AI 已经不是少数科技公司的尝试，而正在成为企业经营中的基础能力。
麦肯锡 2025 年全球 AI 调研显示，88% 的受访企业已经在至少一个业务职能中定期使用 AI，高于上一年的 78%；同时，62% 的企业已经在试验 AI Agent，23% 已经在部分业务中规模化部署 Agent。Gartner 也预测，2026 年全球 AI 支出将达到 2.52 万亿美元，同比增长 44%。
从国内来看，《“人工智能+”行动意见》也明确提出，推动 AI 融入企业战略规划、组织架构和业务流程，加快在工业设计、中试、生产、服务、运营等环节落地。
这说明，AI 不是短期热点，而是技术趋势、企业需求、政策方向和资本投入共同推动的大趋势。
但对制造企业来说，问题已经不是“要不要用 AI”，而是“如何真正承接 AI”。
现在很多企业已经开始使用 AI：写文案、做总结、生成销售话术、整理会议纪要、写客服回复、生成产品介绍。这属于第一阶段，主要提升个人效率。
接下来，AI 会进入第二阶段：提升部门效率。比如 AI 客服、AI 销售助手、售后知识助手、新员工培训助手、客户意向识别、工单分类、报价辅助、企业知识库问答、企业微信智能协同。
再往后，AI 才会进入第三阶段：提升企业整体运营效率。比如生产排程优化、质量异常预警、设备预测性维护、库存预测、供应链风险识别、成本分析、经营决策助手、多 Agent 协同等。
但是，AI 越往业务深处走，对企业基础的要求就越高。
制造企业最先落地 AI 的场景，往往不是直接管理生产线，而是客服、销售、售后、培训、资料查询、客户线索识别和经营分析。因为这些场景离业务近，资料基础清楚，重复问题多，也更容易看到效果。
问题在于，很多制造企业真正缺的不是 AI 工具，而是知识底座。
产品资料散落在文件夹里，检测报告没人统一管理，报价规则在销售脑子里，售后经验靠老师傅口口相传，工程案例分散在微信和企业微信聊天记录中。资料有很多，但没有变成 AI 可以检索、调用、追溯和更新的知识资产。
没有知识底座，AI 很容易停留在浅层应用。它可以写文案、做总结，但很难准确回答客户的产品参数、工况适配、检测报告、报价边界、售后处理和交期问题。
未来企业依赖的，也不会只是某一个大模型，而是一套 AI 能力体系：企业知识资产、数据治理、模型接入、权限控制、风险识别、人工协同、业务流程和持续优化。
所以，对制造企业来说，真正要补的是知识资产治理能力。
把分散的产品资料、检测报告、工程案例、销售话术、售后记录和业务规则，治理成可被 AI 调用的知识资产，再接入客服、销售、售后、企业微信和经营分析场景，AI 才能从“个人工具”变成“企业能力”。
未来制造企业的竞争，不只是有没有 AI，而是谁的知识更完整、数据更干净、流程更清楚，AI 更能真正参与业务。
一句话：
制造企业不是缺 AI 工具，而是缺知识底座。
知识资产治理，才是企业承接 AI、用深 AI 的第一步。