Vì sao AI dễ ra kết quả đồng phục, nhạt

Chốt nhanh

AI dự đoán câu chữ và hình ảnh có xác suất cao nhất từ dữ liệu huấn luyện chung, nên khi nhiều người dùng cùng mô hình với lời nhắc tương tự thì đầu ra hội tụ về một khuôn. Muốn khác biệt, Anh Chị phải chủ động nạp bản sắc riêng vào trước khi yêu cầu, rồi tuyển chọn có tay nghề thay vì lấy nguyên đầu ra đầu tiên. Đồng phục là điểm mặc định của công cụ, khác biệt là thứ con người phải chủ động tạo ra.

Nhìn nhanh

Hợp với

cần nhiều biến thể nhanh để chọn lọcsản xuất số lượng lớn ít yêu cầu khác biệtphá băng và khởi động ý tưởng ban đầu

Không hợp

nội dung cần khác biệt cao với đối thủngành đông đối thủ cùng dùng chung công cụchưa có tài liệu bản sắc riêng để nạp vào

AI không cố tình ra kết quả nhạt. Nó làm đúng việc nó được thiết kế để làm: chọn phương án có xác suất cao nhất, mạch lạc nhất, trôi chảy nhất. Khi Anh Chị và hàng nghìn thương hiệu khác dùng chung một mô hình nền (foundation model, tức mô hình lớn được huấn luyện trên dữ liệu chung) với lời nhắc (prompt) tương tự nhau, đầu ra tự nhiên hội tụ về một khuôn. Đây là bản chất thống kê của công cụ, không phải lỗi cần vá.

Cơ chế tạo ra đồng phục

Mô hình ngôn ngữ lớn được huấn luyện để dự đoán token (đơn vị văn bản) tiếp theo có xác suất cao nhất trong chuỗi. Nghĩa là nó ưu tiên sự mạch lạc và an toàn, không ưu tiên sự khác biệt. Khi lời nhắc chung chung, chẳng hạn "viết bài giới thiệu thương hiệu thời trang", mô hình sẽ kéo về vùng trung bình của hàng triệu bài tương tự trong dữ liệu huấn luyện. Thương hiệu nào dùng lời nhắc gần giống nhau sẽ nhận về kết quả gần giống nhau. Không phải vì mô hình lười, mà vì không có nguyên liệu nào khác để nó đi theo hướng khác.

Nghiên cứu tổng hợp từ nhiều nguồn, trong đó có Science Advances (Doshi và Hauser, 2024), chỉ ra một nghịch lý: cá nhân dùng AI có thể thấy sản phẩm sáng tạo hơn, nhưng khi cả tập thể cùng dùng thì độ đa dạng chung của ý tưởng lại giảm. Đây là lý do khác biệt trở thành lợi thế của người biết đi ngược khuôn, không phải của người dùng công cụ nhanh nhất.

Các yếu tố khuếch đại đồng phục

Lời nhắc chung chung: lời nhắc càng mơ hồ, kết quả càng trôi về vùng trung bình an toàn của mô hình.
Không có tài liệu bản sắc riêng: nếu Anh Chị không nạp vào giọng điệu, giá trị cốt lõi, từ ngữ đặc trưng của thương hiệu, mô hình không có gì để bám theo ngoài khuôn mặc định.
Ngành đông nội dung trong dữ liệu huấn luyện: những ngành có nhiều nội dung sẵn như thương mại điện tử, tài chính cá nhân, làm đẹp thường cho ra kết quả rập khuôn nặng hơn vì mô hình có quá nhiều mẫu để về theo.
Áp lực tốc độ: khi cần xuất bản nhanh, bước tuyển chọn và làm khác đi thường bị bỏ qua. Kết quả đầu tiên AI đưa ra đi thẳng lên kênh.

Khi nào chấp nhận khuôn chung, khi nào phải làm khác

Chấp nhận khuôn chung: Nội dung ít yêu cầu khác biệt như mô tả kỹ thuật sản phẩm, biến thể nhỏ của cùng một thông điệp, tài liệu nội bộ. Ở những trường hợp này, tốc độ và chi phí quan trọng hơn cá tính. Dùng AI thô là hợp lý.

Phải làm khác: Định vị thương hiệu, thông điệp lõi, nội dung tiếp xúc trực tiếp với khách hàng lần đầu. Ở những trường hợp này, nạp tài liệu bản sắc riêng trước, dùng AI để ra nhiều biến thể, rồi con người tuyển chọn và tinh chỉnh. Bỏ qua bước này là chấp nhận trở thành một trong nhiều thương hiệu trông giống nhau.

Lỗi thường gặp khi dùng AI cho thương hiệu

Lấy nguyên đầu ra đầu tiên đem xuất bản mà không qua tuyển chọn.
Dùng lời nhắc chung chung rồi trách AI ra kết quả nhạt, trong khi vấn đề nằm ở nguyên liệu đầu vào.
Không nạp tài liệu bản sắc riêng, nên AI luôn về vùng trung bình dù lời nhắc có dài đến đâu.
Tưởng nhiều biến thể là đa dạng, thực chất tất cả cùng một khuôn, chỉ đổi vài từ bề mặt.
Đánh đồng tốc độ với chất lượng, cắt đứt khâu làm cho khác đi vì nghĩ đã tiết kiệm được công sức.

Muốn thoát khuôn phải cấp cho AI nguyên liệu riêng mà dữ liệu huấn luyện không có.
Generative AI and Content Homogenization: The Case of Digital Marketing, SSRN

Góc nhìn của Sinh Vũ

Sinh Vũ coi AI là công cụ phá băng và tăng tốc biến thể, không phải cỗ máy ra thành phẩm. Giá trị thật nằm ở khâu con người tuyển chọn theo khẩu vị thương hiệu và neo kết quả vào hệ thống đã dựng. Một buổi làm việc tốt không phải là đọc slide có sẵn mà là điều phối để ra thứ riêng của khách. Đầu ra AI cũng vậy: nó phải đi qua tay nghề trước khi tới người xem.

Ba lớp giúp Anh Chị thoát khuôn bền vững: tài liệu giọng thương hiệu chi tiết, tri thức và góc nhìn độc quyền mà AI không tự sinh ra được, và một tầng con người rà soát bắt các khuôn chung trước khi xuất bản. Thiếu một trong ba, kết quả dần trôi về vùng giống với tất cả những ai đang dùng cùng công cụ với Anh Chị.

Nguồn tham khảo

Generative AI and Content Homogenization: The Case of Digital Marketing (SSRN). Science Advances, Doshi & Hauser 2024. Quan điểm nghề Sinh Vũ.

Câu hỏi thường gặp

AI có nhiều biến thể nghĩa là đã đa dạng rồi, cần gì thêm?

Nhiều biến thể từ cùng một lời nhắc chung chung thực chất vẫn xoay quanh một khuôn. Đa dạng thật đến từ nguyên liệu đầu vào khác nhau, cụ thể là tài liệu bản sắc riêng của thương hiệu Anh Chị, không phải từ số lượng đầu ra. Một trăm biến thể cùng khuôn không thay thế được mười phương án có hồn riêng.

Mô hình AI đắt tiền hơn có ra kết quả khác biệt hơn không?

Mô hình tốt hơn thường ra kết quả mạch lạc và trôi chảy hơn, nhưng cơ chế thống kê vẫn giống nhau. Nếu nhiều người dùng cùng mô hình đó với lời nhắc tương tự thì đầu ra vẫn hội tụ về vùng trung bình an toàn. Đầu tư vào tài liệu bản sắc và kỹ năng tuyển chọn của con người mang lại khác biệt thật hơn là đầu tư vào mô hình đắt hơn đơn thuần.

Ngành của tôi không nhiều đối thủ dùng AI, vậy tôi có cần lo không?

Ngành càng ít nội dung trong dữ liệu huấn luyện thì kết quả AI càng kém sát thực tế ngành, chứ không có nghĩa là khác biệt hơn. Rủi ro lúc này không phải đồng phục với đối thủ mà là đầu ra lạc điệu với khách hàng và tiêu chuẩn ngành. Tài liệu bản sắc riêng vẫn là thứ cần nạp vào trước.