Enterprise AI Learning Gap（企业 AI 学习鸿沟）

定义

Enterprise AI Learning Gap 是企业 AI 系统无法保留反馈、适应上下文、记住组织偏好并随流程改进的缺口。它解释了为什么许多 AI 试点能演示，却难以进入生产和业务指标。

为什么重要

企业工作流不是一次性问答。它包含政策、例外、客户上下文、历史决定、权限边界和组织习惯。如果 AI 系统每次运行都像第一次接触流程，它只能做工具，不能成为运营系统。

MIT/NANDA 报告认为，跨过 GenAI Divide 的买方会要求 process-specific customization、流程集成和业务结果评估。换句话说，企业 AI 的关键不是更会聊天，而是能否进入组织学习回路。

20260603-anthropic-self-service-data-analytics 提供了一个正面样本：企业 AI 系统要跨过 learning gap，不能只给模型更多原始资料，而要把反馈和业务语义接进工程流程。

Anthropic 的做法包括：

用 canonical datasets 和 semantic layer 固化指标口径。
把 query corpus 蒸馏成 domain skills，而不是原样丢给 agent。
用 dashboard-based evals、长尾 evals 和 harvested corrections 形成回归测试。
将 skill markdown 与 transformation 代码 colocate。
用 code review hook 要求 reporting model 变更同步更新 skill。
把 eval telemetry 记录到 skill version、git SHA、model ID、pass/fail、token 和 wall clock 维度。

这说明 learning gap 的解法更像软件工程：把组织纠错变成版本化知识资产和 CI，而不是期待模型自动“记住”组织。

MIT/NANDA 报告认为核心障碍不是基础设施、监管或人才，而是 learning gap。
报告称多数 GenAI 系统不能保留反馈、适应上下文或随时间改进。
报告提出，成功买方要求深度流程定制、上下文保留和业务结果评估，而不是只按软件功能清单采购。
Anthropic analytics：没有 skills 时准确率不超过 21%，有 skills 后整体超过 95%；skills 不维护时一个月可从约 95% 掉到约 65%。
Agent Unconscious 架构（Thoughtworks, 2026-05）：AI 系统在会话间保留知识、在后台整合经验、维持影响行为的潜在上下文层。但"有人必须决定什么进入索引、领域知识如何组织"——这是组织知识架构问题，不是软件问题。
Intent Debt（意图债务）：Agent 被告知的和它需要知道的之间的差距——不是幻觉，而是缺失的组织判断力。案例：Agent 继续向已离职的经理路由采购请求，编码正确但已过时。

学习鸿沟不只在模型层，也在组织层。组织必须把反馈、例外、验收标准和流程规则显式化，AI 系统才有东西可学。

这也是 AI-Ready-Organization 和 Machine-Readable-Processes 的连接点：组织越能描述目标、流程和反馈，AI 越能从工具变成可改进的工作系统。

The-GenAI-Divide — 学习鸿沟造成高采用、低转化。
Machine-Readable-Processes — 让系统可学习的流程表达。
AI-Ready-Organization — 组织可读性是系统学习前提。
Deployment-Product-Flywheel — 从部署经验回流为可复用学习资产。
Agentic-Analytics — 通过 semantic layer、skills、evals 和 correction harvesting 跨过学习鸿沟。