จุดที่โหดร้ายที่สุดของปัญญาประดิษฐ์ ไม่ใช่การที่มันไม่ให้คำตอบกับคนจน

ตรงกันข้าม มันให้คำตอบกับทุกคน

มันให้โครงร่างวิทยานิพนธ์นักศึกษา แม่แบบอีเมลสำหรับพนักงาน แผนธุรกิจสำหรับผู้ประกอบการ และคำอธิบายทางกฎหมาย คำแนะนำด้านการลงทุน และการวางแผนอาชีพสำหรับบุคคลทั่วไป คำตอบครั้งแรกที่ราคาถูก มากมาย และดูเหมือนจริง

แต่ปัญหาก็อยู่ที่นี่: เมื่อคำตอบสามารถเข้าถึงได้โดยทุกคน สิ่งที่หายากจริงๆ ไม่ใช่คำตอบอีกต่อไป แต่เป็นความสามารถในการตัดสินคำตอบ

ข้อมูลใหม่สำหรับคนจน ไม่ใช่คนที่ถูกกีดกันไม่ให้เข้าถึง AI แต่เป็นคนที่ได้รับคำตอบแล้ว แต่ไม่มีความสามารถในการตัดสินคำตอบ หรือไม่มีเงื่อนไขในการนำคำตอบไปใช้ในโอกาสจริง

ในยุคของอินเทอร์เน็ต ผู้ที่เป็นคนจนข้อมูล คือผู้ที่ถูกกีดกันออกจากเครือข่าย การแก้ปัญหาดูเหมือนชัดเจน: เชื่อมต่อสายอินเทอร์เน็ต กระจายอุปกรณ์ และเพิ่มอัตราการรู้หนังสือ ยุคของเครื่องมือค้นหาซับซ้อนขึ้นเล็กน้อย คุณต้องเรียนรู้การสกัดคำหลัก การกรองแหล่งที่มา และการประเมินความน่าเชื่อถือ ยิ่งถ้าเข้าใจภาษาอังกฤษด้วยก็ยิ่งดี แต่ขีดจำกัดนั้นสามารถมองเห็นได้และวัดได้

ช่องว่างข้อมูลในยุคปัญญาประดิษฐ์มีโครงสร้างต่างออกไปอย่างสิ้นเชิง

โมเดลภาษาขนาดใหญ่ไม่ใช่เครื่องมือค้นหา แต่สรุปคำตอบให้คุณโดยตรง คุณไม่จำเป็นต้อง “ค้นหา” คำตอบอีกต่อไป—คำตอบจะถูกจัดเรียงในรูปแบบย่อหน้าที่ลื่นไหล ขั้นตอนที่ชัดเจน และน้ำเสียงที่มั่นใจ พร้อมส่งมาให้คุณโดยอัตโนมัติ ดูเหมือนว่าอุปสรรคจะลดลงอย่างมาก แต่ที่นี่ซ่อนโครงสร้างที่โหดร้ายไว้: เมื่อคำตอบกลายเป็นสิ่งที่ราคาถูก ความผิดพลาดก็กลายเป็นสิ่งที่ราคาถูกเช่นกัน; ในขณะเดียวกัน ความสามารถในการแยกแยะว่า “คำตอบนี้เชื่อถือได้หรือไม่” กลับกลายเป็นสิ่งที่หายากและมีค่ามากกว่าที่เคย

ในประวัติศาสตร์ การแพร่กระจายของเทคโนโลยีทั่วไปทุกครั้ง ล้วนปฏิบัติตามตรรกะเดียวกัน: เทคโนโลยีใหม่จะให้ผลประโยชน์แก่ผู้ที่มีทุนเสริมอยู่แล้วก่อน การพิมพ์ทำให้ผู้อ่านหนังสือได้รับประโยชน์ก่อน; คอมพิวเตอร์ทำให้ผู้ที่เข้าใจซอฟต์แวร์สำนักงานและเขียนโปรแกรมได้รับประโยชน์ก่อน; อินเทอร์เน็ตทำให้ผู้ที่มีทักษะภาษาอังกฤษดีและมีทักษะการค้นหาข้อมูลดีได้รับประโยชน์ก่อน ทุนเสริมของ AI รวมถึงพื้นฐานการศึกษา ความรู้เฉพาะทาง ความคิดเชิงวิพากษ์ การมอบอำนาจในการจัดองค์กร ความสามารถในการจ่ายเงิน และสิ่งที่ยากที่สุดในการวัดคือ ความสามารถในการตัดสินใจ

เทคโนโลยีใหม่ๆ นั้นแทบไม่เคยให้รางวัลแก่ผู้ที่ต้องการมันมากที่สุดก่อน แต่มักจะให้รางวัลแก่ผู้ที่สามารถใช้มันได้ดีที่สุดก่อน

รอยร้าวแรกของความไม่เท่าเทียม ถูกขีดขึ้นก่อนที่คุณจะเปิดแอป

ในเดือนเมษายน 2026 สถาบันวิจัย AI ชื่อ Epoch AI ร่วมกับบริษัทสำรวจความคิดเห็น Ipsos ได้เผยแพร่แบบสอบถามที่ดำเนินการกับผู้ใหญ่ประมาณ 5,000 คนในสหรัฐอเมริกา แบบสอบถามสามชุดถามคำถามที่ดูเหมือนธรรมดาว่า: ในสัปดาห์ที่ผ่านมา คุณได้ใช้บริการ AI ใดบ้าง? แต่คำตอบที่ได้ไม่ใช่เพียงความชอบผลิตภัณฑ์ทั่วไป แต่เป็นแผนที่ที่เชื่อมโยงรายได้ ช่องทางเข้าถึง และการกระจายตัวเข้าด้วยกัน

ในผู้ใช้งานรายสัปดาห์ของ Claude ประมาณ 80% มาจากครัวเรือนที่มีรายได้ต่อปีมากกว่า 100,000 ดอลลาร์สหรัฐ ในขณะที่ในผู้ใช้งาน Meta AI อัตราส่วนนี้มีเพียง 37% กลับกัน ผู้ใช้งาน Meta AI ประมาณ 32% มาจากครัวเรือนที่มีรายได้ต่อปีต่ำกว่า 50,000 ดอลลาร์สหรัฐ ขณะที่ในผู้ใช้งาน Claude อัตราส่วนนี้มีเพียง 7%

เหตุผลที่ตัวเลขเหล่านี้สำคัญ ไม่ใช่เพราะมันพิสูจน์ว่า “คนรวยใช้ AI ระดับสูง คนจนใช้ AI ฟรี” นั่นเป็นการตีความในระดับตื้นที่สุด สิ่งที่ควรตั้งคำถามลึกกว่านั้นคือ: ทำไมคนต่างๆ จึงพบเจอ AI ที่แตกต่างกันในชีวิตประจำวัน?

คนหนึ่งใช้ AI เพื่อจับคู่อาหารเย็นกับอาหารที่เหลือในตู้เย็น ปรับความสว่างพื้นหลังของรูปภาพ และปรับข้อความสั้นให้สุภาพมากขึ้น อีกคนหนึ่งใช้ AI จัดระเบียบการสัมภาษณ์ลูกค้า เปรียบเทียบราคาจากผู้จัดจำหน่าย และระบุสมมติฐานที่อ่อนแอในรายงาน ทั้งสองคนใช้เทคโนโลยีเดียวกัน แต่การใช้งานแบบแรกหยุดอยู่แค่ความสะดวกสบาย ส่วนการใช้งานแบบที่สองเข้าสู่วงจรของรายได้ ตำแหน่ง และอำนาจต่อรอง

ความแตกต่างไม่ได้อยู่ที่ผู้ใช้เพียงอย่างเดียว แต่ยังอยู่ที่จุดเข้าใช้งานด้วย ทางการใช้งานของ Claude ต้องการให้ผู้ใช้ค้นหาอย่างกระตือรือร้น เปรียบเทียบผลิตภัณฑ์ เข้าใจความแตกต่างของความสามารถ เลือกชำระเงิน และนำเครื่องมือไปผนวกเข้ากับกระบวนการทำงาน—แต่ละขั้นตอนล้วนกรองผู้ใช้ ขณะที่ทางการใช้งานของ Meta AI กลับเป็นไปในทางตรงกันข้ามโดยแทบสมบูรณ์: มันถูกฝังไว้ในแพลตฟอร์มโซเชียล ฟรี และมีอุปสรรคน้อย ผู้ใช้มักพบเจอมันโดยบังเอิญในช่วงเวลาว่างระหว่างการเลื่อนฟีด ส่งข้อความ หรือดูรูปภาพ

นี่ไม่ใช่ตลาดที่เกี่ยวกับรสนิยม แต่เป็นตลาดที่เกี่ยวกับการกระจายตัว ผู้ใช้ดูเหมือนกำลังเลือกเครื่องมือ แต่ราคาและช่องทางเข้าของเครื่องมือก็กำลังเลือกผู้ใช้อยู่เช่นกัน

ที่มา: epoch.ai

แม้ว่าคุณจะพบเครื่องมือ AI ที่ดี แต่ทางแยกที่สองก็รอคุณอยู่ภายในบริษัท

ในสำนักงานทั่วไป การมาถึงของ AI แทบไม่เคยปรากฏในรูปแบบของ “จดหมายแจ้งเลิกจ้าง” มันเริ่มต้นด้วยการรับผิดชอบงานบันทึกประชุม ร่างอีเมล การจัดระเบียบตาราง การจัดหมวดหมู่ลูกค้า และร่างรายงานเบื้องต้น สำหรับผู้จัดการ การอัตโนมัติเหล่านี้ช่วยปลดปล่อยเวลาให้พวกเขาสามารถใช้ในการตัดสินใจ แต่สำหรับพนักงานใหม่และพนักงานระดับล่าง การอัตโนมัติเหล่านี้กลับนำสิ่งที่พวกเขาใช้พิสูจน์ตัวเอง ฝึกฝนการตัดสินใจ และก้าวเข้าสู่งานระดับสูงขึ้นออกไป

ข้อมูลนี้เย็นกว่าสถานการณ์นี้มาก: การสำรวจติดตามการใช้ AI ของแรงงานในอังกฤษและสหรัฐอเมริกา โดย Financial Times ร่วมกับหน่วยงานวิจัย (เดือนกุมภาพันธ์–มีนาคม 2026 ครอบคลุมผู้ตอบแบบสอบถามมากกว่า 4,000 คนในอังกฤษและสหรัฐอเมริกา) แสดงให้เห็นว่า 63% ของผู้ที่มีรายได้สูงสุดใช้ AI ในวันทำงานปกติ ในขณะที่สัดส่วนของสองกลุ่มรายได้ต่ำสุดมีเพียง 17% และ 16% นี่ไม่ใช่ทางลาดที่ค่อยๆ ลดลง แต่เป็นหน้าผา

การค้นพบที่สำคัญยิ่งกว่าคือปัจจัยขับเคลื่อน ผลการวิเคราะห์ถดถอยจากการสำรวจแรงงานชี้ให้เห็นว่า ผลกระทบของเงินเดือนต่ออัตราการใช้ AI แทบจะหายไปเมื่อควบคุมตัวแปรอื่นๆ แล้ว สิ่งที่มีผลจริงๆ คือปัจจัยสี่ประการ: อายุ ประสบการณ์ ภาคอุตสาหกรรม และการฝึกอบรม โดยมีผลกระทบจากฝึกอบรมมากที่สุด: บริษัทที่จัดให้มีการฝึกอบรม AI อย่างเป็นทางการ มีอัตราการใช้ AI ต่อวันของพนักงานสูงกว่าบริษัทที่ไม่ได้ฝึกอบรมในกลุ่มเดียวกันถึง 37 เปอร์เซ็นต์ แม้แต่การให้คำแนะนำแบบไม่เป็นทางการ ก็ยังเพิ่มขึ้นได้ถึง 24 เปอร์เซ็นต์

อย่างไรก็ตาม ความเป็นจริงคือ: จนถึงต้นปี 2026 มีพนักงานเพียง 14% เท่านั้นที่ระบุว่าเคยได้รับการฝึกอบรม AI อย่างเป็นทางการจากนายจ้าง ขณะที่สองในสามของจำนวนคนไม่เคยได้รับการฝึกอบรมใดๆ เลย

การฝึกอบรม AI ไม่ใช่ปัญหาทางเทคนิค แต่เป็นปัญหาการจัดสรร ผู้ที่ได้รับการคัดเลือกให้รับการฝึกอบรมจะได้รับอนุญาตให้เข้าสู่เส้นทางการเติบโตของผลิตภาพ ผู้ที่ไม่ได้รับการคัดเลือก เครื่องมือจะเป็นเพียงไอคอนบนหน้าจอที่ไม่ได้รับอนุญาตให้เปิดใช้งาน

AI ในแง่ผู้บริโภคคือแอปพลิเคชัน ในแง่ที่ทำงานคือสิทธิ์ และสิทธิ์นั้นไม่เคยถูกแจกจ่ายอย่างเท่าเทียม

ที่มา: Focaldata

นี่คือการแยกเส้นทางที่ซ่อนเร้นที่สุด และเป็นพื้นฐานที่สุด

นึกภาพนักศึกษาจบใหม่ที่เพิ่งเข้าทำงานที่บริษัทที่ปรึกษา เขาใช้ AI สร้างร่างรายงานวิเคราะห์อุตสาหกรรมฉบับแรก ซึ่งมีโครงสร้างสมบูรณ์ ข้อมูลเพียงพอ และน้ำเสียงมั่นใจ หัวหน้าของเขา—ผู้ที่มีประสบการณ์ในอุตสาหกรรมนี้มาสิบปี—มองผ่านๆ แล้วชี้ให้เห็นว่ามีการอ้างอิงข้อมูลสองจุดที่มีข้อบกพร่องทางวิธีวิทยา และข้อสรุปที่สามมีการอนุมานความสัมพันธ์เชิงเหตุและผลผิดพลาด หัวหน้าไม่ได้เก่งกว่าเพราะขยันกว่า แต่เพราะเขามีพื้นฐานที่ลึกซึ้ง—รู้ว่าจุดไหนมักเกิดข้อผิดพลาด รู้ว่าความลื่นไหลแบบไหนคือความลื่นไหลแท้จริง และความลื่นไหลแบบไหนคือเครื่องจักรกำลังเติมช่องว่าง

นี่คือความหมายที่แท้จริงของผลการค้นพบที่ขัดกับสัญชาตญาณจากข้อมูลการสำรวจสถานที่ทำงาน: ผู้ใช้งาน AI อย่างหนักที่สุดในที่ทำงาน ไม่ใช่พนักงานรุ่นเยาว์ แต่คือผู้ที่ทำงานในตำแหน่งปัจจุบันมาตั้งแต่ 2 ถึง 10 ปี อัตราการใช้งาน AI มีความสัมพันธ์กับประสบการณ์การทำงานอย่างมีนัยสำคัญ แม้จะควบคุมอายุแล้ว ก็ไม่ใช่เพราะคนรุ่นใหม่ไม่อยากใช้ แต่เพราะคุณค่าของ AI ขึ้นอยู่อย่างมากกับความสามารถในการตัดสินใจที่ผู้ใช้มีอยู่แล้ว

ประสบการณ์คือทุนเสริมที่สำคัญที่สุดของ AI และประสบการณ์ไม่สามารถสมัครรับได้

AI ลดต้นทุนของการ "ฟังแล้วดูเหมือนเข้าใจ" แต่ไม่ได้ลดต้นทุนของการ "เข้าใจอย่างแท้จริง" อย่างเท่าเทียมกัน ยิ่งไปกว่านั้น ยังมีผลลัพธ์ที่อันตรายกว่า: ผู้ใช้ที่มีพื้นฐานน้อยที่สุด จะยิ่งมีแนวโน้มรับข้อมูลที่ AI ให้มาโดยไม่ตั้งคำถาม; และยิ่งรับมาโดยไม่ตั้งคำถาม ความสามารถในการตัดสินใจก็ยิ่งยากที่จะเติบโต เมื่อตัวแทนตัดสินใจแทนคุณ คุณกำลังบริโภคปัญญา ไม่ใช่สะสมมัน

นักเศรษฐศาสตร์ผู้ได้รับรางวัลโนเบลและศาสตราจารย์จาก MIT ดารอน อาเซมогลู แสดงความเห็นอย่างตรงไปตรงมา: การใช้เครื่องมือ AI ต้องการระดับการศึกษา ความคิดเชิงนามธรรม ความสามารถด้านการวัดเชิงปริมาณ และความคุ้นเคยกับเทคโนโลยี “การใช้ AI จะเพิ่มความไม่เท่าเทียมกัน ซึ่งแทบจะแน่นอนแล้ว” เขากล่าว

ข้อมูลใหม่กำลังปรากฏชัดเจนสำหรับคนจน: พวกเขาไม่ใช่คนที่ไม่มี AI แต่เป็นคนที่มี AI มีการเข้าถึง และมีคำตอบ แต่ขาดการฝึกฝนในการตัดสินคำตอบ; มีเครื่องมือ มีบริบท แต่ไม่มีสิทธิ์ในการเปลี่ยนผลลัพธ์จากเครื่องมือให้เป็นโอกาส; ใช้ปัญญาอย่างชาญฉลาดทุกวัน แต่ไม่เคยสะสมปัญญาเลย

แต่ความสัมพันธ์ระหว่าง AI กับความไม่เท่าเทียมไม่ได้มีเพียงด้านที่ขยายช่องว่างเท่านั้น

การศึกษาทดลองหลายชิ้นพบว่าภายใต้เงื่อนไขที่ควบคุมได้ AI มักให้ผลการพัฒนาที่มากกว่าสำหรับผู้ที่มีทักษะต่ำ—ไม่ว่าจะเป็นพนักงานศูนย์บริการลูกค้า นักเขียนระดับเริ่มต้น หรือที่ปรึกษาระดับเบื้องต้น ซึ่งไม่น่าแปลกใจเลย: ผู้เชี่ยวชาญชั้นนำได้รับผลประโยชน์เพิ่มเติมจาก AI จำกัด; ในขณะที่คนที่เคยไม่สามารถจ่ายบริการระดับมืออาชีพได้ การใช้ AI อ่านสัญญาเป็นครั้งแรกนั้นถือเป็นก้าวกระโดดอย่างมีนัยสำคัญ

แต่มีความแตกต่างสำคัญที่ควรชี้ให้เห็น: การศึกษาเชิงทดลองวัดการปรับปรุง "หลังจากการใช้งาน" ในขณะที่ข้อมูลจริงวัดว่า "ใครกำลังใช้งานจริง" "ใครได้รับอนุญาตให้ใช้งาน" และ "ใครสามารถเปลี่ยนผลลัพธ์ให้เป็นโอกาสหลังจากการใช้งาน" ข้อมูลทั้งสองชุดไม่ได้โกหก พวกมันวัดสิ่งที่แตกต่างกันโดยสิ้นเชิง

เทคโนโลยีหนึ่งสามารถลดช่องว่างในห้องปฏิบัติการ แต่กลับขยายช่องว่างในโลกแห่งความเป็นจริง—หากการนำไปใช้นั้นไม่เท่าเทียม หากบริบทนั้นไม่เท่าเทียม หากการตัดสินใจนั้นไม่เท่าเทียม

AI มีคุณสมบัติทางเทคนิคที่ส่งเสริมความเท่าเทียม แต่กลับทำงานภายในโครงสร้างสังคมที่ไม่เท่าเทียม ความจริงสองข้อนี้เป็นจริงพร้อมกัน จึงเป็นรูปทรงที่แท้จริงของปัญหา

แต่ละรุ่นต่างมีแนวโน้มที่จะเชื่อว่า เทคโนโลยีหลักของยุคตนเองจะทำลายลำดับเก่าๆ

หลังจากที่การพิมพ์ถูกค้นพบ ผู้ที่อ่านออกเขียนได้ได้รับประโยชน์ก่อนเป็นเวลาหลายศตวรรษ เมื่อคอมพิวเตอร์เริ่มแพร่หลาย ความสามารถของผู้ที่ใช้งานซอฟต์แวร์สำนักงานและเขียนโค้ดอยู่แล้วได้รับการขยายออกไป ผลประโยชน์ในช่วงต้นของอินเทอร์เน็ตไหลไปยังผู้ที่เข้าใจภาษาอังกฤษ รู้วิธีค้นหาข้อมูล และมีเวลาและแรงจูงใจในการทำกำไรจากช่องว่างทางตลาด ในทุกคลื่นเทคโนโลยี คำพูดว่า “ครั้งนี้ต่างออกไป” มักดังก้อง แต่การแยกแยะเชิงโครงสร้างมักใช้เวลาหลายทศวรรษกว่าจะมองเห็นได้ชัดเจน

ความเร็วในการแยกทางของ AI อาจเร็วกว่า และการแยกแยะอาจลึกกว่า เพราะมันส่งผลกระทบไม่ใช่แค่ต่อภารกิจประเภทใดประเภทหนึ่ง แต่เป็นเกือบทุกงานที่ต้องพึ่งการตัดสินใจและภาษา และนี่คือความสามารถที่ยากที่สุดในการตรึงมาตรฐานและยากที่สุดในการจัดสรรใหม่

บางคนเชื่อว่าช่องว่างจะค่อยๆ แคบลงในที่สุด คาร์ล เบนเนดิกต์ ฟรี ศาสตราจารย์จากสถาบันอินเทอร์เน็ตแห่งออกซ์ฟอร์ดและนักประวัติศาสตร์เศรษฐกิจ มีมุมมองนี้โดยอ้างจากประวัติศาสตร์: ความไม่เท่าเทียมที่เกิดจากการแพร่กระจายของคอมพิวเตอร์ค่อยๆ จางหายไปหลังจากหลายทศวรรษ เมื่ออุปสรรคในการใช้งานลดลง การเปรียบเทียบนี้ไม่ได้ไร้เหตุผล

ปัญหาคือ แม้จะยอมรับการเปรียบเทียบเชิงบวกนี้ Frey ก็ยอมรับเงื่อนไขสำคัญว่า: “ขึ้นอยู่กับว่าช่องว่างนี้จะใช้เวลาเท่าใดจึงจะปิดลง หากใช้เวลาสิบหรือยี่สิบปี นั่นจะน่ากังวลมากขึ้น”

สิบหรือยี่สิบปี ไม่ใช่ช่วงเวลาที่สามารถรออย่างสบายๆ — โดยเฉพาะสำหรับผู้ที่ต้องหางาน ต่อรองค่าจ้าง และสะสมประสบการณ์ในช่วงเวลานั้น

นี่คือช่วงเวลาทางประวัติศาสตร์ที่แปลกประหลาด: เราได้รับเทคโนโลยีชนิดหนึ่งเป็นครั้งแรก ที่ทำให้ทุกคนรู้สึกว่าตัวเองกำลังฉลาดขึ้น

ความรู้สึกนี้ มักจะเป็นจุดสิ้นสุด

ปัญหาคือ ในยุคที่การตัดสินใจเป็นตัวกำหนดชัยชนะ việcถือความรู้สึกเป็นจุดหมายสุดท้ายอาจเป็นข้อผิดพลาดที่แพงที่สุด