В слоях Интернета одной из наиболее распространенных единиц измерения является сетевой пакет – основная единица данных, отправляемая из одного пункта назначения и доставляемая в другой. В компании Amazon основной единицей измерения является коричневая картонная коробка – знакомое нам транспортное сооружение, украшенное изогнутой стрелкой, имитирующей человеческую улыбку. Каждый сетевой пакет имеет временную метку, известную как период жизни. Данные должны попасть в пункт назначения до его истечения. В Amazon картонная коробка также имеет время жизни, определяемое требованиями клиента к доставке. Если коробка опаздывает, это влияет на бренд Amazon и, в конечном счете, на его прибыль. Именно по этой причине компания уделяет огромное внимание алгоритму машинного обучения, который настраивается на данные о наилучшем размере, весе и прочности гофрированных коробок и бумажных конвертов. Очевидно, без иронии, алгоритм называется «матрицей»[115]. Каждый раз, когда человек сообщает о поврежденном товаре, это становится точкой отсчета данных о том, какую коробку следует использовать в будущем. В следующий раз, когда этот же товар будет ждать отправления, матрица автоматически назначит ему новый тип коробки без участия человека. Такой подход предотвращает поломки, экономит время и увеличивает прибыль. Однако работники вынуждены постоянно адаптироваться, что, безусловно, затрудняет применение их знаний на практике или привыкание к работе.

Контроль за временем является постоянной темой логистической империи Amazon, а сотрудники работают в соответствии с каденциями вычислительной логики. Amazon – второй по величине частный работодатель в Америке, и многие компании стремятся подражать его подходу. Многие крупные корпорации вкладывают значительные средства в автоматизированные системы в попытке получить все большие объемы труда от меньшего числа работников. Логика эффективности, наблюдения и автоматизации сходятся в нынешнем повороте к вычислительным подходам к управлению трудом. Гибридные человеко-роботизированные распределительные склады Amazon являются ключевым местом для понимания компромиссов, которые происходят в этом стремлении к автоматизированной эффективности. Отсюда мы можем начать рассматривать вопрос о том, как труд, капитал и время переплетаются в системах ИИ.

Вместо того чтобы обсуждать, заменят ли людей роботы, в этой главе я сосредоточусь на том, как меняется опыт работы в связи с усилением наблюдения, алгоритмической оценки и модуляции времени. Другими словами, насколько часто люди прибегают к помощи роботов и как это сказывается на роли труда. Многие формы труда окутаны термином «искусственный интеллект», скрывая тот факт, что люди зачастую выполняют механические задачи, поддерживая тем самым впечатление, будто эту работу способны сделать машины. Тем не менее, крупномасштабные вычисления уже глубоко укоренились в процессе труда и основаны на эксплуатации человеческих тел.

Если мы хотим понять будущее работы в контексте искусственного интеллекта, нам нужно начать с понимания прошлого и настоящего опыта работников. Подходы к максимизации извлечения ценности из сотрудников варьируются от переработки классических методов, использовавшихся на заводах Генри Форда, до ряда инструментов машинного обучения, предназначенных для повышения детализации отслеживания, стимулирования и оценки. В этой главе представлена история географии труда в прошлом и настоящем, от инспекционных домов Самуэля Бентама до теорий управления временем Чарльза Бэббиджа и микроменеджмента человеческого тела Фредерика Уинслоу Тейлора. Попутно мы увидим, каким образом ИИ строится на основе человеческих усилий (среди прочего), таких как работа в коллективе, приватизация времени и, казалось бы, бесконечная работа по перемещению, подъему и упорядочиванию коробок. Из истории механизированной фабрики возникла модель, которая ценит повышенное соответствие, стандартизацию и совместимость – как для продуктов и процессов, так и для людей.