Экономический агент в цифровой среде: поведенческие эффекты конструирования опций искусственным интеллектом

Цель. Проанализировать поведенческие эффекты, возникающие у экономического агента, если искусственный интеллект (ИИ) не подталкивает к выбору, а невидимо конструирует пространство доступных опций, и раскрыть суть понятия «алгоритмическое конструирование опций» (algorithmic frame) как инструмента такого теоретического анализа.

Задачи. Обосновать необходимость разграничения классического подталкивания и алгоритмического конструирования опций; выявить возможные поведенческие эффекты, порождаемые конструированием опций с помощью ИИ; предложить концептуальную модель влияния этого конструирования на качество решений экономического агента.

Методология. Исследование проведено на основе синтеза поведенческой экономической теории, институционального подхода и современных представлений об ограничениях систем ИИ. Применены общенаучные методы анализа, синтеза, обобщения и систематизации.

Результаты. В работе введено понятие «алгоритмическое конструирование опций», под которым подразумевается невидимое для экономического агента конструирование пространства доступных альтернатив системой ИИ с помощью обучаемой модели и заданных критериев фильтрации. Выявлено три поведенческих эффекта, порождаемых этим феноменом: невидимое сужение альтернатив (агент испытывает иллюзию полноты представленных опций, не подозревая об исключенных вариантах), алгоритмическое якорение (первая предложенная ИИ опция служит точкой отсчета, относительно которой агент недостаточно корректирует свою оценку) и ловушка потерь (система ИИ, оптимизированная на минимизацию ошибок, исключает рискованные, но потенциально высокодоходные альтернативы). Предложена концептуальная модель, описывающая кумулятивное влияние этих эффектов на качество решений экономического агента.

Выводы . Классические модели «мягкого подталкивания» и алгоритмической архитектуры выбора не охватывают феномен невидимого конструирования пространства альтернатив системами ИИ, что требует введения нового понятийного аппарата. В хозяйственных ситуациях три выявленных эффекта действуют совместно, образуя кумулятивный эффект, способный снижать объективное качество решений при сохранении высокой субъективной удовлетворенности агента. Предложенная концептуальная модель может служить основой для разработки методов оценки рисков при проектировании ИИ-систем поддержки решений с учетом полученных результатов, представляющих интерес также для анализа цифровых платформ. Дальнейшая теоретическая и эмпирическая разработка проблематики алгоритмического конструирования опций актуальна и практически востребована в условиях более широкого внедрения систем ИИ в процессы подготовки и принятия хозяйственных решений.

1. Kahneman D., Tversky A. Prospect theory: An analysis of decision under risk // Econometrica. 1979. Vol. 47. No. 2. P. 263–292. https://doi.org/10.2307/1914185

2. Thaler R. H., Sunstein C. R. Nudge: Improving decisions about health, wealth, and happiness. New Haven, CT: Yale University Press, 2008. 320 p.

3. Bucher S., Dayan P. Cognitive information filters: Algorithmic choice architecture for boundedly rational choosers // Information-theoretic principles in cognitive systems workshop at the 37th Conf. on neural information processing systems (NeurIPS 2023) / eds. A. Oh, T. Naumann, A. Globerson et al. (New Orleans, LA, December 10–16, 2023). Red Hook, NY, Curran Associates, Inc., 2023. (Advances in Neural Information Processing Systems 36). URL: https://openreview.net/pdf?id=SeQG0GCtBh (дата обращения: 18.02.2026).

4. Румянцева А. Ю., Тарутько О. А. Влияние поведенческих факторов на принятие финансовых решений // Экономика и управление. 2023. Т. 29. № 12. С. 1540–1546. https://doi.org/10.35854/1998-1627-2023-12-1540-1546

5. Ярашева А. В. Поведенческая экономика: исследование ожиданий и стратегий населения // Экономика и управление. 2020. Т. 26. № 3. С. 264–272. http://doi.org/10.35854/1998-1627-2020-3-264-272

6. Greiner B., Grünwald P., Lindner T., Lintner G., Wiernsperger M. Incentives, framing, and reliance on algorithmic advice: An experimental study // Management Science. 2026. Vol. 72. No. 1. P. 302–322. https://doi.org/10.1287/mnsc.2022.02777

7. Bockstedt J. C., Buckman J. R. Humans’ use of AI assistance: The effect of loss aversion on willingness to delegate decisions // Management Science. 2026. Vol. 72. No. 1. P. 323–342. https://doi.org/10.1287/mnsc.2024.05585

8. Dietvorst B. J., Simmons J. P., Massey C. Algorithm aversion: People erroneously avoid algorithms after seeing them err // Journal of Experimental Psychology: General. 2015. Vol. 144. No. 1. P. 114–126. https://doi.org/10.1037/xge0000033

9. Salovaara A., Lyytinen K., Penttinen E. High reliability in digital organizing: Mindlessness, the frame problem, and digital operations // MIS Quarterly. 2019. Vol. 43. No. 2. P. 555–578. https://doi.org/10.25300/MISQ/2019/14577

10. Аузан А. А., Бахтигараева А. И., Брызгалин В. А. и др. Социокультурные факторы в экономике: пройденные рубежи и актуальная повестка // Вопросы экономики. 2020. № 7. С. 75–91. http://dx.doi.org/10.32609/0042-8736-2020-7-75-91

11. Никишина Е. Н., Иванов В. В., Маркова О. А. Поведенческие аномалии экономических решений и возможности их преодоления // Мониторинг общественного мнения: экономические и социальные перемены. 2024. № 3. С. 15–41. https://doi.org/10.14515/monitoring.2024.3.2547

12. Бирюков В. В. Направления современной экономической теории: парадигмальный аспект // Экономическая наука современной России. 2026. Т. 29. № 1. С. 5–14. https://doi.org/10.33293/1609-1442-2026-29(1)-5-14

13. Сазанова С. Л., Карманов Н. Н. Факторы конкурентоспособности фирмы в цифровой экономике в условиях многополярности // Экономическая наука современной России. 2026. Т. 29. № 1. С. 56–72. https://doi.org/10.33293/1609-1442-2026-29(1)-56-72

14. Белоусова Н. В. Необходимость и особенности институционального регулирования технологий искусственного интеллекта // Экономика и управление. 2026. Т. 32. № 2. С. 152–162. https://doi.org/10.35854/1998-1627-2026-2-152-162

15. Фрумусаки С. В., Жиронкин С. А., Коновалова М. Е. Роль цифровой инфраструктуры воспроизводства передовых производственных технологий достижения технологического суверенитета // Экономика и управление инновациями. 2026. № 1. С. 19–25. https://doi.org/10.26730/2587-5574-2026-1-19-25

16. Xu J. Loss aversion on consumer purchase decisions and investment behaviors // Highlights in Business, Economics and Management. 2025. Vol. 58. P. 6–12. http://doi.org/10.54097/g3bz6859

17. Arioli M., Cattaneo Z., Canessa N. A unifying account of loss aversion and loneliness: From neurocognitive bases to affective dysfunction // Frontiers in Psychology. 2026. Vol. 17. Article 1777535. http://doi.org/10.3389/fpsyg.2026.1777535

18. Kahneman D., Knetsch J. L., Thaler R. H. Anomalies: The endowment effect, loss aversion, and status quo bias // Journal of Economic Perspectives. 1991. Vol. 5. No. 1. P. 193–206. http://doi.org/10.1257/jep.5.1.193

19. Церкасевич Л. В. Иррациональные поведенческие модели личных финансов и их эволюция в цифровой экономике // Экономика и управление. 2024. Т. 30. № 3. С. 282–290. http://doi.org/10.35854/1998-1627-2024-3-282-290

20. Radha P., Priya M., Srividya G. Behavioural biases and mutual fund investment decisions: The role of loss aversion and risk perception // NPRC Journal of Multidisciplinary Research. 2026. Vol. 3. No. 2. P. 244–253. http://doi.org/10.3126/nprcjmr.v3i2.91314

21. Гасанов М. А., Жиронкин В. С., Газизов Р. М. Принципы, факторы и ограничения цифрового структурного сдвига в экономике // Экономика и управление инновациями. 2026. № 1. С. 4–10. https://doi.org/10.26730/2587-5574-2026-1-4-10

22. Бурганова А. Р., Бурганов А. Р. Влияние астротурфинга на экономическое поведение современного человека // Конкурентоспособность в глобальном мире: экономика, наука, технологии. 2024. № 12. С. 283–286.