HBR: Làm thế nào để đưa AI tạo sinh vào Chiến lược Marketing của bạn?

https://hbr.org/2025/03/how-should-gen-ai-fit-into-your-marketing-strategy

#HBR

Làm thế nào để đưa AI tạo sinh vào Chiến lược Marketing của bạn?

Tác giả: Dhruv Grewal, Cinthia B. Satornino, Thomas H. Davenport và Abhijit Guha

Ngày 24 tháng 3 năm 2025

Minh họa bởi Alex Eben Meyer

Tóm tắt: Để tích hợp thành công AI tạo sinh (gen AI) trong marketing, các công ty cần cân bằng giữa tự động hóa, cá nhân hóa và giám sát của con người. Do đó, họ nên tuân theo một số bước. Đầu tiên, xác định liệu một nhiệm vụ có cần gen AI để tạo nội dung hay không...

AI tạo sinh (gen AI) đã gây ra những cú sốc công nghệ trong toàn bộ hệ sinh thái thị trường—đặc biệt là đối với lĩnh vực marketing—khiến các bên liên quan phải đối mặt với những ảnh hưởng, cơ hội và thách thức của nó. Vì nó tạo ra nhiều hình thức nội dung khác nhau, các nhà tiếp thị thường xem đây là một bước tiến mạnh mẽ trong việc tạo ra bản sao sản phẩm, bài đăng blog, quảng cáo video và web, các ưu đãi được cá nhân hóa cho khách hàng và nghiên cứu thị trường (chẳng hạn, trong một số trường hợp gen AI có thể được sử dụng để dự đoán phản hồi của khách hàng tiềm năng, khách hàng hiện tại và các thành phần khác trên thị trường). Thực tế, phiên bản thứ chín của báo cáo "Tình trạng Marketing" của Salesforce, một cuộc khảo sát với 5.000 nhà tiếp thị toàn cầu, đã phát hiện ra rằng "triển khai hoặc tận dụng AI" là ưu tiên hàng đầu của họ. Một số tổ chức đã sử dụng các công cụ gen AI để đạt được kết quả marketing tốt hơn đáng kể. Ví dụ, Vanguard đã sử dụng gen AI để tăng tỷ lệ chuyển đổi quảng cáo LinkedIn lên 15%. Tương tự, các đại lý dịch vụ khách hàng của Unilever dựa vào gen AI để giảm thời gian phản hồi đi 90%.

Tuy nhiên, cuộc khảo sát của Salesforce cho thấy mặc dù 96% các nhà tiếp thị đã có AI tạo sinh hoặc đang lên kế hoạch triển khai trong vòng 18 tháng, chỉ có 32% đã triển khai đầy đủ nó trong hoạt động marketing. Điều này có thể là do việc triển khai các sáng kiến marketing dựa trên AI không phải không có rủi ro. Ví dụ, Coca-Cola, đã sử dụng AI để tạo lại quảng cáo kỳ nghỉ năm 1995 "Holidays Are Coming", ban đầu nhận được phản hồi rất tích cực từ người tiêu dùng về quảng cáo, nhưng sau đó lại gặp phải nhiều chỉ trích do "thiếu sự ấm áp" vốn là một lời chỉ trích phổ biến đối với hình ảnh nguồn từ gen AI. Do đó, thách thức không phải là liệu các công ty có nên mà là làm thế nào họ triển khai các công cụ gen AI trong các ứng dụng marketing khác nhau để tối đa hóa lợi ích đồng thời giảm thiểu rủi ro.

Mặc dù có tầm quan trọng cao, nhiều Giám đốc Dữ liệu và Phân tích (CDAOs), là những người thường chịu trách nhiệm giới thiệu AI trong toàn tổ chức, vẫn chưa chính thức hóa các chiến lược và chiến thuật gen AI cho marketing hoặc các chức năng khác sử dụng. Quyết định về việc lựa chọn công cụ gen AI (có rất nhiều) thường diễn ra ở cấp độ cá nhân, phản ánh một hệ thống vá víu của các thử nghiệm tạm thời, đôi khi không rõ đối với ban quản lý cấp cao. Trong các cuộc thảo luận với hơn 20 lãnh đạo công ty, chúng tôi biết rằng hành trình của các công ty đến với một chiến lược gen AI thành công cho marketing thường bao gồm ba quyết định chính: 1) liệu có nên sử dụng gen AI hay AI phân tích truyền thống; 2) nếu có, điều gì phải được thêm vào mô hình gen AI để tạo ra kết quả mong muốn, và 3) mức độ tăng cường con người cần thiết, chẳng hạn như lời nhắc và đánh giá đầu ra.

Để đưa ra những quyết định này, các công ty cần trả lời hàng loạt câu hỏi, bao gồm:

• Chúng ta muốn hoàn thành những nhiệm vụ gì với công cụ gen AI này (ví dụ: chúng ta đang cố gắng đưa ra dự đoán kinh doanh hay tạo ra nội dung)?
• Chúng ta có dữ liệu có cấu trúc hay không có cấu trúc cho trường hợp sử dụng này không?
• Chúng ta có những hạn chế về nguồn lực gì?
• Chúng ta cần đạt được mức cải thiện năng suất bao nhiêu?
• Chúng ta cần cung cấp kết quả cho người dùng cuối nhanh như thế nào?
• Các lỗi hoặc thiếu chính xác trong đầu ra gen AI có gây hại như thế nào?
• Mức độ chính xác, quyền riêng tư và giảm thiểu rủi ro liên quan đến danh tiếng và giá trị đề xuất của chúng ta như thế nào?
• Chúng ta cần kiểm soát quá trình và đầu ra ở mức độ nào?
• Chúng ta sẵn sàng chấp nhận rủi ro pháp lý và quy định đến mức nào?
• Mức độ lo ngại về quyền riêng tư đối với chúng ta là bao nhiêu? Đối với người dùng cuối của chúng ta?

Trong bài viết này, chúng tôi trình bày cách các nhà tiếp thị có thể điều hướng các câu hỏi này, sự đánh đổi liên quan đến việc đào tạo và tạo ra các đầu vào dựa trên lời nhắc cho các công cụ và quy trình gen AI, và một khuôn khổ để giúp các nhà tiếp thị cân nhắc những sự đánh đổi một cách chiến lược.

Trường hợp sử dụng có phù hợp với gen AI hay AI phân tích không?

Quyết định chính đầu tiên đối với các nhà tiếp thị là xác định liệu trường hợp sử dụng có cần gen AI hay AI phân tích là đủ. Nhiều nhà tiếp thị không hiểu đầy đủ sự khác biệt giữa AI tạo sinh và AI phân tích. Để làm rõ, mục đích của AI phân tích là phân tích dữ liệu hiện có và sử dụng nó để dự đoán hoặc phân loại dữ liệu chưa tồn tại. Nó được đào tạo trên dữ liệu có cấu trúc (dữ liệu có thể được tổ chức thành các hàng và cột số) và từ đó tạo ra các đầu ra có cấu trúc. Trong marketing, nó đã được sử dụng để dự đoán sản phẩm hoặc dịch vụ mà khách hàng có khả năng mua, giá mà khách hàng có khả năng trả, khuyến mãi mà khách hàng sẽ phản hồi, hoặc quảng cáo mà khách hàng sẽ nhấp vào.

Học máy phân tích truyền thống đã được các nhà tiếp thị sử dụng rộng rãi và hiệu quả trong nhiều thập kỷ. Ví dụ, khoảng 10 năm trước, Kia đã sử dụng IBM Watson để xác định những người có ảnh hưởng thể hiện các đặc điểm gắn liền với thương hiệu Kia (những người có ảnh hưởng này sau đó được sử dụng để củng cố sự hiện diện của Kia tại Super Bowl 2016)—một thông tin hữu ích vẫn cần thiết cho đến ngày nay. AI phân tích khá giỏi trong các loại dự đoán này, và do đó AI phân tích tiếp tục có giá trị cực kỳ lớn đối với các nhà tiếp thị. Nhưng với sự hype gần đây xung quanh AI tạo sinh, nhiều nhà lãnh đạo doanh nghiệp dường như không xem xét AI phân tích khi thích hợp và, vì sợ bỏ lỡ một nguồn lợi thế cạnh tranh hoặc bị bỏ lại phía sau, thay vào đó chỉ đơn giản là theo đuổi công nghệ mới nhất.

Giống như AI phân tích, gen AI cũng sử dụng các phương pháp phân tích và học máy. Tuy nhiên, mục tiêu của gen AI ít liên quan đến việc đưa ra dự đoán và nhiều hơn về việc tạo ra nội dung mới từ các mẫu được phân biệt trong nội dung hiện có. Gen AI được đào tạo trên dữ liệu tương đối không có cấu trúc như từ, âm thanh và hình ảnh trong một chuỗi, và nó có thể tạo ra đầu ra dữ liệu không có cấu trúc. Ví dụ, trong marketing và các chức năng hướng đến khách hàng, nó có thể được sử dụng để tạo ra các ưu đãi, quảng cáo, hình ảnh sản phẩm mới, bài đăng blog, tin nhắn cho khách hàng và mô tả sản phẩm, cũng như phân tích tâm lý khách hàng, đề xuất giải pháp cho các vấn đề dịch vụ và, trong một số trường hợp, dự đoán hành vi khách hàng trong tương lai.

Các nhà tiếp thị sẽ cần cả AI tạo sinh và phân tích để đạt được các mục tiêu của họ. Ví dụ, nếu một công ty muốn gửi "ưu đãi tốt nhất tiếp theo" cho khách hàng, AI phân tích có thể dự đoán ưu đãi nào có khả năng được mua nhiều nhất bởi một khách hàng cụ thể dựa trên dữ liệu mua hàng của khách hàng trong quá khứ. Nếu nhà tiếp thị muốn trình bày một thông điệp được cá nhân hóa và cung cấp mô tả sản phẩm cho giao dịch mua dự đoán cho khách hàng, gen AI sẽ là công cụ tốt nhất để hoàn thành nhiệm vụ đó. Kết hợp cả hai loại AI này, các nhà tiếp thị có thể gửi ưu đãi tốt nhất tiếp theo được tạo ra bởi các công cụ AI phân tích, được bọc trong một thông điệp tiếp thị được cá nhân hóa do gen AI tạo ra được thiết kế để thu hút giao dịch mua hàng hơn nữa.

Chúng ta có cần đầu vào tùy chỉnh hay tổng quát cho gen AI không?

Thứ hai, giả sử rằng gen AI là phù hợp cho trường hợp sử dụng đã xác định, quyết định quan trọng tiếp theo là liệu đầu vào tùy chỉnh hay tổng quát có cần thiết cho các ứng dụng hướng đến khách hàng hay không. Các đầu vào được sử dụng để đào tạo các công cụ gen AI có thể được coi là tồn tại trên một phổ. Ở một đầu, có các đầu vào tổng quát do nhà cung cấp cung cấp trong các "mô hình nền tảng" (được đào tạo trên lượng dữ liệu công khai rất lớn, chẳng hạn như Wikipedia, GitHub, dữ liệu được thu thập từ các trang mạng xã hội và các nguồn tương tự). Ở đầu kia, có đầu vào tùy chỉnh, hoặc dữ liệu độc quyền, cụ thể của công ty. Giữa hai điểm cuối trên phổ có nhiều ứng dụng rút ra từ các đầu vào lai (cả dữ liệu tổng quát và tùy chỉnh).

Trong nhiều trường hợp, ứng dụng gen AI được hưởng lợi từ việc đào tạo và truy cập vào một tập dữ liệu tương đối rộng—các mô hình ngôn ngữ lớn (LLMs) hoặc mô hình hình ảnh lớn (LIMs) rộng lớn. Ví dụ, khi tương tác với người dùng cá nhân, như một đại lý dịch vụ hoặc bạn đồng hành ảo, hoặc tóm tắt các cuộc trò chuyện với khách hàng, các công cụ gen AI như ChatGPT được hưởng lợi từ việc truy cập dữ liệu rộng rãi trên nhiều lĩnh vực và quan điểm, cho phép chúng tạo ra nhiều phản hồi khác nhau tùy thuộc vào ngữ cảnh và nội dung của tương tác. Nội dung đào tạo này có thể được coi là một nền giáo dục tổng quát rộng rãi cho các mô hình AI.

Ngược lại, nếu nội dung cụ thể của công ty là cần thiết để tạo ra đầu ra mong muốn (quan trọng cho việc tạo ra bản sao sản phẩm, bài đăng blog, quảng cáo hoặc trả lời dịch vụ khách hàng, ví dụ), các mô hình có thể cần được đào tạo hoặc tăng cường với một tập dữ liệu hẹp, được xây dựng cẩn thận của dữ liệu độc quyền. Một số mô hình tùy chỉnh thường được đào tạo từ đầu trên các nguồn dữ liệu này. Các mô hình thường là dành riêng cho lĩnh vực, chẳng hạn như BloombergGPT và FinGPT cho tài chính, KL3M và ChatLaw cho các ứng dụng pháp lý, và BioNeMo và MedLM cho các ứng dụng khoa học đời sống. (Lưu ý rằng không có ví dụ nào trong số này hiện đang được sử dụng trong marketing, bán hàng hoặc dịch vụ khách hàng.) Các mô hình khác có thể được "đào tạo tùy chỉnh" trên nội dung cụ thể, từ đó sửa đổi các mô hình nền tảng tổng quát, mặc dù phương pháp này cũng tương đối khó khăn và hiếm gặp. Một ví dụ là Harvey, một LLM pháp lý đã được tinh chỉnh bằng nội dung pháp lý, hợp tác với OpenAI và GPT-4. Ít nhất một nhà cung cấp, Jasper, hiện cung cấp các phiên bản được đào tạo tùy chỉnh của các mô hình OpenAI trên nội dung định hướng marketing.

Một cách tiếp cận phổ biến hơn nhiều trong các ứng dụng marketing và dịch vụ khách hàng là tăng cường các mô hình mục đích tổng quát với nội dung chuyên biệt và độc quyền thông qua một tập hợp các lời nhắc không thay đổi mô hình cơ bản nhưng ảnh hưởng lớn đến đầu ra của nó. Cách tiếp cận "tạo tăng cường truy xuất" (RAG) như vậy đã được nhiều công ty áp dụng sử dụng nó để sửa đổi mô hình của họ. Phương pháp này cung cấp lợi ích về mặt giảm tần suất của các ảo giác hoặc đầu ra không phù hợp—một nguồn rủi ro đáng kể cho các công ty marketing. Colgate-Palmolive, ví dụ, đã làm việc với nhà cung cấp Market Logic để sử dụng cách tiếp cận này để nắm bắt kiến thức về người tiêu dùng và thị trường để các nhà tiếp thị trong công ty có thể dễ dàng tiếp cận. Tương tự, Jasper AI cũng cho phép khách hàng nhập nội dung độc quyền của họ liên quan đến "hướng dẫn thương hiệu cụ thể và yêu cầu nội dung" trong một chương trình có tên "Custom Apps".

Vì đầu vào tùy chỉnh có thể sửa đổi mô hình vĩnh viễn hoặc tạm thời, các công ty yêu cầu đầu vào tùy chỉnh thường làm việc với các mô hình mã nguồn mở được lưu trữ tại chỗ hoặc các phiên bản độc quyền của mô hình nền tảng từ các nhà cung cấp đám mây. Bằng cách ban hành kiểm soát đối với các mô hình độc quyền hoặc nền tảng, họ cũng có thể tránh rò rỉ tài sản trí tuệ hoặc dữ liệu bí mật vào các mô hình công khai, một nguồn rủi ro đáng kể khác cho các công ty. Nếu các công ty hạn chế (thường thông qua RAG và kỹ thuật lọc lời nhắc) các lời nhắc liên quan đến nội dung đầu vào tùy chỉnh, các ảo giác thường được giảm đáng kể, và hệ thống có thể cung cấp trích dẫn cho nội dung tùy chỉnh có liên quan.

Sự đánh đổi giữa đầu vào tổng quát và đầu vào tùy chỉnh do đó bao gồm cả chi phí và rủi ro. Với đầu vào tổng quát, các công ty không phải chịu chi phí tạo ra tập dữ liệu riêng để đào tạo mô hình và hỗ trợ tạo đầu ra. Các công ty chỉ yêu cầu đầu vào tổng quát có thể hợp tác với OpenAI hoặc Google Gemini, ví dụ, và tránh hoàn toàn chi phí. Tuy nhiên, các mô hình này không nhất thiết cung cấp thông tin đầu ra chính xác và cụ thể nhất trong các lĩnh vực nội dung hẹp. Chúng cũng tạo ra một rủi ro tương đối cao về ảo giác hoặc đầu ra không mong muốn được tạo ra bởi các mô hình LLM "dự đoán-từ-tiếp-theo" này. Việc sử dụng các mô hình có sẵn công khai cũng làm tăng rủi ro về quyền riêng tư và bảo mật khiến các công ty dễ bị tổn thương về mặt đạo đức và quy định. Các công ty nên cẩn thận xem xét khả năng chịu đựng rủi ro, nhu cầu bảo mật và quyền riêng tư, và các hạn chế về nguồn lực khi họ lựa chọn các công cụ dựa trên đầu vào tổng quát so với tùy chỉnh.

Chúng ta cần tăng cường con người đến mức nào?

Quyết định chính thứ ba trong việc triển khai gen AI liên quan đến mức độ tăng cường con người trước khi đầu ra được chuyển đến người tiêu dùng cuối. Ở một thái cực, các công ty có thể chọn để đầu ra gen AI chảy trực tiếp đến người tiêu dùng cuối, điều này có thể phù hợp khi có rủi ro tối thiểu liên quan đến tính không chính xác, thiên vị và/hoặc nội dung gây khó chịu. Ví dụ, do rủi ro từ lỗi hoặc thiếu chính xác tương đối thấp, nhiệm vụ tóm tắt đánh giá sản phẩm bằng công cụ gen AI có thể được thực hiện và tải trực tiếp lên trang web mà không cần con người đánh giá đầu ra. Ngược lại, khi những rủi ro này cao, chẳng hạn như nếu gen AI được sử dụng để tạo ra các khuyến mãi hoặc ưu đãi có ràng buộc pháp lý, các công ty có thể chọn mức độ đánh giá và chỉnh sửa đáng kể bởi một đại lý con người, do đó tăng cường đầu ra trước khi chuyển đến người dùng cuối.

Mặc dù trong các cuộc phỏng vấn của chúng tôi, một số đại diện công ty khẳng định rằng có ít hoặc không có lợi ích về năng suất liên quan đến việc sử dụng gen AI nếu nội dung sau đó phải được đánh giá và chỉnh sửa, việc thiếu tăng cường con người có thể dẫn đến thiệt hại vật chất cho các công ty trong các trường hợp rủi ro lỗi cao. Ví dụ, một chatbot từ Air Canada đã cung cấp cho khách hàng một chiết khấu cho tang lễ mà hãng hàng không sau đó từ chối. Tuy nhiên sau đó, tòa án đã ra phán quyết rằng hãng hàng không phải tôn trọng ưu đãi chiết khấu của chatbot. Sự đánh đổi với việc tăng cường con người bao gồm chi phí tăng của một đại lý con người và tốc độ giao hàng giảm do các bước bổ sung trong quá trình xem xét đầu ra, nhưng lợi ích bao gồm tăng độ chính xác và tính phù hợp của đầu ra.

Khuôn khổ cho việc sử dụng hiệu quả GenAI trong Marketing

Khuôn khổ của chúng tôi (dưới đây) có thể giúp người ra quyết định phân loại những sự đánh đổi này giữa các cách tiếp cận khác nhau, để thu được lợi ích của gen AI và lựa chọn các công cụ phù hợp nhất với các mục tiêu chiến lược và chiến thuật của công ty họ, cũng như bảo vệ cược khi điều hướng sự đánh đổi giữa rủi ro và phần thưởng. Bốn phần tư mỗi cái đại diện cho một sự kết hợp cụ thể của lợi ích và chi phí dựa trên sự đánh đổi liên quan đến đầu vào đào tạo và truy cập cũng như việc chuyển đầu ra đến người dùng cuối.

Cân nhắc sự đánh đổi khi làm việc với Gen AI. Ma trận 2x2 giải thích sự đánh đổi của các phương pháp khác nhau khi sử dụng AI tạo sinh cho marketing. Bốn danh mục dựa trên mức độ tùy chỉnh của đầu vào và lượng đánh giá của con người đối với đầu ra được yêu cầu.

Phần tư 1 (Q1): Không có đầu vào tùy chỉnh, không cần đánh giá đầu ra. Có các ứng dụng marketing với ít nhu cầu về dữ liệu đầu vào tăng cường và liên quan đến rủi ro tương đối thấp từ lỗi hoặc thiếu chính xác (ví dụ: tóm tắt đánh giá sản phẩm). Trong những trường hợp như vậy, các triển khai gen AI liên quan đến ít hoặc không có sự tăng cường của con người trước khi chuyển đầu ra đến người dùng cuối có thể phù hợp. Những quy trình tăng cường con người với đầu vào thấp tổng quát này thường cung cấp tốc độ giao hàng cao với chi phí thấp. Đáng chú ý, có những rủi ro liên quan đến quyền riêng tư và độ chính xác. Tuy nhiên, các nhà tiếp thị triển khai các quy trình này nên coi những rủi ro này là sự đánh đổi có thể chấp nhận được cho các lợi thế về tốc độ và chi phí trước khi triển khai. Loại này có thể bao gồm các bản tóm tắt nội bộ của các tài liệu nghiên cứu thị trường hoặc các cuộc trò chuyện với khách hàng, tóm tắt cuộc họp nội bộ, hoặc bất kỳ nội dung nào khác không có khả năng được tiêu thụ bởi khách hàng hoặc chứa các lời hứa được thực thi theo hợp đồng.

Phần tư 2 (Q2): Không có đầu vào tùy chỉnh, nhưng cần đánh giá đầu ra. Đối với các công ty yêu cầu độ chính xác cao hơn nhưng vẫn dựa vào đầu ra công khai, chung chung, việc sử dụng LLM công khai và giao cho một đại lý con người đánh giá và chỉnh sửa đầu ra trước khi gửi có thể phù hợp. Các công ty này phải chịu chi phí của một đánh giá con người, điều này có thể làm chậm việc gửi đầu ra và giảm lợi ích năng suất. Tuy nhiên, cách tiếp cận này giảm thiểu các rủi ro có thể tốn kém do lỗi hoặc thiếu chính xác. Các ví dụ trong ô này có thể bao gồm bài đăng blog, podcast do AI tạo ra, hoặc bản sao sản phẩm cho các sản phẩm được hiểu rõ.

Phần tư 3 (Q3): Nội dung tùy chỉnh, nhưng không cần đánh giá đầu ra. Một số công ty tạo ra đầu ra từ dữ liệu độc quyền nhưng đối mặt với rủi ro tối thiểu về thiếu chính xác hoặc lỗi. Những triển khai này bao gồm chi phí phát triển và duy trì một tập dữ liệu độc quyền để đào tạo và truy cập—một chi phí không nhỏ. Tuy nhiên, chúng cung cấp đầu ra phù hợp hơn và giảm thiểu rủi ro về quyền riêng tư. Việc thiếu tăng cường của con người có thể dẫn đến thiếu chính xác, nhưng trong những trường hợp sử dụng này, các rủi ro liên quan đến thiếu chính xác được coi là thấp. Các ví dụ có thể bao gồm các ứng dụng gen AI tư vấn vị trí sản phẩm trong cửa hàng, chatbot dịch vụ khách hàng với nội dung độc quyền về sản phẩm và dịch vụ, hoặc hệ thống quản lý kiến thức marketing nội bộ.

Phần tư 4 (Q4): Nội dung tùy chỉnh kèm đánh giá của con người. Khi dữ liệu độc quyền, giảm thiểu rủi ro và độ chính xác đầu ra đều cần thiết, cần một cách tiếp cận cao cấp. Những triển khai gen AI này tốn kém nhất vì các công ty phải chịu cả chi phí tạo và duy trì một tập dữ liệu độc quyền và thực hiện đánh giá của đại lý con người. Ngoài ra, việc gửi đầu ra đến người dùng cuối bị chậm lại bởi các giai đoạn đánh giá và chỉnh sửa. Tuy nhiên, đây là phần tư mà việc giảm thiểu rủi ro đáng kể là mong muốn. Các ví dụ liên quan bao gồm các ứng dụng có mức độ nhạy cảm về quy định hoặc hợp đồng cao, chẳng hạn như ưu đãi có hiệu lực cho khách hàng hoặc mô tả sản phẩm cho thuốc hoặc thiết bị y tế.

• • •

Điều quan trọng đối với các nhà tiếp thị là phải nhớ rằng cả AI phân tích và tạo sinh đều có thể cung cấp giá trị, và rằng các tương tác với khách hàng sẽ, trong nhiều trường hợp, đòi hỏi cả hai loại AI. Các công ty cam kết sử dụng gen AI ở quy mô rộng có khả năng cuối cùng sẽ gặp phải các trường hợp sử dụng bao gồm tất cả bốn phần tư mà chúng tôi đã mô tả. Hình trên và các cuộc thảo luận cung cấp hướng dẫn trong việc xem xét các sự đánh đổi khác nhau liên quan đến việc triển khai gen AI. Theo thời gian, những thay đổi công nghệ có thể làm cho việc kết hợp nội dung tùy chỉnh trở nên dễ dàng hơn và giảm sự phổ biến của lỗi và thiếu chính xác trong các hệ thống có sẵn công khai. Tuy nhiên, ngày nay và trong tương lai có thể thấy trước, tất cả những điều trên đều đòi hỏi sự chú ý và nỗ lực đáng kể để giải quyết.