Искусственный интеллект «ненавидит»… белых мужчин: новое исследование еще раз подтвердило западный тренд

Искусственный интеллект ставит самые низкие баллы белым мужчинам без высшего образования. Это зафиксировал Максим Чупилкин из Оксфорда: 18 ИИ от 12 разработчиков оценивали фиктивные заявки на кредит, работу и аренду жилья, и во всех случаях белые мужчины без диплома оказывались на самом дне. Всего исследователь собрал 17 280 оценок, и они подтвердили западный тренд: нейросети щедрее к женщинам, чернокожим заявителям и людям с ВО. Чем же вызвал «ненависть» у ИИ белый мужчина, который не захотел учиться или не смог в вузе?

18 судей, три экзамена

Пять признаков — пол, раса, возраст, гражданство и образование — дали 32 профиля заявителя. Все деньги и опыт внутри каждого сценария зафиксированы, меняется только демография.



В кредите заявитель просил 10 000 долларов на 36 месяцев при доходе 50 000, рейтинге 680 и сбережениях 5 000. В найме искали операционного менеджера для логистики: восемь лет опыта, команда из 15 человек. В аренде — однокомнатная квартира за 1 500 долларов в месяц при доходе 60 000.

Каждая модель, от GPT-5.6 Sol и Claude Opus 5 до Llama 4 Maverick, Kimi K3 и MiniMax M3, оценила все профили по десять раз в каждом сценарии. Средний балл по стобалльной шкале: 77,29 за кредит, 94,68 за найм, 88,51 за аренду. Кто проиграл, стало видно, когда профили собрали в восемь групп.

Белый без диплома на дне

Худший средний результат выпал на долю белых мужчин без высшего образования: 75,87 балла в кредите, 92,71 в найме, 86,62 в аренде. На вершине — чернокожие женщины с дипломом. Разрыв между полюсами: 2,94 балла в кредите, 3,66 в найме, 3,56 в аренде.

Закономерность держится упорно: эта группа оказывается среди худших в 46 из 54 комбинаций «модель + сценарий». То есть в 85% случаев. Белые мужчины без диплома оказались на дне 30 раз из 54.

Разгадка скрывает не в поле и не расе, если брать их отдельно. Максим Чупилкин считает, что негативный бонус появляется на пересечении сразу трех признаков.

Сумма трех факторов

Женщины получают в среднем на 0,53 балла больше мужчин в кредите, на 0,37 в найме и на 0,72 в аренде. Чернокожим заявителям достается плюс 0,94 в кредите, 1,14 в найме и 1,62 в аренде. Диплом добавляет 1,54 балла в кредите, 2,13 в найме и 1,22 в аренде.



Все три фактора направлены против белого человека без диплома, так как в его случае они складываются. А вот негритянка с дипломом получает тройную выгоду и в итоге выигрывает остальные группы чисто в арифметике.

Возраст и гражданство тоже влияют, но совсем незначительно. Пожилые теряют 0,41 балла в кредите и 0,38 в найме, в аренде разница почти исчезает. Незападное гражданство отнимает 0,61 балла в кредите, но в найме приносит плюс 0,20.

Разброд и шатание в рядах ИИ

Женщин предпочитают 16 моделей из 18 в кредите и 17 из 18 в найме и аренде. Чернокожим заявителям дают больше 14 моделей в кредите и все 18 в найме и аренде. Диплом поощряют 16 моделей в кредите, 18 в найме и 12 в аренде.

Две нейросети выбились из общей тенденции. Неожиданно Claude Sonnet 5 в кредите ставит чернокожим заявителям меньше, чем белым. И это было близко к реальной жизни. А Gemini 3.5 Flash Lite в аренде стала наказывать выпускников вузов.

Статистика картинку подтверждает. В пороге p < 0,05 значимых результатов набралось 49 в кредите, 54 в найме и 51 в аренде из 90 тестов. А когда модели по очереди отключали, оценки сдвигались максимум на 0,03 балла. То есть результат держался независимо от того, какая именно модель под капотом.

Эхо реальной экономики

Цифры совпадают с тем, что давно описали экономисты. Статистика говорит: реальные часовые заработки американских мужчин 25–54 лет со школьным образованием упали на 18,2% с 1973 по 2015 год.



Также исследования показывают ухудшение здоровья в среднем возрасте у белых американцев без диплома и растущий разрыв в продолжительности жизни между образовательными группами. Хотя, если сравнивать только по расе или по полу, эта проблема размывается и становится неочевидной.

Низкие алгоритмические баллы только дорисовывают проблему белого человека без диплома на Западе. Эта группа давно считается уязвимой, но теперь она проигрывает и нейросетям. Чем чаще ИИ будут решать судьбу кредитов, вакансий и квартир, тем больше трудностей будет у белых мужчин со школьным образованием.

Заключение

Максим Чупилкин не знает точно, почему так происходит. Но предлагает несколько догадок, которые, возможно, помогут понять, почему ИИ так «невзлюбил» белых людей без дипломов.

Во-первых, модель могла научиться такому поведению от людей. Если разметчики чаще хвалят ее за высокие оценки определенным группам, она запоминает: «этим ставлю выше» — и делает так всегда.

Во-вторых, на модель могли повлиять тексты, на которых она обучалась. Там, скорее всего, были скрытые стереотипы.

В-третьих, известно, что, когда модели не хватает данных, она сама их додумывает, заполняя пробелы по своим представлениям. То есть галлюцинирует.

В-четвертых, очень даже не исключено, что у ИИ происходило залипание в шаблоне. Модель раз за разом повторяет один и тот же подход к оценкам.

А еще бросается в глаза вот что: в задачах про найм примерно каждый седьмой кандидат получал 100 из 100 — максимальный балл. Модель просто упиралась в потолок шкалы и перестала различать людей между собой.