AI 最殘酷的地方，不是它不給窮人答案。

恰恰相反，它為每個人提供答案。

它為學生提供論文架構，為職員提供郵件模板，為創業者提供商業計劃，為普通人提供法律解釋、投資建議和職業規劃。答案第一次如此廉價、如此充足、如此真實。

但問題也在於：當答案人人可得，真正稀缺的就不再是答案，而是判斷答案的能力。

新的資訊貧窮者，不是被擋在 AI 之外的人，而是已經拿到答案，卻沒有能力判斷答案，也沒有條件將答案帶入真實機會的人。

互聯網時代的信息貧窮者，是那些被排除在網路之外的人。解決方案看似清晰：接上網線、普及設備、提高識字率。搜尋引擎時代則稍為複雜，你需要學會提煉關鍵詞、篩選來源、判斷可信度，最好還懂一點英文。但門檻是可見的，也是可量化的。

AI 時代的資訊差，結構完全不一樣。

大型語言模型不是搜索引擎，它直接為你生成結論。你不需要再“找”答案——答案會以流暢的段落、清晰的步驟、自信的語氣主動呈現在你眼前。表面上看，門檻大幅降低。但這裡藏著一個冷酷的結構：當答案變得廉價，錯誤也同樣變得廉價；而辨別“這個答案是否可信”的能力，反而比以往任何時候都更稀缺、更值錢。

歷史上每一次通用技術的擴散，都遵循同一個邏輯：新技術先獎勵那些已經擁有互補資本的人。印刷術讓識字者先受益；電腦讓懂辦公軟體、懂編程的人先受益；互聯網讓英語能力強、檢索技能熟練的人先受益。AI 的互補資本包括教育背景、專業知識、批判性思維、組織授權、付費能力，以及最難被量化的那一項——判斷力。

新技術很少先獎勵最需要它的人。它通常先獎勵最能利用它的人。

不平等的第一道裂縫，在你打開應用之前就已劃好。

2026 年 4 月，AI 研究機構 Epoch AI 與民調公司 Ipsos 發布了一項針對約 5000 名美國成年人的問卷調查。三輪問卷詢問了一個看似普通的問題：過去一週，你使用過哪些 AI 服務？但答案呈現的，並非簡單的產品偏好，而是一張收入、入口與分發交織在一起的地圖。

在 Claude 的週活躍用戶中，約 80% 來自年收入 10 萬美元以上的家庭；在 Meta AI 用戶中，這一比例僅為 37%。相反，在 Meta AI 用戶中，約 32% 來自年收入 5 萬美元以下的家庭，而在 Claude 用戶中，這一比例僅為 7%。

這些數字之所以重要，不是因為它們證明了「有錢人用高級 AI，窮人用免費 AI」。那是最淺的一層讀法。更值得追問的是：不同的人，為什麼會在日常生活中遇見不同的 AI？

一個人讓 AI 為冰箱裡的剩菜搭配一頓晚餐，為照片調亮背景，把一條簡訊改得更得體。另一個人讓 AI 整理客戶訪談、比較供應商報價、挑出報告中的薄弱假設。兩者都在調用同一種技術。但一種調用止於便利，另一種調用則進入了收入、職位和談判權的循環。

差異不僅在於用戶，也在於入口。Claude 的使用路徑需要主動搜索、比較產品、理解能力差異、選擇付費，再將工具嵌入工作流程——每一步都在篩選用戶。而 Meta AI 的路徑幾乎完全相反：它被內置於社交平台中，免費且低摩擦，用戶往往在刷動態、發訊息或看照片的間隙被動遇見。

這不是一個關於品味的市場，而是一個關於分發的市場。用戶看似在選擇工具，工具的價格和入口也在選擇用戶。

來源：epoch.ai

即使你找到了一個好的 AI 工具，第二道分流在公司裡等著你。

在普通辦公室裡，AI 的到來很少以「裁員通知」的形式出現。它先接管會議紀錄、郵件草稿、表格整理、客戶分類和報告初稿。對管理者而言，這些自動化釋放出時間，讓他們去做判斷；而對新人和基層員工來說，這些自動化拿走的，恰恰是他們證明自己、練習判斷、進入更高層級工作的入口。

數據比這個情境更冷峻：《金融時報》與研究機構聯合開展的英美勞動力 AI 追蹤調查（2026 年 2—3 月，涵蓋英美逾 4,000 名受訪者）顯示，最高薪資檔的勞動者中有 63% 在普通工作日使用 AI，而最低兩檔的比例分別僅為 17% 和 16%。這不是一條緩和的坡道，而是一道懸崖。

更關鍵的發現在於驅動因素。這份職場調查的回歸分析揭示，薪資對 AI 使用率的影響，在控制其他變量後幾乎消失——真正起作用的是四個因素：年齡、資歷、行業，以及培訓。其中培訓的效應最大：一家提供了正式 AI 培訓的公司，其員工的日均 AI 使用率比未培訓的同類公司高出 37 個百分點。即便只是非正式指導，也有 24 個百分點的提升。

然而現實是：截至 2026 年初，只有 14% 的員工表示曾接受過雇主提供的正式 AI 培訓，三分之二的人完全沒有接受過任何形式的培訓。

AI 培訓不是技術問題，是分配問題。誰被選中接受培訓，誰就被允許進入生產力增長的軌道；誰沒有，工具就只是螢幕上一個沒有被授權打開的圖標。

AI 在消費端是一種應用，在職場端是一種權限。而權限，從來不是平均分配的。

來源：Focaldata

這是最隱蔽的一道分流，也是最根本的一道。

想像一名應屆畢業生剛進入一家諮詢公司。他用 AI 生成了一份行業分析報告的初稿，結構完整、數據充足、語氣自信。他的上司——一位在該行業擁有十年經驗的人——掃了一眼，便指出其中兩個數據引用的原始來源存在方法論缺陷，第三個結論的因果關係推導有問題。上司並非因為比他更努力，而是因為他擁有那層底座——知道哪裡容易出錯，知道哪種流暢是真正的流暢，哪種流暢只是機器在填空。

這正是職場調查數據中那個反直覺發現的真實含義：在工作中最重度使用 AI 的，並非最年輕的員工，而是已在現有崗位工作了 2 到 10 年的人。在控制年齡後，AI 使用率與資歷的關係依然顯著。這並非因為年輕人不想使用，而是因為 AI 的價值，高度依賴於使用者本身已有的判斷能力。

經驗是 AI 最重要的補充資本，而經驗無法被訂閱。

AI 降低了「聽起來懂」的成本，卻沒有同等降低「真正懂」的成本。甚至有一個更危險的後果：越是缺乏底座的使用者，越容易對 AI 的輸出照單全收；而越是照單全收，判斷力就越難生長。代理人替你判斷的時候，你在消費智能，不是在累積它。

諾貝爾經濟學獎得主、麻省理工學院教授達倫·阿西莫格魯毫不客氣地表示：使用 AI 工具需要一定程度的教育、抽象思維、量化能力以及對技術的熟悉度。「AI 幾乎確定會加劇不平等，」他說。

新的資訊窮人就在這裡浮現：他們不是沒有 AI 的人，而是擁有 AI、擁有入口、擁有答案，卻缺乏判斷答案的訓練；擁有工具、擁有場景，卻沒有將工具產出轉化為機會的權限；每天消費智慧，卻從未累積過智慧。

但 AI 與不平等的關係，並不只有擴大差距這一面。

多項實驗研究發現，在可控條件下，AI 對低技能者的提升幅度更大——對呼叫中心員工、初級寫作者、入門級諮詢顧問皆是如此。這不難理解：頂尖專家從 AI 那裡獲得的邊際增益有限；一個從未能負擔專業服務的人，第一次使用 AI 讀懂一份合約，這本身就是一次質的躍遷。

但這裡有一個關鍵區別需要指出：實驗研究測量的是「使用之後的提升」，而現實數據測量的是「誰實際在使用」、「誰被允許使用」、「誰使用之後能把結果變成機會」。兩組數據都沒有說謊，它們測量的是完全不同的事情。

一項技術可以在實驗室裡縮小差距，同時在現實世界裡擴大差距——如果採用本身是不平等的，如果場景本身是不平等的，如果判斷力本身是不平等的。

AI 擁有平權的技術特性，卻運行在不平等的社會結構裡。這兩點同時為真，才是問題的真實形狀。

每一代人都傾向於相信，自己這個時代的通用技術會打破舊的秩序。

印刷術出現之後，識字者先受益了幾個世紀。電腦普及之初，它放大的是那些已經會用辦公軟體和寫代碼的人的能力。互聯網的早期紅利，流向了懂英語、會檢索、有時間和動機去套利的人。在每一次技術浪潮中，「這次不同了」的聲音都很響亮，而結構性的分流往往需要幾十年才慢慢變得可見。

AI 的分流速度可能更快，分叉可能更深。因為它影響的不是某一類任務，而是幾乎所有依賴判斷和語言的工作。而這恰恰是最難被標準化、最難被重新分配的那類能力。

有人認為差距最終會收窄。經濟史學家、牛津互聯網研究院教授 Carl Benedikt Frey 持這種看法，他的依據是歷史：電腦普及帶來的不平等，在幾十年後隨著使用門檻下降而逐漸消解。這個類比不是沒有道理。

問題在於，即使接受這個樂觀的歷史類比，Frey 也承認了關鍵的限制條件：「這取決於差距需要多長時間才能閉合。如果是 10 年或 20 年，那就更令人擔憂。」

十年或二十年，不是一個可以輕鬆等待的時間尺度——對於那些在這段時間裡需要找工作、談薪資、累積經驗的人而言，尤其如此。

這是一個奇特的歷史時刻：我們第一次擁有了一種技術，它能讓所有人都感覺自己正在變得更聰明。

這種感覺，往往就是終點。

問題是，在一個真正由判斷力決定輸贏的時代，把感覺當作終點，可能是最昂貴的一種錯誤。