The Education Gap in AI Adoption Образовательный разрыв во внедрении ИИ

Executive Summary

Краткое резюме

Part 1 — The Evidence

Часть 1 — Доказательства

1.1 Key Numbers at a Glance 1.1 Ключевые цифры

1.2 Global Adoption Rates by Education Level 1.2 Глобальные показатели освоения по уровню образования

The education gradient in AI adoption is consistent across geographies and data sources.

Образовательный градиент в освоении ИИ устойчив в разных географических регионах и источниках данных.

1.3 Attitudes and Emotional Responses 1.3 Отношение и эмоциональные реакции

Educational level shapes not just behavior but emotional orientation toward AI — with crucial implications for adoption pathways.

Уровень образования определяет не просто поведение, но и эмоциональное отношение к ИИ — с важнейшими последствиями для путей освоения.

1.4 The Institutional Feedback Loop 1.4 Петля обратной связи в институциональной сфере

Educational institutions reproduce and amplify the adoption gap through their ordinary operations.

Образовательные учреждения воспроизводят и усиливают разрыв в освоении через свою обычную деятельность.

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

The knowledge gap in AI is partly real and partly perceived — and the distinction matters enormously for intervention design.

Разрыв в знаниях об ИИ отчасти реален, отчасти воспринимаемый — и различие имеет огромное значение для дизайна вмешательств.

• College-educated workers are far more likely to have encountered AI through coursework, professional networks, and peer use — creating a genuine head start in baseline familiarity.
• Высокообразованные работники намного чаще встречали ИИ через курсы, профессиональные сети и использование коллегами — создавая реальное преимущество в начальном знакомстве.
• Even within higher education, only 10.1% of students know about their college's AI resources, and only 32.6% understand proper AI citation practices (IZA / Middlebury, 2025) — showing that credential attainment alone does not confer AI literacy.
• Даже в высшем образовании только 10,1% студентов знают о ресурсах ИИ своего колледжа, и только 32,6% понимают надлежащие практики цитирования (IZA / Middlebury, 2025) — показывая, что сама учёба не дарует ИИ-грамотность.
• 96% of US K-12 teachers lack formal AI training (demandsage, 2025), and only 14% of US public K-12 schools reported teaching students ethical/appropriate AI use as of late 2024 (US Dept. of Education, 2024).
• 96% учителей K-12 США не имеют формального обучения ИИ (demandsage, 2025), и только 14% школ США обучают этике ИИ (US Dept. of Education, 2024).
• The "digital competence paradox": a Frontiers in Education study (2026) found that IT instructors — the most technically capable educator group — are not blocked by skill deficits. Their barriers are external: academic dishonesty concerns (M = 3.89/5), AI hallucinations (M = 3.70), and privacy issues (M = 3.41). Technical education alone does not drive adoption; institutional trust and systemic support are independent variables.
• "Парадокс цифровой компетентности": исследование Frontiers in Education (2026) обнаружило, что ИТ-инструкторы — самая технически способная группа — блокируются не дефицитом навыков. Их барьеры внешние: озабоченность нечестностью (M = 3,89/5), галлюцинации ИИ (M = 3,70), проблемы приватности (M = 3,41). Одной техничности недостаточно; доверие и системная поддержка независимы.
• Post-intervention data show gaps are malleable: gender differences in AI literacy scores disappear after targeted instruction (Kong et al., 2023; Kim & Kwon, 2024). The education-level gap is similarly not fixed.
• Постинтервенционные данные показывают: разрывы пластичны. Гендерные различия в ИИ-грамотности исчезают после целевого обучения (Kong et al., 2023; Kim & Kwon, 2024). Образовательный разрыв также не фиксирован.

1.6 Structural Vulnerability: Occupational and Economic Exposure 1.6 Структурная уязвимость: профессиональное и экономическое воздействие

The relationship between education level and AI job risk is non-linear — a finding that complicates simple narratives.

Соотношение между уровнем образования и рисками работы нелинейно — нахождение, осложняющее простые нарративы.

1.7 Downstream Consequences: Productivity and Career Divergence 1.7 Последствия разрыва: производительность и карьерное расхождение

The adoption gap is already translating into measurable divergence — and the mechanism runs directly through education.

Разрыв в освоении уже превращается в измеримое расхождение — и механизм работает прямо через образование.

• Higher education has become the primary venue of mass AI adoption: 80–92% of university students use generative AI, versus approximately 23–40% of US adults generally. The credential-holder adoption advantage is now a 2–4× multiplier on baseline rates.
• Высшее образование стало основной площадкой массового освоения ИИ: 80–92% студентов vs. 23–40% взрослых США. Преимущество обладателей степеней — 2–4-кратный множитель к базовым показателям.
• Several studies find AI produces the largest productivity gains for less-skilled workers (Noy & Zhang, MIT/Science, 2023; Brynjolfsson et al., NBER, 2025; Dell'Acqua et al., 2023). The technology's equalizing potential is going unrealized at precisely the populations where it would matter most.
• Исследования показывают, что ИИ дает наибольший рост производительности менее квалифицированным работникам (Noy & Zhang, MIT/Science, 2023; Brynjolfsson et al., NBER, 2025). Потенциал выравнивания не реализуется именно там, где он имел бы наибольший смысл.
• Field-level divergence is already visible and will translate to the labor market: a 42-percentage-point within-university adoption gap between Natural Sciences and Literature graduates (IZA / Middlebury, 2025) will produce measurable AI-skill gaps in the same occupational cohorts within 2–3 years.
• Расхождение на уровне специальностей уже видно и переведется на рынок труда: разрыв на 42 п.п. в университете между выпускниками Естественных наук и Литературы (IZA / Middlebury, 2025) создаст измеримые ИИ-навыковые разрывы в течение 2–3 лет.
• Global: adoption in the Global North grew almost twice as fast as the Global South in 2025, widening the gap to 10.6 percentage points (Microsoft AI Economy Institute, 2026). Since educational attainment tracks economic development, this is partly an education gap expressed at the country level.
• Глобально: освоение в Глобальном Севере выросло почти в два раза быстрее, чем на Глобальном Юге в 2025 году, расширив разрыв до 10,6 п.п. (Microsoft AI Economy Institute, 2026). Так как образование отслеживает экономическое развитие, это отчасти образовательный разрыв на уровне стран.

Part 2 — Understanding the Causes

Часть 2 — Понимание причин

The education gap in AI adoption is not simply a story of "more education = more AI." It is a story of credential as proxy for confidence, occupational context, institutional investment, and cultural signal. No single cause suffices.

Образовательный разрыв в освоении ИИ — не просто «больше образования = больше ИИ». Это история диплома как прокси уверенности, профессионального контекста, институциональных инвестиций и культурного сигнала. Одной причины недостаточно.

2.1 Structural and Material Causes 2.1 Структурные и материальные причины

2.2 Institutional and Systemic Causes 2.2 Институциональные и системные причины

2.3 Psychological Causes 2.3 Психологические причины

2.4 Cultural and Historical Causes 2.4 Культурные и исторические причины

Part 3 — Synthesis

Часть 3 — Синтез

The Mechanisms Are Interlocking Механизмы взаимосвязаны

The education gap in AI adoption is a system: historical inequalities in school resourcing create early digital experience deficits → which produce lower AI self-efficacy → which are reinforced by occupational sorting into roles with less AI exposure → which limits adoption opportunity → which allows employer training investment to flow preferentially to already-credentialed workers → which widens the productivity and earnings gap → which rationally increases lower-educated workers' concern about AI displacement → which further reduces engagement. Each step feeds the next.

Образовательный разрыв в ИИ — это система: историческое неравенство в школьных ресурсах создаёт дефицит раннего опыта → низкую самоэффективность → усиливается профессиональной сортировкой → ограничивает возможности → позволяет инвестициям идти высокообразованным → расширяет разрыв в производительности → рационально усиливает озабоченность вытеснением → снижает вовлечение. Каждый шаг питает следующий.

The Equalizer Paradox Парадокс выравнивания

The gap's most counterintuitive feature: experimental evidence shows AI produces the largest productivity gains for less-skilled workers (Noy & Zhang, 2023; Brynjolfsson et al., 2025). The technology's equalizing potential is greatest precisely where adoption is lowest. The education gap in AI is therefore not only an inequality story — it is an efficiency story. The largest unrealized gains from AI are in the populations currently least likely to adopt it.

Парадокс разрыва: экспериментальные данные показывают, что ИИ даёт наибольший прирост менее квалифицированным (Noy & Zhang, 2023; Brynjolfsson et al., 2025). Потенциал выравнивания наибольший там, где освоение наименьшее. Образовательный разрыв — история и эффективности, и неравенства. Наибольшие нереализованные выигрыши — где наименьшее освоение.

What the Evidence Suggests About Intervention Что данные говорят о вмешательстве

• Peer networks and community-based learning are as important as curricula. Informal learning and peer networks are key drivers of adoption among less-educated populations (Gambacorta et al., 2025). Programs that ignore social context miss the mechanism.
• Сетевое обучение важно как учебные планы. Неформальное обучение и сетевые связи — ключевые драйверы для менее образованных (Gambacorta et al., 2025). Программы, игнорирующие социальный контекст, упускают механизм.
• Institutional policy clarity is a precondition. Over half of US college students report their institution discourages AI use (Gallup-Lumina, 2026). Ambiguous or prohibitive institutional stances effectively penalize the students who most need to build AI fluency — first-generation and lower-SES students who lack the independent networks to experiment outside official channels.
• Ясность политики учреждения — предусловие. Свыше половины студентов США сообщают, что школа не поддерживает ИИ (Gallup-Lumina, 2026). Неопределённые позиции наказывают тех, кому нужна беглость ИИ больше всего.
• AI literacy must reach K-12, not just higher education. Only 14% of US K-12 schools taught ethical AI use as of late 2024. Compounding disadvantage from early non-exposure means higher-education and workplace interventions alone cannot close the gap.
• ИИ-грамотность должна начинаться в K-12. Только 14% школ США обучают этике ИИ (2024). Компаундированный ущерб от раннего отсутствия означает, что высшее образование одно не закроет разрыв.
• Framing the employment case clearly. Evidence from the gender literature shows that removing uncertainty about AI's employment effects closes the skepticism gap (Borwein et al., 2026). A parallel intervention — communicating clearly that AI produces the largest gains for less-skilled workers — is evidence-based and untested in the education-level context.
• Четко о занятости. Гендерная литература показывает: уверенность в занятости закрывает скептицизм (Borwein et al., 2026). Параллельное вмешательство — четкое сообщение о выигрышах менее квалифицированных — обоснованно и не тестировано на образовательном уровне.
• Adult education and vocational systems need AI integration. Currently almost absent, this is the primary pathway for non-credentialed upskilling and the most direct lever for reaching workers already outside formal education.
• Взрослое образование должно интегрировать ИИ. Почти отсутствует, это основной путь для некредентиалированных и прямой рычаг для работников вне системы.

The Open Question Открытый вопрос

Is the education gap closing or widening? The evidence leans toward widening in the near term. Within higher education, adoption has surged dramatically — from 66% to 92% of UK students in a single year (HEPI, 2025) — while general adult adoption in the US sits at roughly 23–40%. The absolute gap between the highly-educated and the general population is growing even as the highly-educated cohort approaches saturation.

Образовательный разрыв сужается или расширяется? Данные указывают на расширение. В высшем образовании освоение выросло: от 66% до 92% студентов UK за год (HEPI, 2025) — тогда как взрослые США: 23–40%. Абсолютный разрыв растёт, даже при насыщении высокообразованных.

The central unresolved question is whether AI's demonstrated ability to close performance gaps (larger productivity gains for less-skilled users) will draw in lower-educated workers through demonstrated value before the credentialed population's first-mover advantage becomes entrenched. Early-mover advantages in new technologies tend to compound rather than dissolve.

Главный нерешённый вопрос: привлечёт ли доказанная способность ИИ закрывать разрывы (больший прирост менее квалифицированных) менее образованных до того, как преимущество первопроходца станет закреплённым? Ранние преимущества в технологиях обычно компаундируются, а не растворяются.

What remains thin in the evidence: high-quality studies on AI adoption specifically among adult learners, vocational students, and workers in manual and service industries. Most adoption research is conducted in university settings or knowledge-worker populations — precisely the populations least likely to be on the wrong side of the education gap. The evidence base has the same blind spot as the gap itself.

Слабые места в данных: высококачественные исследования ИИ среди взрослых, профессиональных студентов, рабочих. Большинство исследований проводится в университетах или среди знающих работников — точно в группах с наименьшим разрывом. База данных имеет тот же слепой пункт, что и сам разрыв.