Принятие ИИ: почему нам не хватает мотивации

TL;DR

• Люди в среднем уже используют ИИ и положительно оценивают свой личный опыт ^[1] работы с ним, но общество в целом чаще обеспокоено ИИ, чем воодушевлено им, особенно в вопросах занятости, безопасности и доверия.

• Классические модели принятия технологий (TAM, UTAUT, TPB, VAM) объясняют намерение использовать технологию прежде всего через воспринимаемую полезность и эффективность — но этот фактор не объясняет общественную настороженность.

• Более сильным и прямым предиктором намерения использовать ИИ оказывается внутренняя мотивация ^[2], которая опирается на три базовые потребности ^[3] — автономию, компетентность и связанность с другими.

• Агрессивное внедрение ИИ может подрывать эти потребности, поэтому важно проектировать внедрение ИИ как опыт, в котором не страшно ошибаться.

ИИ и общество

Давайте начнём с того, что об ИИ сегодня слышали практически все — за редким исключением, связанным с сочетанием возраста, страны проживания и уровня доходов. Точную цифру никто не назовёт, но на стандартной выборке респондентов из России, США или Европы она будет приближаться к 100%. Но слышать — одно, а прибегать к помощи ИИ — совсем другое. Здесь ситуация скромнее: по оптимистичным оценкам, доля тех, кто хотя бы раз в жизни пользовался ИИ, достигает 78%.

Второе, что нас интересует, — насколько полезным люди считают своё взаимодействие с ИИ. К слову, во многих теоретических моделях воспринимаемая эффективность является ключевым фактором использования технологии, но об этом мы поговорим чуть ниже. Итак, общее мнение таково: у нас уже есть довольно хорошие инструменты. Поэтому неудивительно, что более восьми из десяти респондентов (83%) положительно оценивают свой опыт использования ИИ-инструментов.

Вполне логично ^[4], что представители цифровых профессий, в частности ИТ и финансов, более открыты к новому опыту взаимодействия с ИИ.

С другой стороны, социологические данные отчётливо показывают, что ИИ вызывает у общества настороженность. Согласно опросу How People Around the World View AI, охватившему 25 стран, обеспокоенность растущим присутствием ИИ в повседневной жизни преобладает над воодушевлением. Особенно заметна она в США, Италии, Австралии, Бразилии и Греции: там около половины взрослых говорят, что скорее обеспокоены, чем воодушевлены. В среднем 34% опрошенных больше обеспокоены, чем воодушевлены растущим использованием ИИ, 42% в равной степени обеспокоены и воодушевлены, и лишь 16% скорее воодушевлены, чем обеспокоены.

Отчёт Trust and Artificial Intelligence at a Crossroads фиксирует ту же картину: в мире неприятие ИИ перевешивает энтузиазм. 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 показывает, что главным опасением остаётся потеря рабочих мест. Особенно настороженно люди относятся к применению ИИ в решениях, затрагивающих занятость, безопасность и здоровье. Для рабочих процессов это существенно: наиболее чувствительные зоны — подбор персонала, оценка эффективности и безопасность — оказываются как раз там, где доверие ниже всего.

Модели принятия ИИ

В ситуации с принятием ИИ обществом настораживает то, что ощутимая эффективность от его использования не прибавляет энтузиазма. При этом, с точки зрения ^[5] различных моделей принятия технологий, именно этот фактор сильнее всего влияет на намерение использовать технологию.

Например, Technology Acceptance Model (TAM) сводит намерение к двум убеждениям: воспринимаемой полезности (perceived usefulness) и воспринимаемой простоте использования (perceived ease of use). Согласно TAM, принятие технологии — это трёхэтапный процесс, при котором внешние факторы (особенности дизайна системы) запускают когнитивные реакции ^[6] (воспринимаемую простоту использования и воспринимаемую полезность), которые, в свою очередь, формируют аффективную реакцию (отношение к использованию технологии / намерение), влияющую на поведение ^[7] при использовании. В среднем эта модель объясняет около 40% дисперсии в принятии технологии, а воспринимаемая полезность подтвердилась как самый сильный предиктор намерения использовать технологию со средним размером эффекта (effect size) 0,6. Расширения модели — TAM2 и TAM3 — объясняют уже 60% дисперсии, но привносят огромное количество новых факторов, таких как субъективные нормы, имидж, соответствие технологии рабочим задачам, самоэффективность, компьютерная тревожность и другие. Однако и в TAM2, и в TAM3 основным фактором по-прежнему остаётся воспринимаемая полезность.

Наряду с TAM в качестве объяснительной модели выступает Unified Theory of Acceptance and Use of Technology (UTAUT). Она синтезирует восемь моделей и содержит четыре конструкта: ожидаемую эффективность (performance expectancy), ожидаемые усилия (effort expectancy), социальное влияние (social influence) и способствующие условия (facilitating conditions). Модераторами выступают пол, возраст, опыт и, в исходной версии, добровольность использования. Закономерно, что ключевым фактором принятия технологий здесь является ожидаемая эффективность.

И TAM, и UTAUT были адаптированы для изучения новых технологий, от которых закономерно ожидается повышение эффективности. Но и в более общих моделях, таких как Theory of Planned Behavior (TPB) или Value-based Adoption Model (VAM), ожидание положительных результатов или полезность также являются ключевыми факторами изменения поведения ^[8]. Так, TPB выросла из теории рационального действия. Поведение — это последовательность рациональных действий, которым предшествует поведенческое намерение. Намерение определяется тремя факторами: отношением (ожидание положительных результатов), субъективными нормами (восприятие ^[9] поведения как социально одобряемого) и воспринимаемым поведенческим контролем (ощущение, что поведение и его результат подконтрольны). VAM была предложена как ответ на то, что TAM не учитывает многие внешние переменные. В логике «затраты — выгоды» она сохраняет технические характеристики (полезность, техничность), добавляет удовольствие (enjoyment) и воспринимаемую плату (perceived fee). Решение опосредуется воспринимаемой ценностью, то есть оценкой компромисса. VAM применялась для объяснения принятия IPTV, мобильных платежей и IoT-сервисов.

Внутренняя мотивация и ИИ

Если эффективность не может обеспечить повсеместное принятие ИИ, то что могло бы? Как показывает ряд исследований, сильнейшим предиктором намерения использовать ChatGPT оказывается внутренняя мотивация ^[10]. Она действует на намерение напрямую, минуя когнитивный путь, на котором построены классические модели. В теории самодетерминации (Self-Determination Theory) внутренняя мотивация ^[11] (intrinsic motivation) понимается как выполнение деятельности ради неё самой — из-за интереса ^[12], удовольствия и удовлетворения, которые она сама по себе приносит, а не ради внешнего результата, вознаграждения или под давлением.

В свою очередь, внутренняя мотивация ^[13] зависит от трёх базовых психологических потребностей — автономии (autonomy), компетентности (competence) и связанности с другими (relatedness). В исследовании на выборке из 8806 человек в шести странах авторы показали, что компетентность и связанность положительно связаны с позитивным отношением к ИИ во всех странах, а неудовлетворённость всех трёх потребностей усиливает негативное отношение к нему. Исследования 2024–2025 годов на студентах воспроизводят ту же структуру уже применительно к ChatGPT: воспринимаемые автономия, компетентность и связанность повышают внутреннюю мотивацию и удовлетворённость использованием, которые затем отражаются на учебной мотивации и вовлечённости.

Между базовыми потребностями и ИИ наблюдается также двусторонняя связь. Так, внедрение ИИ в организации может как поддерживать, так и подрывать автономию и компетентность. Когда же сотрудники ощущают обесценивание своих навыков, фрустрация потребностей выливается в «тревогу замещения» (AI replacement anxiety). Наряду с этим более интенсивное использование ИИ иногда сопровождается падением внутренней мотивации. Иначе говоря, внутренняя мотивация зависит от дизайна взаимодействия и контекста внедрения ИИ.

Для практиков отсюда следует, что внедрение стоит проектировать как интересный опыт, в котором не страшно ошибаться, а не только как обучение ^[14] и выдачу доступов. Исследователям же стоит включать внутреннюю мотивацию в модели как самостоятельный конструкт, измерять фактическое использование и качество результата и проверять выводы на выборках сотрудников, а не только студентов.

Заключение

Разрыв между тем, что люди уже неплохо оценивают свой личный опыт использования ИИ, и тем, что общество в целом относится к нему скорее настороженно, чем с воодушевлением, плохо объясняется классическими моделями принятия технологий. TAM, UTAUT, TPB и VAM ставят в центр воспринимаемую полезность и эффективность — и эта логика хорошо работает для намерения отдельного пользователя, но не отвечает на вопрос, почему общество не спешит с энтузиазмом принимать растущее присутствие ИИ в повседневной жизни.

Более полную картину даёт теория самодетерминации: внутренняя мотивация, вырастающая из удовлетворения потребностей в автономии, компетентности и связанности с другими, влияет на намерение использовать ИИ напрямую, а не только через оценку его полезности. При этом сам ИИ способен как поддерживать эти потребности, так и подрывать их — отсюда тревога замещения и риск снижения мотивации при слишком интенсивном или плохо спроектированном внедрении.

Практический вывод: фокус стоит переносить с демонстрации эффективности на качество опыта. Внедрение ИИ нужно проектировать так, чтобы оно оставляло людям ощущение автономии, компетентности и связанности с другими, а не только давало доступ к более производительному инструменту. Для исследователей это означает необходимость измерять внутреннюю мотивацию как отдельный конструкт и проверять выводы не только на студентах, но и на сотрудниках в реальных рабочих условиях.

Что почитать

1. Pew Research Center. How People Around the World View AI (2025) ^[15]

2. Pew Research Center. How the U.S. Public and AI Experts View Artificial Intelligence ^[16]

3. KPMG & University of Melbourne. Trust, Attitudes and Use of Artificial Intelligence: A Global Study 2025 ^[17]

4. Edelman. Trust and Artificial Intelligence at a Crossroads ^[18]

5. Bentley University & Gallup. Bentley-Gallup Business in Society Survey: 2025 Report ^[19]

6. Ipsos. The Ipsos AI Monitor 2025 ^[20]

7. Ipsos & Google. Our Life with AI: From Innovation to Application ^[21]

8. Stanford HAI. AI Index Report 2025 — Chapter 8: Public Opinion ^[22]

9. EY. European AI Barometer 2025] ^[23]

10. Marikyan D., Papagiannidis S. Technology Acceptance Model: A review ^[24]

11. King W. R., He J. A meta-analysis of the technology acceptance model ^[25]

12. Sohn K., Kwon O. Technology acceptance theories and factors influencing artificial intelligence-based intelligent products ^[26]

13. Lai C. Y., Cheung K. Y., Chan C. S. Exploring the role of intrinsic motivation in ChatGPT adoption to support active learning: An extension of the technology acceptance model ^[27]

14. Ibrahim F., Münscher J.-C., Daseking M., Telle N.-T. The technology acceptance model and adopter type analysis in the context of artificial intelligence ^[28]

15. Wang C., Wang H., Li Y., Dai J., Gu X., Yu T. Factors influencing university students’ behavioral intention to use generative artificial intelligence: Integrating the theory of planned behavior and AI literacy ^[29]

16. Strzelecki A. To use or not to use ChatGPT in higher education? A study of students’ acceptance and use of technology ^[30]

17. Strzelecki A., ElArabawy S. Investigation of the moderation effect of gender and study level on the acceptance and use of generative AI by higher education students: Comparative evidence from Poland and Egypt ^[31]

18. Polyportis A., Pahos N. Understanding students’ adoption of the ChatGPT chatbot in higher education: the role of anthropomorphism, trust, design novelty and institutional policy ^[32]

19. Chatterjee S., Bhattacharjee K. K. Adoption of artificial intelligence in higher education: a quantitative analysis using structural equation modelling ^[33]