Hal paling kejam dari AI bukanlah karena ia tidak memberikan jawaban kepada orang miskin.

Sebaliknya, ia memberikan jawaban kepada semua orang.

Ia memberikan kerangka tesis mahasiswa, template email untuk karyawan, rencana bisnis untuk pengusaha, serta penjelasan hukum, saran investasi, dan perencanaan karier untuk orang biasa. Jawaban pertama kalinya begitu murah, begitu melimpah, dan begitu terasa nyata.

Tetapi masalahnya justru di sini: ketika jawaban tersedia bagi semua orang, yang benar-benar langka bukan lagi jawabannya, melainkan kemampuan untuk menilai jawaban tersebut.

Orang miskin bukanlah mereka yang terhalang dari AI, tetapi mereka yang sudah mendapatkan jawaban, namun tidak mampu menilai jawaban tersebut atau tidak memiliki kesempatan untuk menerapkannya dalam peluang nyata.

Orang-orang miskin informasi di era internet adalah mereka yang dikecualikan dari jaringan. Solusinya tampak jelas: sambungkan koneksi internet, sebarkan perangkat, dan tingkatkan tingkat melek huruf. Di era mesin pencari, sedikit lebih kompleks—Anda perlu belajar merangkum kata kunci, memilah sumber, menilai kredibilitas, dan sebaiknya mengerti sedikit bahasa Inggris. Namun, ambang batasnya terlihat dan dapat diukur.

Kesenjangan informasi di era AI sama sekali berbeda strukturnya.

Model bahasa besar bukan mesin pencari; ia langsung menghasilkan kesimpulan untuk Anda. Anda tidak perlu lagi "mencari" jawaban—jawabannya akan disusun dalam paragraf yang lancar, langkah-langkah yang jelas, dengan nada percaya diri, dan disajikan langsung di depan Anda. Secara tampak, ambang batasnya jauh lebih rendah. Namun, di sini tersembunyi struktur yang dingin: ketika jawaban menjadi murah, kesalahan pun menjadi murah; sementara kemampuan untuk membedakan "apakah jawaban ini dapat dipercaya" justru menjadi lebih langka dan lebih berharga daripada sebelumnya.

Setiap kali teknologi umum menyebar secara historis, ia mengikuti logika yang sama: teknologi baru terlebih dahulu memberi keuntungan kepada mereka yang sudah memiliki modal komplementer. Cetak memungkinkan mereka yang bisa membaca dan menulis untuk mendapat keuntungan terlebih dahulu; komputer memberi keuntungan terlebih dahulu kepada mereka yang memahami perangkat lunak kantor dan pemrograman; internet memberi keuntungan terlebih dahulu kepada mereka yang memiliki kemampuan bahasa Inggris kuat dan keterampilan pencarian yang mahir. Modal komplementer untuk AI mencakup latar belakang pendidikan, keahlian profesional, pemikiran kritis, otorisasi organisasi, kemampuan membayar, serta hal yang paling sulit diukur—kebijaksanaan.

Teknologi baru jarang memberi penghargaan terlebih dahulu kepada mereka yang paling membutuhkannya. Biasanya, ia lebih dulu memberi penghargaan kepada mereka yang paling mampu memanfaatkannya.

Celah pertama ketidaksetaraan telah dibuat sebelum Anda membuka aplikasi.

Pada April 2026, lembaga penelitian AI Epoch AI bekerja sama dengan perusahaan survei Ipsos merilis survei terhadap sekitar 5.000 orang dewasa Amerika Serikat. Tiga gelombang survei menanyakan pertanyaan yang tampaknya biasa: Dalam seminggu terakhir, layanan AI apa yang Anda gunakan? Namun, jawaban yang muncul bukan sekadar preferensi produk, melainkan peta yang menggabungkan pendapatan, akses, dan distribusi.

Dari pengguna aktif mingguan Claude, sekitar 80% berasal dari rumah tangga dengan pendapatan tahunan lebih dari 100.000 dolar AS; sedangkan pada pengguna Meta AI, proporsi ini hanya 37%. Sebaliknya, sekitar 32% pengguna Meta AI berasal dari rumah tangga dengan pendapatan tahunan di bawah 50.000 dolar AS, sedangkan pada pengguna Claude, proporsi ini hanya 7%.

Angka-angka ini penting bukan karena membuktikan "orang kaya menggunakan AI canggih, orang miskin menggunakan AI gratis". Itu adalah interpretasi paling dangkal. Yang lebih layak ditanyakan adalah: mengapa orang yang berbeda mengalami AI yang berbeda dalam kehidupan sehari-hari?

Seseorang meminta AI untuk menyarankan makan malam berdasarkan sisa makanan di kulkas, mencerahkan latar foto, dan mengubah pesan teks agar lebih sopan. Orang lain meminta AI untuk mengatur wawancara klien, membandingkan penawaran pemasok, dan mengidentifikasi asumsi lemah dalam laporan. Keduanya menggunakan teknologi yang sama. Namun, yang satu berhenti pada kenyamanan, sementara yang lain masuk ke dalam siklus pendapatan, jabatan, dan kekuatan negosiasi.

Perbedaan tidak hanya ada pada pengguna, tetapi juga pada titik masuknya. Jalur penggunaan Claude memerlukan pencarian aktif, membandingkan produk, memahami perbedaan kemampuan, memilih pembayaran, lalu mengintegrasikan alat ke dalam alur kerja—setiap langkah menyaring pengguna. Sebaliknya, jalur Meta AI hampir berlawanan: ia terintegrasi secara bawaan di platform sosial, gratis, dengan hambatan rendah, dan pengguna seringkali secara pasif menemukannya saat menggulir feed, mengirim pesan, atau melihat foto.

Ini bukan pasar tentang selera, melainkan pasar tentang distribusi. Pengguna tampaknya memilih alat, namun harga dan akses alat juga memilih pengguna.

Sumber: epoch.ai

Meskipun Anda menemukan alat AI yang bagus, aliran kedua menunggu Anda di perusahaan.

Di kantor biasa, kedatangan AI jarang muncul dalam bentuk "pemberitahuan pemutusan hubungan kerja". Ia terlebih dahulu mengambil alih catatan rapat, draf email, pengaturan tabel, klasifikasi pelanggan, dan draf laporan awal. Bagi manajer, otomatisasi ini melepaskan waktu yang memungkinkan mereka untuk fokus pada pengambilan keputusan; sementara bagi karyawan baru dan staf tingkat bawah, otomatisasi ini justru mengambil kesempatan mereka untuk membuktikan diri, berlatih pengambilan keputusan, dan memasuki pekerjaan di tingkat yang lebih tinggi.

Data lebih dingin dari skenario ini: Survei pelacakan AI tenaga kerja Inggris-Amerika yang dilakukan oleh Financial Times bersama lembaga penelitian (Februari–Maret 2026, mencakup lebih dari 4.000 responden di Inggris dan Amerika) menunjukkan bahwa 63% pekerja di kelas gaji tertinggi menggunakan AI pada hari kerja biasa, sementara proporsi di dua kelas gaji terendah masing-masing hanya 17% dan 16%. Ini bukan lereng yang landai, ini adalah tebing.

Temuan yang lebih penting terletak pada faktor pendorongnya. Analisis regresi dari survei tempat kerja ini mengungkapkan bahwa dampak gaji terhadap tingkat penggunaan AI hampir hilang setelah mengontrol variabel lain—faktor yang benar-benar berpengaruh adalah empat hal: usia, masa kerja, industri, dan pelatihan. Efek pelatihan paling besar: perusahaan yang menyediakan pelatihan AI formal memiliki tingkat penggunaan AI harian karyawan 37 poin persentase lebih tinggi dibandingkan perusahaan sejenis yang tidak memberikan pelatihan. Bahkan hanya bimbingan informal pun meningkatkan penggunaan sebesar 24 poin persentase.

Namun kenyataannya: hingga awal 2026, hanya 14% karyawan yang menyatakan pernah menerima pelatihan AI resmi yang disediakan oleh majikan, dan dua pertiga sama sekali tidak menerima pelatihan apa pun.

Pelatihan AI bukanlah masalah teknis, tetapi masalah alokasi. Siapa yang dipilih untuk menerima pelatihan, dialah yang diizinkan memasuki jalur pertumbuhan produktivitas; siapa yang tidak, alatnya hanyalah ikon di layar yang tidak diizinkan dibuka.

AI di sisi konsumen adalah sebuah aplikasi, di sisi pekerjaan adalah sebuah otoritas. Dan otoritas, tidak pernah dibagikan secara merata.

Sumber: Focaldata

Ini adalah aliran tersembunyi paling dalam dan paling mendasar.

Bayangkan seorang lulusan baru yang baru masuk ke sebuah perusahaan konsultasi. Ia menggunakan AI untuk menghasilkan draf laporan analisis industri yang strukturnya lengkap, datanya memadai, dan nada percaya diri. Atasannya—seseorang yang telah bekerja di industri ini selama sepuluh tahun—melirik sekilas, lalu menunjukkan bahwa dua sumber data yang dikutip memiliki kelemahan metodologis, dan kesimpulan ketiga memiliki kesalahan dalam penarikan hubungan sebab-akibat. Atasan bukan karena lebih rajin, tetapi karena ia memiliki fondasi itu—tahu di mana saja yang mudah salah, tahu mana kelancaran yang benar-benar lancar dan mana yang hanya mesin mengisi kekosongan.

Ini adalah makna sebenarnya dari temuan yang tidak intuitif dalam data survei tempat kerja: pengguna paling intensif AI di tempat kerja bukanlah karyawan termuda, melainkan mereka yang telah bekerja di posisi saat ini selama 2 hingga 10 tahun. Hubungan antara tingkat penggunaan AI dan masa kerja tetap signifikan setelah mengontrol usia. Ini bukan karena generasi muda tidak ingin menggunakannya, tetapi karena nilai AI sangat bergantung pada kemampuan penilaian yang sudah dimiliki oleh penggunanya.

Pengalaman adalah modal pelengkap terpenting bagi AI, dan pengalaman tidak dapat disubskripsi.

AI menurunkan biaya untuk "terdengar paham", tetapi tidak menurunkan biaya untuk "benar-benar paham" secara sepadan. Bahkan ada konsekuensi yang lebih berbahaya: semakin sedikit fondasi yang dimiliki pengguna, semakin mudah mereka menerima output AI secara mentah-mentah; dan semakin banyak mereka menerima secara mentah-mentah, semakin sulit kemampuan penilaian mereka berkembang. Ketika agen membuat keputusan untuk Anda, Anda sedang mengonsumsi kecerdasan, bukan mengakumulasinya.

Penerima Hadiah Nobel Ekonomi dan profesor MIT, Daron Acemoglu, berkata tanpa basa-basi: penggunaan alat AI memerlukan tingkat pendidikan tertentu, pemikiran abstrak, kemampuan kuantitatif, dan keakraban dengan teknologi. "AI hampir pasti akan meningkatkan ketidaksetaraan," katanya.

Informasi baru yang muncul di kalangan miskin: mereka bukan orang-orang yang tidak memiliki AI, tetapi orang-orang yang memiliki AI, akses, dan jawaban, namun tidak memiliki pelatihan untuk menilai jawaban tersebut; memiliki alat dan skenario, tetapi tidak memiliki akses untuk mengubah output alat menjadi peluang; setiap hari mengonsumsi kecerdasan, tetapi tidak pernah mengakumulasi kecerdasan.

Namun, hubungan antara AI dan ketidaksetaraan tidak hanya sebatas memperlebar kesenjangan.

Beberapa penelitian eksperimen menemukan bahwa, dalam kondisi terkendali, AI sering kali memberikan peningkatan lebih besar bagi individu dengan keterampilan rendah—baik bagi karyawan pusat panggilan, penulis pemula, maupun konsultan tingkat pemula. Hal ini mudah dipahami: para ahli puncak mendapatkan manfaat marginal terbatas dari AI; seseorang yang sebelumnya tidak pernah mampu membeli layanan profesional, ketika pertama kali menggunakan AI untuk memahami sebuah kontrak, merupakan lompatan kualitatif.

Namun, ada perbedaan penting yang perlu ditekankan: penelitian eksperimen mengukur "peningkatan setelah penggunaan", sedangkan data nyata mengukur "siapa yang benar-benar menggunakan", "siapa yang diizinkan menggunakan", dan "siapa yang setelah menggunakan dapat mengubah hasil menjadi peluang". Kedua kelompok data tidak berbohong; mereka mengukur hal yang sama sekali berbeda.

Sebuah teknologi dapat menyempitkan kesenjangan di laboratorium, sekaligus memperlebar kesenjangan di dunia nyata—jika penerapannya tidak setara, jika skenarionya tidak setara, dan jika penilaian itu sendiri tidak setara.

AI memiliki sifat teknis yang mendukung kesetaraan, tetapi berjalan di dalam struktur sosial yang tidak setara. Kedua hal ini benar secara bersamaan, itulah bentuk sebenarnya dari masalah ini.

Setiap generasi cenderung percaya bahwa teknologi umum pada zamannya akan menghancurkan tatanan lama.

Setelah penemuan percetakan, mereka yang bisa membaca dan menulis mendapat manfaat selama beberapa abad. Pada awal kemunculan komputer, kemampuan mereka yang sudah terampil menggunakan perangkat lunak kantor dan menulis kode diperkuat. Manfaat awal internet mengalir kepada mereka yang menguasai bahasa Inggris, mampu mencari informasi, serta memiliki waktu dan motivasi untuk melakukan arbitrase. Dalam setiap gelombang teknologi, suara "kali ini berbeda" sangat keras, namun perbedaan struktural seringkali membutuhkan puluhan tahun agar secara perlahan menjadi terlihat.

Kecepatan divergensi AI mungkin lebih cepat, dan cabangnya mungkin lebih dalam. Karena yang terpengaruh bukan hanya satu jenis tugas, melainkan hampir semua pekerjaan yang bergantung pada penilaian dan bahasa. Dan inilah jenis kemampuan yang paling sulit distandarkan dan paling sulit dialokasikan ulang.

Beberapa orang percaya bahwa kesenjangan pada akhirnya akan menyempit. Sejarawan ekonomi dan profesor di Oxford Internet Institute, Carl Benedikt Frey, memegang pandangan ini, dengan berdasarkan pada sejarah: ketidaksetaraan yang ditimbulkan oleh popularitas komputer perlahan menghilang selama beberapa dekade seiring penurunan hambatan penggunaan. Analogi ini tidak tanpa dasar.

Masalahnya adalah, meskipun menerima analogi historis yang optimis ini, Frey sendiri mengakui syarat penting: "Ini tergantung pada berapa lama kesenjangan membutuhkan waktu untuk menutup. Jika sepuluh atau dua puluh tahun, itu lebih mengkhawatirkan."

Sepuluh atau dua puluh tahun, bukan skala waktu yang bisa ditunggu dengan mudah—terutama bagi mereka yang perlu mencari pekerjaan, menegosiasikan gaji, dan mengumpulkan pengalaman selama periode tersebut.

Ini adalah momen sejarah yang aneh: kami pertama kali memiliki teknologi yang membuat semua orang merasa semakin cerdas.

Perasaan ini, sering kali merupakan akhir.

Masalahnya, di era di mana keputusan benar-benar menentukan menang atau kalah, menganggap perasaan sebagai tujuan akhir mungkin merupakan kesalahan paling mahal.