The Income Gap in AI Adoption Разрыв по доходам 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 and Cross-Group Adoption Rates 1.2 Глобальные и межгрупповые показатели освоения

The income-AI adoption gradient is consistent across geographies, though a striking reversal emerges at the country level.

Градиент освоения ИИ по доходу устойчив в разных странах, хотя на уровне государств обнаруживается примечательное обращение тенденции.

1.3 Attitudes and Emotional Responses 1.3 Отношение и эмоциональные реакции

Lower-income groups are sometimes simultaneously more fearful and more hopeful about AI, while being far less likely to use it.

Низкодоходные группы порой одновременно и больше опасаются ИИ, и больше надеются на него — при этом значительно реже его используя.

1.4 The Feedback Loop 1.4 Петля обратной связи

The income-AI gap is not static. Multiple dynamics cause it to compound over time.

Доходный ИИ-разрыв не статичен. Несколько механизмов обеспечивают его накопление.

• Training follows hierarchy, not need. Only 51% of non-managers have L&D resources vs. 72% of senior executives (PwC, N=49,843). Only 25% of companies planned AI training in 2024.
• Обучение следует за иерархией, а не за потребностью. Только 51% неруководителей имеют доступ к ресурсам обучения против 72% топ-менеджеров (PwC, N=49 843). Лишь 25% компаний планировали обучение ИИ в 2024 году.
• Early adoption compounds. Daily GenAI users report 92% productivity gains vs. 58% for infrequent users (PwC, 2025). AI "power users" save over 30 minutes per day (Microsoft, 2025).
• Раннее освоение накапливается. Ежедневные пользователи GenAI сообщают о росте производительности на 92% против 58% у нечастых пользователей (PwC, 2025). «Продвинутые пользователи» экономят более 30 минут в день (Microsoft, 2025).
• The projected gain distribution is stark. The top income quintile is estimated to capture over 50% of GenAI economic gains, while the bottom quintile receives under 5% (Tenacity, 2025).
• Прогнозируемое распределение выгод разительно. Верхний доходный квинтиль, по оценкам, получит более 50% экономических выгод от GenAI, а нижний — менее 5% (Tenacity, 2025).
• The paywall creates a capability chasm. For complex professional use cases — job applications, business plans, deep research — premium AI versions (from $20/month) significantly outperform free tiers. These are exactly the use cases most relevant to economic mobility.
• Платный доступ создаёт пропасть компетентности. Для сложных профессиональных сценариев — поиска работы, бизнес-планов, глубоких исследований — платные версии ИИ (от $20/мес.) значительно превосходят бесплатные. Именно это — сценарии, наиболее важные для экономической мобильности.

1.5 The Knowledge and Literacy Dimension 1.5 Знания и грамотность

The income-AI gap operates at three distinct levels — access, confidence, and skill — each contributing independently.

Доходный ИИ-разрыв действует на трёх уровнях: доступ, уверенность и навык — каждый вносит независимый вклад.

1.6 Structural Vulnerability: Job Displacement 1.6 Структурная уязвимость: вытеснение

Lower-income workers face AI displacement with fewer tools to respond. Their jobs are threatened while their capacity to adapt is structurally limited.

Низкодоходные работники сталкиваются с вытеснением ИИ, имея меньше инструментов для ответа. Их рабочие места под угрозой, а адаптивные возможности структурно ограничены.

• Only 5% of workers were worried about actually losing jobs to AI — but 21% expected AI to worsen their financial situation within 1–5 years (Federal Reserve Bank of Boston, 2024).
• Лишь 5% работников беспокоились о реальной потере работы из-за ИИ — но 21% ожидали, что ИИ ухудшит их финансовое положение в течение 1–5 лет (Федеральный резервный банк Бостона, 2024).
• Workers without a bachelor's degree were almost twice as likely to feel their jobs were at risk (28% vs. 15%), and had a 16 pp confidence gap in ability to retrain (Gallup/Northeastern, 2017).
• Работники без степени бакалавра почти вдвое чаще чувствовали, что их работа под угрозой (28% vs. 15%), и имели разрыв в 16 п.п. в уверенности в возможности переобучения (Gallup/Northeastern, 2017).

1.7 Downstream Consequences 1.7 Последствия разрыва

The AI wage premium doubled in a single year. The compounding of early adoption advantage is measurable and accelerating.

Надбавка к зарплате за ИИ-навыки удвоилась за один год. Накопление преимущества раннего освоения измеримо и ускоряется.

Part 2 — Understanding the Causes

Часть 2 — Понимание причин

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 income gap is a system: early-life digital divides create differential AI literacy → which compounds into lower adoption → which means training investment flows away from lower-income workers → which limits their skill development → which widens the productivity and earnings gap → which rationally increases their concern about AI displacement → which further reduces engagement. The feedback loop between network effects (who you learn from), institutional investment (who gets trained), and structural tools (device quality, subscription capacity) ensures the gap compounds rather than self-corrects.

Разрыв по доходам — это система: ранний цифровой разрыв создаёт различия в ИИ-грамотности → которые накапливаются в меньшем освоении → инвестиции в обучение уходят от низкодоходных работников → ограничивая развитие их навыков → расширяя разрыв в производительности и заработках → обоснованно усиливая их беспокойство о вытеснении ИИ → ещё больше снижая вовлечённость. Петля обратной связи между сетевыми эффектами, институциональными инвестициями и структурными инструментами обеспечивает накопление разрыва, а не его саморазрешение.

What the evidence suggests about intervention Что данные говорят о вмешательстве

• The case for lower-income workers is there — it just needs to be made. AI delivers its largest gains to novices and lower-skilled workers. Communicating this clearly — rather than positioning AI as a tool for the already-expert — may shift adoption decisions among those most likely to benefit.
• Аргумент для низкодоходных работников существует — его просто нужно донести. ИИ обеспечивает наибольшую отдачу новичкам и низкоквалифицированным работникам. Чёткое информирование об этом — вместо позиционирования ИИ как инструмента для уже опытных — может изменить решения об освоении у тех, кто больше всего выиграет.
• Community and peer learning over formal training. Informal learning through peer networks outperforms formal onboarding for most users. Community-based AI access points — libraries, community centres, workforce development programs — reach lower-income populations better than employer training alone.
• Сообщество и обучение через сверстников важнее формального обучения. Неформальное обучение через сети сверстников превосходит формальное введение для большинства пользователей. Точки доступа к ИИ на основе сообществ — библиотеки, общественные центры, программы развития рабочей силы — охватывают низкодоходные группы лучше, чем корпоративное обучение в одиночку.
• What does not work: Assuming that free-tier AI access is sufficient for meaningful economic participation. The capabilities gated behind paywalls are disproportionately relevant to mobility — and the current pricing architecture does not account for this.
• Что не работает: Предположение, что бесплатный доступ к ИИ достаточен для значимого экономического участия. Возможности за платным барьером непропорционально важны для мобильности — а текущая ценовая архитектура этого не учитывает.

The open question Открытый вопрос

The income gap's most concerning feature is the compounding dynamic: the AI wage premium doubled in a single year, early adopters are accumulating measurable performance leads, and training investment flows toward those who need it least. The technology's theoretical equalizing potential — AI's largest gains going to the lowest-skilled — is going unrealized precisely where it would matter most. The central unresolved question is whether this reversal of the equalizer effect can be achieved at scale before the advantage of early adoption becomes structurally entrenched.

Наиболее тревожная черта разрыва по доходам — динамика накопления: надбавка к зарплате за ИИ-навыки удвоилась за год, ранние пользователи накапливают измеримые преимущества в производительности, а инвестиции в обучение текут к тем, кто меньше всего в них нуждается. Теоретический выравнивающий потенциал технологии — наибольшая отдача ИИ для наименее квалифицированных — не реализуется именно там, где это было бы наиболее значимо. Главный нерешённый вопрос: можно ли добиться этого разворота в сторону выравнивания в масштабе, пока преимущество раннего освоения не стало структурно укоренившимся.