AI 最残酷的真相并非将穷人拒之门外。相反，它慷慨地给予每个人答案——为学生生成论文框架，为职员提供邮件模板，为创业者打造商业计划，为普通人解释法律、提供投资建议和职业规划。答案第一次变得如此廉价、充足且逼真。
但问题也随之浮现：当答案唾手可得，真正的稀缺品便不再是答案本身，而是判断答案的能力。新一代的“信息穷人”，并非被挡在 AI 之外，而是那些已经拿到答案，却缺乏判断答案的能力、也没有条件将答案转化为真实机会的人。
一、AI 时代的新型信息差
互联网时代的“信息穷人”，是被排斥在网络连接之外的人群。解决方案看似清晰：铺设网络、普及设备、提高识字率。搜索引擎时代门槛稍高，需要掌握关键词提炼、来源筛选和可信度判断，懂英语则更具优势。但这些门槛是可见且可量化的。
AI 时代的信息差结构则截然不同。大型语言模型并非搜索引擎，它直接为用户生成结论。用户无需“寻找”答案——答案会被组织成流畅的段落、清晰的步骤，以自信的语气呈现在眼前。表面上门槛大幅降低，但背后却隐藏着一个冷酷的结构：当答案变得廉价，错误也变得同样廉价；而辨别“答案是否可信”的能力，却比以往任何时候都更稀缺、更有价值。
历史上每一次通用技术的扩散都遵循同一逻辑：新技术首先奖赏那些已经拥有互补资本的人。印刷术让识字者率先受益；电脑让掌握办公软件或编程的人先行一步；互联网则惠及英语能力强、检索技能熟练的群体。AI 的互补资本包括教育背景、专业知识、批判性思维、组织授权、付费能力，以及最难量化的一项——判断力。
新技术很少首先奖励最需要它的人，它通常先奖励最能利用它的人。
二、第一道分流：通向 AI 的路径
不平等的第一道裂缝，在用户打开应用之前就已划定。2026年4月，AI 研究机构 Epoch AI 与民调公司 Ipsos 发布的一项针对约5000名美国成年人的问卷调查显示，不同收入群体使用 AI 服务的情况截然不同。
Claude 的周活跃用户中，约80%来自年收入10万美元以上的家庭；而 Meta AI 用户中，这一比例仅为37%。反过来，Meta AI 用户中约32%来自年收入5万美元以下的家庭，而 Claude 用户中这一比例仅为7%。
这些数字的重要性，并不在于简单地证明“有钱人用高级 AI，穷人用免费 AI”。更深层的问题是：不同的人为何在日常生活中遇见不同的 AI？
一个人用 AI 根据冰箱剩菜搭配晚餐、调亮照片背景、润色短信；另一个人则用 AI 整理客户访谈、比较供应商报价、找出报告中的薄弱假设。两者都在使用同一种技术，但一种使用止步于便利，另一种则进入了收入、职位和谈判权的增强循环。
差异不仅存在于用户，也存在于入口。使用 Claude 通常需要主动搜索、比较产品、理解能力差异、选择付费，再将工具嵌入工作流——每一步都在筛选用户。Meta AI 的路径则几乎相反：它被内置在社交平台中，免费、低摩擦，用户常在刷动态、发消息或看照片的间隙被动遇见。
这并非一个关于品味的市场，而是一个关于分发的市场。用户看似在选择工具，工具的价格和入口也在选择用户。
来源：epoch.ai
三、第二道分流：使用 AI 的场景
即便找到了好的 AI 工具，第二道分流已在职场中等待。在普通办公室里，AI 的降临很少以“裁员通知”的形式出现。它先接管会议纪要、邮件草稿、表格整理、客户分类和汇报初稿。对管理者而言，自动化释放了时间以用于判断；而对新人和基层员工来说，自动化拿走的恰恰是他们证明自己、练习判断、迈向更高层工作的入口。
数据更为冷酷：英国《金融时报》与研究机构联合开展的英美劳动力 AI 追踪调查（2026年2-3月，覆盖逾四千名受访者）显示，最高薪资档的劳动者中有63%在普通工作日使用 AI，而最低两档的比例分别只有17%和16%。这不是缓坡，而是悬崖。
更关键的发现在于驱动因素。该职场调查的回归分析揭示，在控制其他变量后，薪资对 AI 使用率的影响几乎消失——真正起作用的四个因素是：年龄、资历、行业以及培训。其中培训效应最大：提供正式 AI 培训的公司，员工日均 AI 使用率比未培训的同类公司高出37个百分点。即便只是非正式指导，也有24个百分点的提升。
然而现实是：截至2026年初，只有14%的员工表示接受过雇主提供的正式 AI 培训，三分之二的人完全没有接受过任何形式的指导。
AI 培训不是技术问题，是分配问题。谁被选中接受培训，谁就被允许进入生产力增长的轨道；谁没有，工具就只是屏幕上未被授权打开的图标。
AI 在消费端是一个应用，在职场端是一种权限。而权限，从来不是平均分配的。
四、第三道分流：判断 AI 的能力
这是最隐蔽也是最重要的一道分流。设想一名应届毕业生进入一家咨询公司，他用 AI 生成了一份结构完整、数据充足、语气自信的行业分析报告初稿。他的上司——一位拥有十年行业经验的人——扫了一眼，便指出其中两个数据引用的原始来源存在方法论缺陷，第三个结论的因果关系推导有问题。上司并非比他更努力，而是拥有那层经验底座：知道哪里容易出错，知道哪种流畅是真正的洞见，哪种只是机器的填空游戏。
这正是职场调查中那个反直觉发现的真实含义：AI 在工作中的最重度使用者，并非最年轻的员工，而是已在当前岗位工作2到10年的人。在控制年龄因素后，AI 使用率与资历的关系依然显著。这并非因为年轻人不想用，而是因为 AI 的价值高度依赖于使用者已有的判断能力。
经验是 AI 最重要的互补资本，而经验无法被订阅。
AI 降低了“听起来懂”的成本，却没有同等降低“真正懂”的成本。更危险的后果是：越是缺乏经验底座的使用者，越容易对 AI 的输出照单全收；而越是照单全收，判断力就越难生长。当代理人替你判断时，你只是在消费智能，而非积累它。
诺贝尔经济学奖得主、MIT 教授 Daron Acemoglu 对此毫不客气：使用 AI 工具需要一定程度的教育、抽象思维、量化能力和技术熟悉度。“AI 几乎确定会加剧不平等，”他表示。
新的“信息穷人”由此浮出水面：他们不是没有 AI，而是有 AI、有入口、有答案，却缺乏判断答案的训练；有工具、有场景，却没有将工具产出转化为机会的权限；每天都在消费智能，却从未积累过智能。
五、平权效应的边界
然而，AI 与不平等的关系并非只有扩大差距这一面。多项实验研究发现，在可控条件下，AI 往往对低技能者的提升幅度更大——对呼叫中心员工、初级写作者、入门级咨询顾问等都是如此。这不难理解：顶尖专家从 AI 获得的边际增益有限；而一个从未能负担专业服务的人，第一次用 AI 读懂一份合同，这本身就是一次质的飞跃。
但这里需要指出一个关键区别：实验研究测量的是“使用之后的提升”，而现实数据测量的是“谁实际在使用”、“谁被允许使用”、“谁使用之后能把结果变成机会”。两组数据都没有说谎，它们测量的是完全不同的事情。
一项技术可以在实验室里缩小差距，同时在现实世界中扩大差距——如果技术的采用本身、应用场景本身、判断力本身都是不平等的。
AI 具备平权的技术特性，却运行在不平等的社会结构中。这两点同时成立，才是问题的真实面貌。
六、技术普及与红利错配
每一代人都倾向于相信，自己时代的通用技术将打破旧秩序。印刷术出现后，识字者率先受益了几个世纪。电脑普及之初，它放大了已掌握办公软件和编程者的能力。互联网早期红利流向了懂英语、会检索、有时间且有意愿套利的人。在每一次技术浪潮中，“这次不同了”的声音都很响亮，而结构性的分流往往需要几十年才慢慢显现。
AI 的分流速度可能更快，分叉可能更深。因为它影响的不是某一类任务，而是几乎所有依赖判断和语言的工作——而这恰恰是最难被标准化、最难被重新分配的能力。
有人认为差距最终会收窄。经济史学家、牛津互联网研究院教授 Carl Benedikt Frey 持此观点，其依据是历史：电脑普及带来的不平等，几十年后随着使用门槛下降而逐渐消解。这个类比不无道理。
问题在于，即便接受这个乐观的历史类比，Frey 自己也承认了关键的限定条件：“这取决于差距需要多长时间才能闭合。如果是十年或二十年，那就更令人担忧。”十年或二十年，并非可以轻松等待的时间尺度——对于那些需要在这段时间内找工作、谈薪资、积累经验的人而言，尤其如此。
结语
这是一个奇特的历史时刻：我们第一次拥有了一种能让所有人都感觉自己正在变得更聪明的技术。这种感觉，往往就是终点。
问题是，在一个真正由判断力决定输赢的时代，把感觉当作终点，可能是最昂贵的一种错误。