Если мы внимательнее посмотрим на то, какие именно виды работ упраздняются в процессе реорганизации компаний, то термин «квалификационно-несимметричные технические изменения» может ввести нас в некоторое заблуждение. В частности, неправильно предполагать, что все «задачи уровня колледжа» автоматизировать сложно, а «задачи уровня детского сада» – просто. В последние годы автоматизировались не те задачи, которые требуют наименьшей квалификации работника, а задачи, с которыми машины справляются лучше людей. Конечно, здесь есть некоторая тавтология, но это полезная тавтология. Автоматизировать однообразную работу на сборочной линии проще, чем работу уборщика. Рутинную офисную работу типа проведения платежей автоматизировать проще, чем работу с жалобами и обращениями клиентов. В настоящее время машины еще не умеют быстро карабкаться по лестницам, поднимать с пола упавшую скрепку или читать эмоциональные письма расстроенных потребителей.

Для должного описания этих различий наши коллеги из МТИ Дарон Аджемоглу и Дэвид Отор предложили классифицировать труд с помощью двух пар оппозиций – когнитивный vs. ручной и рутинный vs. нерутинный. Исследователи обнаружили, что спрос на работников сильнее всего падал, когда речь шла о рутинных задачах, вне зависимости от того, были ли они когнитивными или ручными. В результате труд поляризуется: рабочие места со средним уровнем заработной платы практически исчезают, в то время как работники, занятые не-рутинным когнитивным трудом (например финансовые аналитики) и не-рутинным ручным трудом (например парикмахеры) чувствуют себя значительно лучше.

Основываясь на выводах Аджемоглу и Отора, экономисты Нир Хаймович из университета Дьюка и Генри Сиу из университета Британской Колумбии обнаружили связь между поляризацией труда и структурой безработицы, определявшими три последние рецессии. На протяжении большей части XIX и XX веков уровень занятости восстанавливался после каждой рецессии, однако начиная с 1990-х годов ситуация изменилась. Опять же, не стоит считать простым совпадением то, что эти закономерности менялись параллельно с компьютеризацией экономики. Когда Хаймович и Сиу сравнили данные за 1980-е, 1990-е и 2000-е годы, они обнаружили, что спрос на рутинный когнитивный труд (такой, например, как работа кассира, почтового или банковского служащего) и рутинный ручной труд (рабочий у станка, бетонщик, швея) не просто снижался, а падал все ускоряющимися темпами. В течение 1980-х годов этот спрос упал на 5,6 %, с 1991 по 2001 год – на 6,6 % и в 2001–2011 годах – на 11 %. Напротив, спрос на не-рутинную когнитивную ручную работу рос в течение всех трех десятилетий.

Объяснить эту закономерность помогает общение с высшими руководителями компаний. Несколько лет назад у нас состоялся довольно откровенный разговор с одним CEO, и, по его словам, он уже в течение 10 лет знал, что благодаря развитию информационных технологий множество работ по рутинной обработке информации становятся просто не нужны. Однако во времена, когда растут прибыли и доходы, отказаться от лишних рабочих мест бывает сложно. С наступлением рецессии вести бизнес прежними методами уже было невозможно, и это позволило ему провести ряд довольно болезненных процедур по увольнению и оптимизации численности персонала. Когда же рецессия завершилась, а показатели прибыли и спроса вернулись на прежнее место, рабочие места, связанные с рутинной работой, не возродились. Как и многие другие компании в недавние годы, его организация нашла способ использовать технологии и развиваться, не нанимая для этого новых людей.

Как мы уже видели в главе 2, важное наблюдение о том, что сенсорные и моторные навыки, которые мы используем в своей повседневной жизни, требуют невероятно большого объема расчетов, отражается в парадоксе Моравека. На протяжении миллионов лет эволюция снабжала нас миллиардами нейронов, позволяющих нам узнавать лица друзей и слышать различные типы звуков. Напротив, навыки абстрактных рассуждений, которые мы связываем с «мыслями высокого порядка» и занятиями типа арифметики или логики, – довольно свежие навыки, возникшие всего несколько тысяч лет назад. И для того чтобы сымитировать или даже превзойти человеческие возможности при выполнении этих типов задач, нам требуются более простые программы и меньшие объемы вычислительной мощности.

Конечно же, как мы неоднократно видели на примерах из этой книги, набор задач, которые способны выполнить машины, не установлен раз и навсегда. Он постоянно меняется и расширяется, подобно тому как слово «компьютер», раньше обозначавшее профессию человека, теперь обозначает элемент оборудования.

В начале 1950-х годов мы научили машины играть в шашки, и довольно быстро они начали обыгрывать даже опытных любителей. В январе 1956 года Герберт Саймон вернулся после новогодних праздников к своим студентам и объявил: «На Рождество мы с Элом Ньювеллом изобрели думающую машину!» Три года спустя эти ученые создали компьютерную программу со скромным названием General Problem Solver, умевшую решать практически любую логическую задачу, которую можно описать с помощью набора формальных правил. Она отлично справлялась с простыми играми типа «крестиков-ноликов», но ее нельзя было масштабировать для решения большинства проблем реального мира, поскольку в этом случае происходит комбинаторый взрыв – экспоненциальный рост числа вариантов, которые необходимо учесть.

Вдохновившись своим первым успехом и результатами других первопроходцев в области искусственного интеллекта, таких как Марвин Мински, Джон Маккарти и Клод Шеннон, Саймон и Ньювелл выдвинули довольно оптимистичный прогноз относительно того, насколько быстро машины освоят человеческие навыки. В 1958 году они предсказали, что цифровой компьютер сможет стать чемпионом мира по шахматам уже к 1968 году. А в 1965-м Саймон даже заявил, что «через 20 лет машины смогут выполнять любую работу, которую делает человек».

Хотя Саймон и получил Нобелевскую премию по экономике в 1978 году, однако он все же ошибся в своих прогнозах относительно шахмат, не говоря уже «о любой работе, которую делает человек». Он ошибся не в том, что именно произойдет, но в том, когда именно прогноз сбудется. С тех пор как Саймон выдвинул свой прогноз, компьютерные шахматные программы стабильно улучшались – примерно на 40 пунктов в год, по данным официальной шахматной рейтинговой системы Elo. Одиннадцатого мая 1997 года, через 40 лет после того, как Саймон выступил со своим прогнозом, компьютер производства компании IBM под названием Deep Blue победил чемпиона мира по шахматам Гарри Каспарова по итогам матча, состоявшего из шести игр. В наши дни ни один человек не способен обыграть в шахматы компьютерную программу даже среднего уровня. Программы и оборудование развивались настолько быстро, что к 2009 году шахматные программы, использующиеся на обычных персональных компьютерах и даже мобильных телефонах, достигли уровня гроссмейстера с рейтингом Elo 2898 и смогли выиграть соревнования против лучших игроков-людей.