Проблема определений
На протяжении многих лет в робототехнике используется концепция «монотонного, грязного и опасного» труда — по-английски dull, dirty, dangerous, или DDD. Это устойчивый способ обозначать виды задач и профессий, где роботы могут заменить человека, берясь за работу, которую люди сами предпочитают не выполнять. Классический образ DDD-занятости — монотонный физический труд в раскалённом цехе рядом с тяжёлым оборудованием, угрожающим жизни и здоровью.
Тем не менее определить, какие именно виды деятельности попадают в каждую из трёх категорий, значительно сложнее, чем кажется на первый взгляд. Что значит «монотонная» задача и кто вправе это решать? Является ли «грязная» работа только той, после которой нужно мыть руки, или здесь присутствует ещё и аспект социальной стигмы? На какие именно данные следует опираться при классификации профессий как «опасных»?
В нашей недавней работе мы попытались дать систематические ответы на эти вопросы. Для начала — эмпирический анализ: мы изучили публикации по робототехнике с 1980 по 2024 год, в которых упоминается DDD. Результат оказался показательным: лишь 2,7% из них дают определение этой концепции, и только 8,7% приводят конкретные примеры задач или профессий. Определения при этом разнятся, а многие примеры остаются размытыми — например, «промышленное производство» или «уход на дому» — и не позволяют ни обоснованно сравнивать разные виды труда, ни целенаправленно выбирать объекты для автоматизации.
Затем мы обратились к литературе в области социальных наук — антропологии, экономике, политологии, психологии и социологии, — чтобы выработать более точные и операциональные определения. Несмотря на кажущуюся очевидность понятий, за каждым из них обнаружились глубинные социальные, экономические и культурные факторы, которые нельзя игнорировать при проектировании технологий.
Опасный труд
Степень опасности задачи или профессии в принципе поддаётся объективной оценке: существуют административные реестры и опросы, содержащие статистику производственного травматизма и сведения о факторах риска. Однако при внешней прозрачности этих данных важно понимать, как именно они собираются, учитываются и верифицируются.
Первая системная проблема — существенное занижение отчётности. По оценкам ряда исследований, в административных базах данных отсутствует до 70% случаев производственных травм. Это не статистический шум, а структурный изъян: неформальная занятость, страх потерять работу, административные барьеры — всё это выталкивает реальную картину за рамки официальной статистики.
Вторая проблема — недостаточная детализация данных. Сведения о травмах и факторах риска крайне редко разбиваются по таким характеристикам, как пол, миграционный статус, формальная или неформальная занятость, конкретный характер выполняемых операций. Показательный пример: большинство средств индивидуальной защиты — маски, жилеты, перчатки — исторически разрабатывались с ориентацией на мужское тело, поэтому женщины, занятые в опасных условиях, сталкиваются с непропорционально высокими рисками для здоровья, которые официальная статистика не фиксирует.
Именно в этих пробелах — потенциал для робототехники. При более детальном изучении темы можно обнаружить виды труда, которые не являются очевидно опасными, но требуют технологического вмешательства, а также группы работников, непропорционально сильно страдающих от производственных рисков и способных в наибольшей степени выиграть от повышения уровня безопасности.
Грязный труд
В обиходном понимании грязная работа — это физическая нечистоплотность: вывоз мусора, уборка, обращение с опасными веществами. Однако социальные науки убедительно показывают, что грязный труд — это ещё и стигма. Социально «нечистые» профессии нередко связаны с положением слуги или с постоянным взаимодействием со стигматизированными группами населения (например, сотрудники исправительных учреждений), а морально «нечистые» профессии предполагают выполнение действий, воспринимаемых обществом как греховные, бесчестные или нарушающие нормы приличия.
«Грязный труд» — социальный конструкт, а не объективная характеристика: он меняется со временем и варьируется в зависимости от культурного контекста. Показательный пример — постепенное снятие стигмы с тату-индустрии в США за последние тридцать лет. Не менее наглядный пример пространственного различия: сестринское дело в США и в Бангладеш воспринимается совершенно по-разному с точки зрения профессионального престижа и социальной «чистоты».
Один из способов измерить «нечистоту» работы — понятие профессионального престижа, фиксируемое через количественные опросы, в которых респонденты ранжируют профессии. Другой подход — качественные данные: этнографические исследования и глубинные интервью с работниками. Как и в случае с «опасностью», в сфере «грязного» труда обнаруживаются скрытые возможности для применения робототехники.
Вместе с тем один из наиболее важных выводов нашего анализа состоит в следующем: профессия с низким социальным статусом может быть источником искренней гордости и профессионального смысла для самих работников. Если мы хотим понять, какой труд действительно нежелателен для человека, учёт этой точки зрения не опционален, а обязателен.
Монотонный труд
При определении монотонного труда ключевую роль играет собственный опыт работников — и именно здесь разрыв между внешним наблюдателем и самим работником наиболее велик. Внешние наблюдатели склонны делать ошибочные выводы о ценности и смысловом наполнении тех или иных задач, опираясь на собственные представления о том, что интересно, а что рутинно.
Порой то, что кажется скучным и однообразным стороннему взгляду, создаёт оптимальные условия для развития навыков и достижения мастерства — как, например, необходимость поддерживать концентрацию внимания при столярных работах. Повторяющиеся коллективные задачи могут быть пространством для общения и взаимной поддержки между коллегами — аспект, который исчезает при автоматизации, но не отражается ни в каких показателях производительности.
Вместо того чтобы автоматически считать повторяющийся труд нежелательным, необходимо изучать качественные данные о том, как люди воспринимают свою работу и какой смысл она для них несёт. Без этого шага технологическое вмешательство рискует устранить не проблему, а именно то, что удерживает человека в профессии.
Схема и пример: отрасль обращения с отходами
В нашей статье мы предлагаем концептуальную схему, которая помогает сообществу робототехников осмыслить, как автоматизация влияет на конкретные виды работ. Для каждой из трёх категорий — монотонной, грязной и опасной — схема предполагает сбор ключевых сведений о физических и социальных аспектах задачи. Точка зрения работника является неотъемлемой частью всех трёх составляющих. Схема также акцентирует внимание на контексте — физической и социальной среде профессии и отрасли, — который существенно влияет на DDD-характер той или иной задачи. Прилагаемый к статье рабочий лист содержит ссылки на существующие источники данных и призывает собирать разнообразные точки зрения, учитывая возможные искажения в исходной информации.
В качестве практического примера мы применили схему к отрасли обращения с отходами и вторичной переработки. Ежегодно в мире образуется свыше 2 млрд тонн твёрдых бытовых и промышленных отходов, и, по прогнозам, к 2050 году этот показатель приблизится к 4 млрд тонн. На первый взгляд сбор мусора — работа, закрывающая все три критерия DDD одновременно. Проработав наш рабочий лист, мы подтвердили: работники отрасли по всему миру подвергаются серьёзным рискам для здоровья, что соответствует категории «опасный», а мусоросборочная деятельность относится к профессиям с низким социальным статусом — категория «грязный». Показательно при этом, что многие работники гордятся тем, что оказывают обществу эту необходимую услугу.
Труд действительно является повторяющимся, однако в нём есть аспекты, не позволяющие однозначно отнести его к категории «монотонный». Работники называют ежедневное общение с коллегами — со своим профессиональным сленгом, практическими лайфхаками и сетями взаимопомощи — и разнообразие задач двумя наиболее привлекательными сторонами работы. Разнообразие задач включает осмотр машины и оборудования, управление грузовиком, координацию действий с бригадой, подъём контейнеров и мешков, выявление неправильной сортировки отходов и разгрузку на конечном пункте.
Этот вывод существенен с практической точки зрения. Национальный институт охраны труда и профессиональной безопасности США (NIOSH) рекомендует внедрение автоматизированных грузовиков с боковой загрузкой и систем предотвращения столкновений. Эти технологии повышают безопасность — бесспорный плюс, — однако в результате единственный работник оказывается за рычагами управления в кабине, окружённый сенсорами и камерами видеонаблюдения. Командное взаимодействие, разнообразие операций, живое общение — именно то, что люди ценят в этой работе, — исчезает.
Правильный вопрос звучит иначе: как сделать работу безопаснее, не сделав её при этом невыносимой в другом отношении? Ответить на него невозможно без понимания всех аспектов того, что делает труд монотонным, грязным или опасным — а также того, что является его противоположностью. Наша схема направлена именно на формирование такого понимания. При этом важно подчеркнуть: DDD — лишь один из многих возможных подходов к классификации видов труда, которые лучше доверить роботам. Существует немало критериев для выбора задач или профессий, подлежащих автоматизации, — например, экономическое воздействие или экологическая устойчивость. Мы выбрали DDD как отправную точку именно потому, что эта концепция широко распространена в робототехническом сообществе, и рассчитываем, что данная тема получит дальнейшее развитие — как в части сбора эмпирических данных, так и в части создания альтернативных концептуальных схем. В RAI Institute мы убеждены, что объединение робототехники и социальных наук открывает совершенно иной массив информации, перспектив и ценностей — и позволяет создавать практические инструменты для участников робототехнического сообщества, ориентированных на реальный социальный эффект.
