世界上最好的算法，没人用就是零
很多人以为 AI 落地的瓶颈是算法。模型不够准、数据不够多、算力不够贵。这些当然是问题，但看完宝洁这几年的实践，我觉得真正的瓶颈比这无聊得多：是组织。不是模型能不能跑通，而是组织愿不愿意为它改变运转方式。
前几天花了一下午看完 CDO Magazine 对宝洁企业数据科学副总裁 Jeff Goldman 的采访视频，又顺着翻了 MIT Sloan Management Review 的深度报道、沃顿商学院对宝洁 IT 高级副总裁 Alfredo Colas 的访谈、哈佛商学院的案例研究。看完之后最大的感受不是”宝洁的 AI 做得好”，而是**“原来 AI 落地这件事，跟算法的关系比我们以为的小得多”**。
不是”用 AI 做了什么”，而是”为什么别人做不了”
Section titled “不是”用 AI 做了什么”，而是”为什么别人做不了””宝洁的 AI 故事不是从 ChatGPT 开始的。Goldman 的数据科学团队大约 11 年前就组建了——2014 年左右，那时候”数据科学”这个词在大多数公司还约等于”写 SQL 的分析师”。300 人的团队覆盖营销、零售、供应链三大领域，管理着 180 多个国家的业务。
但到了 2021 年，他们发现了一个不太舒服的事实：团队规模不小，但工作方式很碎片化。不同团队用不同的方式构建和部署算法，没有标准基础设施，没有统一的生产流程。Goldman 在采访中承认：“在环境配置、最佳实践复制等方面浪费了大量时间。”
这个场景我太熟了。多少公司的 AI 团队是这样的——模型训练没问题，但把它部署到生产环境里稳定运行，就变成了噩梦。算法团队觉得自己的活到”模型交付”就结束了，工程团队接手的是一个”可能跑不起来的东西”。
宝洁的应对是建了一个叫”AI Factory”的东西。不是一个具体的产品，而是一个统一的 AI 运营平台，把数据源、工具链、方法论、安全协议都标准化。内部口号很有意思——“Live life, model more”。效果很直接：模型从开发到部署的周期缩短了大约 6 个月。
6 个月。对大公司来说，一个 AI 模型提前半年上线，意味着它能在一个完整的业务周期里产生价值，而不是等到业务需求已经变了才姗姗来迟。
三层架构里最被低估的那层
Section titled “三层架构里最被低估的那层”宝洁的 AI 组织分三层：
- 数据科学团队：创新和算法开发
- AI 工程团队：规模化、生产就绪和系统可靠性
- AI Factory 团队：平台、标准化和自动化
这三层里，第二层（AI 工程）最容易被忽视。Goldman 在采访中提到，工程团队经常做”不可能的事”，把理论上没法在合理时间内落地的算法变成生产系统。
很多公司的 AI 团队里，算法工程师和 MLOps 工程师之间有一道鸿沟。算法团队训练出来的模型，工程团队接手后发现根本跑不起来。两边互相抱怨，算法说工程不懂模型，工程说算法不懂生产。
宝洁把这两群人放到了同一个组织里，不是上下级，是平等的伙伴关系。创新是一件事，把创新变成可运营的系统是另一件事，后者需要的工程纪律不比前者少。
区域嵌入是另一个设计选择。Goldman 在采访中讲得很直接：“试图通过算法变革业务的人和实际开展业务的人之间，每增加一英里的距离，都会导致脱节。“宝洁在全球主要市场都派驻了区域数据科学负责人，不是坐在总部远程支持，是真正嵌入当地业务团队，理解当地的优先级，根据市场差异定制算法。
我见过太多 AI 团队的做法是：坐在总部，通过工单系统接需求。业务方的需求文档写了一页纸，算法团队对着这一页纸开发两个月，交付的时候发现做的东西跟业务方想的完全不是一回事。物理距离导致的信息衰减，比你以为的严重得多。
业务出资：最残酷也最有效的对齐机制
Section titled “业务出资：最残酷也最有效的对齐机制”Goldman 提到一个细节，我觉得是整篇采访里最有价值的部分：宝洁的 AI 项目几乎全部由业务团队直接出资。
不是”数字化转型预算”，不是”创新基金”，是业务部门自己掏钱。每个项目启动时，业务负责人要做一个真实的投资决策：我愿意把这笔钱花在这个算法上，还是花在别的地方？
这创造了一个残酷但有效的反馈循环。如果 AI 模型没有产生价值，业务方下个季度就不会继续投钱。如果产生了价值，他们会追加投入。没有”KPI 达标”的包装空间，只有真金白银的投票。
很多公司的 AI 项目是集团层面的”创新基金”或者”数字化预算”在驱动。钱是充裕的，目标是宏大的，但问题恰恰出在”钱不是业务方出的”。业务方没有 skin in the game，项目做砸了，亏的是”创新部门”的预算，业务方可以说”我们试过了，效果不好”，然后继续原来的做法。
宝洁的做法反过来：业务方自己掏钱，如果做砸了，他们要面对真实的商业损失。这种机制让”AI 和业务对齐”不再是口号，而是一种生存本能。
Goldman 的表述很精确：“每当我们启动一个新项目，这都是一次持续的强化评估——这是我想投入下一美元以实现最大业务价值的地方吗？”
“赛博队友”：一个人加 AI 胜过一个团队
Section titled ““赛博队友”：一个人加 AI 胜过一个团队”沃顿商学院那篇报道里有个实验结果值得细看。
P&G 在沃顿和哈佛办了 hackathon，700 多个员工分成四组：有 AI 的团队、没 AI 的团队、有 AI 的个人、没 AI 的个人。结果是：一个人加 AI，表现优于一个没有 AI 的团队。
高级副总裁 Colas 管这叫”Cybernetic Teammate”——赛博格队友。当”团队加 AI”组合在一起时，产出的顶级想法数量最多，质量最高。AI 还打破了研发和商业团队之间的职能壁垒，不管你是搞配方的还是做市场的，有了 AI 辅助之后，你都能提出更平衡的方案。
我一直觉得 AI 会让人觉得变懒、思考变浅。但如果设计得当，AI 实际上能让人思考得更全面——它不替你做决定，但它帮你看到更多选项。
Colas 说得很直白：AI 不擅长做决定，但擅长生成选项。最后签字的必须是人。他甚至告诉团队，出了问题不能赖 AI——“不，一个人类签署了那个建议，一个人类批准了它。”
这个定位很准确。AI 是选项生成器，人类是判断器。这比”AI 替代人类”或者”AI 增强人类”的说法都要诚实。
还有一个细节：P&G 建了一个内部知识数据库，用 AI 让全公司都能访问专业领域的知识。上线第一个月收到的查询量，超过了那个核心团队过去 10 年收到的总和。
Colas 的解释很实在：“不是大家不需要这些知识，而是之前的摩擦太大了，大家懒得去问。”
这跟 AI 本身没什么关系。这是组织设计的问题。知识一直在那里，只是被摩擦挡住了。AI 的价值不在于创造新知识，而在于把已有知识的获取成本降到接近零。
4000 个高管上了一堂 AI 课，然后呢
Section titled “4000 个高管上了一堂 AI 课，然后呢”P&G 做了一件挺特别的事：跟哈佛商学院和波士顿咨询集团合作，给 4000 多名高管上了为期 8 周的 AI 课。还有一个叫”Friends of Data Science”的认证项目，需要 15 周的密集学习。
这个认证的重点不是教人怎么建模型，而是教人理解模型怎么出错。
大多数公司的 AI 培训是教技术团队怎么用新工具。宝洁反过来，教业务方怎么理解 AI 的边界。当 4000 个高管都知道 AI 能做什么、不能做什么、什么时候会犯蠢，他们提出的需求就更靠谱，对算法团队交付的东西也有更好的判断力。
Goldman 在采访里提到一个口号，叫”Live life, model more”。我觉得这句话的重心在前半句”好好生活”。AI 工厂的终极目的不是让人变成算法的附庸，而是让算法去承担那些让人没法好好做决策的琐碎工作。
P&G 的香水开发用 AI 之后速度提升了 5 倍。Pampers 的尿布适配推荐准确率达到 90%。巴西的供应链系统把缺货率降低了 15%。这些成果不是某个天才算法的灵光一现，是一个组织在十一年里慢慢搭起来的系统能力的产出。
回到那个问题
Section titled “回到那个问题”为什么那么多公司的 AI 项目停滞不前？
不是算法不够好。是组织没准备好：
- 算法团队和业务团队之间的距离（物理的、组织的、心理的）没有被弥合
- 基础设施是碎片化的
- 资助机制是”观望式”的
- 培训是给技术团队的，不是给决策者的
Goldman 反复强调的那句话可以贴在每个 AI 团队的墙上：“世界上最好的算法，如果没有嵌入业务流程，就不会产生任何价值。”
AI 竞争正在从模型竞赛变成组织运营能力的较量。谁先把”AI 项目”变成”AI 运营”，谁就赢了。
跟模型参数没关系。
你们公司的 AI 项目卡在哪个环节？是算法、工程、还是组织？欢迎在评论区聊聊你的观察。
CDO Magazine 采访视频 - Inside P&G’s AI Factory and the Push to Operationalize AI at Scale https://www.youtube.com/watch?v=gExkeMC3vLg
MIT Sloan Management Review - How Procter & Gamble Uses AI to Unlock New Insights From Data https://sloanreview.mit.edu/article/how-procter-gamble-uses-ai-to-unlock-new-insights-from-data/
Wharton Knowledge - From Strategy to Shelf: How P&G Is Deploying AI https://knowledge.wharton.upenn.edu/article/from-strategy-to-shelf-how-pg-is-deploying-ai/
Harvard Business School Case Study - Building an AI Factory at Procter & Gamble https://www.hbs.edu/faculty/Pages/item.aspx?num=67129
Harvard Business School Working Paper - The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise https://d3.harvard.edu/the-cybernetic-teammate-how-ai-is-reshaping-collaboration-and-expertise-in-the-workplace/