企业 AI 采用了这么多年，工具覆盖率已经不再是核心问题。GitHub Copilot 许可证批量采购、ChatGPT Enterprise 静静躺在技术栈某处、Claude 或 Cursor 出现在个别工程师的口袋里 —— 这些都已经稀松平常。然而真正的问题在于：当每个人都在使用 AI 时，组织本身学到了什么？那些消耗的数十万 token 究竟改变了什么？个人层面的效率提升何时才能转化为团队能力甚至组织资产？这一系列追问指向了企业 AI 采用中一个被长期忽视的结构性缺口 —— 知识转化缺口（Organizational Knowledge Gap）。这个问题不是简单的培训不足或激励缺失，而是 AI 工作方式本身与传统组织学习机制之间的根本性错配。
个体生产力不等于组织学习
Ethan Mollick 在其关于 AI 采用的系列研究中反复强调一个核心观点：个人生产力提升不会自动成为组织层面的收益。人们确实变得更快、写得更好、分析得更深，或者在不知不觉中成了人机融合的新物种。但公司可能仍然几乎什么都没学到。这种现象在 AI 采用的 “混乱中间阶段”（Messy Middle）表现得尤为突出：当 AI 使用无处不在、分布不均、难以比较、且尚未与组织学习机制建立连接时，传统的那套改变管理工具 —— 社区实践、午餐分享、冠军网络、培训课件、办公室时间、月度演示、调查问卷 —— 已经太慢了。真正有价值的 AI 实践往往出现在代码审查、销售提案、研究任务、产品原型、生产事件、测试策略或合规问题的具体场景中，而不是在下一场社区会议的议程里。
这正是 Robert Glaser 在其最新文章中指出的核心矛盾：AI 采用的单位不再是组织，甚至不再是团队，而是工作流程内部的那个 “循环”（Loop）。一个团队把 Copilot 当作自动补全工具用，另一团队用 Claude Code 跑紧凑的循环，配有测试、审查和持续的方向校准；一个产品负责人突然能原型化真实软件而不是在 Figma 里画 Mockup；一位高级工程师把根本原因分析委托给一个 agent，一小时后带着有效的解决方案回来，而这在没有 AI 的情况下原本需要两周；一位初级开发者产出了光鲜的代码但对系统引入的建筑假设毫无察觉；一个支持团队悄悄地把重复工单转化为工作流自动化，因为他们最清楚痛点在哪里，而卓越中心里从来没人问对过问题。这些事情可以在同一家公司、同一时间并行发生，而传统的组织学习机制根本捕捉不到这些分散在各处、发生在具体工作流中的知识创造。
从 Token 计数到学习计量
传统度量往往陷入两个极端：要么停留在工具使用层面的 license 使用率、prompt 计数、用户满意度调查这些表层指标，要么直接跳到业务 ROI 这种需要长期积累才能验证的滞后指标。真正缺失的是中间层 ——Loop Intelligence，即哪些 AI 辅助（或完全 agentic）的循环真正产出了学习，哪些循环是开放的、哪些在衰减、agent 在哪里创造了杠杆、哪里陷入了无意义的外延扩张，哪些团队停留在紧密监督模式因为缺乏测试、上下文或直觉，哪些团队已经准备好接受更松散的委托。这个问题的难度远超工具使用率统计或 token 消耗追踪。
一个新的度量范式需要从 “token 到产出”（Token-to-Output）转向 “token 到学习”（Token-to-Learning）。后者关注的核心问题不是生成了多少行代码或回复了多少条消息，而是：哪些循环闭合得更快？哪些决策质量提升了？哪些根本原因分析变得更锐利？哪些审查发现了更多问题？哪些团队学到了可复用的模式？哪些产品创意因为原型让弱点提前暴露而被更快地终止？AI 在哪里创造了学习，而仅仅是在哪里创造了更多产出？这个思维转换需要配套的工程化基础设施来落地。
三层能力框架与干预路径
Glaser 提出的三层能力框架为企业 AI 知识转化提供了结构化的工程化路径。第一层是 Agent Operations（代理运营），关注哪些 agent 和 AI 工具在运行、它们能访问什么系统、能看到什么数据、哪些行动需要审批、身份认证与审计权限如何设计、运行时可见性落在哪里。这是控制侧，在 agentic 工作最终触及真实系统时不可或缺。第二层是 Loop Intelligence（循环智能），关注哪些 AI 辅助的工作循环实际上产生了学习、哪些保持开放状态、哪些在退化、agent 在哪里创造了杠杆、哪里失控变成了旁支任务、哪些团队因为缺乏测试、上下文或直觉而困在紧密监督模式、哪些团队已经准备好更松散的委托。第三层是 Agent Capabilities（代理能力），关注有用的能力如何在整个组织中分发，而不需要假装三个单一的 agent 就能做完所有人的工作 ——AI 正开始表现得像一种流动性的基础技术而非单一应用类别，它不适用于那种 “一个 HR agent、一个工程 agent、一个销售 agent 各占一隅” 的企业动物园模式。
这三层中每一层都对应着具体的干预参数和控制点。Agent Operations 的工程化干预需要在工作流的关键节点埋设检查点：intent 声明环节、agent 工作执行环节、verification 验证环节、human decision 人类决策环节。每一个环节都应该留下可追溯的痕迹 —— 不是用来监控员工，而是用来理解循环本身的健康度。Loop Intelligence 的干预则需要建立反馈循环的仪表盘，追踪循环闭合率（从 intent 到 verified output 的完整流转比例）、循环衰减点（哪些循环在某个阶段卡住不再前进）、模式复用率（一个团队发现的 pattern 被其他团队采纳的速度）。Agent Capabilities 的干预涉及能力分发机制的工程化设计：哪些能力应该靠近团队本地化、哪些应该沉淀到平台层、哪些永远不应该被通用化因为本地上下文本身就是价值的核心。
反馈 Harness 的工程化参数
将上述框架落地需要一个实际的工程组件 —— 反馈 Harness（反馈马甲）。这个组件的设计不需要一次性建成完整平台，可以从几个真实工作流开始试点。在每个选中的工作流中，在 intent、agent work、verification、human decision 已经自然留下痕迹的地方埋设采集点，收集足够的定性反馈来理解为什么某个循环成功或失败，然后将分析结果转化为持续的学习产物。
具体实施时需要定义以下工程化参数。首先是循环粒度参数，区分紧密同步协控（Tight Synchronous Co-driving）和松散异步委托（Loose Asynchronous Delegation）两种模式，并为每种模式设定明确的适用场景和切换条件。紧密模式适用于高风险操作、合规敏感区域、新手阶段；松散模式适用于可验证的重复性任务、高容错率的实验性工作、成熟的 pattern 已被捕获的领域。其次是背压参数（Backpressure），用于控制在松散委托模式下 agent 向外蔓延的边界 —— 具体的阈值需要根据业务风险容忍度设定，通常建议新团队从 10% 的外延任务上限开始，每两个月评估调整一次。第三是 artifacts 存留参数，定义哪些中间产物必须从循环中沉淀出来成为组织资产：成功的 prompt 模板、有效的验证场景集、失败模式的分类目录、决策规则的结构化描述。这些 artifacts 是后续组织学习的主要载体。
监控指标与回滚策略
实施 Loop Intelligence Hub 时需要建立一套监控指标体系。核心指标包括循环健康度（Cycle Health Score），计算方式为成功闭合循环数除以开启循环数，建议按周统计并设置 0.7 的基线阈值，低于此值触发干预审查；知识转化率（Knowledge Transfer Rate），衡量单个循环中产生的可复用 artifacts 被其他团队实际采纳的比例，目标值应在 0.25 以上，即每四个循环产出至少一个被复用的 pattern；学习滞胀指数（Learning Stagnation Index），追踪某个团队或业务域的循环模式是否在多周内保持不变 —— 如果连续六周循环闭合率和 artifacts 产出没有显著变化，说明该区域的 AI 采用进入了舒适区而非学习区，需要注入新的干扰或切换到不同的 loop size。
回滚策略同样重要。当发现某项干预参数导致循环效率下降超过 20% 或知识产出降为零时，应自动触发参数回滚到上一稳定版本。建议采用金丝雀发布的方式逐步推广新参数：先在单一团队运行两周，收集定量的循环健康度和定性的团队反馈，达标后再扩展到三个团队，再扩展到全组织。这个过程本身也是组织在学习如何管理 AI 采用的循环。
需要特别强调的是，这套体系的核心约束是 “不能变成员工监控”。如果员工认为组织在计量他们是否使用了足够多的 AI，就会开始操纵信号；如果他们认为每个实验都会变成生产率预期，就会隐藏实验；如果他们认为最好的工作流会被直接转化为新的基准工作量，就会将其保密。公司将得到最差版本的采用：表面上的合规和隐藏的学习。这要求 Loop Intelligence 的设计从一开始就将 “测量对象” 定位为循环而非个人，所有反馈聚焦于模式、流程和环境，而非个人产出。
走向学习速度的竞争
当企业 AI 采用从 “谁获得了工具” 转向 “谁能从工具中提取组织学习” 时，竞争的关键维度就变了。未来企业的优势不在于谁买了更多的 AI 许可证，而在于谁发现真实模式的速度更快，谁能更快地将个人发现转化为团队能力进而沉淀为组织资产，谁能更好地在 agentic 循环中建立背压机制以防止 agent 失控，谁能将有用的 agent 能力分发到具体工作中而不把它们变成无人使用的企业级 agent。
这波转变没有现成的 adoption playbook 可以照搬，也没有哪家 vendor、咨询公司或 AI 实验室能给出标准答案。真正的进展来自于对实际工作循环的持续 instrumenting（埋设观测）、对 messy learnings 的公开分享、对反面案例的容忍和迭代。混乱中间阶段不是一个需要熬过去的阶段，而是一个需要被建设的系统。当组织建立起 Agent Operations 的控制能力、Loop Intelligence 的学习能力和 Agent Capabilities 的分发能力时，个体使用 AI 产生的知识才能真正流动到团队层面、沉淀为组织能力，最终让 “每个人都用了 AI 但公司什么都没学到” 成为历史。
资料来源：Robert Glaser, "When everyone has AI and the company still learns nothing" (2026-05-05); Ethan Mollick, "Making AI Work: Leadership, Lab, and Crowd"。