AI 正在制造新的"信息穷人"？

要说 AI 最残酷的地方，还真不是它藏着答案不给穷人。

恰恰相反，它现在几乎是“有求必应”——你想让它干嘛都行。

你看它：给学生论文框架，给职员邮件模板，给创业者商业计划，给普通人法律解释、投资建议、职业规划。答案头一回变得这么廉价、这么充足、这么像模像样。

但麻烦也出在这儿：当答案满大街都是，真正稀缺的就不再是答案本身，而是判断答案的能力。

这才是真正的“新信息穷人”——他们不是没拿到 AI 入场券，而是票在手、答案也有，唯独缺了判断答案的能力，也没法把答案变成真实的机会。

一、AI 时代的信息差

先聊聊互联网时代吧。那时候的信息穷人，是被挡在网络之外的人。解决方案听起来很明确：接通网线、普及设备、提高识字率。到了搜索引擎时代，问题稍微复杂了点——你得会提炼关键词、筛选靠谱来源、判断信息可信度，最好还懂点英文。但门槛是看得见、摸得着的，也有明确的量化标准。

AI 时代的信息差，结构完全不同了。

大型语言模型不是搜索引擎，它不跟你玩“找答案”的游戏——它直接给你结论。答案被整理成流畅的段落、清晰的步骤、带着一股自信的语气，主动送到你面前。表面上看，门槛是降低了，而且降了不少。但这里面藏着一个冷酷的结构：当答案变得廉价，错误的成本也同样被压低了；而辨别“这个答案到底靠不靠谱”的能力，反而比以往任何时候都更值钱、更稀缺。

历史上每一次通用技术的扩散，其实都遵循同一个逻辑：新技术总是先奖励那些已经手握“互补资本”的人。印刷术，识字的人先用上；电脑，会办公软件和编程的人先受益；互联网，英语好、检索能力强的人先吃到红利。AI 的互补资本有哪些？教育背景、专业知识、批判性思维、组织授权、付费能力，以及最难量化的那个——判断力。

新技术很少会先奖励最需要它的人。通常，它先奖励最能利用它的人。

二、先分开的，是通向 AI 的路

不平等的第一道裂缝，在你打开应用之前，就已经划好了。

拿一组真实数据来说吧。2026 年 4 月，AI 研究机构 Epoch AI 和民调公司 Ipsos 在美国问了约 5000 个成年人一个问题——“过去一周，你用啥 AI 了？” 答案拼出来的，不是产品热度榜，而是一张跟收入、入口、分发紧密绑定的地图。

Claude 的周活跃用户里，差不多 80% 来自年收入 10 万美元以上的家庭；而 Meta AI 的用户里，这个比例只有 37%。反过来看，Meta AI 的用户里，大约 32% 来自年收入 5 万美元以下的家庭；Claude 这边，这个比例只剩 7%。

这些数字的意义，不在于证明“有钱人用高级 AI，穷人用免费 AI”——那是最表面的解读。更值得追问的是：不同的人，为什么会在日常生活里遇见完全不同的 AI？

一个人拿着 AI 给冰箱里的剩菜配顿晚餐，帮照片调个背景，把一条信息改得更得体。另一个人让 AI 整理客户访谈、比较供应商报价、挑出报告里的薄弱假设。两个人用的都是同一套技术。但一个止于“便利”，另一个却进入了收入、职位和谈判权的循环。

差异不只在用户身上，也在入口本身。要使用 Claude，你得主动去搜索、比较产品、理解能力差异、决定付费，再把它嵌入到工作流里——每一步都在筛选用户。Meta AI 的路径几乎是反过来的：它被直接内置在社交平台里，免费、几乎零摩擦，用户常常是在刷动态、发消息或看照片的间隙，被动地“遇见”它。

这不是一个关于品味的市场，而是一个关于分发的市场。表面看是用户在选择工具，但工具的价格和入口，也在反向选择用户。

三、然后分开的，是使用 AI 的场景

就算你找到了一个好用的 AI 工具，第二道分流在公司里等着你。

在普通办公室里，AI 的登场很少会以“裁员通知”这种戏剧化的形式出现。它总是先悄悄接管会议纪要、邮件草稿、表格整理、客户分类和汇报初稿。对管理者来说，这些自动化释放出的时间，让他们能腾出手来做判断；但对新人和基层员工来说，这些自动化拿走的，恰恰是他们证明自己、练习判断、进入更高层级工作的入口。

数据比这个场景更冷。Financial Times 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，覆盖英美超过四千名受访者）显示，最高薪资档的劳动者里，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%。这不是一条缓坡，是道悬崖。

更关键的发现在于驱动因素。这项职场调查的回归分析表明，薪资对 AI 使用率的影响，在控制其他变量后几乎消失了——真正起作用的，是四个因素：年龄、资历、行业，以及培训。其中培训的效应最大：一家提供了正式 AI 培训的公司，其员工的日均 AI 使用率，比没有培训的同类公司高出 37 个百分点。即便只是非正式的指导，也能带来 24 个百分点的提升。

可现实呢？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培训。

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；谁没被选中，工具就只是屏幕上那个从来没有被授权打开的图标。

AI 在消费端是一个应用，在职场端则是一种权限。而权限，从来不是平均分配的。

四、最后分开的，是判断 AI 的能力

这是最隐蔽的一道分流，也是最根本的一道。

设想一个应届毕业生，刚进一家咨询公司。他用 AI 生成了一份行业分析报告的初稿，结构完整、数据充足、语气自信。他的上司——一个在这个行业里摸爬滚打了十年的人——扫了一眼，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。上司能看出来，不是因为他比新人更努力，而是因为他有那层底座——知道哪里容易出错，知道哪种流畅是真正的洞察，哪种流畅只是机器在填空。

这正好解释了职场调查数据里那个反直觉的发现：AI 在工作中的最重度使用者，不是最年轻的员工，而是那些已经在当前岗位干了 2 到 10 年的人。AI 使用率与资历的关系，在控制年龄之后依然显著。不是因为年轻人不想用，而是因为 AI 的价值，高度依赖于使用者本身已有的判断能力。

经验是 AI 最重要的互补资本，而经验这东西，没法订阅。

AI 降低了“听起来懂”的成本，却没有同等降低“真正懂”的成本。甚至还有一个更危险的后果：越是缺乏底座的使用者，越容易对 AI 的输出照单全收；而越是照单全收，判断力就越是长不出来。当袋里人替你判断时，你只是在消费智能，而不是在积累它。

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、量化能力和对技术的熟悉度。“AI 要增加不平等，这几乎是确定的。”他说。

新的信息穷人就在这里浮现出来：他们不是没有 AI 的人，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，却没有把工具产出变成机会的权限；每天消费智能，却从未真正积累过智能。

五、平权效应的边界

但 AI 与不平等的关系，并不只有扩大差距这一面。

多项实验研究发现，在可控条件下，AI 对低技能者的提升幅度往往更大——对呼叫中心员工、初级写作者、入门级咨询顾问，都是如此。这并不难理解：顶尖专家从 AI 那里获得的边际增益本来就有限；而一个从没能力负担专业服务的人，第一次用 AI 读懂一份合同，这本身就是一次质的飞跃。

但这里有一个关键区别需要说清楚：实验研究测量的是“使用之后的提升”，而现实数据测量的是“谁实际在用”、“谁被允许用”、“谁用完能把结果变成机会”。两组数据都没有说谎，它们测量的是完全不同的东西。

一项技术完全可以在实验室里缩小差距，同时在现实世界里扩大差距——如果采用本身是不平等的，如果场景是不平等的，如果判断力本身也是不平等的。

AI 拥有平权的技术特性，却运行在一个不平等的社会结构里。这两点同时为真，才是问题的真实形状。

六、技术会普及，红利不会同时到达

每一代人都倾向于相信，自己这个时代的通用技术会打破旧的秩序。

印刷术出现之后，识字的人先受益了几个世纪。电脑普及之初，它放大的是那些本来就懂办公软件和会写代码的人的能力。互联网的早期红利，流向了那些懂英语、会检索、有时间且有动机去套利的人。每次技术浪潮中，“这次不同了”的呼声都很响亮，而结构性的分流往往要等几十年才慢慢显现出来。

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、最难被重新分配的那类能力。

当然，也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 就持这种看法，他的依据是历史：电脑普及带来的不平等，在几十年后随着使用门槛下降而逐渐消解。这个类比不是没有道理。

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，那就更令人担忧了。”

十年或二十年，不是一个可以轻松等待的时间尺度——对那些在这段时间里需要找工作、谈薪资、积累经验的人来说，尤其如此。

结语

就这样，我们迎来了一个奇特的历史时刻：头一回，人人手里都有一种技术，让自己感觉正在变得更聪明。

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，把感觉当终点，可能是最昂贵的一种错误。