Разделение труда, кооперация и новые типы экспертизы в условиях искусственной социальности (по материалам исследования российских и белорусских ИТ-организаций)

Размещено на http://www.allbest.ru/

Разделение труда, кооперация и новые типы экспертизы в условиях искусственной социальности (по материалам исследования российских и белорусских ИТ-организаций)

Трегубова Наталья Дамировна, кандидат социологических наук, ассистент кафедры сравнительной социологии СПбГУ

Резюме

Как меняется характер труда в организациях с внедрением искусственного интеллекта (ИИ)? По каким новым (или старым) линиям проходит разделение труда? Как осуществляется кооперация между сотрудниками? Настоящая статья рассматривает данные вопросы на материалах интервью с работниками из 16 российских и белорусских ИТ-фирм. В центр внимания статьи помещены новые структуры профессий и новые типы экспертизы, которые возникают в связи с распространением в организациях взаимодействий между работниками и агентами ИИ.

Данная проблематика рассматривается и обсуждается на примере трех тенденций: 1) возникновения новых видов деятельности и новых типов экспертизы в рамках кооперации между сотрудниками; 2) появления «невидимых» видов труда; 3) вытеснения локального знания знанием, полученным из больших данных. Основной вывод исследования заключается в том, что разделение труда в организациях, связанных с разработкой искусственного интеллекта/машинного обучения, характеризуется особого рода сложностью и специфической кооперацией, имеющей структуру «матрешки». Для описания такой структуры автор использует концепцию интеракционной экспертизы (interactional expertise), предложенную Гарри Коллинзом. В заключение статьи формулируются исследовательские проблемы и гипотезы, связанные с изменениями в структурах разделения труда, а также с новыми формами и новым опытом взаимодействия работников с ИИ.

Ключевые слова: искусственный интеллект, искусственная социальность, ИТ, разделение труда в организации, интеракционная экспертиза.

Abstract

Division of labor, cooperation, and new types of expertise in the age of artificial sociality: the case of it-companies in Russia and Belarus

Natalia D. Tregubova, PhD in Sociology, Assistant Professor of Comparative Sociology Chair, St. Petersburg State University, St. Petersburg. Research interests: theory of human interaction, sociological theory, sociology of everyday life, artificial intelligence and artificial sociality, comparative social science methodology

What are the changes that the development of AI brings to the character of labor status in organizations? Are there new momenta for cooperation between staff in organizations? Does AI initiate transformations in the division of labor? The paper addresses these questions on the basis of field research organized and conducted in Russia and Belarus. Employees of 16 Russian and Belorussian IT companies were interviewed. The foci of the paper are the new structures of labor occupation and the new types of expertise that have appeared on the scene with AI entering into the everyday life of society. The author discusses three basic trends.

First, the appearance of new categories of activities and new types of expertise in the frame of cooperation between employees. Second, the emergence of "invisible" varieties of labor. Third, the replacement of local knowledge with the knowledge that stems from 'big data'. The main result of the study is the following. The division of labor in organizations influenced by the development of artificial intelligence / machine learning is characterized by a complex and specific type of cooperation which has a structure comparable to a "Russian doll". In order to portray this structure the author applies the concept of interactional expertise proposed by Harry Collins. The paper also formulates several research problems and hypotheses connected with current transformations in the division of labor, as well as with new experiences of employees who interact with AI technologies.

Keywords: artificial intelligence, artificial sociality, IT, division of labor, organizations, interactional expertise.

Постановка проблемы

Проблематика, которой посвящена настоящая статья, находится на пересечении двух областей: труд и искусственный интеллект (ИИ). Формирование и оспаривание границ между профессиями в связи с распространением технологий ИИ, изменения в иерархии и распределении власти в организациях, появление новых конфигураций людей, идей и технологий -- вот лишь некоторые из возможных предметов исследовательского интереса, которые, однако, остаются на периферии статьи. В центр внимания мы помещаем новые структуры профессий и новые типы экспертизы, которые возникают в связи с распространением в организациях взаимодействий между работниками и агентами ИИ.

Основной тезис статьи состоит в том, что различие между ИИ как воплощенной моделью некоторых процессов и ad hoc подгонками и переналадками этой модели в режиме реального времени образует «зазор», очертания которого и определяют, как именно меняется характер труда в организации. Мы обсуждаем и иллюстрируем данный тезис на примере трех тенденций: 1) возникновения новых типов экспертизы в рамках кооперации между работниками организации; 2) появления «невидимых» людей, которые работают с данными; 3) вытеснения локального знания знанием, полученным из больших данных.

Данные, на основании которых мы рассматриваем проблематику так называемого нового разделения труда, были собраны в ходе полуструктурированных интервью с сотрудниками ИТ-фирм, которые разрабатывают и внедряют ИИ/машинное обучение (МО) Границы между ИИ и другими технологиями в реальной практике организаций мы обсудим ниже.. Проведены 24 интервью Интервью были проведены в марте -- ноябре 2019 г. Автор выражает благодарность Максиму Ни, Анастасии Ивановой и Валентину Старикову за помощь в проведении интервью, Маргарите Фабрикант -- за организацию «поля» в Беларуси и всем нашим информантам -- за общение. Мы также благодарим студентов факультета социологии СПбГУ за помощь в транскрибировании некоторых интервью. с сотрудниками в 16 организациях России и Беларуси Некоторые из информантов работали в организациях, центральный офис которых находится в других странах. (Приложение 1). Организации различаются по размеру и по целям создания/внедрения ИИ: некоторые из них создают продукт на основе ИИ/МО для продажи другим организациям, некоторые имеют внутренний отдел разработок, удовлетворяющий потребности самой организации.

Дальнейшее изложение организовано следующим образом. Мы начнем с характеристики развития технологий ИИ в ИТ-сфере в России и Беларуси. Затем будут выделены теоретические источники, на основании которых мы ставим исследовательскую проблему. Основная часть статьи содержит анализ интервью с информантами в ИТ-организациях, который завершается предварительными обобщениями. В заключение мы указываем на новые исследовательские вопросы, связанные с переходом от анализа профессиональных структур к исследованию опыта взаимодействия людей с ИИ.

Развитие ИИ в ИТ-сфере России и Беларуси

И в России, и в Беларуси сфера ИТ -- одна из наиболее динамично развивающихся областей, в рамках которой ИИ -- одно из наиболее важных направлений Последние данные для России представлены в отчете РусСофт за 2019 г., который фиксирует как рост ИТ-сферы в целом, так и актуальность развития технологий ИИ и МО. Кроме того, в отчете за тот же год компании «Нормальные исследования» отмечается, что в России почти в половине случаев аналитики решают дополнительные задачи, связанные с МО. В Беларуси отчет dev.by о развитии ИТ за 2018 г. также характеризует устойчивый рост этой сферы и фиксирует внутри нее такие области, как машинное обучение, «большие данные», робототехника.. В этом отношении разделение труда внутри организаций, которые создают или внедряют ИИ, представляет особый интерес как нечто новое, возникающее на наших глазах.

Несмотря на активный рост ИТ-сферы в России, ее исследования в литературе по социальным наукам немногочисленны. Прежде всего необходимо отметить исследование STS-Центра ЕУ СПб, которое концентрировалось на постсоветской ИТ-сфере с особым вниманием к внешним и внутренним миграциям программистов (результаты исследования опубликованы, в частности, в монографии [Biagiolli, Lepinay 2019]). Другие исследования ИТ-сферы в России характеризуют «профессиональный портрет» работников, характер их занятости и отношения с работодателями [Вязникова 2008; Земнухова 2013]. Насколько известно автору, на сегодняшний день в русскоязычной литературе по социальным наукам не представлены исследования, связанные с развитием технологий ИИ в ИТ-организациях. В связи с этим наше исследование носит в значительной степени поисковый и описательный характер.

Концептуальные основания исследования

Постановка проблемы в настоящем исследовании формулируется на основании четырех источников.

Первый источник -- это концепция искусственной социальности, развиваемая исследовательским коллективом при участии автора статьи (подробное обсуждение и обоснование см. [Резаев, Трегубова 2019; Резаев, Стариков, Трегубова 2020]). Данная концепция основывается на тезисе, что агенты ИИ, изначально ориентированные на решение инструментальных задач, сегодня все в большей степени проникают в повседневную и профессиональную жизнь людей, опосредуя взаимодействия и меняя социальные отношения. Кроме того, формулируется различие между ИИ как процессом и его реализацией в виде конкретного технического устройства (агента).

Мы принимаем следующие ключевые определения.

Искусственный интеллект -- это «ансамбль разработанных и закодированных человеком рационально-логических, формализованных правил, которые организуют процессы, позволяющие имитировать интеллектуальные структуры, производить и воспроизводить целерациональные действия, а также осуществлять последующее кодирование и принятие инструментальных решений вне зависимости от человека» [Резаев, Трегубова 2019: 40].

Агент ИИ -- это «устройство, деятельность которого опосредует и фиксирует проявления искусственного интеллекта» [Резаев, Трегубова 2019: 43] (под «устройством» понимается технический объект, имеющий конкретное материальное воплощение: робот, бот, реализуемый в конкретном приложении с конкретным интерфейсом, и т. п.).

Искусственная социальность «представляет собой эмпирический факт участия агентов ИИ в социальных взаимодействиях в качестве активных посредников или участников этих взаимодействий» [Ре- заев, Трегубова 2019: 43].

Данная статья рассматривает, как феномены искусственной социальности (взаимодействия с агентами ИИ) и сопутствующие им изменения в способах кооперации людей проявляются в трудовой деятельности работников ИТ-фирм. Мы принимаем теоретические определения интересующих нас явлений, однако в ходе анализа интервью обратимся и к тому, как сами информанты понимают искусственный интеллект.

В качестве второго источника постановки исследовательской проблемы выступает концепция интеракционной экспертизы (interactional expertise), сформулированная Гарри Коллинзом [Collins 2004; 2018]. Мы стремимся показать, как именно происходит трансформация границ экспертизы, по которым обычно проходит разделение труда в организациях. Когда речь заходит о взаимодействии людей из разных областей, в специальной литературе зачастую обсуждаются трудности и барьеры, так как они разговаривают «на разных языках» [Земнухова, Руденко, Сивков 2019; Fedorova 2019: 75-77]. С помощью концепции интеракционной экспертизы становится возможным описать ситуации, когда эксперты из одного сообщества осваивают язык другого сообщества на таком уровне, что становятся в некоторых случаях неотличимыми от членов этого второго сообщества. Коллинз определяет интеракционную экспертизу как «способность выступать в качестве эксперта в беседе о некотором практическом умении или экспертной области, не будучи способным к осуществлению самой практики; такая способность приобретается через языковую социализацию в среде практикующих» [Collins 2004: 125], иными словами, в общении с действительными экспертами. Концепция интеракционной экспертизы отсылает к собственному опыту Коллинза, который многие годы исследовал сообщество физиков, изучающих гравитационные волны, и приобрел именно такую экспертность. В настоящее время понятие интеракционной экспертизы применяется и за пределами исследований науки и технологий (см., например, [Ribero 2007; Woo, Myers 2019]).

Третий концептуальный источник -- это работы, характеризующие изменения в разделении труда в связи с развитием трудоемких вычислительных задач, определяемых развитием экономики и управления в Новое и Новейшее время. Так, Лоррейн Дастон анализирует работу «вычислителей» -- людей, производивших расчеты сначала вручную, а потом на аналоговых компьютерах, -- до эпохи цифровых компьютеров [Daston 2018]. Автор, с одной стороны, показывает, как менялись границы и статус деятельности вычислителей, с другой -- указывает на то, что с появлением компьютеров труд по осуществлению вычислений полностью не исчез, но изменил свою форму. Дастон формулирует две проблемы, важные в рамках нашего исследования. К ним относятся историческая динамика разделения труда и профессиональных иерархий и соотношение между функциями машины и характером труда работника, взаимодействующего с ней в той или иной роли. Еще одна значимая проблема -- это появление новых способов получения знания о социальных процессах на основе вычислений и использование этого знания для их регулирования. Данную проблему обсуждают, например, Дональд МакКензи [MacKenzie 2001] применительно к механизации математического доказательства, Ашиш Арора и Альфонсо Гамбарделла [Arora, Gambardella 1994] в отношении получения нового знания для осуществления инноваций и т. д.

Наконец, в качестве четвертого источника постановки исследовательской проблемы выступают исследования, в которых рассматривается взаимосвязь между социальным/профессиональным контекстом использования техники, собственно техническими особенностями устройств и процессами взаимодействия между человеком и машиной. Здесь могут быть выделены как минимум три направления, которые в широком смысле относятся к социальным исследованиям науки и технологий. Шерри Теркл предлагает в отношении компьютера термин evocative object -- объект, который пробуждает рефлексию о границах между явлениями, в частности, о границах между человеческим и не-человеческим [Turkle 2005]. С компьютером люди ассоциируют себя, определяют себя через него, задаются вопросом, что значит быть человеком, если машины тоже «мыслят». Согласно Теркл, человеческое восприятие компьютера амбивалентно, оно изменяется в ходе опыта взаимодействия и различается для разных поколений и разных профессиональных групп. Взаимодействие с компьютером, пока оно не рутинизировано, имеет особое внутреннее измерение, порождает особый опыт. Отчасти сходную постановку вопроса предлагает Люси Сачман в исследовании, как люди взаимодействуют с техникой в конкретных ситуациях в связи с логикой действия машин и стоящей за ними логикой разработчиков, с одной стороны, а с другой -- с социальны ми и профессиональными контекстами ситуаций [Suchman 2007] В 2019 г. в издательстве «Элементарные формы» вышел перевод этой монографии на русский язык: Люси Сачмен «Реконфигурации отношений человек -- машина: планы и ситуативные действия», пер. Алисы Максимовой под ред. Андрея Корбута.. Наконец, в работах Карин Кнорр Цетины [Knorr Cetina 1997; Knorr Ce- tina, Brueger 2000] формулируются и развиваются концепции «объект-центрированной социальности» и «постсоциальных отношений». Исследовательница утверждает, что в современном мире отношения людей с объектами не сводятся к инструментальным манипуляциям и торговым отношениям: объекты становятся предметом привязанности и основой для формирования идентичности; данный тезис она раскрывает на примере исследования финансовых рынков.

Все три исследовательницы указывают, что процесс взаимодействия человека с техническим устройством представляет собой особую исследовательскую проблему, не сводящуюся ни к техническим деталям, ни к структурным условиям взаимодействия. Теркл подчеркивает социально-психологические «загадки» этого процесса, Сачмен -- собственно ситуативные механизмы взаимодействия, Кнорр Цетина -- важность объектов для разделения труда и формирования профессиональных идентичностей. Тем не менее их исследования не являются специфичными именно для взаимодействий человека с ИИ (исключение отчасти составляет Теркл, однако она рассматривает более широкий класс явлений -- компьютеры).

Таким образом, концепция искусственной социальности определяет эмпирический объект -- феномены искусственной социальности -- и выделяет специфические черты ИИ в отличие от других объектов, которые выступают в качестве участников и посредников взаимодействия с людьми. Исследования изменений в разделении труда в связи с развитием вычислений и исследования взаимодействия людей с техническими объектами раскрывают различные аспекты, важные для понимания сложных механизмов влияния технологических изменений на характер труда и структуры профессий. Наконец, концепция интеракционной экспертизы позволяет сформулировать гипотезы, как именно могут меняться границы и содержание деятельности сотрудников организаций. Выделенные концептуальные основания служат ориентирами для анализа и интерпретации данных эмпирического исследования, к чему мы и переходим в следующем разделе.

Локальные определения ИИ в организациях

Как уже было отмечено, одна из целей исследования -- ухватить комплекс смыслов (и соответствующих им практик и технологий), связанных с понятием «искусственный интеллект». Словосочетание «искусственный интеллект» вошло в разговорный язык, и обыденное словоупотребление объединяет разные случаи использования ИИ и его категоризации. Кроме того, созданию и внедрению того, что именуют «искусственным интеллектом», сопутствуют иные технологии, например МО, соотношение которых с ИИ может выстраиваться по-разному. Все это подводит к необходимости рассмотрения, что под ИИ понимают сами информанты. Итак, с одной стороны, в качестве концептуального определения ИИ мы принимаем приведенное выше; с другой стороны, для прояснения, каким образом ИИ воплощается в конкретные продукты (агенты), мы обращаемся к определениям информантов.

Предложенные работниками организаций определения могут быть сгруппированы в несколько типов Одни и те же информанты иногда предлагали определения, относящиеся к разным типам, так что типы не являются взаимоисключающими. Некоторые информанты при этом рефлексировали о неопределенности и проблематичности понятия ИИ.. Отметим, что сам способ «производства» определения различается: одни из информантов формулировали его сразу, другие пытались артикулировать в процессе беседы, третьи специально указывали на то, что определение ИИ не является общепринятым. При этом особую роль зачастую играли два других понятия, с которыми ИИ сопоставляется (иногда --чему противопоставляется): человек (человеческий мозг) и машинное обучение (МО, ML, machine learning), иногда в более широком виде -- анализ данных. Отношения между ИИ и МО зависят от определения, принятого информантом. Иногда они выступают в качестве синонимов, иногда разграничиваются, причем по разным основаниям в зависимости от типа определения.

Первый тип связан с определением ИИ как математической/статистической модели. В одной из разновидностей подобных определений ключевой чертой ИИ выступает принятие решений, при этом информантами иногда выстраивается оппозиция: МО не принимает решения, ИИ -- принимает. В другой разновидности ИИ определяется через модель, делающую предсказания на основе анализа данных. В третьей отличия ИИ не выделяются, а сама идея «искусственного интеллекта» воспринимается скептически. В таком случае ИИ и МО обычно не разделяются.

«Ну, на сегодняшний момент, это очень сложная математическая модель, которая может принимать решения на основе большого количества данных» (Ресерчер, Организация 5, Россия) Должность информанта указывается с его/ее слов; номер организации присваивается в соответствии с очередностью, в которой проводились интервью..

«Это какая-то нейронная сеть, машина, которая с помощью изученной информации, изученной базы данных, делает предсказания» (Аккаунт-менеджер, Организация 2, Россия).

«И я все время посмеиваюсь над тем, что, как и машинное обучение, это [искусственный интеллект -- Н.Т.] на самом деле ребрендинг статистики. ... Как отнестись к искусственному интеллекту, я не знаю, потому что я по-прежнему глотаю улыбку, когда слушаю рядом с собой "искусственный интеллект". Нет у компьютера, нет у искусства, нет у “железа” никакого интеллекта и не появится» (Старший аналитик данных, Организация 10, Беларусь).

Второй тип определений характеризует ИИ как машину для решения задач той или иной сложности, с той или иной степенью авто- номности,действующей часто в режиме реального времени. Если первое определение ИИ через модель фокусируется на том, чем он является, то определение ИИ как машины для решения задач сосредотачивается на цели ИИ, на том, для чего именно он нужен. МО в таком случае рассматривается как инструмент для решения задач.

«Если исходить из трактовки, что [искусственный интеллект -- это -- Н.Т.] способность использовать опыт для решения новых задач, то это уже давно есть и давно работает» (Развитие социальной сети, Организация 15, Россия).

«Вообще, "искусственный интеллект" -- более широкое понятие [чем “машинное обучение" -- Н.Т.], да. Есть искусственный интеллект общего назначения, который сейчас не достижим, по-моему, сильно далеко. А машинное обучение -- это некая область знаний, с помощью которой мы можем создавать вот эти вот простые искусственные интеллекты, которые потом решают наши задачи. Я для себя это так примерно разделяю. То есть машинное обучение -- это какие-то паттерны, алгоритмы, с помощью которых мы можем создавать искусственный интеллект» (Веб-разработчик, Организация 5, Россия).

Третий тип определений рассматривает ИИ через имитацию человеческого поведения или мышления. Данное определение конкретизирует, какие именно задачи решает ИИ. Здесь могут рефлекси- роваться и отличия человека от машины.

«Мне кажется, что граница проходит там, где мы используем компьютер, алгоритмы и технологии для того, чтобы решать задачи, которые традиционно считаются решаемыми с помощью естественного интеллекта» (Руководитель отдела лингвистики, Организация 4, Россия).

«Все-таки человеческий мозг совершеннее, и ребенок может проецировать на то, чему он обучен, свой предыдущий опыт, который может быть никак не связан с данным конкретным объектом. Искусственный интеллект на данном этапе все-таки он очень прямолинейно: вот задача, вот ее выполнение, и пока сильно не привязываются какие-то еще категории» (Исполнительный директор, Организация 2, Россия).

Наконец, четвертый тип определений связывает ИИ с характеристиками интеллекта, такими как самостоятельность или целостное восприятие мира. В отличие от третьего типа определений, который предполагает имитацию того, что может сделать человек (необязательно способами, свойственными для человеческой деятельности), четвертый тип определяет ИИ как нечто, похожее на человека и в перспективе его превосходящее. В таком случае информанты выражают сомнение, что ИИ (в отличие от МО) уже существует.

«Все алгоритмы машинного обучения, они связаны с каким-то автоматическим подбором параметров, и человек самостоятельно без вычислительной техники на сегодняшний день такой набор параметров подобрать не в состоянии... И можно ли на основании этого сказать, что вычислительная система обладает искусственным интеллектом? Наверное, все-таки нельзя. Да, подбор параметров--это более сложная задача, чем умножение двух чисел, но она основана на методах оптимизации, которые придуманы тем же самым человеком. И, таким образом, интеллектуальная часть осталась в руках человека, она просто была один раз им реализована, и теперь она применяется при обучении разных моделей машинного обучения» (ML-аналитик и разработчик, Организация 7, Россия).

«Проблема в том, что все сейчас очень узко специализировано, и часто идет уклон в сильно прикладные вещи вроде Инстаграма, таких вещей, распознавания каких-то запросов в поисковике, то есть это немножко частные решения. В принципе я не сказала бы, что это проблема, но это уход от, наверное, той цели, которую все подразумевают, когда говорят "искусственный интеллект"» (Инженер-исследователь, Организация 3, Россия).

В отношении определения ИИ следует сделать еще одно замечание: некоторые работники отмечали, что не используют термин «искусственный интеллект», употребляя иные термины. Они связывали это с тем, что ИИ, -- с одной стороны, популярный и привлекающий внимание слоган, с другой--не означает ничего конкретного. Терминология здесь разграничивает внешнюю публику и профессионалов в организации.

«Мы это не называем искусственным интеллектом, мы это называем моделями. Мы можем предсказывать на основании того, как человек себя ведет, как похожие на него люди себя вели в прошлом, можем предсказать [его поведение в будущем -- Н.Т.]» (Менеджер продукта, Организация 6, Россия).

«В Здесь и далее в цитатах: В. -- вопрос интервьюера, О. -- ответ информанта.: Вы называете то, что создаете, разрабатываете, искусственным интеллектом или это как-то по-другому вы называете?

О: Мы называем это “робо-уроки”, "робо-звонки", устоявшееся такое название. “Искусственный интеллект” -- это такое немного распиа- ренное словосочетание, мы не очень его любим.

В.: Интересно, именно потому что оно везде звучит сейчас?

О: Ну да. Когда ты говоришь “искусственный интеллект”, сразу у всех ожидания завышаются» (Ресерчер, Организация 5, Россия).

Сравнение представленных определений показывает, что информанты определяют ИИ через его сущность или через функцию. Если речь идет о сущности, ИИ либо определяется через математическую модель (что согласуется с теоретическим определением ИИ как ансамбля формализованных правил), либо через понятие интеллекта, сходного по своим свойствам с человеческим. В последнем случае информанты заявляют, что ИИ еще не существует. Определение ИИ через функцию указывает или на решение задач в общем виде, или конкретизирует их как задачи, связанные с имитацией человеческого поведения (что также согласуется с принимаемым теоретическим определением ИИ). Наконец, некоторые информанты предпочитают говорить не об ИИ, а о «моделях», «робо-звонках» и проч.

Кроме того, необходимо отметить важность понятия «машинное обучение», которое часто в разных вариациях, в паре или оппозиции, появляется вместе с «искусственным интеллектом».

Исходя из сравнения определений, можно сделать три вывода. Во-первых, среди информантов не существует единого представления, что такое ИИ, существует ли он сейчас и как проводить границы между ИИ и МО. Во-вторых, определения информантов тем не менее в целом укладываются в концепцию искусственного интеллекта и искусственной социальности, принимаемую в настоящей статье, высвечивая разные ее аспекты. В-третьих, большинство информантов понимают под ИИ модель и совокупность реализующих ее алгоритмов, а не конкретное ее воплощение (не агентов ИИ в нашей терминологии).

Техническое «ядро» и онлайн-культура

Из анализа определений следует, что граница между ИИ и другими технологиями не всегда проводится одинаково и не всегда четко различима. Данная ситуация, на наш взгляд, связана с тем, чем обусловлен рост эффективности и широкое распространение технологий ИИ.

Из нарративов наших информантов могут быть выделены несколько технических факторов, которые они связывают с развитием ИИ. Это нарастание вычислительных мощностей и объемов памяти компьютеров, постоянное накопление разнообразных данных, а также совершенствование алгоритмов обработки и анализа данных. Обобщая оценки информантов, можно говорить, что ни один из этих факторов не является достаточным, но вместе они становятся необходимыми для развития ИИ в том виде, в котором он существует сегодня. Так, популярные алгоритмы не эффективны без вычислительных мощностей и без больших объемов данных, сбор данных не имеет смысла, если негде их хранить и нет способов их обрабатывать, а рост мощностей и памяти подстегивается растущими нуждами сбора и анализа данных.

«Уже в конце 90-х было понятно, что у всяких банков, у них данных электронных накопится вагон. Не было именно технической возможности с ними работать» (Руководитель отдела лингвистики, Организация 4, Россия).

«Академический у меня был всегда интерес именно к областям, связанным с искусственным интеллектом и нейросетями. И вот в последние годы я, собственно, возвращаюсь в эту область, и сейчас с удивлением обнаруживаю, что, с одной стороны, ничего нового, как ни странно, почти ничего нового не изобрели; с другой стороны, возможности техники и, что намного более важно, количество данных, которые доступны в открытом виде, стало достаточным, чтобы количество переросло в качество» (Управляющий партнер, Организация 1, Россия).

Технический конгломерат алгоритмов, данных и вычислительной техники образует «ядро», которое кристаллизуется в социально-экономической среде, характеризующейся двумя важными условиями. Первое -- это появление и распространение общедоступного программного обеспечения, существенно снижающего требования к квалификации разработчиков.

«Сейчас уже все инструменты для разработки подобного рода решений они есть... То есть нужно написать несколько строчек кода, и модель будет обучена» (Развитие социальной сети, Организация 15, Россия).

«Сейчас, собственно, с машинным обучением происходит примерно то же самое, что происходило с языками программирования когда-то. Потому что когда-то языками программирования, да и вообще программированием, могли заниматься [только те--Н.Т.] люди, которые являются хорошими математиками» (Тим-лидер продукта, Организация 14, Россия).

Второе -- это развитие онлайн-культуры Мы определяем онлайн-культуру как «ансамбль (гармоническую совокупность) сетей коммуникаций, технических устройств, алгоритмов, формальных и неформальных правил взаимодействия, паттернов поведения, культурных символов, которые делают возможной и структурируют активность людей в сети интернет и аналогичных сетях, обеспечивающих удаленный доступ к созданию, обмену и получению информации» [Резаев, Трегубова 2019: 42]. Подробнее об онлайн-культуре в связи с развитием ИИ см. [Там же]. Для развития и распространения технологий ИИ в 2000-х годах имели особое значение изменения в структурах активности интернет- пользователей, связанные с переходом к Web 2.0. (включая развитие телекоммуникаций, позволяющих быстро и в режиме реального времени передавать информацию). Колоссальное количество данных создается и аккумулируется онлайн, и эти данные используются в работе многих разновидностей ИИ. В свою очередь агенты ИИ поддерживают развитие онлайн-культуры, позволяя получать новую информацию, и как следствие извлекать прибыль из активности пользователей [Срничек 2019].

«У меня есть очень простое объяснение, собственно, как возникли большие данные и как на больших данных начали появляться такие уже доступные, скажем так, массовому производителю и дальше массовому потребителю системы искусственного интеллекта. Это снижение стоимости хранения данных и удешевление стоимости связи...

И это, собственно, и привело к тому, что произошел сдвиг парадигмы с того, что мы задумываемся о том, какие данные собираем, и собираем только то, что нам нужно и можем потом использовать, на то, что мы собираем все, что есть и все что доступно, ну а потом уже будем думать, что с этим делать. <...> Все то, что происходит онлайн, может быть в том или ином виде оцифровано, оно оцифровано уже априори. И как только начинает передаваться голос, движение, видео, сразу с этой информацией можно что-то делать, с этими данными, превращать эту информацию в знание» (Управление продуктами, Организация 11, Беларусь).

Как следствие технологии ИИ в определенном смысле «срастаются» с другими технологиями и процессами, в которые могут быть встроены и которые представляют необходимую среду для их функционирования.

«То, что я вижу за последние пару лет: стерлась вот эта грань между тем, что существуют какие-то системы без больших данных, без искусственного интеллекта, и прикрутить к любому решению какое-нибудь облачное хранилище или облачную систему управления, систему искусственного интеллекта это все уже очень коммодитизировано. То есть, если раньше нужны были сложные технологии и экспертиза, то сейчас практически любой разработчик это может сделать» (Управление продуктами, Организация 11, Беларусь).

«Нейросеть сама по себе не является искусственным интеллектом. Нейросеть -- это, по сути, у нас алгоритм, который выполняет определенную задачу. Но если мы не подключим там облачные вычисления, большие данные, все-все-все-все, искусственного интеллекта без этого не получится» (Исполнительный директор, Организация 2, Россия).

Таким образом, распространение технологий ИИ в организациях происходит в условиях и в связи с нарастанием вычислительных мощностей и одновременно с развитием способов сбора, хранения и обработки разнообразных данных. Данные тенденции и формируют облик агентов ИИ в организациях.

Зачем нужен искусственный интеллект?

Вопрос, вынесенный в заглавие раздела, скрывает в себе как минимум два отдельных вопроса. Первый -- зачем ИИ вводится в конкретной организации или отрасли? Второй -- зачем (и кому) ИИ нужен в принципе, чью жизнь он улучшает? Ответы на оба вопроса встречались (и иногда переплетались) в нарративах информантов.

Однако перед тем как перейти к ответам информантов, следует сделать замечание, зачем в принципе организации, где проводилось исследование, занимаются разработкой и внедрением ИИ. Как было уже отмечено, часть из них создает ИИ как продукт для продажи другим организациям (в типичном случае это организации-стартапы). В других случаях ИИ разрабатывается внутри фирмы, чтобы повысить эффективность внутриорганизационных процессов: заказчиком выступает руководство, разработчиком -- внутренний отдел (такая ситуация характерна для больших компаний). Кроме того, следует отметить, что информанты из нескольких организаций говорили, что они не используют ИИ, но используют МО в целях, сходных с теми, в которых используется ИИ. К этому различию мы вернемся в конце статьи.

Первый (и наиболее абстрактный) ответ на вопрос, зачем в организации вводится ИИ, связан с анализом специфических данных, включающих много переменных, непрерывно создающихся, «больших», сложных для иных способов обработки.

«Практически любые решения, которые мы делаем, так или иначе ведут к накоплению данных каких-то у заказчика... Интересно их накапливать и смотреть, есть ли возможность предсказать некоторые события до того, как они реально наступили. И одна из задач искусственного интеллекта -- это как раз такой очень сильно многофакторный анализ, когда мы не понимаем, есть ли какие-то зависимости, у нас нет даже гипотез, но мы можем предложить максимально обширный набор данных и в нем попытаться найти эти самые гипотезы» (Управляющий партнер, Организация 1, Россия).

«Есть вещи, которые сложно представить в каком-то конкретном виде, понятном для математики. То есть это изображения, это звук, это текст, еще что-то. И эти вещи они, что называется, не сериализуются. И имея на входе вот такие вот данные, математически довольно сложно придумать способ, как из них получить в итоге какие-то конкретные решения или ответы. И искусственный интеллект позволяет это реализовывать» (Веб-разработчик, Организация 5, Россия).

Зачем анализировать данные с помощью ИИ? На этот вопрос есть разные ответы. Один из наиболее распространенных: для снижения расходов в связи с автоматизацией процессов внутри организации.

«Я могу высказать такое мнение, что есть такие работы, которые можно автоматизировать. И если это можно автоматизировать, то это, скажем так, очень много денег сохранит бизнесу. И, исходя из этого тезиса, все, что можно автоматизировать, должно быть автоматизировано... Для больших компаний, особенно для лидеров рынка, наступает такой момент, когда, допустим, нет больше людей, физически больше нет людей нужной квалификации и с нужным опытом. И задачи чуть низшего уровня... их желательно автоматизировать, а на хай-таске уже более узкого специалиста нанимать» (Ресерчер, Организация 5, Россия).

Другой ответ заключается в том, что ИИ позволяет проводить мониторинг процессов внутри организации, облегчает контроль и оценку работы и общего состояния сотрудников.

«Основная задача, за которую мы взялись и чувствуем, что это один из достаточно важных факторов, -- это поведенческая аналитика внутри компании. То есть, грубо говоря, сейчас достаточно достоверных способов анализа состояния коллектива в компании -- их не существует» (Технический директор, Организация 16, Россия).

«У нас до этого работали люди, которые реально смотрели, как бы да, отсматривали... Потом решили: окей, давайте не человек будет смотреть, а компьютерное зрение будет смотреть, есть там, достает он телефон или не достает Речь идет об оценке работы учителей при проведении онлайн-уроков.. Давайте научим модель, внедрим искусственный интеллект» (Тимлид аналитики данных, Организация 5, Россия).

Третий ответ о выгоде ИИ для организации заключается в выстраивании стратегии развития по отношению к конкурентам.

«С одной стороны, сейчас есть сегменты с усиливающейся конкуренцией, где есть осознанное понимание, что нужны решения, которые повысят эффективность. А с другой стороны, есть компании, у которых, может быть, не так остро стоит этот вопрос, но которые. накапливают большую довольно базу знаний [в работе с которой люди могут быть замещены системой обработки данных--Н.Т.]... Вот к этой критической точке подходит довольно много отраслей сейчас, и в них мы видим одну из перспектив нашей работы» (Управляющий партнер, Организация 1, Россия).

«На самом деле технология искусственного интеллекта в абсолютном большинстве, наверное, все-таки областей, -- это некоторая “вишенка”. Она обеспечивает то самое конкурентное преимущество, когда все остальное уже выстроено хорошо. То есть она помогает улучшить бизнес-процессы, она помогает правильно сегментировать своих кастомеров и сделать лучшее предложение, но это все-таки вторично по сравнению с правильным экзекьюшеном, бизнес-моделью и другими вещами. С технологическими компаниями иначе. С технологическими компаниями машинное обучение может занимать львиную долю от всего вэлью компании, то есть, если, например, есть хороший алгоритм, который позволяет вам искать и ранжировать идеальным образом запросы пользователей в интернете, то вы Гугл» (Тим-лидер продукта, Организация 14, Россия).

Наконец, использование (или претензия на использование) технологий ИИ может быть связана с модой на новые технологии, с желанием улучшить имидж организации.

«Я вижу, что очень часто главное -- правильно и очень красиво назвать какую-то штуку. Даже если это классическая статистическая штука, главное назвать это словами data science, artificial intelligence, machine learning и так далее. Ну, machine learning--это правда. И даже если это очень простая штука и data scientist на нее потратил полчаса своего времени, люди остаются в восторге. Короче, нейросети, да. Мои ребята умеют делать нейросети. Мы сейчас их пока не делаем, потому что не поняли, зачем» (Менеджер продукта, Организация 6, Россия).

От ценности ИИ для организации информанты переходили к общим размышлениям о пользе новых технологий, предлагая разнообразную, сложную и тонкую рефлексию о настоящем и будущем технологий ИИ: от типичной для данной фирмы риторики до выражения личных взглядов, от популярных в сети интернет сюжетов до индивидуальных соображений, от скепсиса до оптимизма, включая всевозможные футуристические сценарии. Обсуждение дискурсов 136 об ИИ выходит за рамки настоящей статьи. Отметим лишь, что информанты из некоторых организаций воспроизводят в своих нарративах суждения, представляющие развитие ИИ как замещение ручного труда и развитие творческих профессий. Приведем один из наиболее ярких примеров, воплощающих данную позицию.

«Уже тогда [на прошлом месте работы -- Н.Т.] я видел огромное количество некоторых процессов, которые эти технологии могли бы автоматизировать. И вот когда там сидели какие-то люди, за безумные 8-10 тысяч рублей в месяц накликивали что-то мышками у себя в компьютере, я понимал, что в принципе вместо этого, этим может заняться машина. Мне было очень жалко этих людей, откровенно говоря.

И я вообще за то, чтобы избавлять людей от тупой работы, потому что она, мне кажется, очень вредна. А эти алгоритмы, они позволяют избавлять от тупой работы» (Веб-разработчик, Организация 5, Россия).

Можно видеть, что ИИ (и МО) в организациях используется в основном в двух целях. Одна цель -- это анализ данных, которые трудно анализировать иными способами; здесь часто (хотя и не всегда) речь идет об аналитике процессов внутри организации. Вторая побочная цель -- это усиление престижа организации за счет использования новых, модных технологий. Кроме того, следует провести еще одно различие: некоторые компании зарабатывают на технологиях ИИ напрямую, продавая их внешним заказчикам, другие--косвенным образом, когда ИИ служит для поддержки и оптимизации внутренних процессов.

ИИ и характер разделения труда в организациях

В организациях, разрабатывающих и внедряющих ИИ, мы зафиксировали три тенденции, отражающие изменения в разделении труда и в характере трудовой деятельности. Первая тенденция--развитие кооперации между работниками разных профессий/с разным образованием и появление нового типа экспертизы. Вторая представляет собой появление новой категории «невидимых» работников. Третья -- это вытеснение (трансформация) локального знания знанием, полученным из больших данных.

Новые профессии и интеракционная экспертиза

В организациях, связанных с разработками ИИ, наблюдается тесная кооперация и сложное разделение труда. С развитием и распространением ИИ и МО появляется ряд новых профессий; детали их номенклатуры и конкретные трудовые функции меняются от организации к организации, однако не настолько, чтобы нельзя было сделать некоторых обобщений. Выделим два идеальных типа новых профессий, связанных с развитием ИИ в организациях и предполагающих преодоление границ узкой специализации.

Первый тип -- это разработчик ИИ (data scientist) -- специалист, совмещающий математическое знание, знание языков программирования и знание предметной области. В отличие от привычных программистов (которые тоже участвуют в создании ИИ) data scientist предстает как новая, (пока еще) редкая профессия, предполагающая синтез знаний из разных областей.

«Отдельный класс -- это люди, которые называются сейчас data scientist's^ причем название этой профессии уже даже на русский не переводится... То есть это такая смесь между человеком, который хорошо понимает статистику, статистические методы, разработчиком, и ему важно понимать доменную область. Потому что как раз на стыке трех вот этих вот кругов рождается возможность создавать алгоритмы» (Управление продуктами, Организация 11, Беларусь).

«Я заметил на самом деле, когда обучался искусственному интеллекту. Эти штуки -- они преподаются как некая область знаний в вакууме. И люди, которые этому обучаются, они не имеют достаточно крутые компетенции для того, чтобы это куда-то в жизнь воплотить. И иногда они имеют представление о том, как эту модель отправить на сервер, чтобы она работала в формате запрос- ответ, и так далее. Но полного цикла интеграция, решения этого в продукт -- этой компетенцией реально мало кто обладает. И я вот сейчас ее в себе разрабатываю» (Веб-разработчик, Организация 5, Россия).

«В.: А насколько вам сильно нужно чему-то новому учиться или переучиваться, чтобы уметь это делать?

О: Ну, это прям много всего, потому что у меня образование не очень математическое. Здесь гораздо больше математики, статистика» (Программист, Организация 12, Беларусь).

Второй тип включает различные профессии, непосредственно не участвующие в разработке ИИ. Их объединяет новый тип экспертизы: такие люди должны иметь общее представление о математических моделях и программировании, однако они не обладают умениями (не могут разработать модель). Первая профессия, относящаяся к данному типу, -- это специалисты по сбору, обработке и анализу данных (data analyst, data engineer).

«В разработке, ну, во всем, что связано с искусственным интеллектом, уже куча всего сделано за тебя. То есть тебе не нужно прописывать какие-то интегральные формулы, тебе нужно понимать их суть, то есть уже все за тебя написано. Твоя задача -- импортировать нужную библиотеку, использовать нужную функцию, просто написав ее название, и она, подсунув ей свои данные, она сама будет работать» (Тимлид аналитики данных, Организация 5, Россия).

«Я пришел, собственно, как статистик, я заявил себя как статистик. Я уверен, что по уровню знаний, по компетенциям, как сейчас говорят, я в общем вполне гожусь для этой работы. И поэтому я прошел техническое интервью. Но, как выяснилось, этого совершенно мало, этого совершенно недостаточно, от меня ожидают более широкого круга знаний. В частности, разумеется, я должен владеть каким-то программированием» (Старший аналитик данных, Организация 10, Беларусь).

Кроме того, ко второму типу следует отнести управленцев (team leader) и посредников в области разработки ИИ: в рамках рабочего процесса (product manager), между разработчиками и заказчиками (business analyst, customer success), а также специалистов по подбору кадров в IT -- посредников между организацией и потенциальным работником. Представители этих профессий, несмотря на различия в содержании профессиональной деятельности, указывают на необходимость знать о специфике работы с технологиями ИИ.

«Абстрактный СЕО, менеджер среднего звена, топ-менеджер, если он не понимает вообще про то, как это устроено, он не может поставить задачу своему сотруднику, который в этом разбирается. И это некоторая проблема... [Нужны люди, которые будут--Н.Т.] уметь переводить с языка денег или с языка каких-то других бизнес-показателей на соответственно язык data science» (Тим лидер продукта, Организация 14, Россия).

«Нужно все-таки понимать инструменты, которыми ребята пользуются, потому что не надо говорить им чушь... Плюс-минус они, конечно, нас все берегут, и такими вот страшными словами в нас не кидаются. Но иногда скажут что-то такое, от чего потом всю ночь сидишь читаешь литературу, пытаешься понять, что это вообще было» (Директор по HR- аналитике и организационному развитию, Организация 16, Россия).

«Сейчас я не делаю модели, я формирую задачу для команды. Мне важно понимать бизнес-ценность того, что моя команда делает. И в этом, наверное, ключевой момент. В этом соответственно мне важно понимать, зачем какая-то модель делается. Мне важно понимать, плюс-минус, какие алгоритмы бывают, что бывает обучение с учителем, без учителя, бывает кластеризация, регрессия, что-то такое, и какие-то новые другие слова» (Менеджер продукта, Организация 6, Россия).

«Ребята из разработки, они очень чувствительные. И если ты начнешь с ними говорить и перепутаешь, условно, Java и JavaScript, они потеряют к тебе доверие, они не смогут тебе рассказывать то, что они бы могли рассказывать, они закроются и будут говорить: зовите меня на встречу с техническим специалистом» (ИТ-рекрутер, Организация 7, Россия).

Новый тип экспертизы возникает главным образом во взаимодействии членов организации: в наблюдении, в разговорах (более или менее институционализированных в организационных практиках) и в дальнейшем изучении того, что в этих разговорах тематизирует- ся. Такой тип экспертизы, как мы обсуждали выше, был исследован Гарри Коллинзом, который назвал его интеракционной экспертизой.

«В.: А как происходил этот процесс, когда вы постепенно становились "переводчиком"? Насколько это было трудно, долго? Где вы брали знания, нужные для этого?

О.: На разных работах, мне кажется, понемногу. Потому что так получилось, что. я сразу оказалась в кругу разработчиков, и мне пришлось научиться их понимать. Причем, когда я пришла, я была, конечно, совершенно к этому не готова, вплоть до того, что устанавливали программу на мой компьютер, и мне программист говорит: "Вот у тебя сейчас появится окошко, когда появится, ты ему нажми кнопку "се- туп"» и топай дальше". А я смотрю и думаю: "Какой сетуп? Там же написано: сетап". Но постепенно, в основном за счет занудства. Просто честно говорю: я не понимаю, давай объясни мне на пальцах, объясни мне на мне картинках, что этот модуль должен делать, почему он так важен» (Руководитель отдела лингвистики, Организация 4, Россия).

«Я частично писал алгоритмы. На начальном этапе, да, то есть я разбирался с тем, где данные лежат, и мы придумывали вместе с ребятами, как мы будем обрабатывать. И я им подсказывал инфраструктурные вещи некоторые, типа, где нам запустить модель лучше. Ну и помогал им с процессом достать данные» (Тимлид аналитики данных, Организация 5, Россия).

В связи с изменением в разделении труда в организациях, разрабатывающих ИИ/МО, следует выделить еще две тенденции, характеризующие профессиональное сообщество. Первая -- это размывание границ между привычными профессиональными/дисциплинарными идентичностями. В нарративах наших информантов это проявлялось, когда они ставили под вопрос разделение между «технарями» и «гуманитариями».

«Я все время бьюсь за то, чтобы специалистов не разделяли на гуманитариев и технарей, и сражаюсь за то, что лингвисты, условные прикладные лингвисты, компьютерные и программисты -- это отдел разработки» (Руководитель отдела лингвистики, Организация 4, Россия).

«Моя ответственность -- общаться с ребятами из бизнеса. Дальше я приношу эту задачу в команду. Мы с командой вместе "штормим"...

Вначале я намного глубже подходила к тому, что они делают, больше задавала вопросов. Сейчас у нас уже выстроенное взаимодействие, поэтому на большинство вопросов относительно того, как что делать, как что строить, отвечает команда. <...> У нас автоматически делятся люди на менеджеров и технарей, вот. Я не делю. Я не понимаю, где я. Я точно не технарь, я точно не гуманитарий, в каких-то стереотипных вещах. Но как бы я понимаю, например, свои ограничения. Я понимаю, что не буду лезть в модели, в моделирование, я не буду лезть куда-то.