这不是中央 AI 团队单向下发模型，而是区域、本地业务、全球 domain、产品组织共同形成的问题发现和落地网络。
核心结论2: P&G 的 AI 组织由 data science、AI engineering、AI factory 三层互补。
关键证据: Goldman 区分 data science team 负责创新和新算法，AI engineering team 负责把算法 scale、production-ready、reliably operate 并集成到 downstream digital products，AI factory team 负责平台和能力，让 AI 可以大规模、可靠、自动化运行。
这说明 AI factory 不是 data science 团队的替代，而是把算法创新转成业务流程能力的生产系统。
核心结论3: AI factory 的原始动机是消除模型生产化 toil 和非标准化部署。
关键证据: Goldman 回顾 2021 年前后，大型全球数据科学团队没有标准的算法构建、部署、基础设施和生产支持方式，很多时间浪费在环境准备、复制 best practices 和运维支持上。因此提出 "live life model more"，让数据科学家多建模、工程师多 scale，把 bringing algorithms and models to market 的 toil 自动化。
这和软件平台工程类似：把重复生产化工作抽象成平台能力，释放专业人员做高价值问题。
核心结论4: P&G 用 co-location 和业务直接出资防止 AI 变成纯技术项目。
关键证据: Goldman 强调数据科学家位于 business hubs，靠近业务团队；几乎整个组织由业务直接出资，业务方每次选择投资算法转型，都要和其他投资选项竞争。
这种机制迫使 AI 项目从 business problem 和 material value 出发，而不是从最复杂模型或最先进技术出发。