Современная генетика и интеллект не дают оснований для заявлений о врождённых различиях умственных способностей между расовыми группами. Об этом пишет Ars Technica, разбирая популярную, но научно несостоятельную идею «расового реализма»; для IT-рынка это не отвлечённый академический спор, а вопрос качества данных, найма и решений, которые всё чаще делегируют алгоритмам.
Главный вывод здесь довольно приземлённый: генетические различия между людьми существуют, но из этого не следует, что можно корректно разложить интеллект по расовым ярлыкам. Раса — слишком грубая и социально нагруженная категория для таких выводов. Она не описывает полный набор наследственных вариантов конкретного человека, его среду, образование, здоровье, язык, социальный капитал и десятки других факторов, влияющих на результаты когнитивных тестов.
Проблема «расового реализма» начинается там, где статистическое различие между группами пытаются выдать за доказательство врождённой причины. Это разные утверждения. Средние показатели в любой выборке могут быть связаны с условиями жизни, доступом к медицине и образованию, качеством школ, дискриминацией, составом самой выборки и методикой тестирования. Генетика не позволяет просто вычесть эти факторы и объявить остаток биологической судьбой.
Интеллект не сводится к одному гену или компактному набору генов, который можно было бы сопоставить с бытовой расовой классификацией. Сложные когнитивные признаки формируются множеством генетических вариантов и взаимодействием наследственности со средой. Даже когда исследования находят статистические связи между отдельными вариантами ДНК и признаками, это ещё не превращается в инструмент для ранжирования людей или групп по «врождённым способностям».
Особенно важна разница между исследованием популяций и попыткой сделать из него социальный рейтинг. Генетические данные могут помогать изучать происхождение, распространение заболеваний или механизмы наследования. Но переносить результаты из одной исследовательской выборки на другую, а тем более на широкие расовые категории, методологически рискованно. В такой модели слишком много скрытых переменных — и слишком велик соблазн подменить осторожный вывод эффектной, но ложной интерпретацией.
Для разработчиков это знакомая история о плохой постановке задачи. Если в модель загрузить расплывчатую категорию, неполные данные и исторические перекосы, на выходе не появится объективность. Появится формально точный ответ на плохо определённый вопрос. Нейросеть, скоринг или HR-аналитика не исправляют слабую причинную логику: они способны лишь быстрее масштабировать её последствия.
В HR этот риск уже вполне практический. Системы отбора кандидатов, оценки потенциала и рекомендации обучения нередко опираются на исторические данные о найме и производительности. Если в них зашиты прошлые барьеры, неравный доступ к возможностям или сомнительные прокси-параметры, алгоритм может воспроизводить дискриминацию под видом нейтральной статистики. Ссылка на биологические объяснения в таком случае не усиливает модель, а маскирует её ограничения.
Бизнесу полезнее проверять, какие признаки действительно связаны с задачей: навыки, опыт, результаты тестового задания, способность осваивать нужные инструменты. Категории, которые не имеют прямой и доказанной связи с рабочей функцией, обычно добавляют шум, юридические риски и репутационный ущерб. Это касается не только найма: той же логики требуют кредитный скоринг, антифрод, персонализация, страховые продукты и государственные цифровые сервисы.
Дискуссия о том, как устроены генетика и интеллект, не должна заканчиваться лозунгом «данные всё решат». Данные отвечают лишь в пределах корректного вопроса, репрезентативной выборки и честно описанных ограничений. Чем активнее компании используют ИИ для решений о людях, тем важнее отличать научное исследование сложных признаков от попытки придать старым предубеждениям видимость вычислительной строгости.