К службе негоден: в поисках работы

Несколько лет назад молодой человек по имени Кайл Бем взял академический отпуск в Университете Вандербильта. Кайл страдал биполярным расстройством личности, и ему было нужно время, чтобы пройти курс лечения. Через полтора года Кайл был уже достаточно здоров, чтобы вернуться к учебе в другом вузе. Примерно в это же время он узнал от друга о возможности подрабатывать с частичной занятостью в супермаркете Kroger. Это была всего лишь низкооплачиваемая позиция в магазине, и Кайл был уверен в том, что получит ее, тем более что друг, переходивший с этой работы на другую, мог за него поручиться. Для успешного студента вроде Кайла послать резюме на такую работу казалось простой формальностью.

Но после собеседования Кайлу так и не перезвонили. Когда он поинтересовался, в чем дело, друг объяснил, что ему дали «красный свет» из-за личностного теста, который он проходил перед собеседованием. Текст был частью программы отбора наемных работников, разработанной Kronos – компанией по управлению персоналом, расположенной в пригороде Бостона. Когда Кайл рассказал своему отцу, прокурору Роланду Бему, что случилось, тот спросил, какие вопросы были в тесте. Кайл сказал, что они были очень похожи на «Модель пяти факторов», которую ему давали в больнице. Этот тест присваивает человеку определенный уровень экстравертности, доброжелательности, добросовестности, тревожности и открытости новым идеям.

Поначалу отказ в трудоустройстве на низкооплачиваемую работу из-за какого-то сомнительного теста не показался серьезной проблемой. Роланд Бем посоветовал сыну просто поискать другое место. Но Кайл возвращался после каждого собеседования с одними и теми же новостями. Все компании, в которые он пытался устроиться, использовали один и тот же тест – и в итоге Кайл не получал от них предложений. Как позже вспоминал Роланд: «Кайл сказал мне: „У меня были практически идеальные результаты SAT, и пару лет назад я учился в Вандербильте. Что же я за неудачник такой, если не могу получить низкооплачиваемую работу с минимальной зарплатой?“ – „Не думаю, что ты настолько неудачник“, – ответил я ему».

Тем не менее Роланд Бем был сильно озадачен. Оказалось, что вопросы про ментальное здоровье перекрывали его сыну шансы найти работу. Бем решил внимательнее ознакомиться с проблемой и вскоре выяснил, что личностные тесты при приеме на работу действительно были распространены в больших корпорациях. В то же время он обнаружил, что эту практику практически никто не пытался оспорить в суде. Как объяснил мне Роланд Бем, соискатель, получающий отказ в поисках работы, редко узнает о том, что это случилось из-за провального результата теста. А даже если и узнает, то почти никогда не обращается к юристу.

Бем разослал семи компаниям – Finish Line, Home Depot, Kroger, Lowe’s, PetSmart, Walgreen Co. и Yum Brands – уведомления о том, что собирается подать групповой иск, обвинив компании в том, что они незаконно используют при приеме на работу тест оценки личности.

Сейчас, когда я пишу эти строки, иск все еще находится на рассмотрении. Споры, скорее всего, будут сосредоточены на том, можно ли считать тест Kronos медицинским обследованием, использование которого при приеме на работу считается незаконным в США по закону 1990 года о защите прав граждан с ограниченными возможностями. Если это будет признано, суд должен будет выяснить, кто ответственен за нарушение закона: сами компании или Kronos.

Вопрос, важный с точки зрения этой книги, заключается в следующем: каким именно образом автоматические системы оценивают нас, когда мы ищем работу, и какие именно критерии они рассматривают. Мы уже увидели, как ОМП сделало токсичным процесс набора студентов в колледжи – как для богатых, так и для представителей среднего класса. Тем временем ОМП в системе криминального правосудия затягивает в сети миллионы людей, абсолютное большинство которых бедные, и большая часть из них никогда не имела возможности получить высшее образование. Члены каждой из этих групп сталкиваются с принципиально отличающимися друг от друга сложностями. Но что-то у них есть и общее. Им всем нужна работа.

Раньше поиск работы во многом зависел от личных знакомств. На самом деле Кайл Бем ожидал, что это и сейчас так, когда пытался устроиться на работу в Kroger. Друг Кайла сообщил ему, что есть вакансия, и замолвил за него словечко работодателю. В течение десятилетий именно так люди оказывались на пороге самых разных заведений, будь то бакалейная лавочка, порт, банк или юридическая фирма. Затем кандидат приходил на собеседование, в ходе которого кадровик пытался его оценить. Слишком часто это транслировалось в единственное основное суждение: похож ли этот человек на меня (или на тех, к кому я хорошо отношусь)? В результате соискатели без друзей среди сотрудников компании практически не имели шансов получить работу – особенно если они были другой расы, этнической группы или религии. Женщины также оказывались исключенными из этого междусобойчика.

Такие компании, как Kronos, привнесли научный подход в корпоративное управление кадровыми ресурсами, отчасти ради того, чтобы сделать процесс более справедливым. Kronos была основана в 1970-х выпускниками МТИ, и ее первым продуктом был новый тип табельных часов, снабженных микропроцессором, который подсчитывал время, проведенное сотрудником на работе, и автоматически отчитывался об этих данных. Сейчас это кажется банальным, но это была одна из первых попыток отследить и оптимизировать рабочую силу с помощью электроники. По мере развития Kronos компания разработала широкий ассортимент программного обеспечения для сотрудников отделов кадров, включая программу Workforce Ready HR, обещавшую, согласно сайту компании, избавить кадровиков от «догадок» при рассмотрении кандидатов:

Мы можем помочь вам отобрать, принять на работу и включить в коллектив кандидатов, которые с наибольшей вероятностью окажутся продуктивными, – самых подходящих для работы сотрудников, которые будут лучше справляться со своими обязанностями и дольше оставаться на своем месте.

Kronos – часть быстро развивающейся индустрии. Прием на работу становится все более автоматизированным, и многие из новых программ включают в себя тесты на оценку личности вроде того, который проходил Кайл Бем. Сейчас эта индустрия представляет собой бизнес с оборотом 500 миллионов долларов ежегодно, и каждый год она, согласно данным тестовой компании Hogan Assessment Systems Inc., растет на 10–15 %. Подобные тесты теперь проходят 60–70 % соискателей, в то время как еще пять лет назад речь шла о 30–40 %, говорит Джош Берсин из консалтинговой фирмы Deloitte.

Естественно, ни одна программа по найму сотрудников не может предоставить абсолютно достоверную информацию о том, как на самом деле кандидат проявит себя в компании. Это дело будущего, которое нам неизвестно. Поэтому, как и многие другие инструменты, обрабатывающие Большие данные, такие программы используют прокси. Но, как мы уже видели, прокси всегда неточны и часто несправедливы. Верховный суд еще в 1971 году постановил в деле «Григгс против компании Duke Power», что тесты на уровень интеллекта при приеме на работу дискриминационны и, соответственно, незаконны. Можно было предположить, что это решение подтолкнет к определенной переоценке ценностей. Вместо этого индустрия просто выбрала разные варианты замены для теста IQ, в том числе тесты оценки личности вроде того, который не дал получить работу Кайлу Бему.

Но дело не только в справедливости и законности: исследования показывают, что личностные тесты на самом деле плохо прогнозируют поведение будущего сотрудника на рабочем месте. Фрэнк Шмидт, преподаватель факультета бизнеса в Университете Айовы, проанализировал информацию о производительности труда за последнее столетие, чтобы сравнить прогностическую ценность различных процессов кадрового отбора. Личностные тесты на его шкале расположились в самом низу – прогнозы на основании этих тестов на две трети менее достоверны, чем проверки когнитивных способностей, и намного слабее, чем проверка рекомендаций и послужного списка.

Особенно это обидно из-за того, что определенные личностные тесты, как показывают исследования, на самом деле могут помочь самим работникам лучше понять себя. Они также могут использоваться для тимбилдинга и для улучшения коммуникаций внутри компании. В конце концов, они создают ситуацию, в которой людям приходится тщательно продумывать совместную работу. Такое намерение уже само по себе может улучшить рабочую атмосферу. Другими словами, если мы определим цель как бо́льшую удовлетворенность сотрудников, личностные тесты могут быть вполне полезным инструментом.

Но вместо этого их используют как фильтр, чтобы прополоть ряд соискателей работы. «Главная цель этого теста, – считает Роланд Бем, – это не найти лучшего сотрудника, а отсеять максимум людей, причем наиболее дешевым способом».

Похоже, личностные тесты легко обмануть. Если вы попробуете пройти в интернете тест на пять факторов личности, это покажется вам чрезвычайно простым делом. Один из вопросов гласит: «Часто ли у вас бывают перепады настроения?» Наверное, на него лучше будет ответить: «Нет». Следующий вопрос: «Легко ли вы впадаете в гнев?» И снова – выберите «нет». Не так уж много компаний хотят взять на работу вспыльчивого сотрудника.

На самом деле компании могут нарваться на неприятности, отсеивая претендентов на основании ответов на подобные вопросы. Регулятор в штате Род-Айленд выяснил, что фармацевтическая компания CVS Pharmacy незаконно отсеивала претендентов с психическими особенностями, предлагая им согласиться или не согласиться с утверждениями вроде: «Люди делают много вещей, которые выводят вас из себя» или «Нет смысла в том, чтобы заводить близких друзей, все равно они тебя подведут». Более изощренные вопросы, на которые труднее дать «правильный» ответ, с большей вероятностью уберегут компанию от неприятностей с новым сотрудником. В итоге многие из тестов, которые сейчас используются, заставляют претендентов делать весьма сложный выбор, оставляя их с неприятным ощущением «Куда ни кинь – всюду клин». McDonald’s, например, просит претендентов на работу выбрать, какое из нижеследующих утверждений лучше их описывает: «Сложно сохранять жизнерадостность, когда так много проблем требуют решения» или «Иногда для того, чтобы начать работу, мне нужен толчок извне».

Газета The Wall Street Journal попросила психолога Томаса Чаморро-Премузика проанализировать подобные каверзные вопросы. Первый из них, по словам психолога, призван выявить «индивидуальные особенности, связанные с невротическими чертами характера и добросовестностью», а второй – «пониженные амбиции и мотивацию». Таким образом, какой бы вариант ни выбрал претендент, он оказывается уличен либо в неврозе, либо в лени.

Вопрос в тесте Kroger был гораздо проще: «Какое прилагательное лучше описывает вас за работой: уникальный или организованный?» Ответ «уникальный», по словам Чаморро-Премузика, говорит о «высокой самооценке, открытости и нарциссизме», в то время как «организованный» – о добросовестности и самоконтроле.

Обратите внимание, что варианта «все вышеперечисленное» не предлагается. Претенденты должны выбирать одну опцию, не имея понятия, как этот ответ интерпретирует программа. И некоторые интерпретации будут весьма нелестными. Если вы посетите практически любой детский сад в стране, вы услышите, как воспитательница говорит детям, что они уникальны. Это попытка поднять их самооценку (не говоря о том, что это, безусловно, правда). Однако спустя 12 лет, когда этот же человек выбирает «уникальный» в личностном тесте при попытках устроиться на низкооплачиваемую работу, программа может на этом основании ему отказать: кто же захочет работать с самовлюбленным нарциссом?

Защитники тестов обращают внимание на то, что вопросов там много, и единственный нежелательный ответ не может дисквалифицировать претендента. Определенные паттерны ответов, однако, могут это сделать – и делают. И мы не знаем, что это за паттерны. Нам не сообщают, что именно ищут тесты. Весь процесс тестирования совершенно непрозрачен.

Хуже того, после того как модель оказывается откалибрована техническими экспертами, она получает очень мало откликов. И вновь здесь можно по контрасту вспомнить о спорте. Большинство профессиональных баскетбольных команд нанимают гиков-аналитиков, которые разрабатывают модели, анализирующие игроков по сериям характеристик, включая скорость перемещения, высоту прыжка, процент свободных бросков и целый ряд других переменных. Когда появляется первый вариант модели, команда «Лос-Анджелес Лейкерс» может избавиться от нового распасовщика из Университета Дьюка из-за низкого процента результативных передач. Распасовщики должны хорошо передавать мяч. Однако допустим, что в следующем сезоне «Лейкерз» вдруг видят, что отвергнутый ими игрок получил звание «новичок года» в команде «Юта Джаз» и возглавляет лигу по количеству результативных передач. В таком случае «Лейкерс» могут вернуться к своей модели и посмотреть, что с ней не так. Возможно, команда новичка еще в колледже рассчитывала на то, что он будет сам забрасывать, что снизило его процент результативных передач. Может, он уже в Юте научился чему-то ценному. В любом случае они могут поработать над улучшением своей модели.

А теперь представьте себе, что Кайл Бем после отказа в Kroger оказывается в «Макдональдсе» и проявляет себя там как блистательный работник. Через четыре месяца он получает должность менеджера кухни, а через год – всего заведения. Станет ли кто-нибудь в Kroger пересматривать свои модели?

Я бы сказала, что на это нет ни единого шанса. Разница в следующем: баскетбольные команды имеют дело с индивидуальными личностями, каждая из которых потенциально стоит миллионы долларов. Их аналитические механизмы жизненно важны для соревновательного преимущества, и они жаждут информации. Без постоянного отклика их системы устаревают и лишаются смысла. Компании же, которые нанимают работников на минимальную зарплату, управляют толпами. Они снижают расходы, заменяя специалистов по человеческим ресурсам машинами, и эти машины отфильтровывают огромное количество людей в группы, больше поддающиеся управлению. И если только не произойдет что-нибудь совсем уж экстраординарное – эпидемия клептомании, например, или резкое снижение производительности труда, – у компании практически нет стимула как-то подправлять фильтрующую модель. Она делает свою работу – даже если теряет при этом потенциальных звезд.

Компанию может удовлетворять статус-кво, но жертвы этих автоматических систем страдают от их работы. И, как вы уже, наверное, догадались, я отношусь к личностным тестам в отделах кадров как к типичному оружию математического поражения. Они попадают под это определение по всем пунктам. Во-первых, их использование очень распространено и имеет гигантское влияние. Тест Kronos, при всех его недостатках, распространился практически на всю индустрию, связанную с наймом работников. При поддержании прежнего статус-кво у наемных сотрудников, вне всяких сомнений, были предубеждения. Но эти предубеждения варьировались от компании к компании, и это означало, что дверь теоретически могла приоткрыться и для таких людей, как Кайл Бем. Но теперь это все меньше соответствует действительности. Кайлу в каком-то смысле повезло. Претендентам на работу, особенно тем, кто претендует на минимальную зарплату, постоянно отказывают, и они редко узнают причину. Друг Кайла просто случайно услышал о причине отказа и рассказал Кайлу об этом. Даже в этом случае дело против крупных компаний, пользующихся Kronos, вряд ли куда-нибудь бы зашло, если бы отец Кайла не был юристом с достаточным количеством денег и времени, чтобы выдвинуть широкомасштабные юридические претензии. У претендентов на низкооплачиваемую работу редко есть такая возможность.

И, наконец, подумаем о петле обратной связи, которую порождает тест Kronos. Отказ в приеме на работу людей с определенными проблемами с психикой не позволяет им получить нормальную работу и вести нормальную жизнь, что еще сильнее их изолирует. Это именно то, что был призван предотвратить закон о защите прав граждан с ограниченными возможностями.

* * *

Большинство претендентов на работу, к счастью, не отвергаются автоматическими системами. Но им все равно сложно переложить свое резюме на самый верх стопки и получить приглашение на собеседование. Эту проблему давно уже ощущают на себе расовые и этнические меньшинства, а также женщины.

В 2001 и 2002 годах, до повсеместного распространения ридеров для автоматического чтения резюме, исследователи из Чикагского университета и MIT разослали пять тысяч вымышленных резюме на соискание вакансий, опубликованных в Boston Globe и Chicago Tribune. Диапазон вакансий варьировался от работы в офисе до клиентского сервиса и продаж. Каждое резюме было составлено таким образом, чтобы можно было догадаться о расе претендента. В половине из них были указаны «типично белые» имена вроде Эмили Уолш и Брендан Бейкер, тогда как в других были такие имена, как Лакиша Вашингтон и Джамал Джонс, что намекало на афроамериканское происхождение соискателей. Исследователи обнаружили, что на «белые» имена поступило на 50 % больше откликов, чем на «черные». Но их второе открытие оказалось, возможно, еще более поразительным. Белые претенденты с сильными резюме получили гораздо больше внимания от работодателей, чем белые претенденты со слабыми резюме: когда речь шла о белых претендентах, было похоже, что специалисты по кадрам обращали на это внимание. Однако в случае с черными сильные резюме практически не имели значения. Очевидно, что рынок найма на работу все еще был отравлен предрассудками.

Идеальный способ обойти подобные предрассудки – рассмотрение претендентов вслепую. Например, симфонические оркестры, участниками которых долгое время были в подавляющем большинстве мужчины, еще в 1970-х годах начали проводить прослушивания, на которых музыкант-соискатель был скрыт за занавесом. Все связи и репутация внезапно перестали играть роль, равно как и раса и учебное заведение претендента. Музыка, доносящаяся из-за занавеса, говорила сама за себя. С тех пор число женщин в основных оркестрах выросло в пять раз – хотя до сих пор составляет только четверть от общего числа музыкантов.

Проблема заключается в том, что слишком мало профессий годится для того, чтобы там можно было провести подобное «слепое прослушивание». Музыкант за занавесом может сразу продемонстрировать свое мастерство, играет ли он виолончельный концерт Дворжака или исполняет босанову на гитаре. В других же профессиях нанимателям приходится изучать резюме в поисках качеств, которые могут предсказать успех.

Неудивительно, что отделы кадров полагаются на автоматические системы в отсеивании части резюме. На самом деле около 72 % всех поданных резюме никогда не прочитываются глазами человека. Их просматривает компьютерная программа, выискивая навыки и опыт, нужные работодателю. Затем программа оценивает каждое резюме на соответствие вакансии. Работники отделов кадров сами решают, где проходит линия отсеивания, но чем больше кандидатов отсекается при первой компьютерной проверке, тем меньше человеко-часов кадровики потом потратят на изучение лучших резюме.

Таким образом, претенденты на работу должны составлять свои резюме, держа в голове то, что их будет читать автомат. Поэтому важно, например, пересыпать свое резюме словами, указанными в требованиях к вакансии. Это может включать в себя как название позиции (менеджер по продажам, финансовый директор, разработчик структуры ПО), языки (китайский, Java) или достижения (диплом с отличием, значок «скаут-орел»).

Люди, которые обладают информацией о последних тенденциях на рынке, уже знают, что понравится машине, а что ее только запутает. Например, изображения посылать бесполезно – большинство сканеров резюме их просто не распознает. И экзотические шрифты тоже не пойдут вам на пользу, говорит Мона Абдель-Халим, одна из основательниц Resunate.com – компании, которая выпускает инструменты по обработке резюме. Самое безопасное, утверждает она, использовать обычные шрифты типа Arial или Courier. И забудьте о таких символах, как стрелки: автоматические системы их не распознают, а значит, не смогут нормально прочитать информацию.

В результате действия подобных программ, как и в случае с приемом в колледж, наверху стопки оказываются резюме претендентов, у которых есть деньги и ресурсы. Люди, которые не знают о том, какие шаги необходимы на пути к успеху, скорее всего, и не в курсе, что отсылают свои резюме в черную дыру. Это еще один пример того, как богатые и информированные снова оказываются успешными, а бедные, скорее всего, ничего не добьются.

Справедливости ради отметим, что в процессе рассмотрения резюме всегда присутствовали те или иные предубеждения. В предыдущих поколениях выигрывали те, кто обладал нужной информацией, аккуратно и четко располагал информацию в резюме, набирал их на качественных пишущих машинках типа IBM Selectric и распечатывал на хорошей бумаге. Подобные резюме с большей вероятностью доходили до человеческого отбора. А резюме, написанные от руки, а также те, на которых были следы трафаретной печати, оказывались в мусорной корзине. В этом смысле неравные возможности – это не новость. Они просто приобрели новую форму, на этот раз ту, которая проводит победителей через электронные ворота.

Неравное отношение со стороны владельцев этих ворот распространяется далеко за границы резюме. Наши средства существования все больше зависят от наших способностей договориться с машинами. Самый яркий пример этого – Google. Для любого бизнеса, будь то хостел или авторемонтная мастерская, успех зиждется на способности оказаться на первой странице выдачи по поисковому запросу. Теперь и перед отдельными людьми встает та же задача – будь то возможность попасть на собеседование в какую-нибудь компанию, продвинуться по службе или даже просто не попасть под волну сокращений на работе. Ключ к успеху здесь – найти то, что ищут машины. Но и здесь, во вселенной, которая была создана справедливой, демократичной и научной, инсайдеры находят способы приобрести важные преимущества.

* * *

В 1970-е годы приемная комиссия медицинской школы больницы Святого Георгия на юге Лондона увидела возможность выйти из затруднительной ситуации. Каждый год школа получала более 12 резюме на каждую из 150 вакансий. Просмотр всех этих резюме был трудоемкой работой, требующей большого количества сотрудников. Ситуацию осложняло и то, что у каждого из этих сотрудников были свои мнения и пристрастия. Может быть, удастся запрограммировать компьютер таким образом, чтобы он сортировал резюме и сокращал их количество до более разумных величин?

Большие организации, такие как Пентагон и IBM, к тому времени уже использовали компьютеры для подобной работы. Но для медицинской школы обзавестись собственной автоматической оценивающей программой в конце 70-х, когда Apple только что выпустила свой первый персональный компьютер, было весьма дерзким экспериментом. И этот эксперимент обернулся полным фиаско. Школа Святого Георгия не только опередила время в использовании математического моделирования, но и оказалась невольным пионером производства оружия математического поражения.

Как и в многочисленных случаях с другими видами ОМП, проблемы возникли с самого начала, когда администраторы назначили компьютерной модели сразу две цели. Первая заключалась в том, чтобы увеличить эффективность отбора, взвалив на машину бо́льшую часть рутинной работы. Машина должна была автоматически сократить две тысячи претендентов до пятисот, после чего дело должны были перехватить люди, начав длительный процесс собеседований. Второй целью была справедливость. Компьютер, по идее, должен был оставаться невосприимчивым к настроениям или предубеждениям кадровиков, а также к вмешательству и рекомендациям членов палаты лордов или кабинета министров. В первой, автоматической, сортировке каждый претендент должен был оцениваться по одинаковым критериям.

Какими же должны быть эти критерии? Это казалось самым простым. В школе Святого Георгия уже накопилось множество данных по отсеянным резюме прошлых лет. Надо было лишь научить компьютеризированную систему повторять те же процедуры, которым следовали человеческие существа. Уверена, вы уже догадались, что именно в этих данных заключалась проблема. Компьютер научился у людей дискриминации – и начал осуществлять свою работу с захватывающей дух эффективностью.

Надо отдать должное администрации школы Святого Георгия, не вся дискриминация в наборе данных для программы была откровенно расистской. Значительное количество резюме от претендентов с иностранными именами или иностранными адресами пришло от людей, которые явно не владели английским языком на должном уровне. Вместо того чтобы рассмотреть возможность того, чтобы прекрасные врачи-кандидаты выучили бы английский (что кажется очевидным сегодня), в те годы их предпочитали просто отвергнуть. (В конце концов, школе предстояло отсеять три четверти претендентов, и языковой фильтр казался подходящей начальной точкой.)

Однако если люди в школе Святого Георгия просто выбрасывали в мусор резюме, пестрящие грамматическими и орфографическими ошибками, то компьютер, который и сам не владел грамотой, вряд ли мог последовать их примеру. Однако он мог связать отвергнутые резюме прошлых лет с местами рождения и, в меньшей степени, с фамилиями. Поэтому люди из определенных регионов, таких как Африка, Пакистан или населенные иммигрантами районы в городах Соединенного Королевства, получали меньше баллов при оценивании и, соответственно, не приглашались на интервью. Подавляющее большинство этих людей не были белыми. Кроме того, кадровики-люди чаще отвергали женщин – в связи с повсеместно распространенным в то время убеждением, что их карьеры, скорее всего, будут прерваны из-за обязанностей, связанных с материнством. Компьютер, естественно, стал делать то же самое.

В 1988 году Комиссия по расовому равенству при британском правительстве признала школу Святого Георгия виновной в расовой и гендерной дискриминации при приеме на работу. Шестидесяти из двух тысяч претендентов каждый год, по данным комиссии, могло быть отказано в собеседовании исключительно на основании их расы, этнического происхождения или пола.

Решением для специалистов по статистике в школе Святого Георгия – а также в других местах – стало бы создание цифровой версии слепого прослушивания, при котором бы отбрасывались такие прокси-факторы, как место рождения, пол, раса или имя, и имела бы значение только информация о профессиональной медицинской компетенции. Ключ здесь – в анализе навыков, которые каждый кандидат может принести в школу, а не в сравнении его с другими людьми, которые кажутся похожими. Более того, часть усилий школа Святого Георгия могла бы посвятить сложностям, с которыми сталкиваются женщины и иностранцы. В отчете Британского медицинского журнала (The BMJ), которым сопровождалось решение комиссии, говорилось именно об этом. Если у подходящих во всех остальных отношениях кандидатов имелись проблемы с языком или сложности, связанные с уходом за ребенком, решение могло бы заключаться не в том, чтобы отвергнуть этих кандидатов, а в том, чтобы принять на работу, предоставив при этом помощь, будь то курсы английского языка или детский сад.

Именно к этому вопросу я буду возвращаться в следующих главах: мы снова и снова видим, что математические модели могут перерабатывать информацию, находя людей, которые могут сталкиваться со сложностями, будь то из-за преступности, бедности или образования. От общества зависит, что делать с полученной информацией: отвергать и наказывать этих людей или предоставлять им нужные ресурсы. Мы можем использовать масштаб и эффективность, которые делают ОМП таким вредоносным, для того чтобы помогать людям. Все зависит от выбранной нами цели.

* * *

До сих пор мы в этой главе рассматривали модели, которые фильтруют претендентов на рабочие места. Для большинства компаний этот вид ОМП разрабатывается, чтобы сократить административные расходы и уменьшить риск найма на работу неудачных сотрудников (тех, кто потребует более интенсивного обучения). Если коротко, то цель этих фильтров – сэкономить деньги.

Отделы кадров, конечно же, стремятся сэкономить деньги через выбор сотрудников, который они делают. Одна из самых больших статей расходов любой компании – это ротация сотрудников, или, в просторечии, текучка. По данным Центра за американский прогресс, замена сотрудника, который зарабатывает 50 тысяч долларов в год, стоит компании около 10 тысяч – то есть это 20 % годовой компенсации этого сотрудника. Замена сотрудника высокого уровня может обойтись гораздо дороже – сумма доходит до его двухгодичной зарплаты.

Конечно, из-за этого многие модели по найму сотрудников пытаются подсчитать вероятность, с который претендент на рабочее место задержится на нем подольше. Компания Evolv, Inc., которая теперь является частью Cornerstone OnDemand, помогла Xerox подыскать претендентов на работу в колл-центр, в котором работают более 40 тысяч человек. Модель текучки принимала во внимание некоторые из ожидаемых показателей, включая среднее количество времени, которое люди проводили на предыдущих местах работы. Но также они обнаружили некоторые необычные корреляции. Люди, которых система классифицировала как «представителей креативного типа», имели тенденцию дольше оставаться на одном месте, в то время как те, кто получал много баллов за «любознательность», с большей вероятностью направляли свои пытливые умы на поиски других возможностей.

Но самой проблематичной оказалась корреляция с географией. Претенденты, жившие дальше от места работы, с большей вероятностью могли ее сменить. Это и понятно: длительные поездки каждый день – это неудобно. Но менеджеры Xerox заметили и другую корреляцию: люди, которым приходилось далеко ездить на работу, жили в бедных районах. Поэтому в Xerox, надо отдать им должное, убрали эти данные, имеющие непосредственное отношение к текучке, из своей модели. Компания пожертвовала частью эффективности ради справедливости.

В то время как анализ текучки сосредоточен на кандидатах, которые, скорее всего, окажутся неудачным выбором, более важная стратегия для отделов кадров – находить будущих звезд: людей, чьи интеллект, изобретательность и энергия смогут изменить курс всего предприятия. В более высоких эшелонах экономики компании постоянно разыскивают сотрудников, обладающих творческим мышлением и способностью работать в команде. Поэтому задача создателей моделей – отследить в огромном мире Больших данных крупицы информации, которые коррелировали бы с оригинальностью и социальными навыками.

Одними резюме тут определенно не обойтись. Большинство перечисленных в резюме пунктов – престижный университет, награды, даже навыки – всего лишь грубые прокси высокой компетентности. И хотя, несомненно, существует взаимосвязь между технической подкованностью и научной степенью хорошего вуза, она все-таки далека от идеальной. Множество талантов в области программного обеспечения появляются из других мест – достаточно вспомнить о хакерах-старшеклассниках. Более того, резюме обычно полны преувеличений, а иногда и прямой лжи. С помощью быстрого поиска через LinkedIn или Facebook система может расширить поле обследования, идентифицируя некоторых друзей и коллег кандидата. И все равно сложно превратить эту информацию в предсказание, что определенный инженер может оказаться идеальной кандидатурой для коллектива консалтинговой фирмы, состоящего из 12 человек, в Пало-Альто или Форт-Уэрте. Отыскание человека, подходящего на эту роль, требует гораздо более широкого доступа к информации и более амбициозной модели.

Пионер в этой области – стартап Gild, базирующийся в Сан-Франциско. Простираясь далеко за пределы резюме и альма-матер претендента, Gild сортирует миллионы сайтов вакансий, анализируя то, что он называет «социальной информацией» каждого человека. Компания разрабатывает профили кандидатов для работодателей, в основном технических компаний, и постоянно их обновляет по мере того, как у кандидатов появляются новые навыки. Gild утверждает, что даже может предугадать, когда звездный сотрудник соберется менять работу, и предупредить компании, с которыми сотрудничает, чтобы те не упустили возможность сделать ему предложение. Но модель Gild пытается подсчитать и квалифицировать «социальный капитал» каждого сотрудника. Насколько хорошо включен этот человек в сообщество коллег-программистов? Делятся ли они кодами? Вот, допустим, программист из Бразилии, назовем его Педро, живет в Сан-Паулу и проводит каждый вечер с ужина до часа ночи, общаясь с программистами со всего мира, решая проблемы облачных вычислений или обсуждая алгоритмы игр на сайтах вроде GitHub или Stack Overflow. Модель может попытаться измерить степень увлеченности Педро (что, возможно, принесет ему высокий балл) и его уровень взаимодействия с другими людьми. Также она оценит его мастерство и социальную важность его контактов. Люди с бо́льшим числом подписчиков больше ценятся. Если же его главным онлайн-контактом окажется один из основателей Google Сергей Брин или Палмер Лаки, основатель компании – создателя виртуальной реальности Oculus VR, балл Петро за социальные контакты, несомненно, взлетит до небес.

Но модели, подобные Grid, редко получают такие подробные сигналы от найденной информации. Поэтому они забрасывают более широкую сеть в поисках корреляций с возможным звездным статусом на работе и ищут везде, где только могут найти. Имея базу данных на шесть миллионов программистов, компания может разыскать все виды паттернов. Вивьен Минг, научный руководитель Gild, сказала в интервью Atlantic Monthly, что Grid обнаружила стайку талантов, частенько заходящих на японский сайт, посвященный одной манге. Если Педро проводит время на этом сайте, конечно, это еще не гарантирует его «суперзвездность». Но общий балл у него будет повыше.

В случае с Педро все это имеет смысл. Но те или иные работники могут делать что-то не в интернете – и ни один самый сложный алгоритм не сможет в это проникнуть, по крайней мере не сегодня. Возможно, они занимаются со своими детьми или посещают книжный клуб. Тот факт, что потенциальные сотрудники не проводят каждый вечер по шесть часов за обсуждением манги, не должно засчитываться им в минус. А если на этом манга-сайте, как и на большинстве подобных, преимущественно мужское общество и царит сексизм, значительное число женщин в этой индустрии, возможно, станет его избегать.

Несмотря на все эти проблемы, Gild – пока всего один игрок. У него нет клыков всемирного гиганта, и он не пытается задать единый стандарт для всей индустрии. В сравнении с некоторыми ужасами, которые мы уже видели: хищнической рекламой, которая погребает семьи под тяжестью кредитов, или личностными тестами, которые лишают людей возможностей, Gild выглядит безобидно. Эта категория прогностической модели больше связана с поощрением соискателей, чем с их наказанием. Безусловно, применяемый этой моделью анализ нельзя назвать полным, и некоторые потенциальные звезды остаются нераспознанными. Но я не думаю, что этот способ поиска талантов уже можно приравнять к ОМП.

И все же важно отметить, что модели по найму и «введению в должность» постоянно развиваются. Мир данных продолжает расширяться, учитывая то, что каждый из нас постоянно генерирует все новые «обновления» в своей жизни. Все эти данные поступят к нашим потенциальным работодателям, обеспечив им хорошее представление о нас.

Будут ли эти представления проверяться, или они просто будут использоваться, чтобы подтвердить статус-кво и усилить существующие предубеждения? Когда я думаю о небрежном и своекорыстном использовании данных некоторыми компаниями, мне часто приходит на ум френология – псевдонаука, которая на короткое время в XIX веке стала очень популярной. Френологи водили руками по черепу пациента, нащупывая бугорки и впадины. Каждый такой элемент, считали они, был связан с чертами характера, за которые отвечали 27 различных участков мозга. Обычно вывод френолога совпадал с наблюдениями, которые он делал. Например, если пациент был сильно встревожен или страдал от алкоголизма, проверка черепа мгновенно обнаруживала соответствующие бугорки и впадины, подходящие к этому наблюдению, – а это, в свою очередь, укрепляло веру в науку френологию.

Френология была моделью, которая, основываясь на псевдонаучной чепухе, изрекала авторитетные выводы – и десятилетиями никто не подвергал ее проверке. Большие данные могут попасть в эту же ловушку. Модели, подобные тем, которые отвергли кандидатуру Кайла Бема, а также иностранных студентов в больнице Святого Георгия, могут не давать людям устроиться на работу – даже если «научность» этих моделей заключается в кучке непроверенных допущений.