從模型升級到品牌工廠：Google正在重塑消費品的內容、洞察与零售工作流

0｜開場：對一個做洗髮精、飲料或零食的企業來說，這次更新到底關你什麼事？

如果你最近有略略刷到科技新聞，大概會看到幾個關鍵字：
Google 上線了新一代大模型 Gemini 3 Pro（G3P），
圖像模型升級為 Nano Banana Pro（NBP），
再加上一個叫 Antigravity 的 AI 平台。

對多數消費品企業的中高階主管來說，第一反應通常是：「又一個新模型，跑分更高、context 更長——那又怎樣？」畢竟，你真正每天在意的，是：新品打不打得贏、通路條件談不談得下來、貨架上有沒有被看見、媒體花的錢有沒有回來，而不是模型在基準測試上領先幾％。

但如果把這次更新放回 Google 過去兩年的佈局，你會發現真正值得關注的不是「模型本身」，而是：Google 正在把 AI 從一個「工具」變成一條可以直接連到品牌、內容、貨架的「工廠產線」——從晶片、雲端，到模型、Agent 工作流，再一路延伸到手機與瀏覽器的入口。

對消費品企業來說，關鍵問題不再是「要不要用 AI」，而是：
未來 3～5 年，你的 消費者數據、品牌資產、內容產線與通路運營，要不要有一部分長在這樣的一條供應鏈上？
你是把 AI 當「一個寫文案的小幫手」，還是認真把它當成「品牌與內容工廠的一部分」來設計？

一｜G3P：從聊天模型，變成「品類與消費者的大腦」

先看 G3P。它對消費品企業最實際的改變，其實有兩個：一次吃進整個 BU 的知識，以及預設「代勞」，不是「聊天」。

過去，多數團隊用生成式 AI 的方式，是「有一份簡報就貼一段、有一份報告就貼幾頁」，每次都是單點互動。G3P 強調的長上下文能力，真正有意義的地方在於：你可以把一個事業單位過去幾年的關鍵資料，當成一個「基底知識庫」餵給它——
包含：

品牌簡報、年度 brand book
各類型 consumer insights、U&A、追蹤調研
通路與 EC 數位貨架數據、客服與社群對話
過往 campaign 成效與媒體報表
甚至內部的價格策略、促銷機制、促銷手冊

過去你問 AI：「幫我想一個今年年底可以打 Z 世代的 campaign」，它對你是「陌生人」；
未來你可以先讓它「念完」你這個品類的歷史、品牌脈絡與既有資產，再來討論下一步。
這時候，它扮演的就不是一個外部創意顧問，而更像是一位讀完所有內部資料的「虛擬品牌經理」。

第二個轉變，是 G3P 在 Google 整體產品定位裡，被強調的是「推理、調用工具、跑任務」，而不是陪你聊聊天。當它被放到 Antigravity 這種 Agent 工作平臺時，你看到的不再只是一段答案，而是一個完整 工作過程：

它先去讀你歷年活動資料與銷售數據
再去抓零售媒體後台與 EC 貨架數據
幫你初步做 segmentation、找機會區、拉出幾條 growth path
產出草案簡報、圖表、備註假設
把這整個過程留下 artifacts，供團隊回看、修改與延伸

對品牌總監或品類經理而言，G3P 不再只是「幫我寫一段 summary」，而是可以被安排在工作流裡——你定問題與 guardrail，它負責把大量「重複、但需要一定理解力」的活先跑完。
你可以把時間放在：決定哪些 insight 真的值得押注、哪些情境要做實驗、哪些假設要進到下一季的計畫。

二｜NBP：把「KV、包裝、貨架物料」變成可規模運轉的內容產線

再看圖像模型 NBP，它與消費品企業最直接的連結，不是「做不做得到很酷的藝術圖」，而是：能不能讓你從品牌 KV、一堆 EC 素材與線下物料，變成一條有節奏的「內容產線」。

第一，NBP 真正的強項，在於它會 「看懂」你現有的視覺資產。
你可以丟給它：

今年主 KV 與過往幾年的關鍵視覺
幾個國家（含台灣）的 EC PDP、banner、直播預告圖
線下陳列物、吊牌、貨架 wobblers、端架設計
甚至競品的貨架照片、海報、促銷物料

NBP 不只是做 OCR，而是能理解：

哪些元素在畫面裡是主角、哪些只是裝飾
文案與產品、logo、認知資產的關係
貨架上到底有沒有「一眼看出你是誰」
這張圖對消費者來說，最容易讀錯或忽略的是什麼

對設計與品牌團隊來說，它比較像一個視覺與資訊結構的 reviewer：
可以幫你指出：「這一版 EC 圖，claim 太多、hierarchy 亂掉」、「這個 KV 對比競品，在貨架上其實不容易被掃到眼」。

第二，NBP 可以幫你做的，不只是「生一張圖」，而是串起一整套 campaign 所需的內容產線。
如果你把：

洞察與 brief（來自 G3P 的 text）
現有 KV 與品牌 visual guideline
去年表現好的素材、投放成果
幾個主力通路的規格與限制

一次丟給「G3P + NBP」，它可以協助你完成的，會比較接近：

一份接近可用的活動簡報骨架（含故事線與圖表 placeholder）
不同通路／不同格式的 KV / banner 初稿
建議的訊息優先級與「這邊文字太多、這邊太弱」的標註
針對台灣、東南亞、歐美不同市場的語言與視覺調整建議
線下物料（端架、價牌）與 EC 頁面之間的一致性檢查

你仍然需要設計師與在地團隊去調校與審核，但原來要跑幾輪、幾個人之間傳檔案的流程，可以被大幅壓縮。
NBP 的定位，不是取代創意或設計，而是讓你有一條「穩定產出 80 分素材的大生產線」，把真正需要 95 分的地方，留給團隊集中火力。

三｜從模型到貨架：Google 想把 AI 變成一條「品牌工廠」供應鏈

當我們把 G3P（文字／推理）、NBP（視覺／圖像）以及 Antigravity（Agent 平臺）放在一起看，就不難理解：Google 想做的，其實是一條可以 從資料與知識，一路跑到內容、到執行的 AI 供應鏈。

對消費品企業來說，這條供應鏈如果接上去，會長得有點像這樣：

資料與洞察端：
內部的消費者研究、EC 數據、零售媒體報表、客服紀錄，先被整理成 G3P 可以理解的知識底座。
策略與規劃端：
由 G3P 先做假設、路徑拆解與 scenario 模擬，給品類團隊、品牌團隊一套「有數據、有脈絡」的初稿。
內容與物料端：
NBP 接手，閱讀既有 KV、包裝稿、貨架照片與 EC 素材，產出各通路、各情境的初版視覺方案。
執行與優化端：
透過類似 Antigravity 的 Agent 平臺，把「投放、A/B 測試、貨架監測、報表產出與復盤」串成一條可複製的工作流。

而在最底層，TPU 與 Google Cloud 則是確保：這一切可以在既有的安全與合規框架下運行，不會變成一堆「灑在不同工具裡、無法治理的 AI 嘗試」。

這樣的供應鏈一旦成熟，消費品企業面對的問題，就不再只是「要不要用 G3P」，而是：

我們願不願意，讓未來幾年的 消費者洞察、品牌資產與內容產線的一部分，長在 Google 的 AI 工廠裡？

四｜對消費品企業的三個關鍵視角：品牌、通路、組織

從實務角度來看，G3P + NBP 對消費品企業的啟示，可以拆成三個層面。

4.1 品牌與創新：從「一季一份 big idea」變成「持續運轉的品牌大腦」

在品牌與創新端，G3P 最直接的價值是：把原本分散在各個報告、簡報和腦袋裡的知識，變成一個能對話、能推理的品牌大腦。
這讓幾件事變得不一樣：

新人 onboarding 不再只是「看簡報」，而可以透過與 G3P 對話，快速理解這個品牌的歷史戰役與踩雷；
品類策略不再只在每年一次的年度檢討被重寫，而可以隨著市場變化，透過與「大腦」對話，進行持續調整；
創意 brief 不再每次從零寫起，而是以過往有效案例、既有資產與消費者脈絡為基底，給代理商與內部團隊一個更扎實的起點。

NBP 則幫你把這個「大腦」的想法，落地成一套可以在不同市場、不同貨架上運轉的視覺語言。
真正的關鍵不是「AI 做不做得到一張好看的 KV」，而是：
一個品牌能不能在數十種 touchpoint 上，維持既清楚、又有辨識度、又有效率地更新。

4.2 通路與 EC：從「一次一次 campaign」變成「可複製的內容與運營流水線」

在通路與 EC 端，G3P + NBP 的組合，有機會讓你從 一次一次 campaign 式的衝刺，轉向「有節奏的內容與運營流水線」：

G3P 讀完零售媒體與 EC 報表後，可以幫你先做「機會區羅列」：哪些關鍵字值得押、哪些類別彈性最大、哪些組合在特定通路特別有效；
NBP 讀完既有 EC 素材庫與競品貨架照片後，可以指出「這些關鍵頁面資訊太亂」「這些圖很漂亮，但對 conversion 沒幫助」，並生成優化版初稿；
透過 Agent 工作流，把「素材生成 → 上架 → 追蹤 → 下線／優化」變成一條固定節奏，而不是每次都靠人海戰術。

這對台灣與區域性的消費品企業尤為關鍵：
當素材量爆炸、通路要求越來越碎片化時，你不可能再靠線性人力增加來應對。
你需要的是一套可以「持續產出夠好內容、把人力放在最後 20％決策」的系統。

4.3 組織與治理：從「試用幾個 AI 工具」變成「選一條 AI 供應鏈」

最後是組織層面。
當 Google、Microsoft/OpenAI、其他雲端供應商，都開始端出自己的「AI 工廠藍圖」時，消費品企業其實面臨一個看起來技術、實際上非常戰略的選擇：

哪些資料可以上雲、哪些必須留在本地？
哪些流程可以任由 Agent 自動跑到底，哪些一定要有人審、有人拍板？
哪些資產可以放心交給雲端模型學習，哪些要用自家小模型與內部系統處理？
是跟一家供應商深綁，還是選擇多供應商、多雲策略？

這些問題，表面上在討論「技術架構」，本質上是在決定 你未來幾年的組織能力要長在哪裡。
G3P 和 NBP 只是讓這個問題變得更迫切：
當 AI 不再只是 demo，而是可以實際接上 brand、content、commerce 流程時，你就不能再把它當成「實驗性工具」看待。

五｜給消費品高階主管的三個問題

最後，不談技術，只留三個問題，給正在帶著品牌與品類往下一個階段走的你：

1｜你們有沒有一個「品牌與消費者的大腦」？
不是 Google 的，也不一定是誰家的，而是：
你們是否已經在嘗試，讓過去十年的報告、簡報、活動、數據，變成一個可以被問問題的系統，而不是只躺在檔案伺服器裡？
G3P 類型的模型，只是提醒你：這件事現在技術上已經可行，差別在你要不要開始整理。

2｜你們的內容與貨架，有沒有一條「AI 參與的內容產線」？
面對 EC 與零售媒體愈來愈複雜的素材需求，你是持續增加人手、一個一個通路硬撐？
還是開始設計：「哪一些素材由 AI 先跑出 80 分，再由品牌／設計團隊把最後 20 分補上」的流水線？
NBP 類型的能力，讓你有機會把 KV、包裝、EC 圖、貨架物料，用一套思路看待、用一套節奏更新。

3｜你現在是在選模型，還是在選未來三年的「品牌工廠供應鏈」？
你可以今天用 G3P、明天用 5.1、後天再換一家，但組織真正難的是：
哪邊在托管你的資料與知識？
哪套工作流正在默默形塑你團隊的工作方式？
哪個供應商的治理框架，會變成你未來幾年的默認標準？

如果說 2025 年是「AI 工廠正式開工，開始往品牌與貨架延伸」的一年，那這次 G3P 和 NBP 的更新，對消費品企業來說，不是一則看過就忘的科技新聞，而是一份很直接的提醒：

AI 不再只是寫幾句文案、做幾張圖，它正在長成一座你可以選擇要不要進駐的「品牌與內容工廠」。
真正的問題是：你想不想、敢不敢，讓未來的品牌與品類能力，有一部分長在這座工廠裡。

作者

David Yang（楊閎）｜Future Insights Lab 發起人。長期書寫《AI 未來反思錄》，關注 Agentic Commerce、AIGC、資料方法與組織更新。

了解更多 → 關於作者
https://future-insights-lab.com/about/

Keywords：

消費品AI, 品牌AI工廠, GoogleG3P, NanoBanana模型, 品牌內容自動化, 行銷AI工作流, CPGAI應用, 行銷數位化, 多模態內容生產, 零售媒體AI化, KV自動化生成, G3P品牌內容生產, 消費品NanoBanana應用, 行銷AI最佳實踐, GoogleAI在CPG應用