Экспонента. Как быстрое развитие технологий меняет бизнес, политику и общество

Однако большинство профессий не похожи на торговлю на Уолл-стрит. Они намного сложнее, чем слежение за фондовым индексом или покупка-продажа случайной акции. Они полны задач, которые мы не удосуживаемся записывать. Люди знают, как входить в контакт и общаться с другими людьми, — и эти человеческие отношения в значительной степени помогают компаниям функционировать. Многие аспекты взаимодействия на рабочем месте регулируются скрытыми кодами, которые возникают в ходе общения с коллегами.

Английский философ Майкл Полани[242] сказал, что «мы знаем больше, чем можем высказать»[243]. Это восхитительное человеческое свойство — обладание знаниями, которые мы не можем выразить словами. Это то, чему мы учимся, просто находясь рядом с коллегами, начальником, клиентами. Когда мы вживаемся в среду, мы получаем подсказки и ключи к тому, как все делается: что действительно важно, кто важен, каковы компромиссы, каков оптимальный кратчайший путь. Редко кто это записывает. Да даже если бы это было так, мы все равно бы лучше усваивали эти знания на опыте, чем в процессе обучения. В нашей жизни существует измерение, не выраженное никакими словами, — возможно, оно никогда и не будет записано в виде каких-то правил.

Может быть, это даже более верно в отношении якобы «низкоквалифицированной» работы, нежели «высококвалифицированной» — такой, как работа трейдера на Уолл-стрит. Антрополог Дэвид Грэбер[244] любил говорить, что многие виды работ, которые мы считаем повторяющимися, ориентированными на выполнение задач и, возможно, легко автоматизируемыми, на самом деле больше похожи на работу по уходу. Они основаны не столько на конкретных задачах, сколько на человеческом взаимодействии и эмоциональном труде. Вспомните работника лондонского метрополитена. На практике его работа заключается не столько в том, чтобы следить за турникетами, сколько в том, чтобы помогать людям: направлять растерянных туристов, следить за тем, чтобы потерявшиеся дети нашли родителей, объяснять рассерженным пассажирам, почему поезда задерживаются. Как сказал Грэбер, «это имеет больше общего с работой медсестры, чем с работой каменщика»[245].

Это означает, что на практике большая часть труда, который экономисты считают «неквалифицированным», вряд ли поддается автоматизации. Должностная инструкция обычно оказывается весьма приблизительным руководством — она не охватывает и половины того, что необходимо для успешной деятельности. А когда работа предполагает такие негласные знания, то создать способный выполнять ее искусственный интеллект очень сложно. Системе ИИ нужна четкая и однозначная цель, и современные системы должны обучаться на этих данных. Если ноу-хау о работе в значительной мере скрыты, системе обучения ИИ будет доступна лишь половина общей картины. Короче говоря, если среда создана для человека, она, скорее всего, будет слишком сложной для машин как сейчас, так и в ближайшем будущем.

В результате, когда автоматизация все же случается, она происходит медленно и постепенно. «Работу» приходится разделять на мелкие, более управляемые части. Потом отделяется простой кусок, возможно самый простой. Затем базовый робот или часть программного обеспечения выполняет этот элементарный участок работы. «Упрощение — вот как в основном происходит автоматизация, — считает экономист Карл Фрей, соавтор упомянутого выше пессимистического оксфордского исследования. — Даже самая современная робототехника не смогла бы повторить движения и процедуры, которые выполняли средневековые ремесленники. Производство стало автоматизируемым только потому, что ранее неструктурированные задачи были разделены и упрощены в заводских условиях»[246].

Это верно даже сейчас, когда ИИ стремительно набирает скорость. К концу 2020 года системы ИИ как в программном обеспечении, так и в роботах не внесли ни малейшего вклада в статистику занятости. Автоматизация по-прежнему применима только для относительно простых, как правило упрощенных, повседневных задач. Например, первые автопилотируемые автомобили ездили в очень размеренных условиях Финикса, штат Аризона, с его широкими, прямыми дорогами и идеальной погодой. Запруженные дождливые автобаны Германии еще некоторое время будут оставаться для них недоступными. Когда появятся самодвижущиеся грузовики, они смогут передвигаться только по прямым шоссе, а не маневрировать в узких улицах лондонского Сити. До полной автоматизации, похоже, еще далеко.

* * *

Однако было бы ошибкой считать, что автоматизация пребывает где-то на периферии экспоненциальной эпохи. Как убедились те же трейдеры с Уолл-стрит, она все-таки существует. Хотя на данный момент ее влияние ограничено конкретными задачами и секторами, у нас нет никаких гарантий, что в скором времени она не затронет более широкий спектр рабочих мест. Как мы видели в главе 3, точные прогнозы в эпоху экспоненциального роста — занятие неблагодарное.