работа состоит из множества задач, и некоторые из них автоматизировать проще, чем другие. Важно помнить, что со временем задачи, присущие той или иной работе, скорее всего, меняются (мало найдется профессий – если такие вообще есть, – которые сегодня выглядят так же, как тридцать лет назад).
Этот довод подтверждается исследованием McKinsey & Company 2017 года, в рамках которого было рассмотрено 820 различных профессий. Выяснилось, что полностью автоматизированы посредством существующих технологий могут быть менее 5 % из них. В то же время более 60 % профессий состоят из задач, 30 % которых можно автоматизировать[124]. Другими словами, очень немногие рабочие места могут быть полностью заняты машинами, но машины могут взять на себя значительную часть присущих им задач.
Вот почему попадают в ловушку те, кто утверждает, что «моей работе автоматизация не грозит, потому что я делаю X», где «X» – это задача, которую особенно трудно автоматизировать. Ни одна работа не состоит лишь из одной задачи: адвокаты не только выступают в суде, хирурги не только выполняют операции, журналисты не только пишут статьи. Эти конкретные задачи, возможно, трудно автоматизировать, но это необязательно относится ко всем другим видам деятельности, которые эти специалисты выполняют в своей работе. Адвокаты, например, могут утверждать, что ни одна машина не может произносить пламенные речи перед ошеломленными присяжными, – и они правы. Но машины сегодня, безусловно, могут находить, собирать и просматривать широкий спектр юридических документов: эти задачи составляют большую часть работы большинства юристов, а для младших юристов – почти всю.
Технологические оптимисты совершают аналогичную ошибку, когда указывают, что из 271 профессии, указанной в американской переписи 1950 года, из-за автоматизации исчезла только одна – лифтер[125]. Это вовсе не признак бессилия техники, как они, возможно, полагают, а еще одно свидетельство того, что важные изменения носят более глубокий характер и происходят на уровне базовых задач, а не на уровне названий должностей.
Второй ключевой посыл, из которого исходит Отор и его коллеги, – важна сама природа задач, а не «квалификация» выполняющего их работника – имеет огромное значение. Белые воротнички-профессионалы, посвятившие своему образованию немало времени и средств, часто этому поражаются, а некоторые даже обижаются, считая грубой аналогию между их «изощренной» работой и нерафинированным трудом других людей. Но дело в том, что их работа не такая особенная, как они себе представляют. Как только вы разбиваете большинство профессиональных задач на составляющие их части, многие из них оказываются «рутинными» и могут быть автоматизированы. Тот факт, что образованные профессионалы выполняют свои задачи, работая головой, а не руками, не имеет значения. Гораздо важнее, являются ли эти задачи «рутинными».
Оптимистичный образ мышления
Гипотеза ОЛМ важна потому, что она успешно объясняет не только экономические особенности недавнего прошлого – размывание рынка труда и ущерб, который несут работники со средней квалификацией, – но и оптимизм, который многие прогнозисты испытывают в отношении технологий и будущего.
Старая «каноническая модель» технологических изменений тоже предполагала оптимистический взгляд на будущее труда, но по совершенно нереалистичной причине: в ней, как мы видели, технология всегда дополняет работников (хотя некоторых из них больше, чем других). Сегодня мало кто стал бы так рассуждать. Те же, кто оптимистично смотрит на будущее работы, выстраивают такую версию, которая больше похожа на историю гипотезы ОЛМ, отдающую предпочтение задачам. Они утверждают, что новые технологии действительно заменяют работников, но не во всем, и что машины, как правило, увеличивают спрос на людей для выполнения задач, не поддающихся автоматизации. Сам Отор выразил этот подход емкой фразой: «Автоматизация обычно дополняет те задачи, которые не может заменить»[126].
Подобные доводы основываются на предположении, что существуют задачи, которые машины просто не могут выполнить, и поэтому есть твердый предел вредной замещающей силы. Конечно, некоторые могут сказать, что это положение интуитивно очевидно. Но гипотеза ОЛМ дает формальное обоснование: машины нельзя научить выполнять «нерутинные» задачи, потому что люди неспособны объяснить, как они их выполняют. По словам Отора, «возможности для такого рода замещения ограничены, потому что есть много задач, которые люди понимают без слов и выполняют без особых усилий, но для которых ни программисты, ни кто-либо другой не может сформулировать явные «правила» или «процедуры»»[127]. Таким образом, в будущем технологии будут все больше заменять людей в «рутинных» задачах и будут дополнять людей в «нестандартных» задачах.
Это различение «рутинных» и «нестандартных» задач распространилось далеко за пределы академических экономических работ. Наиболее влиятельные институты и аналитические центры – от МВФ до Всемирного банка, от ОЭСР до Международной организации труда – опираются на него, оценивая, какие человеческие действия подвергаются риску автоматизации[128]. Марк Карни, управляющий Банком Англии, повторил это в своем предупреждении о «расправе над Дилбертами»: новые технологии, по его мнению, угрожают «рутинной когнитивной работе», подобной той, которую выполняет Дилберт, персонаж стрип-комиксов об офисной жизни[129]. Президент Обама предупредил, что «повторяющиеся» роли подвержены особому риску автоматизации[130]. Из этой идеи исходят в своих рассуждениях и крупные компании: инвестиционный банк UBS утверждает, что новые технологии «освободят людей от рутинной работы и тем самым дадут им возможность сосредоточиться на более креативных услугах с более высокой добавленной стоимостью»; фирма аудиторских услуг PwC говорит, что «машины, которые заменяют работников, выполняющих рутинные методические задачи, могут дополнить сравнительное преимущество тех из них, кто обладает такими качествами, как умение решать проблемы, лидерство, эмоциональный интеллект, эмпатия и креативность»; а аудиторская фирма Deloitte сообщает, что в Великобритании «количество рутинных рабочих мест, подверженных высокому риску автоматизации, сократилось, но это более чем компенсировало создание новых, менее стандартных рабочих мест, которым автоматизация грозит в меньшей степени»[131].
Эту концепцию также популяризировали журналисты и комментаторы. Economist, например, объясняет, что «уязвимость к автоматизации, по мнению экспертов, определяется не столько тем, является ли соответствующая работа ручной или простой, сколько тем, является ли она рутинной». В свою очередь, New Yorker предлагает нам «представить себе матрицу с двумя осями, от ручного – к когнитивному и от рутинного – к нестандартному», в которой каждая задача сортируется в один из образующихся из квадрантов[132]. Тень различий «рутины» и «нерутины» мы можем видеть и в других часто встречающихся описаниях автоматизации, согласно которым машины могут делать только «повторяющиеся» или «предсказуемые» вещи, «основанные на правилах» или «четко определенные» (другими словами, выполнять «рутинные» задачи), но не могут справиться с вещами «трудно определимыми» или «сложными» («нестандартными» задачами).
На самом деле очень немногие подходы в современной экономической мысли оказались столь же влиятельными, как гипотеза ОЛМ. Эта
