Самое жестокое в ИИ — не то, что он не дает ответов бедным.

Как раз наоборот — он дает ответы каждому.

Студентам — структуры для эссе, офисным работникам — шаблоны писем, предпринимателям — бизнес-планы, обычным людям — юридические пояснения, инвестиционные советы, карьерное планирование. Ответы впервые стали такими дешевыми, такими доступными и такими похожими на правду.

Но проблема именно в этом: когда ответы доступны всем, по-настоящему дефицитным становится уже не ответ, а способность его оценить.

Новые информационные бедняки — не те, кто оказался за пределами доступа к ИИ, а те, кто уже получил ответ, но не имеет возможности его оценить и условий, чтобы превратить этот ответ в реальные возможности.

1. Информационный разрыв в эпоху ИИ

Информационные бедняки эпохи интернета — это те, кто был исключен из сети. Решение казалось очевидным: провести кабели, распространить устройства, повысить грамотность. В эпоху поисковых систем все стало немного сложнее: нужно было научиться формулировать ключевые слова, отбирать источники, оценивать их достоверность, а еще лучше — немного знать английский. Но порог был видимым и измеримым.

Структура информационного разрыва в эпоху ИИ совершенно иная.

Большие языковые модели — это не поисковые системы, они напрямую генерируют для вас выводы. Вам больше не нужно «искать» ответ — ответ будет организован в плавные абзацы, четкие шаги, уверенный тон и подан вам прямо на глаза. На первый взгляд, порог значительно снизился. Но здесь скрыта жестокая структура: когда ответы становятся дешевыми, ошибки становятся такими же дешевыми; а способность определить, «заслуживает ли доверия этот ответ», наоборот, становится более дефицитной и ценной, чем когда-либо раньше.

Каждое распространение универсальной технологии в истории следовало одной и той же логике: новая технология сначала вознаграждает тех, кто уже обладает комплементарным капиталом. Книгопечатание сначала принесло пользу грамотным; компьютеры — тем, кто умел пользоваться офисными программами и программировать; интернет — тем, у кого были сильные навыки английского и поиска. Комплементарный капитал для ИИ включает образование, профессиональные знания, критическое мышление, полномочия в организации, платежеспособность и, что труднее всего измерить, — проницательность.

Новые технологии редко сначала вознаграждают тех, кто в них больше всего нуждается. Обычно они сначала вознаграждают тех, кто может ими лучше всего воспользоваться.

2. Сначала различаются пути доступа к ИИ

Первая трещина неравенства намечена еще до того, как вы открыли приложение.

В апреле 2026 года исследовательская организация в области ИИ Epoch AI и социологическая компания Ipsos опубликовали результаты опроса примерно 5000 взрослых американцев. В трех раундах задавался, казалось бы, обычный вопрос: Какими сервисами ИИ вы пользовались на прошлой неделе? Но ответы показали не просто предпочтения в продуктах, а карту, сплетенную из доходов, точек входа и распространения.

Среди еженедельных активных пользователей Claude около 80% были из семей с годовым доходом выше 100 тысяч долларов; среди пользователей Meta AI эта доля составляла лишь 37%. И наоборот, среди пользователей Meta AI около 32% были из семей с доходом менее 50 тысяч долларов, в то время как среди пользователей Claude эта доля была всего 7%.

Эти цифры важны не потому, что доказывают, что «богатые пользуются продвинутым ИИ, а бедные — бесплатным». Это самый поверхностный уровень понимания. Более важный вопрос: почему в повседневной жизни разные люди сталкиваются с разными ИИ?

Один просит ИИ подобрать ужин из остатков в холодильнике, осветлить фон на фотографии, сделать сообщение более уместным. Другой просит ИИ систематизировать интервью с клиентами, сравнить предложения поставщиков, выявить слабые предположения в отчете. Оба используют одну и ту же технологию. Но один тип использования останавливается на удобстве, другой — входит в цикл дохода, должности и переговорной силы.

Разница не только в пользователях, но и в точках входа. Путь использования Claude требует активного поиска, сравнения продуктов, понимания различий в возможностях, выбора платной подписки и интеграции инструмента в рабочий процесс — каждый шаг отсеивает людей. Путь Meta AI почти противоположен: он встроен в социальную платформу, бесплатен, с низким трением, пользователи часто пассивно сталкиваются с ним в промежутках между скроллингом ленты, отправкой сообщений или просмотром фотографий.

Это не рынок вкусов, а рынок распространения. Пользователи, кажется, выбирают инструменты, но цена инструментов и точка входа также выбирают пользователей.

Источник: epoch.ai

3. Затем различаются сценарии использования ИИ

Даже если вы нашли хороший инструмент ИИ, второе разделение ждет вас в компании.

В обычном офисе ИИ редко появляется в форме «уведомления об увольнении». Сначала он берет на себя протоколы совещаний, черновики писем, сортировку таблиц, классификацию клиентов и первые версии отчетов. Для руководителей эта автоматизация освобождает время, которое они могут потратить на принятие решений; для новичков и рядовых сотрудников автоматизация забирает именно тот вход, которым они доказывали себя, тренировали проницательность и получали доступ к работе более высокого уровня.

Данные по этому сценарию еще холоднее: Согласно исследованию, проведенному Financial Times совместно с исследовательской организацией по отслеживанию использования ИИ в рабочей силе в США и Великобритании (февраль–март 2026 года, охват более 4000 респондентов в обеих странах), 63% работников с самой высокой зарплатой используют ИИ в обычный рабочий день, в то время как доля двух самых низких категорий составляет всего 17% и 16% соответственно. Это не пологий склон, а обрыв.

Еще более важное открытие касается факторов. Регрессионный анализ этого опроса показал, что влияние зарплаты на уровень использования ИИ почти исчезает после контроля других переменных — на самом деле действовали четыре фактора: возраст, стаж, отрасль и обучение. Эффект обучения был наибольшим: в компании, предоставившей формальное обучение ИИ, ежедневный уровень использования ИИ сотрудниками был на 37 процентных пунктов выше, чем в аналогичной компании без обучения. Даже неформальное наставничество давало повышение на 24 процентных пункта.

Однако реальность такова: на начало 2026 года только 14% сотрудников заявили, что проходили формальное обучение ИИ от работодателя, две трети не получали никакой формы обучения.

Обучение ИИ — это не техническая проблема, а проблема распределения. Тот, кого выбрали для обучения, получает доступ к траектории роста производительности; тот, кого не выбрали, видит лишь иконку на экране, которую ему не разрешили открыть.

ИИ на потребительском конце — это приложение, на рабочем конце — это разрешение. А разрешения никогда не распределялись равномерно.

Источник: Focaldata

4. И наконец, различается способность оценивать ИИ

Это самое скрытое, но и самое фундаментальное разделение.

Представьте себе выпускника, только что поступившего в консалтинговую компанию. Он использует ИИ для создания первого варианта отраслевого аналитического отчета: структура целостная, данных много, тон уверенный. Его начальник — человек, проработавший в этой отрасли десять лет — бегло просматривает отчет и указывает, что в методологии двух исходных источников, на которые ссылаются данные, есть недостатки, а причинно-следственная связь третьего вывода проблематична. Начальник не умнее потому, что он больше работал, а потому, что у него есть тот самый фундамент — он знает, где могут быть ошибки, какая беглость — настоящая, а какая — это просто машина заполняет пробелы.

Именно это означает нелогичное открытие в данных опроса: самые активные пользователи ИИ на работе — не самые молодые сотрудники, а те, кто уже проработал на текущей должности от 2 до 10 лет. Зависимость уровня использования ИИ от стажа остается значимой даже после контроля возраста. Не потому, что молодые не хотят его использовать, а потому, что ценность ИИ сильно зависит от уже имеющейся у пользователя способности к оценке.

Опыт — важнейший комплементарный капитал для ИИ, а опыт нельзя подписаться.

ИИ снизил стоимость «звучания как эксперт», но не в той же мере снизил стоимость «реального знания». Более того, есть даже более опасное последствие: чем меньше у пользователя фундаментальных знаний, тем легче он воспринимает выводы ИИ без критики; и чем больше он принимает их без критики, тем труднее развивается проницательность. Когда агент принимает решения за вас, вы потребляете интеллект, а не накапливаете его.

Лауреат Нобелевской премии по экономике, профессор MIT Дарон Аджемоглу говорит об этом без обиняков: Использование инструментов ИИ требует определенного уровня образования, абстрактного мышления, количественных навыков и знакомства с технологиями. «Почти наверняка, ИИ усилит неравенство», — говорит он.

Здесь и проступают контуры новых информационных бедняков: это не те, у кого нет ИИ, а те, у кого есть ИИ, есть доступ, есть ответы, но нет подготовки для оценки этих ответов; есть инструменты, есть сценарии, но нет разрешения превратить результаты работы инструментов в возможности; те, кто ежедневно потребляет интеллект, но никогда его не накапливали.

5. Границы уравнивающего эффекта

Однако связь ИИ с неравенством не сводится лишь к его усилению.

Множество экспериментальных исследований показывают, что в контролируемых условиях ИИ часто сильнее повышает эффективность низкоквалифицированных работников — это касается сотрудников колл-центров, начинающих авторов, стажеров-консультантов. Это нетрудно понять: маржинальная польза для ведущих экспертов от ИИ ограничена; для человека, который никогда не мог позволить себе профессиональные услуги, впервые понять с помощью ИИ контракт — это уже качественный скачок.

Но здесь важно отметить ключевое различие: экспериментальные исследования измеряют «улучшение после использования», а реальные данные измеряют «кто фактически использует», «кому разрешено использовать», «кто после использования может превратить результат в возможность». Оба набора данных не лгут, они измеряют совершенно разные вещи.

Технология может в лабораторных условиях сокращать разрыв и одновременно в реальном мире его увеличивать — если внедрение само по себе неравномерно, если сценарии сами по себе неравны, если проницательность сама по себе неравна.

ИИ обладает техническими характеристиками для выравнивания возможностей, но работает в рамках неравной социальной структуры. Оба эти утверждения верны одновременно, и в этом заключается истинная форма проблемы.

6. Технологии распространяются, но выгоды приходят не одновременно

Каждое поколение склонно верить, что универсальная технология его времени разрушит старые порядки.

После появления книгопечатания грамотные пожинали плоды несколько веков. В начале распространения компьютеров они усиливали способности тех, кто уже умел пользоваться офисными программами и писать код. Ранние выгоды от интернета достались тем, кто знал английский, умел искать информацию, имел время и мотивацию для арбитража. В каждой технологической волне звучали голоса «на этот раз все по-другому», а структурное разделение часто становилось видимым лишь спустя десятилетия.

Разделение, вызванное ИИ, может произойти быстрее, а разрыв — стать глубже. Потому что оно затрагивает не какой-то один тип задач, а почти всю работу, зависящую от суждений и языка. А это как раз те способности, которые труднее всего стандартизировать и перераспределить.

Некоторые считают, что разрыв в конечном итоге сократится. Такого мнения придерживается историк экономики, профессор Оксфордского института интернета Карл Бенедикт Фрей, основываясь на истории: неравенство, вызванное распространением компьютеров, через несколько десятилетий постепенно сократилось по мере снижения порога входа. Эта аналогия не лишена оснований.

Проблема в том, что даже принимая этот оптимистичный исторический аналог, сам Фрей признает ключевое ограничивающее условие: «Это зависит от того, сколько времени потребуется для закрытия разрыва. Если это десять или двадцать лет, то это вызывает больше беспокойства».

Десять или двадцать лет — это не временной масштаб, который можно спокойно ждать — особенно для тех, кому в это время нужно найти работу, договориться о зарплате, накопить опыт.

Заключение

Это уникальный исторический момент: мы впервые обладаем технологией, которая заставляет всех чувствовать, что они становятся умнее.

И это ощущение часто становится конечной точкой.

Проблема в том, что в эпоху, где победу решает проницательность, принять ощущение за финиш может быть самой дорогой ошибкой.