АРХЕТИПИ КОРИСТУВАЧІВ GENAI: ПРИКЛАД ГРУЗІЇ
Анотація
Ми досліджуємо, як індивіди в Грузії взаємодіють з генеративним штучним інтелектом (GenAI), визначаючи різні архетипи користувачів на основі частоти взаємодії, кількості використовуваних інструментів і того, чи застосовують користувачі ці інструменти в професійному контексті. Спираючись на кількісне дослідження BTU щодо користувачів GenAI в Грузії, ми розробили класифікаційну модель, яка охоплює широкий спектр поведінкових моделей і виявляє шість домінуючих архетипів користувачів, які формують ландшафт штучного інтелекту, що розвивається в країні.
Ми активно досліджуємо, як користувачі інтегрують GenAI у повсякденне життя - через спеціалізацію на одному інструменті чи багатоплатформну гнучкість - і чи пов'язане їхнє використання з роботою або особистими дослідженнями. Найпомітніші архетипи включають досвідчених користувачів, які інтенсивно працюють з декількома інструментами для виконання професійних завдань; спеціалістів, які опановують один інструмент для постійного використання в роботі; і випадкових дослідників, які звертаються до GenAI випадково і нечасто. Додаткові профілі, такі як «Допитливі сумісники», «Універсальні виконавці» та «Збалансовані професіонали», відображають проміжні або гібридні стилі використання, що поєднують різні рівні частоти, різноманітності та цілей.
Наші результати свідчать про значні відмінності залежно від статі та віку. Жінки-користувачки, як правило, застосовують структурований і послідовний підхід до GenAI, часто узгоджуючи його з архетипами, що відображають ефективність, надійність і майстерність володіння інструментами. Користувачі-чоловіки частіше демонструють архетипи, що характеризуються або інтенсивним використанням, або спорадичним експериментуванням. Тим часом, молоді користувачі демонструють поведінку, зумовлену допитливістю, тоді як старші люди інтегрують GenAI у свої професійні робочі процеси більш стратегічно.
Це дослідження заповнює існуючу прогалину в класифікації користувачів ШІ, пропонуючи емпірично обґрунтовану багатовимірну структуру. Ми виходимо за межі вузьких визначень і пропонуємо масштабовану типологію, що стосується освіти, політики та розробки продуктів. Кейс Грузії демонструє, як цифрові суспільства на перехідному етапі приймають ШІ не просто як інструмент, а як робочу звичку, сформовану професійними ролями, цифровою зрілістю та соціально-демографічними факторами. Ці знання допомагають розробляти цільові навчальні програми та інструменти штучного інтелекту, адаптовані до конкретних потреб та очікувань користувачів.
Завантаження
Посилання
Affsprung, D. (2023). The ELIZA defect: Constructing the right users for generative AI. Proceedings of the 2023 AAAI/ACM Conference on AI, Ethics, and Society (pp. 1–10). doi: https://doi.org/10.1145/3600211.3604744
Agarwal, R., Kremer, A., Kristensen, I., & Luget, A. (n.d.). How generative AI can help banks manage risk and compliance. McKinsey & Company. Retrieved from https://www.mckinsey.com/capabilities/risk-and-resilience/our-insights/how-generative-ai-can-help-banks-manage-risk-and-compliance
Alkawadri, R., Hillis, J., & Asano, E. (2025). Exploring the future of neurology: How AI is revolutionizing diagnoses, treatments, and beyond. Frontiers in Neurology. doi: https://doi.org/10.3389/fneur.2025.1556510
Al-kfairy, M. (2025). Strategic integration of generative AI in organizational settings: Applications, challenges and adoption requirements. IEEE Engineering Management Review. doi: https://doi.org/10.1109/EMR.2025.3534034
Barbala, A., Ulfsnes, R., Wivestad, V., & Stray, V. (2025). Generative AI in the workplace: Affective affordances and employee flourishing. HICSS Conference Proceedings. doi: https://doi.org/10.24251/HICSS.2025.720
Böhm, S., & Graser, S. (2023). AI-based mobile app prototyping: Status quo, perspectives and preliminary insights from experimental case studies. In Proceedings of the Sixteenth International Conference on Advances in Human-oriented and Personalized Mechanisms, Technologies, and Services (pp. 29–37). ThinkMind. Retrieved from https://personales.upv.es/thinkmind/dl/conferences/centric/centric_2023/centric_2023_1_40_38009.pdf
Chukhlomin, V. (2024). Conceptualizing AI-driven learning strategies for non-IT professionals: From EMERALD framework to a sample course design. SSRN. doi: http://dx.doi.org/10.2139/ssrn.4820332
Dogan, I. D., & Medvidovi, L. (2023). Generative AI in education: Strategic forecasting and recommendations. In 11th Higher Education Institutions Conference (Vol. 21). Retrieved from https://www.heic.hr/wpcontent/uploads/2024/04/heic_proceedings_2023.pdf#page=28
Dorta-Gonzalez, P., Lopez-Puig, A. J., Dorta-Gonzalez, M. I., & Gonzalez-Betancor, S. M. (2024). Generative artificial intelligence usage by researchers at work: Effects of gender, career stage, type of workplace, and perceived barriers. Telematics and Informatics, 94. doi: https://doi.org/10.1016/j.tele.2024.102187
Jenkins, M., Thiry, E., Stone, R., Kingsley, C., & Leather, C. (2023). Exploring generative AI as a proxy user for early stage user research ‒ Preliminary findings. AHFE International Conference Proceedings. doi: https://doi.org/10.54941/ahfe1004305
Jo, H. (2023). Understanding AI tool engagement: A study of ChatGPT usage and word-of-mouth among university students and office workers. Telematics and Informatics, 85, 102067. doi: https://doi.org/10.1016/j.tele.2023.102067
Blas, M., Gimpel, H., & Karnebogen, P. (2024). A taxonomy and archetypes of AI-based health care services: Qualitative study. Journal of Medical Internet Research, 26. doi: https://doi.org/10.2196/53986
Joshi, S. (2025). Agentic generative AI and the future US workforce: Advancing innovation and national competitiveness. International Journal of Research and Review, 12(2). doi: https://dx.doi.org/10.2139/ssrn.5126922
Kashyap, R., Samuel, Y., Friedman, L. W., & Samuel, J. (2024). Artificial intelligence education & governance ‒ Human enhancive, culturally sensitive and personally adaptive HAI. Frontiers in Artificial Intelligence, 7. doi: https://doi.org/10.3389/frai.2024.1443386
Krishnasamy, S. K. L., & Lee, C.-S. (2024). AI chatbots in the office: Unveiling the social impacts on future workplace harmony. In 2024 International Conference on ICT for Smart Society (ICISS) (pp. 1–6). IEEE. doi: https://doi.org/10.1109/ICISS62896.2024.10751425
Pescap, A. (2024). Exploring the current state and future potential of generative artificial intelligence using a generative artificial intelligence. In Mind, Body, and Digital Brains (pp. 37–56). Springer Nature Switzerland. doi: https://doi.org/10.1007/978-3-031-58363-6_4
Radcliffe, J., Dawkins, N., Arjomandkhah, N., & Pringle, A. (2025). Translation of health and physical activity guidelines for real world application. Frontiers in Sports and Active Living, 6. doi: https://doi.org/10.3389/fspor.2024.1539851
Riemer, K., & Peter, S. (2024). Conceptualizing generative AI as style engines: Application archetypes and implications. International Journal of Information Management, 79. doi: https://doi.org/10.1016/j.ijinfomgt.2024.102824
Liu, Y., & Siau, K. L. (2023). Generative artificial intelligence and metaverse: Future of work, future of society, and future of humanity. In International Conference on AI-generated Content (pp. 118–127). Springer Nature Singapore. doi: https://doi.org/10.1007/978-981-99-7587-7_10
Salesforce. (2024). AI personas at work. Retrieved from https://www.salesforce.com/news/stories/ai-personas-at-work/
Singh, S., Singh, S., Kraus, S., Sharma, A., & Dhir, S. (2024). Characterizing generative artificial intelligence applications: Text-mining-enabled technology roadmapping. Journal of Innovation & Knowledge, 9(3). doi: https://doi.org/10.1016/j.jik.2024.100531
Wong, W. K. O. (2024). The sudden disruptive rise of generative artificial intelligence? An evaluation of their impact on higher education and the global workplace. Journal of Open Innovation: Technology, Market, and Complexity, 10(2). doi: https://doi.org/10.1016/j.joitmc.2024.100278
Цю роботу ліцензовано за Міжнародня ліцензія Creative Commons Attribution 4.0.
