Неравенство и автоматизация (Часть 2)
<< Часть 1 <<
В первой части мы познакомились с работой американских экономистов Д. Аджемоглу и П. Рестрепо, которые попытались выявить связь между автоматизацией рабочих мест и ростом неравенства в зарплатах. Определенную связь они действительно нашли - но вопросов всё равно осталось больше, чем ответов. Некоторые из этих вопросов - систему высшего образования и классовую неприязнь - мы осветили более подробно.
Но образование и "кастовая" система - это только часть барьеров, мешающих эффективному и справедливому распределению трудового дохода. Американский рынок труда характеризуется рядом других искусственных ограничений. Во-первых, это лицензирование профессий, часто бессмысленно строгое. Если в 1950-ых менее 5% рабочих мест требовало лицензии, то в 2009 эта доля поднималась до 25%:
Во-вторых, это cоглашения о неконкуренции, запрещающие работнику трудостраиваться в компании, конкурирующие с его нынешним работодателем. 10-15% рабочей силы в таких низкооплачиваемых областях, как офис-менеджмент, транспорт и приготовление пищи находится под такими соглашениями, что препятствует поиску более высокооплачиваемой работы.
Есть и другие факторы - например, концентрация рыночной силы у одного или нескольких работодателей. Но их влияние конкретно на уровень неравенства уже не так велико. В целом, я думаю, должно быть понятно, что у проблемы неравенства не существует ни однозначного, «удобного» виновника - вроде автоматизации - ни простых путей для устранения. К сожалению, не видно даже особого стремления властей и гражданского общества бороться не с симптомами, а с причинами этой проблемы.
И вот теперь, когда у нас есть широкий контекст, мы можем подвести окончательную черту под научной работой Дарона Аджемоглу и Паскуаля Рестрепо. Безусловно, полученные в ней зависимости выглядят интересными с точки зрения экономической теории и статистически надежными с точки зрения математического аппарата. Связь между прогрессом в автоматизации и снижением зарплат на «рутинных» позициях существует. И теории этот вывод не противоречит.
Но эта связь объясняет только часть динамики неравенства. Данные, на которых делается анализ, позволяют судить о процессах лишь очень опосредованно. И, пожалуй, самое главное: модель Аджемоглу и Рестрепо не в состоянии объяснить период, когда неравенство в США росло наиболее сильно. Это явно свидетельствует о том, что неравенство - это очень сложный вопрос, который принципиально не сводим к какому-то одному действующему фактору.
Черту мы подвели, но у нас так и остались не отвеченными два поднятых ранее вопроса: что изменилось в 1980 и что изменилось в 2000? Поскольку проблема неравенства обострилась давно, исследователями была предложена масса правдоподобных гипотез. Часть из них - влияние глобальной торговли и профсоюзов - Аджемоглу и Рестрепо адресуют в своей работе и не находят большой связи. Несмотря на то, что эти гипотезы как раз объясняют временные рамки усиления неравенства. Оставим эту неоднозначность как есть и сконцентрируемся на альтернативных факторах.
Во-первых, реальный уровень минимальной заработной платы. Как раз в 1980-ых он испытал самое сильное падение в истории США, снизившись почти на 40%:
Во-вторых, некоторые исследователи указывают на негативное влияние других административных мер на зарплаты среднего класса. Прежде всего, это начавшаяся в 1970-ых дерегуляция многих отраслей: авиакомпании, грузоперевозки, телекоммуникации и др. В затронутых отраслях работало 9% рабочей силы США. Кроме того, на эрозию заработных плат повлияли приватизация государственных функций, ослабление трудового надзора и сокращение социальной поддержки (например, ужесточение требований для выплаты пособия по безработице и сокращение их продолжительности).
На это наложились структурные факторы: в общей занятости выросла доля работников, практически не защищенных трудовым законодательством. Например, число занятых в сфере домашнего ухода (сиделки и т. п.) с 2008 по 2018 выросло в 2 раза.
В-третьих, возможен эффект от изменений в миграционных потоках. В последние 40 лет увеличилась доля иммигрирующих в Штаты с низким уровнем образования и уровнем знания английского, в результате чего как раз усилилась конкуренция за низкооплачиваемые «рутинные» рабочие места. Более того, власти дискриминируют недавних иммигрантов, ухудшая тем самым положение этой уже уязвимой группы. Например, в первые 5 лет после прибытия в США они не имеют право на получение федеральных социальных пособий. Расчеты в этой работе показывают, что иммигранты в 1995-2010 на 20-50 б.п. увеличивали коффициент Джини в США:
Как видим, список причин, которые могли повлиять на рост неравенства в Штатах, является очень обширным. Многие из них так же, как и влияние автоматизации, были подтверждены на количественных данных другими исследователями. Но, раз уж мы заявили автоматизацию в качестве основной темы, давайте вернемся обратно к ней. И посмотрим на ее связь с неравенством уже не с количественных, а с теоретических позиций. Ведь тема действительно очень интересна. И интересна даже не прошлыми достижениями автоматизации - а гораздо более радикальными переменами в будущем, связанными с темой ИИ.
В этом нам поможет объемное эссе Эрика Бринйолфссона под названием «Ловушка Тьюринга: надежды и опасности искусственного интеллекта, подобного человеку» («The Turing Trap: The Promise & Peril of Human-Like Artificial Intelligence»). В отличие от работы Аджемоглу и Рестрепо, изобилующей эконометрическими выражениями и статистикой и потому не очень читабельной для простых смертных, «Ловушка Тьюринга» написана доступным и увлекательным языком. Поэтому дальше я буду обильно цитировать эссе, сопровождая своими комментариями.
Начнем с того, что Бринйолфссон использует спорную теорию о том, что сущеcтвует два вида автоматизации: «плохая» и «хорошая». «Когда технологии автоматизируют человеческий труд, они приводят к уменьшению предельной стоимости вклада работников, и больше выигрыша идёт владельцам, предпринимателям, изобретателям и архитекторам новых систем. Напротив, когда технологии дополняют человеческие способности, больше выигрыша идёт работникам-людям».
«Распространенное заблуждение - считать, что все или большинство инноваций, увеличивающих производительность, относятся к первой категории - автоматизации. Однако вторая категория, дополнение, была гораздо более важной на протяжении большей части последних двух веков. Один показатель этого - экономическая стоимость одного часа человеческого труда. […] Предприниматель захочет платить гораздо больше работнику, чьи способности усилены бульдозером, чем тому, кто может работать только лопатой, и тем более голыми руками».
Как же отличить «добрые» технологии от «злых»? Бринйолфссон так и оставляет читателя в недоумении. Попробуем поискать зацепку в английском определении ”automation”. Согласно Кембриджскому словарю, это «использование машин и компьютеров, которые могут работать, не требуя человеческого контроля». Итак, человеческий контроль выглядит главным фактором. Ни характер самой технологии, ни сфера её применения, ни величина выигрыша в производительности, ни даже степень контроля человека над процессом, согласно Бринйолфссону, не имеют значения.
Увы, эта идиллическая картина того, как технологии всегда были дружелюбны к работникам - лишь бы они оставались на контроле - не проходит проверку историческими фактами. Первый пример, классический: британская Промышленная революция в текстильной отрасли, которая собственно и дала старт эпохе подрывных инноваций. Ставки заработной платы в хлопчатобумажной промышленности падали на протяжении нескольких десятилетий, и упали достаточно глубоко. Позднее этот период назовут «паузой Энгельса»: производительность труда росла, а зарплаты - нет.
Ощутимый перелом возник, когда в 1832 избирательная реформа дала право голоса не только аристократам, но и ~20% наиболее зажиточным мужчинам. А в 1842 случилась всеобщая забастовка, которую поддержали более 500 тыс. британских рабочих из разных отраслей. Каково было влияние на зарплаты у политики и каково - у «дружелюбных» технологий, предлагаю поразмышлять самостоятельно.
Но попытка свести всё к одному показателю стирает многие важные нюансы, с которыми столкнулись работники «подрываемой» отрасли. В основном эти нюансы были безрадостными. Так, внедрение прядильных машин привело к массовой безработице среди женщин, ранее занимавшихся ручным прядением. Прядением занимались женщины, т. к. операция не требовала физической силы, но требовала ловких рук (к чему в те времена девочек готовили с детства).
Попытки женщин трудоустроиться на прядильные фабрики были очень недоброжелательно встречены мужчинами, обслуживающими эти машины. Гендерное разделение труда охранялось ревностно и даже жестоко: претендентки попросту избивались мужиками, работающими на механизированных прялках.
Однако самым важным было изменение характера труда. Если раньше текстильщики трудились в своих домах, в своём темпе и параллельно с выполнением домашних дел, то на фабриках всё было по-иному. Длинный, изнурительный 12-14-часовой рабочий день, штрафы за малейшую нерасторопность или проявление неуважения, оглушительный шум и адская духота, отвратительные условия проживания…
Второй, более современный пример - годы Великой Депрессии, совпавшие по времени с мощнейшим технологическим рывком. Сухая статистика: в 1937 промышленное производство в США практически достигло уровня докризисного 1929, но в секторе было занято на 17% меньше людей.
Влияние технологий на рабочие места в ту пору было одной из самых обсуждаемых экономистами тем. Именно тогда Джоном Кейнсом было введено понятие «технологическая безработица». Обращаясь в 1940 к нации по проблеме молодежной безработицы, Франклин Рузвельт заявил, что требуется «искать рабочие места быстрее, чем открытия будут забирать их».
Да, неприязнь "Нью-Йорк Таймс" к автоматизации - хроническая...
Опять же, сухая статистика и красноречие политиков не передаёт тех трудностей, с которыми столкнулись работники из «подрываемых» отраслей. Это тяжелые усилия по освоению новых навыков, жизнь в постоянном страхе за своё место работы и риск надолго попасть в нищету, если рабочее место всё-таки будет упразднено. Всё это, конечно, происходило на фоне сильнейшего экономического кризиса - но технологические изменения внесли свою лепту в масштаб шока.
Как видим, в разделении технологий на «хорошие» и «плохие» всё не так однозначно. Но именно вокруг этого разделения Бринйолфссон и строит своё эссе - в частности, само понятие ловушки Тьюринга.
Суть ее состоит в следующем. В 1950 Алан Тьюринг предложил широко известный тест для искусственного интеллекта. В нем машина должна имитировать человека так, что посторонний наблюдатель не сможет отличить компьютер от живой души. Ключевое слово здесь - «имитировать», т. е. способность заменить человека в тех задачах, где он сейчас занят. И эта замена - как раз та самая «плохая» автоматизация человеческого труда.
И плоха она не потому, что машины начинают делать человеческую работу, а потому, что ставит людей в уязвимое положение. «...[ИИ] создает риск концентрации богатства и власти. И с этой концентрацией приходит опасность застрять в равновесном положении, где люди, не имеющие власти, не имеют возможности улучшить свой исход...» Другими словами, ловушка Тьюринга - это ситуация, когда всё больше населения теряет рычаги влияния на своё положение.
Бринйолфссон убежден, что технологии ИИ кардинально отличаются от прошлых инноваций, что делает неприменимым прошлый опыт растущего благосостояния населения в результате технического прогресса. И даже если мы придерживаемся точки зрения, что масштаб потрясений в ходе любой технологической революции тоже негативно влияет на благосостояние затронутых работников - искусственный интеллект однозначно способен вызвать огромный шок на рынке труда.
Но почему же работникам грозит ловушка? Здесь аргументация Бринйолфссона гораздо убедительнее. И очень многое упирается как раз в тему неравенства. «Если капитал в форме ИИ может выполнять больше задач, те, чьи ресурсы, талант или навыки нелегко заменить технологиями, выигрывают непропорционально много. Результатом стала более сильная концентрация богатства.
В конечном итоге, фокус на более человекоподобном ИИ может сделать технологии более подходящей заменой многим работникам, не являющимся «супер-звездами», что повлечет падение их рыночных зарплат, в то же самое время увеличивая рыночную силу меньшинства. Это породило растущие страхи о том, что ИИ и связанные с ним достижения приведут к расширяющемуся классу непригодных для работы - людей «с нулевым предельным продуктом».
Бринйолфссон опасается, что такой сценарий грозит пустить под откос социальное положение широких слоев населения. «Спираль маргинализации может усугубляться, поскольку концентрация экономической власти часто порождает концентрацию власти политической. По выражению, приписываемому Луи Брэндайсу: «У нас может быть демократия, или у нас богатство может быть сосредоточено в руках немногих, но у нас не может быть того и другого одновременно». Напротив, когда люди были незаменимы для создания стоимости, экономическая власть стремилась к децентрализации. Оглядываясь на историю, наиболее экономически ценное знание - то, что экономист Саймон Кузнец называл «полезным знанием» - находилось внутри человеческих умов. Но ни один человеческий ум не может вместить даже малую долю полезного знания, необходимого, чтобы вести бизнес даже среднего размера, не говоря уже о целой отрасли или экономике - поэтому знание необходимо было распределить и децентрализовать. Децентрализация полезного знания, в свою очередь, децентрализует экономическую и политическую власть.
В отличие от нечеловеческих ресурсов вроде недвижимости и оборудования, большая часть знания человека неотчуждаема: и в практическом смысле, т. е. ни один человек не может знать всё, что знает другой человек, и в юридическом смысле, т. е. собственность над знаниями в рамках права не может быть передана. Напротив, когда знание становится кодифицированным и оцифрованным, оно может становиться собственностью, менять собственника и концентрироваться с большой лёгкостью. Значит, когда знание переходит от людей к машинам, это открывает возможность для концентрации власти. Когда историки будут изучать первые два десятилетия 21 века, они отметят впечатляющий рост дигитализации и кодификации информации и знаний...»
То, что уменьшение роли наемных работников в бизнесе приводит к ослаблению их позиций, предсказывает и теория неполных контрактов. «...Теория неполных контрактов показывает, как собственность над ключевыми активами предоставляет возможность диктовать условия в отношениях между экономическими агентами (такими, как работодатели и работники, или владельцы бизнеса и подрядчики). В той степени, в какой человек контролирует незаменимый ресурс (вроде полезного знания), необходимый для создания и реализации продуктов и услуг компании, он может требовать не только более высокого дохода, но и право голоса в принятии решений. Пока полезное знание неотчуждаемо хранится в человеческом уме - там же остаётся и власть, которую оно даёт. Но когда оно превращается в отчуждаемое, оно позволяют большую концентрацию в принятии решений и власти».
Можно ли считать, что риск попадания в ловушку Тьюринга велик? Ответ на этот вопрос во многом зависит от того, насколько успешными мы будем в создании искусственного интеллекта, подобного человеку (ИИПЧ) - той самой «идеальной имитации» по Тьюрингу. По мнению Бринйолфссона, шансы на это растут, поскольку в ИИПЧ заинтересованы сразу три ключевых группы.
Первая группа - это «жрецы храма Технологии»: ученые, исследователи и инженеры. Их мотивация в отношении ИИПЧ не отличается от любых других научных направлений: в первую очередь это грандиозный вызов, это манящее поле невероятных возможностей.
При этом Бринйолфссон отмечает, что на задачах человеческого уровня сконцентрировано больше усилий разработчиков - отчасти из-за привычек, ограниченной фантазии и даже лени. «Придумывать новые, полезные и достижимые вызовы может быть так же сложно, как и решать их. Вместо того, чтобы определять задачу, которую ни люди, ни машины никогда до этого не делали, почему бы не попросить исследовательскую команду спроектировать машину, которая воспроизводила бы существующую человеческую способность? В отличие от более амбициозных задач, воспроизведение имеет существующее доказательство, что такие задачи, в принципе, решаемы и полезны. В то время как привлекательность человекоподобных систем очевидна, парадоксальная действительность заключается в том, что ИИПЧ может быть более сложным и менее ценным, чем системы, достигающие сверхчеловеческих результатов».
Последнюю мысль стоит выделить особо. Дело в том, что возможности человека очень и очень ограничены. Миллионы лет эволюции натаскивали наших предков на очень невзыскательный набор задач: находить еду в африканской саванне, держаться подальше от хищников и уживаться в стае с себе подобными. То, что мы с вами умеем что-то помимо этого - на самом деле нетривиальное достижение, но такие достижения даются тяжело. И всегда над головой нависает биологически обусловленный потолок - что-то вроде «аппаратных ограничений» - выше которого не прыгнешь.
А вот машины мы можем инженерить с чистого листа. И для них, в принципе, разрешено всё, что не запрещено физикой - а это куда более богатое пространство возможностей. Так стоит ли заключать ИИ в столь узкие рамки?
Вторая группа, которая стремится к созданию ИИПЧ - бизнесмены. Вместо храма Технологий они посвятили себя Золотому Тельцу, но причины для фокуса на «человечности» ИИ у них похожи на те, что мы видели у исследователей. «Самый простой путь - осуществить ”plug-and-play”-автоматизацию: поставить отдельную машину для каждой задачи, которую сейчас делают люди. Этот образ мыслей уменьшает нужду в более радикальном изменении бизнес-процессов. Автоматизация на уровне задач сокращает необходимость понимания тонких взаимосвязей и создает простые тесты А-B, фокусируясь на известной задаче с легко измеримым улучшением производительности.
Аналогично, поскольку затраты на оплату труда являются самой крупной статьей расходов в бюджете практически каждой компании, автоматизация рабочих мест - популярная для менеджеров стратегия. Сокращать издержки - что может быть координированной инициативой внутри фирмы - часто проще, чем расширять рынок. Более того, многие инвесторы предпочитают «масштабируемые» бизнес-модели, что часто является синонимом бизнеса, который может расти без найма и сопутствующих ему сложностей».
Но этот путь является тупиковым, отмечает автор. И предлагает следующий экстремальный мысленный эксперимент. Представим Древнюю Грецию. И допустим, что древнегреческим инженерам удалось автоматизировать все ремесленные и трудовые задачи того времени:
«Пасти овец? Автоматизировано.
Делать глиняную посуду? Автоматизировано.
Ткать туники? Автоматизировано.
Чинить гужевые повозки? Автоматизировано.
Делать кровопускание больным? Автоматизировано.
Хорошая новость заключается в том, что производительность труда взлетит, освобождая древних греков для жизни, состоящей из увеселений. Плохая новость заключается в том, что их уровень жизни и уровень здравоохранения были бы предельно далеки от наших. В конце концов, из глиняных горшков и гужевых повозок можно извлечь только ограниченную пользу, даже при бесконечном их количестве и нулевых ценах».
Другими словами, Бринйолфссон подводит нас к мысли, что наиболее полезные инновации являются одновременно и наиболее прорывными - то есть, мало обращающими внимания на то, как делались дела «по старинке». Соответственно, попытка налить новое вино ИИ в старые мехи существующих бизнес-процессов попросту сведёт на нет огромный инновационный потенциал искусственного интеллекта. «Чтобы добиться успеха, фирмам, как правило, необходимо внедрять новую технологию как часть системы взаимно усиливающих друг друга организационных изменений».
Мало того, что попытка подменить рабочие места машинами ограничивает инновации - так она еще и создаёт дополнительные, зачастую непреодолимые сложности. Дело в том, что на большинстве современных позиций человек выполняет целый ряд разнообразных задач. И далеко не все из них легко поддаются автоматизации. Бринйолфссон ссылается на своё исследование, написанное совместно с Т. Митчеллом и Д. Роком. Из 950 рассмотренных профессий они не нашли ни одной (!), где машинное обучение смогло бы справиться с полным списком входящих в нее задач.
В общем, рассмотрев две вышеперечисленные группы, Бринйолфссон убедительно раскрывает мотивацию игроков - и так же убедительно показывает, что эта мотивация не позволяет в полной мере воспользоваться преимуществами ИИ. Уже как минимум в бизнесе это ограничение свидетельствует о том, что «твердолобым» сторонникам ИИПЧ мало что светит - а это, в свою очередь, снижает вероятность сценария ловушки Тьюринга.
Однако есть и еще один аргумент. Дело в том, что вероятность технологических достижений определяется не только и не столько мотивацией заинтересованных сторон. Тысячи лет у нас были мифы и сказки о способности человека летать и эликсирах вечной молодости. Но длительные - несколько столетий - поиски алхимиков не принесли нам эликсира вечной молодости. Равно как и описанные в летописях попытки использования для полетов воздушных змеев и искусственных крыльев заканчивались по большей части серьезными травмами. Зато эти опыты дали нам другие важные открытия - и в области химии, и в области аэродинамики, и в других областях, где человеческая наивность и любопытство сталкивались с логикой Природы, которой не было никакого дела до мотивации исследователей.
Поэтому ситуацию с развитием технологий можно описать незамысловато: хотеть не вредно, вредно не хотеть. Но будущая траектория технологического прогресса зависит в большой степени от суммы накопленных знаний на конкретном участке научного фронтира. И от того, насколько легко эта накопленная «критическая масса» способна обрастать новыми знаниями. Что зависит прежде всего от объекта исследования, а не от настроений исследователей. Таким образом, не стоит переоценивать способность человечества как-то влиять на траекторию развития своего научного знания.
У нас осталась третья группа, заинтересованная в искусственном интеллекте человеческого уровня. И эта группа - политики и чиновники. Не вдаваясь особо в их мотивацию, Бринйолфссон отмечает, что государство, как правило, поощряет замещение рабочих мест капиталом. В частности, это проявляется в том, что налогообложение капитала намного более льготное, чем налогообложение труда. Это справедливо и для США, и для России, и для многих других стран.
Можно выдвинуть гипотезу о том, что капитальные инвестиции проще масштабировать, что потенциально может ускорить «догоняющее развитие» развивающихся стран. Но Соединенным Штатам догонять некого. И здесь правдоподобно выглядит уже другая гипотеза: лоббирование корпорациями - то есть собственниками капитала - более низких налоговых ставок на принадлежащий им фактор производства.
Стоит рассмотреть влияние ИИ еще на один аспект, где участие государства может быть полезным. «Растущее использование ИИ, даже для дополнения работников, и дальнейшее переформатирование организаций вокруг этой новой технологии общего назначения приводят к сильной необходимости в обучении и переобучении работников. На самом деле, на 1 доллар, потраченный на технологии машинного обучения, компаниям может понадобиться потратить 9 долларов на нематериальный человеческий капитал. Однако у обучения есть одна серьезная экстернальная проблема: компании, несущие издержки на обучение или переобучение работников, могут получить только часть выгод от этих инвестиций - а остальное потенциально может уйти в другие компании, включая конкурентов, поскольку эти работники свободны в своём решении унести свои навыки к этим новым работодателям. В то же время, рабочие часто страдают от нехватки денежных средств или закредитованности, что ограничивает их способность инвестировать в развитие собственных навыков. Исходя из этого, государственная политика должна напрямую предоставлять возможности для такого обучения или стимулы для корпоративного обучения, перевешивающие экстерналии, возникающие из-за мобильности рабочей силы».
Итак, мы описали риски сценария ловушки Тьюринга и группы, продвигающие, зачастую неосознанно, этот сценарий. Реализуется ли он на практике? Бринйолфссон предупреждает, что по многим признакам ситуация похожа на шок от глобализации мировой торговли:
«...Поэтому они [экономисты] предложили «большую сделку»: максимизируем свободную торговлю, чтобы максимизировать создание богатства и затем широко распределим выигрыш, чтобы компенсировать ущерб каждой пострадавшей профессии, отрасли и региону. Это не сработало так, как они надеялись. В то время как экономические победители упрочили свои позиции, они проигнорировали вторую часть сделки, оставив многих работников в худшем положении, чем было раньше».
Но это не повод опускать руки. Напротив, необходимо удвоить усилия по защите справедливости, равенства и благосостояния в обществе. «Решение заключается не в том, чтобы замедлить технологии, но в том, чтобы исключить или обратить вспять излишние стимулы, поощряющие автоматизацию в ущерб дополнению [работников]. Мы должны согласованно строить политические и экономические институты, устойчивые перед растущей силой ИИ».
И хотя Бринйолфссон вновь подчеркивает, что надо больше «хорошей» автоматизации и меньше «плохой», в отсутствие чётких критериев «хорошести» - и тем более критериев, позволяющих оценить «хорошесть» заранее - попытка перевести проблему в технологическую плоскость не кажется мне такой уж верной идеей. Особенно в свете тезиса о том, что у нас плохо получается управлять технологическим прогрессом.
Зато со вторым предложением - об институтах - невозможно не согласиться. Это решение является технологически нейтральным и потому не зависит от будущих, трудно предсказуемых капризов научно-технического развития. И это решение непосредственно адресует проблему неравенства, проблему концентрации капитала и власти и проблему общего благосостояния.
Как именно будут адресоваться эти проблемы, какие распределительные инструменты и схемы будут использоваться, и каков будет масштаб такого распределения - это очень интересные вопросы, заслуживающие внимания в не меньшей степени, чем влияние ИИ на занятость. При решении этих вопросов тоже возможны каверзные ловушки, в которые не хотелось бы попадать. Однако Эрик Бринйолфссон справедливо посчитал, что эти вопросы чересчур обширны, чтобы попытаться осветить их в рамках выбранной им темы. Поэтому придется отложить их до поры-до времени. Но я думаю, когда-нибудь мы к ним еще вернемся.
_______________________________________________________________
Друзья, я начал вести канал в Телеграм: Экономика знаний. Подписывайтесь!
В первой части мы познакомились с работой американских экономистов Д. Аджемоглу и П. Рестрепо, которые попытались выявить связь между автоматизацией рабочих мест и ростом неравенства в зарплатах. Определенную связь они действительно нашли - но вопросов всё равно осталось больше, чем ответов. Некоторые из этих вопросов - систему высшего образования и классовую неприязнь - мы осветили более подробно.
Но образование и "кастовая" система - это только часть барьеров, мешающих эффективному и справедливому распределению трудового дохода. Американский рынок труда характеризуется рядом других искусственных ограничений. Во-первых, это лицензирование профессий, часто бессмысленно строгое. Если в 1950-ых менее 5% рабочих мест требовало лицензии, то в 2009 эта доля поднималась до 25%:
Во-вторых, это cоглашения о неконкуренции, запрещающие работнику трудостраиваться в компании, конкурирующие с его нынешним работодателем. 10-15% рабочей силы в таких низкооплачиваемых областях, как офис-менеджмент, транспорт и приготовление пищи находится под такими соглашениями, что препятствует поиску более высокооплачиваемой работы.
Есть и другие факторы - например, концентрация рыночной силы у одного или нескольких работодателей. Но их влияние конкретно на уровень неравенства уже не так велико. В целом, я думаю, должно быть понятно, что у проблемы неравенства не существует ни однозначного, «удобного» виновника - вроде автоматизации - ни простых путей для устранения. К сожалению, не видно даже особого стремления властей и гражданского общества бороться не с симптомами, а с причинами этой проблемы.
И вот теперь, когда у нас есть широкий контекст, мы можем подвести окончательную черту под научной работой Дарона Аджемоглу и Паскуаля Рестрепо. Безусловно, полученные в ней зависимости выглядят интересными с точки зрения экономической теории и статистически надежными с точки зрения математического аппарата. Связь между прогрессом в автоматизации и снижением зарплат на «рутинных» позициях существует. И теории этот вывод не противоречит.
Но эта связь объясняет только часть динамики неравенства. Данные, на которых делается анализ, позволяют судить о процессах лишь очень опосредованно. И, пожалуй, самое главное: модель Аджемоглу и Рестрепо не в состоянии объяснить период, когда неравенство в США росло наиболее сильно. Это явно свидетельствует о том, что неравенство - это очень сложный вопрос, который принципиально не сводим к какому-то одному действующему фактору.
Черту мы подвели, но у нас так и остались не отвеченными два поднятых ранее вопроса: что изменилось в 1980 и что изменилось в 2000? Поскольку проблема неравенства обострилась давно, исследователями была предложена масса правдоподобных гипотез. Часть из них - влияние глобальной торговли и профсоюзов - Аджемоглу и Рестрепо адресуют в своей работе и не находят большой связи. Несмотря на то, что эти гипотезы как раз объясняют временные рамки усиления неравенства. Оставим эту неоднозначность как есть и сконцентрируемся на альтернативных факторах.
Во-первых, реальный уровень минимальной заработной платы. Как раз в 1980-ых он испытал самое сильное падение в истории США, снизившись почти на 40%:
Во-вторых, некоторые исследователи указывают на негативное влияние других административных мер на зарплаты среднего класса. Прежде всего, это начавшаяся в 1970-ых дерегуляция многих отраслей: авиакомпании, грузоперевозки, телекоммуникации и др. В затронутых отраслях работало 9% рабочей силы США. Кроме того, на эрозию заработных плат повлияли приватизация государственных функций, ослабление трудового надзора и сокращение социальной поддержки (например, ужесточение требований для выплаты пособия по безработице и сокращение их продолжительности).
На это наложились структурные факторы: в общей занятости выросла доля работников, практически не защищенных трудовым законодательством. Например, число занятых в сфере домашнего ухода (сиделки и т. п.) с 2008 по 2018 выросло в 2 раза.
В-третьих, возможен эффект от изменений в миграционных потоках. В последние 40 лет увеличилась доля иммигрирующих в Штаты с низким уровнем образования и уровнем знания английского, в результате чего как раз усилилась конкуренция за низкооплачиваемые «рутинные» рабочие места. Более того, власти дискриминируют недавних иммигрантов, ухудшая тем самым положение этой уже уязвимой группы. Например, в первые 5 лет после прибытия в США они не имеют право на получение федеральных социальных пособий. Расчеты в этой работе показывают, что иммигранты в 1995-2010 на 20-50 б.п. увеличивали коффициент Джини в США:
Как видим, список причин, которые могли повлиять на рост неравенства в Штатах, является очень обширным. Многие из них так же, как и влияние автоматизации, были подтверждены на количественных данных другими исследователями. Но, раз уж мы заявили автоматизацию в качестве основной темы, давайте вернемся обратно к ней. И посмотрим на ее связь с неравенством уже не с количественных, а с теоретических позиций. Ведь тема действительно очень интересна. И интересна даже не прошлыми достижениями автоматизации - а гораздо более радикальными переменами в будущем, связанными с темой ИИ.
В этом нам поможет объемное эссе Эрика Бринйолфссона под названием «Ловушка Тьюринга: надежды и опасности искусственного интеллекта, подобного человеку» («The Turing Trap: The Promise & Peril of Human-Like Artificial Intelligence»). В отличие от работы Аджемоглу и Рестрепо, изобилующей эконометрическими выражениями и статистикой и потому не очень читабельной для простых смертных, «Ловушка Тьюринга» написана доступным и увлекательным языком. Поэтому дальше я буду обильно цитировать эссе, сопровождая своими комментариями.
Начнем с того, что Бринйолфссон использует спорную теорию о том, что сущеcтвует два вида автоматизации: «плохая» и «хорошая». «Когда технологии автоматизируют человеческий труд, они приводят к уменьшению предельной стоимости вклада работников, и больше выигрыша идёт владельцам, предпринимателям, изобретателям и архитекторам новых систем. Напротив, когда технологии дополняют человеческие способности, больше выигрыша идёт работникам-людям».
«Распространенное заблуждение - считать, что все или большинство инноваций, увеличивающих производительность, относятся к первой категории - автоматизации. Однако вторая категория, дополнение, была гораздо более важной на протяжении большей части последних двух веков. Один показатель этого - экономическая стоимость одного часа человеческого труда. […] Предприниматель захочет платить гораздо больше работнику, чьи способности усилены бульдозером, чем тому, кто может работать только лопатой, и тем более голыми руками».
Как же отличить «добрые» технологии от «злых»? Бринйолфссон так и оставляет читателя в недоумении. Попробуем поискать зацепку в английском определении ”automation”. Согласно Кембриджскому словарю, это «использование машин и компьютеров, которые могут работать, не требуя человеческого контроля». Итак, человеческий контроль выглядит главным фактором. Ни характер самой технологии, ни сфера её применения, ни величина выигрыша в производительности, ни даже степень контроля человека над процессом, согласно Бринйолфссону, не имеют значения.
Увы, эта идиллическая картина того, как технологии всегда были дружелюбны к работникам - лишь бы они оставались на контроле - не проходит проверку историческими фактами. Первый пример, классический: британская Промышленная революция в текстильной отрасли, которая собственно и дала старт эпохе подрывных инноваций. Ставки заработной платы в хлопчатобумажной промышленности падали на протяжении нескольких десятилетий, и упали достаточно глубоко. Позднее этот период назовут «паузой Энгельса»: производительность труда росла, а зарплаты - нет.
Ощутимый перелом возник, когда в 1832 избирательная реформа дала право голоса не только аристократам, но и ~20% наиболее зажиточным мужчинам. А в 1842 случилась всеобщая забастовка, которую поддержали более 500 тыс. британских рабочих из разных отраслей. Каково было влияние на зарплаты у политики и каково - у «дружелюбных» технологий, предлагаю поразмышлять самостоятельно.
Но попытка свести всё к одному показателю стирает многие важные нюансы, с которыми столкнулись работники «подрываемой» отрасли. В основном эти нюансы были безрадостными. Так, внедрение прядильных машин привело к массовой безработице среди женщин, ранее занимавшихся ручным прядением. Прядением занимались женщины, т. к. операция не требовала физической силы, но требовала ловких рук (к чему в те времена девочек готовили с детства).
Попытки женщин трудоустроиться на прядильные фабрики были очень недоброжелательно встречены мужчинами, обслуживающими эти машины. Гендерное разделение труда охранялось ревностно и даже жестоко: претендентки попросту избивались мужиками, работающими на механизированных прялках.
Однако самым важным было изменение характера труда. Если раньше текстильщики трудились в своих домах, в своём темпе и параллельно с выполнением домашних дел, то на фабриках всё было по-иному. Длинный, изнурительный 12-14-часовой рабочий день, штрафы за малейшую нерасторопность или проявление неуважения, оглушительный шум и адская духота, отвратительные условия проживания…
Второй, более современный пример - годы Великой Депрессии, совпавшие по времени с мощнейшим технологическим рывком. Сухая статистика: в 1937 промышленное производство в США практически достигло уровня докризисного 1929, но в секторе было занято на 17% меньше людей.
Влияние технологий на рабочие места в ту пору было одной из самых обсуждаемых экономистами тем. Именно тогда Джоном Кейнсом было введено понятие «технологическая безработица». Обращаясь в 1940 к нации по проблеме молодежной безработицы, Франклин Рузвельт заявил, что требуется «искать рабочие места быстрее, чем открытия будут забирать их».
Да, неприязнь "Нью-Йорк Таймс" к автоматизации - хроническая...
Опять же, сухая статистика и красноречие политиков не передаёт тех трудностей, с которыми столкнулись работники из «подрываемых» отраслей. Это тяжелые усилия по освоению новых навыков, жизнь в постоянном страхе за своё место работы и риск надолго попасть в нищету, если рабочее место всё-таки будет упразднено. Всё это, конечно, происходило на фоне сильнейшего экономического кризиса - но технологические изменения внесли свою лепту в масштаб шока.
Как видим, в разделении технологий на «хорошие» и «плохие» всё не так однозначно. Но именно вокруг этого разделения Бринйолфссон и строит своё эссе - в частности, само понятие ловушки Тьюринга.
Суть ее состоит в следующем. В 1950 Алан Тьюринг предложил широко известный тест для искусственного интеллекта. В нем машина должна имитировать человека так, что посторонний наблюдатель не сможет отличить компьютер от живой души. Ключевое слово здесь - «имитировать», т. е. способность заменить человека в тех задачах, где он сейчас занят. И эта замена - как раз та самая «плохая» автоматизация человеческого труда.
И плоха она не потому, что машины начинают делать человеческую работу, а потому, что ставит людей в уязвимое положение. «...[ИИ] создает риск концентрации богатства и власти. И с этой концентрацией приходит опасность застрять в равновесном положении, где люди, не имеющие власти, не имеют возможности улучшить свой исход...» Другими словами, ловушка Тьюринга - это ситуация, когда всё больше населения теряет рычаги влияния на своё положение.
Бринйолфссон убежден, что технологии ИИ кардинально отличаются от прошлых инноваций, что делает неприменимым прошлый опыт растущего благосостояния населения в результате технического прогресса. И даже если мы придерживаемся точки зрения, что масштаб потрясений в ходе любой технологической революции тоже негативно влияет на благосостояние затронутых работников - искусственный интеллект однозначно способен вызвать огромный шок на рынке труда.
Но почему же работникам грозит ловушка? Здесь аргументация Бринйолфссона гораздо убедительнее. И очень многое упирается как раз в тему неравенства. «Если капитал в форме ИИ может выполнять больше задач, те, чьи ресурсы, талант или навыки нелегко заменить технологиями, выигрывают непропорционально много. Результатом стала более сильная концентрация богатства.
В конечном итоге, фокус на более человекоподобном ИИ может сделать технологии более подходящей заменой многим работникам, не являющимся «супер-звездами», что повлечет падение их рыночных зарплат, в то же самое время увеличивая рыночную силу меньшинства. Это породило растущие страхи о том, что ИИ и связанные с ним достижения приведут к расширяющемуся классу непригодных для работы - людей «с нулевым предельным продуктом».
Бринйолфссон опасается, что такой сценарий грозит пустить под откос социальное положение широких слоев населения. «Спираль маргинализации может усугубляться, поскольку концентрация экономической власти часто порождает концентрацию власти политической. По выражению, приписываемому Луи Брэндайсу: «У нас может быть демократия, или у нас богатство может быть сосредоточено в руках немногих, но у нас не может быть того и другого одновременно». Напротив, когда люди были незаменимы для создания стоимости, экономическая власть стремилась к децентрализации. Оглядываясь на историю, наиболее экономически ценное знание - то, что экономист Саймон Кузнец называл «полезным знанием» - находилось внутри человеческих умов. Но ни один человеческий ум не может вместить даже малую долю полезного знания, необходимого, чтобы вести бизнес даже среднего размера, не говоря уже о целой отрасли или экономике - поэтому знание необходимо было распределить и децентрализовать. Децентрализация полезного знания, в свою очередь, децентрализует экономическую и политическую власть.
В отличие от нечеловеческих ресурсов вроде недвижимости и оборудования, большая часть знания человека неотчуждаема: и в практическом смысле, т. е. ни один человек не может знать всё, что знает другой человек, и в юридическом смысле, т. е. собственность над знаниями в рамках права не может быть передана. Напротив, когда знание становится кодифицированным и оцифрованным, оно может становиться собственностью, менять собственника и концентрироваться с большой лёгкостью. Значит, когда знание переходит от людей к машинам, это открывает возможность для концентрации власти. Когда историки будут изучать первые два десятилетия 21 века, они отметят впечатляющий рост дигитализации и кодификации информации и знаний...»
То, что уменьшение роли наемных работников в бизнесе приводит к ослаблению их позиций, предсказывает и теория неполных контрактов. «...Теория неполных контрактов показывает, как собственность над ключевыми активами предоставляет возможность диктовать условия в отношениях между экономическими агентами (такими, как работодатели и работники, или владельцы бизнеса и подрядчики). В той степени, в какой человек контролирует незаменимый ресурс (вроде полезного знания), необходимый для создания и реализации продуктов и услуг компании, он может требовать не только более высокого дохода, но и право голоса в принятии решений. Пока полезное знание неотчуждаемо хранится в человеческом уме - там же остаётся и власть, которую оно даёт. Но когда оно превращается в отчуждаемое, оно позволяют большую концентрацию в принятии решений и власти».
Можно ли считать, что риск попадания в ловушку Тьюринга велик? Ответ на этот вопрос во многом зависит от того, насколько успешными мы будем в создании искусственного интеллекта, подобного человеку (ИИПЧ) - той самой «идеальной имитации» по Тьюрингу. По мнению Бринйолфссона, шансы на это растут, поскольку в ИИПЧ заинтересованы сразу три ключевых группы.
Первая группа - это «жрецы храма Технологии»: ученые, исследователи и инженеры. Их мотивация в отношении ИИПЧ не отличается от любых других научных направлений: в первую очередь это грандиозный вызов, это манящее поле невероятных возможностей.
При этом Бринйолфссон отмечает, что на задачах человеческого уровня сконцентрировано больше усилий разработчиков - отчасти из-за привычек, ограниченной фантазии и даже лени. «Придумывать новые, полезные и достижимые вызовы может быть так же сложно, как и решать их. Вместо того, чтобы определять задачу, которую ни люди, ни машины никогда до этого не делали, почему бы не попросить исследовательскую команду спроектировать машину, которая воспроизводила бы существующую человеческую способность? В отличие от более амбициозных задач, воспроизведение имеет существующее доказательство, что такие задачи, в принципе, решаемы и полезны. В то время как привлекательность человекоподобных систем очевидна, парадоксальная действительность заключается в том, что ИИПЧ может быть более сложным и менее ценным, чем системы, достигающие сверхчеловеческих результатов».
Последнюю мысль стоит выделить особо. Дело в том, что возможности человека очень и очень ограничены. Миллионы лет эволюции натаскивали наших предков на очень невзыскательный набор задач: находить еду в африканской саванне, держаться подальше от хищников и уживаться в стае с себе подобными. То, что мы с вами умеем что-то помимо этого - на самом деле нетривиальное достижение, но такие достижения даются тяжело. И всегда над головой нависает биологически обусловленный потолок - что-то вроде «аппаратных ограничений» - выше которого не прыгнешь.
А вот машины мы можем инженерить с чистого листа. И для них, в принципе, разрешено всё, что не запрещено физикой - а это куда более богатое пространство возможностей. Так стоит ли заключать ИИ в столь узкие рамки?
Вторая группа, которая стремится к созданию ИИПЧ - бизнесмены. Вместо храма Технологий они посвятили себя Золотому Тельцу, но причины для фокуса на «человечности» ИИ у них похожи на те, что мы видели у исследователей. «Самый простой путь - осуществить ”plug-and-play”-автоматизацию: поставить отдельную машину для каждой задачи, которую сейчас делают люди. Этот образ мыслей уменьшает нужду в более радикальном изменении бизнес-процессов. Автоматизация на уровне задач сокращает необходимость понимания тонких взаимосвязей и создает простые тесты А-B, фокусируясь на известной задаче с легко измеримым улучшением производительности.
Аналогично, поскольку затраты на оплату труда являются самой крупной статьей расходов в бюджете практически каждой компании, автоматизация рабочих мест - популярная для менеджеров стратегия. Сокращать издержки - что может быть координированной инициативой внутри фирмы - часто проще, чем расширять рынок. Более того, многие инвесторы предпочитают «масштабируемые» бизнес-модели, что часто является синонимом бизнеса, который может расти без найма и сопутствующих ему сложностей».
Но этот путь является тупиковым, отмечает автор. И предлагает следующий экстремальный мысленный эксперимент. Представим Древнюю Грецию. И допустим, что древнегреческим инженерам удалось автоматизировать все ремесленные и трудовые задачи того времени:
«Пасти овец? Автоматизировано.
Делать глиняную посуду? Автоматизировано.
Ткать туники? Автоматизировано.
Чинить гужевые повозки? Автоматизировано.
Делать кровопускание больным? Автоматизировано.
Хорошая новость заключается в том, что производительность труда взлетит, освобождая древних греков для жизни, состоящей из увеселений. Плохая новость заключается в том, что их уровень жизни и уровень здравоохранения были бы предельно далеки от наших. В конце концов, из глиняных горшков и гужевых повозок можно извлечь только ограниченную пользу, даже при бесконечном их количестве и нулевых ценах».
Другими словами, Бринйолфссон подводит нас к мысли, что наиболее полезные инновации являются одновременно и наиболее прорывными - то есть, мало обращающими внимания на то, как делались дела «по старинке». Соответственно, попытка налить новое вино ИИ в старые мехи существующих бизнес-процессов попросту сведёт на нет огромный инновационный потенциал искусственного интеллекта. «Чтобы добиться успеха, фирмам, как правило, необходимо внедрять новую технологию как часть системы взаимно усиливающих друг друга организационных изменений».
Мало того, что попытка подменить рабочие места машинами ограничивает инновации - так она еще и создаёт дополнительные, зачастую непреодолимые сложности. Дело в том, что на большинстве современных позиций человек выполняет целый ряд разнообразных задач. И далеко не все из них легко поддаются автоматизации. Бринйолфссон ссылается на своё исследование, написанное совместно с Т. Митчеллом и Д. Роком. Из 950 рассмотренных профессий они не нашли ни одной (!), где машинное обучение смогло бы справиться с полным списком входящих в нее задач.
В общем, рассмотрев две вышеперечисленные группы, Бринйолфссон убедительно раскрывает мотивацию игроков - и так же убедительно показывает, что эта мотивация не позволяет в полной мере воспользоваться преимуществами ИИ. Уже как минимум в бизнесе это ограничение свидетельствует о том, что «твердолобым» сторонникам ИИПЧ мало что светит - а это, в свою очередь, снижает вероятность сценария ловушки Тьюринга.
Однако есть и еще один аргумент. Дело в том, что вероятность технологических достижений определяется не только и не столько мотивацией заинтересованных сторон. Тысячи лет у нас были мифы и сказки о способности человека летать и эликсирах вечной молодости. Но длительные - несколько столетий - поиски алхимиков не принесли нам эликсира вечной молодости. Равно как и описанные в летописях попытки использования для полетов воздушных змеев и искусственных крыльев заканчивались по большей части серьезными травмами. Зато эти опыты дали нам другие важные открытия - и в области химии, и в области аэродинамики, и в других областях, где человеческая наивность и любопытство сталкивались с логикой Природы, которой не было никакого дела до мотивации исследователей.
Поэтому ситуацию с развитием технологий можно описать незамысловато: хотеть не вредно, вредно не хотеть. Но будущая траектория технологического прогресса зависит в большой степени от суммы накопленных знаний на конкретном участке научного фронтира. И от того, насколько легко эта накопленная «критическая масса» способна обрастать новыми знаниями. Что зависит прежде всего от объекта исследования, а не от настроений исследователей. Таким образом, не стоит переоценивать способность человечества как-то влиять на траекторию развития своего научного знания.
У нас осталась третья группа, заинтересованная в искусственном интеллекте человеческого уровня. И эта группа - политики и чиновники. Не вдаваясь особо в их мотивацию, Бринйолфссон отмечает, что государство, как правило, поощряет замещение рабочих мест капиталом. В частности, это проявляется в том, что налогообложение капитала намного более льготное, чем налогообложение труда. Это справедливо и для США, и для России, и для многих других стран.
Можно выдвинуть гипотезу о том, что капитальные инвестиции проще масштабировать, что потенциально может ускорить «догоняющее развитие» развивающихся стран. Но Соединенным Штатам догонять некого. И здесь правдоподобно выглядит уже другая гипотеза: лоббирование корпорациями - то есть собственниками капитала - более низких налоговых ставок на принадлежащий им фактор производства.
Стоит рассмотреть влияние ИИ еще на один аспект, где участие государства может быть полезным. «Растущее использование ИИ, даже для дополнения работников, и дальнейшее переформатирование организаций вокруг этой новой технологии общего назначения приводят к сильной необходимости в обучении и переобучении работников. На самом деле, на 1 доллар, потраченный на технологии машинного обучения, компаниям может понадобиться потратить 9 долларов на нематериальный человеческий капитал. Однако у обучения есть одна серьезная экстернальная проблема: компании, несущие издержки на обучение или переобучение работников, могут получить только часть выгод от этих инвестиций - а остальное потенциально может уйти в другие компании, включая конкурентов, поскольку эти работники свободны в своём решении унести свои навыки к этим новым работодателям. В то же время, рабочие часто страдают от нехватки денежных средств или закредитованности, что ограничивает их способность инвестировать в развитие собственных навыков. Исходя из этого, государственная политика должна напрямую предоставлять возможности для такого обучения или стимулы для корпоративного обучения, перевешивающие экстерналии, возникающие из-за мобильности рабочей силы».
Итак, мы описали риски сценария ловушки Тьюринга и группы, продвигающие, зачастую неосознанно, этот сценарий. Реализуется ли он на практике? Бринйолфссон предупреждает, что по многим признакам ситуация похожа на шок от глобализации мировой торговли:
«...Поэтому они [экономисты] предложили «большую сделку»: максимизируем свободную торговлю, чтобы максимизировать создание богатства и затем широко распределим выигрыш, чтобы компенсировать ущерб каждой пострадавшей профессии, отрасли и региону. Это не сработало так, как они надеялись. В то время как экономические победители упрочили свои позиции, они проигнорировали вторую часть сделки, оставив многих работников в худшем положении, чем было раньше».
Но это не повод опускать руки. Напротив, необходимо удвоить усилия по защите справедливости, равенства и благосостояния в обществе. «Решение заключается не в том, чтобы замедлить технологии, но в том, чтобы исключить или обратить вспять излишние стимулы, поощряющие автоматизацию в ущерб дополнению [работников]. Мы должны согласованно строить политические и экономические институты, устойчивые перед растущей силой ИИ».
И хотя Бринйолфссон вновь подчеркивает, что надо больше «хорошей» автоматизации и меньше «плохой», в отсутствие чётких критериев «хорошести» - и тем более критериев, позволяющих оценить «хорошесть» заранее - попытка перевести проблему в технологическую плоскость не кажется мне такой уж верной идеей. Особенно в свете тезиса о том, что у нас плохо получается управлять технологическим прогрессом.
Зато со вторым предложением - об институтах - невозможно не согласиться. Это решение является технологически нейтральным и потому не зависит от будущих, трудно предсказуемых капризов научно-технического развития. И это решение непосредственно адресует проблему неравенства, проблему концентрации капитала и власти и проблему общего благосостояния.
Как именно будут адресоваться эти проблемы, какие распределительные инструменты и схемы будут использоваться, и каков будет масштаб такого распределения - это очень интересные вопросы, заслуживающие внимания в не меньшей степени, чем влияние ИИ на занятость. При решении этих вопросов тоже возможны каверзные ловушки, в которые не хотелось бы попадать. Однако Эрик Бринйолфссон справедливо посчитал, что эти вопросы чересчур обширны, чтобы попытаться осветить их в рамках выбранной им темы. Поэтому придется отложить их до поры-до времени. Но я думаю, когда-нибудь мы к ним еще вернемся.
_______________________________________________________________
Друзья, я начал вести канал в Телеграм: Экономика знаний. Подписывайтесь!