Tempat paling kejam dari AI, bukan karena tidak memberikan jawaban kepada orang miskin.
Sebaliknya, ia memberikan jawaban kepada setiap orang.
Ia memberikan kerangka makalah kepada siswa, template email kepada karyawan, rencana bisnis kepada pengusaha, penjelasan hukum, saran investasi, perencanaan karier kepada orang biasa. Untuk pertama kalinya, jawaban menjadi begitu murah, begitu melimpah, begitu terasa nyata.
Namun masalahnya ada di sini: ketika jawaban dapat diperoleh semua orang, hal yang benar-benar langka bukan lagi jawaban, melainkan kemampuan untuk menilai jawaban.
Orang miskin informasi yang baru, bukanlah mereka yang dikecualikan dari AI, melainkan mereka yang sudah mendapatkan jawaban, tetapi tidak memiliki kemampuan untuk menilai jawaban, dan juga tidak memiliki syarat untuk membawa jawaban itu ke dalam peluang nyata.
一、Kesenjangan Informasi di Era AI
Orang miskin informasi di era internet adalah mereka yang dikecualikan dari jaringan. Solusinya tampak jelas: sambungkan kabel internet, sebarkan perangkat, tingkatkan melek huruf. Era mesin pencari sedikit lebih rumit, Anda perlu belajar merumuskan kata kunci, menyaring sumber, menilai kredibilitas, dan lebih baik lagi sedikit memahami bahasa Inggris. Namun hambatannya terlihat dan dapat diukur.
Kesenjangan informasi di era AI, strukturnya sama sekali berbeda.
Model bahasa besar bukan mesin pencari, ia langsung menghasilkan kesimpulan untuk Anda. Anda tidak perlu lagi "mencari" jawaban—jawaban akan diorganisir menjadi paragraf yang lancar, langkah-langkah yang jelas, nada yang percaya diri, secara aktif disajikan di depan mata. Di permukaan, hambatan menurun drastis. Namun di sini tersembunyi struktur yang kejam: ketika jawaban menjadi murah, kesalahan juga menjadi sama murahnya; sedangkan kemampuan membedakan "apakah jawaban ini dapat dipercaya" justru menjadi lebih langka, lebih berharga daripada sebelumnya.
Setiap kali difusi teknologi umum dalam sejarah, mengikuti logika yang sama: teknologi baru pertama-tama memberi imbalan kepada mereka yang sudah memiliki modal komplementer. Percetakan menguntungkan mereka yang melek huruf terlebih dahulu; komputer menguntungkan mereka yang memahami perangkat lunak kantor, memahami pemrograman terlebih dahulu; internet menguntungkan mereka yang memiliki kemampuan bahasa Inggris kuat, keterampilan pencarian terlatih terlebih dahulu. Modal komplementer AI mencakup latar belakang pendidikan, keahlian profesional, pemikiran kritis, otorisasi organisasi, kemampuan membayar, serta hal yang paling sulit diukur—penilaian.
Teknologi baru jarang memberi imbalan terlebih dahulu kepada mereka yang paling membutuhkannya. Ia biasanya memberi imbalan terlebih dahulu kepada mereka yang paling mampu memanfaatkannya.
二、Yang Pertama Terpisah, adalah Jalan Menuju AI
Retakan ketidaksetaraan pertama, telah digariskan bahkan sebelum Anda membuka aplikasi.
April 2026, lembaga penelitian AI Epoch AI dan perusahaan survei Ipsos merilis kuesioner yang menargetkan sekitar 5.000 orang dewasa di Amerika Serikat. Tiga putaran kuesioner menanyakan pertanyaan yang tampak biasa: minggu lalu, layanan AI apa yang Anda gunakan? Namun jawaban yang muncul bukan sekadar preferensi produk, melainkan peta yang terjalin dari pendapatan, akses, dan distribusi.
Dari pengguna aktif mingguan Claude, sekitar 80% berasal dari keluarga dengan pendapatan tahunan lebih dari 100 ribu dolar AS; di antara pengguna Meta AI, proporsi ini hanya 37%. Sebaliknya, sekitar 32% pengguna Meta AI berasal dari keluarga dengan pendapatan tahunan di bawah 50 ribu dolar AS, sementara di antara 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 pembacaan yang paling dangkal. Yang lebih patut dipertanyakan adalah: orang yang berbeda, mengapa akan menemui AI yang berbeda dalam kehidupan sehari-hari?
Seseorang meminta AI menyajikan menu makan malam dari sisa makanan di kulkas, mencerahkan latar foto, mengubah pesan singkat menjadi lebih sopan. Orang lain meminta AI mengatur wawancara klien, membandingkan penawaran pemasok, mengidentifikasi asumsi lemah dalam laporan. Keduanya memanggil teknologi yang sama. Tetapi satu panggilan berhenti pada kenyamanan, panggilan lainnya masuk ke dalam siklus pendapatan, jabatan, dan hak negosiasi.
Perbedaan tidak hanya ada pada pengguna, tetapi juga pada pintu masuk. Jalur penggunaan Claude memerlukan pencarian aktif, perbandingan produk, pemahaman perbedaan kemampuan, pilihan berbayar, dan kemudian menyematkan alat ke dalam alur kerja—setiap langkah menyaring orang. Jalur Meta AI hampir berlawanan: ia tertanam di dalam platform sosial, gratis, gesekan rendah, pengguna seringkali secara pasif menjumpainya di sela-sela menggulir umpan, mengirim pesan, atau melihat foto.
Ini bukan pasar tentang selera, melainkan pasar tentang distribusi. Pengguna tampaknya memilih alat, tetapi harga dan pintu masuk alat juga memilih pengguna.
Sumber: epoch.ai
三、Kemudian Terpisah, adalah Skenario Penggunaan AI
Meskipun Anda menemukan alat AI yang baik, aliran kedua menunggu Anda di perusahaan.
Di kantor biasa, kedatangan AI jarang muncul dalam bentuk "pemberitahuan PHK". Ia pertama-tama mengambil alih catatan rapat, draf email, pengaturan tabel, klasifikasi pelanggan, dan draf awal laporan. Bagi manajer, otomatisasi ini melepaskan waktu, memungkinkan mereka untuk melakukan penilaian; sedangkan bagi pegawai baru dan lapisan dasar, otomatisasi ini mengambil alih justru pintu masuk bagi mereka untuk membuktikan diri, berlatih penilaian, memasuki pekerjaan level lebih tinggi.
Data lebih dingin dari skenario ini: Survei Pelacakan AI Tenaga Kerja Inggris-Amerika yang dilakukan Financial Times bersama lembaga penelitian (Februari—Maret 2026, mencakup lebih dari empat ribu responden di Inggris dan AS) menunjukkan, di antara pekerja dengan gaji tertinggi, 63% menggunakan AI pada hari kerja biasa, sementara proporsi pada dua golongan terendah masing-masing hanya 17% dan 16%. Ini bukan lereng landai, ini adalah tebing.
Temuan yang lebih kunci ada pada faktor pendorong. Analisis regresi survei tempat kerja ini mengungkap, pengaruh gaji terhadap tingkat penggunaan AI, setelah mengontrol variabel lain, hampir menghilang—yang benar-benar berperan adalah empat faktor: usia, masa kerja, industri, dan pelatihan. Di antaranya efek pelatihan yang terbesar: sebuah perusahaan yang memberikan pelatihan AI formal, tingkat penggunaan AI harian rata-rata karyawannya 37 poin persentase lebih tinggi dibanding perusahaan sejenis tanpa pelatihan. Bahkan hanya panduan informal, peningkatannya mencapai 24 poin persentase.
Namun kenyataannya: hingga awal 2026, hanya 14% karyawan yang menyatakan pernah menerima pelatihan AI formal dari pemberi kerja, dua pertiganya sama sekali tidak menerima pelatihan dalam bentuk apa pun.
Pelatihan AI bukan masalah teknis, melainkan masalah distribusi. Siapa yang terpilih menerima pelatihan, dia diizinkan memasuki jalur pertumbuhan produktivitas; siapa yang tidak, alat itu hanyalah ikon di layar yang tidak diizinkan untuk dibuka.
AI di sisi konsumen adalah sebuah aplikasi, di sisi tempat kerja adalah sebuah izin. Dan izin, tidak pernah didistribusikan secara merata.
Sumber: Focaldata
四、Terakhir Terpisah, adalah Kemampuan Menilai AI
Ini adalah aliran yang paling tersembunyi, dan juga yang paling mendasar.
Bayangkan seorang lulusan baru saja memasuki sebuah perusahaan konsultan. Dia menggunakan AI untuk menghasilkan draf awal laporan analisis industri, strukturnya lengkap, datanya cukup, nadanya percaya diri. Atasannya—orang yang sudah bekerja di industri ini selama sepuluh tahun—meliriknya, menunjukkan bahwa dua kutipan data di dalamnya memiliki kelemahan metodologi dari sumber aslinya, deduksi hubungan sebab-akibat dari kesimpulan ketiga bermasalah. Atasan bukan karena lebih rajin darinya, melainkan karena memiliki fondasi itu—mengetahui di mana mudah terjadi kesalahan, mengetahui kelancaran mana yang benar-benar lancar, kelancaran mana yang hanya mesin mengisi kekosongan.
Inilah makna sebenarnya dari temuan yang kontraintuitif dalam data survei tempat kerja: pengguna terberat AI di tempat kerja, bukanlah karyawan termuda, melainkan mereka yang sudah bekerja di posisi saat ini selama 2 hingga 10 tahun. Hubungan antara tingkat penggunaan AI dan masa kerja, setelah mengontrol usia, tetap signifikan. Ini bukan karena anak muda tidak ingin menggunakannya, melainkan karena nilai AI sangat bergantung pada kemampuan penilaian yang sudah dimiliki pengguna itu sendiri.
Pengalaman adalah modal komplementer terpenting AI, dan pengalaman tidak dapat dilanggan.
AI menurunkan biaya "terdengar paham", tetapi tidak menurunkan biaya "benar-benar paham" secara setara. Bahkan ada konsekuensi yang lebih berbahaya: semakin sedikit dasar yang dimiliki pengguna, semakin mudah mereka menerima begitu saja keluaran AI; dan semakin mereka menerima begitu saja, semakin sulit kemampuan penilaian tumbuh. Ketika agen menilai untuk Anda, Anda sedang mengonsumsi kecerdasan, bukan mengumpulkannya.
Pemenang Hadiah Nobel Ekonomi, profesor MIT Daron Acemoglu, tegas tentang hal ini: penggunaan alat AI memerlukan tingkat pendidikan, pemikiran abstrak, kemampuan kuantitatif, dan keakraban dengan teknologi tertentu. "AI akan meningkatkan ketidaksetaraan, ini hampir pasti," katanya.
Orang miskin informasi yang baru di sini mulai terbentuk: mereka bukan orang yang tidak memiliki AI, melainkan orang yang memiliki AI, memiliki akses, memiliki jawaban, tetapi kurang memiliki pelatihan untuk menilai jawaban; memiliki alat, memiliki skenario, tetapi tidak memiliki izin untuk mengubah hasil alat menjadi peluang; setiap hari mengonsumsi kecerdasan, tetapi tidak pernah mengumpulkan kecerdasan.
五、Batas Efek Kesetaraan
Namun hubungan antara AI dan ketidaksetaraan, tidak hanya memiliki sisi memperlebar kesenjangan.
Beberapa penelitian eksperimental menemukan, dalam kondisi terkontrol, AI seringkali memberikan peningkatan yang lebih besar bagi mereka yang memiliki keterampilan rendah—baik bagi karyawan pusat panggilan, penulis pemula, konsultan tingkat pemula. Ini tidak sulit dipahami: keuntungan marginal yang diperoleh ahli puncak dari AI terbatas; seseorang yang tidak pernah mampu membayar layanan profesional, pertama kali menggunakan AI untuk memahami sebuah kontrak, itu sendiri adalah lompatan kualitatif.
Namun di sini ada perbedaan kunci yang perlu dikemukakan: penelitian eksperimental mengukur "peningkatan setelah penggunaan", sedangkan data realitas mengukur "siapa yang benar-benar menggunakan", "siapa yang diizinkan menggunakan", "siapa yang setelah menggunakan dapat mengubah hasil menjadi peluang". Kedua kelompok data tidak berbohong, mereka mengukur hal yang sama sekali berbeda.
Sebuah teknologi dapat memperkecil kesenjangan di laboratorium, sekaligus memperlebar kesenjangan di dunia nyata—jika adopsinya sendiri tidak setara, jika skenarionya sendiri tidak setara, jika kemampuan penilaiannya sendiri tidak setara.
AI memiliki karakteristik teknis yang setara, tetapi berjalan dalam struktur sosial yang tidak setara. Kedua hal ini sekaligus benar, itulah bentuk sebenarnya dari masalah ini.
六、Teknologi Akan Menyebar, Manfaat Tidak akan Tiba Bersamaan
Setiap generasi cenderung percaya, teknologi umum di zaman mereka akan menghancurkan tatanan lama.
Setelah percetakan muncul, mereka yang melek huruf terlebih dahulu diuntungkan selama berabad-abad. Pada awal penyebaran komputer, ia memperbesar kemampuan mereka yang sudah dapat menggunakan perangkat lunak kantor dan menulis kode. Manfaat awal internet, mengalir kepada mereka yang memahami bahasa Inggris, dapat melakukan pencarian, memiliki waktu dan motivasi untuk arbitrase. Dalam setiap gelombang teknologi, suara "kali ini berbeda" selalu keras, dan aliran struktural seringkali membutuhkan waktu puluhan tahun untuk perlahan-lahan menjadi terlihat.
Kecepatan aliran AI mungkin lebih cepat, percabangannya mungkin lebih dalam. Karena ia mempengaruhi bukan hanya satu jenis tugas, melainkan hampir semua pekerjaan yang bergantung pada penilaian dan bahasa. Dan ini justru jenis kemampuan yang paling sulit distandardisasi, paling sulit didistribusikan kembali.
Ada yang berpendapat kesenjangan pada akhirnya akan menyempit. Sejarawan ekonomi, profesor Oxford Internet Institute Carl Benedikt Frey memegang pandangan ini, dasarnya adalah sejarah: ketidaksetaraan yang ditimbulkan oleh penyebaran komputer, setelah beberapa dekade dengan penurunan hambatan penggunaan, secara bertahap terpecahkan. Analogi ini tidak tanpa alasan.
Masalahnya, bahkan jika menerima analogi sejarah yang optimis ini, Frey sendiri mengakui kondisi pembatas yang kunci: "Ini tergantung berapa lama waktu yang dibutuhkan agar kesenjangan dapat tertutup. Jika sepuluh atau dua puluh tahun, itu lebih mengkhawatirkan."
Sepuluh atau dua puluh tahun, bukan skala waktu yang dapat dengan ringan ditunggu—terutama bagi mereka yang selama waktu ini perlu mencari pekerjaan, menegosiasikan gaji, mengumpulkan pengalaman.
Penutup
Ini adalah momen sejarah yang unik: untuk pertama kalinya kita memiliki teknologi yang dapat membuat semua orang merasa sedang menjadi lebih pintar.
Perasaan ini, seringkali adalah titik akhir.
Masalahnya, di zaman yang benar-benar ditentukan oleh kemampuan penilaian untuk menang atau kalah, menjadikan perasaan sebagai titik akhir, mungkin adalah kesalahan yang paling mahal.
