CPG与零售AI应用报告：75%仍停在试点与全链落地可增350个基点

这份《CPG与零售AI：领跑者如何拉开差距》由消费品论坛（CGF）与波士顿咨询（BCG）联合发布，调研样本为39位快消（CPG）与零售企业高管，辅以深度访谈和BCG的落地经验。CGF的会员盘子是380多家零售商、制造商与服务商，覆盖70个国家，合计销售额5.2万亿欧元，直接雇佣近1000万人。

报告的问题设定很克制：不是问"AI能不能用"，而是问"为什么大多数公司拿不到规模化的价值"。开篇的判断是——在快消与零售业，公司都在做试点、试智能体、在几乎所有职能里应用AI，从创新、营销到商品管理、补货和货架可得性，但"很少有公司能在规模化层面捕获实质性价值"。

报告给出的方向也很明确：下一轮竞争分化不会来自"增加更多解决方案"，也不会来自"建更复杂的模型"，而是来自把AI更深地应用到核心商业流程上——更快的创新、更高保真的需求感知、更本地化的商品组合，以及线上线下更一致的执行。

方法论上有一点需要先说清楚：39份样本并不足以代表整个行业，报告自己也声明这是"方向性视角"。但正因为它调研的是高管层的实际部署状态而非意图，这组数据对判断行业真实水位反而更有参考价值。先看最刺眼的一个数字：约75%的快消企业还停在试点和探索阶段。这不是"AI不成熟"的问题，而是"从试点到规模"这段路没人走通的问题，而报告把它命名为"试点陷阱"。

一、成熟度两极分化：快消75%在试点，零售45%已规模化

第一章先立起整份报告的基本盘——行业AI成熟度的分布状态。

快消侧的数据是：约75%的受访者仍处于试点与探索模式，只有18%实现了规模化影响，另有6%处于落后状态。也就是说，四分之三的快消企业还没有把实验转成规模。

零售侧呈现完全不同的形态。样本中有45%已经规模化落地，40%才刚起步，另有15%处于中间状态。报告用"two-speed world"（双速世界）来形容这种分裂——先进玩家和探索者之间出现了明显的断层。

为什么会有这种分化？报告给出的解释是"经济学最清晰的地方推进最快"。快消企业的推进集中在需求与供应预测、营收增长管理（RGM）优化；零售商的推进集中在可得性管理、预测与门店运营。这些领域的共同点是：数据相对丰富、决策频次高、财务影响可以直接衡量、AI能嵌入现有的商业节奏。

反过来，在更偏生成式的、增长导向的活动中——比如创意到上市（idea to market）和消费者互动——进展就明显更慢。报告的解释是：这些领域的战略价值可能很大，但"通往价值的路径更难定义、更难规模化"。

报告特别强调了一个领跑者的行为特征：最先进的玩家不会把资源平均铺在整个企业上，而是集中在价值最容易被证明的举措上，包括需求预测、补货、定价和运输优化。这一点值得单独记住：领先者的选择不是"哪里先进用哪里"，而是"哪里能证明价值用哪里"。行业里大量AI项目卡住的原因，往往是从一开始就选了那些讲得通但算不清的场景。

这一点在《Criteo 2026健康美妆报告：AI介入38%购买决策》里有更细的口径拆解，感兴趣可以翻过去看。

二、价值量化：全链规模化可增220至350个基点EBIT

第二章给出这份报告最具决策参考价值的量化口径。

BCG基于客户落地经验给出的估算是：如果在需求价值链上把全套相关AI举措都实现规模化，快消企业可累计获得220至350个基点的EBIT提升，零售企业为180至360个基点。报告强调这些价值可以直接流向利润表，也可以再投资于更有竞争力的定价、更好的产品与更广的服务组合。

更值得关注的是时间维度上的弹性。报告指出，随着智能体能力成熟、AI从决策支持走向工作流编排，全量机会空间对快消和零售都可能再扩大接近1.7倍。这代表的是"规模化交付全部潜能、且尚未进行再投资"的口径。

分流程看，报告也给出了各环节的价值区间。快消侧的"创意到上市"环节为50至90个基点，"品牌建设到互动"为60至100个基点；零售侧的"商品组合"环节为110至160个基点，"上架可得性"为80至140个基点，"合作销售"为30至80个基点，"营销到互动"为70至140个基点。GEO与智能体商务在两个行业都被标注为"过早判断"。

报告还提示了一个容易被忽略的放大器机制：由AI带来的改善可以形成飞轮——让玩家更有竞争力、更相关、响应更快，从而反过来驱动额外增长。报告对此的表述是，AI解决方案提供了"更敏捷的方式和更快的周期时间，去反复争取在高度竞争的消费品行业中更有利的平衡位置"。

但报告同时指出，获取下一批价值池可能取决于更底层的能力建设。跨行业在非竞争性AI上的自愿、合法且有适当治理的协作，目前仍处于早期。受访高管对于"AI会创造自愿协作机会、还是会强化竞争、还是太不确定无法预测"，意见是分裂的。把220至350个基点和1.7倍这两个数字放在一起看，能得出一个很实际的判断：今天拿到的是"确定性价值"，而明天那1.7倍部分依赖智能体成熟度和跨企业协作这类尚未定型的条件。这意味着AI投资的时间错配风险很高——按今天的能力建的组织，可能撑不起明天的机会空间。

三、试点陷阱：53%不衡量ROI，试点经济学难复制到全量

第三章是整份报告解释力最强的部分——为什么价值明明存在，却拿不到。

最直接的一组数据是关于衡量的：超过一半的受访者表示，他们并不正式衡量消费者AI投资的ROI。具体分布是：53%表示不正式衡量AI投资回报，18%的ROI在1至2倍，16%在2至5倍，只有11%达到5倍以上。报告在图表标题里点明——"最佳者2到5倍，其余很少衡量"。

被报告最多的规模化障碍，是"试点的经济学无法转化为全量规模的ROI"。报告把这一挑战拆成两半。

第一半是结构性的。在真实的商业环境中，AI改善的决策同时被季节性、供应约束、竞争对手动作和消费者需求塑造，这使得结果很难被单独隔离，试点的经济学也很难在全量规模上复现。报告对"试点陷阱"的描述很精确：一个试点可以在受控环境中成功——它使用选定的数据、专职的团队、简化的流程和有限的集成；但到了规模阶段，同一个举措必须处理实时数据、遗留系统、一线采纳、治理要求和跨职能取舍。

第二半是价值缺口。许多试点只跟踪活动量、采纳率或解决方案本身的性能，却没有设置清晰的全量基准或规模化门槛。

报告给出了正确的做法。避免陷阱的关键是在试点阶段就跟踪那些"在全量规模下依然成立"的先行指标，并同时平衡效果与效率的衡量。相关指标包括：被早期纠偏的项目占比、关键开发步骤节省的时间、以及AI正在增强创新漏斗质量的证据。

报告举了一个客户案例：这家公司把衡量做成了从一开始就存在的治理纪律。在启动试点之前，财务与业务团队联合构建并签署了一份完整商业论证，包含风险价值、ROI和用于确认、缩减或扩大潜力的先行KPI。其差异化的关键在于"现状基线"的深度——团队绘制了当前工作流，量化了过程中时间和精力的分布，并以此为衡量预期改善的基线。这形成了一个信心循环：基线让衡量获得可信度，试点证据修正价值论证，每个阶段门更新都提升了对可交付结果的信心。到试点结束时，管理层看到的是一份基于已验证潜力修正过的商业论证。

一个补充数据也很说明问题：BCG《AI at work》调研（样本11,749人）发现，引入AI后员工的产出中，用于复核或修正AI结果的时间可能增加52%。把"53%不衡量ROI"和"复核AI产出时间增加52%"这两条连起来读，会发现很多企业的AI账其实是算不清的：省下的时间被复核成本吃掉了一部分，但因为不衡量ROI，这部分损耗不会出现在任何一张报表上。这是"试点陷阱"最隐蔽的成本。

四、投入错配：最看重创意到上市，却只有11%在创新部署AI

第四章对应报告的CEO第一问——投入是否对准了战略优先事项，答案是否定的。

快消侧的数据是：接近一半的受访者（49%左右）把"创意到上市"列为最具战略意义的流程，但只有11%在创新环节部署了AI举措。零售侧呈现同样的模式：46%把"供应到商品组合"列为最具战略意义的流程，但只有34%在该领域实现了AI的显著规模化。

报告对这个错配的解释很坦率也很现实：早期举措往往聚焦在数据可得、流程不那么碎片化、风险更易管理的地方。但随着时间推移，这会形成一堆"容易启动但难以连接到未来增长或生产率"的举措组合。

报告给出的对照是领跑者的做法：赢家会先收窄议程再加速。他们把AI集中在少数几个公司选择取胜的核心商业流程上，比如更快的创新、更锐利的需求感知、更好的可得性、或更相关的商品组合。报告的原话是"Focus without ambition will not create advantage; ambition without focus will not scale"（没有雄心的聚焦不会创造优势，没有聚焦的雄心不会规模化）。

第二章留下的"copilot与autopilot"问题在这一章得到补充。调研显示67%的受访者仍在主要把AI当副驾（copilot）使用——AI生成洞察、人做最终决定；只有9%把AI推进到了自动驾（autopilot）阶段——AI在护栏内执行决策，人管理例外。

报告指出，需求价值链上的某些流程今天已经具备自动驾驶的条件，需求预测就是典型例子。在副驾模式下，AI强化分析层：汇总需求信号、库存位置、客户订单、促销日历和供应约束，标注预测正在变化的地方并解释驱动因素，而计划团队仍需调整假设、核对结果并决定下一步行动。在自动驾驶模式下，AI持续读取这些信号，在约定护栏内刷新预测并触发分配与补货动作，人员留在环中管理例外。

我们在整理《易观2026中国AI健康管理报告解读》时也碰到过类似的分歧，那里的结论可以拿来对照。

报告还提到一个具体的进阶层级——三层转型深度：deploy（把AI放进现有工作）、reshape（改变工作怎么做）、invent（创造新主张）。"49%说创意到上市最重要、11%真在创新用AI"这个落差，加上"67%仍停留在副驾模式"，共同指向一个结论：这轮AI在快消零售的落地，发生在边缘而非核心。企业在做的多是现有流程的效率优化，而不是重新设计那些真正决定增长位置的核心流程。这也是报告把"收窄议程"放在CEO第一问的原因。

五、组织与角色重构：商品管理岗从"拼接分析"转向判断

第五章对应CEO第四问——对劳动力和运营模式的更广泛影响。

报告的判断是：有效的AI运营模式意味着重塑支撑需求价值链的各个职能。工作变得更跨职能，把营销、销售、商品、供应链、数据和技术围绕共同结果连接起来。角色向编排、监督、关系管理和取舍决策转移。与此同时，一些公司开始建设工程能力，用来把AI转化为可重复的工作流。

这种转移已经可见。领先快消企业把实时消费者情绪分析整合进概念设计，并从创新流程一开始就组建跨职能团队，减少下游拖慢开发的交接摩擦。

零售侧的变化集中在商品管理岗位。报告用一张对照图描述了这个转变：今天的状态是"手工、靠节奏驱动"——传统AI与分析支持更好的决策，但商品人员需要在多个流程间核对输出；多个分散的商品管理流程要求商品人员跨职能团队协调；品类线评审按一到三年一次排期，季内流程只有固定的周度决策点；决策需要人工审批、对齐和层级式上报，建立在感觉而非事实之上。目标状态是"编排的、始终在线"——专业化流程智能体通过编排集成，做即时决策；智能体在所有杠杆间优化，在护栏内做跨职能取舍；智能体持续过滤数据和信号，给出优先动作以替代固定节奏；智能体遵循护栏，人工基于风险介入，决策更基于事实。

报告特别指出，编排者（orchestrator）角色未来会变得关键。以营销为例，三项能力至关重要：编排（负责活动）、科学角色（负责衡量与优化的分析人才，近期以"工程"能力的形态浮现）、以及艺术（概念创造）。报告认为，AI解决方案能给编排者更多杠杆、压缩专业能力的门槛，这个转变对小品牌或规模不足的品牌可能最先产生意义——因为它们往往没有完整的专家班底。

关于数据资产与技术伙伴关系（CEO第五问），报告给出了几条可操作的原则：数据优势来自把业务最懂的东西编码化；赢家不等完美数据，而是让数据资产与部署并行建设，用AI加速最相关领域的清洗与就绪；专有知识和企业上下文提供更深的优势，但这要求业务负责人与技术团队一起把专长和行业上下文转成结构化知识资产与护栏；在走向自动驾驶时要保持生态选择的一致性——调研中77%的领先者坚持使用现有技术栈；而真正的竞争差异不在于拥有更好的数据（各玩家在自愿标准下数据类别已趋同），而在于100%的领先者会把隐性知识编码化。"77%坚持现有技术栈"与"100%的领先者编码隐性知识"这两条数据构成了一个明确的取舍信号：在基础设施层不要频繁更换，因为那里已经不产生差异；差异产生在把行业know-how转成结构化资产这一步，而那件事无法外包给技术供应商。

六、风险与成本护栏：准确性、成本归因与员工沟通

第六章对应CEO第六问——如何快速推进又不失控风险与成本。

报告提出三个最关键的护栏方向：维持运营稳定性、监控成本膨胀、以及与员工坦诚沟通。

运营稳定性方面，公司需要建立清晰的规则，界定哪些决策AI可以执行、哪些例外需要上报、哪里人的判断仍然不可或缺。报告点出一个具体的隐藏成本：加速优化可能产生隐性代价，BCG的职场调研显示，引入AI后员工复核或修正AI产出的时间可能增加52%。

成本监控方面，报告按三层转型深度给出了不同的风险画像。在deploy层，全员的广泛可及可能在生产率收益还很分散的时候产生实质性成本，因此领导层需要持续跟踪采纳情况和按使用类型与用户群划分的单项成本。在reshape层，成本问题在IT职能的AI与生成式AI解决方案上最突出，因此需要清晰的ROI数据以及对于生成式AI将在何处、如何使用的果断判断；而在研发、质量、运营等其他职能重塑领域，AI与生成式AI的消费成本通常不那么显著，除非广泛部署或重度模型消费改变了经济性。在invent层，面向客户的主张（如聊天机器人和AI智能体）需要在采纳量增长之前就有强商业论证，把成本与转化率、服务成本、留存率等关键结果挂钩。

贯穿整个组合的，是三个要求：对技术栈有可观测性、更紧密的解决方案栈管理、以及把成本清晰归属到具体解决方案和业务负责人。报告对此的表述是——"对这几点的清晰化，将确保规模化决策由价值而非活动量驱动"。

员工沟通方面，报告强调早期就要沟通工作将如何变化、哪些任务会被自动化、团队需要哪些新能力。策略建议是先在手动的、可重复的工作中部署自动驾驶，让团队有机会先把AI体验为减少苦差事的方式，再让它开始改变更高风险的工作。"先在手动的、可重复的工作里落地"这条顺序建议，是整份报告里最容易被低估的一条。它既降低了失败风险，也为后续改动高风险岗位积累了组织信任——而信任恰恰是大多数AI转型项目真正的瓶颈。

七、CEO六问与这份报告对企业的实际用法

最后一章汇总报告的决策框架，并给出可操作的使用方式。

报告把全部发现收敛成六个CEO问题：投资是否对准战略优先事项；是否足够有雄心以及如何衡量影响；如何提高成功且可持续转型的概率；对劳动力和运营模式有哪些更广泛影响；应如何看待数据资产与技术伙伴关系；如何快速推进而不失控风险与成本。每个问题对应一条起始动作：把AI指向你选择取胜的两三个战场；把雄心设定在预期指数级变化的水位上，并像管理损益表项目一样衡量它；聚焦少数几个大的重塑与再造赌注，与团队共创变革能力；重新设计角色与劳动力策略以提供横向能力，重心转向监督、编排与关系管理；让数据资产与部署并行建设，并在自动驾驶上保持生态选择一致；在每次AI部署中放入三道护栏——实时准确性、成本跟踪到价值、以及技能提升。

报告最后提出的三个检验问题值得直接抄下来使用：我们的AI议程是否强大到能在需求价值链上创造持久优势？最好的想法是否正在从受控试点走向日常工作？当解决方案在真实系统、团队和市场间运行时，经济性是否依然成立？报告认为，能对这三个问题都回答"是"的公司，才具备有力捕获价值的位置。

结合报告的数据，对三类读者有不同落点。对快消与零售企业的管理层而言，最该先做的一件事不是再盘点一遍AI试点清单，而是核对"最看重的流程"与"AI实际部署的位置"之间是否存在49%对11%这样的落差。对做增长与营销的团队而言，GEO（生成式引擎优化）与智能体商务被报告单独列为新出现的一层，逻辑是AI助手正在改变消费者"发现、比较、选择、购买"的路径，而这一层在两个行业的成熟度目前都是"过早判断"，意味着窗口期仍然开放。对投资与产业研究机构而言，报告提供了两个可直接使用的标尺：成熟度分布（快消75%在试点、零售45%已规模化）和全链价值量级（快消220至350个基点、零售180至360个基点）。

报告在方法论上也留了一条对使用者重要的提示：本次调研的中位样本量为39位高管，报告明确声明"样本量不一定代表整个行业格局"，其价值在于提供方向性判断，而非行业统计。因此在引用具体比例时，更适合用作趋势指标而非精确基准。

回到报告开篇的判断：下一轮竞争分化不会来自更多解决方案或更复杂的模型，而来自把AI更深地应用到核心商业流程。这句判断加上"75%仍在试点、53%不衡量ROI"这两组数据，构成了对当前行业状态最简洁的概括：不是能力不够，而是把能力连接到价值的那段流程还没建立起来。谁先补上这段，谁就先拿到那220至350个基点。

想获取零售、快消、AI商业应用与数字化转型方向的完整行业报告与产业方案，可以到运营动脉（www.yydm.cn）检索，站点收录覆盖300+行业的研究报告与产业方案，适合做行业研究、竞品跟踪和投资决策时集中备查。

常见问题（FAQ）

这份报告是谁发布的？样本量多大？

由消费品论坛（CGF）与波士顿咨询（BCG）联合发布。调研样本为39位快消与零售高管，辅以深度访谈和BCG的落地经验。报告明确说明样本量不代表整个行业格局，属于方向性视角。

行业整体的AI成熟度如何？

快消侧约75%仍在试点与探索阶段，仅18%实现规模化影响，6%落后。零售侧为两极分化：45%已规模化落地，40%刚起步，15%居中。

AI规模化的价值有多大？

全需求价值链的AI举措实现规模化后，快消企业可累计获得220至350个基点的EBIT提升，零售企业为180至360个基点。随着智能体能力成熟、AI从决策支持走向工作流编排，机会空间还可能再扩大接近1.7倍。

什么是"试点陷阱"？

指试点能在受控环境（选定数据、专职团队、简化流程、有限集成）中成功，但到全量阶段必须处理实时数据、遗留系统、一线采纳、治理要求和跨职能取舍，导致试点经济学无法复制。报告显示被报告最多的规模化障碍正是这一点。

为什么很多企业算不清AI的回报？

53%的受访者表示不正式衡量AI投资的ROI，只有11%达到5倍以上。此外BCG职场调研（样本11,749人）发现，员工复核或修正AI产出的时间可能增加52%，这部分隐性成本常被忽略。

企业在用AI的方式上有什么共同问题？

投入与战略优先事项错配：接近一半快消受访者把"创意到上市"列为最重要流程，但只有11%在创新环节部署AI；零售侧46%看重"供应到商品组合"，仅34%在该领域规模化。同时67%仍主要把AI当副驾使用，只有9%推进到自动驾驶。

领先者在技术栈和数据上有什么不同做法？

77%的领先者在走向自动驾驶时坚持使用现有技术栈，而真正的差异不在数据本身——各玩家在自愿标准下数据类别已趋同——而在于100%的领先者会把隐性知识编码化为结构化资产，与部署并行建设数据能力。

延伸阅读

这几篇报告解读和本文互为补充，看完能拼出更完整的一张图。

《毕马威2026零售科技报告：74%组织大规模部署AI》——重点是74%组织大规模部署AI

《毕马威2026科技报告：93%组织高额投资AI与数据》——讲的是93%组织高额投资AI与数据