В поисках укрытия: получение страховки

В конце XIX века знаменитый статистик Фредерик Хоффман создал мощное оружие математического поражения. Скорее всего, Хоффман, немец по происхождению, работавший в страховой компании Prudential Life, не хотел никому причинить вреда. Своими более поздними исследованиями он внес большой вклад в общественное здравоохранение, много времени посвятил изучению малярии и первым установил взаимосвязь между курением табака и раком. И тем не менее именно Хоффман в один прекрасный весенний день 1896 года опубликовал 330-страничный отчет, который сильно замедлил движение к расовому равноправию в США и надолго закрепил за миллионами людей статус граждан второго сорта.

Отчет использовал исчерпывающие статистические данные, чтобы доказать, что в жизни черных американцев так много риска, что ни один представитель черной расы не может быть застрахован. Как и многие ОМП, которые мы обсуждаем, отчет Хоффмана содержал в себе статистические ошибки. Он спутал причинно-следственную связь с корреляцией, и в итоге огромная масса данных, которую он собрал, служила только доказательству его постулата: расовая принадлежность – мощный фактор ожидаемой продолжительности жизни. Расизм был настолько укоренен в системе мышления Хоффмана, что он, по всей видимости, даже не задумывался: может быть, именно бедность и несправедливость играют какую-то роль в уровне смертности среди афроамериканцев? Так же как отсутствие хорошего образования, нормальных санитарных условий, хорошей работы, доступа к здравоохранению…

Кроме того, Хоффман допустил серьезнейшую статистическую ошибку. Как и президентская комиссия, которая почти через 90 лет, в 1983 году, выпустила отчет «Нация под угрозой», Хоффман пренебрег стратификацией своих результатов. Он рассматривал афроамериканцев как большую и гомогенную группу. Поэтому он не стал разделять их по разным географическим, социальным или экономическим стратам. Для него черный учитель, спокойно работающий в Нью-Йорке или Бостоне, был неотделим от издольщика, босиком копавшегося по 12 часов в земле где-нибудь в дельте Миссисипи. Хоффман был словно ослеплен цветом кожи.

Собственно, как и вся страховая индустрия в те годы. Со временем страховые компании стали, конечно, мыслить немного более прогрессивно и начали продавать страховые полисы афроамериканским семьям. В конце концов, на этом тоже можно было сделать деньги. Но они десятилетиями держались за идею Хоффмана, что целые группы людей можно в целом рассматривать как носителей большего риска, чем другие, а для некоторых групп риск слишком велик. Страховые компании, как и банкиры, очерчивали районы проживания, в которых они не желали инвестировать. Эта жестокая практика, известная как практика красной черты, была запрещена в результате принятия нескольких законов, включая Закон о справедливом решении жилищных вопросов 1968 года.

Однако же спустя почти полвека практика красной черты все еще используется, хоть и не столь прямолинейно. Она включена в последнее поколение ОМП. Подобно Хоффману, создатели этих новых моделей путают корреляцию с причинно-следственной связью. Они наказывают бедных, особенно представителей расовых и этнических меньшинств. И они подкрепляют свой анализ массой статистических данных, которые придают всему этому солидный окрас беспристрастной науки.

Итак, в нашем алгоритмическом путешествии по жизни мы чудом продрались наверх, получили какое-то образование и работу (даже если на последней приходится работать по совершенно хаотическому расписанию). Мы набрали кредитов и увидели, что наша кредитоспособность стала заменой всех наших достоинств и недостатков. Теперь настало время защитить самое ценное, что у нас есть: дом, машину и здоровье семьи, – и оставить распоряжения для тех, кого мы однажды покинем.

Страхование выросло из актуарной науки – дисциплины, корни которой уходят в XVII век. Это был период, когда растущая буржуазия в Европе сколачивала огромные состояния. Это позволило многим из них впервые в истории задуматься о будущих поколениях.

В то время как достижения математиков предоставляли необходимые инструменты для предсказаний, первые поколения информационных ищеек искали всё новые вещи, которые можно было бы посчитать. Одним из них был галантерейщик из Лондона Джон Гронт. Он изучил приходские записи о рождениях и смертях за много лет и в 1682 году опубликовал первое исследование уровня смертности, касающееся большого сообщества людей. Например, он подсчитал, что риск умереть для ребенка в Лондоне составляет 6 % в каждый из первых шести лет жизни (заодно он с помощью статистики смог развенчать миф о том, что эпидемия чумы якобы прокатывается по стране каждый раз, когда на трон восходит новый монарх). Впервые в истории математики смогли обсчитать самый ранний период человеческой жизни. Конечно, это не срабатывало для отдельных людей, но если числа были достаточно большими, то среднее арифметическое и диапазон отклонений вполне можно было предсказать.

Математики не притворялись, что могут предсказать судьбу каждого человека. Это было невозможно. Но они могли предсказать частоту несчастных случаев, пожаров и смертей по другим причинам в больших группах людей. За следующие три столетия на основе этих предсказаний возникла мощная страховая индустрия. Эта новая индустрия впервые в истории дала людям возможность объединить свои риски в общий коллективный риск, чтобы защитить каждого отдельного человека от ударов судьбы.

Сегодня, по мере развития науки о данных и объединения компьютеров в глобальную сеть, страховая индустрия вступила в эпоху фундаментальных изменений. Получая все большее количество информации – включая сведения о наших геномах, паттернах нашего сна, спортивных упражнениях и диете, о том, насколько хорошо мы водим машину, – страховщики все более эффективно подсчитывают риски для каждого отдельного человека и избавляются от групповых обобщений. Для многих клиентов это означает изменение к лучшему. Сторонница здорового образа жизни теперь легко может доказать, что спит не меньше восьми часов в сутки, ежедневно проходит пешком по десять миль и ест практически только зеленые овощи, орехи и рыбу. Почему бы ей не получить медицинскую страховку на самых лучших условиях?

Впрочем, движение в сторону индивидуализации страхования, как мы увидим, пока только начинается, но страховщики уже сегодня используют данные, чтобы разделить нас на все более мелкие группы, чтобы предложить нам разные продукты и услуги по различным ценам. Некоторые могут это назвать индивидуализированными услугами. Проблема заключается в том, что на самом деле они не индивидуализированы. Модели помещают нас в невидимые для нас группы людей, чье поведение лишь кажется им похожим на наше. Независимо от качества анализа, непрозрачность подобного разделения может привести к обману.

Возьмем, к примеру, автомобильное страхование. В 2015 году авторитетное издание «Отчеты для потребителей» (Consumer Reports) провело обширное, в масштабах всей страны исследование, посвященное разнице в ценах. Эксперты издания проанализировали более двух миллиардов ценовых предложений от всех основных страховых компаний, обращенных к потенциальным клиентам из всех уголков страны. И обнаружили огромную несправедливость, корни которой, как мы уже видели в предыдущей главе, таятся в кредитном скоринге.

Страховые компании берут этот скоринг из кредитных историй, а затем, используя алгоритмы собственной разработки, создают собственные рейтинги, которые, в сущности, представляют собой подмены (прокси) критерия ответственного вождения. В Consumer Reports обнаружили, что эти прокси содержат множество различных данных, и отнюдь не только «послужной список» водителя. Оказывается, то, как вы управляете своими деньгами, может иметь гораздо большее значение, чем то, как вы водите свою машину. В штате Нью-Йорк, например, снижение кредитного рейтинга водителя с «отличного» до просто «хорошего» увеличивает стоимость годовой страховки на 225 долларов. А во Флориде водитель с совершенно безупречной историей вождения, но с плохим кредитным рейтингом заплатит в среднем на 1522 доллара больше, чем водитель с отличной кредитной историей, но имеющий в прошлом предъявление обвинений в пьяном вождении.

Мы уже обсуждали, как все большая зависимость от кредитного скоринга в экономике в целом работает против бедных. Оценка водителей – еще один пример той же тенденции, причем совершенно беспредельного масштаба, учитывая, что страховка обязательна для всех, кто водит машину. Прокси здесь используется, несмотря на наличие гораздо более релевантной информации. Я не могу себе представить, что может быть важнее для автомобильных страховщиков, чем информация о том, что потенциальный клиент был в прошлом обвинен в пьяном вождении. Это прямое указание на риски именно в той части поведения клиента, которую они пытаются предсказать. И это гораздо важнее, чем любые прокси, которые они рассматривают – в том числе, например, успеваемость клиента в те годы, когда он еще был старшеклассником. И в то же время эти данные могут иметь гораздо меньшее значение в их формуле, чем результат, полученный из кредитной истории (которая к тому же, как мы уже видели, иногда бывает совершенно ошибочной).

Так почему же вообще эти модели так сосредоточены на кредитных историях? Как и в случае с другими видами ОМП, автоматические системы могут с высочайшей эффективностью и в огромных масштабах обрабатывать массивы данных – в том числе и данных из кредитных историй. Но я считаю, что основная причина связана с желанием максимизировать прибыль. Если у страховой компании имеется инструмент, который может вытянуть лишние 1552 доллара у водителя с безупречным прошлым, зачем это менять? Жертвами оружия математического поражения, как мы видели и в других местах, с большей вероятностью становятся люди более бедные и менее образованные, многие из них – иммигранты. Они с меньшей вероятностью дознаются, что их обобрали. И в районах, где контор, предлагающих микрокредиты, больше, чем страховых фирм, сложно найти более низкие ставки. Короче говоря, пусть страховой рейтинг и не коррелирует с безопасным вождением, зато он создает прибыльную группу уязвимых водителей. Многие из них отчаянно нуждаются в том, чтобы иметь возможность водить машину: от этого зависит их работа. Назначение им завышенной цены в конечном итоге оказывается выгодным для страховой компании.

С точки зрения автомобильного страховщика, это со всех сторон выигрышная ситуация. Хороший водитель с плохой кредитной историей – это маленький риск и отличное вознаграждение. Более того, компания может использовать какую-то часть собранных средств на покрытие неэффективных элементов системы – например, выплаты по страховым случаям клиентов с прекрасной кредитной историей, которые заплатили за свою страховку меньше, но тут же попали в пьяном виде в аварию.

Это может показаться слегка циничным. Но давайте рассмотрим алгоритм оптимизации цен в страховой компании Allstate. Согласно данным Федерации потребителей Америки (CFA), Allstate анализирует потребительскую и демографическую информацию, чтобы определить вероятность того, что клиент отправится искать более выгодные предложения. Если эта вероятность низка, имеет смысл взять с клиента побольше. Именно это Allstate и делает.

И это еще не все. CFA предоставила департаменту страхования штата Висконсин доклад, в котором перечислила 100 тысяч микросегментов в схемах ценообразования Allstar. Эти ценовые уровни зависят от того, сколько каждая группа готова заплатить. Соответственно, некоторые клиенты получают скидку в 90 % от среднего уровня цен, тогда как у других запрашивают 800 %. Джей Роберт Хантер, директор по страхованию CFA и бывший страховой инспектор от штата Техас, заявил, что

ценовая политика Allstate теперь не привязана ни к правилам, согласно которым величина страховых взносов должна зависеть от степени риска, ни к закону вообще.

Allstate в ответ заявила, что обвинения CFA некорректны. Однако компания признала, что «рыночные соображения, соответствующие принятой в индустрии практике, применялись в разработке цен на страхование». Другими словами, модели компании изучают множество прокси, чтобы рассчитать, сколько взять с того или иного клиента. И другие компании в этой индустрии занимаются тем же.

Сложившаяся в результате ценовая политика несправедлива. Это злоупотребление не могло бы произойти, если бы ценообразование в страховом бизнесе было прозрачным – и клиенты могли с легкостью сравнивать цены. Но, как и в случае с другими видами ОМП, этот процесс непрозрачен. Каждый человек получает индивидуальный опыт, и модели оптимизированы так, чтобы вытягивать как можно больше денег из отчаявшихся и невежественных. В результате возникает очередная петля обратной связи: из бедных водителей, которые меньше всего могут себе позволить завышенные цены за страховку, выжимают последние центы. Модель тонко настроена на то, чтобы вытягивать как можно больше денег из этой подгруппы. Некоторые из них неизбежно падают слишком низко и оказываются не в состоянии выплачивать свои автомобильные кредиты, долги по кредитным картам или стоимость аренды жилья. Это еще сильнее ухудшает их кредитную историю – и, без сомнения, отправляет в еще худший страховой микросегмент.

* * *

Когда журнал Consumer Reports опубликовал свой отчет об индустрии автострахования, он одновременно запустил кампанию против Национальной ассоциации страховых инспекторов (NAIC), дополнив ее кампанией в Twitter: @NAIC_Новости для страховых инспекторов: берите с меня цену за то, как я вожу, а не за то, какой я, по вашему мнению, есть. #ПочинитеАвтоСтрахование (@NAIC_News to Insurance Commissioners: Price me by how I drive, not by who you think I am! #FixCarInsurance). Идея этой кампании заключалась в том, чтобы судить о водителях по их истории вождения – количеству штрафов за превышение скорости и ДТП, в которые они попадали, – а не по их потребительским привычкам или привычкам их друзей и соседей. Однако же в эпоху Больших данных требование, чтобы страховщики судили нас по тому, как мы водим, – это совершенно необычайное требование.

У страховых компаний в наши дни есть множество способов изучить поведение водителей в мельчайших деталях. Для примера давайте посмотрим на индустрию грузовых автоперевозок.

Сегодня на многих грузовиках стоят электронные журналы поездки, которые регистрируют каждый поворот, каждое ускорение, каждое нажатие на педаль тормоза. А в 2015 году самая большая в стране компания грузоперевозок Swift Transportation начала устанавливать на своих машинах по две камеры: одна была направлена на дорогу впереди, другая – на лицо водителя.

Объявленная цель этого контроля – уменьшение числа ДТП. Примерно 700 дальнобойщиков в год погибают на американских дорогах, и эти аварии часто уносят также жизни водителей и пассажиров других машин. Не считая личных трагедий, все это еще и стоит больших денег. Средний ущерб от аварии со смертельным исходом, по данным Федеральной ассоциации по безопасности автомобильных перевозок, составляет 3,5 миллиона долларов.

Однако, имея в своем распоряжении столь огромные аналитические возможности, транспортные компании совершенно не собираются ограничиваться безопасностью. Если вы объедините определение координат, систему контроля и камеры, водители грузовиков превратятся в богатый и постоянный источник информации. Компании грузовых перевозок теперь могут анализировать разные маршруты, оценивать режим расхода топлива и сравнивать различные показатели в разное время дня и ночи. Они могут даже рассчитать оптимальную скорость для разного типа дорожного покрытия. И использовать эту информацию, чтобы выяснить, какие варианты обеспечивают максимальную прибыль при минимальных затратах.

Кроме того, они могут сравнивать между собой водителей. Встроенные в приборную доску средства контроля постоянно ставят оценки водителю. Один-два клика – и менеджер может определить лучших и худших водителей по целому ряду показателей. И, естественно, эта система наблюдения также подсчитывает степень риска для каждого водителя.

Страховые компании не могли не заметить этих возможностей. Крупнейшие из них, включая Progressive, State Farm и Travelers, уже предлагают водителям скидку на свои услуги, если те согласятся поделиться информацией о паттернах своего вождения. Небольшой телеметрический прибор в автомобиле – нечто вроде упрощенной версии «черного ящика» в самолете – постоянно записывает скорость автомобиля, а также скорость и интенсивность, с которой водитель тормозит и разгоняется. GPS-монитор отслеживает местоположение автомобиля.

В теории это воплощает идеал журнала Consumer Reports: в центре внимания оказывается не обезличенная группа, а каждый конкретный водитель. Представим себе водителя, которому всего восемнадцать. Традиционно эти юнцы покупают страховку за огромные деньги, потому что их возрастная группа, согласно статистике, – наиболее беспечная и легкомысленная. Но теперь ученик выпускного класса школы, который не лихачит, ездит с устойчивой, умеренной скоростью, не превышая ее, и начинает плавно и заблаговременно тормозить на красный свет, может получить при страховании скидку. Страховые компании уже давно стимулируют юных водителей, закончивших автошколу с отличием. Отличный аттестат – прокси ответственного вождения. Но информация о том, как на самом деле водит молодой человек, – это не прокси, это по-настоящему. А это ведь всегда лучше, так?

Тут есть две проблемы. Во-первых, если система связывает риск с топографическим положением машины, то водители из бедных кварталов проигрывают уже на старте: ведь они чаще водят машину в районах, которые страховщики считают зонами повышенного риска. Многим таким водителям приходится иногда ездить далеко и при этом нерегулярно (когда подвернется очередная подработка), что тоже оценивается как повышенный риск.

Ну и отлично, скажете вы! Если бедные районы действительно представляют собой зоны повышенного риска (особенно в том, что касается угонов автомобилей), то почему, собственно, страховые компании должны игнорировать эту информацию? И если долгие поездки в самом деле повышают вероятность ДТП, то эту проблему страховщики тоже должны учитывать. Тем более что суждение здесь основывается на поведении водителя, а не на посторонних факторах вроде кредитного рейтинга или историй вождения других людей его возраста и его социального положения. Разве это не улучшение?

В определенной степени так и есть. Но давайте представим себе гипотетическую женщину-водителя, которая живет в неблагополучном районе города Ньюарк, штат Нью-Джерси, и постоянно ездит за двадцать миль в богатый пригород городка Монклер, где она работает баристой в Starbucks. Расписание у нее хаотичное и включает в себя периодические «заоткрытия». Однажды она закрывает кофейню в 23:00, едет к себе домой в Ньюарк, а затем ей нужно снова вернуться обратно на работу к пяти утра. Чтобы сэкономить десять минут и полтора доллара в каждую сторону, она не пользуется платной автострадой Гарден-Стейт, а срезает путь и едет по дороге, на которой полно баров и заведений со стриптизом.

Наблюдательный страховщик сразу заметит, что машины, которые ездят по этой дороге ночью, с большей вероятностью попадают в аварии. Здесь много пьяных, да и наша героиня повышает риск, поскольку делит дорогу с людьми, только что вышедшими из бара и севшими за руль. Один из них вполне может в нее врезаться. «Черный ящик», установленный в ее машине страховой компанией, не входит в тонкости – если она постоянно ездит по дороге, где полно пьяных водителей, значит, и сама она может быть одним из них.

Таким образом, даже модели, которые отслеживают конкретно ваше поведение, оценивают степень риска путем сопоставления с другими людьми. Только на этот раз, вместо того чтобы поместить вас в интервал «говорящие на арабском языке» или «говорящие на урду», «живущие в таком-то округе» или «получающие примерно такие-то деньги», они группируют вас по схожему поведению. Предположение основывается на том, что люди, ведущие себя похожим образом, рискуют примерно одинаково. И если вы заметили, это то же самое допущение («Все такие люди – одного поля ягоды») и столь же несправедливое.

Когда я обсуждаю с кем-нибудь «черные ящики» в машинах, то большинство людей возмущает не несправедливость анализа, а сам факт слежки. Мой собеседник ни за что не согласился бы на это! Он не хочет, чтобы его отслеживали, а информацию о нем продавали рекламщикам или передавали в Управление национальной безопасности. Некоторые люди и правда способны сопротивляться наблюдению. Но неприкосновенность частной жизни будет обходиться все дороже.

Сейчас, когда все только начинается, системы слежения, предлагаемые страховыми компаниями, – дело добровольное. Только тот, кто согласен на то, чтобы за ним следили, должен включить свой «черный ящик». И получить за это награду – скидку от 5 до 50 процентов и обещание еще бо́льших скидок в дальнейшем. (А тем временем все остальные будут субсидировать эти скидки своими более дорогими страховыми полисами.) Но по мере того как сбор информации страховщиками будет продолжаться, они смогут делать все более точные предсказания. В этом весь смысл экономики данных. Те, кто сумеет сделать из этой информации наиболее точные выводы и конвертировать их в прибыль, вырвутся вперед. Они будут точнее предсказывать групповые риски (хотя неожиданное поведение отдельных людей так и останется для них загадкой). И чем больше прибыли будет приносить им информация, тем больше они будут стремиться заполучить эту информацию.

В какой-то момент «страховые трекеры» в машинах, скорее всего, станут нормой. А клиентам, которые захотят страховаться по старинке, поделившись со страховой компанией лишь самой необходимой информацией, придется платить по самому дорогому тарифу – и, возможно, отрыв от остальных будет все время увеличиваться. В мире ОМП неприкосновенность частной жизни чем дальше, тем больше становится роскошью, которую могут позволить себе только богатые.

В то же время слежка может изменить саму суть страхования. Страхование – это индустрия, которая традиционно основывается на том, что большинство платит за меньшинство, которому не повезло. В деревнях, где все мы жили сотни лет назад, семьи, приходы и соседи помогали членам общины в случае пожара, несчастного случая или болезни. В рыночной экономике мы отдаем эту заботу на аутсорсинг страховым компаниям, которые оставляют часть денег у себя и называют это своей прибылью.

По мере того как страховые компании узнают о нас все больше, они смогут определять клиентов с наивысшей степенью риска и либо поднимать стоимость страховки до стратосферных высот, либо (там, где это законно) вообще отказывать им в страховании.

Это очень далеко отстоит от изначальной цели страхования: помочь обществу по возможности уравнять риски. В нашем мире мы больше не платим по среднему тарифу. Вместо этого нас обременяют прибавочными издержками. Вместо сглаживания жизненных ударов страховые компании будут требовать оплаты этих ударов заранее. Это зачеркнет подлинную цель страхования, причем ударит больнее всего по тем, кому и так сложнее всего пережить несчастье.

* * *

Как только страховые компании внимательно изучат особенности наших жизней и наших тел, они рассортируют нас по группам нового типа. И эти группы не будут основаны на традиционных показателях, таких как возраст, пол, состояние или почтовый индекс. Это будут поведенческие группы, почти полностью сформированные машинами.

Чтобы убедиться в том, как будет развиваться подобное ранжирование, давайте взглянем на нью-йоркскую компанию Sense Networks, работающую с Большими данными. Десять лет назад исследователи Sense научились анализировать информацию о перемещениях людей, полученную с их мобильных телефонов. Эта информация, которую предоставили ученым несколько телефонных провайдеров из Европы и Америки, была анонимной: всего лишь точки, перемещающиеся по картам. Конечно, не нужно было обладать задатками гениального сыщика, чтобы связать какую-нибудь точку с адресом, куда она прибывала каждый вечер. Но Sense интересовалась не отдельными людьми, а их группами.

Ученые заложили данные по Нью-Йорку в самообучающуюся систему, но при этом дали ей довольно специфические инструкции: машина не должна была группировать «жителей пригорода», или «миллениалов», или объединять людей по их покупательским предпочтениям. Она должна была находить сходства самостоятельно. Многие из этих критериев в результате оказались довольно бессмысленными: скажем, «люди, проводящие больше 50 % своего времени на улицах, названия которых начинаются на букву D» или «люди, проводящие большую часть своих перерывов на обед вне офиса». Но если система перелопачивает данные о миллионах людей, то неизбежно появятся какие-то осмысленные паттерны и корреляции, включая и такие, над которыми никому из нас не пришло бы и в голову задуматься.

Шли дни, компьютеры Sense продолжали обрабатывать огромный объем информации – и точки начали приобретать разные цвета. Какие-то покраснели, какие-то пожелтели, посинели и позеленели. Появлялись разные группы.

Что они собой представляли? Об этом знала только машина, но она ничего не объясняла. «Мы не всегда можем распознать, что общего у этих людей, – говорит один из основателей и бывший генеральный директор Sense Грег Скибицки. – Они не совпадали с традиционными группами, по которым мы бы их разбили». Когда точки закончили менять цвет, команда Sense начала отслеживать их перемещения по Нью-Йорку. Днем определенные районы были преимущественно синими, а вечером они становились красными с вкраплениями желтого. Одна группа, вспоминал Скибицки, постоянно посещала одно и то же место поздно вечером. Что это – ночной клуб? Наркопритон? Взглянули на адрес – оказалось, больница. Выходит, люди в этой группе чаще болеют или получают травмы? А может быть, они врачи или другие медицинские работники?

Компанию Sense в 2014 году купил оператор мобильной рекламы YP, отколовшийся от AT&T. По-видимому, результаты всей этой сортировки пока что будут использоваться для таргетированной рекламы. Но легко представить себе, как системы машинного обучения, которым скармливают самые разные потоки поведенческой информации, вскоре научатся размещать нас по сотням и тысячам групп. Члены этой группы будут сходным образом откликаться на одну и ту же рекламу. Эта группа демонстрирует сходство политических взглядов, члены вот этой чаще оказываются в тюрьме, а те – предпочитают фастфуд.

Настоящие океаны поведенческой информации в ближайшие годы окажутся в распоряжении систем искусственного интеллекта. И для живых людей эти системы останутся черными ящиками. Нам редко что удастся узнать о группах, в которые нас определили, и о том, почему нас туда определили. В эпоху машинного интеллекта большая часть результатов останется для нас загадкой. Многие такие группы будут постоянно мутировать – час за часом, минута за минутой, – и нас будут перебрасывать из одной группы в другую. В конце концов, один и тот же человек может вести себя очень, очень по-разному в восемь утра и восемь вечера.

Эти автоматические программы все больше будут определять, как к нам будут относиться другие машины, те, что выбирают, какие рекламные объявления нам смотреть, определяют для нас цены, выстраивают нас в очередь к дерматологу или составляют карты для наших маршрутов. Они будут действовать эффективно, казаться произвольными и совершенно непредсказуемыми. Никто не сможет понять их логику и объяснить ее.

Если мы с боем не отберем у них обратно контроль над ситуацией, эти будущие ОМП будут казаться загадочными и мощными. Они станут обращаться с нами, как им вздумается, а мы практически не будем знать, что происходит.

* * *

В 1943 году, в разгар Второй мировой, когда американские армия и промышленность нуждались в каждом солдате или работнике, правительство США реформировало налоговый кодекс, включив в налоговый вычет медицинское страхование за счет работодателя. Это не выглядело значимым событием – особенно по сравнению с заголовками газет, кричащими о германской капитуляции под Сталинградом или высадке союзников в Сицилии. В то время лишь около 9 % американских работников пользовались медицинским страхованием в качестве бонуса от работодателя. Но с новым статусом налогового вычета компании начали привлекать все новых работников, обещая им бесплатные страховки. Через десять лет уже 65 % американцев были защищены медицинским страхованием от работодателя. Компании и раньше в значительной степени контролировали наши финансы. Но за это десятилетие они в определенной мере приобрели контроль – хотели они того или нет – над нашими телами.

Семьдесят пять лет спустя расходы на здравоохранение переросли все мыслимые рамки и сейчас составляют три триллиона долларов в год. Почти доллар из каждых пяти, что мы зарабатываем, идет на нужды огромной индустрии здравоохранения.

Работодатели, которые давно уже экономят на своих работниках, чтобы снизить расходы, теперь применяют новую тактику сражения с этими растущими тратами. Они называют это «оздоровлением». Речь идет о все более пристальной слежке за работниками, включая большое количество информации, поступающей из «интернета вещей» – от фитнес-браслетов, «умных» часов и прочих сенсоров, которые постоянно поставляют данные о функционировании нашего тела.

Изначально намерения, как мы уже много раз видели, были самыми благими. Закон о доступном медицинском обслуживании (Obamacare) должен стимулировать компании к тому, чтобы они вовлекали сотрудников в оздоровительные программы и даже «поощряли здоровье». По закону работодатели могут теперь предложить премии и определить размер штрафов, доходящих до 50 % стоимости страховки. Теперь, по данным исследования Rand Corporation, более половины всех организаций, в которых работает более 50 сотрудников, имеют оздоровительные программы, и их число постоянно увеличивается.

Программы оздоровления полезны по многим причинам. Если они сработают – а как мы увидим позже, тут есть очень серьезное «если», – больше всего выиграет работник и его (ее) семья. Однако если программы оздоровления помогут работникам избегать сердечно-сосудистых заболеваний и диабета, работодатели тоже получат выгоду. Чем меньше их сотрудникам придется лечиться, тем менее рискованным весь штат сотрудников выглядит для страховой компании, которая, в свою очередь, снизит расценки для данного работодателя. Так что, если мы не будем рассматривать проблему вмешательства, программа оздоровления может показаться со всех сторон выигрышной.

Проблема заключается в том, что вмешательство не исчезнет само собой. Как и принуждение. Рассмотрим ситуацию Аарона Абрамса – профессора математики в Университете Вашингтона и Ли в штате Вирджиния. Он пользуется услугами страховой компании Anthem Insurance, которая применяет программу оздоровления. Чтобы соответствовать условиям этой программы, он должен заработать 3250 «очков здоровья». Он получает одно очко за ежедневный вход в систему, а также 1000 очков за ежегодное посещение врача и профосмотр в университете. Также он получает очки за заполнение «журнала здоровья», в котором устанавливает для себя ежемесячные цели – и при достижении этих целей ему выдается еще больше очков. Если Абрамс не захочет участвовать в программе, он должен будет платить дополнительно 50 долларов в месяц за свою страховку.

Абрамса взяли на работу, чтобы он преподавал математику. Однако сейчас, как и миллионы других американцев, часть своего рабочего времени он тратит на то, чтобы следовать целому списку требований по поддержанию здоровья и делиться информацией не только со своим работодателем, но и с третьей стороной – компанией, которая применяет программу. Ему это не нравится, и он предвидит, что настанет день, когда колледж расширит свою систему слежки. «Это просто пугающе, – говорит Абрамс, – думать о том, что кто-то будет реконструировать каждое мое движение, основываясь на моем собственном подсчете моих шагов».

Мои опасения уходят еще на шаг дальше. Как только компании накопят массу информации о здоровье своих сотрудников, что остановит их от разработки системы скоринга здоровья и ее применения при приеме на работу кандидатов? Большая часть прокси-информации – такой как количество шагов в день или часов сна за ночь – не защищена законом, поэтому теоретически этот отбор будет совершенно легальным. И это вполне разумно. Как мы уже видели, людям на постоянной основе отказывают от места на основании кредитного скоринга и личностных тестов. Скоринг здоровья представляет собой естественный – и пугающий – следующий шаг.

Компании уже устанавливают амбициозные стандарты здоровья для работников, наказывая их за несоответствие этим стандартам. Компания по производству шин Michelin устанавливает цели для своих сотрудников по таким параметрам, как артериальное давление, уровень глюкозы, холестерина и триглицеридов, а также размер талии. Те, кто не достигает целей в трех категориях, должны выплачивать дополнительные 1000 долларов в год за свою медицинскую страховку. Национальная сеть аптек CVS объявила в 2013 году, что потребует от своих сотрудников докладывать об уровне жира, сахара, артериального давления и холестерина – или доплачивать 600 долларов в год.

Шаг CVS вызывал гневный отклик от Алиссы Флек, колумниста Bitch Media:

Внимание всем! Если вы годами пытались оказаться в форме, что бы это для вас ни значило, теперь вы можете бросить то, чем все это время занимались, потому что компания CVS уже все выяснила за вас. Выяснилось, что, какие бы попытки вы ни предпринимали, у вас не было правильной мотивации. За исключением того, что на самом деле эта практика уже существует и называется унижением и фэтшеймингом. Позвольте посторонним людям сообщить вам о том, что у вас лишний вес, – или платите большой штраф.

В центре проблемы с весом находится дискредитированная статистика «индекс массы тела». Он основывается на формуле, разработанной два столетия назад бельгийским математиком Адольфом Кетле, который практически ничего не знал о здоровье или человеческом теле. Он просто хотел разработать простую формулу, чтобы рассчитать уровень ожирения у большой группы людей. В качестве основы он взял «среднестатистического человека». Кит Девлин, математик и автор научно-популярных книг, пишет:

Это полезная концепция. Но если вы попытаетесь применить ее к отдельному человеку, вы можете получить такой же абсурдный результат, как «у этого мужчины есть 2,4 ребенка». Среднестатистические показатели измеряют большие сообщества и зачастую не подходят для измерения отдельных людей.

Девлин добавляет, что ИМТ с его численными показателями окутывает «математический чудодейственный эликсир» аурой научного авторитета.

ИМТ – это вес человека в килограммах, разделенный на его рост в метрах. Это грубый числовой заменитель хорошей физической формы. С большей вероятностью можно предположить, что лишний вес окажется у женщин. Более того, из-за того, что жир весит меньше, чем мышцы, спортсмены с хорошим рельефом часто имеют сильно завышенные ИМТ. В альтернативной ИМТ-вселенной баскетболист Леброн Джеймс страдает от лишнего веса. Когда к ИМТ привязывают экономическую систему «кнута и пряника», большие группы работников наказываются за их телесную конституцию. Особенно тяжело эта система карает афроамериканок, которые часто имеют повышенный ИМТ.

А разве не хорошо, спросят защитники системы оздоровления, что людям помогают справиться с лишним весом и прочими проблемами со здоровьем? Ключевой вопрос здесь: в каком виде подается эта помощь – в виде предложения или приказания? Если компания запускает добровольные и бесплатные программы оздоровления, мало кто найдет причины возражать. (А работники, которые принимают решение участвовать в этих программах, действительно достигают каких-то целей, хотя вполне вероятно, что прекрасно бы обошлись и без этого принуждения.) Но привязывание недостоверной статистики, такой как ИМТ, к денежному вознаграждению и принуждение сотрудников приводить тела в соответствие корпоративному идеалу – это покушение на личную свободу. Оно дает компаниям оправдание наказывать людей, на которых им не нравится смотреть, и одновременно вытаскивать деньги из их карманов.

Все это делается во имя здоровья. Тем временем шестимиллиардная индустрия оздоровления громко кричит о своем успехе, и зачастую без каких-либо доказательств. Джошуа Лав, президент компании корпоративного оздоровления Kinema Fitness, пишет:

Вот факты: более здоровые люди работают усерднее, чувствуют себя счастливее и помогают другим повысить эффективность труда. Нездоровые работники, как правило, отличаются инертностью, чрезмерно утомляются и несчастливы, так как работа – это симптом их образа жизни.

Разумеется, Лав не приводит никаких ссылок, подкрепляющих его обобщения. И даже если они правдивы, существует очень мало свидетельств того, что обязательные программы оздоровления действительно улучшают здоровье работников. Исследование, проведенное Калифорнийской программой обзора лечебно-профилактических эффектов, свидетельствует о том, что корпоративные программы оздоровления не способны снизить у их участников общий показатель артериального давления, уровень сахара или холестерина в крови. Даже когда люди одерживают успех в снижении веса в одной из этих программ, они обычно потом снова его набирают. (Единственная область, где программы оздоровления действительно демонстрируют положительную динамику, – это борьба с курением.)

Также выясняется, что программы оздоровления, несмотря на широко разрекламированные индивидуальные успехи их участников, не приводят к уменьшению затрат на лечение. Исследование 2013 года, предпринятое Джил Хорвиц, профессором юриспруденции в Калифорнийском университете в Лос-Анджелесе, развенчивает экономическую подоплеку движения. По данным отчета, исследования методом случайной выборки «ставят под вопрос» тот факт, что счета за медицинское обслуживание работников, которые курят или страдают ожирением, оказывались выше, чем у остальных. Хотя такие люди действительно с большей вероятностью могут страдать от проблем со здоровьем, эти проблемы обычно появляются в более поздний период жизни, когда эти люди уже не пользовались медицинским страхованием от работодателя, а использовали один из правительственных пенсионных медицинских планов. На самом деле самая большая экономия от программ оздоровления исходит от штрафов, которые налагаются на работников. Другими словами, как и в случае с алгоритмами составления расписания, они дают корпорациям еще один инструмент уменьшить выплаты наемным работникам.

Несмотря на мое отношение к программам оздоровления, они (пока еще) не могут считаться полноценными средствами ОМП. Они определенно широко распространены, вмешиваются в жизни миллионов наемных работников – и отнимают у них деньги. Но они не отличаются непрозрачностью и, если не считать обманчивого ИМТ, не основаны на цифрах. Это простой и распространенный случай кражи заработной платы, завернутый в красивую риторическую обертку заботы о здоровье.

Работодатели уже завалены нашими данными. Они сейчас заняты их использованием, как мы уже видели, чтобы ранжировать нас как потенциальных сотрудников и как работников. Они пытаются составить карты наших мыслей и дружеских связей – и предсказать нашу продуктивность. Учитывая то, что они уже глубоко вовлечены в страховое дело, а затраты на здравоохранение сотрудников представляют для них самую большую статью расходов, вполне естественно, что они будут наращивать контроль над здоровьем своих работников. И если компании создадут свои собственные модели здоровья и продуктивности, из этого смогут сформироваться полноценные ОМП.