Гипотеза ОЛМ строилась на двух исходных посылах. Первый из них был прост: рассматривать рынок труда с точки зрения «рабочих мест», как мы часто делаем, – неправильно. Когда мы говорим о будущем труда, мы склонны думать о журналистах и врачах, учителях и медсестрах, фермерах и бухгалтерах; и мы задаемся вопросом, не обнаружат ли однажды представители этих профессий, что их рабочее место заняла машина. Но так рассуждать бесполезно, потому что в этом случае вы представляете данную работу как единую, неделимую деятельность: адвокаты «адвокатствуют», врачи «врачуют» и так далее. Однако если вы внимательно посмотрите на любую конкретную работу, то увидите, что в течение рабочего дня люди выполняют самые разнообразные задачи. Поэтому размышления о технологиях и труде мы должны начинать снизу вверх, сосредотачиваясь на конкретных задачах, выполняемых людьми, а не сверху вниз, глядя только на общие названия должностей.

Второй посыл был тоньше. Со временем стало ясно, что уровень образования, необходимый людям для выполнения той или иной задачи, – то, насколько они «квалифицированны» – не всегда показывает, легко или трудно будет машине выполнить ту же задачу. Вместо этого важным было сочтено то, была ли сама задача «рутинной». Под «рутиной» экономисты не подразумевали, что задание обязательно было скучным или утомительным. Скорее, задача считалась «рутинной», если людям было просто объяснить, как они ее выполняют, – если она опиралась на так называемое «явное» знание, которое легко сформулировать, а не на «негласное» знание, которое сформулировать трудно[117].

Отор и его коллеги считали, что такие «рутинные» задачи должно быть проще автоматизировать. Почему? Потому что когда эти экономисты пытались определить, какие задачи могут выполнять машины, они представляли себе, что единственный способ автоматизировать задачу – это сесть рядом с человеком, заставить его объяснить, как он будет выполнять эту задачу, а затем на основе услышанного написать инструкцию для машин[118]. Чтобы машина выполнила задачу, писал Отор, «программист должен сначала понять всю последовательность шагов, необходимых для выполнения этой задачи, а затем написать программу, которая, по сути, заставит машину точно имитировать эти шаги». Если задача «нестандартна», иными словами, если люди не могут объяснить, как они ее выполняют, то программистам будет трудно превратить их объяснения в набор инструкций для машины[119].

Гипотеза ОЛМ свела эти две идеи воедино. Машины, гласила она, могут легко выполнять «рутинные» задачи на рабочем месте, но не справятся с «нестандартными». Этот разумный аргумент мог бы объяснить странные тенденции, показанные на графике 2.5, ведь, когда экономисты разбили различные занятия на составляющие их задачи, многие виды деятельности, выполняемые людьми со средней зарплатой, оказались «рутинными», в то время как задачи низкооплачиваемых и высокооплачиваемых работников таковыми не были. Вот почему рынки труда во всем мире оказались размыты и приобрели форму песочных часов. Технологические изменения разъедали «рутинные» задачи, сгруппированные в середине, но «нестандартные» на обоих концах были машинам не по зубам и оставались уделом человека[120].

В том, что высокооплачиваемый, высококвалифицированный труд часто оказывался «нестандартным», не было ничего удивительного. Связанные с ним задачи требовали таких человеческих способностей, как творчество и умение формулировать суждения, а их очень трудно или просто невозможно включить в набор правил (большинство людей очень подозрительно отнеслось бы к любому определенному набору инструкций, например относительно того, «как быть креативным»). Но почему низкооплачиваемая, низкоквалифицированная работа тоже оказалась «нестандартной»? Отчасти это объясняется тем, что такой труд нередко был частью экономики услуг, а навыки межличностного общения, необходимые для нее, трудно зафиксировать в правилах. Но это происходило еще и потому, что низкооплачиваемая работа часто требовала ручного труда, с трудом поддающегося автоматизации. Ученые-компьютерщики уже были знакомы с этим открытием: многие обыденные вещи, которые мы привыкли делать своими руками, для машины представляют наибольшую трудность. (Это явление известно как «парадокс Моравца» – в честь Ганса Моравца, футуриста и изобретателя, который одним из первых его описал[121].) Когда люди готовят пищу или стригут куст, они это делают инстинктивно, не задумываясь. Поэтому, хотя люди могут счесть эти задачи простыми, им, вероятно, будет очень трудно объяснить, как их выполнять. Соответственно, такие задачи нелегко автоматизировать.

Оказалось, что технический прогресс не питал никаких пристрастий к навыкам или их отсутствию, как утверждалось в старых экономических историях. Скорее он был сосредоточен на задачах – одни типы задач машины способны выполнять, а другие – нет. То есть выиграют от технологических изменений только те работники, кто хорошо приспособлен для выполнения «нестандартных» задач, которые машинам не под силу. Это, в свою очередь, объясняет, почему отдельные категории работников со средним уровнем квалификации могут вообще не получить выгоды от новой технологии, если они застрянут на работе, состоящей в основном из «рутинных» задач, с которыми машины могут легко справиться.

Выводы из гипотезы ОЛМ

Возможно, удивительно слышать, что экономисты так легко изменили свою точку зрения, перейдя от представления, что технологии всегда приносят работникам пользу, к идее, что они затрагивают решение конкретных задач. Однажды Кейнс ответил критику, требовавшему, чтобы он изменил свою позицию по какому-то экономическому вопросу: «Когда факты меняются, я меняю свое мнение. А что делаете вы, сэр?»[122] Эта фраза часто цитируется как остроумный способ признать ошибку и в то же время не заострять на ней внимание. Но помните, что на самом деле делают экономисты: они рассказывают истории, математические сказки, которые должны отразить реальность. Поэтому и мы должны хотеть, чтобы экономисты вели себя соответствующим образом: приспосабливались, когда меняются факты, обновляли свои модели и перекраивали свои истории. Именно это сделали в последние десятилетия экономисты, изучающие рынок труда. И это не признак интеллектуальной непоследовательности, а правильный подход.

Гипотеза ОЛМ помогает выявить несколько типов ошибочных представлений о будущем труда. Например, в разговорах о перспективах автоматизации различных рабочих мест очень часто можно услышать заявления вроде «медсестры в безопасности, а бухгалтеры под угрозой» или «в США риску автоматизации подвержены X % рабочих мест, а в Великобритании только Y %». Многие ссылаются на авторитетное исследование оксфордских ученых Карла Фрея и Майкла Осборна, согласно которому в США в ближайшие десятилетия автоматизация уничтожит 47 % рабочих мест, причем наибольшему риску подвержены работники колл-центров (риск автоматизации составляет 99 %), а наименьшему – рекреационные терапевты (0,2 %)[123]. Но, как отмечали сами Фрей и Осборн, подобные выводы очень приблизительны. Технический прогресс не уничтожает рабочие места полностью, и проводимое гипотезой ОЛМ различие между «работой» и «задачей» объясняет почему. Ни одна работа не является неизменным видом деятельности, который в будущем может быть полностью автоматизирован. Скорее, каждая