越来越多的制造业企业正积极将人工智能（Artificial Intelligence, AI）应用于内部的研发、生产等环节中，以提升运营效率和经济效益。AI用例在制造业的应用场景可以大致分为智能生产、产品和服务、企业运营管理、供应链管理和业务模型决策五个主要领域。其中，智能生产相关的AI用例占比最高，达到51%；其次是产品和服务领域，占比25%。据国际数据公司（IDC）预测，2024年全球AI市场的投资将达到5000亿美元。随着AI应用案例（用例）在企业中的普及，企业通过AI实现了运营和经济效益显著提升。2023年11月世界经济论坛（WEF）发布的报告中指出，全球制造业领域的灯塔工厂通过AI用例，将制造设备的有效性提升了30%，员工效率提升了40%，交付时间减少了40%。
在认识到AI用例在制造业中巨大的应用潜力后，许多企业开始探索如何实现AI用例资源的复用，并通过AI用例资产化将AI用例进行“打包”，以实现AI用例的快速、大规模部署。AI用例资产化能促进制造业企业将AI用例迅速“移植”到其他有需求的场景，帮助企业应用已经得到有效验证的AI用例，并为企业提供了新的收入来源，从而提高AI用例的利用效率和商业化水平。部分企业通过AI用例资产化提升了企业的生产力与运营效率，实现了降本增效。根据笔者前期调研和资料整理，当前制造业中已有一些企业实现了AI用例资产化，一类是以安捷伦（Aglient）为代表的企业，将AI用例资产化之后实现了在企业内部地流通和使用；第二类是以联想为代表的企业，不仅将资产化的AI用例部署在企业内部，还将其销售给外部合作伙伴（详见表1）。但是无论是哪种类型的AI用例资产化，其本质都是为了推进AI用例的规模化部署，挖掘AI技术的商业与社会价值。
表1 AI用例资产化的典型制造业企业
注：笔者根据前期调研，以及企业官网和相关报告总结。
然而，这些成功案例的背后，是大量的实践探索和不断优化的过程。因此，研究制造业的AI用例资产化的过程，探讨其实施的潜在挑战以及解决策略，对于推动AI技术在更广泛领域的应用具有重要意义。在此背景下，笔者通过前期对一些制造业企业的详细调研，分析了制造业企业AI用例资产化的基本过程，识别出了制造业企业在该过程中所遇到的挑战，并凝练出了应对挑战的具体能力，以期为制造业企业在AI用例资产化过程中提供有价值的见解和实践指导。
AI用例资产化过程
AI用例资产化是指将企业将在AI技术开发和应用中形成的用例，通过标准化流程将配套的数据、算法模型等进行优化、打包，实现组织内外的快速复制、部署和规模化应用，同时将这些用例转化为可交易的生产要素，进行市场交易，创造经济和社会价值的过程（Hackfort等, 2024; Lu, 2023）。该过程具体包含探索、定义、开发、部署、监控五个阶段（Boudreau, 2012; Hao, 2024; Kohli和Melville, 2019）。
探索阶段是指企业探索业务流程中适合进行资产化的AI用例，并识别相应的机会。探索阶段是AI用例资产化过程中的一个起步环节，它能帮助企业明确AI用例资产化的开发、应用方向，评估其潜在价值，并为后续阶段打下坚实的基础。但在探索阶段，由于AI技术的多样性、复杂性、场景适用性等问题，找到最适合资产化的AI用例是一个巨大的挑战。AI用例资产化对AI技术的适应性要求较高，只有经过严格评估和选择的AI技术才能适应不同应用场景的需求，为资产化打下基础（Tao等, 2018）。同时，在早期阶段由AI用例资产化投资回报的不确定性，企业也需要慎重的进行战略决策。
定义阶段是指根据具体业务需求，明确AI用例资产化的目标、范围、应用场景和预期成果。定义阶段为后续的AI用例资产化的开发、部署和监控阶段提供了明确的方向。在定义阶段，由于各部门、各个应用场景的需求多样性，定义统一的标准化AI用例存在挑战。同时，确保模块化的AI用例是否能够随着时间的推移而扩展，以满足不断变化的业务需求，具备广泛适用性和可扩展性（Nambisan, 2017），对于企业的AI技术水平提出了较高的要求。
开发阶段是指企业根据需求进行AI用例的研发过程，将AI用例从概念和设计转化为实际可用的产品或服务。在该阶段，企业要将之前定义的AI用例进行实际的开发、测试和优化，使其成为可复用的资产。然而，在这个过程中，企业需要高质量的数据与强大的数据处理能力，以确保AI用例的实际使用效果。对许多制造业企业而言，每周都会产生百万兆字节的新数据，所以收集、连接和分析这些数据可以帮助企业更好地开发与应用AI用例（Hajli等, 2020; Sjödin等, 2021）。此外，将AI用例与现有业务系统集成过程中会涉及复杂的接口开发和系统调试，因此，这要求团队具备较强的技术创新能力，使企业从复杂的数据中捕捉到细微模式、发现市场机会，并在各种业务环境中做出精准的决策（Jarrahi, 2018; Shepherd和Majchrzak, 2022）。
部署阶段是指将开发、测试完成的AI用例进行“打包”，以部署至组织内外部的实际业务场景中，使其能在所需环境中正常运行和提供服务。将AI用例与既有系统相结合，对AI用例的可扩展性提出了较高要求。由于AI用例是由不同的AI技术组成，例如机器学习算法、计算机视觉识别技术等（Gregory等, 2021），所以在某个企业使用有效的AI用例，复制到另一个企业时可能就无法达到同样的效果，导致AI用例的复用范围和次数受限。企业需要解决AI用例的兼容性和扩展性等相关问题，以确保AI用例和既有系统结合后能正常、稳定运行。同时，面对运行环境间的差异性，需要AI用例的开发人员与相关部门之间进行协作（Leone等, 2021），确保AI用例能够在不同环境中稳定运行。
监控阶段是指通过一系列的标准化流程，跟踪、评估和维护AI用例的性能，建立反馈机制，并对存在的问题进行优化，以确保AI用例能够达到既定的使用效果。在这个过程中，需要AI用例资产化的各方参与者之间明确规则、标准和流程，以指导和开展有效合作；同时，根据监控结果和使用反馈，对AI模型进行必要的调整和优化，以提高其性能（Metcalf等, 2019），实现AI用例资产化的反馈优化。该过程需要部门间进行技术知识和项目信息的有效共享，但在实践中往往难以实现，获取真实有效的用户反馈具有挑战性，用户可能不愿意或者无法提供有用的反馈。此外，当前还未形成有关AI应用的统一行业标准，企业的AI用例具有一定的保密性，因此形成了“信息孤岛”。这种信息孤岛问题阻碍了AI用例的迭代优化，也导致了工作重复、资源浪费或项目延期。
表2 AI用例资产化的五个阶段
注：笔者根据前期调研总结。
掌握AI用例资产化过程有助于制造业企业系统地规划和执行各阶段的任务，了解会遇到的潜在挑战。
推进AI用例资产化的能力模型
探索阶段，企业需要构建导航能力。在探索阶段企业需要制定和实施AI用例资产化的配套战略，以确保AI用例资产化方向与企业整体战略相一致（Porter, 1985; 蔡莉等, 2023）。在这一过程中，企业需建立导航能力，了解和预测市场趋势，并评估AI技术的最新发展，为企业在复杂环境中引导AI用例资产化的方向，确定清晰的目标与战略。导航能力有助于企业在不确定性的环境中保持正确的方向，克服挑战，为最终实现AI用例资产化奠定基础。例如，谷歌在2014年收购了DeepMind，并于2016年宣布从“Mobile First”转向“AI First”战略，此后开始构筑企业在AI领域的竞争优势。谷歌先后发布了AlphaGo（阿尔法围棋）、AlphaZero（AlphaGo的升级版）、AlphaFold（蛋白质结构预测）、AlphaCode（代码写作）等许多AI产品。
定义阶段，企业需要构建分析能力。分析能力指的是企业必须具备一系列用于分析、理解AI用例资产化的适用场景、相关数据，以及评估科学性的能力。一方面，企业需要对既有数据进行分析，以深入理解企业的业务目标、用户需求和痛点，以及AI用例资产化对应的解决方案。同时预测市场趋势，评估AI技术的发展，以及这些因素如何影响业务模式和运营效率。另一方面，分析能力还涉及到对AI用例的性能进行定量评估，确保其输出能满足预定的业务要求。同时企业需要分析AI用例对现有工作流程的影响，确定必要的流程改进或变革管理策略。例如，中国特种钢制造商中信泰富特钢集团通过收集、监测和实时分析钢铁生产、制造过程中的数据，发现生产过程中可以完善的流程，并开发相应的AI用例进行能源管理，最终使得该工厂不合格品率降低了47.3%，每吨钢的能耗降低了10.5%。
开发阶段，企业需要构建技术整合能力与创新能力。首先，企业要具有一定的技术整合能力，将AI技术有效集成到现有系统中，整合来自不同来源的数据，确保AI用例能够与现有的技术基础设施相兼容，并正常运行（Checkland, 1999）。例如，工业富联旗下鸿佰科技在生产制造服务器的过程中，需要上游供应商提供的黑盒（black-box）技术，即内部工作原理对于用户来说是不可见的，只能通过输入和输出来与其交互。因此，鸿栢科技与供应商合作，在上游厂商生产基础软件设施时就能与鸿栢科技的软件相匹配，并提供可访问、可扩展的固件，从而合作进行定制开发。
其次，企业需要构建创新能力，快速构建AI用例，以实现新想法的验证，并通过快速迭代、来升级AI用例。通过建立技术整合能力与创新能力，企业能够在AI用例资产化的开发阶段快速验证其想法，不断推出创新的产品和服务，从而在竞争激烈的市场中找到竞争优势。例如，宁德时代凭借强大的创新能力，在溧阳生产基地开发了利用深度学习来优化生产制造过程和能源管理、利用计算机视觉实现微米级质量检验的AI用例，使得产量提高320%，制造成本降低33%，标准化排放量减少47.4%，质量缺陷减少 99%。
部署阶段，企业需要构建协作能力。在组织内外部部署AI用例的过程中，企业需要与生态系统内的合作伙伴相互合作，发展和强化企业与其合作伙伴间共同解决问题的协作能力。实现跨部门与学科间的合作，如科学家、产品经理、业务分析师等，共同创新AI用例。同时，在部署阶段构建AI用例资产化生态平台，实现生态系统内企业的协同创新和转型升级，是AI用例资产化的目标。这种多部门之间的协作，既加快了AI用例资产化的创新和应用步伐，也促进了跨行业、跨领域和生态之间的技术融合与合作。例如，格创东智与立讯制造有限公司合作，建设了自带拣选功能的立体仓库与自动化等多个项目，使得立讯制造仓储物流效率、空间利用率、分拣和出货效率等较人工产线效率提升了2倍。
监控阶段，企业需要构建优化能力。根据敏捷开发方法，企业需要建立AI用例资产化的反馈渠道，为用户和内部团队提供直接、便捷的反馈途径（Al-Saqqa等, 2020），以支持快速高效地迭代AI用例。企业在建立反馈渠道的过程中，要确保客户能够轻松地分享使用体验和提出改进建议。这就要求企业具有专业的客户支持团队和自动化工具来确保其能够迅速响应用户的反馈，增强用户参与感。例如，华为在智能汽车领域业务发展中，与长安、广汽和北汽等传统汽车制造龙头企业签订合作协议，共同开发车联网和智能汽车领域的新技术和产品。华为利用其在人工智能、5G技术等数字化技术组合方面的优势，联合多家车企共建智能汽车生态圈，这种合作模式促进了技术和资源的互补，加速了智能汽车领域的产品与AI用例的创新迭代（朱国军等, 2022）。
表3 AI用例资产化所需构建的能力
注：笔者根据前期调研，以及企业官网和相关报告总结。
基于企业AI用例资产化过程中遇到的不同挑战，笔者提出了对应的能力，以保障制造业企业有效实施AI用例资产化。具体来说，针对制造业企业推进AI用例资产化，笔者提出了“ACTION”能力模型，更清晰地理解企业在这一过程中需要构建或发展的各项能力，实现AI用例的内外部扩展和交易，进而促进AI用例的规模化部署。
图1 制造业企业AI用例资产化的ACTION能力模型
资料来源：作者绘制
结语
在当前竞争激烈、技术快速发展的时代，制造业企业面临前所未有的挑战与机遇。AI用例资产化为制造业企业获得新的盈利增长点，加快培育和发展新质生产力，实现高质量发展提供了新思路，即将先进AI技术转变为企业核心资产。这一过程涉及到战略导航、技术开发与整合、技术创新与优化等全面能力的展现。尽管AI用例资产化的道路充满挑战，但是其带来的潜在价值和竞争优势不容忽视，制造业企业不应被眼前的困难所阻碍，而应着眼于长远的战略目标。AI用例资产化不仅能够提高企业的竞争优势，还能增强企业在复杂、动态环境中的适应力，为高端化、智能化、绿色化发展提供有力支撑。此外，AI用例资产化需要商业生态系统企业之间的高频互动与深度合作，创造从“零和博弈”到商业生态系统“共同演化”的新生机。制造业企业应勇于尝试，通过推进AI用例资产化，将AI从技术转变为核心资产，迎接未来的无限可能。
【本文受到了国家自然科学基金重大项目“创新驱动创业的重大理论与实践问题研究”（72091310）子课题一“数字经济下的创新驱动创业的基础理论”（72091315）、国家自然科学基金重点项目：数字经济时代中国企业战略与创业的微观基础理论研究（72232010）的资助。】
越来越多的制造业企业正积极将人工智能（Artificial Intelligence, AI）应用于内部的研发、生产等环节中，以提升运营效率和经济效益。AI用例在制造业的应用场景可以大致分为智能生产、产品和服务、企业运营管理、供应链管理和业务模型决策五个主要领域。其中，智能生产相关的AI用例占比最高，达到51%；其次是产品和服务领域，占比25%。据国际数据公司（IDC）预测，2024年全球AI市场的投资将达到5000亿美元。随着AI应用案例（用例）在企业中的普及，企业通过AI实现了运营和经济效益显著提升。2023年11月世界经济论坛（WEF）发布的报告中指出，全球制造业领域的灯塔工厂通过AI用例，将制造设备的有效性提升了30%，员工效率提升了40%，交付时间减少了40%。
在认识到AI用例在制造业中巨大的应用潜力后，许多企业开始探索如何实现AI用例资源的复用，并通过AI用例资产化将AI用例进行“打包”，以实现AI用例的快速、大规模部署。AI用例资产化能促进制造业企业将AI用例迅速“移植”到其他有需求的场景，帮助企业应用已经得到有效验证的AI用例，并为企业提供了新的收入来源，从而提高AI用例的利用效率和商业化水平。部分企业通过AI用例资产化提升了企业的生产力与运营效率，实现了降本增效。根据笔者前期调研和资料整理，当前制造业中已有一些企业实现了AI用例资产化，一类是以安捷伦（Aglient）为代表的企业，将AI用例资产化之后实现了在企业内部地流通和使用；第二类是以联想为代表的企业，不仅将资产化的AI用例部署在企业内部，还将其销售给外部合作伙伴（详见表1）。但是无论是哪种类型的AI用例资产化，其本质都是为了推进AI用例的规模化部署，挖掘AI技术的商业与社会价值。
表1 AI用例资产化的典型制造业企业
注：笔者根据前期调研，以及企业官网和相关报告总结。
然而，这些成功案例的背后，是大量的实践探索和不断优化的过程。因此，研究制造业的AI用例资产化的过程，探讨其实施的潜在挑战以及解决策略，对于推动AI技术在更广泛领域的应用具有重要意义。在此背景下，笔者通过前期对一些制造业企业的详细调研，分析了制造业企业AI用例资产化的基本过程，识别出了制造业企业在该过程中所遇到的挑战，并凝练出了应对挑战的具体能力，以期为制造业企业在AI用例资产化过程中提供有价值的见解和实践指导。
AI用例资产化过程
AI用例资产化是指将企业将在AI技术开发和应用中形成的用例，通过标准化流程将配套的数据、算法模型等进行优化、打包，实现组织内外的快速复制、部署和规模化应用，同时将这些用例转化为可交易的生产要素，进行市场交易，创造经济和社会价值的过程（Hackfort等, 2024; Lu, 2023）。该过程具体包含探索、定义、开发、部署、监控五个阶段（Boudreau, 2012; Hao, 2024; Kohli和Melville, 2019）。
探索阶段是指企业探索业务流程中适合进行资产化的AI用例，并识别相应的机会。探索阶段是AI用例资产化过程中的一个起步环节，它能帮助企业明确AI用例资产化的开发、应用方向，评估其潜在价值，并为后续阶段打下坚实的基础。但在探索阶段，由于AI技术的多样性、复杂性、场景适用性等问题，找到最适合资产化的AI用例是一个巨大的挑战。AI用例资产化对AI技术的适应性要求较高，只有经过严格评估和选择的AI技术才能适应不同应用场景的需求，为资产化打下基础（Tao等, 2018）。同时，在早期阶段由AI用例资产化投资回报的不确定性，企业也需要慎重的进行战略决策。
定义阶段是指根据具体业务需求，明确AI用例资产化的目标、范围、应用场景和预期成果。定义阶段为后续的AI用例资产化的开发、部署和监控阶段提供了明确的方向。在定义阶段，由于各部门、各个应用场景的需求多样性，定义统一的标准化AI用例存在挑战。同时，确保模块化的AI用例是否能够随着时间的推移而扩展，以满足不断变化的业务需求，具备广泛适用性和可扩展性（Nambisan, 2017），对于企业的AI技术水平提出了较高的要求。
开发阶段是指企业根据需求进行AI用例的研发过程，将AI用例从概念和设计转化为实际可用的产品或服务。在该阶段，企业要将之前定义的AI用例进行实际的开发、测试和优化，使其成为可复用的资产。然而，在这个过程中，企业需要高质量的数据与强大的数据处理能力，以确保AI用例的实际使用效果。对许多制造业企业而言，每周都会产生百万兆字节的新数据，所以收集、连接和分析这些数据可以帮助企业更好地开发与应用AI用例（Hajli等, 2020; Sjödin等, 2021）。此外，将AI用例与现有业务系统集成过程中会涉及复杂的接口开发和系统调试，因此，这要求团队具备较强的技术创新能力，使企业从复杂的数据中捕捉到细微模式、发现市场机会，并在各种业务环境中做出精准的决策（Jarrahi, 2018; Shepherd和Majchrzak, 2022）。
部署阶段是指将开发、测试完成的AI用例进行“打包”，以部署至组织内外部的实际业务场景中，使其能在所需环境中正常运行和提供服务。将AI用例与既有系统相结合，对AI用例的可扩展性提出了较高要求。由于AI用例是由不同的AI技术组成，例如机器学习算法、计算机视觉识别技术等（Gregory等, 2021），所以在某个企业使用有效的AI用例，复制到另一个企业时可能就无法达到同样的效果，导致AI用例的复用范围和次数受限。企业需要解决AI用例的兼容性和扩展性等相关问题，以确保AI用例和既有系统结合后能正常、稳定运行。同时，面对运行环境间的差异性，需要AI用例的开发人员与相关部门之间进行协作（Leone等, 2021），确保AI用例能够在不同环境中稳定运行。
监控阶段是指通过一系列的标准化流程，跟踪、评估和维护AI用例的性能，建立反馈机制，并对存在的问题进行优化，以确保AI用例能够达到既定的使用效果。在这个过程中，需要AI用例资产化的各方参与者之间明确规则、标准和流程，以指导和开展有效合作；同时，根据监控结果和使用反馈，对AI模型进行必要的调整和优化，以提高其性能（Metcalf等, 2019），实现AI用例资产化的反馈优化。该过程需要部门间进行技术知识和项目信息的有效共享，但在实践中往往难以实现，获取真实有效的用户反馈具有挑战性，用户可能不愿意或者无法提供有用的反馈。此外，当前还未形成有关AI应用的统一行业标准，企业的AI用例具有一定的保密性，因此形成了“信息孤岛”。这种信息孤岛问题阻碍了AI用例的迭代优化，也导致了工作重复、资源浪费或项目延期。
表2 AI用例资产化的五个阶段
注：笔者根据前期调研总结。
掌握AI用例资产化过程有助于制造业企业系统地规划和执行各阶段的任务，了解会遇到的潜在挑战。
推进AI用例资产化的能力模型
探索阶段，企业需要构建导航能力。在探索阶段企业需要制定和实施AI用例资产化的配套战略，以确保AI用例资产化方向与企业整体战略相一致（Porter, 1985; 蔡莉等, 2023）。在这一过程中，企业需建立导航能力，了解和预测市场趋势，并评估AI技术的最新发展，为企业在复杂环境中引导AI用例资产化的方向，确定清晰的目标与战略。导航能力有助于企业在不确定性的环境中保持正确的方向，克服挑战，为最终实现AI用例资产化奠定基础。例如，谷歌在2014年收购了DeepMind，并于2016年宣布从“Mobile First”转向“AI First”战略，此后开始构筑企业在AI领域的竞争优势。谷歌先后发布了AlphaGo（阿尔法围棋）、AlphaZero（AlphaGo的升级版）、AlphaFold（蛋白质结构预测）、AlphaCode（代码写作）等许多AI产品。
定义阶段，企业需要构建分析能力。分析能力指的是企业必须具备一系列用于分析、理解AI用例资产化的适用场景、相关数据，以及评估科学性的能力。一方面，企业需要对既有数据进行分析，以深入理解企业的业务目标、用户需求和痛点，以及AI用例资产化对应的解决方案。同时预测市场趋势，评估AI技术的发展，以及这些因素如何影响业务模式和运营效率。另一方面，分析能力还涉及到对AI用例的性能进行定量评估，确保其输出能满足预定的业务要求。同时企业需要分析AI用例对现有工作流程的影响，确定必要的流程改进或变革管理策略。例如，中国特种钢制造商中信泰富特钢集团通过收集、监测和实时分析钢铁生产、制造过程中的数据，发现生产过程中可以完善的流程，并开发相应的AI用例进行能源管理，最终使得该工厂不合格品率降低了47.3%，每吨钢的能耗降低了10.5%。
开发阶段，企业需要构建技术整合能力与创新能力。首先，企业要具有一定的技术整合能力，将AI技术有效集成到现有系统中，整合来自不同来源的数据，确保AI用例能够与现有的技术基础设施相兼容，并正常运行（Checkland, 1999）。例如，工业富联旗下鸿佰科技在生产制造服务器的过程中，需要上游供应商提供的黑盒（black-box）技术，即内部工作原理对于用户来说是不可见的，只能通过输入和输出来与其交互。因此，鸿栢科技与供应商合作，在上游厂商生产基础软件设施时就能与鸿栢科技的软件相匹配，并提供可访问、可扩展的固件，从而合作进行定制开发。
其次，企业需要构建创新能力，快速构建AI用例，以实现新想法的验证，并通过快速迭代、来升级AI用例。通过建立技术整合能力与创新能力，企业能够在AI用例资产化的开发阶段快速验证其想法，不断推出创新的产品和服务，从而在竞争激烈的市场中找到竞争优势。例如，宁德时代凭借强大的创新能力，在溧阳生产基地开发了利用深度学习来优化生产制造过程和能源管理、利用计算机视觉实现微米级质量检验的AI用例，使得产量提高320%，制造成本降低33%，标准化排放量减少47.4%，质量缺陷减少 99%。
部署阶段，企业需要构建协作能力。在组织内外部部署AI用例的过程中，企业需要与生态系统内的合作伙伴相互合作，发展和强化企业与其合作伙伴间共同解决问题的协作能力。实现跨部门与学科间的合作，如科学家、产品经理、业务分析师等，共同创新AI用例。同时，在部署阶段构建AI用例资产化生态平台，实现生态系统内企业的协同创新和转型升级，是AI用例资产化的目标。这种多部门之间的协作，既加快了AI用例资产化的创新和应用步伐，也促进了跨行业、跨领域和生态之间的技术融合与合作。例如，格创东智与立讯制造有限公司合作，建设了自带拣选功能的立体仓库与自动化等多个项目，使得立讯制造仓储物流效率、空间利用率、分拣和出货效率等较人工产线效率提升了2倍。
监控阶段，企业需要构建优化能力。根据敏捷开发方法，企业需要建立AI用例资产化的反馈渠道，为用户和内部团队提供直接、便捷的反馈途径（Al-Saqqa等, 2020），以支持快速高效地迭代AI用例。企业在建立反馈渠道的过程中，要确保客户能够轻松地分享使用体验和提出改进建议。这就要求企业具有专业的客户支持团队和自动化工具来确保其能够迅速响应用户的反馈，增强用户参与感。例如，华为在智能汽车领域业务发展中，与长安、广汽和北汽等传统汽车制造龙头企业签订合作协议，共同开发车联网和智能汽车领域的新技术和产品。华为利用其在人工智能、5G技术等数字化技术组合方面的优势，联合多家车企共建智能汽车生态圈，这种合作模式促进了技术和资源的互补，加速了智能汽车领域的产品与AI用例的创新迭代（朱国军等, 2022）。
表3 AI用例资产化所需构建的能力
注：笔者根据前期调研，以及企业官网和相关报告总结。
基于企业AI用例资产化过程中遇到的不同挑战，笔者提出了对应的能力，以保障制造业企业有效实施AI用例资产化。具体来说，针对制造业企业推进AI用例资产化，笔者提出了“ACTION”能力模型，更清晰地理解企业在这一过程中需要构建或发展的各项能力，实现AI用例的内外部扩展和交易，进而促进AI用例的规模化部署。
图1 制造业企业AI用例资产化的ACTION能力模型
资料来源：作者绘制
结语
在当前竞争激烈、技术快速发展的时代，制造业企业面临前所未有的挑战与机遇。AI用例资产化为制造业企业获得新的盈利增长点，加快培育和发展新质生产力，实现高质量发展提供了新思路，即将先进AI技术转变为企业核心资产。这一过程涉及到战略导航、技术开发与整合、技术创新与优化等全面能力的展现。尽管AI用例资产化的道路充满挑战，但是其带来的潜在价值和竞争优势不容忽视，制造业企业不应被眼前的困难所阻碍，而应着眼于长远的战略目标。AI用例资产化不仅能够提高企业的竞争优势，还能增强企业在复杂、动态环境中的适应力，为高端化、智能化、绿色化发展提供有力支撑。此外，AI用例资产化需要商业生态系统企业之间的高频互动与深度合作，创造从“零和博弈”到商业生态系统“共同演化”的新生机。制造业企业应勇于尝试，通过推进AI用例资产化，将AI从技术转变为核心资产，迎接未来的无限可能。
【本文受到了国家自然科学基金重大项目“创新驱动创业的重大理论与实践问题研究”（72091310）子课题一“数字经济下的创新驱动创业的基础理论”（72091315）、国家自然科学基金重点项目：数字经济时代中国企业战略与创业的微观基础理论研究（72232010）的资助。】
