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

создать новые инструменты. Он написал программное обеспечение, выполнявшее за него ключевые задачи. Вскоре его работа няньки при серверах занимала у него полдня в неделю. Сид понял, как автоматизировать свою работу. Но он не стал лишним для компании. Совсем наоборот. Мы были растущим бизнесом, чему способствовала эффективность Сида. Автоматизация создала больше возможностей не только для него самого, но и для остальных членов команды. Легкие задачи, прежде занимавшие большую часть его рабочего времени, теперь выполнялись кодом, что позволило Сиду перейти к более сложным и важным, многие из которых ранее оставались без внимания. А когда он обратился к этим задачам, они, в свою очередь, породили больше возможностей и больше работы.

История Сида не из тех, что попадают в газетные заголовки. Но аналогичный процесс мы наблюдаем во многих технологиях, и он происходит по всему миру. Мой друг Пол Доэрти написал целую книгу «Человек + машина»[262] о том, как компании, инвестирующие в искусственный интеллект, создают новые виды рабочих мест, причем не только в своей области, но и во всей экономике. Например, компания Aurora, разрабатывающая беспилотные грузовики, создает совершенно новые категории рабочих мест, которые, похоже, станут все более распространенными, — от людей, управляющих парками автомобилей, до удаленных операторов, которые помогают грузовикам решать проблемы, возникающие во время движения[263]. В конечном счете в масштабах всей экономики автоматизация ведет к росту количества рабочих мест, а не к его сокращению.

Важно отметить, что эта динамика проявляется только в долгосрочной перспективе. Об этом свидетельствует история. Технологии создали больше рабочих мест, чем уничтожили, но временный ущерб может быть значительным. Карл Фрей отмечает: «На протяжении всей истории долгосрочные выгоды от новых технологий для обычных людей были огромными и неоспоримыми. Но в краткосрочной перспективе новые технологии, как правило, лишают людей работы, а то, что экономисты считают краткосрочной перспективой, может растянуться на много лет»[264].

В целом, однако, долгосрочное воздействие автоматизации не заключается в потере рабочих мест. Если мы говорим о долгосрочных последствиях экспоненциальных технологий, то нас должно волновать не количество работы, которую предстоит выполнять людям. Нас должно волновать ее качество.

* * *

В конце 2018 года, когда компании Uber не исполнилось и десяти лет, она объявила, что каждый месяц по всему миру ее услугами для заказа такси или доставки пользуются более 91 миллиона человек. Это впечатляющее число. Но обращал на себя внимание и еще один показатель: компания насчитывала 3,9 миллиона водителей[265]. Ни один из них не работал в штате Uber. Они были гиг-работниками[266]: у них не было трудового договора с компанией, и они получали плату различными обходными путями за каждого клиента, то есть за каждый выполненный ими «гиг».

Uber демонстрирует, до какой степени неправильно мы понимаем работу в экспоненциальную эпоху. Несмотря на все разговоры о массовой автоматизации — эту тему Uber, до недавнего времени активно инвестировавшая в самодвижущиеся автомобили, увлеченно пропагандировала, — компания обеспечила работой миллионы водителей. Но в такой занятости много необычного. Uber — одна из крупнейших компаний, использующая в своей основной деятельности сеть фрилансеров, а не наемных работников. В самом штате этой отнюдь не мелкой компании работают более 20 тысяч человек, но никто из них не является водителем. При этом на каждого штатного сотрудника приходится около 200 водителей, работающих от нескольких часов в неделю до десяти и более часов в день. Uber показывает, что гиг-занятость на основе платформы может работать с огромным размахом. Именно эти новые формы работы, а не автоматизация поднимают самые сложные вопросы относительно трудоустройства в эпоху экспоненциального роста.

Хотя Uber, вероятно, самая успешная из компаний, в которой фрилансеры работают на базе платформы, она не была пионером этой концепции. Истоки гиг-экономики — когда краткосрочные фриланс-задания распределяются онлайн-сервисом — восходят к платформе Amazon Mechanical Turk. Она была запущена в 2005 году, за несколько лет до появления термина «гиг-работа». Сервис получил свое странное название от известного шахматного устройства конца XVIII века. В 1770-х годах Mechanical Turk («механический турок» — манекен, прикрепленный к шахматной доске, которая была установлена на деревянном ящике) поражал воображение, обыгрывая в шахматы королей, аристократов и государственных деятелей. Считалось, что его приводила в движение хитроумная машина внутри ящика. На самом деле «турком» управлял шахматный мастер, который сидел в ящике и вручную передвигал фигуры.

Как и оригинальный Mechanical Turk, версия Amazon предлагает, казалось бы, автоматический способ выполнения заданий. И как и в исходном варианте, в ее основе лежит скрытый человеческий труд. Интерфейс похож на предложения случайных заработков, которые можно найти на досках объявлений в обычных магазинах. Задания на MTurk, как правило, небольшие и четко определенные, однако современные системы искусственного интеллекта просто не в состоянии их обработать. Именно поэтому заниматься этим приходится людям. Типичная работа, которую называют Human Intelligence Task (HIT[267]), заключается в том, чтобы просмотреть список сайтов компаний, найти адреса их филиалов и скопировать в базу данных. Любой желающий может подать заявку на выполнение этой работы и получить небольшое вознаграждение за каждое выполненное задание. В течение нескольких лет после запуска сервиса на нем зарегистрировались более 100 тысяч «туркеров», как называют работников Mechanical Turk.

Поначалу работы на Mechanical Turk были сугубо техническими. Девятнадцать из двадцати задач были связаны с получением информации о цифровых изображениях или сбором информации с других веб-сайтов; за каждое задание «туркеру» платили от 20 до 30 центов[268]. Работники Mechanical Turk стали незаменимыми союзниками компаний, имеющих дело с большими объемами данных. Многие из удивительных систем машинного обучения появились в конце 2010-х годов благодаря изматывающему труду тысяч людей, вручную классифицировавших данные для алгоритмов.

Со временем этот вид деятельности получил новое название — краудсорсинг. Интернет смог соединить людей, которым нужно было выполнить какие-то задачи, с тысячами, возможно, миллионами тех, у кого было время и умение это сделать. По словам придумавшего этот термин профессора журналистики Джеффа Хау, краудсорсинг может высвободить «скрытый талант толпы»[269]. В те ранние дни понятие краудсорсинга носило утопический характер: миллионы людей, работающих вместе (возможно, добровольно) для создания невероятного инструмента (например, такого, как Wikipedia).

За несколько лет количество краудсорсинговых платформ значительно увеличилось. Для сложных задач, таких как программирование или копирайтинг, появились Elance и oDesk, а Fiverr и PeoplePerHour призваны решать задания менее сложные, чем программирование, но более сложные, чем Amazon HIT. И если интернет положил начало этой тенденции, то смартфон помог ей