Precīzas dolāru vērtības piešķiršana izaicinājumiem, ar kuriem saskaras AI-palīdzētās radošās komandas, ir grūta, taču katrs no tiem ir potenciāls šķērslis, kas apdraud viņu panākumus. Gartner aptauja no 2023. gada oktobra, kurā piedalījās 400 globālo mārketinga speciālistu, rāda, ka 58% izmanto ģeneratīvo AI satura ražošanā. Daudzi reklāmdevēji cenšas izveidot semi-automātiskas sistēmas, līdzīgas Unilever, taču šādas AI vadītas ražošanas līnijas izveide var aizņemt vairāk nekā gadu. Craig Elimeliah, Code & Theory radošais direktors, AI ražošanu salīdzina ar “pašu mājas būvēšanu, nevis īrēšanu no kāda cita. ” Šī “mājas būvniecība” ietver juridisko konsultāciju, piemērotu lielo valodu modeļu (LLM) izvēli zīmolam, kā arī rūpīgu zīmola vadlīniju un iepriekšējā satura apkopošanu tādās paskaidrojošās daļās, ko ģeneratīvais AI var saprast. Turklāt nepieciešama plaša mēģinājumu un kļūdu gūšanas process, lai nodrošinātu, ka sistēma droši apstrādā zīmola jutīgu materiālu. Šī uzbūve prasa ievērojamu laika ieguldījumu, kas ir ironiski ņemot vērā to, ka pēc Gartner pētījuma, 81% mārketinga speciālistu mērķi sasniedz ar AI ietaupīto laiku. Dave Rolfe, WPP Hogarth globālais ražošanas vadītājs, piebilst, ka visdārgākais elements ir pielāgošanās šim jaunajam procesam. Papildu tam ir grūti piesaistīt kvalificētu personālu, kas spētu izstrādāt, ieviest un darbināt šādas AI sistēmas, ņemot vērā konkurenci par AI talantiem no tehnoloģiju gigantiem un reklāmdevējiem. James Thoams, Dentsu Creative globālais tehnoloģiju direktors, uzsver, ka “AI talants ir grūti atrast. ” Ģeneratīvo AI bieži pieejams ar abonēšanas pakalpojumiem, taču dažas uzņēmumi, tostarp OpenAI, ierobežo lietojumu un pārdod kredītus pēc nepieciešamības modeļa, kas dēļ intensīva testēšana ar premium modeļiem var kļūt dārga. Ómar Thor Ómarsson, Optise vadītājs – B2B AI rīku nodrošinātājs, uzlabojošs organiskās meklēšanas rezultātus, brīdina, ka uzņēmumi, kas ģenerē lielu apjomu saturu pēc pieprasījuma, saskaras ar pieaugošām izmaksām. Lai arī individuālie pieprasījumi izmaksā tikai daļas centa, kampaņas, kas ietver tūkstošiem pieprasījumu - piemēram, “Coca Cola” Ziemassvētku reklāmai, kurā tika izmantoti 70 000 pieprasījumi, - rada ātru izmaksu pieaugumu. Ómarsson piebilst, ka “nepaklausīga testēšana ar lieliem pieprasījumiem un premium modeļiem var klusītiņām piepumpēt izmaksas. ” Joprojām pastāv juridiskas bažas sakarā ar turpinātajiem autortiesību strīdiem starp AI uzņēmumiem un autoriem, liekot dažiem klientiem atturēties no tādu LLM ieviešanas. Lielākas aģentūras to risina ar kompensācijas garantijām. Piemēram, WPP jau kopš pagājušā gada sākuma integrējusi atbilstības pārbaudes savā WPP Open platformā.

iekšējās zīmoli bieži nesaņem līdzīgu aizsardzību, tāpēc atbilstība kļūst par būtisku faktoru. Rolfe akcentē nepieciešamību pēc ierobežotām sistēmām, kas ir saistītas ar atbilstības standartiem. Papildus jaunajai tehnoloģijai, tradicionālais cilvēku darba process rada kavēšanos. Apstiprināšanas procedūras aģentūrās un klientu organizācijās bieži aizņem vairāk laika nekā pati satura radīšana ar AI. Elimeliah skaidro, ka “patiesās izmaksas nav satura radīšana, bet satura radīšana, ” jo kāds ir jānovērtē, jālabo un jāsaskaņo daudzie AI ģenerētie varianti, pārveidojot iepriekš neizpaužamo lēmumu darbību par skaidriem uzdevumiem. Rezultātā “klienta apstiprinājumi” kļūst par bloķējošiem elementiem, jo AI spēj ģenerēt saturu minūšu laikā, bet klienti nepieciešamo apstiprinājumu sniedz nedēļās vai mēnešos. Elimeliah uzsver, ka šis laika joslas “ir dārgākā daļa pipeline. ” Lai to risinātu, dažas organizācijas pārstrādājušas savu instrukciju ievadīšanas procesu un izmanto ģeneratīvo AI ar specializētiem modeļiem, lai uzlabotu sākotnējo radošo plānojumu. Gartner analītiķe Nicole Greene norāda, ka daudzi klienti tagad izmanto ģeneratīvo AI jau sākotnējā posmā, lai izstrādātu augstākas kvalitātes stratēģiskus radošos ieguldījumus savām aģentūrām. Rolfe no Hogarth apraksta pārmaiņas ražošanas filozofijā: AI izmantošana ļāva uzņēmumam samazināt ražošanas laiku telco klienta reklāmas materiālu izstrādei no septiņām nedēļām līdz divām. Taču šādu efektivitātes līmeņu sasniegšanai nepieciešama “ komponentu domāšana”, kurā tiek prioritizēts pēcprodukcijas darbi pār tradicionālo ātro lielražošanas satura uzņemšanu. Daži uzņēmumi izmanto automatizētas kvalitātes kontroles sistēmas, kas piemēro iepriekš sagatavotas pārbaudes sarakstus, novērtējot tādus faktorus kā aspektu attiecība, apgaismojuma konsekvence, logotipa laiks un veiktspējas kritēriji. Neskatoties uz šādu automatizāciju, mārketinga speciālisti joprojām ir piesardzīgi attiecībā uz pilnībā automātisku AI procesu. Ómarsson atzīmē, ka “AI saturs var būt brīnišķīgs vai briesmīgs. Mēs visi mācāmies uzticēties. . . tam, kas iznāk no LLM. ” Kopumā, lai arī ģeneratīvais AI sniedz lielas iespējas satura radīšanas efektivitātei un kvalitātes uzlabošanai, tā efektīva īstenošana prasa ievērojamu laiku, investīcijas, talantus, juridiskās aizsardzības pasākumus un cilvēku darba plūsmas pielāgošanu — katru no tiem var pārstāvēt potenciālu risku, ar kuriem radošajām komandām jācenšas rēķināties ar rūpību.