Готовность сельских жителей к использованию искусственного интеллекта в АПК

Искусственный интеллект (ИИ) за последние годы превратился из предмета футурологических прогнозов в рабочий инструмент, проникающий в самые разные сферы экономики – от промышленности и логистики до медицины и государственного управления (Шалин, Токарев, 2025). Сельское хозяйство не стало исключением: технологии компьютерного зрения, машинного обучения и предиктивной аналитики применяются для мониторинга посевов, прогнозирования урожайности, автоматизации техники и управления логистикой. По данным опроса аналитического центра ВЦИОМ, о применении ИИ в сельском хозяйстве что-то слышали 46 % россиян, а хорошо знакомы с темой лишь 10 % опрошенных, готовность использовать произведенные с помощью ИИ продукты декларируют около трети респондентов1. Эти цифры обозначают проблему, выходящую за рамки чисто технологической повестки: скорость и характер распространения ИИ в АПК будут определяться не только доступностью самих решений, но и тем, как их воспринимают конечные пользователи – сельские жители и работники отрасли, чья готовность принять новые практики исторически была предметом пристального интереса социологии.

Проблема осложняется тем, что российское село остается зоной устойчивого цифрового неравенства. Хотя разрыв между городом и селом по базовым показателям интернет-проникно-вения в последнее десятилетие постепенно сокращается (Горюнов, 2025), современная литература по цифровому неравенству показывает, что различия все чаще проявляются не только в доступе к инфраструктуре, но и в цифровых компетенциях, способах использования технологий и достигаемых благодаря им результатах (Understanding digital inequality…, 2023). Для аграрного сектора это особенно существенно: актуальные исследования распространения цифровых технологий среди малых и семейных хозяйств фиксируют неоднородность траекторий принятия и зависимость дальнейшего внедрения от уже имеющегося технологического опыта (Gabriel, Gandorfer, 2023). Вместе с тем классическая теория цифрового разрыва Я. ван Дейка позволяет уточнить механизм такого неравенства: помимо материального доступа к технике и навыков существует мотивационный доступ (готовность и желание использовать цифровые инструменты), который может отставать от технической доступности (Dijk, 2005). Настоящее исследование сосредоточено именно на этом, наименее изученном применительно к российскому селу, измерении – на установках и намерениях, а не на инфраструктурной обеспеченности.

Теоретическая рамка исследования восходит к социологии диффузии инноваций, причем в буквальном смысле выросшей из исследований сельского хозяйства: классическая работа Б. Райана и Н. Гросса о распространении гибридной кукурузы среди фермеров двух общин штата Айова (Ryan, Gross, 1943) заложила эмпирический фундамент, на основе которого Э. Роджерс впоследствии сформулировал общую теорию диффузии инноваций (Rogers, 2003). Согласно этой теории, скорость и последовательность принятия новшества определяются не только его объективными свойствами, но и характеристиками самих акторов: более высоким социально-экономическим статусом, образованием, космополитностью и доступом к каналам информации отличаются ранние адаптеры, тогда как поздние принимающие и отстающие оказываются на периферии как в информационном, так и в ресурсном отношении. Иными словами, задолго до появления цифровых технологий сама теория диффузии инноваций родилась на материале того социального поля, к которому обращено настоящее исследование – сельского хозяйства. Современные исследования принятия ИИ и цифровых технологий в аграрной сфере показывают, что эта логика сохраняет объяснительную силу, но дополняется характеристиками отношения к технологии: для фермеров значимы воспринимаемый контроль, отношение к ИИ и готовность им пользоваться (Mohr, Kühl, 2021), а на уровне малых хозяйств важны неоднородность установок, стоимость, доступ к информации и поддержке (Precision agriculture technology…, 2022).

Также накопленная в психологии риска и исследованиях цифрового сельского хозяйства литература показывает, что отношение к технологии редко исчерпывается балансом ожидаемой пользы и вреда: типы воспринимаемого риска неоднородны, а доверие к алгоритмическим системам формируется в связи с вопросами контроля, прозрачности, справедливости и распределения ответственности. Современный обзор социальных и этических последствий ИИ в сельском хозяйстве указывает на широкий спектр рисков – от трансформации труда и автономии до вопросов данных и неравенства (Ryan, 2023). Исследования доверия к ИИ в аграрной сфере дополнительно показывают, что принятие технологий зависит от того, как воспринимаются, распределяются и регулируются их выгоды и риски, а также от прозрачности решений, ответственности разработчиков и защиты данных (Этические ограничения…, 2026; Artificial intelligence…, 2024; Gardezi, Stock, 2021). Эти выводы позволяют предполагать, что этические и «натуралистические» опасения, затрагивающие вмешательство в живую природу, благополучие животных и качество продукции, могут вести себя иначе, чем технико-организационные опасения, связанные со сбоями, киберугрозами и затратами. В то же время классическое исследование Дж. Флинна с соавторами показало, что женщины в среднем выше оценивают экологические и связанные со здоровьем риски (Flynn et al., 1994), что дает основание учитывать гендерное измерение восприятия рисков и применительно к ИИ в сельском хозяйстве.

Из изложенных теоретических соображений вытекают три предположения, определяющие логику дальнейшего изложения. Первое состоит в том, что готовность использовать ИИ-продукты в сельском хозяйстве образует выраженный поколенческий градиент, но он не сводится к прямому эффекту возраста, а во многом опосредован сопряженными с ним ресурсными различиями – образованием, доходом, типом поселения, которые в теории диффузии инноваций традиционно отличают ранних адаптеров от отстающих (Rogers, 2003). Наше второе предположение заключается в том, что восприятие ИИ в сельском хозяйстве не является одномерным: оно распадается на самостоятельные измерения ожидаемой пользы и разных типов риска, причем именно ценностно-этическая составляющая риска, а не техническая объясняет нежелание применять технологию, в соответствии с различением инструментальных и ценностных рисков в психометрической традиции (Flynn et al., 1994). Третье предположение состоит в том, что различия в восприятии образуют не непрерывный спектр, а ограниченное число качественно различных типов установок с собственным социально-демографическим профилем, что перекликается с исходной категориальной типологией самого Э. Роджерса (новаторы, ранние адаптеры, раннее и позднее большинство, отстающие), хотя в данном случае типология строится не по времени принятия технологии, а по структуре установок к ней.

Эмпирической базой работы служит вторичный анализ данных всероссийского опроса, проведенного аналитическим центром ВЦИОМ, посвященного применению технологий искусственного интеллекта в сельском хозяйстве1. Целевой совокупностью выступало взрослое население, проживающее в сельской местности или занятое в агропромышленном комплексе, включая владельцев и работников личных подсобных хозяйств. Итоговый массив, использованный в настоящем анализе, включает 1604 респондента. Для приближения выборочных распределений к генеральной совокупности применялся весовой коэффициент, и все приводимые далее показатели являются взвешенными.

Переменные, задействованные в анализе, включали социально-демографический блок (возраст, пол, образование, самооценку дохода, тип населенного пункта, частоту пользования интернетом), а также блок вопросов об осведомленности о применении ИИ в сельском хозяйстве, готовности использовать созданные с его помощью продукты и списки воспринимаемых преимуществ и рисков этой технологии. Пропущенные значения и отказы от ответа исключались из анализа.

Возрастная структура выборки была преобразована в четыре поколенческие группы: поколение Z (18–24 года) – 12,5 % выборки, миллениалы (25–40 лет) – 29,7 %, поколение X (41– 60 лет) – 38,2 %, бумеры (старше 60 лет) – 19,6 %.

Ключевыми понятиями исследования выступают осведомленность о применении ИИ в сельском хозяйстве и готовность его использовать. Осведомленность измерялась вопросом «Слышали ли вы что-нибудь о применении ИИ в сельском хозяйстве?» с ответами от 1 («впервые слышу») до 3 («хорошо знаю»). Готовность – бинарный индикатор, построенный на основе вопроса о желании приобретать и использовать продукты, произведенные с применением ИИ (варианты от «однозначно да» до «однозначно нет»). В анализ включались только определившиеся респонденты, ответы «затрудняюсь ответить» и «смотря какие технологии» исключались.

Восприятие технологии измерялось двумя списками множественного выбора – из 9 потенциальных преимуществ и 9 потенциальных рисков применения ИИ в хозяйстве, где респондент отмечал каждый пункт, который считает значимым.

В работе последовательно применены пять аналитических процедур. Для описательных сопоставлений использовались взвешенные кросс-таблицы и критерий χ². Вклад социально-демографических факторов в бинарную готовность оценивался с помощью обобщенной линейной модели (биномиальный логит) с весами. Для одновременного отображения категорий социально- демографических и установочных переменных в едином низкоразмерном пространстве использован множественный анализ соответствий (multiple correspondence analysis, MCA) – метод, позволяющий увидеть, какие категории разных признаков статистически тяготеют друг к другу, не прибегая к априорному заданию зависимой переменной. Для сокращения 18 бинарных индикаторов преимуществ и рисков к небольшому числу измерений применен эксплораторный факторный анализ (метод главных компонент, варимакс-вращение) с предварительной проверкой адекватности выборки (критерий Кайзера – Майера – Олкина, тест сферичности Бартлетта). Наконец, для выделения типологии респондентов по факторным баллам задействована модель смеси гауссовских распределений (латентно-профильный анализ, LPA) с диагональной ковариационной матрицей; количество профилей выбиралось с опорой на информационный критерий Байеса (BIC) и содержательную интерпретируемость решения, как это принято в методологической литературе по анализу латентных классов (Nylund et al., 2007). Все расчеты выполнены в среде Python с помощью библиотек statsmodels, scikit-learn, factor_analyzer и matplotlib.

Начнем с общего уровня осведомленности и готовности. Доля тех, кто хоть что-то слышал о применении ИИ в сельском хозяйстве (ответы 2 или 3 по шкале), максимальна среди поколения Z (62,7 %) и минимальна среди поколения X (56,6 %) и бумеров (59,3 %), однако эти различия статистически значимы лишь на грани принятого порога (χ² = 13,4; df = 6; p = 0,037). Более отчетливую поколенческую специфику демонстрирует доля хорошо информированных (высшая градация шкалы): она колеблется от 8,1 % у бумеров до 14,7 % у поколения Z, что указывает на более глубокое, а не только более широкое знакомство молодежи с темой.

Совершенно иначе выглядит поколенческий профиль готовности использовать ИИ-продукты: он выражен значительно сильнее, чем профиль осведомленности. Среди респондентов готовность составляет 84,9 % у поколения Z, 71,6 % у миллениалов, 56,9 % у поколения X и лишь 39,2 % у бумеров (χ² = 75,9; df = 3; p < 0,001); взвешенная корреляция возраста и порядковой готовности (r = -0,30) подтверждает устойчивость этой связи. Иными словами, при почти одинаковой базовой информированности о самом факте существования ИИ-решений в сельском хозяйстве готовность их применять снижается от молодежи к старшему поколению почти вдвое (рис. 1) – расхождение, которое сложно объяснить одним лишь дефицитом знаний и которое обязывает искать дополнительные факторы за пределами информированности как таковой.

■ Осведомлены об ИИ в АПК (хотя бы что-то слышали)

■ Готовы использовать продукты, произведенные с ИИ

Рис. 1 . Осведомленность об ИИ в АПК и готовность использовать ИИ-продукты по поколениям, %, взвешенно¹

Fig. 1 . Awareness of AI in the Agrarian Business and Readiness to Use AI Products by Generations, %, Weighted Sample

Таблица 1 сводит воедино различия в готовности по основным социально-демографическим признакам, зафиксированные с помощью взвешенных кросс-таблиц. Во всех случаях готовность выше среди более ресурсообеспеченных и более включенных в цифровую среду групп.

Таблица 1. Готовность использовать ИИ-продукты по социально-демографическим группам среди определившихся респондентов, %, взвешенно

Table 1. Readiness to Use AI Products by Socio-Demographic Groups among Decided Respondents, %, Weighted Sample

Признак	Категория	Готовность, %
Поколение	Z (18–24 года)	84,9
	Миллениалы (25–40 лет)	71,6
	Поколение X (41–60 лет)	56,9
	Бумеры (60 лет и старше)	39,2
Тип поселения	Город	64,3
	Село	42,7
Образование	Высшее	73,2
	Среднее профессиональное	44,4
	Среднее и ниже	46,5
Пользование интернетом	Ежедневно	64,8
	Эпизодически	40,4
	Не пользуется	35,5
Самооценка дохода	Хороший	66,0
	Средний	59,8
	Плохой	47,3
Пол	Мужчины	68,0
	Женщины	60,0

Различия по поколению значимы на уровне p < 0,001 (χ² = 75,9; df = 3); значимость остальных различий по отдельности проверяется далее в многомерной модели. Эти различия, однако, могут быть взаимно сопряжены: молодежь чаще имеет высшее образование, чаще живет в городах и активнее пользуется интернетом, поэтому по одним лишь двумерным распределениям невозможно понять, какой из факторов вносит самостоятельный вклад. Для выделения независимого эффекта каждого признака мы обращаемся к логистической регрессии.

Модель включает возраст (в десятилетиях), образование (референтная категория – «среднее и ниже»), самооценку дохода (референт – «плохой»), тип поселения (референт – «город»), частоту пользования интернетом (референт – «не пользуется») и пол (референт – «мужской»). Все предикторы вводились в модель одновременно. Результаты приведены в таблице 2, отношения шансов дополнительно представлены на рис. 2.

Таблица 2 . Логистическая регрессия готовности использовать ИИ-продукты (базовая социально-демографическая модель)

Table 2 . Logistic Regression of Readiness to Use AI Products (Basic Socio-Demographic Model)

Предиктор	B	SE	z	p	OR	Доверительный интервал 95 %
Возраст (10 лет)	-0,352	0,052	-6,75	<0,001	0,70	[0,63; 0,78]
Образование: среднее профессиональное (vs среднее и ниже)	0,059	0,233	0,25	0,802	1,06	[0,67; 1,67]
Образование: высшее (vs среднее и ниже)	1,180	0,233	5,05	<0,001	3,25	[2,06; 5,14]
Доход: средний (vs плохой)	0,386	0,199	1,94	0,052	1,47	[0,99; 2,17]
Доход: хороший (vs плохой)	0,536	0,232	2,31	0,021	1,71	[1,08; 2,69]
Село (vs город)	-0,579	0,175	-3,30	0,001	0,56	[0,40; 0,79]
Интернет: иногда (vs не пользуются)	-0,271	0,343	-0,79	0,430	0,76	[0,39; 1,49]
Интернет: активно пользуются (vs не пользуются)	0,156	0,251	0,62	0,535	1,17	[0,71; 1,91]
Пол: женский (vs мужской)	-0,409	0,151	-2,71	0,007	0,66	[0,50; 0,89]
Константа	1,370	0,434	3,15	0,002	–	–

Примечание: Псевдо-R² (Кокс – Снелл) = 0,183; Deviance = 1072,0; N = 949.

Наиболее сильным предиктором остается возраст: каждые дополнительные 10 лет снижают шансы готовности примерно на 30 % (OR = 0,70; p < 0,001). Однако возраст не единственный и, судя по всему, не самодостаточный барьер. Высшее образование повышает шансы готовности в 3,25 раза по сравнению с уровнем образования «среднее и ниже» (p < 0,001), тогда как среднее профессиональное образование значимого преимущества не дает – различие проходит именно по линии высшего образования, а не по формальному наличию любого образования выше базового. Хороший доход (относительно плохого) увеличивает шансы на 71 % (p = 0,021), тогда как эффект среднего дохода остается на границе значимости (p = 0,052). Проживание в селе, а не в городе снижает шансы на 44 % (p = 0,001) – подтверждение того, что цифровой разрыв «город – село» проявляется не только в доступе к инфраструктуре (Горюнов, 2025), но и в установках по отношению к конкретной новой технологии. Женский пол снижает шансы готовности на 34 % (p = 0,007). Примечательно, что частота пользования интернетом, значимая на уровне двумерных распределений, перестает быть значимым предиктором после включения в модель образования и возраста. Это указывает на опосредованный характер ее влияния: интернет-активность сама по себе не формирует готовность, а лишь сопутствует более широкому комплексу ресурсных преимуществ.

Образование: высшее (vs среднее и ниже) -

Доход: хороший (vs плохой) -

Доход: средний (vs плохой) -

Интернет: активно (vs не пользуется) -

Образование: среднее проф. (vs среднее и ниже) -

Интернет: иногда (vs не пользуется) -

Возраст (+10 лет) -

Пол: женский (vs мужской) -

Проживание: село (vs город) -

4Х10"1   6x10 1

1 X 10°

2 X 10°    3 X 10° 4 х 10°

Отношение шансов готовности использовать продукты ИИ (лог. шкала)

Рис. 2 . Отношения шансов для факторов готовности.

Синим выделены статистически значимые коэффициенты (p < 0,05), серым – незначимые. Вертикальная штриховая линия – OR = 1.

Fig. 2 . Relations of Chances with Factors of Readiness Statistically Significant Coefficients are Highlighted with Blue (p < 0,05), Non-significant Ones are Marked with Grey. Vertical Dashed Line: OR = 1.

Итак, ключевыми барьерами готовности выступают пожилой возраст, сельская локация и женский пол, а драйверами – высшее образование и более высокий доход. Эта конфигурация практически дословно воспроизводит классическое описание раннего адаптера в теории диффузии инноваций – человека с более высоким социально-экономическим статусом, лучшим образованием и более широким доступом к информационным каналам (Rogers, 2003) – и тем самым подтверждает наше первое предположение: поколенческий разрыв в готовности использовать ИИ в сельском хозяйстве не сводится к прямому эффекту возраста, а в значительной степени опосредован сопряженными с ним ресурсными различиями.

Логистическая регрессия показывает вклад каждого фактора по отдельности, но не позволяет увидеть, как разные признаки – возраст, образование, интернет-активность, осведомленность, готовность – группируются относительно друг друга в целостные социальные профили. Для этого мы обратились к множественному анализу соответствий – методу, который одновременно размещает категории всех включенных переменных в общем низкоразмерном пространстве, так что близость точек на карте отражает статистическую сопряженность категорий, а расстояние от центра – их дискриминирующую силу (рис. 3).

впервые слышиг

Зеве дом ле нность

Город(респонденты)

Рис. 3 . Множественный анализ соответствий: социальное пространство осведомленности и готовности

Fig. 3 . Multiple Correspondence Analysis:

Social Space of Awareness and Readiness

Первое измерение (12,90 % инерции) образует сквозной градиент цифрового и инновационного включения. На одном его полюсе концентрируются молодые городские когорты с высокими символическими и материальными ресурсами – возраст до 40 лет, высшее образование, хорошее материальное положение, ежедневное пользование интернетом, высокая осведомленность и декларируемая готовность применять ИИ. На противоположном полюсе – зеркальный набор характеристик: возраст 60 лет и старше, проживание в селе, отказ от внедрения, отсутствие или эпизодичность пользования интернетом, образование ниже высшего, низкая самооценка дохода. Оппозиция «город – село» лишь одна из составляющих этого градиента: возраст и образование коррелируют с территориальным делением и усиливают его действие. Второе измерение (8,94 % инерции): на одном его полюсе оказываются одновременно молодежь 18– 24 лет, категория «хорошо знает» и – что менее ожидаемо – образование не выше среднего и отсутствие пользования интернетом, тогда как на другом полюсе группируется средневозрастное ядро выборки с эпизодической интернет-активностью, средней осведомленностью и ситуативным ответом «смотря какие технологии».

Совместное прочтение двух измерений выделяет на карте три различимых профиля. Первый – потенциальные сторонники и пользователи: молодые городские респонденты с высшим образованием и хорошим доходом, активно пользующиеся интернетом, осведомленные о прикладных решениях на основе ИИ и декларирующие готовность их применять. Второй – ситуативные прагматики: респонденты среднего возраста со средним профессиональным образованием, невысокой самооценкой дохода и нерегулярным пользованием интернетом. Их отношение выражено не отказом, а условным «смотря какие технологии», а соседство этого ответа с категорией «впервые слышит» указывает, что позиция этой группы порождена скорее информационным дефицитом, чем ценностным отторжением, а значит, именно она представляет собой наиболее подвижный сегмент для просветительских усилий. Третий – исключенная периферия: респонденты 60 лет и старше, преимущественно сельские, с образованием не выше среднего, вне интернет-пользования, декларирующие неготовность к внедрению. Их положение на карте наиболее удалено от центра, что говорит о категоричности и внутренней согласованности этого профиля.

Показательно, что структура социального пространства, полученная методом MCA на исходных социально-демографических переменных, во многом предвосхищает типологию установок, которая получена далее на основе содержательно иных данных – факторных баллов восприятия преимуществ и рисков ИИ. Такое совпадение, выявленное двумя независимыми методами на разных наборах переменных, говорит в пользу устойчивости выделяемых социальных групп.

Помимо вопросов, касающихся общей готовности, респондентам предъявлялся перечень из 9 потенциальных преимуществ и 9 потенциальных рисков внедрения ИИ в хозяйство, каждый из которых нужно было отметить, если он представляется респонденту важным. Среди преимуществ чаще всего упоминаются мониторинг состояния почвы, воды и воздуха (в среднем 43– 48 % по поколениям), оптимизация логистики и хранения (40–44 %), автоматизация и снижение затрат (38–42 %), мониторинг здоровья растений и животных (36–40 %), повышение качества продукции (34–38 %). Молодежь называет эти пункты несколько чаще, но разрыв с другими поколениями не превышает 5–7 процентных пунктов. В списке рисков поколенческий разрыв выражен заметно сильнее: на первом месте стоит потеря рабочих мест (около 55 % у бумеров против 45 % у поколения Z), далее следуют киберугрозы (40 % против 30 %), сбои автономных систем (35–40 %), высокие затраты на внедрение (40–45 %) и снижение контроля фермеров над процессом производства (35–40 %) (рис. 4). Иначе говоря, бумеры заметно чаще связывают ИИ с угрозой занятости и кибербезопасности, тогда как молодежь относительно чаще указывает на затраты, но реже – на экзистенциальные угрозы рабочим местам.

Рис. 4 . Топ-5 упоминаемых плюсов и минусов ИИ в АПК по поколениям, %, взвешенно

Fig. 4 . Top 5 of Mentioned Advantages and Disadvantages of AI in the Agrarian Business by Generations, %, Weighted Sample

Эта картина сама по себе показывает, что восприятие ИИ не одномерно: одни и те же респонденты нередко одновременно называют и выгоды, и риски. Чтобы понять внутреннюю структуру этих оценок, 18 бинарных индикаторов (9 преимуществ и 9 рисков) были подвергнуты экс-плораторному факторному анализу на подвыборке респондентов, отметивших хотя бы один пункт (N = 1290). Мера выборочной адекватности Кайзера – Майера – Олкина составила 0,925, что значительно превышает принятый порог 0,8, а тест сферичности Бартлетта (χ² = 8097,6; p < 0,001) уверенно отвергает гипотезу о диагональности корреляционной матрицы: данные хорошо пригодны для факторизации. Собственные значения первых шести факторов составили 5,49; 2,91; 1,11; 0,90; 0,79 и 0,74; руководствуясь критерием «каменистой осыпи» и содержательной интерпретируемостью, мы остановились на трехфакторном решении, объясняющем 52,8 % суммарной дисперсии (рис. 5).

После варимакс-вращения структура факторов получает ясную содержательную интерпретацию. Первый фактор – технооптимизм – объединяет все 9 пунктов, описывающих преимущества ИИ (нагрузки 0,69–0,81), от улучшения благополучия животных до автоматизации производства, и практически не связан с рисками (нагрузки не выше 0,12 по модулю): это обобщенная позитивная оценка технологического потенциала ИИ безотносительно конкретных опасений. Второй фактор – этико-натуралистический риск – сосредоточен на опасениях, связанных с вмешательством в живую природу и нарушением традиционных ценностей аграрного труда: ухудшение содержания животных (0,75), негативное воздействие на окружающую среду (0,74), снижение качества сельхозпродукции (0,72), искусственное выведение растений и животных (0,59), умеренные нагрузки на снижение контроля фермеров (0,48), высокие затраты (0,36). Третий фактор – технико-системный риск – объединяет опасения иной природы: киберугрозы (0,76), сбои в работе автономных систем (0,65), потерю работы (0,49) и высокие затраты (0,44). Показательно, что опасение «потеря работы» связано прежде всего именно с техническим фактором (нагрузка 0,49), а не с этическим (0,18): страх безработицы воспринимается скорее как следствие системных технологических сбоев и организационных издержек, чем как этическое нарушение. Три выделенных измерения ортогональны по построению (варимакс-вращение), что позволяет использовать факторные баллы как независимые предикторы в дальнейшем анализе, и в целом соответствуют теоретическому различению инструментальных и ценностных типов риска в психометрической традиции изучения восприятия риска (Flynn et al., 1994).

Рис. 5 . Тепловая карта факторных нагрузок (варимакс-вращение)

Fig. 5 . Heat Map of Factor Loadings (Varimax Rotation)

Для проверки вклада каждого измерения восприятия в готовность построена логистическая регрессия, где независимыми переменными выступили факторные баллы F1–F3 наряду с возрастом, образованием и типом поселения в качестве контрольных переменных (таблица 3).

Таблица 3 . Логистическая регрессия готовности с факторами восприятия (N = 802)

Table 3 . Logistic Regression of Readiness with Perception Factors (N = 802)

Предиктор	B	SE	z	p	OR	Доверительный интервал 95 %
1	2	3	4	5	6	7
Константа	2,328	0,340	6,85	<0,001	–	–
F1 – технооптимизм	1,036	0,115	8,98	<0,001	2,82	[2,25; 3,53]
F2 – этико-натуралистистический риск	-0,653	0,100	-6,52	<0,001	0,52	[0,43; 0,63]
F3 – техникосистемный риск	0,034	0,097	0,35	0,724	1,03	[0,85; 1,25]
Возраст (10 лет)	-0,381	0,059	-6,43	<0,001	0,68	[0,60; 0,77]

Продолжение таблицы 3

1	2	3	4	5	6	7
Образование: высшее (vs среднее и ниже)	0,716	0,278	2,57	0,010	2,05	[1,19; 3,53]
Образование: средне профессиональное (vs среднее и ниже)	-0,137	0,285	-0,48	0,630	0,87	[0,50; 1,52]
Село (vs город)	-0,101	0,222	-0,45	0,650	0,90	[0,58; 1,40]

Примечание: Псевдо-R² (Кокс – Снелл) = 0,297; Deviance = 737,5.

Включение факторов восприятия существенно повышает объяснительную способность модели: псевдо-R² Кокса – Снелл возрастает с 0,18 (базовая социально-демографическая модель) до 0,30. Технооптимизм (F1) оказывается самым мощным предиктором из всех рассмотренных в статье: повышение на единицу увеличивает шансы готовности в 2,82 раза (p < 0,001), подтверждая, что вера в практическую полезность технологии – ключевой драйвер ее принятия, в полном соответствии с ролью воспринимаемой полезности в модели TAM (Davis, 1989). Этико-натуралистический риск (F2), напротив, значимо снижает шансы готовности (OR = 0,52; p < 0,001): возрастание обеспокоенности нарушением природных и этических норм примерно вдвое уменьшает вероятность готовности использовать ИИ-продукты. Технико-системный риск (F3), при всей заметности в списке упоминаемых опасений, не оказывает самостоятельного влияния на готовность (p = 0,724), по всей видимости, потому что риски такого рода воспринимаются как техническая проблема, решаемая инженерными и организационными средствами, а не как фундаментальный ценностный конфликт. Этот результат прямо подтверждает наше второе предположение: восприятие ИИ многомерно и именно ценностно-этическая, а не техническая составляющая риска определяет нежелание принимать технологию.

Наконец, при включении факторов восприятия проживание в селе перестает быть значимым предиктором готовности, тогда как значимость возраста и высшего образования сохраняется. Это означает, что «сельский эффект», зафиксированный в базовой модели, в существенной степени опосредован именно спецификой восприятия: сельские жители в среднем демонстрируют более низкий технооптимизм и более выраженный этико-натуралистический риск. Через эти установки, а не через сам факт проживания в селе формируется барьер для принятия технологии.

Три ортогональных фактора восприятия задают трехмерное пространство, в котором можно попытаться выделить дискретные группы респондентов со сходными сочетаниями факторных баллов. Для этого на основе баллов F1–F3 построена модель смеси гауссовских распределений (латентно-профильный анализ) с диагональной ковариационной матрицей. Информационный критерий Байеса монотонно снижался с возрастанием числа профилей (от 10 007,1 при двух профилях до 7486,1 при шести), что формально свидетельствует в пользу более дробных решений. Однако, как отмечается в методологической литературе по анализу латентных классов, решающее значение для выбора количества классов должна иметь не только статистика, но и содержательная интерпретируемость результата (Nylund et al., 2007). Мы остановились на четырехпрофильном решении, дающем содержательно различимые группы с устойчивыми паттернами и позволяющем проследить их связь с демографическими характеристиками (рис. 6, таблица 4).

Рис. 6 . Средние факторные баллы и доля готовых по четырем профилям

Fig. 6 . Mean Factor Grades and the Proportion of Ready Respondents by Four Profiles

Таблица 4 . Сводная характеристика профилей восприятия ИИ

Table 4 . Cumulated Characteristic of AI Perception Profiles

Профиль	N	Доля выборки, %	F1	F2	F3	Готовность, %
Техноэнтузиасты	232	18,0	1,54	-0,00	-0,50	90
Индифферентные	592	45,9	-0,60	-0,52	-0,65	67
Тревожно осведомленные	328	25,4	0,45	0,79	0,76	65
Этические скептики	138	10,7	0,00	0,85	0,76	23

Примечание: Средние факторные баллы по профилю. N = 1290.

Техноэнтузиасты (18,0 % выборки) характеризуются самым высоким технооптимизмом при низких значениях обоих типов риска; это преимущественно молодые образованные горожане, воспринимающие ИИ почти исключительно как источник возможностей, а не угроз, по сути, ранние адаптеры в терминологии Э. Роджерса и наиболее благоприятная аудитория для продвижения технологии. Индифферентные (45,9 %, самая многочисленная группа) отличаются низкими значениями по всем трем факторам: они не видят ни выраженных выгод, ни серьезных опасений, что скорее свидетельствует о слабой вовлеченности в тему и дефиците информации, чем об осознанной позиции. Несмотря на умеренную готовность (67 %), это основная целевая аудитория для информационно-просветительской работы. Тревожно осведомленные (25,4 %) сочетают умеренный технооптимизм с высокими показателями обоих типов риска. Это группа, которая признает пользу технологии, но одновременно остро ощущает и этические, и технические опасения; их можно назвать осознанными скептиками, не отвергающими технологию как таковую, но нуждающимися в дополнительных гарантиях безопасности и социальной защиты. Этические скептики (10,7 %) наиболее консервативная группа: практически нулевой технооптимизм в сочетании с максимальным по выборке этико-натуралистическим риском. У них ИИ ассоциируется прежде всего с нарушением традиционного уклада, снижением качества продукции и угрозой благополучию животных, а их готовность использовать ИИ-продукты (23 %) самая низкая среди всех четырех профилей.

Демографический состав профилей повторяет логику, уже намеченную MCA и логистической регрессией (таблица 5).

Таблица 5 . Демографический профиль типов восприятия ИИ, внутри профиля, %

Table 5 . Demographic Profile of the Types of AI Perception, Inside of the Profile, %

Профиль	Пол		Образование			Доxод			Место проживания
	о	S о 1	ф ф 3	ф о $ 1 А § О ф -8-о с	ф S S ф ф ф О	3 о о X	S Ct ф О	о X о С	сг О о	о ф О
Техноэнтузиасты	54	46	64	27	8	31	57	12	80	20
Индифферентные	47	53	52	34	14	23	60	17	77	23
Тревожно осведомленные	38	62	52	33	15	19	64	17	78	22
Этические скептики	34	66	42	40	18	20	56	24	67	33

По полу наблюдается отчетливый градиент: чем сильнее выраженность этико-натуралистической тревожности, тем выше доля женщин в профиле – от 46 % у энтузиастов до 66 % у скептиков. Это согласуется с данными психометрической традиции о более высокой чувствительности женщин к рискам, затрагивающим здоровье, природу и этические основания деятельности (Flynn et al., 1994). Доля лиц с высшим образованием монотонно снижается от энтузиастов (64 %) к скептикам (42 %), а доля образования не выше среднего, напротив, возрастает (с 8 до 18 %), этим отчасти объясняется устойчивая значимость образования в логистических моделях. По доходу этические скептики заметно чаще относятся к группе с неудовлетворительным материальным положением (24 % против 12 % у энтузиастов), что может дополнительно усиливать их настороженность, в том числе страх финансовой недоступности новых технологий. По типу поселения доля сельских жителей максимальна именно среди скептиков (33 % против 20 % у энтузиастов), что вновь подтверждает найденную связь между сельской локацией, специфическим восприятием риска и низкой готовностью.

Наконец, распределение профилей по поколениям показывает, что именно переход от тревожно осведомленной к этико-скептической позиции, а не усиление индифферентности объясняет снижение готовности с возрастом. В поколении Z доминируют индифферентные (52 %) и тревожно осведомленные (25 %) при минимальной доле скептиков (6 %). У миллениалов и поколения X структура схожа: индифферентные составляют около 47–48 %, тревожные – 25–27 %, скептики – 9–10 %, энтузиасты – 16–17 %. У бумеров картина меняется качественно: доля скептиков возрастает до 21 %, доля тревожно осведомленных составляет 26 %, тогда как доля энтузиастов остается практически неизменной (14 %) (рис. 7). Иными словами, взросление сопровождается не столько усилением равнодушия к теме, сколько смещением от установки, сочетающей интерес и обеспокоенность, к установке принципиального неприятия, – процесс, качественно отличный от простого «остывания» интереса.

120%

^ 100%

о

ф

3 80%

ф

6%

25%

§ 60%

ф

g о 40%

CD

ГО

I— о 20%

0%

52%

16%

Миллениалы (25-40)

■ Этические скептики (традиционалисты)

Z (18-24)

• ■    Тревожно осведомленные (видят и выгоды, и риски)

• ■    Индифферантные / незаинтересованные

• ■    Техноэнтузиасты

Рис. 7 . Доля каждого профиля внутри поколений

Fig. 7 . A Share of Each Profile within Generations

Четыре выделенных профиля с несимметричным распределением по демографическим группам подтверждают наше третье предположение: различия в отношении к ИИ в сельском хозяйстве организованы не как непрерывный спектр «больше – меньше готовности», а как ограниченное число качественно различных типов установок, каждый из которых требует собственной стратегии коммуникации.

Исследование позволяет не только зафиксировать межпоколенческий разрыв в готовности использовать ИИ в сельском хозяйстве, но и вскрыть механизмы, за ним стоящие. Возраст остается одним из самых сильных предикторов готовности, однако его влияние в значительной мере опосредовано не прямым эффектом старения, а сопряженными с возрастом различиями в ресурсах и, что более важно, в структуре восприятия технологии: при контроле факторов F1–F3 коэффициент возраста хотя и сохраняет значимость, но заметно уменьшается, указывая на частичную медиацию. Это согласуется с представлением о ранних и поздних адаптерах как о группах, различающихся прежде всего социально-экономическим положением и информационными ресурсами (Rogers, 2003), но не сводится к нему. Восприятие ИИ в сельском хозяйстве оказывается многомерным, и практически весь объясняющий эффект неприятия технологии приходится не на технические, а на этико-натуралистические опасения – тревогу за благополучие животных, качество продукции и сохранение традиционного уклада аграрного труда. Технические и организационные риски (сбои, киберугрозы, затраты), при всей их заметности в ответах респондентов, не имеют самостоятельного влияния на готовность: судя по всему, они воспринимаются как решаемые инженерными и управленческими средствами, тогда как ценностные опасения такому решению не поддаются.

Из этого следует и практический вывод: усилия по продвижению ИИ-технологий в аграрном секторе, ориентированные исключительно на демонстрацию надежности и экономической эффективности систем, вероятно, будут малоэффективны в отношении наиболее скептически настроенной части аудитории – они не выявляют главный источник ее беспокойства. Выделенные четыре профиля установок обрисовывают разные коммуникационные задачи. Техноэнтузиасты (18 %) в дополнительном убеждении не нуждаются и могут выступать проводниками технологии внутри своих сообществ. Индифферентные – самая многочисленная группа (46 %) – представляют наибольший резерв для простого информирования. Их низкая готовность связана не с отторжением, а с отсутствием выраженной позиции как таковой, и здесь уместны доступные, наглядные форматы просвещения. Тревожно осведомленные (25 %) уже вовлечены в тему и, скорее всего, откликнутся на аргументы о конкретных гарантиях безопасности, страхования рисков и социальной защиты при внедрении технологии. Наконец, этические скептики (11 %) – преимущественно пожилые, менее образованные и не слишком обеспеченные сельские жительницы – представляют максимально труднодостижимую аудиторию, для которой рациональные аргументы об эффективности вряд ли окажутся убедительными без параллельной работы с ценностной стороной вопроса: заботой о животных, сохранением качества продукции и уважением к традиционному укладу. Здесь, вероятно, эффективнее не столько прямая реклама технологии, сколько опосредованная коммуникация через локальных лидеров мнений и наглядные примеры успешного внедрения в сходных хозяйствах.

Таким образом, готовность сельских жителей и работников АПК принимать технологии искусственного интеллекта определяется не столько самим фактом информированности, сколько глубоко укорененной структурой ценностных и ресурсных различий, повторяющей – на новом технологическом витке – классическую логику диффузии инноваций, впервые описанную именно на материале сельского хозяйства (Rogers, 2003; Ryan, Gross, 1943). Успех цифровой трансформации российского АПК будет зависеть не столько от технической зрелости самих ИИ-решений, сколько от способности учесть эту многомерность установок и выстроить дифференцированные, а не универсальные стратегии коммуникации с разными группами сельских жителей.