10月27日，MIT Technology Review和TechRadar分别刊文称，制造业与仓储零售企业正在把长期存在于老员工经验、操作记录和生产数据中的工业智能，接入物理AI和一线AI工具，用于质量改进、机器人操作与员工培训。

据MIT Technology Review报道，工业智能既包括已写入文档的流程，也包括经验丰富员工掌握的判断。例如，操作员在换线后重启产线，除了机器设定，还要判断材料特性、上一班次发生的情况，以及轻微波动何时需要进一步检查。文章称，当前的机会是让这类智能在更多决策点可用，并连接到制造现场；其目标不是增加更多智能体，而是把既有业务智能转化为盈利增长引擎。

在物理AI环节，系统可感知条件、进行推理并在物理世界采取行动。MIT Technology Review举例称，机器人抓取零件遇到来料差异时，视觉可评估零件位置，结合材料和任务信息的模型可确定合适动作，连接的控制系统再在已验证限值内执行调整。文章称，价值落在作出恰当响应，而不只是识别差异。

质量场景中，据MIT Technology Review报道，丰田工业连接此前分散的涂装车间数据后，工程和运营团队获得了理解缺陷驱动因素的上下文。公司报告称，分析周期从五天降至四小时以内，试点使相关涂装缺陷减少约25%。文章称，突破点在于帮助人们理解缺陷为何发生，并在结果锁定前作出响应。该文还提到，仿真可在把改动应用到设备前检查拟议动作，但不能替代物理验证；负责任部署需要明确系统可改动哪些环节、可靠设备连接、安全边界，以及决策和行动记录，人员要能识别不确定性、介入并让设备进入安全状态。

TechRadar则把视线放在仓库和零售一线。报道称，一线员工掌握大量未写入手册的隐性知识，包括变通做法、异常处理和局部效率经验；文章引用学术研究和实际经验称，企业知识中高达85%为隐性知识。传统自上而下的标准作业程序难以捕捉这类知识，资深员工退休或离职时，知识可能流失。随着基于标准作业程序和培训材料的AI知识代理投入使用，长期被忽视的知识缺口和过时指南开始显现。

据TechRadar报道，这类工具正推动一种自下而上的“企业大脑”众包方式：一线员工可指出流程不一致、缺口和变通做法，AI助手把这些信号转入培训项目和标准作业程序的自动更新，把未记录的一线经验转为微型学习内容。文章还称，现代AI代理可处理音频、文本、图像和视频，员工可口头指出问题或拍摄货架照片，由AI与视觉陈列图比对并给出纠正步骤；较小模型可在设备端推理，使数据不离开设备或企业网络。

TechRadar援引MIT的一份报告称，与AI供应商合作的企业AI成功率为66%，仅依靠内部开发的企业为33%。文章认为，在零售、仓库和物流场景中，AI系统设计、配置、上线和管理需要具备行业经验、模型、代理和开发组件的合作伙伴参与。