以人为中心的AI发展战略：宝洁Shaje Ganny为CPG领导者支招

CPG（消费品）领导者需要的人工智能系统应当从具体的运营约束出发，最终以经过公司、消费者和社区影响验证的可衡量成果为终点。麻省理工学院《GenAI鸿沟：2025年商业AI现状》报告发现，95%的企业生成式AI试点未能产生可衡量的财务影响。这一结果凸显了企业在定义具体业务问题或运营模式之前就仓促启动AI的普遍问题。

与此同时，外部分析表明，当AI得到系统性整合时，其潜在价值是巨大的。麦肯锡的研究显示，当AI在整个价值链中部署时，一个100亿美元的食品饮料企业可以产生8.1亿至16亿美元的价值，这证明当AI的采用与战略和规模紧密相连时，其收益是显著的。

面向消费者的考量增加了额外的复杂性。华盛顿州立大学的研究人员发现，使用“人工智能”一词的产品描述会降低购买意愿，而《消费者报告》发现，75%的美国人担心AI可能导致消费者场景中的偏见或不公平待遇。

综合来看，这些数据揭示了一个一致的规律：CPG企业未能将AI实验转化为可衡量的价值，尽管模型预测了巨大的收益。这种差距源于AI计划未明确关联业务目标、运营模式或消费者信任考量。

宝洁数字化转型总监Shaje Ganny做客Emerj的AI in Business播客，与Matthew DeMello探讨了大型CPG企业如何通过以人为中心的运营原则负责任地扩展AI。本文剖析了Shaje Ganny提出的CPG企业负责任且可靠地扩展AI所需的三大企业级能力：

以问题定义的AI运营模型：围绕明确的业务约束建立AI，为可重复的价值捕获提供结构性清晰度，而非孤立的试点。

三利益相关方影响治理：将公司、消费者和社区考量整合到AI决策中，确保自动化强化企业系统，而非引入品牌、安全或劳动力风险。

高管级别的AI素养与问责设计：培养领导层对AI局限和责任的认知，使政策能够防止错位、运营差距和侵蚀信任的部署错误。

以下为Shaje Ganny的详细观点：

以问题定义的AI运营模型

Shaje Ganny强调，大型CPG企业之所以无法扩展AI，是因为计划始于技术实验，而非对实际运营约束的回应。在他看来，只有当AI锚定于特定的业务痛点——如生产线停机、预测波动、质量控制变异——且价值可衡量可验证时，AI才变得可重复且可靠。

这使AI从随意实验转变为运营需求，迫使领导者优先解决可衡量的瓶颈，而非仅展示技术能力的计划。他指出，许多高级领导者仍然误解AI的角色，导致不切实际的期望和部署停滞。正如他解释的：

“给我你的副总裁和总裁，我会向他们传授基础知识。他们需要理解AI是什么以及不是什么。如果他们不理解基础，就会要求不可能的事情，然后说AI不行。那不是AI的问题，那是领导力的问题。”

Shaje的访谈提出了一种以约束为先的框架，帮助高管区分可扩展的AI与新颖性工作。领导者可以通过要求团队明确以下内容来付诸实践：

• AI旨在解决的运营紧张点
• 指示改进的可衡量变量
• 验证价值的问责决策者
• 不解决该约束的企业风险

这一结构为领导者提供了可重复的机制，以评估AI计划是否基于真实的业务价值，并且是否能够在试点之外扩展。

三利益相关方影响治理

“CPG是一个情感驱动的业务，”Ganny在解释为何消费品领域的AI部署不能仅通过运营效率来评估时说道。他强调，消费者基于信任、故事和情感共鸣购买，而当前的AI无法复制支撑品牌忠诚的真实性。这使得消费者视角与运营视角同等重要。

Ganny还强调了CPG企业所处的更广泛系统：扎根于本地社区的工厂、拥有长期技能基础的劳动力、以及经过数十年建立的品牌声誉。他警告说，孤立做出的AI决策可能产生领导者未能预见的二阶效应。正如他在对话中提到的，不考虑劳动力和社区维度会引入“以领导者意想不到的方式显现”的风险。

为了使这一视角具体化，Ganny指出了AI决策在试点环境之外产生影响的三个领域：

• 公司：可靠性、安全性、质量以及验证AI决策的能力
• 消费者：品牌信任、情感共鸣以及被认为不真实的风险
• 社区：劳动力稳定性、地方经济影响以及负责任自动化的社会许可

这一框架反映了CPG品牌在相互关联的系统中的运营现实，其中运营、声誉和社会风险会叠加。

Ganny的评论指向一个“三利益相关方影响扫描”作为领导者评估AI计划是否准备好走出试点的实用方法。在推进任何部署之前，团队应记录：

• 运营影响——部署如何影响可靠性、安全性或质量
• 消费者影响——变化是否可能影响信任、真实性或品牌感知
• 社区影响——劳动力角色、当地就业或社区稳定性可能如何变化

这种方法反映了Ganny所描述的互联系统，为高管提供了一种可辩护的方式，以确定AI部署是否强化了整个企业，而不仅仅是眼前的指标。

高管级别的AI素养与问责设计

当Shaje谈论CPG中的AI时，他不是从算法或基础设施开始，而是从领导力开始。他认为，负责任AI采用的最大障碍不是技术成熟度，而是高管对AI能与不能的理解不足。缺乏这种基础，领导者会无意中在安全、质量和品牌信任不可妥协的系统中制造期望错位、治理差距和问责混乱。

Ganny直言不讳地指出了风险。在单一决策可能影响产品完整性或工厂安全的环境中，领导者不能因为引入了AI就认为责任转移了。正如他所说：

“我不知道有哪个CPG领导者会说自己不对工厂安全负责。但当AI出现时，人们突然认为责任转移了。并非如此。如果AI做出了决定，你仍然负有责任。”

这一点在当前AI部署方式中变得更加尖锐。许多组织将AI建议视为具有自身权威——这是一个微妙但危险的转变。Ganny强调，AI不能在组织内“漂浮”而没有明确的所有者，尤其是当它影响安全、质量或消费者信任相关的决策时。

为防止这种漂移，领导者需要在两个方面明确：

• 决策边界——AI可以通知什么，可以建议什么，以及不能决定什么
• 问责线——当AI被遵循、被覆盖或失败时，谁仍然负责

Ganny的观点清楚地表明，AI成熟度的衡量标准是领导者是否理解并维护这些边界。

从Shaje的讨论中得出的一个实用要点是：

高管应为每个AI支持的工作流建立一份“问责地图”。这包括：

• 负责该工作流结果的人类负责人
• AI可以影响的决策以及AI不能决定的决策
• 当AI输出与人类判断冲突时的升级路径
• 必须暂停或审查AI建议的条件

这种方法确保随着AI融入日常运营，企业不会忘记谁最终对影响安全、质量和品牌信任的决策负责。