Автор: Стивен М. Косслин
Будущее рынка труда выглядит мрачным для многих людей. Недавнее исследование Forrester показало, что 10% рабочих мест в США будут автоматизированы в этом году, а по оценкам компании McKinsey почти половина всех рабочих мест в США может быть автоматизирована в ходе следующего десятилетия.
В основном автоматизации подвергнется рутинная работа, которая требует многократных повторений одного и того же — от чтения рентгеновских снимков, до вождения грузовиков от склада до склада. К проблеме существует множество разных подходов, и один из них предлагает изучать не то, какие профессии подвергнутся автоматизации, а какие аспекты этих профессий можно сохранить за человеком.
Рассмотрим, к примеру, работу врача: ясно, что диагностика заболеваний в скором времени (если не уже) будет эффективнее выполняться компьютером. Машинное обучение является чрезвычайно эффективным инструментом когда речь идёт о диагностики широкого спектра заболеваний. Но что насчет обсуждения с пациентом вариантов лечения? Гораздо менее вероятно, что подобное будет автоматизировано в обозримом будущем.
Или рассмотрим профессию на другом конце спектра статуса: бариста. В Сан-Франциско Cafe X заменил всех бариста роботизированными руками, которые развлекают клиентов своими акробатическими приёмами при приготовлении коктейлей. Однако даже в Cafe X работает человек, который показывает клиентам, как использовать технологию для заказа, и устраняет проблемы, возникающие с роботом.
Оказывается, между «бариста» и «барменом» есть существенная разница. Люди часто завязывают разговор с последним, и эта работа — явно больше, чем просто смешивание напитков. Как и в примере с лечащим врачом, мы можем легко разделить эту работу на два компонента: повторяющийся обычный (фактически смешивание и подача напитков) и более интерактивный, непредсказуемый, который включает в себя общение с клиентами.
После обдумывания характеристик многочисленных рабочих мест и профессий, мне кажется, что особенно трудно будет автоматизировать два признака:
Во-первых, эмоции. Они играют важную роль в общении (как в примере общения лечащего врача с пациентом или бармена с клиентами). Эмоции критически вовлечены практически во все формы невербального общения и эмпатию. Но более того, они также играют роль в том, чтобы помочь нам расставить приоритеты, например, в решении что нужно сделать сейчас, а не позже вечером. Эмоции не только сложны и имеют множество нюансов, они также взаимодействуют со многими нашими процессами принятия решений. Функционирование эмоций оказалось непростым для научного понимания (хотя и в этом есть существенный прогресс), и их трудно встроить в автоматизированную систему.
Во-вторых, контекст. Люди могут легко принимать во внимание контекст при принятии решений или взаимодействии с другими людьми. Контекст особенно интересен, потому что он открыт: например, каждый раз, когда появляется новость, она меняет контекст (в большей или меньшей степени), в котором мы работаем. Кроме того, изменения в контексте могут изменить не только то, как факторы взаимодействуют друг с другом, но и изменить конфигурацию факторов на основных направлениях. Это проблема для машинного обучения, которое работает с наборами данных, которые по определению были созданы ранее, в другом контексте. Таким образом, учет контекста (что доступно бармену-человеку без особых усилий) является сложной задачей для автоматизации.
Наша способность управлять эмоциями и использовать их, а также принимать во внимание эффекты контекста является ключевым компонентом критического мышления, творческого решения проблем, эффективного общения, адаптивного обучения и здравого смысла. Очень сложно программировать машины для подражания таким человеческим знаниям и навыкам, и неясно, удастся ли это технологиям вообще.
Интересно, что именно подобные навыки всё более востребованы у работодателей. Например, в одном из опросов 93% работодателей сообщили, что «продемонстрированная способность кандидата критически мыслить, четко общаться и решать сложные проблемы важнее, чем его или ее образование». Кроме того, работодатели ищут кандидатов, которые имеют другие «мягкие навыки», такие как способность учиться адаптивно, принимать правильные решения и хорошо взаимодействовать с другими. Эти востребованные способности прекрасно сочетаются с вещами, которые люди могут делать хорошо, но их автоматизировать также очень сложно.
Все это говорит о том, что наши образовательные системы должны концентрироваться не только на том, как люди взаимодействуют с технологиями (например, обучая студентов программированию), но и на том, что недоступно машинам: навыки, которые сложнее всего понять и систематизировать, а также навыки, которые дают — и будут продолжать давать — людям преимущество над роботами.
Оригинал: HBR
