Парадокс: личный опыт с ИИ хороший, а отношение к технологии — настороженное
Настороженность к ИИ почти не связана с тем, насколько он полезен. Разрыв между хорошим личным опытом и тревожным общественным фоном объясняется мотивацией: люди сопротивляются не эффективности, а потере контроля, компетентности и места в сообществе.
Цифры этот разрыв фиксируют. Об ИИ сегодня слышали практически все: исключения редки и связаны с сочетанием возраста, страны проживания и уровня доходов. По оптимистичным оценкам, доля тех, кто хотя бы раз в жизни пользовался ИИ, достигает 78%. Свой опыт работы с ИИ-инструментами положительно оценивают более восьми из десяти респондентов, то есть 83%. Подробный разбор этих данных и моделей, стоящих за ними, собран в материале «Принятие ИИ: почему нам не хватает мотивации».
Общественное мнение выглядит иначе. Опрос How People Around the World View AI охватил 25 стран: 34% опрошенных больше обеспокоены, чем воодушевлены растущим использованием ИИ, 42% в равной степени обеспокоены и воодушевлены, и лишь 16% скорее воодушевлены, чем обеспокоены. В США, Италии, Австралии, Бразилии и Греции около половины взрослых говорят, что скорее обеспокоены, чем воодушевлены. Отчёт Trust and Artificial Intelligence at a Crossroads фиксирует ту же картину: в мире неприятие ИИ перевешивает энтузиазм, а американские респонденты более чем в два раза чаще выступают против расширения использования ИИ, чем за него.
Опрос Bentley-Gallup Business in Society Survey: 2025 Report тоже фиксирует опасения, и главное из них связано с занятостью. В доступном пересказе формулировка обрывается, поэтому точную цифру не привожу.
Есть и важная деталь: представители цифровых профессий, в частности ИТ и финансов, заметно более открыты к новому опыту взаимодействия с ИИ. Значит, дело не в технической грамотности как таковой. Если личный опыт в основном хорош, а общественное отношение остаётся настороженным, значит, оценивают не полезность инструмента, а что-то другое.
Что говорят классические модели принятия технологий: TAM, UTAUT, TPB, VAM
TAM (Technology Acceptance Model) сводит намерение использовать технологию к двум переменным: воспринимаемой полезности и воспринимаемой простоте использования. UTAUT (Unified Theory of Acceptance and Use of Technology) расширяет список: ожидаемая эффективность, социальное влияние и условия, облегчающие работу с инструментом. TPB (Theory of Planned Behavior) смотрит на отношение к действию, субъективные нормы и воспринимаемый контроль. VAM (Value-based Adoption Model) считает воспринимаемую ценность как разницу между выгодами и издержками.
Общее у всех четырёх одно: намерение использовать ИИ выводится из калькуляции полезности и эффективности. Модели неплохо предсказывают, возьмёт ли человек инструмент в работу, но почти ничего не говорят о том, почему он при этом насторожен.
Контраст виден на простом примере. Если бы дело было только в эффективности, 83% положительного личного опыта транслировались бы в позитивное общественное отношение. Этого не происходит: тот же человек, который хвалит ИИ-ассистента за сэкономленный час, может считать массовое распространение ИИ угрозой. Модели здесь не ошибаются, они просто отвечают на другой вопрос: почему технологию берут в работу, а не почему её боятся.
Теория самодетерминации: автономия, компетентность и связанность как топливо мотивации
Другое объяснение даёт теория самодетерминации (Self-Determination Theory). Внутренняя мотивация опирается на три базовые психологические потребности:
- Автономия: я сам решаю, что и как делать, у меня есть выбор и контроль.
- Компетентность: у меня получается, я расту, мои навыки имеют ценность.
- Связанность с другими: я не один, моя работа встроена в отношения и сообщество.
Ключевой момент: более сильным и прямым предиктором намерения использовать ИИ оказывается внутренняя мотивация, опирающаяся на эти три потребности, и она объясняет больше, чем воспринимаемая эффективность. Тот же источник отмечает, что позитива может добавить именно внутренняя мотивация, потому что она напрямую влияет на намерение использовать ИИ.
Разница принципиальная. Эффективность — внешний критерий: он говорит, насколько быстро решается задача. Мотивация — внутренний драйвер: она определяет, захочет ли человек вообще браться за инструмент, разбираться в нём и пользоваться им долго. Для тех, кто сам выбирает модель, запускает локальную LLM и считает, сколько VRAM останется под контекст, автономия и компетентность — ежедневный опыт, а не абстракция.
Отсюда и парадокс. Личный опыт с ИИ часто позитивен, потому что человек чувствует контроль и рост. Общественная настороженность — реакция на угрозу тем же потребностям, только на уровне «что будет со мной и моей работой».
Как внедрение ИИ подрывает автономию, компетентность и связанность
Каждую из трёх потребностей можно подорвать, и происходит это регулярно.
Автономия рушится, когда ИИ приходит сверху: без выбора, без права отказаться и без возможности настроить инструмент под себя. Решения принимает модель, человек превращается в оператора. Примеры простые: ассистент, который нельзя отключить, правило «сначала спроси у модели», интерфейс, не дающий обойти подсказку. В такой конфигурации инструмент не осваивают, его терпят.
Компетентность страдает, когда инструмент обесценивает навык, который человек выстраивал годами. Если ИИ делает «достаточно хорошо», зачем углубляться; так теряется ощущение роста. Тревога здесь рациональна: ИИ действительно забирает часть работы. Вопрос в том, что остаётся человеку и куда двигаться дальше.
Связанность ломается, когда ИИ встраивается между людьми, заменяет коммуникацию и создаёт ощущение постоянного сравнения с машиной. Публичные рейтинги «эффективности с ИИ», KPI на количество запросов к ассистенту, соревнование по скорости выполнения задач бьют именно по этой потребности.
Три механизма складываются в тревогу замещения: она касается зарплаты, места в сообществе и профессиональной идентичности. Агрессивное внедрение ИИ может подрывать базовые потребности, поэтому внедрение стоит проектировать как опыт, в котором не страшно ошибаться.
Тревога замещения: когда ИИ воспринимается как угроза, а не инструмент
Тревога замещения выглядит как страх потерять работу, но за ней стоят две другие потребности. Компетентность: навыки, на которые человек опирался, перестают считаться ценными. Связанность: его место в команде занимает инструмент, и человек выпадает из общего контекста.
Данные опросов показывают, что обеспокоенность особенно заметна в вопросах занятости, безопасности и доверия. Это рациональная реакция на реальную неопределённость, а не техническая безграмотность: правила меняются, а гарантий никто не даёт. Категоричных прогнозов по занятости здесь не будет, потому что их нет и в источниках.
Почему «мы просто покажем, как это эффективно» не работает
Типичная ошибка: команда собирает бенчмарки, замеряет скорость и сэкономленные часы, а пользователь в это время теряет автономию и чувствует, что его навык обесценивают. Эффективность работает как гигиенический фактор: без неё инструментом не пользуются, но её наличие мотивацию не создаёт.
83% положительного личного опыта не превращаются в общественный энтузиазм именно поэтому: личный опыт даёт контроль и рост, а корпоративный сценарий часто их отнимает. В метрики внедрения стоит включать скорость, экономию и субъективное ощущение контроля, понятности и роста у тех, кто пользуется инструментом. Тот же принцип лежит в основе гибридного управления, где ИИ готовит аналитику, а решения и ответственность остаются за человеком: архитектура гибридного управления и три когнитивные ловушки слепого доверия алгоритмам.
Как проектировать внедрение ИИ, чтобы не убивать мотивацию
Принципы удобно группировать по тем же трём потребностям.
Автономия: оставить человеку право выбора и контроля
Не делать ИИ обязательным там, где без него можно обойтись. Давать возможность отключить, заменить или настроить инструмент. Объяснять, зачем он появился и какие у него ограничения. Локальные LLM дают максимум автономии: пользователь сам выбирает модель, квантизацию, размер контекста и то, какие данные вообще покидают его машину.
В корпоративной среде полная автономия недостижима, но выбор из двух-трёх инструментов, понятные правила и работающая обратная связь уже снижают сопротивление. Помогает и разделение ролей, при котором агент предлагает, человек утверждает, а исполняет детерминированный процесс: методология Agent-Ops 0.4.0 с ролью Guardian и принципом unknown не равно OK.
Компетентность: ИИ как усилитель навыка, а не замена
Показывать, какие задачи ИИ закрывает лучше человека, а какие хуже. Обучать работе с инструментом, а не просто выдавать доступ. Поощрять эксперименты и разбор ошибок. Гайды и технические разборы полезнее кнопки «сделать хорошо»: человек понимает, как инструмент работает, и переносит это понимание на новые задачи.
Честный разговор об ограничениях тоже поддерживает компетентность: если сказать, что часть задач ИИ не выигрывает, доверие к остальным словам растёт. Отдельная зона риска — обучение новичков: разбор ИИ-ассистентов в разработке показывает, что использование ИИ при изучении новых библиотек снижает понимание концепций на 17% без значимого ускорения, а на сложных задачах время выполнения может вырасти на 19%.
Связанность: ИИ в команде, а не вместо команды
Использовать ИИ для совместной работы, а не для замены коммуникации: обсуждать результаты, делиться промптами и находками, вместе разбирать неудачные ответы модели. Сообщества вокруг локальных LLM — рабочий пример связанности: люди обмениваются конфигурациями, сравнивают квантизации, помогают друг другу с запуском.
Превращать использование ИИ в индивидуальный рейтинг не стоит: соревнование по числу запросов разрушает ту самую связанность, на которой держится мотивация. В распределённых командах поддерживать связи сложнее, и ИИ здесь работает в обе стороны: общий канал с историей решений помогает, автоматическая рассылка отчётов без обсуждения — нет.
Что это значит для локальных LLM и личного выбора инструментов
Для тех, кто запускает модели на своём железе, логика внутренней мотивации видна на каждом шаге. Выбор модели, подбор квантизации, расчёт VRAM под контекст, настройка RAG требуют компетентности и одновременно дают автономию. Ощущение роста возникает естественно: сегодня ты впервые запустил модель на 7B, через месяц собираешь пайплайн с векторной базой и своим набором документов.
Связанность встроена в локальную сцену: обсуждения конфигураций, сравнения результатов на одинаковых промптах, помощь новичкам с настройкой. Облачные сервисы дают противоположный баланс: порог входа ниже, скорость выше, автономии меньше, потому что данные, модель и лимиты контролирует провайдер.
Категоричной рекомендации тут нет. Кому-то важнее контроль и отсутствие внешних ограничений, кому-то — простота и скорость. Выбор инструмента тоже про мотивацию: если инструмент поддерживает автономию, компетентность и связанность, человек пользуется им дольше и разбирается глубже.
Ограничения подхода и что остаётся за рамками
Теория самодетерминации объясняет не всё. Она дополняет экономические, институциональные и культурные факторы, а не отменяет их. Опросы дают корреляции, а не строгую причинность: из того, что мотивация связана с намерением использовать ИИ, не следует, что рост автономии автоматически повысит принятие технологии.
Картина различается по странам и профессиям: в ИТ и финансах люди открыты к новому опыту, в США и ряде стран Европы настороженность выше. В регулируемых отраслях регламенты и требования безопасности могут перевешивать мотивацию: там обязательное использование ИИ оправдано, и задача сводится к тому, чтобы объяснить причины и оставить пространство для обратной связи.
Полный отказ от ИИ в цифровой жизни тоже мало реалистичен: он означал бы отказ от компьютера, смартфона и современных сервисов. Разбор этой дилеммы и цены отказа от технологии есть в отдельном материале о симбиозе человека и ИИ и цене отказа.
Коротко: что запомнить и что делать дальше
- Личный опыт с ИИ в основном позитивный: 83% положительных оценок, до 78% пользовались хотя бы раз. Общественное отношение при этом настороженное: 34% обеспокоены против 16% воодушевлённых в опросе по 25 странам.
- TAM, UTAUT, TPB и VAM объясняют использование через полезность и эффективность, но не объясняют настороженность.
- Более сильный и прямой предиктор намерения использовать ИИ — внутренняя мотивация.
- Она опирается на автономию, компетентность и связанность с другими.
- Агрессивное внедрение ИИ подрывает эти потребности: обязательные ассистенты, KPI на использование, публичные рейтинги.
- Внедрение стоит проектировать как опыт, в котором не страшно ошибаться.
- Для локальных LLM такая среда естественна: контроль над моделью, данными и настройками поддерживает автономию и компетентность.
Перед следующим запуском ИИ в команде или для себя проверьте три пункта: сохраняется ли у человека выбор, растёт ли его навык, остаются ли люди в связке друг с другом. Если хотя бы один ответ отрицательный, меняйте дизайн процесса, а не инструмент. Эффективность догонит, мотивация после плохого старта возвращается куда медленнее.