Алгоритмическая селекция общества: таргетинговые фильтры и новые грани социальной стратификации

,

, , ,

Введение . В современном мире стремительная экспансия технологий искусственного интеллекта (ИИ) приобрела характер глобального социального процесса, интегрируясь в повседневные практики миллионов людей. Согласно данным Microsoft AI Economy Institute, к 2025 г. каждый шестой житель планеты оказался вовлечен в использование ИИ, что свидетельствует о переходе технологий из разряда инноваций в категорию обыденности¹. Однако данный процесс характеризуется крайней неравномерностью: в то время как в странах Глобального Севера уровень внедрения достигает 24,7 %, на Юге он составляет лишь 14,1 %. Лидерами интеграции ИИ выступают Объединенные Арабские Эмираты (64 %) и Сингапур (60,9 %), тогда как в ряде государств (Афганистан, Таджикистан, Туркменистан, Камбоджа) этот показатель не превышает 6 %². В Российской Федерации, по данным на конец 2025 г., около 8 % трудоспособного населения используют генеративные модели ИИ, при этом среди молодежи данный показатель значительно выше – 26 %³. Приведенные данные актуализируют проблему алгоритмического неравенства как нового измерения социальной стратификации.

Помимо прямого использования ИИ-сервисов, подавляющее большинство населения взаимодействует с цифровыми алгоритмами опосредованно – через рекомендательные системы соцсетей, поисковые сервисы и навигационные приложения, что делает алгоритмическое управление тотальным социальным фактором. Рост включенности в алгоритмические системы неизбежно сопровождается трансформацией социальной структуры и появлением новых форм уязвимости. В обществе фиксируется переход от эпизодического использования ИИ к его «врастанию» в ткань социальной реальности. В России структура предпочтений ИИ-сервисов выглядит следующим образом: «Алису AI» использует 14,3 % населения, DeepSeek – 9,4 %, GigaChat – 4 %, ChatGPT – 3,5 %, Perplexity AI – 1,4 % и Character AI – 0,8 %4. При этом шестикратный рост трафика ИИ-сервисов в 2025 г. подтверждает тезис о лавинообразном характере цифровизации. Однако подобное увеличение не снивелировало цифровой разрыв, а, напротив, закрепило технологическое лидерство узкой группы стран, обладающих необходимой инфраструктурой и человеческим капиталом.

Технологии таргетирования (от англ. target – «цель») характеризуются специалистами в качестве основного механизма алгоритмической стратификации информационного пространства (Рез-баев, 2010). Осуществляется такая стратификация через селекцию контента на основе анализа поведенческих паттернов пользователей и формирования «эхо-камер». На основе селекции контента возникает новая форма социальной сегрегации – не по классическим критериям (класс, статус, доход), а по новым – контурам алгоритмически сконструированных информационных потоков.

Развитие технологий таргетинга является неизбежным атрибутом общества дополненной современности. Одновременно таргетинг фрагментирует общественное сознание и общие смысловые основания социума, фактически перестраивая архитектуру социального взаимодействия и заменяя публичную сферу множеством замкнутых и атомизированных информационных экосистем.

Научная новизна исследования механизмов алгоритмического неравенства обусловлена необходимостью восполнения теоретических и прикладных знаний о закономерностях и характеристиках функционирования данных механизмов. Она заключается в следующем:

• –    во-первых, в концептуализации и социологической характеристике алгоритмического неравенства как нового типа социальной дифференциации, выходящего за рамки традиционных уровней цифрового разрыва;

• –    во-вторых, в выборе объекта изучения, которым выступают новые механизмы воспроизводства и усиления социального неравенства, генерируемые алгоритмическими системами;

• –    в-третьих, в анализе процессов алгоритмизации, которые реплицируют и усиливают предвзятость (bias), имплицитно содержащуюся в обучающих данных, что ведет к формированию новых маргинализированных групп;

• –    в-четвертых, в постановке методологических задач, требующих разработки инструментария для объяснения сложных, нелинейных и непрозрачных характеристик алгоритмических механизмов и обращения к анализу больших данных, экспериментальным методам, изучению пользовательского опыта и другим междисциплинарным подходам;

• –    в-пятых, исследование фокусируется на влиянии алгоритмизации на различные сферы общественной жизни, включая экономику, образование, здравоохранение, политическое участие и медиа.

Таким образом, научная новизна состоит в переосмыслении традиционных представлений о факторах социального неравенства в контексте алгоритмизации, анализе механизмов его воспроизводства, а также в разработке основ политики регулирования, направленной на минимизацию негативных последствий данного процесса.

Результаты . Основное преимущество таргетинга – нацеленность на персонализацию контента. Персонализация формируется посредством последовательного применения таргетированных технологий, включающих этапы сбора специфической информации о потребителях, моделирования их интересов, генерации рекомендаций, их ранжирования, получения обратной связи и актуализации моделей (Амбарова, 2022; Хевтагогические стратегии обучения маркетологов в условиях технологической акселерации …, 2026). При этом решается ключевая задача таргетинга – баланс между разнообразием запросов потребителей, с одной стороны, и целевыми установками заказчика – с другой. Коммерческая привлекательность таргетинга зиждется на технологиях, для которых характерен целый ряд преимуществ, таких как оптимизация бюджета, высокая конверсия (увеличение вероятности кликов), детальная сегментация, масштабируемость (запуск с минимальных бюджетов), работа с аудиторией (разнообразие методов), многоформатный контент (графика, видео, лид-формы и пр.), конкурентные преимущества (доступ к узким нишам). Совокупность представленных преимуществ технологий таргетинга делает их наиболее привлекательными для рекламных и маркетинговой стратегии компаний, что предполагает разработку адекватных методов социологических исследований, нацеленных на выявление социальных последствий таргетинга, которые далеко не всегда очевидны¹.

Персонализированная таргетинговая среда формируется посредством тщательного анализа цифровых следов пользователей (поисковых запросов, лайков и предпочтения пользователей) (Худяков, Ананьев, 2023). За счет такой избирательности и точности осуществляется сегментация аудитории, тестирование гипотез (выбор новых групп) и ретаргетинг (поиск клиентов, похожих на текущих пользователей). За счет этого технологии таргетинга обеспечивают самый высокий ROI (Return on Investment), то есть коэффициент возврата инвестиций – показатель, который демонстрирует, насколько выгодными оказались вложения в бизнес-проект или рекламу. Локальный таргетинг критически важен для офлайнбизнеса.

В результате анализа данных, проведенного с использованием ИИ, появляется возможность персонализации контента и предоставления рекомендаций, соответствующих индивидуальным интересам и потребностям пользователя. Далее алгоритмы самостоятельно определяют, какой новый контент будет предложен пользователю и ограничивают доступ к разнообразным альтернативным точкам зрения. Так происходит изоляция от альтернативных мнений. Персонализация, умноженная на высокую скорость и незаметность, превращает таргетинг в самый мощный инструмент достижения экономической эффективности рекламы и маркетинга.

В интернет-маркетинге настоящая стратегия применяется для рекламных кампаний, которые реализуются только в целевых аудиториях (например, пол, возраст, интересы, размер дохода, география и пр.) (Никитина, Болтачева, 2024). Направления осуществления таргетинга показаны в таблице 1.

Таблица 1 . Индикаторы основных технологий таргетирования ¹

Table 1 . Indicators of the Main Targeting Technologies

Индикаторы технологии таргетирования	Характеристика	Примеры
Социально-демографический таргетинг	Сегментация аудитории по возрасту, полу, семейному положению, доходу и пр.	– реклама детских игрушек ориентирована на женщин в возрасте 25–45 лет с детьми; – бренд мужского парфюма ориентирован не только на мужчин, но и на женщин, которые покупают парфюм в подарок
Географический (геотаргетинг)	Настройка рекламы по местоположению пользователя – стране, региону, городу, району или даже радиусу вокруг определенной точки	– федеральный ритейлер может выбрать несколько областей для продвижения, а локальный магазин – ограничиться одним районом; – компания, работающая только в трех регионах, может сфокусировать рекламную кампанию на этих территориях, чтобы повысить выручку
Поведенческий таргетинг	Сегментация по действиям пользователя: истории посещений сайтов, поисковым запросам и пр.	– человек, который читал статьи о ремонте квартиры, получает рекламу строительных материалов; – фитнес-центры могут таргетировать рекламу на пользователей приложений для подсчета калорий
Таргетинг по интересам и хобби	Показ рекламы на основе предпочтений пользователя в таких сферах, как спорт, кино, технологии и др.	– продвижение онлайн-курсов по искусству для тех, кто подписан на каналы о живописи; – языковые курсы нацеливаются на пользователей, которые посещали сайты образовательной тематики
Ретаргетинг (ремаркетинг)	Таргетирование на людей, которые уже взаимодействовали с сайтом	– пользователь, оставивший товары в корзине интернет-магазина, может получить напоминание о них; – человек, подписавшийся на рассылку с обучающим контентом, получает рекламу о платных курсах
Look-alike-таргетинг	Демонстрация рекламы тем, кто похож на пользователей, уже позитивно реагировавших на рекламу	– на основе данных о покупателях интернет-магазина создается похожая аудитория; – если есть база данных о клиентах, можно создать похожую аудиторию для расширения охвата
Временной таргетинг	Настройка показа рекламы в определенные часы, дни недели или сезоны	– акции на завтраки в ресторанах с показом рекламы утром; – реклама доставки еды на периоды обеденного перерыва или вечернего времени, когда спрос выше
Таргетинг по устройствам	Сегментация аудитории по типу устройства (смартфон, компьютер, планшет)	– реклама может показываться только на мобильных устройствах, если продукт ориентирован на использование вне дома; – адаптация креатива под разные форматы экранов
Таргетинг по сообществам и активности в них	Показ рекламы людям, которые состоят в определенных соцсетях или проявляют в них активность (лайки, комментарии)	– сочетание географического, поведенческого и временного таргетинга, чтобы показывать рекламу только в определенном районе в часы пик тем, кто недавно искал информацию, связанную с продуктом

Решая коммерческие задачи, технологии таргетинга автоматически детерминируют социальное ранжирование пользователей, то есть фактически осуществляют социальную дифференциацию пользователей и формируют новые иерархии на основе присвоенных алгоритмами рейтингов. Многие данные становятся основаниями для дискриминации, например, по внешнему виду и имиджу. Требования могут быть разнообразными: а) к дресс‑коду, внешнему виду (татуировки и пирсинг, стандарты женской красоты или мужского образа – «для настоящих мужчин», «для активных пенсионеров»); б) к антропометрическим данным – рост и вес (по данным портала Super Job, 19 % работодателей при прочих равных предпочтут работника, который не склонен к полноте2), врожденные особенности или заболевания; в) к возрасту, – предпочтение молодых кандидатов (эйджизм); ограничения для пожилых соискателей, и наоборот; г) к этнической или религиозной принадлежности, – прямые запреты («Сдам только для мусульман!», «Цыгане, не звоните!», «Только для славян»); д) к семейному положению, – предубеждения относительно женщин с детьми или одиноких людей; е) к псевдонаучным или иррациональным критериям – знак зодиака; ж) к тембру голоса; з) к цвету волос и прическам. На основании таких индикаторов таргетинга пользователей стратифицируют на социальные группы.

Наиболее очевидны последствия дискриминации при трудоустройстве, когда субъектам ограничивается доступ к рабочим местам, тем самым усиливается социальное неравенство и маргинализация отдельных категорий граждан.

Интеграция алгоритмов таргетирования в цифровые медиасистемы представляет собой эмпирическую апробацию ряда основополагающих социологических парадигм. В частности, речь идет о теории рационального выбора и социального взаимодействия. Эти концепции постулируют, что социальные группы образуются в результате конгруэнтности или антагонизма индивидуальных интересов их членов.

Настоящие идеи восходят к Т. Гоббсу («Левиафан»1), где стремление к самозащите метафорически описано как «война всех против всех», на основе чего возникает государство, да и само общество. Аналогичные идеи можно найти у А. Смита, который утверждал, что нравственные чувства и экономическое процветание наций проистекают из максимизации личной выгоды (Смит, 1997).

В рамках теории Дж. Коулмана, таргетинг рассматривается как ресурс, который формируется в результате рациональных взаимодействий индивидов (Коулман, 2001). Эти взаимодействия, в свою очередь, способствуют возникновению макросоциальных структур.

С точки зрения теории социальной стратификации М. Вебера, таргетинг может быть интерпретирован как процесс формирования спонтанных социальных групп, который включает в себя не только экономические, но и культурные, социальные и идеологические аспекты (Вебер, 1994). М. Вебер утверждает, что классовые различия обусловлены экономическими отношениями и распределением материальных ресурсов. В отличие от классовой принадлежности (главное – экономический фактор), статус определяется различиями в престиже и социальном уважении, которые определяют восприятие таких групп другими социальными образованиями (Вебер, 1994). Таким образом, люди, объединенные общим статусом, начинают ощущать себя частью общей социальной идентичности, что способствует формированию устойчивых социальных связей.

Ряд современных социологических теорий постулирует, что адаптация к интересам потребителей открывает таргетинговым технологиям значительный потенциал. Он обусловлен не столько функциональными характеристиками товаров, сколько базовыми социальными механизмами, которые играют ключевую роль в формировании потребительского поведения. В основе этого процесса лежат фундаментальные человеческие стремления, такие как стремление к самореализации, социальной принадлежности и удовлетворению базовых интересов. Это базовые человеческие стремления:

– принадлежности к группе (Фромм, 2007);

• –    к самовыражению через демонстративное потребление, отражающие принадлежность к социальному стандарту и референтной группе (Веблен, 1984);

• –    к моде, которая «присоединяет» человека к группе равных по статусу, становится способом выражения социальных чувств и инструментом конструирования идентичности (Зиммель, 1996);

• –    к символическим потребностям, поскольку товары начинают символизировать статус, принадлежность к группе и понимаются как определенные смыслы и символы (Baudrillard, 1983);

• –    к роскоши, которая становится инструментом социального позиционирования, а ее эволюция связана с изменениями в обществе (Зомбарт, 2008).

Совокупность показанных социальных устремлений с успехом реализуется в таргетинге. В частности, экономист Х. Лейбенстайн утверждает, что X-эффективность, в отличие от традиционной аллокативной эффективности (фокусировка на оптимальном распределении ресурсов для максимизации выпуска), направлена на извлечение максимально возможного объема продукции из технологий, ориентированных на потребителя (Лейбенстайн, 1995). В этом смысле технологии таргетинга, то есть ориентация на личные интересы потребителей, могут рассматриваться как мощный инструмент для повышения прибыльности фирмы (Марченко, 2013).

Не только экономическая сфера становится пространством реализации технологий таргетинга, но и культура потребления. В исследованиях А. Ильина анализируется, каким образом потребительская культура способствует индивидуализму, аполитичности и переориентации интересов индивидов с общественных проблем на личные аспекты. Ученый раскрывает, что избыточное потребление культивирует ценности индивидуализма, что приводит к ослаблению социальных связей и снижению гражданской активности (Ильин, 2015).

Ряд других исследователей подчеркивает, что таргетирование представляет собой ключевой инструмент стимуляции алгоритмического неравенства в условиях растущей глобальной конкурентности, одновременно значительно влияющий на социальную структуру (Оразбаева, 2025). Это механизм, который не только усиливает неравенство в доступе к информации, но и трансформирует социальную динамику, а также модифицирует социальную структуру.

Обсуждение . Таргетирование ориентировано на интересы конкретного человека. Одновременно оно тесно связано с более широкими социально-экономическими трансформациями, происходящими в современном обществе. Таргетирование приводит к формированию изолированных групп и индивидуумов, чьи социальные связи характеризуются безличностью и обусловлены стремлением к самовыражению через потребление (рис. 1).

Рис. 1 . Влияние алгоритмического таргетинга на формирование социально дезориентированных групп

Fig. 1 . The Impact of Algorithmic Targeting on the Formation of Socially Disoriented Groups

Следует отметить ряд важных моментов.

Во-первых, в условиях распада традиционных социальных связей и нарастающего индивидуализма социальные группы могут возникать или обособляться как адаптивная реакция на сложные социальные процессы. Такое часто происходит в периоды исторических трансформаций, кризисов и катастроф.

Во-вторых, данные группы демонстрируют высокую степень уязвимости к манипулятивным воздействиям в отношении их поведенческих стратегий и ценностных ориентаций, стереотипизацию, заложенную в алгоритмической структуре, что делает участников этих групп подверженными дискриминационным практикам и потенциально приводит к развитию психических расстройств.

В-третьих, системное исключение определенных групп из целевых аудиторий (например, возрастной или региональной дискриминации). Это явление подчеркивает селективный характер таргетирования и его потенциальное влияние на социальную справедливость и равенство возможностей.

Ряд исследователей подчеркивает, что таргетирование представляет собой ключевой инструмент алгоритмического неравенства в условиях растущей глобальной конкурентности, одновременно значительно влияющий на социальную структуру. Этот механизм не только усиливает неравенство в доступе к информации, но и трансформирует социальную динамику и модифицирует социальную структуру.

Алгоритмическое ранжирование и рейтинговые системы выступают современными инструментами символической власти. Через присвоение статусов они фокусируют институционализацию неравенства на основе классификации объектов и легитимизации социальных иерархий. Информационная селекция формирует новые формы стратификации, где доступ индивидов, организаций и сообществ к ресурсам (экономическим, культурным, политическим) детерминирован позицией в алгоритмически сконструированной вертикали. Таким образом, цифровые рейтинги становятся институционализированным механизмом распределения возможностей, воспроизводящим неравенство в неочевидных, «объективированных» формах.

Не только в управлении людьми выстраиваются жесткие иерархии. В экономике системы рейтинги монополизируют рынки, отдавая преимущество крупным компаниям и вытесняя малый бизнес. Высокий рейтинг дает больше заказов и привилегий, низкий – отбрасывает малый бизнес на периферию. Это создает внутриплатформенную стратификацию, где складывается информационная изоляция. Поисковые системы и соцсети ориентируются только на контент, основанный на анализе опыта предыдущего поведения и интересов. Так закрывается возможность использования разнообразия опыта и «столкновения с иным», консервируя социальные и культурные предубеждения. По образному выражению Ш. Мау, язык чисел меняет представления о социальной ценности и статусе, а генерируемые показатели могут стать инструментом конструирования социальных различий, когда системы социального ранжирования монополизируют высокий статус одних участников рынка, вытесняя других (Mau, 2020).

Алгоритмы ранжирования часто фокусируются на объективных метриках (популярность, клики, конверсии), а не на субъективных и ценностных аспектах, которые важны для человека. Это создает риск усиления социальных неравенств, искажения реальности и нарушения этических норм. Главный риск развития систем ИИ-ранжирования, как уже подчеркивалось, заключен в их незаметной трансформации из инструмента сортировки товаров в инструмент иерархизации людей, в результате чего ранжирование объектов превращается в ранжирование людей. Когда алгоритмы социальных сетей иерархизируют контент, они фактически ранжируют и авторов, присваивая одним статус «инфлюенсеров», а других оставляя на периферии информационного поля. Алгоритмы ранжирования социальных медиа несут нетривиальную ответственность за усиление партизанской анимусности – негативных мыслей, чувств и поведения по отношению к политическим аут-группам.

Алгоритмический код неизбежно повторяет ошибки общества, на чем складывается алгоритмическая дискриминация, или алгоритмическая предвзятость. Это явление возникает, когда алгоритмы воспроизводят или усиливают существующие формы дискриминации (расовую, возрастную, социальную и т. д.) из-за предвзятости в исходных данных, ошибках в программировании или несовершенстве моделей. Например, Федеральная антимонопольная служба (ФАС) обязала компанию «Яндекс» прекратить практику, когда его собственные сервисы (например, Яндекс.Маркет, Ян-декс.Музыка) получали преимущество в поисковой выдаче перед сервисами конкурентов1. Здесь были выявлены элементы дискриминация по признаку аффилированности. В сфере страхования или кредитования алгоритмы могут учитывать дополнительные критерии (например, местоположение), что приводит к неравным условиям для жителей разных районов. Таким образом складывается алгоритмическая дискриминация, то есть ситуация, когда алгоритмы искусственного интеллекта воспроизводят, а иногда и усиливают существующие в обществе формы ограничения прав и возможностей по причинам социальных различий. Прежде всего это происходит из-за предвзятости в исходных данных и проявляется в самых различных сферах деятельности.

Другой важной характеристикой алгоритмического неравенства выступает широкий спектр проявления алгоритмической дискриминации. Последняя являет собой не единичные примеры и не абстрактные угрозы, а вполне реальную проблему, с которой сталкиваются миллионы людей в самых различных сферах жизнедеятельности. В частности, в правоохранительной системе сформирована предиктивная полиция, деятельность которой нацелена на профилактику преступлений с использованием алгоритмов искусственного интеллекта и анализа больших данных (системы «Спрут», «Маньяк», «Блок»), которые используются для прогнозирования вероятных криминальных событий. По данным ресурса «Газета.ру» на платформе «МирТесен», в 2025 г. система NtechLab подтвердила высокую точность распознавания лиц нарушителей и преступников (99,9 %)1. В Новосибирской области на базе платформ ИИ за 10 месяцев 2025 г. были задержаны 2 327 нарушителей и найдено похищенных 7 детей2. В Рязани с помощью ИИ раскрыто 60 преступлений, задержано 11 преступников3. К использованию готовится система «СИГМА-ПОЛИЦИЯ» как интеллектуальная платформа, предназначенная для комплексной поддержки оперативно-розыскной, аналитической и административной деятельности правоохранительных органов4. Это пример перспективной разработки, которая объединяет в себе множество функций, начиная от предиктивной аналитики (прогнозирование мест и времени преступлений) до автоматического заполнения протоколов и построения социальных графов связей между преступниками.

На данный момент можно выделить три основных направления применения алгоритмов ИИ в правоохранительной сфере. Во-первых, видеоаналитика и биометрическая идентификация для поиска и задержания. Это самое распространенное и наглядное применение ИИ. Нейросети в круглосуточном режиме анализируют поток видео с уличных камер, мгновенно сверяя лица прохожих с базами данных розыска. Во-вторых, автоматическое выявление правонарушений: ИИ обучают распознавать не только лица, но и конкретные противоправные действия, чтобы реагировать на них в режиме реального времени. В-третьих, специализированное ПО для анализа данных и расследований. По официальным данным, алгоритмы искусственного интеллекта помогли в расследовании резонансных преступлений, таких как убийства Д. Дугиной и В. Татарского, а также в определении лиц, покушавшихся на З. Прилепина и В. Соловьева5.

Заключение . Технологии алгоритмического ранжирования и сохраняющаяся практика дискриминации формируют два взаимосвязанных вектора трансформации социальной структуры. С одной стороны, цифровая стратификация на платформах создает новые формы неравенства, основанные на алгоритмических оценках, с другой – усиливается традиционная дискриминация и воспроизводятся новые социальные барьеры.

Позитивная перспектива ситуации парадоксальная. Она заключена в том, что таргетинговые технологии, которые потенциально усугубляют неравенство, одновременно содержат в себе и инструменты его преодоления. Алгоритмы можно обучать на репрезентативных данных, платформы – проектировать с учетом принципов доступности, а цифровую стратификацию – использовать для выявления и устранения системных дисбалансов. Ключевое условие – осознанное управление технологическим развитием таргетингом в интересах всего общества, а не отдельных групп.