все способнее? Ответ кроется в трех изменениях нашего нынешнего подхода: чему мы учим, как мы учим и когда мы учим.

Чему мы учим

За последние несколько лет было выдвинуто множество политических предложений в ответ на угрозу автоматизации. Во всех них заложен один основополагающий принцип: мы должны обучать людей навыкам, которые позволят им лучше разбираться в том, в чем машины плохи, а не в том, в чем они хороши. Другими словами, люди должны научиться выполнять задачи, в которых машины будут дополнять их, а не заменять.

Главный смысл этого совета заключается в том, что мы должны перестать учить людей выполнять «рутинную» работу. Как мы уже видели, «рутинные» задачи – те, которые людям легко объяснить, как они выполняются, – находятся там, где машины уже преуспевают, и где замещающая сила уже вытесняет людей. Вместо того чтобы направлять людей на такую работу, мы должны подготовить их к выполнению таких ролей, как работа медсестры и уход за больными: работа, которая включает в себя деятельность, опирающуюся на способности, которые на данный момент остаются недоступными даже самым способным машинам. С другой стороны, мы могли бы научить людей самим строить машины, проектировать их и устанавливать их для надлежащего использования – еще одно занятие, которое в настоящее время машины действительно не могут делать. На данный момент сосредоточение внимания на этих видах деятельности даст рабочим наилучшие шансы успешно конкурировать с машинами.

У некоторых слово «конкурировать» может вызвать неприязнь. Они предпочтут ему один из многих терминов, подразумевающих, что машины помогают людям: «увеличивать», «усиливать», «укреплять», «сотрудничать», «взаимодействовать». Такие слова могут служить утешением, но они дают неверное представление о происходящих изменениях. Сегодня новые технологии действительно могут дополнять людей при выполнении определенных задач и тем самым повышать на них спрос; но, как мы уже видели, такая ситуация сохранится лишь до тех пор, пока люди будут выполнять эти задачи лучше машин. Как только это изменится, полезная дополняющая сила исчезнет. Дополняющая сила – это лишь временная помощь; конкуренция, нескончаемая борьба за сохранение превосходства над машинами в любой конкретной задаче – постоянное явление.

Возможно, простота этого совета вызовет улыбку: не готовьте людей к задачам, которые машины могут выполнять лучше. Но на практике этот основной принцип зачастую игнорируется. Сегодня мы продолжаем тратить массу времени на то, чтобы научить людей выполнять именно те «рутинные» действия, в которых машины превосходят нас уже сейчас, не говоря уже о будущем.

Подумайте, например, о том, как мы преподаем математику. Многие задачи, решаемые учениками средней школы, а то и университетов, теперь можно решить с помощью таких приложений, как PhotoMath и Socratic: сфотографируйте напечатанную или написанную от руки задачу с помощью смартфона – и эти приложения ее мгновенно просканируют и выдадут вам ответ. То, что мы все еще преподаем математику таким «рутинным» способом, тогда как уже существующие системы могут легко справиться с большим его объемом, – тревожный знак. Эта проблема не нова: еще несколько десятилетий назад базовые калькуляторы сместили акцент обучения математике с прямолинейных расчетов на математические рассуждения и решение задач. (Существуют «экзамены с калькулятором», где британские студенты должны использовать калькулятор и вопросы подбираются соответствующим образом.) Подобный сдвиг теперь необходим и под влиянием этих новых технологий. Тот же принцип действует во всех предметах: независимо от того, чему мы учим, мы должны исследовать материал таким образом, чтобы использовать человеческие способности, находящиеся вне досягаемости машин.

С другой стороны, сегодня мы часто не можем подготовить людей к выполнению задач, для которых плохо приспособлены машины. Возьмем, к примеру, информатику. В США почти половина вакансий из 25 % самых высокооплачиваемых профессий уже требует навыков программирования[474], а в будущем они почти наверняка станут еще важнее. При этом в Англии, например, программирование все еще остается скучным дополнением к национальной учебной программе, полностью отрезанным от тех захватывающих процессов, которые разворачиваются на передовой исследований в этой области. Недавний опрос показал, что английские учителя информатики часто не имеют «никакого опыта» в этом предмете и «не чувствуют себя уверенно» в преподавании материала[475]. Отчасти это объясняется тем, что сегодняшние преподаватели компьютерных наук раньше нередко преподавали старомодный (теперь уже отмененный) курс по ИКТ, или информационно-коммуникационным технологиям, в рамках которого студентов учили использовать Microsoft Word, Excel и тому подобное. Политики, похоже, считали, что поскольку оба предмета имеют какое-то отношение к компьютерам, то нет никакой срочной необходимости нанимать новых учителей. Учитывая качество обучения, неудивительно, что, достигнув шестнадцати лет, только один из десяти английских школьников сдает выпускной экзамен по информатике[476]. Если посмотреть шире, мы обнаружим, что в 33 странах ОЭСР у каждого четвертого взрослого «мало опыта работы с компьютерами или нет его вообще», а большинство «находится на самом низком уровне квалификации» в применении технологий для решения задач[477].

Простой на первый взгляд принцип, гласящий, что людей нужно готовить к выполнению тех задач, в которых машины будут их дополнять, а не заменять, полезен еще и по другой причине: он заставляет нас тщательнее анализировать, где именно на рынке труда могут находиться эти дополненные задачи. Сегодня принято считать, что они связаны с самыми сложными и хорошо оплачиваемыми рабочими местами. Таким образом, многие политические решения принимаются с целью стимулировать людей «повышать квалификацию», пробиваться на рынке труда и пытаться закрепить за собой место в верхних эшелонах. В этом заключалась суть заявлений Клинтона, Блэра и Обамы о высшем образовании. Но сегодня эта стратегия XX века уже кажется устаревшей. Как мы видели, по уровню образования, необходимому человеку для выполнения той или иной задачи (другими словами, требуется для нее высококвалифицированный работник или нет), сложно судить, можно ли эту задачу автоматизировать. На самом деле многие задачи, которые еще не могут быть автоматизированы, связаны не с самыми высокооплачиваемыми профессиями, к примеру, это задачи социальных работников, фельдшеров и школьных учителей. Подготовка людей к такой карьере потребует совершенно иного подхода, нежели традиционный, заключающийся в попытках подталкивать студентов к получению все более продвинутого формального образования.

Однако в отдаленном будущем простого правила избегать «рутинных» задач будет недостаточно. Мы знаем, что машины не будут постоянно ограничиваться «рутинными» задачами: они уже выполняют задачи, требующие от людей таких способностей, как творчество, формулирование суждения и эмпатия. В некотором смысле машины тоже начинают строить сами себя. (Вспомните, например, игровую систему AlphaZero, которая самостоятельно стала непревзойденным шахматистом.) В связи с этим возникают сомнения даже относительно того, смогут ли люди и в будущем заниматься разработкой машин.

Однако попытки дать