ارزش‌گذاری دقیق دلار برای چالش‌هایی که تیم‌های خلاق کمک‌گرفته از هوش مصنوعی با آن مواجه هستند، سخت است، اما هر کدام نشانگر موانع پتانسیلی است که موفقیت آن‌ها را تهدید می‌کند. یک نظرسنجی گروه گارتنر در اکتبر، با حضور ۴۰۰ بازاریاب جهانی، نشان داد که ۵۸٪ از هوش مصنوعی تولیدی برای تولید محتوا استفاده می‌کنند. بسیاری از تبلیغ‌کنندگان هدف دارند سیستم‌های نیمه‌خودکار مانند سیستم‌های یونی‌لیور را توسعه دهند، گرچه ساخت چنین خط تولید مبتنی بر هوش مصنوعی ممکن است بیش از یک سال زمان ببرد. کریگ الیملیا، مدیر خلاقیت در شرکت کد و تئوری، تولید هوش مصنوعی را مانند «ساختن خانه خودتان به جای اجاره خانه دیگران» مقایسه می‌کند. این «ساخت خانه» شامل مشاوره حقوقی، انتخاب مدل‌های زبانی بزرگ (LLMs) مناسب برای برند، و جمع‌آوری دقیق دستورالعمل‌های برند و محتوای قبلی در قالب طرح‌هایی است که هوش مصنوعی تولیدی بتواند آنها را درک کند. همچنین، نیازمند آزمایش و خطاهای فراوان است تا اطمینان حاصل شود سیستم به‌طور مطمئن، محتوای حساس به برند را مدیریت می‌کند. این راه‌اندازی نیازمند زمان و سرمایه‌گذاری قابل توجهی است، در حالی‌که همزمان ۸۱٪ بازاریابان موفقیت را به صرفه‌جویی در زمان توسط هوش مصنوعی نسبت می‌دهند، بر اساس مطالعه گارتنر. دِیو رولف، سرپرست تولید جهانی در شرکت هوگارت، می‌افزاید که گران‌ترین بخش، سازگاری با این فرآیند جدید است. علاوه بر این، جذب نیروی ماهر برای طراحی، پیاده‌سازی و اداره چنین سیستم‌های هوش مصنوعی، در میان رقابت با غول‌های فناوری و تبلیغ‌کنندگان برای جذب استعدادهای هوش مصنوعی، چالش‌برانگیز است. جیمز توامس، مدیر فناوری اطلاعات جهانی در دنتسو کرییوت، تأکید می‌کند که «تجربه هوش مصنوعی سخت به دست می‌آید». دسترسی به هوش مصنوعی تولیدی غالباً از طریق اشتراک صورت می‌گیرد، اما برخی شرکت‌ها، از جمله اوپن‌ای‌آی، استفاده را محدود کرده و اعتبارات را در مدل پرداخت بر حسب استفاده می‌فروشند، که آزمایش‌های فشرده با مدل‌های پریمیوم را پرهزینه می‌کند. عمر ثور عمرسون، مدیر عامل شرکت اوپتی‌س، عرضه‌کننده ابزارهای هوش مصنوعی B2B که به بهبود عملکرد جستجوی ارگانیک کمک می‌کند، هشدار می‌دهد که شرکت‌هایی که حجم زیادی محتوا بر حسب نیاز تولید می‌کنند، با هزینه‌های رو به افزایش مواجه هستند. اگرچه هزینه هر درخواست فردی تنها چند بخش از یک سنت است، اما کمپین‌هایی با ده‌ها هزار درخواست — مانند آگهی کریسمس کوcaکولا که از ۷۰ هزار درخواست استفاده کرد — سریعاً هزینه‌ها را بالا می‌برد. عمرسون یادآور می‌شود که «آزمایش‌های بی‌برنامه با درخواست‌های بزرگ و مدل‌های پریمیوم می‌تواند آرام آرام هزینه‌ها را افزایش دهد. » نگرانی‌های حقوقی نیز پابرجاست، در میانه کشمکش‌های حقوقی مستمر بین شرکت‌های هوش مصنوعی و نویسندگان، که باعث تردید برخی مشتریان درباره انتخاب LLM مناسب شده است. شرکت‌های بزرگ این مشکل را با ارائه جبران خسارت حل می‌کنند؛ برای مثال، WPP از ابتدای سال گذشته، بررسی‌های تطابق با مقررات را در پلتفرم WPP Open خود ادغام کرده است.

برندهای داخلی معمولاً چنین محافظتی ندارند، و این باعث می‌شود رعایت قوانین مهم‌تر باشد. رولف بر نیاز به سیستم‌های کنترل شده و منطبق با مقررات تأکید می‌کند. علاوه بر فناوری، فرآیندهای انسانی سنتی باعث تأخیر می‌شوند. فرآیندهای تأیید در داخل آژانس‌ها و سازمان‌های مشتری اغلب بیشتر از خود تولید محتوا بر اساس هوش مصنوعی زمان می‌برند. الیملیا توضیح می‌دهد که «هزینه واقعی، تولید دارایی‌ها نیست، بلکه تولید دارایی‌های شما است»، زیرا کسی باید بر گزینه‌های متعدد تولید شده توسط یک درخواست هوش مصنوعی نظارت، ارزیابی و اصلاح کند؛ کاری که پیش‌تر در کارهای تصمیم‌گیری غیرقابل دید بود، حال به وظایف آشکار تبدیل شده است. این موضوع منجر به تبدیل «تأیید مشتریان» به عاملان معضل می‌شود، زیرا هوش مصنوعی در عرض چند دقیقه محتوا تولید می‌کند، اما مشتریان ممکن است هفته‌ها یا ماه‌ها زمان صرف تأیید آن کنند. الیملیا این فاصله زمانی را «گران‌ترین قسمت خط تولید» می‌نامد. برای مقابله با این مشکل، برخی سازمان‌ها روند برآورد اولیه (براشینگ) خود را بازطراحی کرده و از هوش مصنوعی تولیدی با قالب‌های تخصصی بهره می‌برند تا برتری ابتدایی خلاقانه را ارتقاء دهند. تحلیلگر گارتنر، نیکول گرین، معتقد است که بسیاری از مشتریان اکنون زودتر از هوش مصنوعی تولید شده برای توسعه ورودی‌های استراتژیک باکیفیت‌تر برای آژانس‌های خود بهره می‌برند. رولف در هوگارت، تغییر در فلسفه تولید را شرح می‌دهد: استفاده از هوش مصنوعی به شرکت امکان داد تا زمان تولید مطالب تبلیغاتی برای یک مشتری سرویس مخابراتی را از هفت هفته به دو هفته کاهش دهد. اما دستیابی به چنین بهره‌وری‌هایی مستلزم اتخاذ «نگاه به اجزاء» است، و اولویت‌بندی فرآیندهای پسافروش به جای فرآیندهای سنتی ثبت محتوای سریع است. شرکت‌های دیگری سیستم‌های کنترل کیفیت خودکار به کار گرفته‌اند که فهرست‌های بررسی قبل از راه‌اندازی، مانند نسبت ابعاد، یکنواختی نورپردازی، زمان‌بندی لوگو و معیارهای عملکرد را ارزیابی می‌کنند. با وجود این نوع اتوماسیون، بازاریابان هنوز محتاطانه با فرآیندهای کاملاً خودکار مبتنی بر هوش مصنوعی برخورد می‌کنند. عمرسون می‌گوید: «محتوای هوش مصنوعی می‌تواند شگفت‌انگیز باشد یا ویران‌گر. ما همه در حال یادگیری اعتماد کردن به آنچه از LLM‌ها بیرون می‌آید، هستیم. » در مجموع، در حالی که هوش مصنوعی تولیدی فرصت‌های بزرگی برای بهبود بهره‌وری و کیفیت محتوا ارائه می‌دهد، اجرای مؤثر آن نیازمند زمان، سرمایه‌گذاری، استعداد، تدابیر حقوقی و اصلاح فرآیندهای انسانی است که هر یک می‌تواند خطراتی را برای تیم‌های خلاق به همراه داشته باشد که باید با دقت آن‌ها را مدیریت کنند.