The Age Gap in AI Adoption Возрастной разрыв во внедрении ИИ

Executive Summary

Краткое резюме

Part 1 — The Evidence: Measuring the Divide

Часть 1 — Доказательства: измерение разрыва

1.1 Key Numbers at a Glance 1.1 Ключевые цифры

1.2 Global and Cross-Group Adoption Rates 1.2 Глобальные показатели освоения

The age adoption gradient is the most consistent finding in AI usage research — appearing across every country, tool type, and methodology.

Возрастной градиент освоения — самый последовательный результат в исследованиях использования ИИ — появляется в каждой стране и методологии.

1.3 Attitudes and Emotional Responses 1.3 Отношение и эмоциональные реакции

The attitudinal gap mirrors the behavioral gap but reveals important distinctions: awareness is high across ages; enthusiasm diverges sharply; and older adults' concerns are more grounded in institutional experience than in abstract fear.

Разрыв в отношении отражает поведенческий разрыв, но показывает важные различия: осведомленность высока во всех возрастах; энтузиазм резко различается; проблемы пожилых основаны больше на опыте.

A striking finding is the awareness-to-adoption gap among older adults: while 67–78% of Gen X and Boomers are aware of ChatGPT, Boomer standalone AI adoption sits at 20%. This is not ignorance — it is hesitation grounded in specific concerns (privacy, accuracy, displacement) rather than lack of awareness. Simultaneously, 66% of adults 50+ agree that technology enriches life — they are not technophobic in general; they are selectively cautious about AI specifically.

Поразительное открытие — разрыв между осведомленностью и освоением у пожилых: 67–78% Gen X и Бумеров знают о ChatGPT, но освоение Бумеров 20%. Это не незнание — это колебание, основанное на конкретных проблемах (приватность, точность, вытеснение), а не неосведомленность. Одновременно 66% взрослых 50+ согласны, что технология обогащает жизнь — они не технофобны в целом.

1.4 The Workplace Feedback Loop 1.4 Петля обратной связи на рабочем месте

The age adoption gap is not merely a matter of personal preference — it is actively reinforced and compounded by how organizations allocate training, recognition, and responsibility.

Возрастной разрыв освоения — не просто личное предпочтение — он активно усиливается тем, как организации распределяют обучение, признание и ответственность.

The cycle is structural: older workers receive less employer training → they adopt AI less → employers perceive them as less adaptable → they invest even less in their training → adoption gap widens. This is compounded by a demographic paradox: workers 55 and older are the fastest-growing segment of the labor force, yet receive disproportionately less investment in the technology that is reshaping every workplace. The EEOC has documented cases of AI-powered hiring tools discriminating against older applicants (e.g., the iTutorGroup settlement), creating a double bind: AI excludes older workers from *entering* jobs while also disadvantaging them in *retaining* them.

Цикл структурный: пожилые рабочие получают меньше обучения → меньше освоения ИИ → работодатели видят их менее адаптивными → еще меньше инвестиций → разрыв расширяется. Это усугубляется демографическим парадоксом: рабочие 55+ — самый быстрорастущий сегмент, но получают непропорционально меньше инвестиций. EEOC документировал дискриминацию ИИ систем найма против пожилых (iTutorGroup).

1.5 Self-Assessed Knowledge and AI Literacy 1.5 Самооценка знаний и ИИ-грамотность

The age gap in AI literacy involves all three dimensions — access, confidence, and genuine skill — but confidence and the perceived relevance of AI to one's specific needs are the dominant drivers among older adults who have internet access.

Возрастной разрыв в ИИ-грамотности включает все три измерения — доступ, уверенность и настоящий навык — но уверенность и воспринимаемая релевантность доминируют среди пожилых.

• Among UK adults 55 and older, over 74% reported substantially less knowledge of and contact with AI-related information and products than younger people (Holder et al., 2018 — the gap has likely widened since then).
• Среди взрослых 55+ в Великобритании более 74% сообщили о существенно менее знаниях об ИИ, чем молодые (Holder et al., 2018).
• Even among the 50+ workers who say they are "knowledgeable" about AI (52%), 77% describe their actual use as "not too much or not at all" (AARP, May 2025) — a large gap between claimed knowledge and active use.
• Даже среди 50+ рабочих, которые говорят, что они «знающие» об ИИ (52%), 77% описывают свое использование как «не очень много или вообще нет» (AARP, май 2025).
• Technology anxiety is measurably higher among older adults: technophobia, anxiety about "breaking" devices, and low self-efficacy are common psychological barriers (Sun & Ye, 2024; Vercruyssen et al., 2023).
• Беспокойство о технологии измеримо выше среди пожилых: технофобия, беспокойство о «поломке» устройств и низкая эффективность.
• A structural equation model of chatbot adoption among older adults explained 69.3% of behavioral intention variance: perceived ease of use was the key mediator, while computer anxiety negatively affected ease-of-use perceptions, and self-efficacy positively enhanced them (Wu et al., SAGE, 2025, N=150).
• Структурная модель уравнений объяснила 69.3% дисперсии поведенческого намерения: воспринимаемая простота использования была ключевым медиатором (Wu et al., 2025).
• In contrast to the gender gap (where self-assessed knowledge explains ~75% of the adoption gap), the age gap is more multi-causal: even when confidence increases, institutional barriers and relevance perception independently constrain adoption.
• В отличие от гендерного разрыва, возрастной разрыв более многопричинен: даже когда уверенность растет, барьеры независимо ограничивают освоение.
• Fluid reasoning and processing speed tend to decline over the lifespan, meaning older learners may need more time and effort to acquire new AI skills — but research suggests older learners *can* perform as well as younger ones in self-directed learning contexts given adequate support and time (National Academies, December 2025).
• Текучее рассуждение и скорость обработки имеют тенденцию снижаться с возрастом, но пожилые обучающиеся могут работать так же, как молодые в самостоятельном обучении (National Academies).

1.6 Structural Vulnerability: Job Displacement and Adaptive Capacity 1.6 Структурная уязвимость: вытеснение работ и адаптивная способность

Older workers face a distinctive and paradoxical risk profile: AI both displaces them in some roles and complements their knowledge in others — but their adaptive capacity to navigate this transition is structurally lower than that of younger cohorts.

Пожилые рабочие сталкиваются с отличительным и парадоксальным профилем риска: ИИ вытесняет их в некоторых ролях и дополняет их знания в других — но их адаптивная способность структурно ниже.

Exposure by age and skill level: Low-skilled older workers are disproportionately concentrated in occupations facing automation risk — and face displacement more directly into retirement rather than into other jobs (ScienceDirect, Journal of Macroeconomics, 2025). High-skilled experienced workers may actually be complemented by AI: the Dallas Federal Reserve (February 2026) found AI substitutes for entry-level codified knowledge while complementing experienced workers' tacit knowledge. This bifurcation means the age-risk relationship is non-linear.

Экспозиция по возрасту и навыкам: малоквалифицированные пожилые рабочие непропорционально сосредоточены в профессиях, сталкивающихся с риском автоматизации. Высокообразованные опытные рабочие могут быть дополнены ИИ. Dallas Federal Reserve обнаружил, что ИИ заменяет кодифицированное знание, дополняя опыт.

Adaptive capacity deficits: Older workers are "less resilient in response to job loss and less prone to moving across sectors and occupations" (Wharton/Pension Research Council, 2025). Near-retirement workers have limited incentive to invest in new skills with shorter expected career payback periods — and employers share this calculation. Workforce participation among individuals 55+ in the US has declined to 37.2% — a 20-year low (BLS, March 2026), with AI adoption pressure among the documented drivers. About 30% of people ages 30–49 used ChatGPT on the job, nearly double the share of those 50 and older (Pew Research, N=5,000+, 2025) — a divergence already translating into different rates of AI-enabled productivity growth.

Дефициты адаптивной способности: пожилые рабочие «менее устойчивы в ответ на потерю работы и менее склонны менять сектора» (Wharton, 2025). Рабочие, близкие к пенсии, имеют ограниченный стимул инвестировать в новые навыки. Участие рабочей силы 55+ упало до 37.2% — 20-летний минимум (BLS, март 2026).

The retirement escape valve: A notable and underresearched phenomenon: some older workers are choosing early retirement rather than AI adoption. Interviews cited in recent reporting document professionals aged 55–65 opting out of careers rather than navigating AI-driven workplace transformation (Wall Street Journal, April 2026). This is not technophobia — it is a rational exit when career time horizons are short, learning costs are high, and financial cushions are available.

Клапан выхода на пенсию: Заметный и малоизученный феномен: некоторые пожилые рабочие выбирают досрочный выход на пенсию вместо освоения ИИ. Интервью документируют профессионалов 55–65 лет, отказывающихся от карьеры вместо навигации по трансформации ИИ (Wall Street Journal, апрель 2026).

1.7 Downstream Consequences: Productivity and Career Divergence 1.7 Нисходящие последствия: производительность и расхождение карьеры

The age adoption gap is already translating into measurable divergence — and this divergence compounds with career stage in ways that are structurally different from the gender or language gaps.

Возрастной разрыв освоения уже переводится в измеримое расхождение — и это расхождение усугубляется на этапе карьеры.

• The RCT literature on AI productivity gains (Brynjolfsson et al., QJE, 2025; Noy & Zhang, Science, 2023; Dell'Acqua et al., 2023) consistently shows AI's largest gains accruing to lower-performing workers — but these studies were conducted primarily on working-age populations actively using AI. Older workers not in the adopting pool do not receive any gains.
• Литература RCT об ИИ-производительности показывает, что наибольшие выгоды ИИ приходятся на менее успешных рабочих — но эти исследования проводились в основном на активно использующих ИИ. Пожилые рабочие не получают выгоды.
• The AI wage premium has grown from 25% to 56% in a single year (PwC, 2023–2024) — meaning the career earnings gap between AI-skilled and non-AI-skilled workers is widening rapidly, with older non-adopters receiving none of this premium in their final working years.
• Премия за зарплату ИИ выросла с 25% до 56% за один год (PwC, 2023–2024) — разрыв между квалифицированными ИИ и неквалифицированными расширяется, пожилые не получают премию.
• Among US workers 50+, only about one in seven (16%) say they use AI "to a great or some extent" at work — a figure that has remained nearly flat over 2024–2025 (14% → 16%) even as overall adoption has surged among younger workers (AARP, May 2025).
• Среди рабочих США 50+, только один из семи (16%) говорят, что используют ИИ «в большой степени» на работе — цифра остается почти плоской (14% → 16%), когда общее освоение растет (AARP).
• The consequence is a compounding disadvantage at career end: older non-adopters are likely to be evaluated against AI-assisted younger colleagues, face employer perceptions of lower adaptability, and receive less training investment — all while managing the real psychological burden of workplace transformation in a phase of life when stability is typically prioritized.
• Последствие — нарастающий недостаток в конце карьеры: пожилые работники, не внедрившие ИИ, оцениваются на фоне молодых коллег с ИИ-инструментами, сталкиваются с восприятием работодателем низкой адаптивности.
• Generative AI use among adults 50+ nearly doubled from 18% to 30% in a single year (AARP, 2024–2025) — suggesting rapid acceleration. But this is still less than half the student adoption rate, and the gap in workplace AI use between age groups has not narrowed significantly.
• Использование генеративного ИИ среди 50+ почти удвоилось с 18% до 30% за один год (AARP, 2024–2025) — предполагающее быстрое ускорение. Но это все еще менее половины студенческого уровня.

Part 2 — Understanding the Causes

Часть 2 — Понимание причин

The age gap in AI adoption is driven by interlocking structural, institutional, psychological, and historical causes. No single explanation suffices, and the mechanisms reinforce each other.

Возрастной разрыв в освоении ИИ движится взаимосвязанными структурными, институциональными, психологическими и историческими причинами. Нет одного объяснения, механизмы усиливают друг друга.

Part 3 — Synthesis and Interventions

Часть 3 — Синтез и интервенции

3.1 The Mechanisms Are Interlocking 3.1 Механизмы взаимосвязаны

The age AI gap is a system: lifelong differential technology socialization creates divergent comfort baselines → which shape early career technology confidence → which are amplified by young-adult AI adoption as a professional norm → which leave older cohorts without peer adoption environments → which increases their perceived learning costs → which reduces employer investment in their AI upskilling → which compounds their lower adoption → which translates into measurable productivity divergence → which rationally increases older workers' concern about AI's threat to their remaining career → which further reduces their motivation to invest in adoption. Each step feeds the next.

Возрастной разрыв ИИ — это система: пожизненная дифференцированная социализация технологии создает различные базовые линии комфорта → которые формируют уверенность в начальной технологии карьеры → которые усиливаются молодежным ИИ-освоением как профессиональная норма → которые оставляют пожилые когорты без среды внедрения среди сверстников → которая увеличивает их воспринимаемые затраты обучения → которая снижает инвестиции работодателя в их переквалификацию ИИ → которая усугубляет их более низкое внедрение.

The gap has an important asymmetry that distinguishes it from other demographic gaps: it is partially self-resolving over time (today's young adopters will be tomorrow's older workers with lifelong AI fluency) but immediately consequential for the current cohort of workers aged 45–65 who are in the labor market now and face a compressed adoption window.

Разрыв имеет важную асимметрию, которая отличает его от других демографических разрывов: он частично саморазрешающийся во времени (сегодняшние молодые пользователи ИИ станут завтрашними пожилыми работниками с пожизненной ИИ-грамотностью), но немедленно последствиям для текущей когорты рабочих 45–65.

3.2 What the Evidence Suggests About Intervention 3.2 Что свидетельства предполагают об интервенции

• Reframe the use case for life stage. Older adults showing the strongest AI adoption interest cite health monitoring, quality-of-life assistance, and independence — not productivity. Marketing AI primarily as a career tool misses the most resonant value proposition for this population. AARP found nearly half of adults 50+ are using or interested in AI-powered health devices; only 19% use AI platforms like ChatGPT (AARP, December 2025).
• Переструктурировать сценарий использования для жизненного этапа. Пожилые взрослые, показывающие сильнейший интерес к ИИ-освоению, цитируют мониторинг здоровья, ассистирование качества жизни и независимость — не производительность. Маркетинг ИИ в основном как инструмент карьеры упускает наиболее резонансное ценностное предложение. AARP обнаружил почти половину 50+ используют или интересуются ИИ-устройствами здоровья; только 19% используют платформы ИИ (AARP).
• Self-efficacy interventions outperform information campaigns. Since the binding constraint is confidence and ease-of-use perception — not awareness — informational campaigns about AI's benefits produce little adoption change. Computer self-efficacy training, hands-on demonstration, and success experiences with low-risk AI applications are more effective (Wu et al., 2025; MDPI review, 2025).
• Интервенции самоэффективности превосходят информационные кампании. Поскольку ограничение — это уверенность и восприятие простоты использования — не осведомленность — информационные кампании производят небольшое изменение освоения. Обучение компьютерной самоэффективности, практическая демонстрация, успешный опыт с низкорисковыми приложениями эффективнее (Wu et al., 2025).
• Peer and community learning are critical. Trusted local settings — libraries, community centers, adult education centers, healthcare services — are more effective AI adoption venues for older adults than formal employer training (EY/Microsoft/OpenAI, N=2,515, 16 countries, 2025). Peer modeling from similar-age early adopters carries more weight than marketing from technology companies.
• Обучение сверстников и сообществом критичны. Доверенные местные параметры — библиотеки, общественные центры, центры образования взрослых — более эффективные мероприятия ИИ-освоения для пожилых, чем формальное обучение работодателя (EY/Microsoft/OpenAI, 2 515, 16 стран, 2025).
• Workplace structures must explicitly include older workers. Mandatory AI training must cover non-managerial and older employees, not just managerial and early-career populations. Phased introduction, pairing AI tools with human support, and redesigning workflows to leverage older workers' tacit knowledge rather than replacing it are the documented organizational levers (WEF, March 2025).
• Рабочие структуры должны явно включать пожилых рабочих. Обязательное обучение ИИ должно охватывать не-менеджериальных и пожилых сотрудников. Поэтапное введение, сочетание инструментов ИИ с человеческой поддержкой, переразработка потоков работы для использования практического знания пожилых — задокументированные рычаги организации (WEF, март 2025).
• Interface design must address older-adult specific barriers. Voice-first interfaces, large text, simplified navigation, empathetic dialogue, and clear privacy explanations substantially improve older adult AI engagement (Frontiers in Psychology, October 2025). These are not expensive accommodations — they are design prioritization decisions.
• Дизайн интерфейса должен решить специфические для пожилых барьеры. Голосовые интерфейсы, большой текст, упрощенная навигация, сочувствующий диалог, ясные объяснения приватности значительно улучшают участие пожилых в ИИ (Frontiers in Psychology, октябрь 2025).

What does not work: Generic AI awareness campaigns directed at older populations without accompanying hands-on support, privacy transparency, and life-stage-relevant use cases. High AI awareness among Boomers and Gen X (67–78% know about ChatGPT) has not translated to adoption — proving that information provision alone is insufficient.

Что не работает: Общие кампании осведомленности об ИИ для пожилого населения без сопровождающей практической поддержки, прозрачности приватности и использования, релевантного жизненному этапу. Высокая осведомленность Бумеров и Gen X (67–78% знают о ChatGPT) не переведена в освоение — доказывая, что предоставление информации недостаточно.

3.3 The Open Question 3.3 Открытый вопрос

Is the age gap closing or widening? Generative AI use among adults 50+ nearly doubled in one year (18% → 30%, AARP, 2024–2025), suggesting rapid acceleration. But absolute adoption among students remains above 75%, meaning the gap remains enormous even as both groups grow. The OECD's 53.6 percentage point gap is the most recent comprehensive measurement and reflects 2025 data.

Возрастной разрыв закрывается или расширяется? Использование генеративного ИИ среди 50+ почти удвоилось за один год (18% → 30%, AARP, 2024–2025), предлагающее быстрое ускорение. Но абсолютное освоение студентов остается выше 75%, означая огромный разрыв. OECD 53.6 п.п. разрыв — самое последнее комплексное измерение.

Two scenarios are plausible. In the convergence scenario: AI capabilities become embedded in familiar tools (health apps, email, voice assistants) without requiring deliberate adoption decisions; older adults encounter AI through trusted channels and build fluency organically; the use-case expansion beyond productivity toward health and independence aligns AI with older adults' life-stage goals. In the divergence scenario: AI becomes embedded in workplaces primarily through young-worker workflows; older workers retire rather than adopt; the productivity divergence compounds into a final-decade earnings gap that compounds with shorter career runway; the generation-defining utility of AI is captured overwhelmingly by younger cohorts.

Два сценария правдоподобны. В сценарии конвергенции: возможности ИИ встраиваются в знакомые инструменты (приложения здоровья, электронная почта, голосовые ассистенты) без требования намеренных решений освоения; пожилые встречают ИИ через доверенные каналы. В сценарии дивергенции: ИИ встраивается на рабочих местах в основном через молодые рабочие потоки; пожилые уходят на пенсию вместо освоения; расхождение производительности перерастает в разрыв заработков в последнее десятилетие.

The most urgent unresolved question is whether employer and institutional training systems will close the investment gap before the current cohort of 45–65-year-olds exits the workforce with minimal AI fluency. The window for intervention is narrow: workers retiring now will not benefit from the eventual convergence. Intervening for the current older cohort requires urgency that general market dynamics will not provide.

Наиболее срочный нерешенный вопрос — закроют ли системы работодателя и институциональное обучение разрыв инвестиций перед уходом текущей когорты 45–65 лет из рабочей силы с минимальной ИИ-грамотностью. Окно вмешательства узко: рабочие, уходящие на пенсию сейчас, не получат выгоды от события конвергенции. Вмешательство для текущей пожилой когорты требует срочности.