γενετική ΤΝ μπορεί να καταλάβει. Απαιτεί επίσης εκτεταμένες δοκιμές και αποτυχίες για να διασφαλιστεί ότι το σύστημα διαχειρίζεται αξιόπιστα υλικό ευαίσθητο για τη μάρκα. Αυτή η ρύθμιση απαιτεί σημαντικό χρόνο, παρά το γεγονός ότι το 81% των marketers αξιολογούν την επιτυχία με βάση τον χρόνο που εξοικονομούν με την ΤΝ, σύμφωνα με τη μελέτη της Gartner. Ο Dave Rolfe, παγκόσμιος διευθυντής παραγωγής στην Hogarth της WPP, προσθέτει ότι το πιο δαπανηρό στοιχείο είναι η προσαρμογή σε αυτήν τη νέα διαδικασία. Επιπλέον, η πρόσληψη εξειδικευμένου προσωπικού για το σχεδιασμό, εφαρμογή και λειτουργία τέτοιων συστημάτων ΤΝ είναι δύσκολη λόγω του ανταγωνισμού για ταλέντα στον χώρο της τεχνητής νοημοσύνης από τεχνολογικούς κολοσσούς και διαφημιστικές εταιρείες. Ο James Thoams, παγκόσμιος CTO στη Dentsu Creative, τονίζει ότι «το ταλέντο στην ΤΝ είναι δύσκολο να βρεθεί». Η γενετική ΤΝ συχνά προσβάλλεται μέσω συνδρομών, αλλά ορισμένες εταιρείες, όπως η OpenAI, περιορίζουν τη χρήση και πωλούν πιστώσεις με το μοντέλο pay-as-you-go, το οποίο μπορεί να καθιστά ακριβή την εντατική δοκιμή με premium μοντέλα. Ο Ómar Thor Ómarsson, διευθύνων σύμβουλος της Optise—προμηθευτή εργαλείων ΤΝ B2Β που βελτιώνει την απόδοση οργανικής αναζήτησης—προειδοποιεί ότι οι εταιρείες που παράγουν μεγάλα volumes περιεχομένου κατ' αίτησιν αντιμετωπίζουν αυξανόμενο κόστος. Αν και τα μεμονωμένα prompts κοστίζουν μόνο λίγες δεκάδες του ενός λεπτού, εκστρατείες με δεκάδες χιλιάδες, όπως η χριστουγεννιάτικη διαφήμιση της Coca-Cola που χρησιμοποίησε 70. 000 prompts, προκαλούν γρήγορη αύξηση των εξόδων. Ο Ómarsson σημείωσε ότι «η απερίσκεπτη πειραματική δοκιμή με μεγάλα prompts και premium μοντέλα μπορεί να συσσωρεύεται σιωπηλά». Νομικά ζητήματα επίσης υφίστανται εν μέσω συνεχιζόμενων διαφορών πνευματικών δικαιωμάτων μεταξύ εταιρειών ΤΝ και δημιουργών, προκαλώντας δισταγμό σε ορισμένους πελάτες σχετικά με το ποιο LLM να αναπτύξουν. Μεγαλύτερες εταιρείες αντιμετωπίζουν αυτό μέσω ρητρών α indemnity. Για παράδειγμα, η WPP ενσωμάτωσε ελέγχους συμμόρφωσης στην πλατφόρμα WPP Open από νωρίς πέρυσι.

Οι μάρκες που εργάζονται εσωτερικά συνήθως στερούνται τέτοιας προστασίας, καθιστώντας τη συμμόρφωση σημαντική. Ο Rolfe τονίζει την ανάγκη για συστήματα περιορισμένης διαχειρισιμότητας που συνδέονται με πρότυπα συμμόρφωσης. Πέραν της τεχνολογίας, τα παραδοσιακά ανθρώπινα workflows προκαλούν καθυστερήσεις. Οι διαδικασίες έγκρισης σε εταιρείες και πελάτες συχνά καταναλώνουν περισσότερο χρόνο από τη δημιουργία περιεχομένου με τεχνητή νοημοσύνη. Ο Elimeliah εξηγεί ότι «το πραγματικό κόστος δεν είναι η δημιουργία περιουσιακών στοιχείων, αλλά η δημιουργία των δικών σου περιουσιακών στοιχείων», καθώς κάποιος πρέπει να εξετάσει, να κρίνει και να βελτιώσει τις πολλαπλές επιλογές που παράγει ένα AI prompt, μετατρέποντας τις προϊφανώς αόρατες εργασίες λήψης αποφάσεων σε σαφείς εργασίες. Αυτό καθιστά τα «εισιτήρια πελατών» bottlenecks, αφού η ΤΝ παράγει περιεχόμενο σε λεπτά, αλλά οι πελάτες χρειάζονται εβδομάδες ή μήνες για να δώσουν έγκριση. Ο Elimeliah επισημαίνει ότι αυτό το χάσμα χρόνου είναι «το πιο ακριβό μέρος της γραμμής παραγωγής». Ως απάντηση, ορισμένες οργανώσεις ανασχεδιάζουν τις διαδικασίες briefing τους και χρησιμοποιούν γενετική ΤΝ με ειδικά πρότυπα για την ανύψωση των αρχικών δημιουργικών οδηγιών. Η αναλύτρια της Gartner, Nicole Greene, παρατηρεί ότι πολλοί πελάτες τώρα χρησιμοποιούν την γενετική ΤΝ νωρίς για να αναπτύξουν υψηλότερης ποιότητας στρατηγικές και δημιουργικές εισροές για τα πρακτορεία τους. Ο Rolfe στην Hogarth περιγράφει μια αλλαγή στη φιλοσοφία παραγωγής: η χρήση της ΤΝ επέτρεψε στην εταιρεία να μειώσει τον χρόνο παραγωγής υλικών για διαφημιστική εκστρατεία ενός telco πελάτη από επτά εβδομάδες σε δύο. Ωστόσο, η επίτευξη τέτοιων αποδοτικότητων απαιτεί την υιοθέτηση μιας «νοοτροπίας συστατικών», δίνοντας έμφαση σε εργασίες μετά την παραγωγή, παρά στην ταχεία συλλογή περιεχομένου μαζικά με παραδοσιακές μεθόδους. Άλλες εταιρείες χρησιμοποιούν αυτοματοποιένα συστήματα ελέγχου ποιότητας που εφαρμόζουν πρίσματα ελέγχου, αξιολογώντας παράγοντες όπως η αναλογία διαστάσεων, η ομοιομορφία φωτισμού, ο χρονισμός λογότυπων και οι δείκτες απόδοσης. Παρά την αυτοματοποίηση αυτή, οι marketers παραμένουν επιφυλακτικοί σχετικά με την πλήρη αυτοματοποίηση της ΤΝ. Ο Ómarsson σημειώνει ότι «το περιεχόμενο ΤΝ μπορεί να είναι καταπληκτικό ή απαίσιο. Όλοι μαθαίνουμε να εμπιστευόμαστε. . . ό, τι προκύπτει από τα LLMs». Συνοψίζοντας, ενώ η γενετική ΤΝ προσφέρει μεγάλες ευκαιρίες για αποδοτικότητα και βελτίωση της ποιότητας του περιεχομένου, η αποτελεσματική εφαρμογή της απαιτεί σημαντικό χρόνο, επενδύσεις, ταλέντο, νομική προστασία και προσαρμογές στα ανθρώπινα workflows—καθένα από τα οποία αντιπροσωπεύει έναν πιθανό κίνδυνο που οι δημιουργικές ομάδες πρέπει να διαχειριστούν προσεκτικά.