Тайные ученики
умных машин

6:30 утра, больничный коридор. Кристен везет пациента на операцию на предстательной железе. Кристен — старший ординатор, хирург-стажер. Девушка рассчитывает самостоятельно выполнить сложный разрез с сохранением чувствительности нервных окончаний. Начинается операция, Кристен и опытный хирург работают в четыре руки: она делает основную работу, он внимательно следит и подсказывает. Операция проходит успешно, хирург снимает перчатки, и в 8:15 Кристен уже зашивает разрез. Из-за ее плеча за процессом наблюдает младший ординатор. Кристен позволяет ему наложить последние швы. Она чувствует себя прекрасно: пациент спасен, а у нее теперь есть важный хирургический опыт.

Прошло полгода. И вот опять 6:30 утра, Кристен вновь везет пациента, но теперь уже на роботизированную операцию. Хирург настраивает установку весом в полтонны и подводит все четыре манипулятора к пациенту. Затем он и Кристен занимают свои места у пульта управления в пяти метрах от операционного стола. Они сидят спиной к пациенту, и Кристен лишь наблюдает, как хирург управляет движениями робота, аккуратно отделяя и рассекая ткани. Применение робота позволяет выполнить всю операцию одному человеку, и хирург пользуется этой возможностью. Он знает, что Кристен нужна практика, — но знает и то, что она будет действовать медленнее и менее точно. За всю четырехчасовую операцию ей удается поработать не больше 15 минут. Кристен понимает: стоит ей ошибиться — и хирург у всех на виду переключит управление на себя и лишит ее возможности даже наблюдать за процессом со стороны.

Хирургия — невероятно ответственная сфера, однако навыки в ней до сих пор передаются так же, как в большинстве других профессий: новичок сначала наблюдает за работой опытного специалиста, потом сам пробует выполнять несложные действия, затем — постепенно и под пристальным наблюдением — переходит к все более ответственным задачам и, наконец, сам становится профессионалом. Этот процесс называют по-разному: производственной практикой, стажировкой, наставничеством, кураторством… Американские хирурги следуют формуле «наблюдай, выполняй, обучай».

Несмотря на всю важность практического обучения, многие организации относятся к нему слишком легкомысленно: его почти никогда специально не финансируют и не контролируют. В 2018 году из примерно $366 млрд, потраченных компаниями по всему миру на формальное обучение, лишь крохи выделялись непосредственно на процессы наставничества. При этом многолетние исследования показывают: хотя формальное корпоративное обучение важно, львиной долей навыков, которых требует та или иная должность, можно овладеть только на практике. Большинство организаций в значительной степени зависят от процессов наставничества: по данным исследования, проведенного Accenture в 2011 году, лишь каждый пятый сотрудник за предыдущие пять лет овладел новыми рабочими навыками в процессе формального обучения.

Однако сегодня над практическим обучением нависла угроза. Стремительное проникновение в деловую сферу передовой аналитики, искусственного интеллекта и роботов разрушает этот проверенный и эффективный подход. Из-за автоматизации процессов ежегодно исчезают и появляются десятки тысяч рабочих мест, а сотням миллионов людей приходится овладевать новыми навыками и методами работы. При этом факты говорят о том, что с внедрением умных машин стажерам все труднее проходить важный путь ученичества. Мы с коллегами выяснили, что в этих условиях у опытных специалистов меньше возможностей продемонстрировать свои умения, а у новичков — понаблюдать за их работой: приходится на ходу изобретать новые и адаптировать старые методы обучения.

Так как же сотрудникам учиться работать с умными машинами? Некоторые ответы дает наблюдение за теми, кто перенимает опыт старших коллег «неофициально», не боясь совершать ошибки. Эту распространенную практику я называю теневым обучением.

Что мешает учиться?

Я изучал теневое обучение два года, наблюдая за хирургами и ординаторами в 18 клиниках США с высоким рейтингом. Меня интересовали два типа обучения: в процессе обычных и роботизированных операций. Я собрал данные о сложностях, которые возникают из-за роботов у хирургов, ординаторов, медсестер и ассистентов (тех, кто готовит пациентов к операции, помогает врачам одеваться, подает инструменты и т. д.), и о тех немногих ординаторах, кому удалось найти «подпольные» способы перенять опыт старших коллег. Хотя исследование касалось в основном хирургии, я ставил перед собой более общую цель: выявить специфику обучения работе с умными машинами.

Для этого я сверил свои результаты с данными полевых исследователей, изучавших процессы ­взаимодействия людей с интеллектуальными устройствами, в том числе в интернет-стартапах, правоохранительных органах, инвестиционных банках и онлайн-школах. Оказалось, что их выводы совпадают с моими. Основываясь в том числе и на их разнонаправленных исследованиях, я выявил четыре распространенных проблемы освоения навыков, которые и заставляют людей прибегать к теневому обучению.

1. Стажерам трудно приобщиться к рабочему процессу. Обучение практикантов любой деятельности влечет издержки и снижает качество, ведь новички все делают медленнее и допускают ошибки. С внедрением умных машин организации стали пытаться сократить этот ущерб, меньше задействуя стажеров на сложных и риско­ванных участках работы. В этом пришлось убедиться и Кристен. Новичкам не доверяют задачи, над которыми им пришлось бы работать на грани своей компетенции, пользуясь лишь ограниченной поддержкой для исправления ошибок. Однако работа в таких условиях необходима для освоения новых навыков.

Этот феномен наблюдается, в частности, в сфере инвестбанкинга. Коллен Энтони из Нью-Йоркского университета обнаружила, что в одной из фирм образовалась настоящая пропасть между младшими аналитиками и старшими партнерами. Последние занимались интерпретацией алгоритмизированных оценок компаний для целей M&A. Младшим аналитикам поручали только извлекать сырые отчеты из систем, искавших в интернете финансовые данные нужных компаний, и передавать их старшим парт­нерам. Почему так происходило? Во-первых, это снижало риск ошибок неопытных аналитиков при выполнении сложных и ответственных заданий; во-вторых, старшим партнерам так было удобнее: они не тратили время на разъяснения и могли сосредоточиться на трудоемком анализе. На какое-то время эффективность повысилась, однако младшие аналитики оказались оторваны от сложных рабочих задач, без которых невозможно освоить весь процесс оценки и в будущем приносить пользу фирме.

2. Опытные специалисты отдаляются от работы. Если в одних случаях умные машины встают между стажерами и практическим обучением, то в других они не дают опытным профессионалам собственноручно выполнять важную работу. Во время роботизированной операции хирург почти не видит ни пациента, ни робота и не может контактировать с ними напрямую. Если в условиях традиционной операции хирург обладает четким представлением обо всем происходящем с устройствами и инструментами в организме пациента и мгновенно реагирует на проблемы, то во время операции с участием робота манипулятор может случайно ударить пациента по голове, ассистент — перепутать инструменты, и всего этого врач не заметит, если ему никто не сообщит. Отсюда следует два вывода: хирурги лишаются возможности самостоятельно оттачивать навыки, необходимые для полноценного погружения в рабочий процесс, и им нужно искать новые способы разобраться в тонкостях операций путем взаимодействия с коллегами.

Бенджамин Шестакофски из Пенсильванского университета описал похожую ситуацию в готовящемся к IPO стартапе. Этот стартап помогал неквалифицированным рабочим находить вакансии с помощью алгоритмов машинного обучения и создал платформу, где работодатели и кандидаты могли договариваться об условиях. Поначалу алгоритмы предлагали не лучшие варианты, и менеджеры из Сан-Франциско наняли сотрудников на Филиппинах для подбора вакансий вручную. А когда у рабочих стали возникать сложности во взаимодействии с платформой (например, не удавалось отправить ценовое предложение или схему расчетов), руководство стартапа передало необходимую техподдержку на аутсорсинг другой группе сотрудников, на этот раз в Лас-Вегасе. У компании не хватало ресурсов, и ей приходилось привлекать все больше исполнителей, чтобы выиграть время и найти средства и разработчиков для усовершенствования продукта. Делегирование задач позволило менеджерам и техническим специалистам сосредоточиться на развитии бизнеса и написании кода, но лишило их важных возможностей для обучения: они перестали получать прямую и регулярную обратную связь от клиентов — рабочих и нанимателей — о возникающих проблемах и необходимых функциях.

3. От практикантов требуют освоения и старых, и новых методов. Роботизированные операции дают те же результаты, что и традиционные, но требуют принципиально иных технологий и подходов. Поскольку операции с использованием роботов сулят бóльшую точность и эргономичность, навыки их проведения просто включили в число требований к врачам, и теперь ординаторы должны учиться проводить оба вида операций. Но в учебном плане недостаточно часов, чтобы хорошо освоить и то и другое, и в результате ординаторы не справляются ни с чем. Я называю эту проблему методологической перегрузкой.

Шрихарш Келкар из Калифорнийского университета в Беркли наблюдал похожий синдром у ряда профессоров, использовавших для разработки массовых открытых онлайн-курсов новую технологическую платформу edX. Платформа предлагала широкий выбор инструментов для создания курсов, а также рекомендации, основанные на детальном алгоритмизированном анализе взаимодействия студентов с этой платформой (кликов, публикаций, пауз при воспроизведении видео и т. д.). Чтобы разработать или улучшить онлайн-курс, необходимо было овладеть множеством навыков: научиться использовать интерфейс, интерпретировать аналитику поведения студентов, набирать и контролировать проектную группу и делать ­многое ­другое — и при этом продолжать вести занятия в традиционной аудитории. Справиться с такой нагрузкой было непросто, особенно с учетом быстрого развития технологий: что ни день появлялись новые инструменты, метрики и требования, которые приходилось учитывать в работе. Сочетать традиционные методы с новыми хорошо удавалось лишь тем профессорам, кто уже был технически подкован и располагал хорошими организационными ресурсами.

4. Стандартные методы обучения считаются эффективными. Традиционное правило «наблюдай, выполняй, обучай» действует в медицине и сегодня — но, как мы видим, плохо работает в случае с роботизированными операциями. Однако привычка опираться на проверенные методы столь сильна, что мало кто решается от них отступать: в исследованиях, в стандартных процедурах, во внутренних политиках, в высказываниях опытных хирургов упор делается на традиционные подходы к обучению — хотя совершенно ясно, что с появлением роботов они стали нуждаться в обновлении.

Сара Брейн из Техасского университета обнаружила такое несоответствие учебных методов реальным нуждам в полиции Лос-Анджелеса, где начальство попыталось применить традиционный подход к обучению при внедрении алгоритма распределения патрулей по городу. Хотя эффективность и этичность «предиктивной» полицейской деятельности вызывает сомнения, на такую схему перешли десятки подразделений полиции. Система PredPol, внедренная в Департаменте полиции Лос-Анджелеса, разбивает город на квадраты со стороной 150 м, рассчитывает для каждого квадрата вероятность совершения там преступлений и направляет патрули в самые опасные места. Брейн выяснила, что ни сами полицейские, ни даже их начальство не понимали, когда и как нужно выполнять указания искусственного интеллекта. Органы правопорядка издавна следовали проверенному принципу освоения новых методов: сначала краткий инструктаж, а затем долгое практическое обучение на дежурствах. Поэтому руководство сочло, что сотрудники научатся использовать машинные прогнозы преступности постепенно, в процессе работы. Доверие привычным методам в непривычной ситуации себя не оправдало — это лишь запутало полицейских и настроило их против новшеств. Начальство не давало прямых указаний, как работать в том или ином квадрате, желая, чтобы сотрудники полагались на опыт и обстоятельства (и не желая раздражать личный состав микроменеджментом). Но, положившись на традиционную схему освоения навыков, полицейское руководство фактически сорвало обучение: многие офицеры так и не поняли, как и зачем пользоваться PredPol, и забросили систему — хотя в их обязанности входило соблюдение ее рекомендаций. Время было потрачено зря, доверие к технологиям падало, люди не понимали друг друга, в систему поступали ошибочные данные — в результате качество работы полиции снизилось.

Выход: теневое обучение

Сталкиваясь с подобными трудностями, «теневые ученики» обходят или тайком нарушают правила, чтобы получить нужные советы и опыт. И это неудивительно. Почти 100 лет назад социолог Роберт Мертон показал, что, когда легальные средства перестают работать и не помогают достичь важной цели, люди прибегают к нелегальным. Это правило относится и к профессиональным компетенциям: они крайне необходимы любому специалисту, а описанные выше барьеры неизбежно заставляют людей искать нестандартные пути к обретению ценных навыков. Новые подходы зачастую оригинальны и эффективны, но порой дорого обходятся и самим специалистам, и их работодателям: теневые ученики рискуют нанести урон организации и понести наказание (например, потерять статус и возможность практиковаться). И все же люди идут на этот риск, ведь их методы работают, а общепринятые — нет. Организациям нет смысла копировать нелегальные практики, однако кое-какие выводы сделать стоит.

Далее я опишу ряд приемов теневого обучения, которые доводилось наблюдать мне и моим коллегам.

Поиск сложных задач. Вспомним, что ординаторам отводится очень мало времени на участие в роботизированных операциях. Теневые ученики стараются находить возможности оперировать на грани имеющихся компетенций и при ограниченном контроле со стороны. Они понимают, что для освоения навыков нужно решать предельно сложные для себя задачи, к которым почти никто из опытных хирургов их не допустит. Те ординаторы, которые за время моих наблюдений сумели стать настоящими профессионалами, находили способы попрактиковаться с роботами. Среди прочего, они старались встать в пару к не самым опытным хирургам. Ординаторы-урологи (в этой сфере роботы используются особенно часто) стремились поработать в отделениях, где хирурги были хуже знакомы с роботами и можно было «обменять» свои знания технологий на полезные навыки оперирования. Штатные хирурги знали, что ординаторов учат эксперты в сфере роботизированных операций, при этом сами эти хирурги были не в состоянии заметить все ошибки в работе. Все это способствовало большему доверию к ординаторам: им чаще позволяли оперировать, у них даже просили совета. Однако мало кто согласится, что такой подход к обучению оптимален.

А как поступали младшие аналитики инвестиционной фирмы, которым не доверяли проводить сложные оценки? Оказывается, внутри групп часто происходило теневое ­обучение: невзирая на негласные новые стандарты, старшие и младшие сотрудники работали сообща. Младшие специалисты не только извлекали сырые данные, но и помогали старшим в проведении анализа.

В каком-то смысле это рискованный путь. Участие младших аналитиков несколько замедляло процесс, к тому же им приходилось оперировать множеством методов оценки и быстро выполнять массу подсчетов, что приводило к ошибкам, которые было трудно обнаружить. Однако при этом они многое узнавали о фирмах и лицах, участвующих в сделках M&A, а также о разных отраслях и процессе проведения оценки в целом. Из простых винтиков в непонятной им системе они превращались в вовлеченных специалистов, готовых занять более высокие позиции. Обнаружился и еще один плюс: благодаря тесному взаимодействию сотрудников выяснилось, что разные аналитические программы порой расходились в оценках компаний на миллиарды долларов. Если бы аналитики работали по­одиночке, этот факт еще долго оставался бы незамеченным.

Приобщение к техническим тонкостям. Как отмечалось, во время роботизированной операции хирург изолирован от пациента и не видит всей картины происхо­дящего — и это мешает новичкам получать нужные навыки. Чтобы разобраться во всех тонкостях операций, ординаторы иногда обращаются к вспомогательному персоналу, который видит все: организм пациента, положение и перемещение манипуляторов, действия анестезиолога, медсестры и других сотрудников в операционной, а также все используемые инструменты и материалы. Лучшие ассистенты обслуживают тысячи операций и уделяют внимание каждой мелочи. Поэтому, перейдя от панели управления роботом к операционному столу, ординаторы ненадолго забывают о хирурге и расспрашивают опытных ассистентов о том, как определить, в норме ли внутрибрюшное давление, когда нужно убрать лишнюю жидкость или хирургический дым. Ординаторы делают это в обход правил, зачастую даже не ставя в известность оперирующего хирурга.

Самое время вспомнить о менеджерах стартапа, которые передавали задачи на аутсорс на Филиппины и в ­Лас-­Вегас. Они должны были сосредоточиться на привлечении капи­тала и найме разработчиков — однако некоторые из них находили время поговорить с филиппинцами, чтобы понять, как и по каким принципам они подбирают вакансии и рабочих. Из этого общения коллектив извлек ценные идеи, позволившие оптимизировать процессы получения и очистки данных и улучшить работу платформы. Другие менеджеры решили выяснить, как сотрудники поддержки из Лас-Вегаса помогают рабочим пользоваться системой. С учетом полученных сведений были выделены ресурсы на доработку интерфейса — это позволило оставаться на плаву, пока стартап привлекал новых пользователей и нанимал разработчиков систем машинного обучения.

Пересмотр ролей. Новые методы работы, связанные с использованием умных машин, вызывают к жизни ряд тактик теневого обучения, при которых меняются структура рабочих обязанностей и способы оценки и поощрения производительности. Ординатор может заранее решить, что не хочет в будущем руководить роботизированными операциями, и сознательно ограничить свое обучение в этой сфере. Мне доводилось видеть мед­сестер, которым нравится устранять неполадки роботов, но некомфортно стоять над разрезанным пациентом. Ответственные за подбор операционных бригад учитывают предпочтения и навыки медиков — даже когда это противоречит официальным правилам. Так люди постепенно нащупывают и осваивают новые роли, которые отличаются от формальных должностей, зато лучше отвечают рабочим задачам.

Некоторые руководители отделов полиции Лос-Анджелеса пересмотрели требования к патрульным офицерам, которые испытывали трудности с внедрением в работу предиктивной аналитики. Сара Брейн выяснила, что у многих офицеров, которых PredPol направляла в тот или иной квадрат, традиционные показатели (по арестам, штрафам и протоколам опроса граждан) в итоге оказывались ниже. Протоколы были особенно важны для предиктивного алгоритма: они снабжали его ценными данными даже в отсутствие арестов. Когда полицейские выезжали по указанию PredPol, они зачастую никого не арестовывали, не выписывали штрафы и не заполняли протоколы.

Понимая, что необходимость достигать целевых показателей отбивает у полицейских желание следовать PredPol, отдельные руководители решались отойти от привычных практик и начинали публично и приватно хвалить офицеров за готовность использовать в работе алгоритмы (а не за количество штрафов и арестов). Один капитан полиции говорил так: «Если мы указываем вам, где возможны проблемы, поезжайте туда; вернетесь ни с чем — значит, отлично поработали». Эти начальники рисковали, поощряя то, что многие сочли бы плохой работой полиции. Однако тем самым они помогли сдвинуть культуру правоохранительных органов в сторону большего доверия умным машинам — как PredPol, так и тем, что придут ей на смену.

Совместные наработки. Ординаторы старались выкроить время из своего рабочего графика, чтобы тщательно записать действия экспертов и обменяться наблюдениями друг с другом. Эти записи становились для них и справочником, и подспорьем в обучении: они помогали запомнить этапы и приемы работы, а также типичные сбои и способы реагирования на нестандартные ситуации.

Профессора, пытавшиеся создавать онлайн-курсы без отрыва от традиционного преподавания, делали почти то же самое для адаптации к новым технологиям. Платформа edX предлагала инструменты, шаблоны и обучающие материалы, призванные облегчить преподавателям жизнь, однако этого было недостаточно. Сотрудники не самых богатых институтов в разных регионах активно экспериментировали с платформой (особенно в самом начале), записывали — в том числе на видео — свои проблемы и успехи и делились ими друг с другом онлайн. Это было непросто: вузы не всегда одобряли размещение в сети учебных материалов и педагогических наработок.

Преподаватели авторитетных и богатых вузов, на отзывы которых ориентировались разработчики платформы, тоже практиковали теневое обучение — но иного толка. Чтобы получать от edX максимум поддержки и ресурсов, ученые тайком обменивались способами добиться нужных изменений платформы, обеспечить финансирование и кадровую поддержку и т. д.

Чему можно научиться у теневиков? Безусловно, теневое обучение нельзя считать идеальным решением возникающих проблем. Никто не должен рисковать увольнением ради освоения профессии. Тем не менее новые практики — это выстраданные и проверенные способы получить чрезвычайно необходимый и крайне трудно­доступный опыт, а потому их не стоит игнорировать.

Каждый из четырех аспектов теневого обучения (поиск сложных задач, приобщение к техническим тонкостям, пересмотр ролей и совместные наработки) предполагает особую тактическую реакцию на проблемы. Вот что стоит сделать современным инженерам, менеджерам, профессионалам, самим стажерам и практикантам, чтобы извлечь пользу из опыта теневых учеников.

• Дать людям возможность выполнять очень сложные для себя задачи в реальности (а не на симуляторе), совершая и исправляя ошибки.

• Создать условия, в которых лучшие сотрудники передней линии смогут быть инструкторами и наставниками.

• Изменить структуру должностей и систему стимулов, чтобы люди стремились использовать умные машины.

• Собрать коллективные наработки в удобную «базу навыков» с функцией поиска, инструментами и экспертными рекомендациями, к которой практиканты могли бы обращаться и по возможности добавлять собственные находки.

Реализация всех этих подходов будет зависеть от структуры, культуры, ресурсов, технических возможностей и опыта организации, а также от специфики требуемых компетенций. Единых правил здесь быть не может. Однако по каждому пункту следует найти как бизнес-литературу, так и профильных консультантов.

В целом и мои исследования, и данные моих коллег указывают на три организационные стратегии, позволяющие использовать опыт теневого обучения.

1. Постоянно изучайте новые практики. По мере совершенствования умных технологий теневое обучение стремительно развивается. Со временем появятся новые его формы, из которых можно будет извлечь новые уроки. Важно не отпугнуть изучаемых: теневые ученики часто понимают, что их действия противоречат правилам, и опасаются наказания (представьте, что будет, если ординатор признается в стремлении работать с самыми неопытными хирургами). Видя эффективность теневых методов, менеджеры среднего звена часто закрывают на них глаза — однако не хотят, чтобы об этих практиках узнали все вокруг. Понятно, что ни стажеру, ни менеджеру не понравится, если кто-то третий, особенно высшее руководство, решит выяснить, как сотрудники нарушают правила в попытке освоить нужные навыки. Лучший выход здесь — привлечь исследователей со стороны, которые обеспечат полную анонимность и смогут сравнить практики в разных компаниях. Информанты моих исследований успели привыкнуть ко мне и проникнуться доверием, а тот факт, что я наблюдал за работой множества групп и отделений, убедил их, что я не стану разглашать имена. Только так можно узнать, что на самом деле происходит в клинике.

2. Используйте практики теневого обучения для совершенствования организационной структуры, процессов и технологий. Организации часто оптимизируют с помощью умных машин работу специалистов, и это делает помощь стажеров ненужной. Если с роботами хирург может оперировать без ассистента, клиники этим пользуются. Если системы инвестбанкинга позволяют старшим партнерам исключить младших аналитиков из ответственного процесса оценки, это считается преимуществом. Однако все заинтересованные лица должны ­настаивать на том, чтобы организационные, технологические и рабочие структуры способствовали не только эффективности, но и передаче знаний. В частности, для Департамента полиции Лос-Анджелеса это означало бы не только изменить систему поощрений для патрульных, но и пересмотреть интерфейс PredPol, и ввести новые роли, позволяющие офицерам и инженерам лучше понимать друг друга, и помочь полицейским создать обширную базу реальных случаев использования аналитики в работе.

3. Задействуйте в решении умные машины. Искусст­венный интеллект способен облегчать работу и взаимодействие как стажерам, так и специалистам-­наставникам. Например, когда Чухо Ким проходил докторантуру в MIT, он создал ресурсы ToolScape и LectureScape для пользовательских аннотаций к обучающим видео: например, видя, где предыдущие пользователи чаще всего делали паузу, человек мог добавить туда пояснение. Эту концепцию Чухо назвал «студентсорсингом». Если говорить об аппаратном обеспечении, то получать экспертные подсказки и комментарии прямо в процессе работы сегодня помогают системы дополненной реальности. Существующие приложения позволяют найти нужную информацию с помощью планшета или специальных очков. Но в ближайшем будущем ожидается появление более совершенных умных систем. С их помощью можно будет, например, наложить запись работы лучшего сварщика завода на поле зрения сварщика-­стажера, чтобы тот мог видеть, как правильно выполняется то или иное действие. Затем его попытки повторить процедуру будут записаны и при необходимости переданы эксперту для комментариев. Инженеры все активнее занимаются разработками в этих сферах — но до сих пор они в основном работали в области теоретического обу­чения, хотя основные проблемы возникают в процессе практического. Здесь стоит сместить акценты.

Тысячелетиями совершенствование технологий приводило к изменению рабочих процессов, а навыки передавались от мастера к ученику. Но, как мы видим, в наши дни умные машины отдаляют профессионалов от новичков, а порой даже от самой сути работы — и все это во имя эффективности. Организации, сами того не замечая, предпочитают краткосрочный результат долгосрочной преемственности и мешают молодым сотрудникам перенимать опыт старших коллег. На этом фоне развивается феномен рискованного и не всегда приемлемого теневого обучения. Организации, желающие успешно конкурировать в мире умных машин, должны внимательно следить за подобными отклонениями от правил. Так они смогут лучше понять, в какую сторону двигаться и что ждет трудовой процесс в будущем, когда эксперты, новички и умные машины станут работать и учиться вместе.

Об авторе. Мэтт Бин (Matt Beane) — доцент в области управления технологиями в Калифорнийском университете в Санта-Барбаре, научный сотрудник Initiative on the Digital Economy (MIT).