Принятие ИИ: почему нам не хватает мотивации

TL;DR

• Люди в среднем уже используют ИИ и положительно оценивают свой личный опыт 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, которая опирается на три базовые потребности — 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, 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 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 (воспринимаемую простоту использования и воспринимаемую полезность), которые, в свою очередь, формируют аффективную реакцию (отношение к использованию технологии / намерение), влияющую на поведение 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. 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 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. Она действует на намерение напрямую, минуя когнитивный путь, на котором построены классические модели. В теории самодетерминации (Self-Determination Theory) внутренняя мотивация (intrinsic motivation) понимается как выполнение деятельности ради неё самой — из-за интереса, удовольствия и удовлетворения, которые она сама по себе приносит, а не ради внешнего результата, вознаграждения или под давлением.

В свою очередь, внутренняя мотивация 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 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)

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

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

4. Edelman. Trust and Artificial Intelligence at a Crossroads

5. Bentley University & Gallup. Bentley-Gallup Business in Society Survey: 2025 Report

6. Ipsos. The Ipsos AI Monitor 2025

7. Ipsos & Google. Our Life with AI: From Innovation to Application

8. Stanford HAI. AI Index Report 2025 — Chapter 8: Public Opinion

9. EY. European AI Barometer 2025

10. Marikyan D., Papagiannidis S. Technology Acceptance Model: A review

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

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

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

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

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

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

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

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

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