The Once Bitten, Twice Shy Problem Обжёгшись на молоке, дуют на воду

Executive Summary

Краткое резюме

Part 1 — The Evidence

Часть 1 — Доказательства

1.1 Scale of the Segment 1.1 Масштаб сегмента

Survey data increasingly captures the tried-and-abandoned population, though the segmentation remains surprisingly underdeveloped. Most major surveys ask "have you ever used AI" — they do not distinguish active users from people who tried once and stopped. The actual burned-user segment is almost certainly larger than the available estimates suggest.

Данные опросов всё чаще фиксируют сегмент попробовавших и бросивших, хотя сегментация остаётся удивительно неразвитой. Большинство крупных опросов спрашивают «использовали ли вы когда-либо ИИ» — но не различают активных пользователей и тех, кто попробовал один раз и остановился. Реальный размер сегмента разочарованных почти наверняка больше, чем показывают имеющиеся оценки.

1.2 The Karpathy Diagnosis: Recency and Tier of Use 1.2 Диагноз Карпатого: давность и уровень использования

On approximately April 8–9, 2026, Andrej Karpathy posted a thread on X that named the phenomenon precisely. He described two groups now speaking past each other.

Примерно 8–9 апреля 2026 года Андрей Карпатый опубликовал тред в X, точно назвавший этот феномен. Он описал две группы, которые перестали слышать друг друга.

The first group — disappointed early triers — sampled free-tier ChatGPT, hit hallucinations and limitations, and formed lasting negative opinions based on old, deprecated models. The second group — power users paying $200/month for frontier models — watches AI systems solve in minutes what would normally take days — work that would cost a team of professionals thousands of dollars. For this group, Karpathy coined the term AI Psychosis.

Первая группа — разочарованные ранние пользователи — попробовала бесплатный ChatGPT, столкнулась с галлюцинациями и ограничениями и сформировала устойчивое негативное мнение на основе устаревших моделей. Вторая группа — продвинутые пользователи, платящие $200/месяц за передовые модели — наблюдает, как ИИ за минуты решает задачи, на которые у специалистов ушли бы дни и тысячи долларов. Для этой группы Карпатый ввёл термин AI Psychosis.

Karpathy identified the core driver as recency and tier of use — people's views are anchored to whichever old, free model they last touched. Capabilities are also peaky: concentrated in code and math, not general search or writing. Non-technical users who tried AI for everyday tasks got the weakest version of the experience.

Карпатый определил ключевой фактор — давность и уровень использования: представления людей закреплены на той старой бесплатной модели, с которой они последний раз взаимодействовали. Возможности ИИ также неравномерны: сконцентрированы в программировании и математике, а не в обычном поиске или письме. Нетехнические пользователи, пробовавшие ИИ для повседневных задач, получили самую слабую версию опыта.

1.3 The Voice Assistant Legacy 1.3 Наследие голосовых помощников

The tried-and-abandoned segment did not form only with ChatGPT. A decade of underwhelming AI assistants pre-trained millions of users to expect failure from the entire category.

Сегмент попробовавших и бросивших сформировался не только из-за ChatGPT. Десятилетие разочаровывающих ИИ-ассистентов приучило миллионы пользователей ожидать провала от всей категории.

When ChatGPT arrived using fundamentally different LLM architecture, it entered a market where the consumer concept of "AI assistant" had been shaped by years of command-and-control systems that could barely handle compound requests. This created a disappointment transfer problem: users who had been burned by Siri, Alexa, and Cortana grouped all AI under the same failing category label — and applied their negative priors to LLMs that are architecturally unrelated.

Когда ChatGPT появился на принципиально другой архитектуре LLM, он вышел на рынок, где потребительское понятие «ИИ-ассистент» было сформировано годами командно-управляемых систем, едва справлявшихся с составными запросами. Это создало проблему переноса разочарования: пользователи, обжёгшиеся на Siri, Alexa и Cortana, объединили весь ИИ под одним ярлыком провала — и перенесли негативные ожидания на архитектурно не связанные LLM.

1.4 The Abandonment Lifecycle (HCI Evidence) 1.4 Жизненный цикл отказа (данные HCI)

Human-Computer Interaction researchers have extensively documented the adoption-to-abandonment pipeline. The foundational study is Cho et al. (2019) at ACM DIS, which tracked eight first-time Amazon Echo households over 12 weeks and identified five phases:

Исследователи человеко-компьютерного взаимодействия (HCI) подробно задокументировали путь от принятия к отказу. Основополагающее исследование — Cho и др. (2019) на ACM DIS, которое отслеживало восемь семей с Amazon Echo в течение 12 недель и выделило пять фаз:

The core driver across all studies: mismatch between conversational expectations and actual capabilities. Trajkova and Martin-Hammond (ACM CHI, 2020) found older adults concluded Alexa was "a toy." Carnegie Mellon's 2024 CHI paper identified six downstream harms from voice assistant errors, including emotional harm and identity-related microaggressions — particularly affecting non-standard English speakers.

Ключевой фактор во всех исследованиях: несоответствие между ожиданиями от разговорного интерфейса и реальными возможностями. Trajkova и Martin-Hammond (ACM CHI, 2020) обнаружили, что пожилые люди сочли Alexa «игрушкой». Исследование Carnegie Mellon (CHI, 2024) выявило шесть типов вреда от ошибок голосовых помощников, включая эмоциональный ущерб и микроагрессии по отношению к носителям нестандартного английского.

Part 2 — Understanding the Causes

Часть 2 — Понимание причин

The persistence of burned-user resistance is not mysterious. It sits at the intersection of at least six well-documented psychological mechanisms that individually are robust — and collectively create a trap. No single mechanism is specific to AI. Together they produce an outcome that is: the people most likely to benefit from modern AI are among the least likely to try it again.

Устойчивость сопротивления обжёгшихся пользователей не загадка. Она находится на пересечении как минимум шести хорошо задокументированных психологических механизмов, каждый из которых по отдельности надёжен, а вместе они создают ловушку. Ни один механизм не специфичен для ИИ. Вместе они приводят к результату: люди, которые больше всего выиграли бы от современного ИИ, с наименьшей вероятностью попробуют его снова.

Part 3 — Synthesis and Interventions

Часть 3 — Синтез и рекомендации

3.1 The Self-Reinforcing Cycle 3.1 Самоподкрепляющийся цикл

The burned-user trap is not a single barrier — it is a self-reinforcing loop that becomes harder to exit the longer it persists: negative first experience → anchored negative impression → avoidance of re-engagement → impression remains frozen → peer reinforcement of shared narrative → category-level rejection of "AI" as a whole → growing gap between remembered AI and actual AI → re-engagement becomes increasingly unlikely with each passing model generation.

Ловушка обжёгшихся — не единичный барьер, а самоподкрепляющийся цикл, из которого тем труднее выйти, чем дольше он длится: негативный первый опыт → закреплённое негативное впечатление → избегание повторного взаимодействия → впечатление остаётся замороженным → социальное подкрепление общего нарратива → отторжение всей категории «ИИ» → разрыв между запомненным ИИ и реальным ИИ растёт → повторное вовлечение становится всё менее вероятным с каждым поколением моделей.

This loop does not operate in isolation from the other five gaps — it intersects with them as a multiplier. Women's lower AI self-efficacy makes a failed experience more psychologically costly, because failure gets attributed both to the tool and to the self. Older adults were routed into the voice assistant interfaces that generated the most disappointment — the Cho et al. abandonment lifecycle was literally studied in older adult households. Lower-income users landed on free-tier tools with the worst capability-to-expectation ratio. The burned-user mechanism is, in each case, amplifying a pre-existing disadvantage. Which means that closing the gender, age, and income gaps without addressing the once-bitten effect will be slower than models predict — and that addressing the once-bitten effect in these specific populations requires interventions that are sensitive to their other gap dimensions simultaneously.

Этот цикл не работает изолированно от других пяти разрывов — он пересекается с ними как множитель. Более низкая самооценка женщин в отношении ИИ делает неудачный опыт психологически более дорогостоящим: провал приписывается и инструменту, и себе. Пожилые пользователи были направлены к голосовым интерфейсам, породившим наибольшее разочарование — жизненный цикл отказа, задокументированный Cho и др., буквально изучался на домохозяйствах пожилых людей. Пользователи с низким доходом попали на бесплатные инструменты с наихудшим соотношением возможностей и ожиданий. Механизм «обжёгшегося» в каждом из этих случаев усиливает уже существующее неравенство. Это означает: закрытие гендерного, возрастного и доходного разрывов без работы с эффектом «обжёгшегося» будет медленнее, чем предсказывают модели, — а его преодоление в этих конкретных группах требует одновременно чувствительных к другим разрывам вмешательств.

3.2 What Works — Evidence-Based Interventions 3.2 Что работает — доказательные методы

• The "Model Update" signal is the highest-leverage messaging intervention. Explicitly communicating that the technology has fundamentally changed — not merely improved — disrupts category-level judgment. It works because it bypasses the update-within-a-rejected-category problem and restarts evaluation from scratch. (Pareek et al., 2024; Reich et al., 2022.)
• Сигнал «обновление модели» — наиболее эффективный коммуникационный приём. Явное сообщение о том, что технология принципиально изменилась, а не просто стала лучше, нарушает суждение на уровне категории. Это работает потому, что минует проблему обновления внутри отвергнутой категории и запускает оценку заново. (Pareek et al., 2024; Reich et al., 2022.)
• Demonstrate learning ability. Showing that the AI can improve from mistakes resolves aversion more effectively than demonstrating current accuracy. Users expect algorithms not to learn — proving they can is counter-expectation and attention-grabbing. (Berger et al., 2021.)
• Продемонстрируйте способность к обучению. Показать, что ИИ может учиться на ошибках, снимает неприязнь эффективнее, чем демонстрация текущей точности. Пользователи ожидают, что алгоритмы не учатся — доказательство обратного ломает ожидание и привлекает внимание. (Berger et al., 2021.)
• Hands-on, low-stakes, personally relevant first tasks. The binding constraint is the negative anchor, not skill or access. Abstract capability demonstrations don't move it — personally experiencing success on a task that matters to the individual does.
• Практические, безрисковые, лично значимые первые задачи. Главное ограничение — негативный якорь, а не навык или доступ. Абстрактные демонстрации возможностей не работают — работает личный опыт успеха в задаче, которая важна конкретному человеку.
• Trusted messengers, not tech companies. Burned users have low trust in technology company marketing by definition. Peer testimonials from similar-profile individuals carry more weight. (EY/Microsoft/OpenAI, N=2,515, 2025.)
• Доверенные посредники, а не технологические компании. Обжёгшиеся по определению мало доверяют маркетингу технологических компаний. Отзывы от людей со схожим профилем имеют больший вес. (EY/Microsoft/OpenAI, N=2 515, 2025.)
• Separate LLMs from the Siri/Alexa category explicitly. The disappointment transfer problem requires active counter-messaging. Reframing current AI as a fundamentally different technology — not a better version of what failed them — is necessary to break the category-level rejection.
• Явно отделите LLM от категории Siri/Alexa. Проблема переноса разочарования требует активной контркоммуникации. Переосмысление текущего ИИ как принципиально другой технологии — а не улучшенной версии того, что подвело, — необходимо для преодоления отторжения на уровне категории.

3.3 What Does Not Work 3.3 Что не работает

• General AI awareness campaigns. Burned users are already aware — that's what makes them burned rather than oblivious. Information provision does not move anchored judgments.
• Общие кампании по повышению осведомлённости об ИИ. Обжёгшиеся и так в курсе — именно это отличает их от неосведомлённых. Информирование не сдвигает закреплённые суждения.
• Accuracy metrics and benchmark comparisons. Users with algorithm aversion are not responding to rational evidence; they are responding to past personal experience. Showing GPT-5 benchmarks to someone who remembers Siri getting their calendar wrong achieves very little.
• Метрики точности и сравнения бенчмарков. Пользователи с алгоритмической неприязнью реагируют не на рациональные доказательства, а на прошлый личный опыт. Показывать бенчмарки GPT-5 человеку, помнящему, как Siri путала его календарь, практически бесполезно.
• Product improvement alone, without communication. The most insidious feature of the burned-user problem is that the people least likely to encounter any re-engagement message are precisely the ones who need it most — they've already tuned out.
• Улучшение продукта само по себе, без коммуникации. Самая коварная черта проблемы обжёгшихся: люди, которые менее всего вероятно увидят сообщение о повторном вовлечении, — именно те, кому оно нужнее всего. Они уже отключились.

3.4 The Research Gap 3.4 Пробел в исследованиях

Despite the rich theoretical landscape, no published study has specifically tracked burned AI users longitudinally — measuring initial experience, reasons for abandonment, resistance to re-engagement, and what interventions successfully bring them back. The never-tried versus tried-and-abandoned distinction has enormous practical implications for adoption strategy but remains remarkably underdeveloped as a formal research segmentation.

Несмотря на богатый теоретический ландшафт, ни одно опубликованное исследование не отслеживало обжёгшихся пользователей ИИ лонгитюдно — не измеряло первоначальный опыт, причины отказа, сопротивление повторному вовлечению и какие интервенции успешно возвращают таких пользователей. Различие между «никогда не пробовавшими» и «попробовавшими и бросившими» имеет огромное практическое значение для стратегии внедрения, но остаётся поразительно неразвитым как формальная исследовательская сегментация.

The specific hypothesis that prior disappointment with Siri/Alexa-generation AI creates measurable resistance to ChatGPT/LLM adoption — a disappointment transfer across architecturally distinct technologies grouped under the same consumer label — remains formally untested. The psychological mechanisms are individually well-established. Their compound effect on AI re-adoption is a clear research gap.

Конкретная гипотеза о том, что разочарование в ИИ поколения Siri/Alexa создаёт измеримое сопротивление к внедрению ChatGPT/LLM — перенос разочарования между архитектурно различными технологиями, объединёнными под одним потребительским ярлыком, — остаётся формально не проверенной. Психологические механизмы по отдельности хорошо задокументированы. Их совокупное влияние на повторное внедрение ИИ — явный пробел в исследованиях.