Sharp 等人（2025）提出了“代理不平等”作为分析 AI 代理访问差异的框架，涵盖可用性、质量和数量三个维度。这些维度描述了个人和组织层面谁能以何种能力访问代理，但未能解决一个在更细粒度层面上运作的结构性鸿沟：个体交互。
两个名义上有相同代理访问权限的用户，可能会因为系统是否能够自主检索用户的知识库中的上下文（动态上下文检索）或需要用户在每次查询时手动识别和附加相关文档（手动附加）而体验到质的不同 AI 效用。我们称之为上下文访问鸿沟（CAD）。
对于那些知识密集型工作者，他们的智力资本涵盖成千上万的文件，CAD 构成了 AI 效用的质的阈值：在这一阈值以下，上下文整理的认知负担落在了人类身上，从而重现了 AI 本应消除的低效。
我们将上下文性——AI 系统自主访问用户积累的知识资本的程度——作为 AI 媒介不平等的一个维度，补充了 Sharp 等人的框架但并不可以简化为此。
我们通过一个基于认知心理学中的风扇效应文献的概率模型来形式化 CAD，展示手动上下文附加在语料库规模和任务结合性增长时，会导致任务成功概率的组合崩溃，而动态检索架构在结构上则可以避免这种崩溃。
我们分析了这一鸿沟在模型上下文协议（MCP）和检索增强生成（RAG）架构中的技术基础，并探讨其对知识工作分层和 AI 平台治理的影响。
博主点评： 本文深入探讨了 AI 系统在用户交互层面上的不平等，提出了上下文访问鸿沟这一新概念，强调了动态上下文检索的重要性。通过概率模型分析，作者展现了如何在知识密集型工作中提升 AI 的实用性，这对未来的 AI 平台设计具有重要启示。对于希望理解 AI 在知识工作中角色的研究者和开发者而言，这是一个值得关注的领域。