以人為中心的AI發展戰略：寶潔Shaje Ganny為CPG領導者支招

CPG（消費品）領導者需要的人工智慧系統應當從具體的運營約束出發，最終以經過公司、消費者和社群影響驗證的可衡量成果為終點。麻省理工學院《GenAI鴻溝：2025年商業AI現狀》報告發現，95%的企業生成式AI試點未能產生可衡量的財務影響。這一結果凸顯了企業在定義具體業務問題或運營模式之前就倉促啟動AI的普遍問題。

與此同時，外部分析表明，當AI得到系統性整合時，其潛在價值是巨大的。麥肯錫的研究顯示，當AI在整個價值鏈中部署時，一個100億美元的食品飲料企業可以產生8.1億至16億美元的價值，這證明當AI的採用與戰略和規模緊密相連時，其收益是顯著的。

面向消費者的考量增加了額外的複雜性。華盛頓州立大學的研究人員發現，使用“人工智慧”一詞的產品描述會降低購買意願，而《消費者報告》發現，75%的美國人擔心AI可能導致消費者場景中的偏見或不公平待遇。

綜合來看，這些資料揭示了一個一致的規律：CPG企業未能將AI實驗轉化為可衡量的價值，儘管模型預測了巨大的收益。這種差距源於AI計劃未明確關聯業務目標、運營模式或消費者信任考量。

寶潔數字化轉型總監Shaje Ganny做客Emerj的AI in Business播客，與Matthew DeMello探討了大型CPG企業如何透過以人為中心的運營原則負責任地擴充套件AI。本文剖析了Shaje Ganny提出的CPG企業負責任且可靠地擴充套件AI所需的三大企業級能力：

以問題定義的AI運營模型：圍繞明確的業務約束建立AI，為可重複的價值捕獲提供結構性清晰度，而非孤立的試點。

三利益相關方影響治理：將公司、消費者和社群考量整合到AI決策中，確保自動化強化企業系統，而非引入品牌、安全或勞動力風險。

高管級別的AI素養與問責設計：培養領導層對AI侷限和責任的認知，使政策能夠防止錯位、運營差距和侵蝕信任的部署錯誤。

以下為Shaje Ganny的詳細觀點：

以問題定義的AI運營模型

Shaje Ganny強調，大型CPG企業之所以無法擴充套件AI，是因為計劃始於技術實驗，而非對實際運營約束的回應。在他看來，只有當AI錨定於特定的業務痛點——如生產線停機、預測波動、質量控制變異——且價值可衡量可驗證時，AI才變得可重複且可靠。

這使AI從隨意實驗轉變為運營需求，迫使領導者優先解決可衡量的瓶頸，而非僅展示技術能力的計劃。他指出，許多高階領導者仍然誤解AI的角色，導致不切實際的期望和部署停滯。正如他解釋的：

“給我你的副總裁和總裁，我會向他們傳授基礎知識。他們需要理解AI是什麼以及不是什麼。如果他們不理解基礎，就會要求不可能的事情，然後說AI不行。那不是AI的問題，那是領導力的問題。”

Shaje的訪談提出了一種以約束為先的框架，幫助高管區分可擴充套件的AI與新穎性工作。領導者可以透過要求團隊明確以下內容來付諸實踐：

• AI旨在解決的運營緊張點
• 指示改進的可衡量變數
• 驗證價值的問責決策者
• 不解決該約束的企業風險

這一結構為領導者提供了可重複的機制，以評估AI計劃是否基於真實的業務價值，並且是否能夠在試點之外擴充套件。

三利益相關方影響治理

“CPG是一個情感驅動的業務，”Ganny在解釋為何消費品領域的AI部署不能僅透過運營效率來評估時說道。他強調，消費者基於信任、故事和情感共鳴購買，而當前的AI無法複製支撐品牌忠誠的真實性。這使得消費者視角與運營視角同等重要。

Ganny還強調了CPG企業所處的更廣泛系統：紮根於本地社群的工廠、擁有長期技能基礎的勞動力、以及經過數十年建立的品牌聲譽。他警告說，孤立做出的AI決策可能產生領導者未能預見的二階效應。正如他在對話中提到的，不考慮勞動力和社群維度會引入“以領導者意想不到的方式顯現”的風險。

為了使這一視角具體化，Ganny指出了AI決策在試點環境之外產生影響的三個領域：

• 公司：可靠性、安全性、質量以及驗證AI決策的能力
• 消費者：品牌信任、情感共鳴以及被認為不真實的風險
• 社群：勞動力穩定性、地方經濟影響以及負責任自動化的社會許可

這一框架反映了CPG品牌在相互關聯的系統中的運營現實，其中運營、聲譽和社會風險會疊加。

Ganny的評論指向一個“三利益相關方影響掃描”作為領導者評估AI計劃是否準備好走出試點的實用方法。在推進任何部署之前，團隊應記錄：

• 運營影響——部署如何影響可靠性、安全性或質量
• 消費者影響——變化是否可能影響信任、真實性或品牌感知
• 社群影響——勞動力角色、當地就業或社群穩定性可能如何變化

這種方法反映了Ganny所描述的互聯絡統，為高管提供了一種可辯護的方式，以確定AI部署是否強化了整個企業，而不僅僅是眼前的指標。

高管級別的AI素養與問責設計

當Shaje談論CPG中的AI時，他不是從演算法或基礎設施開始，而是從領導力開始。他認為，負責任AI採用的最大障礙不是技術成熟度，而是高管對AI能與不能的理解不足。缺乏這種基礎，領導者會無意中在安全、質量和品牌信任不可妥協的系統中製造期望錯位、治理差距和問責混亂。

Ganny直言不諱地指出了風險。在單一決策可能影響產品完整性或工廠安全的環境中，領導者不能因為引入了AI就認為責任轉移了。正如他所說：

“我不知道有哪個CPG領導者會說自己不對工廠安全負責。但當AI出現時，人們突然認為責任轉移了。並非如此。如果AI做出了決定，你仍然負有責任。”

這一點在當前AI部署方式中變得更加尖銳。許多組織將AI建議視為具有自身權威——這是一個微妙但危險的轉變。Ganny強調，AI不能在組織內“漂浮”而沒有明確的所有者，尤其是當它影響安全、質量或消費者信任相關的決策時。

為防止這種漂移，領導者需要在兩個方面明確：

• 決策邊界——AI可以通知什麼，可以建議什麼，以及不能決定什麼
• 問責線——當AI被遵循、被覆蓋或失敗時，誰仍然負責

Ganny的觀點清楚地表明，AI成熟度的衡量標準是領導者是否理解並維護這些邊界。

從Shaje的討論中得出的一個實用要點是：

高管應為每個AI支援的工作流建立一份“問責地圖”。這包括：

• 負責該工作流結果的人類負責人
• AI可以影響的決策以及AI不能決定的決策
• 當AI輸出與人類判斷衝突時的升級路徑
• 必須暫停或審查AI建議的條件

這種方法確保隨著AI融入日常運營，企業不會忘記誰最終對影響安全、質量和品牌信任的決策負責。