[133], в которой перечислены шесть гибридных профессий, где людям и машинам придется работать сообща.
Аргументы в пользу того, что совершенствование процессов в результате автоматизации более вероятно, чем масштабные сокращения штатов, представляются достаточно убедительными. Само собой, это не значит, что в определенных обстоятельствах компании не станут заменять людей машинами. Никто не знает наверняка, какими будут профессии будущего, но в любом случае трудоустроенным работникам и многим руководителям пойдет на пользу, если мы поверим в совершенствование процессов и постараемся сделать его эффективным. В следующем разделе я опишу несколько шагов, которые можно предпринять в этом направлении.
Переход к совершенствованию процессов – или автоматизации
Какой бы путь ни избрала для себя организация – будь то совершенствование процессов или полная автоматизация (или и то и другое сразу), ей придется много сделать для достижения желаемой цели. Маловероятно, что одна стратегия подойдет для любого типа профессий, поэтому организациям необходимо провести классификацию своих профессий, определить уместный уровень человеческой и машинной деятельности для каждой из них, составить список навыков, которые, скорее всего, понадобятся в будущем, и начать подготовку людей и машин для выполнения будущих ролей.
Как совершенствование, так и автоматизация процессов происходят постепенно – задача за задачей, профессия за профессией. Очень важно определить важнейшие профессии в вашей организации (в идеале учитывая профессии, еще не существующие сегодня) и начать классифицировать их на основании типа ИИ, который можно к ним применить. Некоторые дальновидные компании уже занимаются этим. Так, в GE создали несколько «профилей» профессий (с названиями и описаниями), среди которых есть профессии, которые подвергнутся серьезной автоматизации, профессии, которые значительно изменятся, и совершенно новые профессии, которые появятся в будущем – в частности, в результате перестройки процессов под влиянием когнитивных технологий.
Сотрудники компании ориентируются на эти профили, чтобы понимать, какие навыки им стоит развивать. Например, начальник отдела материально-технического снабжения на заводе отвечает за наличие материалов и компонентов для сборки продукции. В прошлом он автоматически заказывал детали, выделяя на исполнение заказа 100 дней, но теперь модель машинного обучения может показать, что некоторые компоненты обычно приходят через 90 дней. В краткосрочной перспективе начальник отдела материально-технического снабжения будет изучать статистику и принимать решения о заказе новой партии. В будущем заказы будет размещать машина, но человек должен будет понимать, почему размещается тот или иной заказ и на основании чего машинное обучение делает выводы, и при необходимости вмешиваться в процесс.
Я определил пять альтернативных шагов, которые организации могут предпринять на пути к автоматизации[134]. Их также можно использовать для классификации профессий на основании того, какой из подходов кажется наиболее вероятным и выполнимым. Вот пять шагов, которые применяются к ряду конкретных профессий:
Возможно, чаще всего при совершенствовании процессов приходится в них вмешиваться, то есть шагать в самую гущу событий. Сотрудники, ответственные за это, наблюдают за работой умной машины, корректируют ее и берут контроль в свои руки, когда возникают проблемы. Компьютер может рассчитывать налоги, но умные бухгалтеры по налогообложению знают типичные ошибки автоматизированных программ (и типичные ошибки пользователей этих программ) и ищут их наметанным глазом. Покупка рекламы в цифровом маркетинге сегодня почти полностью автоматизирована, но только люди могут определить, когда запрограммированная покупка на самом деле вредит репутации бренда, и умеют настроить систему должным образом. Люди проверяют, насколько хорошо работают компьютеры, и помогают им работать лучше.
Шаг наверх предполагает выполнение работы более высокого уровня и контроль за применением когнитивных инструментов в рамках организации. Людям, способным мыслить шире и абстрактнее, чем компьютеры, работа найдется всегда. По сути, это классический совет, которому стоит следовать в условиях автоматизации работы: позвольте машине выполнять недостойную вас работу, а сами воспользуйтесь возможностью заняться более интересными вещами. Люди этой профессии должны быть информированными и достаточно креативными, чтобы участвовать в инновационных процессах и разработке стратегии компании.
Шагая в сторону, вы создаете профессии, исходя из некодифицированных квалификаций человека, которые не сводятся к рациональному мышлению, а связаны с тем, что Говард Гарднер назвал другими типами интеллекта. Такие профессии могут требовать «межличностного» и «внутриличностного» интеллекта, то есть умения работать с людьми и понимать собственные интересы, цели и сильные стороны, либо «пространственно-зрительного» или «телесно-кинестетического» интеллекта в сфере искусства или физической активности.
Шагнуть в узкую сферу – значит найти в своей профессии такую узкую область, которую никто не станет автоматизировать, поскольку это не сулит экономической выгоды. Работники такого типа преуспевают за счет собственного опыта и не испытывают потребности в автоматизации, но могут создавать собственные базы данных и схемы работы, чтобы не отставать от жизни, а также подключаться к системам, которые комбинируют результаты их специализированной деятельности с результатами остальных.
Наконец, шагнуть вперед – значит сконструировать следующее поколение инструментов и программ ИИ. За каждой великой машиной по-прежнему стоит человек – часто даже не один. Само собой, работникам этой сферы необходимы прекрасные навыки в сфере компьютерной науки, искусственного интеллекта и аналитики. Шагать вперед – значит приближать следующий этап внедрения машин, но стоит отметить, что эта работа сама по себе предполагает огромную поддержку аппаратным и программным обеспечением.
Само собой, при классификации профессий или работников с целью автоматизации процессов нередко появляется и шестая категория, которую можно назвать «шаг прочь». Однако я рассматриваю в первую очередь совершенствование процессов, а не полную автоматизацию, поэтому не включаю ее в свой список.
Может показаться, что провести классификацию и создать профиль каждой из профессий в компании слишком трудоемко, однако для определенного подмножества профессий эта задача вполне выполнима. Сформировать подмножество можно на основании того, какие профессии наиболее важны для стратегического развития компании, какие дают работу наибольшему количеству людей, какие в наибольшей степени подходят для автоматизации или какие выиграют после добавления некоторых ИИ-компетенций.
Например, одна страховая компания решила, что с оглядкой на ИИ важнее всего проанализировать две профессии – профессию андеррайтеров, которые определяют цены на страховку, и профессию оценщиков убытков. Обе этих профессии хорошо оплачиваются и требуют немалых знаний; обе дают работу относительно большому количеству людей. Технические специалисты компании полагали, что настала пора пересмотреть системы поддержки андеррайтинга, для работы которых требовались машины принятия решений на основе правил, созданные в 1990-х гг. Однако при ближайшем рассмотрении оказалось, что системы андеррайтинга по-прежнему достаточно точны. Для андеррайтинга можно использовать датчики, спутниковые снимки и другие внешние источники данных, однако компания полагает, что технологии и среды данных еще не вполне готовы к этому. В результате перестройка процессов в сфере андеррайтинга была отложена на неопределенное время.
Что касается профессии оценщика убытков, в компании по-прежнему работает некоторое количество разбросанных по стране сотрудников, оценивающих причиненный автомобилям ущерб и утверждающих суммы претензий. Однако компания запустила ряд пилотных проектов (пока что весьма успешных) по использованию технологии глубокого обучения для оценки цифровых изображений автомобилей и определения ущерба. Компания пришла к выводу, что в ближайшем будущем ей понадобится меньше оценщиков убытков, а потому она не нанимает новых людей на эту должность (в то время как многие из работающих сегодня оценщиков приближаются к пенсионному возрасту). Процесс оценки убытков в итоге станет почти полностью централизованным, а оставшаяся работа по оценке местных претензий перейдет к консультантам. В будущем оценщики убытков не будут экспертами по глубокому обучению, но им важно будет понимать, как системы принимают решения, и нужно будет уметь доступно объяснять все это клиентам и страховым агентам.
Для каждой профессии (или каждой профессии, попадающей в фокус компании) будет также полезно определить должный и вероятный уровень технологической поддержки. Например, можно использовать для классификации профессий шестиуровневую классификацию автономности автомобилей:
● Уровень 0 – нет технологической поддержки.
● Уровень 1 – технологическая поддержка человека.
● Уровень 2 – частичная автоматизация.
● Уровень 3 – автоматизация при определенных условиях.
● Уровень 4 – высокая автоматизация.
● Уровень 5 – полная автоматизация[135].
Более простая классификация консультанта Ананда Рао делит типы ИИ-технологий на три категории в зависимости от задач автоматизации:
● Сопровождаемый интеллект, широкодоступный сегодня, совершенствует ту работу, которую уже выполняют организации и люди.