Невидимый эксперт: как AI влияет на профессиональную самооценку пользователей

Введение

Одним из самых полезных инструментов в любой сфере деятельности на текущий момент считается искусственный интеллект. Его польза очевидна по многим исследованиям (The Quarterly Journal of Economics, ScienceDirect), он помогает увеличить эффективность, снижает нагрузку рутинными задачами и экономит время на поиск.

В противопоставление очевидным плюсам хотелось бы выделить и менее очевидный эффект: подсознательно люди реже воспринимают результат как собственное достижение. Работа выполняется быстрее, а вместе с тем растет и объем задач, но чувство профессиональной уверенности ослабевает. Выгорание снижается, удовлетворенность профессией падает? В этом исследовании мы попытались разобраться, как использование генеративных моделей влияет на внутреннее ощущение себя как специалиста: профессиональную самооценку, доверие к собственному мышлению и психологический комфорт. Мы сравнили пользователей AI и тех, кто отказывается от его использования, дополнив количественные данные интервью с экспертами рынка труда и специалистами в области психического здоровья.

Результаты, полученные нами в ходе исследования, показали: искусственный интеллект способен снизить уровень выгорания, но одновременно может негативно влиять и на ощущение собственной профессиональной ценности. Этот парадокс стал центральной темой исследования.

Статистическое исследование

В рамках нашего исследования был проведён опрос среди трудоспособного населения. Целью опроса стало определить распространенность использования генеративных моделей и сравнить уровни выгорания и уровни удовлетворенности профессиональным путем среди населения, использующего AI-инструменты, и населением, которое их не использует. В опросе приняли участие 125 респондентов. Возрастное распределение: 46% участников старше 45 лет, 38% находятся в диапазоне 30–45 лет, 16% молодые специалисты 18–29 лет. Гендерное распределение близко к симметричному (52% мужчины, 48% женщины), исходя из чего мы можем считать минимальными возможные смещения, связанные с половыми различиями.

Диаграмма 1,2. Возраст и пол респондентов.

Профессиональный стаж респондентов: 48% работают в своей сфере семь лет и более, еще 19% от четырех до шести лет. Специалисты с опытом один-три года составили 24%, начинающие 9%. Отраслевое распределение респондентов также оказалось разнообразным. Наиболее частыми сферами респондентов стали IT (31%), инженерия и строительство (15%), HR (11%), государственное управление, право и безопасность (10%), а также направления, связанные с культурой, медиа и творческими индустриями (10%). Остальные профессии объединены в категорию «другое» (17%).

Диаграмма 3,4. Профессиональная сфера и профессиональный стаж.

80% респондентов отметили, что используют AI. Среди них практически одинаковое соотношение по применению в повседневных делах и профессиональной деятельности.

Диаграмма 7,8,9. Статистика использования AI

Половина использующих генеративные модели респондентов взаимодействует с инструментами ежедневно: 54% ограничиваются десятью запросами в день, 21% превышает этот показатель.

Диаграмма 10. Частота использования AI

Наибольший уровень доверия респонденты продемонстрировали в задачах, связанных с креативом и проверкой фактов. Такие направления, как финансы и медицина, воспринимаются заметно осторожнее. Около трети пользователей отметили, что не готовы доверить в приоритете генеративным моделям ни одну из категорий задач.

Диаграмма 11. Сферы доверия к AI

Субъективная оценка изменения жизни из-за влияния AI: 58% отметили существенное улучшение уровня жизни, 23% частичное, 17% не зафиксировали заметных изменений. В сценарии гипотетического исчезновения AI 54% респондента ожидают ухудшения качества жизни, 27% не видят существенных последствий, 5% затруднились с ответом.

Диаграмма 12,13. Субъективная оценка влияния AI на жизнь

Средний показатель уровня выгорания у респондентов, использующих AI, составил 4,87 (по шкале от 1 до 10, где 10 - максимальный уровень выгорания). Также средний показатель уровня удовлетворения профессиональным путем у респондентов, использующих AI, составил 6,08 (по шкале от 1 до 10, где 10 - максимальный уровень удовлетворения своим профессиональным путем)

Диаграмма 14,15. Уровень выгорания и удовлетворенности проф.путем респондентов, использующих AI

Если говорить о респондентах, не использующих AI, то около 40% участников этой подвыборки считают причиной для отказа от генеративных моделей недостаточное доверие к точности их работы. Примерно столько же из подвыборки считают, что подобные технологии им не нужны.

Диаграмма 16. Причины отказа респондентов от использования AI

При этом лишь 4% вообще не знакомы с технологиями AI, а 64% респондентов всё же имеют поверхностное представление (“слышал, но не применяю”), и 32% хорошо осведомлены о функциях и возможностях AI , но целенаправленно по своему решению избегают его использования.

Диаграмма 17. Осведомленность респондентов о AI-инструментах

Некоторые респонденты, не использующие генеративные модели, также отметили, что согласились бы изучить основы их применения в рамках обучения.

Диаграмма 18. Основные факторы мотивации к использованию AI

Прим.автора: Дополнительной диаграммой стоит вынести возрастное распределение выборки, не использующей AI-инструменты.

Средний показатель уровня выгорания у респондентов, не использующих AI, составил 5,68 (по шкале от 1 до 10, где 10 - максимальный уровень выгорания). Средний показатель уровня удовлетворения профессиональным путем у респондентов, не использующих AI, составил 7,36 (по шкале от 1 до 10, где 10 - максимальный уровень удовлетворения своим профессиональным путем).

2. Расчеты.

Сравнение удовлетворенности карьерой между пользователями ИИ и не пользователями ИИ.

В связи с небольшим объемом выборки для оценки уровня удовлетворенности карьерой респондентов были выделены две группы: пользователи ИИ, использующие генеративные модели в работе, далее - Пользователи ИИ (n = 89) и не пользователи ИИ (n = 25). Каждому участнику был присвоен балл по шкале от 1 до 10.

1. Распределение оценок и расчет среднего

Таблица 1. Группа пользователей ИИ (n = 89)

Оценка	Количество	Оценка × Количество
10	5	50
9	7	63
8	18	144
7	16	112
6	10	60
5	11	55
4	7	28
3	6	18
2	5	10
1	4	4
Итого	89	544

Среднее: $$= $\frac{544}{89}$ = 6,11

Стандартное отклонение = $s_{1}$ = √(Σ($x_{i}$ - x̄)² / (n-1)) = 2,39

Находим $x_{i} -$ для каждой оценки (вспом.табл 1)

x_i	x_i - 6,11	x_i	x_i - 6,11
10	3,89	5	-1,11
9	2,89	4	-2,11
8	1,89	3	-3,11
7	0,89	2	-4,11
6	-0,11	1	-5,11

Возводим каждое отклонение в квадрат (вспом.табл 2):

x_i	(x_i - 6,11)² * Количество ответивших	x_i	(x_i - 6,11)² * Количество ответивших
10	15,13 * 6 ≈ 75,66	5	1,23 * 11 ≈ 13,55
9	8,35 * 7 ≈ 58,47	4	4,45 * 7 ≈ 31,16
8	3,57 * 18 ≈ 64,30	3	9,67 * 6 ≈ 58,03
7	0,79 * 18 ≈ 12,67	2	16,89 * 5 ≈ 84,46
6	0,0121 * 10 ≈ 0,121	1	26,11 * 4 ≈ 104,45

Находим s: Сумма всех квадратов разностей$\Sigma(x_{i}\ - \ 6,11)²\ *\ Количество\ ответивших$ = 502,87
Дисперсия выборки = n - 1 = 89 - 1 = 88, дисперсия = $\frac{502,87}{88}$ = 5,71
Стандартное отклонение $s_{1}$ =√5,71 $$ = 2,39

Таблица 2. Группа не пользователей ИИ (n = 25)

Оценка	Количество	Оценка × Количество
1	1	1
3	1	3
5	2	10
6	2	12
7	5	35
8	7	56
9	3	27
10	4	40
Итого	25	184

Прим.автора: далее расчёты будут указаны без демонстрации основных формул.

Среднее: $$= $\frac{184}{25}$ = 7,36

Стандартное отклонение = $s_{2}$ = √(Σ(x_i - x̄)² / (n-1)) = 2,06

4.Welch t-test

Формула для t-статистики:

Степени свободы (Welch-Satterthwaite):
df = $\frac{\left( \frac{s_{1}^{2}\ }{n_{1}} + \frac{s_{2}^{2}\ }{n_{2}} \right)^{2}}{\frac{\left( \frac{s_{1}^{2}\ }{n_{1}} \right)^{2}}{n_{1} - 1} + \frac{\left( \frac{s_{2}^{2}\ }{n_{2}} \right)^{2}}{n_{2} - 1}}$ = $\left( \frac{5,71\ }{89} + \frac{4,24\ }{25} \right)^{2} \div \left( \ \frac{\left( \frac{5,71\ }{89} \right)^{2}}{88} + \frac{\left( \frac{4,24\ }{25} \right)^{2}}{24} \right)$ ≈ 43,9

Определяем p-value через таблицу распределения Стьюдента (t-распределение):

1. Рассчитанное t: - 2,58. Степени свободы: df ≈ 43,9.

2. Из в таблицы t-распределения узнаем, какая вероятность (двусторонняя) соответствует |t| (т.к. распределение Стьюдента симметрично относительно нуля) = 2,58 при df ≈ 43,9.

3. Двустороннее p-value из таблицы попадает между 0,025 и 0,01:
   Применив формулу линейной интерполяции, можем найти нужно найти приблизительное значение p-value,
   $y\ = \ y_{0} + \ \frac{\left( x\ - \ x_{0} \right)}{\left( x_{1} - x_{0} \right)} \times \left( y_{1} - y_{0} \right),$ где $x_{0},\ x_{1}$​ - точки, между которыми интерполируем;
   $y_{0\ },\ y_{1}$​ - значения функции в этих точках;
   $x_{}$ - точка, для которой ищем $y_{}$- интерполированное значение.
   Применяем к t-распределению:
   Нижнее и верхнее критическое значение:

$t_{0} = \ 2,414,\ t_{1} = \ 2,692$​
$p_{0} = \ 0,025,\ p_{1} = \ 0,01$
при t = 2,58, выполним расчет p:

$p\ = \ 0,025 + \ \frac{(2.58\ - \ 2,414)}{(2,692\ - 2,\ 414)} \times (0,01 - 0,025)\ \approx \ 0,\ 016,$
p-value для t = 2,58 и df = 43,9 ≈ 0,016.

Рассчитанный p-value означает, что вероятность случайно получить такую разницу между группами всего 1,6%, если нулевая гипотеза верна. Это меньше стандартного уровня значимости 0,05 (5%), который обычно используют в социальных науках.

Исходя из расчетов, разница в уровне удовлетворенности карьерой между пользователями ИИ и не пользователями ИИ является статистически значимой (p < 0,05). В среднем не пользователи ИИ демонстрируют более высокую удовлетворенность карьерой.
Прим. автора: дальнейшие расчеты будут указаны без подробных вспомогательных таблиц для простоты восприятия.

Сравнение уровня выгорания между пользователями ИИ и не пользователями ИИ.
Таблица 3. Группа пользователей ИИ (n = 89)

Оценка	Кол-во участников	Оценка	Кол-во участников
1	10	6	10
2	6	7	8
3	14	8	10
4	12	9	2
5	12	10	5

Среднее: $$= $\frac{487}{89}$ = 4,90
Стандартное отклонение = $s_{1}$ = √(Σ($x_{i}$ - x̄)² / (n-1)) = 2,53

Таблица 4. Группа не пользователей ИИ.

Оценка	Кол-во участников	Оценка	Кол-во участников
2	2	7	5
3	3	8	1
4	1	9	3
5	7	10	1
6	1	1	0

Среднее: $$= $\frac{575}{100}$ = 5,75,
Стандартное отклонение = $s_{2}$ = √(Σ(x_i - x̄)² / (n-1)) = 2,24, s1 = 2,53

4.Welch t-test

Формула для t-статистики:

Степени свободы (Welch-Satterthwaite):
df = $\frac{\left( \frac{s_{1}^{2}\ }{n_{1}} + \frac{s_{2}^{2}\ }{n_{2}} \right)^{2}}{\frac{\left( \frac{s_{1}^{2}\ }{n_{1}} \right)^{2}}{n_{1} - 1} + \frac{\left( \frac{s_{2}^{2}\ }{n_{2}} \right)^{2}}{n_{2} - 1}}$ = $\left( \frac{6,4\ }{89} + \frac{5,02\ }{25} \right)^{2} \div \left( \frac{\left( \frac{6,4\ }{89} \right)^{2}}{88} + \frac{\left( \frac{5,02\ }{25} \right)^{2}}{24} \right)$ ≈ 42,76

Определяем p-value через таблицу распределения Стьюдента (t-распределение):

4. Рассчитанное t: - 1,63. Степени свободы: df ≈ 42,76.
   Из в таблицы t-распределения узнаем, какая вероятность (двусторонняя) соответствует |t| = -1,63 при df ≈ 42,76.

5. Двустороннее p-value из таблицы попадает между 0.010 и 0.012:
   Применив формулу линейной интерполяции, можем найти нужно найти приблизительное значение p-value,
   $y\ = \ y_{0} + \ \frac{\left( x\ - \ x_{0} \right)}{\left( x_{1} - x_{0} \right)} \times \left( y_{1} - y_{0} \right),$ где $x_{0},\ x_{1}$​ - точки, между которыми интерполируем;
   $y_{0\ },\ y_{1}$​ - значения функции в этих точках;
   $x_{}$ - точка, для которой ищем $y_{}$- интерполированное значение.
   Применяем к t-распределению:
   Нижнее и верхнее критическое значение:

$t_{0} = \ 2,64,\ t_{1} = \ 2,704$​
$p_{0} = \ 0,012,\ p_{1} = \ 0,010$
при t = 1,63, выполним расчет p:

$p\ = \ 0,012 + \ \frac{(1,63\ - \ 2,64)}{(2,704\ - 2,\ 64)} \times (0,010 - 0,012)\ \approx \ 0,\ 0196\ \approx \ 0,02$
p-value для t = 2,58 и df = 43,9 ≈ 0,02.

Рассчитанный p-value означает, что вероятность случайно получить такую разницу между группами всего 2%, если нулевая гипотеза верна. Это меньше стандартного уровня значимости 0,05 (5%), который используют в социальных науках.

Исходя из расчетов, разница в уровне выгорания между пользователями ИИ и не пользователями ИИ является статистически значимой (p < 0,05). В среднем группа “не пользователи ИИ” демонстрируют более высокий уровень выгорания по сравнению с “пользователями ИИ”.

По результатам статистического исследования можно заключить, что использование генеративных моделей негативно сказывается на ощущении профессиональной компетенции, но при этом также оказывает положительное влияние на уровень выгорания.

Дорогие коллеги!

Команда Geekfactor искренне благодарит вас за внимание к данной теме. Мы будем рады ознакомиться с вашими мыслями и комментариями, для оперативной связи просто напишите Екатерине.

В следующей части читайте о возможности возникновения нехимической зависимости от AI, дополненное мнением практикующего психиатра.

Если у вас есть тема которую вы бы хотели обсудить, подпишитесь на наш канал - будем рады вашим комментариям. Мы рады любым возможностям совместного сотрудничества!