Убийственные большие данные. Как математика превратилась в оружие массового поражения

Cathy O’Neil

Weapons of Math Destruction: How Big Data Increases Inequality and Th reatens Democracy

© Cathy O’Neal, 2016, 2017

© Перевод. В. Дегтярева, 2017

© Издание на русском языке AST Publishers, 2018

Посвящается всем аутсайдерам

Благодарности

Спасибо моим мужу и детям за их невероятную поддержку. Также спасибо Джону Джонсону, Стиву Уолдману, Маки Инаде, Беки Джефф, Аарону Абрамсу, Джули Стил, Карен Бернс, Мэтту ЛаМаните, Марте Пун, Лизе Рэдклифф, Льюсу Дэниелу и Мелиссе Билски. И, наконец, спасибо людям, без которых эта книга не могла бы родиться: Лоре Стросфелд, Аманде Кук, Эмме Берри, Джордану Элленбергу, Стивену Бейкеру, Джею Мэнделу, Сэму Кансон-Бенанаву и Эрни Дэвису.

Вступление

В детстве я любила высматривать из окна машины номерные знаки других автомобилей. Я делила их на базовые элементы – числа, из которых они состояли. 45=3×3×5. Этот процесс, который называется разложением на множители, был моим любимым познавательным времяпрепровождением. Математика уже тогда очень меня интересовала, и особенно я была заинтригована простыми числами.

Моя любовь к математике постепенно переросла в страсть. В четырнадцать лет я отправилась в математический лагерь и вернулась домой, прижимая к груди кубик Рубика. Математика дала мне аккуратное, уютное убежище, где можно было укрыться от хаотичности реального мира. Математика двигалась вперед, ее поле знаний постоянно расширялось, от доказательства к доказательству. Я чувствовала, что могу сделать и свой вклад. Я изучала математику в колледже, и степень доктора философии получила тоже в области математики. Темой моей диссертации была алгебраическая теория чисел – область, основанная на разложении на множители, которое так интересовало меня в детстве. В конце концов я стала профессором в Барнард-колледже, математический факультет которого объединен с Колумбийским университетом.

А затем я резко изменила свою жизнь: ушла из колледжа и устроилась на работу специалистом по количественному анализу в один из крупнейших хедж-фондов – фонд David E. Shaw. Уйдя из академического заведения в мир финансов, я перенесла математику из абстрактной теории в практику. Операции, которые мы производили с цифрами, воплощались в триллионы долларов, перетекающих с одного счета на другой. Сначала я была ошеломлена и взбудоражена работой в этой новой лаборатории глобальной экономики. Но осенью 2008 года, не успела я проработать в этой области год с небольшим, экономика начала рушиться.

Это крушение продемонстрировало, что математика, когда-то бывшая моим убежищем, не только оказалась глубоко вовлечена в мировые проблемы, но и послужила причиной многих из них. Жилищный кризис, коллапс основных финансовых институтов, рост безработицы – все это произошло благодаря содействию и подстрекательству со стороны математиков, выдававших волшебные формулы. Более того – благодаря невероятной мощи, которую я так любила, математика смогла объединиться с технологиями, что привело к умножению хаоса и несчастий, а также к росту эффективности и масштабности систем, которые я теперь считаю ущербными.

Если бы мы проявили больше здравомыслия, мы отступили бы в тот момент на шаг назад, выяснили, как именно математика была использована во вред и что нужно сделать, чтобы предотвратить подобную катастрофу в будущем. Но вместо этого сразу после кризиса появились еще более крутые математические технологии, распространившиеся на новые области. С помощью этих технологий мы круглосуточно перерабатывали петабайты информации, большая часть которой была взята из социальных сетей или с сайтов интернет-магазинов. И анализ этих данных все больше сосредоточивался не на движениях глобальных финансовых рынков, а на людях – то есть на нас с вами. Математики и статистики изучали наши желания, перемещения и финансовые возможности. Они прогнозировали нашу кредитоспособность и оценивали наш потенциал в качестве студентов, работников, любовников, преступников-рецидивистов.

Это была экономика Больших данных, и она сулила потрясающие возможности. Компьютерная программа могла просмотреть тысячи резюме или кредитных заявок и за одну-две секунды разложить их по аккуратным спискам, поместив наверх самых многообещающих кандидатов. Это не только экономило время, но и считалось справедливым и объективным. Ведь в основе этой системы – не полные предубеждений человеческие существа, копающиеся в бумажных кипах, а машины, обрабатывающие бесстрастные цифры. Примерно к 2010 году математика утвердила себя в человеческих делах с небывалым ранее запасом прочности – и люди в большинстве своем это приветствовали.

Однако я увидела здесь проблему. Усиленные математикой приложения, на которых работала экономика данных, были основаны на выборе, сделанном несовершенными человеческими существами. Иногда выбор, без сомнения, делался из лучших побуждений. Но многие из этих моделей вставляли предубеждения, непонимание и предвзятость, свойственные каждому живому человеку, в программное обеспечение, которое во все большей степени управляло нашими жизнями. Подобно богам, эти математические модели были загадочными, а принцип их работы – непонятным ни для кого, кроме высшей касты – математиков и специалистов в области компьютерных наук. Их вердикты, даже неправильные и наносящие вред, оказывались вне рамок обсуждения и за пределами обжалования. И в их работе проявлялась тенденция к наказанию бедных и угнетенных слоев населения в нашем обществе, в то время как богатые становились еще богаче.

Я подобрала название для таких вредоносных моделей: оружие математического поражения, или сокращенно ОМП. Сейчас мы с вами разберем один пример, и я продемонстрирую разрушительные возможности этого оружия.

Как часто бывает, все началось с благой цели. В 2007 году Адриан Фенти, новый мэр Вашингтона, решительно взялся за улучшение недостаточно успешных школ. Перед ним стояла непростая задача: в то время половина старшеклассников едва дотягивала до конца девятого класса и лишь 8 % восьмиклассников осваивали соответствующую их возрасту программу по математике. Фенти нанял реформатора в области образования Мишель Ри и назначил ее на высокую должность председателя городского школьного совета Вашингтона.

Основной причиной, по которой ученики не получали знаний в достаточном количестве, считалось низкое качество преподавания. Поэтому в 2009 году Ри привела в действие план по «выкорчевыванию» плохих учителей. Этот процесс вскоре распространился на всю страну, затронув районы с наиболее проблемным образованием. И с точки зрения системного проектирования план был идеальным: давайте оценим учителей, избавимся от самых плохих и поместим самых лучших туда, где они смогут принести больше всего пользы. Говоря языком специалистов по анализу данных, это «оптимизирует» школьную систему, предположительно обеспечив лучшие результаты для детей.

Кто стал бы с этим спорить, кроме самих «плохих» учителей? Ри разработала инструмент оценки учителей под названием IMPACT, и к концу 2009–2010 учебного года федеральный округ уволил всех преподавателей, чьи результаты оказались в нижних 2 %. К концу следующего учебного года еще 5 %, то есть 205 учителей, были уволены из школ.

У Сары Высоцки, учительницы пятого класса, казалось бы, не было повода для беспокойства. Она преподавала в средней школе Макфарланда всего два года, но уже удостоилась высоких оценок своей работы и от директора школы, и от родителей своих учеников. В одном отзыве подчеркивалось ее внимание к детям, в другом было отмечено, что «она – одна из лучших учительниц, с которыми мне когда-либо доводилось сталкиваться».

Однако в конце 2010–2011 учебного года Высоцки получила крайне низкий результат в тесте IMPACT. Проблема заключалась в новой системе подсчета, известной как моделирование коэффициента улучшения знаний учеников, которая оценивала эффективность преподавания математики и языковых навыков. Этот результат, выданный алгоритмом, составлял половину общей оценки Сары Высоцки – и он перевесил положительные оценки со стороны школьной администрации и местного сообщества. У округа не осталось выбора, кроме как уволить ее вместе с другими 205 учителями, результат теста у которых оказался ниже минимального порога.

Это не выглядело ни охотой на ведьм, ни сведением счетов. В таком подходе городского школьного совета есть логика. В конце концов, администраторы могут просто дружить с очень плохими учителями. Они могут восхищаться их стилем или лояльностью. Плохие учителя вполне могут производить впечатление хороших. И в Вашингтоне, как и во многих других школьных округах, минимизировали фактор человеческой предвзятости и сосредоточились на результатах, основанных на объективных данных: достижения детей в математике и чтении. Официальные лица пообещали, что цифры будут говорить сами за себя, что цифры более справедливы.

Разумеется, Высоцки посчитала цифры ужасно несправедливыми и захотела узнать, откуда они взялись. «Я не думаю, что кто-либо понимал это», – позже сказала она мне. Как хороший учитель может получить такой ужасный результат? В чем заключалась система подсчета увеличения коэффициента знаний учеников?

Дело оказалось весьма запутанным. Школьный округ пригласил консалтинговую компанию Mathematica Policy Research (MPR) из Принстонского университета, чтобы она помогла разработать критерии оценки. Задачей MPR было оценить прогресс в образовании учеников округа, а затем подсчитать, в какой степени улучшение или ухудшение их результатов зависело от учителей. Задача, конечно, была непростой. Исследователи знали, что на результаты может повлиять множество факторов, от социально-экономической ситуации до специфических индивидуальных нарушений способности к обучению. Алгоритмы MPR должны были учитывать эти факторы, и это было одной из причин, по которой они оказались такими сложными.

И в самом деле, попытки вместить человеческое поведение, деятельность и потенциал в алгоритмы – это непростая работа. Чтобы понять, с чем пришлось столкнуться MPR, представьте себе десятилетнюю девочку, которая живет в бедном квартале на юго-востоке города Вашингтон. В конце учебного года она сдает стандартизированный тест для пятого класса. После этого ее жизнь продолжается. У нее могут появиться семейные или финансовые проблемы. Она может переехать в другой дом или переживать за брата, у которого возникли проблемы с законом. Она может страдать из-за собственного лишнего веса или бояться какого-нибудь школьного хулигана. В любом случае в следующем году она сдает еще один стандартизированный тест, теперь уже предназначенный для шестиклассников.

Если вы сравните результаты двух тестов девочки, количество набранных баллов должно остаться стабильным или, в лучшем случае, увеличиться. Но если она наберет меньше баллов, чем в прошлом году, будет очень просто увидеть разницу между ее результатами и результатами более успешных учеников.

Но насколько эта разница возникла по вине учителя? Сложно сказать, и модели MPR располагают лишь несколькими числами для сравнения. В компаниях Больших данных, таких как Google, напротив, исследователи проводят постоянные тесты и отслеживают тысячи переменных. Они могут изменить шрифт рекламного объявления с синего на красный, испытать каждую версию на десяти миллионах пользователей и отследить, на какую из версий пришлось больше кликов. Они используют этот отклик, чтобы оттачивать свои алгоритмы и их действия. И хотя у меня есть много претензий к Google (до этого мы еще доберемся), нельзя не признать, что такой тип тестирования – это эффективное использование статистики.

Попытка подсчитать, какое воздействие один человек может иметь на другого в течение учебного года, – гораздо более сложная задача. «Есть столько факторов, которые вмешиваются в процесс обучения, что проанализировать их крайне сложно», – говорит Высоцки. Более того, попытка оценить эффективность учителя, проанализировав результаты тестов всего лишь 25 или 30 учеников, статистически несостоятельна и просто смехотворна. Эти числа слишком малы, учитывая потенциальное количество вариантов, в которых «что-то пошло не так». В самом деле, если бы мы анализировали учителей со статистической тщательностью интернет-поисковика, нам пришлось бы привлечь для теста тысячи или даже миллионы случайно выбранных учеников. Специалисты по статистике оперируют большими числами, чтобы сбалансировать исключения и аномалии. (И ОМП, как мы увидим, зачастую наказывает тех, кто оказывается исключением.)

Что не менее важно, статистические системы требуют ответной реакции – чтобы вовремя увидеть, что алгоритмы сбились с курса. Специалисты по статистике используют ошибки, чтобы «натренировать» свои модели и сделать их более интеллектуальными. Если Amazon.com в результате ошибочной корреляции начнет предлагать девочкам-подросткам книги по уходу за лужайками, количество кликов резко снизится – и алгоритм будет оттачиваться, пока заново не настроится. Без обратной связи, однако, статистический механизм может и дальше работать с ошибками и искажать анализ, при этом не обучаясь на этих ошибках.

Многие компоненты ОМП, которые я буду обсуждать в этой книге, включая систему оценки прогресса учеников, введенную школьным округом Вашингтона, ведут себя именно так. Они предлагают собственное определение реальности и исходят из него, чтобы оправдать свои результаты. Это самовозобновляющийся, крайне деструктивный – и весьма распространенный тип модели.

Когда система оценивания MPR объявляет Сару Высоцки и 205 других учителей бездарностями, город их увольняет. Но откуда система узнает, что она выдала правильный результат? Ниоткуда. Сама система определила их как бездарностей – и именно в таком качестве они и рассматриваются. Двести шесть «плохих» учителей уходят. Один этот факт призван продемонстрировать эффективность оценивающей модели – ведь она избавляет школьный округ от недостаточно хорошо работающих учителей. Вместо того чтобы искать правду, система оценки становится ее воплощением.

Это один из примеров петли обратной связи ОМП. В этой книге мы увидим и множество других примеров подобных петель. Работодатели, например, все более широко используют кредитную историю соискателей для оценки потенциальных новых работников. Считается, что люди, которые вовремя платят по кредитам, с большей вероятностью будут следовать правилам и не опаздывать на работу. На самом деле есть множество ответственных людей и хороших работников, которым случалось пережить неудачное стечение обстоятельств, от которых пострадала их кредитная история. Но убеждение в том, что плохая кредитная история коррелирует с плохим исполнением рабочих обязанностей, оставляет людям, имевшим проблемы с выплатами кредитов, гораздо меньше шансов найти работу. Безработица подталкивает их к бедности, что еще сильнее ухудшает их кредитную историю – и еще сильнее понижает шансы на получение работы. Это спираль, ведущая вниз. Работодатели никогда не узнают о том, какое количество хороших работников они потеряли из-за того, что сосредоточились на кредитной истории кандидатов. В ОМП многие вредные установки прикрываются математикой – и с этого момента практически не проверяются и не подвергаются критическому анализу.

Это подчеркивает еще одну распространенную особенность ОМП: это оружие имеет свойство наказывать бедных. Отчасти это происходит из-за того, что ОМП разработано для того, чтобы оценивать большие массы людей. Оно специализируется на больших числах, и оно дешево. Это часть его привлекательности. К богатым же людям, с другой стороны, зачастую используется индивидуальный подход. В привилегированной юридической фирме или в частном детском саду личные рекомендации и личные встречи будут значить больше и случаться гораздо чаще, чем в сети ресторанов быстрого питания или в испытывающем финансовые трудности городском школьном округе. Мы постоянно видим, что привилегированные слои обслуживаются и анализируются людьми, а массы – машинами.

Неспособность Высоцки найти хоть кого-то, кто мог бы объяснить, почему она получила столь ужасный результат, тоже говорит о многом. Вердикты от ОМП подобны велениям неких алгоритмических богов. Сама модель представляет собой черный ящик, а его содержимое – яростно оберегаемая корпоративная тайна. Это позволяет таким консультантам, как MPR, брать больше денег за свою работу, но также служит и другой цели: считается, что, если людям, которых оценивают, ничего не объяснять, они с меньшей вероятностью будут пытаться обыграть систему. Вместо этого они просто будут усердно работать, следовать правилам и молиться, чтобы модель признала и оценила их усилия. А если детали скрыты, то становится сложнее поставить под сомнение результат или опротестовать его.

Не один год учителя Вашингтона жаловались на произвольные результаты и требовали разглашения принципов подсчета. Им отвечали, что это очень сложный алгоритм, – и такой ответ сам по себе уже отпугивал многих от дальнейших попыток разобраться. К сожалению, математика пугает многих. Но учитель математики Сара Бакс продолжила добиваться правды от администратора округа Джейсона Камраса. После переписки, длившейся несколько месяцев, Камрас предложил Бакс подождать технического доклада, который должен был вот-вот поступить. Бакс ответила: «Как вы можете оценивать людей с помощью процедуры, которую вы сами не в состоянии объяснить?» Но именно такова природа ОМП. Анализ перенаправлен программистам и специалистам по статистике. А они, как правило, предоставляют слово машинам.

При всем при этом Сара Высоцки была хорошо осведомлена о том, что в формуле имели большое значение результаты стандартизированного теста ее учеников. Именно здесь она подозревала наличие ошибки. Прежде чем начать свой последний учебный год в средней школе Макфарланда, она с радостью обнаружила, что ее будущие пятиклассники на удивление хорошо справились с итоговыми тестами четвертого класса. В начальной школе Барнарда, откуда пришли многие ученики Сары, уровень чтения 29 % учащихся был определен как «продвинутый», что в пять раз превышало средний показатель по городскому школьному округу.

Однако, когда начались занятия, выяснилось, что многие из ее учеников с трудом способны прочесть простое предложение. Много позднее журналистские расследования, проведенные газетами The Washington Post и USA Today, выявили высокий уровень исправлений в ответах стандартизированных тестов в 41 школе округа, включая школу Барнарда. Высокий уровень исправленных ответов указывает на большую вероятность подделки результатов. В некоторых школах под подозрение попало до 70 % классов.

Какое отношение это имеет к ОМП? Тут важны два фактора. Во-первых, алгоритмы оценки учителя – мощный инструмент для корректировки поведения. Это, собственно, и есть цель этих алгоритмов, и в школах Вашингтона они олицетворяли собой как кнут, так и пряник. Учителя знали, что, если их ученики плохо напишут тесты, их собственные рабочие места окажутся под угрозой. Это давало учителям сильную мотивацию добиться того, чтобы их ученики нормально справились с тестами, – особенно после того, как на рынок труда обрушилась Великая рецессия. В то же время, если их студенты превзошли бы сверстников, учителя и администрация могли получить бонусы суммой до восьми тысяч долларов. Добавьте эти мощные мотивационные элементы к уликам в деле – большому количеству исправлений и аномально высоким результатам, – и вы получите основания подозревать, что учителя четвероклассников либо из страха, либо из жадности подделали результаты экзаменов своих учеников.

Таким образом, вполне вероятно, что ученики Сары Высоцки начали учебный год с искусственно завышенными результатами. В таком случае результаты их тестов в конце года вполне могли показать, что у них существенно снизился уровень результатов – то есть что учителя пятого класса недостаточно хорошо их обучали. Высоцки убеждена, что именно это с ней и случилось. Это объяснение хорошо укладывалось в наблюдения родителей, коллег и директора, которые в один голос утверждали, что она очень хорошая учительница. Если бы учительницу уволили люди, это можно было бы оспорить. У Сары Высоцки были очень веские основания для апелляции.

Но апеллировать к оружию математического поражения невозможно. Это – часть его пугающей силы. Оно ни к кому не прислушивается и ни перед кем не отступает. Оно глухо не только к лести, угрозам и уговорам, но и к логике, даже когда есть хорошие основания усомниться в информации, которая послужила основной их выводов. Да, если становится очевидно, что автоматическая система выдает настолько неверные результаты, что это бросается в глаза, программисты все-таки доработают алгоритмы. Но по большей части программы изрекают вердикты, не подлежащие обжалованию, а обслуживающие их люди могут только пожимать плечами, словно хотят сказать: «Ну что же тут поделаешь?»

Именно этот ответ Сара Высоцки и получила от школьного округа. Джейсон Камрас позже сообщил Washington Post, что исправления были «подозрительными» и что цифры у ее пятого класса могли быть неверными. Но эти свидетельства не были достаточно убедительными. По его мнению, с Сарой поступили справедливо.

Видите парадокс? Алгоритм обрабатывает массу статистических данных и выдает вероятность того, что определенный человек может быть ненадежным арендатором, сомнительным заемщиком, террористом или плохим учителем. Эта вероятность выражается в результате, который может разрушить чью-то жизнь. Однако когда человек высказывает претензии к этому результату, то «подозрительные» свидетельства, могущие его оспорить, просто не принимаются во внимание. Дело должно быть железобетонным. Люди – жертвы ОМП, как мы увидим снова и снова, должны предоставить гораздо более четкие свидетельства, чем сами алгоритмы.

Пережив шок от увольнения, Сара Высоцки оставалась без работы всего несколько дней. Ее окружала масса людей, включая ее бывшего директора, которые готовы были поручиться за нее как за отличного учителя, и в результате она быстро нашла работу в школе соседнего округа, в Северной Вирджинии. Благодаря спорной модели бедная школа потеряла хорошего учителя, а богатая школа, которая не увольняет людей на основании результатов ученических тестов, этого хорошего учителя приобрела.

После ипотечного кризиса я остро осознала, насколько повсеместно распространено ОМП в банковском деле, и ту опасность, которую оно предоставляет для нашей экономики. В начале 2011 года я ушла из хедж-фонда. Позже, переименовав себя в специалиста по анализу данных, я присоединилась к стартапу в области онлайн-торговли. С этой выигрышной позиции мне было прекрасно видно, как легионы других видов ОМП ввинчиваются во все области промышленности и многие из них при этом усиливают неравенство и наказывают бедных. Оружие математического поражения находилось в самом сердце бурно развивающейся экономики данных.

Чтобы распространить информацию об ОМП, я завела блог под названием MathBabe. Моей целью была мобилизация коллег-математиков на борьбу с небрежным использованием статистики и основанных на предвзятости моделей, которые создавали свои собственные токсичные петли обратной связи. Специалисты по анализу данных, которых заинтересовал мой блог, сообщали мне о распространении ОМП в новых областях. Но в середине 2011 года, когда в Нижнем Манхэттене развернулось протестное движение «Захвати Уолл-стрит», я поняла, что нам нужно работать с более широкой аудиторией. Тысячи протестующих собрались, чтобы потребовать экономической справедливости и финансовой подотчетности. Однако, когда я услышала интервью с участниками этого движения, я обнаружила, что они зачастую не знают о самых основных проблемах, связанных с финансами. Они явно не читали мой блог. (Тут я должна добавить, что необязательно знать все детали системы, чтобы понять, что она неработоспособна.)

Я поняла, что могу либо критиковать их, либо к ним присоединиться, и выбрала второе. Вскоре я уже проводила еженедельные встречи Альтернативной банковской группы при Колумбийском университете, где мы обсуждали финансовую реформу. В ходе этого процесса я осознала, что обе мои вылазки за пределы академического мира – одна в финансы и другая в науку данных – обеспечили меня потрясающим доступом к технологиям и ОМП, приводимому в действие культурой.

Плохо продуманные математические модели в наши дни управляют экономикой везде, от рекламных кампаний до тюрем. Это ОМП обладает многими характеристиками, которые похожи на модель подсчета прогресса учеников, чуть не пустившую под откос карьеру Сары Высоцки в вашингтонских школах. Они непрозрачны, не подвергаются вопросам и сомнениям, массово распространены и занимаются тем, что сортируют, вычленяют и «оптимизируют» миллионы людей. Путая свои выводы с объективной реальностью, большинство из них создает губительные петли обратной связи ОМП.

Но есть одно важное различие между моделью подсчета увеличения коэффициента знаний учеников, созданной школьным округом, и, скажем, разновидностью оружия математического поражения, подсчитывающей перспективы выдачи микрокредитов. Они имеют разную отдачу. Для школьного округа отдача – что-то вроде политической валюты: ощущение, что задачи решаются. Но для бизнеса валюта используется самая стандартная: деньги. Для многих предприятий, применяющих эти грубые алгоритмы, притекающие к ним денежные потоки дают иллюзию доказательства того, что их модели работают. Посмотрите на ситуацию их глазами – и она для вас будет иметь смысл. Когда такие предприятия строят статистические системы, чтобы найти клиентов или манипулировать отчаявшимися заемщиками, растущий доход демонстрирует им, что они на правильном пути. Программное обеспечение хорошо делает свою работу. Проблема заключается в том, что прибыль выступает как мерило качества моделей. Мы увидим, как это опасное заблуждение будет проявляться снова и снова.

Это происходит из-за того, что специалисты по анализу данных слишком часто теряют из виду людей, для которых вроде бы предназначен этот анализ. Эти специалисты наверняка понимают, что программа, обрабатывающая данные, не может в определенном проценте случаев не дать неправильную оценку, ошибочно поместив того или иного человека в ту или иную социальную группу, что приведет к тому, что он не получит хорошую работу или шанс взять ипотеку на дом своей мечты. Но чаще всего люди, управляющие ОМП, не зацикливаются на этих ошибках. Их обратная связь – это деньги, а рост прибылей – их мотивация. Их системы разработаны так, чтобы захватывать как можно больше данных и оттачивать аналитику, обеспечивая все больший приток денег. Инвесторы, конечно же, радуются своей прибыли и осыпают компании-разработчики ОМП еще большим количеством денег.

А жертвы? Любой специалист по анализу внутренних данных скажет вам, что ни одна статистическая система не может быть идеальной. Жертвы – это сопутствующий риск. И зачастую их признают, как Сару Высоцки, всего лишь расходным материалом. Забудьте о них на минуту, скажут вам, и подумайте обо всех тех людях, которые получили полезные предложения через рекомендации от поисковиков, или нашли любимую музыку на сайте Pandora, или идеальную работу на LinkedIn, или, возможно, встретили любовь всей своей жизни на Match.com. Думайте о впечатляющих масштабах, позабудьте о мелких недостатках.

Большие данные имеют много горячих поклонников, но я к ним не отношусь. Эта книга будет острейшим образом сосредоточена на другом направлении: на том ущербе, который приносит оружие математического поражения, и на несправедливостях, которые оно порождает. Мы исследуем ущерб, который был нанесен людям в критические моменты их жизни: во время поступления в колледж, при попытках взять кредит, при вынесении им приговора в суде, в поисках работы. Все эти жизненно важные рубежи всё в большей и большей степени контролируются тайными моделями, которые произвольно наказывают людей.

Добро пожаловать на темную сторону Больших данных.

Компоненты бомбы: что такое модель?

Стоял жаркий августовский день 1946 года. У Лу Бодро, играющего менеджера команды Cleveland Indians, было отвратительное настроение. В первой из двух игр, намеченных на этот день, Тед Уильямс практически в одиночку уничтожил команду Бодро. Уильямс, возможно лучший хиттер того времени, выбил три хоум-рана и еще довел восемь игроков до домашней базы. В итоге «Индейцы» проиграли со счетом 10:11.

Бодро нужно было что-то предпринять. Поэтому, как только Уильямс вышел на поле во второй игре, игроки «Индейцев» начали быстро перемещаться. Бодро, шорт-стоп, перебежал на место, где обычно стоял второй бейсмен, а второй бейсмен отошел на правый аутфилд, третий бейсмен сдвинулся влево, к месту шорт-стопа. Было очевидно, что Бодро (возможно, эта идея была продиктована отчаянием) полностью изменил расположение своей защиты, чтобы превратить хиты Теда Уильямса в ауты.

Другими словами, Бодро мыслил как специалист по анализу данных. Он проанализировал предварительные данные, по большей части на основе наблюдений: обычно Тед Уильямс делал подачу в правый аутфилд. Затем он предпринял меры – и они сработали. Игроки стали ловить больше мощных лайнеров Уильямса (хотя они по-прежнему ничего не могли сделать с хоум-ранами, пролетающими над их головами).

Если вы сегодня придете на бейсбольную игру высшей лиги, вы увидите, что защита относится практически к каждому игроку противника как к Теду Уильямсу. Если Бодро просто пронаблюдал за тем, куда Уильямс обычно направлял удар, то сейчас менеджеры точно знают, куда каждый игрок направлял удар в течение последней недели, за последний месяц, за всю карьеру, играя против левшей, в ситуации, когда у него было два страйка, и так далее и тому подобное. Используя эту собранную информацию, они могут проанализировать текущую ситуацию и рассчитать расстановку игроков, дающую наибольшую вероятность успеха. Иногда это включает в себя довольно-таки существенные перемещения игроков по полю.

Перенос защиты – лишь часть гораздо более серьезного вопроса: какие шаги могут предпринять бейсбольные команды для максимизации вероятности победы? В поисках ответа на этот вопрос специалисты по бейсбольной статистике изучили каждую переменную, которую смогли количественно измерить, и присвоили ей определенную ценность. Насколько дабл ценнее сингла? Когда, если вообще когда-либо, имеет смысл использовать сэкрифайс-бант для перемещения раннера с первой на вторую базу?

Ответы на все эти вопросы смешаны и объединены в математические модели этого спорта. В мире бейсбола существуют параллельные вселенные, и каждая из них представляет собой сложное вероятностное полотно. Они включат в себя каждое измеримое отношение между каждым спортивным компонентом, от уоков и хоум-ранов и до самих игроков. Цель модели – просчитать разные сценарии на каждой развилке и найти оптимальные комбинации. Если Yankees поставят питчера-правшу против сильного отбивающего Майка Траута из Angels, в сравнении с их текущим питчером – кто с большой вероятностью его выбьет? И как это повлияет на общую вероятность победы?

Бейсбол – идеальная база для предиктивного математического моделирования. Как писал Майкл Льюис в своем бестселлере Moneyball (2003)[1], этот спорт привлекал самых увлеченных аналитиков данных на протяжении всей его истории. В прошлом фанаты изучали статистику по оборотным сторонам бейсбольных карточек, анализируя закономерности хоум-ранов Карла Ястржемски или сравнивая общее количество страйк-аутов Роджера Клеменса и Дуайта Гудена. Но начиная с 1980-х годов за дело взялись серьезные специалисты по статистике – они начали разбираться, что же, собственно, означают все эти цифры вместе с огромным количеством новых данных: как именно они конвертируются в победы и как руководство команды может достичь максимального успеха при минимальных вложениях.

Сегодня термин moneyball («денежный мяч») служит условным обозначением любого статистического подхода в областях, где в течение долгого времени господствовала исключительно интуиция. Но пример бейсбола – это пример здорового анализа, который я привела для контраста с более токсичными примерами анализа, которые я считаю действием ОМП и которые появляются во все большем количестве областей нашей жизни. Бейсбольные модели справедливы, в частности, из-за своей прозрачности. Любой человек располагает доступом к статистике и может более или менее понять, как она интерпретируется. Да, конечно, модель одной команды может придавать больше ценности хоум-раннерам, в то время как другие могут их слегка недооценивать из-за того, что сильные отбивающие имеют тенденцию к большому количеству страйк-аутов. Но в любом случае информация о числе хоум-ранов и страйк-аутов доступна для всех интересующихся.

Кроме того, в бейсболе есть статистическая строгость. Его гуру располагают огромным количеством информации, и практически вся она напрямую касается манеры игроков. Более того, эта информация имеет непосредственное отношение к результатам, которые эти гуру пытаются предсказать. Это может показаться очевидным, но, как мы увидим на страницах этой книги, люди, создающие оружие математического поражения, испытывают постоянный дефицит информации как раз о тех типах поведения, которые их больше всего интересуют. В результате они подставляют вместо информации ее подмену (прокси). Они проводят статистические корреляции между чьим-то почтовым кодом или манерой речи и способностью этого человека выплатить кредит или справиться с рабочими обязанностями. Эти корреляции дискриминационны, а некоторые из них и незаконны. Бейсбольные модели по большей части не используют прокси из-за того, что они располагают фактической информацией: мячами, страйками и хитами.

Но самое главное – поток этой информации постоянно обновляется благодаря статистике, собираемой с 12–13 игр ежедневно с апреля по октябрь. Специалисты по статистике могут сравнить результаты этих игр с предсказаниями своих моделей – и увидеть, где они были не правы. Возможно, они предсказали, что реливер-левша пропустит много хитов от бэттеров-правшей – а он в результате их разгромил. В этом случае статистики пытаются подправить свою модель и пристально изучают, как и почему они ошиблись. Возможно, это новый крученый мяч питчера повлиял на их статистику? Или этот питчер лучше играет по вечерам? Все, что они узнают, они снова загрузят в модель, чтобы еще тоньше настроить ее. Именно так работают модели, заслуживающие доверия. Они постоянно взаимодействуют с миром, который они пытаются понять или предсказать. Если условия меняются – модель должна меняться вместе с ними.

Посмотрев сейчас на бейсбольную модель с ее тысячами переменных, вы можете задуматься: как вообще можно сравнивать ее с моделью, использованной для оценки учителей в школах Вашингтона? Первая моделирует спортивную игру в мельчайших деталях и постоянно обновляется. Вторая, при всей ее таинственности, опирается из года в год на результаты горстки тестов. Можно ли вообще называть ее моделью?

Ответ – да. Любая модель, в конце концов, есть не что иное, как абстрактное представление какого-то процесса, будь то бейсбольная игра, цепочка поставщиков нефтяной компании, действия иностранного правительства или посещаемость кинотеатра. Загружена ли она в компьютерную программу или хранится в нашей голове, модель берет наши знания и использует их для того, чтобы предсказать будущие результаты процесса в разных ситуациях. Все мы держим в уме тысячи моделей. Они подсказывают, чего нам ожидать, и руководят нашими действиями.

Вот неформальная модель, которую я использую ежедневно. Будучи мамой троих детей, я сама готовлю еду – мой муж, милейший человек, каждый раз забывает посолить макароны. Каждый вечер, когда я начинаю готовить ужин на всю семью, я внутренне и интуитивно моделирую аппетит каждого домочадца. Я знаю, что один из сыновей любит курицу (но ненавидит гамбургеры), а другой ест только пасту (с дополнительной порцией тертого пармезана). Но я также принимаю во внимание то, что их аппетиты меняются в разные дни – поэтому в мою модель может вкрасться ошибка. В ней всегда будет неизбежный элемент неопределенности.

В мою модель вкладывается информация о моей семье, об ингредиентах, которые у меня уже имеются или мне доступны, а также моей собственной энергии, времени и амбициях. На выходе я получаю решение, что и как мне приготовить. Я оцениваю успех ужина степенью удовлетворенности моей семьи, а также количеством съеденного и тем, насколько еда была здоровой. То, насколько хорошо принимают приготовленную мной еду и сколько ее съедают, позволяет мне обновить свою модель к следующему приготовлению ужина. Обновления и уточнения делают модель динамической – так это называется в статистике.

С гордостью могу сказать, что со временем я научилась очень неплохо готовить для своей семьи. Но представьте, что нам с мужем нужно уехать на неделю, а мне понадобится объяснить свою модель моей маме, чтобы она смогла меня заменить? Или если моя многодетная подруга заинтересовалась моим подходом? В этот момент я попытаюсь придать моей модели какие-то более формальные черты, сделать ее более систематической – и, в каком-то смысле, более математической. Если у меня хватит амбиций, я даже могу создать на ее основе компьютерную программу.

В идеале такая программа учтет все возможные варианты ингредиентов, их питательность и стоимость, а также будет включать полную базу данных о вкусах моей семьи, все любимые и нелюбимые блюда и продукты моих домочадцев. Однако мне будет не так уж просто взять и извлечь всю эту информацию из собственной головы. Да, у меня полно воспоминаний о том, как кто-то попросил добавку спаржи или заявил, что терпеть не может стручковую фасоль, но эти воспоминания перемешаны – мне будет сложно свести их в один список.

Лучшим решением станет доработка модели с течением времени – ежедневный ввод информации о том, что я купила и приготовила, и какой отклик от каждого члена семьи получила. Я смогу также задавать те или иные параметры и ограничения. Я могу ограничить по сезону фрукты и овощи, зато раздать определенное количество печенья «Поп-тартс», чтобы предотвратить открытый бунт. Можно ввести и другие параметры, запомнить, кто больше любит мясо, кто – хлеб и пасту, кто пьет много молока, а кто настаивает, чтобы любой предмет на его тарелке можно было намазать нутеллой.

Если бы я посвятила все свое время этой работе, то за несколько месяцев могла бы получить весьма неплохую модель. Я бы превратила систему приготовления еды, хранящуюся в моей голове, – мою неформальную внутреннюю модель – в формальную внешнюю. В этой модели я бы вынесла наружу, во внешний мир, свои знания и умения. Я бы построила автоматическую версию себя, которой могли бы воспользоваться другие люди даже в мое отсутствие.

Однако в ней всегда бы были ошибки, потому что любые модели всегда представляют собой упрощения. Ни одна модель не может включить в себя всю сложность мира или нюансы человеческого общения. Какая-то важная информация неизбежно оказывается упущенной. Возможно, я бы забыла сообщить своей модели о том, что правило запрета на фастфуд менее строго соблюдается в дни рождения или что сырая морковка пользуется большей популярностью, чем вареная.

Чтобы создать модель, таким образом, мы делаем выбор и решаем, что достаточно важно для включения в нее. Мы упрощаем мир до его игрушечной версии, которая может быть легко понята и из которой мы можем извлечь важные факты и действия. Мы ожидаем от модели выполнения только одной работы и заранее смиряемся с тем, что иногда она будет работать бестолково, с огромными пробелами.

Иногда пробелы не имеют значения. Когда мы запрашиваем у Google Maps маршрут, программа моделирует мир как набор улиц, туннелей и мостов. Она игнорирует здания, потому что те не имеют отношения к задаче. Когда авиационное программное обеспечение управляет самолетом, оно моделирует ветер, скорость самолета и посадочную полосу внизу, но игнорирует улицы, туннели, здания и людей.

Пробелы модели отражают суждения и приоритеты ее создателей. И хотя выбор при составлении Google Maps и авиационного программного обеспечения кажется очевидным, в других случаях он гораздо более проблематичен. Если мы вернемся к примеру вашингтонских школ, их модель подсчета увеличения коэффициента знаний учеников оценивает учителей по большей части на основе данных тестов учеников, игнорируя такие факторы, как вовлеченность учителя в процесс, его работу над определенными навыками, классное руководство и помощь ученикам в их личных и семейных проблемах. Она слишком проста и жертвует точностью и охватом во имя эффективности. При этом, с точки зрения администраторов, она предоставляет эффективное орудие для выявления сотен якобы негодных учителей – даже если существует риск неверной интерпретации профессионализма некоторых из них.

Здесь мы видим, что модели, несмотря на их кажущуюся непредвзятость, отражают заложенные в них цели и идеологию. Когда я исключала возможность поедания печенья за каждым приемом пищи, я переносила свою идеологию на модель еды. Это то, что все мы делаем машинально, не задумываясь. Наши собственные ценности и желания влияют на наш выбор, от данных, которые мы предпочитаем собирать, до вопросов, которые мы задаем. Модели – это мнения, заключенные в математическую форму.

Работает модель или нет – это также вопрос субъективный. В конце концов, ключевой компонент каждой модели, как формальной, так и неформальной, – это ее критерий успеха. Это важный пункт, к которому мы вернемся, когда будем исследовать темный мир ОМП. В каждом случае мы должны спросить не только о том, кто разработал модель, но также чего именно он пытался достичь. Если правительство Северной Кореи возьмется, например, построить модель для моих семейных ужинов, то эта модель, вероятно, будет оптимизирована таким образом, чтобы держать нас чуть выше порога полного истощения, минимизируя при этом затраты и число доступных ингредиентов. Понятно, что наши личные предпочтения при этом будут значить мало или вообще ничего. С другой стороны, если бы эту модель составляли мои дети, то критерием ее успешности стало бы мороженое на завтрак, обед и ужин. Моя собственная модель пытается объединить северокорейское управление ресурсами и благополучие моих детей, а также мои собственные представления о здоровье, удобстве, разнообразии и экологичности. В результате она оказывается более сложной, но все еще отражает мою личную реальность. А модель, построенная в соответствии с сегодняшним днем, завтра будет работать еще хуже. Если ее постоянно не обновлять, она застынет и устареет. Цены меняются, предпочтения растущих детей тоже. Модель, построенная для шестилетки, не сработает для подростка.

То же самое верно и для внутренних моделей. Вы часто можете видеть, как возникают проблемы у дедушек и бабушек, которые навещают давно не виденную ими внучку. Во время предыдущего визита они собрали информацию о том, что она знает и умеет, что вызывает у нее смех, какие телепередачи она любит, – и (подсознательно) построили модель под эту конкретную четырехлетнюю девочку. Однако во время следующей встречи через год они могут столкнуться с неловкой ситуацией из-за того, что их модель устарела. Например, ей больше не нравится Паровозик Томас. Потребуется время, чтобы собрать новую информацию о внучке и перенастроить модель.

Это не означает, что хорошие модели не могут быть простыми. Некоторые очень эффективные модели основываются на единственной переменной. Самая распространенная модель по обнаружению пожара в доме или офисе, например, учитывает единственный, зато непосредственно имеющий отношение к проблеме фактор – наличие дыма. Обычно этого достаточно. Но создатели моделей сталкиваются с проблемами – или сталкивают нас с этими проблемами, – когда они проецируют такие простые модели, как пожарная сигнализация, на людей.

Расизм на индивидуальном уровне может рассматриваться как предиктивная модель, распространившаяся в сознании миллиардов людей по всему миру. Она основана на ошибочной, неполной или обобщенной информации. Информация, основанная на опыте или рассказах других людей, указывает на то, что определенные люди плохо себя ведут. Это приводит к упрощенному предсказанию, что все люди той или иной расы будут вести себя таким же образом.

Нет нужды говорить, что расисты не тратят время на то, чтобы собрать надежную информацию и протестировать свои искаженные модели. Как только их модель превращается в убеждение, она становится прошивкой мозга. Она генерирует допущения, однако редко их тестирует, вместо этого подыскивая информацию, которая, как кажется расисту, их подтверждает и подпитывает. Вследствие этого расизм представляется самой неряшливой из предиктивных моделей. Он основан на небрежном сборе информации и ложных корреляциях, он усилен институциональным неравенством и загрязнен предвзятостью подтверждения. Но как это ни странно, расизм действует так же, как многие из видов оружия математического поражения, которые я буду описывать в этой книге.

В 1997 году афроамериканец Дуэйн Бак, признанный виновным в убийстве двух человек, предстал перед судьей округа Харрис, штат Техас. Судья должен был решить, приговорить преступника к смерти или к пожизненному заключению (во втором случае оставалась теоретическая возможность условно-досрочного освобождения). Прокурор настаивал на смертном приговоре, утверждая, что, если Бак когда-нибудь выйдет на свободу, он может убить снова. Адвокат Бака, со своей стороны, пригласил эксперта-психолога Уолтера Кихано, специалиста по рецидивам среди бывших заключенных. В ходе перекрестного допроса Кихано упомянул расовую принадлежность Бака, и прокурор тут же уцепилась за это:

– То есть вам удалось установить, что… что расовый фактор, принадлежность к черной расе, по различным сложным причинам увеличивает потенциальную опасность человека в будущем, правильно? – спросила она.

– Правильно, – ответил Кихано.

Прокурор подчеркнула этот факт в своей заключительной речи – и Дуэйн Бак был приговорен к смерти.

Через три года главный прокурор штата Техас Джон Корвин обнаружил, что психолог Уолтер Кихано дал подобные (основанные на расовой принадлежности) заключения в шести других случаях, когда речь шла о высшей мере наказания. Большую часть из них – выступая на стороне обвинения. Корвин, который тогда готовился к выборам в Сенат 2002 года, приказал провести повторные слушания для семи осужденных, запретив упоминать в суде их расовую принадлежность. В соответствующем пресс-релизе он писал:

Совершенно непозволительно учитывать расовую принадлежность как фактор в нашей системе правосудия… Техасцы заслуживают системы, которая обеспечивает справедливое отношение для каждого человека, – и они должны получить такую систему.

Дела шестерых осужденных были рассмотрены заново, однако все смертные приговоры были оставлены в силе: суд счел, что показания Кихано ни в одном случае не были решающими. Седьмой осужденный – Дуэйн Бак – не получил нового слушания: возможно, из-за того, что в данном случае расовый фактор выдвинул свидетель защиты. Бак все еще находится в камере смертников[2].

Независимо от того, насколько важен расовый фактор в обстоятельствах судебного дела, он уже довольно давно представляет собой основной фактор в вынесении приговора. Исследование Мэрилендского университета продемонстрировало, что в техасском округе Харрис, в который входит и город Хьюстон, прокуроры в три раза чаще требуют смертного приговора для афроамериканцев и в четыре раза чаще – для американцев латиноамериканского происхождения, чем для белых, которых судят за аналогичные преступления. И такое происходит не только в Техасе. В соответствии с данными Американского союза защиты гражданских свобод, судебные сроки, которые назначаются черным мужчинам в федеральной системе, на 20 % длиннее, чем сроки белых, осужденных за схожие преступления. И хотя афроамериканцы составляют всего 13 % населения США, они заполняют 40 % тюремных камер.

По-видимому, можно предположить, что математическая модель оценки рисков рецидива может уменьшить влияние человеческих предубеждений при вынесении приговоров и повлечет более справедливое отношение к подсудимым. В надежде на это суды двадцати четырех штатов стали использовать так называемые модели вероятности рецидива (recidivism models). Эти модели помогают судьям более адекватно оценить опасность, которую может представлять в будущем тот или иной осужденный. И по многим меркам такие модели – шаг вперед. Благодаря им приговоры стали более логичными и меньше подвержены настроению и предвзятости судей. К тому же эти модели экономят деньги, сокращая среднестатистический тюремный срок (на содержание одного заключенного уходит в среднем 31 000 долларов в год, а в «дорогих» штатах вроде Нью-Йорка и Коннектикута эта сумма вдвое выше).

Главный вопрос тут, однако, вот какой: в самом ли деле мы исключили фактор человеческой предвзятости или просто замаскировали его? Новые модели вероятности рецидива сложны и основаны на математике. Однако данные внутри этих моделей – целый букет допущений, причем некоторые из них основаны на предубеждениях. И если показания Уолтера Кихано были официально зафиксированы, так что их позже можно было вновь прослушать и обжаловать в суде, то принцип работы модели запрятан в алгоритмах, в которых могут разобраться лишь единичные специалисты.

Одна из самых популярных моделей, известная как Переработанная оценка уголовно-исправительной инспекции (Level of Service Inventory-Revised, LSI-R), включает в себя длинную анкету, которую должны заполнить заключенные. Один из вопросов – «Сколько предыдущих судимостей у вас было?» – имеет непосредственное отношение к риску рецидива. Некоторые другие также близко связаны с темой: «Какую роль другие люди играли в правонарушении? Какую роль играли алкоголь и наркотики?»

Но дальнейшие вопросы все больше углубляются в частную жизнь человека – и тут уже легко представить себе, как заключенные из привилегированных слоев будут отвечать одним образом, а жители криминогенных районов – совсем другим. Спросите у преступника, который вырос в престижном пригороде: «Когда вы впервые столкнулись с полицией?» – и скорее всего, окажется, что у него не было ни одного такого столкновения вплоть до того случая, который и привел его в тюрьму. Однако молодого афроамериканца полиция с высокой долей вероятности останавливала десятки раз, даже когда он не делал ничего противозаконного. Исследование Нью-Йоркского союза гражданских свобод продемонстрировало, что, хотя афроамериканцы и латиноамериканцы составляют всего 4,7 процента населения города, в 40,6 процента случаев остановке и обыску полицией подвергаются именно они. Более 90 % осмотренных таким образом оказывались невиновными. Какой-то процент из оставшихся составляют пьяные подростки или подростки, у которых нашли одну сигарету с марихуаной. Причем, в отличие от большинства богатых подростков, которые оказались бы в этой ситуации, у афроамериканцев и латиноамериканцев в этом случае начинаются неприятности. Поэтому, если ранняя встреча с полицией свидетельствует о повышенной вероятности рецидива, то получается, что выходцы из бедных кварталов и представители расовых меньшинств автоматически зачисляются в группу риска.

Вопросы анкеты на этом не заканчиваются. Заключенных спрашивают, есть ли судимости у их друзей и родственников. И снова: задайте такой вопрос преступнику, который вырос в квартале среднего класса, – с большой долей вероятности ответ будет отрицательным. Опросник действительно избегает вопросов о расе – они незаконны. Но, учитывая степень подробности, с которой каждый заключенный рассказывает о своей жизни, этот единственный незаконный вопрос практически оказывается ненужным.

Анкету LSI-R, разработанную в 1995 году, с тех пор заполнили тысячи заключенных. Специалисты по статистике использовали эти результаты, чтобы построить систему, в которой ответы, имеющие непосредственное отношение к риску рецидива, имели бы больший вес и добавляли больше баллов. После сдачи анкеты осужденные распределяются по категориям высокого, среднего и низкого риска на основе полученных ими баллов. В некоторых штатах, таких как Род-Айленд, эти тесты используются, только чтобы направить осужденных с высоким риском на программы профилактики рецидива во время отбывания тюремного срока. Но в других штатах, в том числе Айдахо и Колорадо, судьи используют эти результаты и при вынесении приговора.

Это несправедливо. Опросник включает обстоятельства рождения и воспитания преступника, данные о его или ее семье, окружении и друзьях. Но подобные детали не должны иметь отношения к уголовному делу или к приговору. В самом деле, если бы прокурор попытался очернить подзащитного, упомянув количество судимостей его брата или уровень преступности в районе, где он живет, адвокат бы тут же воскликнул: «Возражаю, ваша честь!» И разумный судья принял бы это возражение. Таковы основы нашей правовой системы. Нас судят за то, что мы делаем, а не за наше происхождение. И хотя мы не знаем, сколько именно баллов добавляют эти пункты анкет, любое значение, отличное от нуля, несправедливо.

Многие скажут, что статистические системы, подобные LSI-R, все же достаточно эффективны в оценке вероятности рецидива – по крайней мере, они более точны, чем интуитивные предположения того или иного судьи. Но даже если мы отложим в сторону, совсем ненадолго, серьезнейшую проблему справедливости, мы обнаружим, что соскальзываем в губительную петлю обратной связи ОМП. Осужденный с «высоким риском», скорее всего, окажется в прошлом безработным выходцем из района, в котором многие его родственники и друзья имели столкновения с законом. Отчасти из-за большого количества баллов, набранного в ходе заполнения анкеты, он получает более длительный тюремный срок, который закроет его на большее количество лет в тюрьме в окружении таких же преступников, как он, – что повышает вероятность его возвращения в тюрьму. В конце концов его выпускают на свободу, и он возвращается все в тот же бедный район, но на этот раз с судимостью, которая еще больше затруднит ему получение работы. Если он совершит еще одно преступление, модель оценки риска рецидива может объявить об очередном своем успехе. Но на самом деле это сама модель вносит вклад в токсичный цикл и помогает его поддерживать. Это ключевое свойство оружия математического поражения.

В этой главе мы познакомились с тремя типами статистических моделей. Бейсбольные модели по большей части можно счесть здоровыми. Они прозрачны, постоянно обновляются, и все допущения и выводы можно легко проследить. Такие модели подпитываются статистикой самой игры, а не прокси-реальностью. Люди, которых их составляют, понимают процесс и разделяют цель модели: выиграть Мировую серию. (Хотя, конечно, это не значит, что многие игроки, как только подойдет время подписывать контракт, не попытаются поспорить с оценкой модели: «Конечно, я сделал двести раз страйк-аут, но только посмотрите на мои хоум-раны…»)

С моей точки зрения, нет ничего плохого и во второй модели, которую мы обсуждали, – гипотетической модели семейных ужинов. Если бы мои дети задались вопросами о допущениях, которые за ней стоят, как экономических, так и диетических, я бы с удовольствием об этом рассказала. И даже если они иногда ворчат, получая очередную порцию зеленого салата, они, вероятно, признают, что моя модель отвечает целям удобства, экономии, здоровья и хорошего вкуса – хотя, возможно, в своих собственных моделях они придадут этим факторам другой вес (и они могут начать создавать свои модели с того самого момента, когда начнут сами покупать себе продукты).

Должна добавить, что моя модель вряд ли когда-нибудь приобретет промышленные масштабы. Не представляю, чтобы сеть супермаркетов Walmart или Министерство сельского хозяйства США заинтересовались бы моей моделью и распространили бы ее на сотни миллионов людей – как некоторые из видов оружия математического поражения, которые мы будем обсуждать. Нет, моя модель совершенно безобидна, особенно учитывая то, что она вряд ли когда-нибудь перейдет из моей головы в какую-либо компьютерную программу.

Однако оценка вероятности рецидива, которую мы обсуждали в конце главы, – пример совсем другого рода. Он имеет какой-то дурной привкус. Давайте быстро проверим, не относится ли эта оценка к ОМП, и посмотрим на результат.

Первый вопрос: если участник проверки осведомлен о том, что его проверяют с помощью модели, и о том, для чего будет использован результат проверки, можно ли считать эту модель непрозрачной? Ведь большинство заключенных, заполняющих обязательные анкеты, вовсе не глупы. Они как минимум должны подозревать, что информация, которую они предоставляют, будет использована против них, чтобы контролировать их во время отбывания срока, – эта информация даже может привести к увеличению этого срока. Они знают правила игры. Однако представители тюремной администрации тоже их знают. И они не распространяются о целях LSI-R. Администрация отлично понимает, что в ином случае многие заключенные попытаются обыграть модель, предоставив ответы, в которых они будут выглядеть образцовыми гражданами на момент выхода из тюрьмы. Поэтому заключенных стараются держать в неведении и не раскрывать им степень риска рецидива, которую определила модель в их случае.

В этом тюремные администраторы не одиноки. Непрозрачные модели – это правило, а прозрачные – исключение. Нас моделируют как покупателей и домоседов, как пациентов и заемщиков, но практически никаких из этих результатов мы не видим – даже если сами радостно участвуем в опросах. Даже когда такие модели на самом деле «ведут себя» вполне прилично, их непрозрачность может породить ощущение несправедливости. Если распорядитель в концертном зале сказал вам, что садиться в креслах первых десяти рядов нельзя, вы можете счесть этот запрет необоснованным и несправедливым. Но, вероятно, вы измените свое мнение, если распорядитель объяснит вам, что эти места зарезервированы для людей в инвалидных креслах. Прозрачность имеет большое значение.

При этом многие компании делают все, чтобы скрыть результаты, которые дают их модели или даже само существование этих моделей. Одно из самых распространенных оправданий при этом – наличие в алгоритме некоего «секретного компонента», критически важного для данного бизнеса. Это интеллектуальная собственность, которую защищают легионы юристов и лоббистов. В случае интернет-гигантов, таких как Google, Amazon и Facebook, эти алгоритмы стоят сотни миллиардов долларов. Оружие математического поражения по определению представляет собой черный ящик, и в результате крайне сложно ответить на вопрос: работает ли модель против интересов человека? Иными словами, справедлива ли она? Не наносит ли она вред?

И здесь тоже модель LSI-R легко квалифицировать как один из видов ОМП. Люди, которые создали этот алгоритм оценки в 1990-е годы, несомненно, рассматривали его как орудие правосудия, укрепляющее эффективность юридической системы. Кроме того, этот алгоритм может помочь правонарушителям, не предоставляющим большой угрозы, получить более легкие приговоры. Это можно перевести в большее количество лет свободы для них и огромную экономию для американских налогоплательщиков, которые оплачивают ежегодный тюремный счет в 70 миллиардов долларов. Однако поскольку анкета делает заключение об осужденном на основании пунктов, которые нельзя предъявить как свидетельства на суде, она несправедлива. И пусть она многим принесет пользу, другие от нее пострадают.

Ключевой компонент этого страдания – губительная петля обратной связи. Как мы уже увидели, модели вынесения приговоров, которые оценивают человека по его или ее личным обстоятельствам, помогают создать окружение, которое оправдывает эти допущения. Эта деструктивная петля продолжает затягиваться, в результате модель становится все более несправедливой.

Третий вопрос – есть ли у модели потенциал экспоненциального роста? Как спросил бы специалист по статистике, может ли она масштабироваться? Это может показаться праздной математической задачкой, но масштаб – именно то, что превращает ОМП из местных неприятностей в настоящее цунами, которое будет влиять на нашу жизнь и определять ее границы. Как мы увидим, развитие ОМП в сферах человеческих ресурсов, здравоохранения и банковского дела (и список этим далеко не ограничивается) быстро расширяет границы, в которых к нам применяется сила, очень похожая на неумолимую мощь закона. Если, к примеру, банковская модель отнесет вас в группу заемщиков высокого риска, то мир будет относиться к вам именно так – как к безнадежному неудачнику, даже если в модель вкралась ошибка. А когда эта модель масштабируется, как это уже случилось с кредитной моделью, она начинает оказывать влияние на всю вашу жизнь – удастся ли вам купить хороший дом, найти хорошую работу или приобрести хорошую машину, чтобы до этой самой работы добираться.

Когда дело доходит до масштабирования, у моделей вероятности рецидива хорошие перспективы. Они уже используются в большинстве штатов, причем модель LSI-R – самый распространенный вариант, используемый как минимум в 24 из них. Однако LSI-R – не единственный вариант: тюрьмы представляют собой оживленный и прибыльный рынок для специалистов по анализу данных. Система исполнения наказаний переполнена информацией, особенно с учетом то, что заключенные еще в большей степени лишены права на privacy, чем любой из нас. Более того, эта система настолько примитивна, неэффективна, дорога и бесчеловечна, что она просто вопиет о необходимости улучшений. Кто же в тюремной администрации будет против подобных дешевых решений?

Реформа системы исполнения наказаний – редкая тема в сегодняшнем поляризованном политическом мире, в которой либералы и консерваторы единодушны. В начале 2015 года братья-консерваторы Чарльз и Дэвид Кох объединились с либеральным аналитическим Центром за американский прогресс, чтобы продвинуть реформу тюрем и снизить число заключенных. Но я подозреваю, что эти межпартийные усилия реформировать тюрьму, как и множество других усилий, практически наверняка выльются в предполагаемо эффективное и справедливое решение – очередную модель, в которую человек будет вводить данные. Такова эпоха, в которой мы живем. Даже если другие инструменты потеснят LSI-R в качестсве основного вида оружия математического поражения, тюрьмы, скорее всего, останутся инкубатором для создания других видов ОМП в огромных масштабах.

Если суммировать все сказанное, вот три главных компонента ОМП: непрозрачность, масштабность и высочайшая степень ущерба. Все эти компоненты присутствуют в той или иной степени в примерах, которые мы будем рассматривать дальше. Разумеется, всегда есть место для возражений. Вы, например, можете сказать, что оценку степени риска рецидива нельзя назвать вполне непрозрачной, потому что она основана на результатах, с которыми заключенные в некоторых случаях могут ознакомиться. И тем не менее она непрозрачна – ведь заключенные не могут посмотреть, как именно их ответы перерабатываются в результат. Подсчитывающий алгоритм от них скрыт.

Есть несколько видов оружия математического поражения, которые, возможно, не вполне соответствуют критерию масштабности. Их распространение пока еще нельзя назвать повсеместным. Но они представляют собой опасные экземпляры, которые со временем неизбежно масштабируются – и, возможно, экспоненциально. Поэтому я включаю эти примеры в свой список.

Наконец, вы можете заметить, что не все виды ОМП приносят исключительно ущерб. В конце концов, они помогают кому-то попасть в Гарвард, кому-то – получить на хороших условиях кредиты или приличные рабочие места, а также сокращают тюремные сроки для некоторых заключенных – для тех, кому повезло. Но вопрос же не в том, что некоторые люди получают от этих моделей пользу, а в том, что столь многие из-за них страдают. Эти модели, усиленные алгоритмами, захлопывают двери перед носом у миллионов людей, зачастую по ничтожнейшим поводам, и не подразумевают возможности апелляции. Эти модели несправедливы.

И вот еще что можно сказать об алгоритмах: они могут переходить из одной области в другую, и это действительно зачастую происходит. Результаты эпидемиологических исследований могут использоваться для предсказаний кассовых сборов; программы, фильтрующие спам, модифицируются, чтобы идентифицировать ВИЧ.

Все это верно и для ОМП. Так что, если математические модели в тюрьмах продемонстрируют кажущийся успех – что на самом деле означает эффективное вмешательство со стороны человека, – они могут распространиться и на всю экономическую систему, наряду с другими ОМП, превратив нас всех просто в расходный материал.

Именно об этой опасности я говорю, именно эта опасность неумолимо возрастает. И следующую поучительную историю об этом может рассказать нам мир финансов.

Посттравматический синдром: мое путешествие к утрате иллюзий

Представьте, что у вас есть в жизни какой-то заведенный ритуал. Каждое утро, перед тем как сесть на поезд из Джолиета до чикагской станции «Лассаль-стрит», вы скармливаете кофейному автомату на перроне два доллара. Автомат возвращает вам два четвертака плюс стаканчик с кофе. Но однажды он возвращает вам четыре четвертака. И если трижды за следующий месяц тот же автомат выдает такой же результат, значит, налицо некая системная ошибка…

Если бы это была небольшая аномалия на финансовых рынках, а не пригородный поезд, то сотрудник хедж-фонда – кто-то вроде меня – мог бы сосредоточить на ней свое внимание. Он бы прочесал информацию за несколько последних лет или даже десятилетий, а затем разработал алгоритм по предсказанию этой ошибки – отклонению в цене на пятьдесят центов, – чтобы делать на нее ставки. Даже самые незначительные отклонения могут принести миллионы тем первым инвесторам, которые их обнаружат. И эти инвесторы будут и дальше извлекать прибыль, пока не произойдет одно из двух: либо феномен исчезнет, либо его обнаружат все остальные участники рынка – в любом случае приток прибыли прекратится. Но в этот момент хороший сотрудник хедж-фонда уже будет идти по горячим следам десятков других крошечных аномалий.

Поиски того, что специалисты по количественному анализу называют рыночными аномалиями (market inef-ficiency), сродни поиску сокровищ. Это может быть весело. Когда я втянулась в свою работу в фонде D. E. Shaw, мне начало казаться, что после академических кругов это перемена к лучшему. Хоть мне и нравились преподавание в Барнард-колледже и исследования в области алгебраической теории чисел, прогресс там казался мне мучительно медленным. Я хотела быть частью быстро меняющегося реального мира.

В тот момент хедж-фонды казались мне морально нейтральными институциями – мусорщиками финансовой системы в худшем случае. Я гордилась тем, что пошла работать в фонд Шоу, который называли Гарвардом среди хедж-фондов, и могла демонстрировать тамошним коллегам, как мои умные решения конвертируются в реальные деньги. К тому же зарплата там была в три раза больше профессорской. Начиная работать в фонде, я не могла подозревать, что, помимо прочего, это обеспечит мне место в первом ряду зрителей, наблюдающих катастрофический финансовый кризис, а также преподаст устрашающий урок того, какой вероломной и деструктивной может быть математика. В этом хедж-фонде я впервые вблизи увидела работу ОМП.

В самом начале мне нравилось многое. Все в фонде D. E. Shaw было пронизано математикой. Во множестве фирм заправляют трейдеры: именно они заключают большие сделки, выкрикивают заказы и получают многомиллионные бонусы. Аналитики в этих фирмах находятся на вторых ролях. Но у Шоу трейдеры – это немногим больше, чем просто технические сотрудники: они всего лишь исполнители, а балом правят математики. Моя группа из десяти человек называлась «группой фьючерсов» или «группой прогнозов» (futures group). В бизнесе, где все зависит от того, что случится завтра, что может быть более значительным?

Всего у нас было около 50 сотрудников. Сперва – в основном мужчины, за исключением меня. Большинство из них были по происхождению иностранцами. Многие из них пришли из абстрактной математики или физики; некоторые, вроде меня, – из теории чисел. Однако у меня было мало возможностей поговорить с ними о работе. Учитывая то, что наши идеи и алгоритмы были фундаментом бизнеса хедж-фонда, было ясно, что мы являлись потенциальной группой риска: если бы мы вместе вдруг уволились и ушли в какое-то другое место, то смогли бы использовать свои знания для создания мощнейшей конкуренции нашему бывшему месту работы.

Чтобы воспрепятствовать подобному развитию событий в крупном масштабе, Дэвид Шоу по большей части запрещал нам обсуждать с коллегами из других групп – а иногда даже с товарищами по группе – то, чем мы занимаемся. В каком-то смысле каждый квант информации был заперт в одной из сот сетевой структуры – примерно как в «Аль-Каиде». Если бы одна сота исчезла – допустим, кто-то из нас перебежал к конкурентам, например в Bridgewater или J. P. Morgan, а то и основал собственный фонд, – он мог бы унести с собой лишь свои собственные знания, вся остальная часть бизнеса Шоу осталась бы незатронутой. Как вы можете себе представить, на чувстве товарищества эти правила сказывались не самым лучшим образом.

Всех новичков обязывали дежурить каждые 13 недель в группе прогнозов. Дежурный сотрудник должен быть готов решать проблемы, связанные с вычислениями, в любое время, когда открыт один из мировых рынков, – то есть с вечера воскресенья по нью-йоркскому времени, когда оживали азиатские рынки, и до завершающего удара колокола на Нью-Йоркской фондовой бирже в четыре часа дня в пятницу. Недосып был постоянной проблемой. Еще более серьезной проблемой было чувство беспомощности из-за запрета на распространение информации. Допустим, алгоритм не работал так, как положено. Мне нужно было обнаружить проблему, а затем найти ответственного за нее человека в любое время дня и ночи – и попросить его (всегда именно его) исправить ситуацию. Далеко не всегда это была приятная беседа.

А еще периодически возникала паника. В праздники, когда в офисе было очень немного сотрудников, происходили странные вещи. У всех нас было много разных бумаг в наших гигантских портфелях, включая валютные форварды, то есть обещания в течение ближайшей пары дней купить большой объем иностранной валюты. Вместо реальной покупки иностранной валюты, однако, трейдеры каждый день пролонгировали позицию, и обязательство могло быть отложено еще на один день. Таким образом, наша ставка на направление рынка могла быть сохранена, но при этом мы не оказывались с огромными суммами наличности на руках. И вот однажды в рождественские дни я заметила позицию в японских иенах, по которой подходил срок закрытия. Кто-то должен был продлить контракт. Обычно эту работу делал наш коллега в Европе, однако в этот момент он, предположительно, праздновал Рождество с семьей. Я понимала, что, если контракт не продлить, кому-то вот-вот придется предъявить в Токио 50 миллионов иен. Разрешение этой проблемы внесло в мирный семейный праздник несколько безумных часов хаоса.

Все эти сложности можно уложить в категорию производственных рисков. Но настоящей проблемой было неприятное чувство, которое я стала ощущать. Я привыкла к игре в этих океанах валют, бондов и других бумаг, к триллионам долларов, протекающих по международным рынкам. Но в отличие от цифр в моих академических моделях, цифры в моделях, которые мы строили в хедж-фонде, означали конкретные вещи для конкретных людей: пенсионные сбережения и ипотечные кредиты. Когда я оглядываюсь назад, это кажется смехотворно очевидным. И, конечно, я всегда об этом знала. Но я тогда по-настоящему не понимала истинную сущность всех этих монеток по 5, 10 или 25 центов, которые мы отщипывали откуда-то с помощью наших математических орудий. Это были не вдруг обнаруженные сокровища, вроде добытого в золотой шахте самородка или дублонов из трюма давно затонувшего испанского галеона. Это богатство приходило из карманов живых людей. Для хедж-фондов, самых самодовольных игроков на Уолл-стрит, это были «глупые деньги».

Только в 2008 году, когда рынки рухнули, истина открылась мне во всей своей неприглядности. Помимо воровства денег со счетов людей, финансовая индустрия занималась созданием оружия математического поражения, и я принимала в этом определенное участие.

Проблемы на самом деле начались годом раньше. В июле 2007 года ставки кредитования на межбанковском рынке резко взлетели вверх. После прошлой рецессии, которая последовала за 9 сентября 2001 года, низкие процентные ставки разогревали пузырь на рынке недвижимости. Казалось, что любой может взять ипотеку, девелоперы превращали пригороды, пустыни и прерии в огромные стройплощадки, а банки использовали миллионы всевозможных финансовых инструментов, «завязанных» на золотую жилу в строительстве.

Однако повышение ставки межбанковских кредитов сигнализировало о проблемах. Банки теряли доверие друг к другу в вопросе возврата суточных кредитов. Они постепенно осознавали, какой опасный мусор хранят в своих портфелях, – и разумно предполагали, что другие банки рискуют точно так же, если не сильнее. Сейчас можно сказать, что резкий подъем ставок кредитования был на самом деле признаком возвращения здравого смысла, однако произошло это слишком поздно.

В фонде Шоу все эти волнения тоже слегка снижали оптимистический настрой. Многие компании должны были оказаться в сложном положении – это было очевидно. Индустрию ждал удар, возможно очень серьезный. И все-таки это могло оказаться не нашей проблемой. Мы ведь не ныряли с головой в рискованные рынки. В конце концов, сам термин «хедж-фонд» происходит от слова hedge – преграда, защита. Хедж-фонды по природе своей защищены. Поначалу мы называли волатильность на рынках «заварушкой». Фонду Дэвида Шоу эта заварушка могла причинить определенный дискомфорт, возможно, даже послужить причиной пары неловких моментов – когда, например, кредитку богатого человека вдруг не принимают в дорогом ресторане. Но были хорошие шансы, что мы окажемся в безопасности.

В конце концов, хедж-фонды не создавали эти рынки, а только играли рядом с ними. Это означало, что при крушении рынка из развалин можно было бы извлечь массу богатых возможностей. Игра для хедж-фондов заключалась не в том, чтобы поднимать рынки, а в том, чтобы предсказывать в них тенденции. Движение вниз могло быть столь же выгодным.

Чтобы понять, как хедж-фонды действуют в кулуарах, представьте себе игру бейсбольной Мировой серии на чикагском стадионе «Ригли-филд». С драматическим хоум-раном в конце девятого иннинга «Кабс» выигрывают свой первый чемпионат с 1908 года – с того времени, когда президентом был Тедди Рузвельт. Стадион взрывается от восторга. И только один ряд фанатов остается на своих местах, тихо анализируя результат. Эти азартные игроки не делают традиционные ставки на победителя. Вместо этого они могут поставить на то, что реливеры «Янки» пожертвуют больше уоков, чем страйк-аутов, что в игре будет как минимум один бант, но не больше двух, или что стартер «Кабс» продержится как минимум шесть иннингов. Они даже ставят на то, выиграют или проиграют другие игроки свои ставки. Эти люди ставят на многие факторы, связанные с игрой, но не на сам результат игры. Именно так ведут себя хедж-фонды.

Благодаря этому подходу мы чувствовали себя в безопасности – по крайней мере, в относительной безопасности. Я помню грандиозное событие, когда мы торжественно встречали архитекторов здания, которое вот-вот должно было рухнуть. Фирма приветствовала Алана Гринспена, бывшего председателя Федеральной резервной системы, и Роберта Рубина, бывшего министра финансов и председателя Goldman Sachs. Рубин в 1999 году настоял на пересмотре закона Гласса – Стиголла, принятого еще в эпоху Великой депрессии. Отмена закона, запрещавшего банкам заниматься инвестиционной деятельностью, запустила в течение последующего десятилетия настоящую оргию спекуляций. Банки и раньше могли генерировать кредиты (многие из которых были ничем не обеспечены) и предлагать их клиентам в форме ценных бумаг. Это не было чем-то необычным и могло рассматриваться как одна из банковских услуг. Однако теперь, когда закон Гласса – Стиголла был отменен, банки могли – и иногда пользовались этой возможностью – играть против тех самых ценных бумаг, которые продавали своим клиентам. Это создавало огромные риски – и бесконечный инвестиционный потенциал для хедж-фондов. В конце концов, мы ставили на движение рынка, вверх или вниз, и движения эти порой были весьма бурными.

На приеме в фонде Шоу Гринспен предупредил нас о надвигающихся проблемах с ипотечными ценными бумагами. Это воспоминание преследовало меня, когда я осознала через пару лет, что Рубин, который в то время работал в Citigroup, играл решающую роль в комплектации огромного портфеля этих самых токсичных контрактов, что и послужило основной причиной, по которой Citigroup позже пришлось предоставить финансовую помощь от государства – то есть за счет налогоплательщиков.

Рядом с этими двумя сидел протеже Рубина и наш временный партнер Ларри Саммерс. Он вслед за Рубином пришел работать в Министерство финансов, а затем стал президентом Гарвардского университета. Однако Саммерс не смог наладить отношения с преподавательским составом. Отчасти профессора ополчились на Саммерса после его заявления, что малое число женщин-ученых в математике и других точных науках – это, возможно, следствие генетической неполноценности, или, как он сформулировал, «неравного распределения врожденных способностей».

После того как Саммерс ушел с поста президента Гарварда, он оказался в фонде Шоу. И я помню момент, когда наш основатель Дэвид Шоу обратился к этой престижной троице и пошутил, что перемещение Саммерса из Гарварда в D. E. Shaw можно считать «продвижением по карьерной лестнице». Потому что рынки могут бурлить, но фонд Шоу все равно остается на вершине мира.

Однако по мере углубления кризиса партнеры D. E. Shaw слегка растеряли свою самоуверенность. В конце концов проблемные рынки оказались взаимосвязанными. Например, уже циркулировали слухи об уязвимости банка Lehman Brothers, который владел 20 % фонда D. E. Shaw и осуществлял многие из наших трансакций. Чем больше раскачивались рынки, тем менее спокойной становилась обстановка в офисе фонда. Мы могли анализировать и производить расчеты самым лучшим образом, но что, если устрашающее завтра не будет похоже ни на один из вчерашних дней? Что, если это завтра принесет что-то совершенно новое и иное?

Это не могло не беспокоить, потому что математические модели, по сути своей, основаны на прошлом опыте – и на предположении, что паттерны будут повторяться. Но прошло совсем немного времени, и группа фондовых акций ликвидировала свои активы – и весьма высокой ценой. Затем прекратился активный набор на работу новых аналитиков (в результате которого я когда-то оказалась в этой фирме). Хотя люди еще пытались подшучивать над этой новой атмосферой, чувство страха неуклонно нарастало. Всеобщее внимание было сосредоточено на секьюритизированных продуктах, особенно на ценных бумагах с ипотечным покрытием, о которых нас предупреждал Гринспен.

В течение десятилетий ипотечные ценные бумаги были символом отсутствия риска. Они были скучными финансовыми инструментами, которые как отдельные люди, так и инвестиционные фонды использовали, чтобы разнообразить собственные портфели (идея заключалась в том, что разнообразие инструментов может нейтрализовать риски). В каждом ипотечном кредите есть потенциал дефолта: владелец дома может объявить о банкротстве, и это значит, что банк не вернет себе выданные в кредит средства. На другом конце шкалы находится ситуация, когда заемщик выплачивает ипотеку раньше положенного, обрывая тем самым череду платежей с процентами.

И вот в 1980-е годы инвестиционные банкиры начали скупать тысячи ипотечных кредитов и объединять их в ценные бумаги – некоего рода гарантию, то есть инструмент, который выплачивает регулярные дивиденды, зачастую раз в квартал. Некоторые из владельцев домов, конечно, обанкротятся, зато остальные удержатся на плаву и будут продолжать выплачивать свои ипотеки, организуя постоянный и предсказуемый денежный поток. Со временем это превратилось в целую индустрию – столп, на котором держались рынки долгосрочных капиталов. Эксперты группировали ипотеки по разным классам или траншам. Некоторые считались абсолютно надежными. Другие были более рискованными – и имели более высокий процент. У инвесторов были все причины для уверенности, поскольку агентства, оценивающие кредитные риски, такие как Standard & Poor’s, Moody’s и Fitch, изучали также и эти ценные бумаги и классифицировали их по рискованности. Они считали такие бумаги разумными инвестициями.

Однако вспомним о непрозрачности. Инвестор не знает о качестве ипотеки в ценных бумагах. Единственный взгляд, который был ему доступен, был взглядом на рейтинг, составленный аналитиком. А этот аналитик получал деньги от тех самых компаний, чьи продукты он оценивал. Нет нужды говорить, что ипотечные ценные бумаги оказались идеальной платформой для мошенничества.

Если хотите метафору, то вот вам одна из наиболее распространенных: это сосиска. Представьте себе, что ипотечные кредиты – это кусочки мяса разного качества, а ипотечные ценные бумаги – связки сосисок, изготовленных из соединения всех этих кусочков и добавления сильно пахнущих специй. Конечно, сосиски могут отличаться по качеству – и нам сложно определить по их внешнему виду, что у них внутри, но штамп Министерства сельского хозяйства, подтверждающий, что их можно есть, развеивает наши тревоги.

Как узнал весь мир чуть позже, ипотечные компании получали огромную прибыль во время ипотечного бума, одалживая людям деньги на дома, которые те не могли себе позволить. Стратегия заемщиков была простой: оформить заведомо непосильную ипотеку, а затем продать получившуюся ценную бумагу – сосиску – на бурно растущем рынке ипотечных бумаг. В одном особенно вопиющем случае сборщик клубники по имени Альберто Рамирес, получавший всего 14 тысяч долларов в год, умудрился взять в ипотеку дом за 720 тысяч в Ранчо-Гранде, Калифорния. Разумеется, брокер Рамиреса уверил клиента, что тот сможет перекредитоваться через несколько месяцев, а затем обменять дом на более дешевый и вдобавок еще получить чистую выгоду. Несколько месяцев спустя Рамиресу пришлось объявить дефолт по кредиту.

Накануне коллапса жилищного рынка ипотечные банки не только предлагали сделки с непосильными условиями, но и охотились за потенциальными жертвами в кварталах бедноты и этнических меньшинств. В одном федеральном иске представители муниципальных властей Балтимора обвинили банк Wells Fargo в «обработке» черных кварталов с целью выдачи так называемых «кредитов гетто». Как показала в суде бывший кредитный специалист этого банка Бет Джекобсон, работа отделения новых рынков была сосредоточена на афроамериканских церковных приходах. Идея заключалась в том, что пасторы, вызывающие доверие у прихожан, могут «раскрутить» свою паству на ипотеку. Ипотека неизменно оказывалась высокорискованной, с самым большим процентом, причем банк оформлял сделки на таких условиях даже с абсолютно надежными клиентами, с которыми вполне можно было бы заключать договор на гораздо более щадящих условиях. К 2009 году, когда город Балтимор подал иск, более половины жилой недвижимости, приобретенной по ипотеке Well Fargo, было уже отобрано у клиентов, и 71 % отчужденной площади находился в афроамериканских кварталах. (В 2012 году Wells Fargo урегулировал дело, согласившись выплатить 175 миллионов долларов 31 000 своих жертв по всей стране.)

Чтобы сразу прояснить суть дела: высокорискованные ипотечные кредиты, количество которых резко возросло во время жилищного бума, – выдавались ли они сборщикам клубники в Калифорнии или нуждающимся прихожанам «черных» церквей Балтимора, – не представляли собой оружия математического поражения. Они были финансовыми инструментами, а не моделями, и имели мало общего с математикой (более того, брокеры очень сильно старались игнорировать неудобные цифры).

Но когда банки начали распределять ипотечные кредиты вроде того, что был выдан Альберто Рамиресу, по классам ценных бумаг и продавать их, они опирались именно на ущербные математические модели. Модель расчета риска, подключенная к ипотечным ценным бумагам, была типичным ОМП. Банки осознавали, что некоторые из этих ипотечных кредитов не будут выплачены. Но они основывались на двух ложных допущениях, которые поддерживали их уверенность в системе.

Первым ложным допущением было то, что крутые математики во всех этих компаниях делают точные расчеты и очень аккуратно уравновешивают риски. Ценные бумаги рекламировались как продукты, риски которых были оценены специалистами с использованием новейших алгоритмов. К сожалению, это не соответствовало действительности. Как и со многими ОМП, математика выступала в качестве дымовой завесы и была направлена против потребителя. Ее целью было оптимизировать краткосрочную выгоду для продавцов. А эти продавцы рассчитывали на то, что успеют выпустить ценные бумаги до того, как они рухнут. Умные при этом должны были выиграть. А более глупые – те, кто предоставляет свои «глупые деньги», – в итоге окажутся держателями миллиардов (и триллионов) долговых расписок, по которым никто не станет расплачиваться. Даже самые скрупулезные математики – а такие были – работали с цифрами, которые им предоставили дельцы, осуществлявшие крупномасштабную аферу. Очень немногие располагали опытом и информацией, которые требуются для того, чтобы понимать, что происходит с точки зрения статистики, а большинству из тех, кто все-таки понимал, не хватало решительности, чтобы заявить об этом вслух. Рейтинги риска, присвоенные ценным бумагам, были разработаны как непрозрачные и математически устрашающие, отчасти для того, чтобы покупатели не осознавали настоящей степени риска, связанного с контрактами, которые они покупали.

Вторым ложным допущением оказалось то, что много людей сразу не могут одновременно отказаться от выплаты по своим долговым обязательствам. Это допущение было основано на теории, вскоре опровергнутой, что дефолты – события по большей части случайные и не связанные друг с другом. Из этого следовало, что многочисленные нормально выплачиваемые ипотечные кредиты перекроют ущерб от дефолта нескольких неудачников в каждой категории заемщиков. Модели расчета риска были построены на допущении, что будущее не будет отличаться от прошлого.

Чтобы продать эти ипотечные облигации, банкам нужны были рейтинги ААА. Для этого они обращались к трем агентствам кредитной классификации. По мере расширения рынка присвоение рейтинга растущему миллиардному рынку в кредитных облигациях стало для агентств большим бизнесом, приносящим прибыльные гонорары. У них образовалась зависимость от этих гонораров. И они прекрасно понимали, что, если будут присваивать рейтинги ниже ААА, банки обратятся к их конкурентам. Поэтому агентства поддерживали игру. Их гораздо больше беспокоила удовлетворенность клиента, чем точность их собственных моделей. Эти модели риска также создали свои собственные губительные петли обратной связи. Рейтинги ААА, присваиваемые дефектным продуктам, превращались в доллары. Доллары, в свою очередь, формировали уверенность в хорошем качестве продукта и в честности процесса (на самом деле обманного и жульнического), который производил этот продукт. В результате бизнес держался на цикле взаимных поглаживаний и обоюдного наполнения карманов – пока пузырь не взорвался.

Из всех качеств ОМП именно его масштаб превратил эти модели риска в чудовищную силу глобального размаха. Конечно, бродячие продавцы чудодейственных средств от всех болезней – явление старое как мир, и пузыри на рынке недвижимости, оставлявшие незадачливого покупателя на краю болота, купленного им в качестве участка земли, и с пачкой бесполезных бумажек в руках, не раз надувались и в прошлом. Но на этот раз современные вычислительные мощности разогрели аферу до масштабов, ранее просто невиданных. Ущерб был усугублен крушением и других инструментов, которыми оброс рынок ипотечных ценных бумаг: кредитными дефолтными свопами и синтетическими обеспеченными долговыми обязательствами (CDO).

Кредитные дефолтные свопы были небольшими страховыми полисами, которые переносили риск на облигацию. Свопы давали как банкам, так и хедж-фондам чувство безопасности, так как имелось в виду, что эти бумаги можно использовать для балансирования рисков. Но в случае, если финансовые организации – держатели этих страховых полисов вдруг терпят крах (а со многими именно так и случилось), то начинается цепная реакция, которая пробивает бреши во всей мировой экономике. Синтетические CDO были еще одним шагом вперед: ценность этих контрактов зависела от качества свопов кредитного дефолта и ипотечных ценных бумаг. Они позволяли проектировщикам новых финансовых инструментов еще сильнее поднять ставки.

Общая стоимость высокорискованных ипотечных кредитов на перегретом (и затем рухнувшем) рынке к 2007 году достигала трех триллионов долларов, а рынок инструментов, связанных с этими кредитами, – все эти кредитные дефолтные свопы и синтетические CDO, еще больше увеличивавшие риски, – был еще в двадцать раз больше. Ни одна национальная экономика в мире не могла бы с этим сравниться.

Парадоксальным образом мощные по замыслу алгоритмы, создавшие рынок, – те самые, которые анализировали риск для разных категорий заемщиков и затем отражали этот риск в конкретных ценных бумагах, – оказались бесполезными, когда пришло время наводить порядок и подсчитывать истинную ценность всех этих бумаг. Математика может умножать бредовые данные, но не может их расшифровать. Это работа для людей. Только люди могут перебрать ипотечные контракты, отложить в отдельную стопку лживые обещания и благие намерения и придать кредитам реальную долларовую ценность. Это был очень трудоемкий процесс, потому что люди, в отличие от ОМП, не могут экспоненциально увеличивать масштабы своей работы; кроме того, для большей части финансовой индустрии эта работа имела низкий приоритет. В процессе этой длительной детоксикации стоимость долга – и домов, к которым этот долг был привязан, – конечно же, постоянно падала. А когда случился экономический крах, даже те владельцы домов, которые в свое время вполне могли позволить себе ипотеку, тоже внезапно оказались перед угрозой дефолта.

Как я уже упомянула, фонд D. E. Shaw находился в одном-двух шагах в стороне от рыночного коллапса. Но когда другие игроки стали уходить под воду, они начали с бешеной скоростью аннулировать свои сделки, а эти сделки затрагивали и наши контракты. В результате этого эффекта домино мы в начале второго полугодия 2008 года уже теряли деньги направо и налево.

В течение следующих месяцев катастрофа наконец разразилась в полную силу. Именно в этот момент все наконец увидели людей по ту сторону алгоритмов. Это были отчаявшиеся домовладельцы, которые теряли свою недвижимость, а также миллионы американцев, теряющих свои рабочие места. Дефолты по кредитным картам достигли рекордных показателей. Человеческие страдания, которые раньше прятались за цифрами, таблицами и уровнем риска, стали видны воочию.

Разговоры в D. E. Shaw стали крайне нервными. После падения банка Lehman Brothers в 2008 году финансисты начали обсуждать политические последствия. Похоже было, что Барак Обама выиграет выборы 2008 года. Начнет ли он бомбардировать индустрию новыми регулирующими правилами? Поднимет налоги на валовую прибыль? Эти люди не теряли дома и не выкачивали до дна кредиты по своим картам, лишь бы остаться на плаву. Но им тоже было о чем беспокоиться. Единственной возможностью было переждать обвал, позволить лоббистам делать их работу и посмотреть, не удастся ли в конце концов продолжать работу в том же духе, что и дальше.

К 2009 году стало понятно, что уроки рыночного коллапса не указали миру финансов никаких новых путей и не привили новых ценностей. Лоббисты по большей части одержали успех, и игра осталась прежней: выуживание «глупых денег». За исключением некоторых правительственных ограничений, добавивших новые полосы препятствий, которые предстояло преодолеть, жизнь в общем и целом продолжалась.

Но меня вся эта драма очень быстро подтолкнула в сторону утраты иллюзий. Особенно я была разочарована той ролью, которая сыграла в этих событиях математика. Мне пришлось столкнуться лицом к лицу с неприглядной правдой: люди сознательно создавали формулы, чтобы произвести впечатление, вместо того чтобы прояснить ситуацию. Я впервые напрямую столкнулась с этой токсичной концепцией, и в результате мне захотелось сбежать, вернуться в прошлое – к миру доказательств и кубиков Рубика.

И я уволилась из хедж-фонда в 2009 году с намерением работать над обезвреживанием финансового оружия массового поражения. Новые правительственные правила предписывали банкам привлекать независимых экспертов для анализа рисков. Я устроилась на работу в одну из компаний, которая предоставляла банкам таких специалистов: компания RiskMetrics Group располагалась в одном квартале к северу от Уолл-стрит. Наш продукт представлял собой россыпь цифр, которые складывались в предсказание того, как будет вести себя определенный пакет ценных бумаг или вид биржевых в течение следующей недели, следующего года или следующих пяти лет. Когда все ставят на любое движение на рынке, подобные умные расчеты риска идут на вес золота.

Чтобы просчитать степень риска, наша команда применяла метод Монте-Карло. Вообразите, что вы крутанули колесо рулетки в казино десять тысяч раз и каждый раз тщательно записали результаты. При использовании метода Монте-Карло вы обычно начинаете с истории рынка и прогоняете тысячи тестовых сценариев. Как изучаемый вами портфель ценных бумаг вел себя на рынке каждый день начиная с 2010 года? А с 2005-го? Устоит ли он в самые тяжелые дни краха? С какой вероятностью для него возникнет смертельная опасность в течение следующего года или двух? Чтобы рассчитать эти вероятности, ученые прогоняют тысячи тысяч моделей. У этого метода много недостатков, но он представляет собой простой способ хоть как-то управлять своими рисками.

Моя работа заключалась в том, что я была посредником между нашими риск-менеджерами и самыми большими и придирчивыми знатоками рисков – квантитативными хедж-фондами. Я связывалась с фондами или они связывались со мной, и мы обсуждали любые вопросы, которые у них возникали по поводу чисел. Однако чаще всего они информировали меня только тогда, когда мы совершали ошибки. Дело в том, что хедж-фонды всегда считали себя умнейшими из умных, и учитывая то, что правильное понимание риска – основа их существования, они никогда не стали бы полностью полагаться на сторонние организации вроде нашей. У них были собственные группы, занимавшиеся подсчетами риска, и наши продукты они покупали в основном для того, чтобы хорошо выглядеть в глазах инвесторов.

Кроме этого, я отвечала на вопросы по горячей линии, иногда – от представителей больших банков. Им очень хотелось поправить свой пошатнувшийся имидж и выглядеть ответственными; именно поэтому они и обращались к нам. Но, в отличие от хедж-фондов, они мало интересовались самим нашим анализом. Риск в их портфелях был фактором, который они практически игнорировали. В течение моей работы на горячей линии у меня сложилось чувство, что люди, предупреждающие о риске, воспринимались ими как назойливые надоедалы или, еще того пуще, как угроза банковской безопасности. Это восприятие не изменилось даже после катаклизмов 2008 года – и было несложно понять почему. Если уж они выжили в такой катастрофе – потому что были слишком большими, чтобы рухнуть[3], – какой им был смысл волноваться из-за рисков после этого?

Отказ признавать наличие риска – давняя традиция в мире финансов. Культуру Уолл-стрит определяют ее трейдеры, а риски – это то, что они постоянно недооценивают. Это результат того, что мы оцениваем профессионализм трейдера по его «коэффициенту Шарпа»: он рассчитывается как отношение прибыли, которую приносит трейдер, к стандартному (среднеквадратичному) отклонению для его портфеля[4]. Этот коэффициент критически важен для карьеры трейдера, его ежегодного бонуса, его самооценки. Если мы лишим этих трейдеров их физических тел и начнем воспринимать их исключительно как набор алгоритмов, эти алгоритмы будут постоянно сосредоточены на оптимизации коэффициента Шарпа. В идеале он будет расти – или, по крайней мере, не падать слишком низко. Поэтому, если один из отчетов по рискованности свопов кредитного дефолта поднимет степень риска одного из ключевых вкладов трейдера, его коэффициент Шарпа упадет. Это может стоить ему сотен тысяч долларов, когда дело дойдет до расчета его ежегодного бонуса.

Очень быстро я осознала, что занимаюсь просто штамповкой привычных решений. В 2011 году настало время снова сменить работу – и я увидела, что рынок для математиков вроде меня стремительно расширяется. В то время мне было достаточно напечатать два слова в моем резюме – и я уже была провозглашена новым специалистом по обработке информации, готовым погрузиться в мир онлайн-экономики. В результате я оказалась в нью-йоркском стартапе под названием Intent Media.

Начала я с разработки моделей, которые предсказывали поведение посетителей сайтов, посвященных путешествиям. Ключевой вопрос заключался в том, с какой целью кто-то заходит на сайт Expedia: просто посмотреть на картинки или собирается в самом деле потратить деньги? Те, кто не собирался ничего покупать, мало что значили в качестве потенциального источника дохода. Поэтому таким пользователям мы показывали рекламу фирм-конкурентов – Travelocity или Orbitz. Если посетитель кликал по рекламе, это приносило нам несколько центов – лучше, чем ничего. Однако мы не собирались показывать эти объявления серьезным покупателям. В худшем случае мы получали десяток центов дохода за размещение рекламы – и посылали при этом потенциальных клиентов к конкурентам, где они могли оставить тысячи долларов за гостиничные номера в Лондоне и Токио. Понадобились бы тысячи просмотров рекламных объявлений, чтобы возместить хотя бы несколько сотен долларов из упущенной прибыли от этих клиентов. Поэтому было крайне важно удержать их на нашем сайте.

Моей задачей была разработка алгоритма, который мог бы отличить созерцателя витрин от покупателя. Ориентироваться при этом можно было на несколько очевидных сигналов. Зарегистрировался ли человек на сайте? Совершал ли он уже покупки? Я также обращала внимание и на другие факторы, например на время дня и дату. Определенные недели были особенно урожайными. Например, один из пиков приходился на День поминовения в середине весны, когда огромное количество людей практически одновременно определялись со своими планами на лето. Мой алгоритм придавал больше ценности покупателям в течение подобных периодов: в это время повышалась вероятность, что они действительно что-то купят.

Принципы работы статистики, как выяснилось, было очень легко перенести из хедж-фондов в онлайн-коммерцию: самой большой разницей было то, что вместо движений в рынке я теперь предсказывала клики конкретных людей.

На самом деле я увидела огромное количество параллелей между финансами и Большими данными. Обе индустрии черпают работников из одного и того же кадрового резерва: в основном из элитных университетов, таких как Массачусетский технологический институт (MIT), Принстон или Стэнфорд. Эти новые работники отчаянно стремятся к успеху и всю жизнь сосредоточены на внешних количественных показателях, таких как результаты SAT[5] (академических оценочных тестов) и поступление в колледжи. В области как финансов, так и технологий они получают один и тот же месседж: они разбогатеют и будут править миром. Их продуктивность демонстрирует, что они на правильном пути, и это конвертируется в долларовый эквивалент. Успех приводит к ложному выводу: все, что они делают, чтобы заработать больше денег, – это хорошо. Они таким образом «создают добавленную ценность». Иначе за что бы их вознаграждал рынок?

В обеих культурах богатство больше не представляет собой средство выживания. Оно напрямую привязывается к ценности отдельно взятой личности. Молодой обитатель пригорода, обладающий массой преимуществ (образование в частной школе, усиленная подготовка к вступительным экзаменам в колледж, семестр за границей – в Париже или Шанхае), все равно тешит себя иллюзией, что в мир привилегий он попал благодаря собственным талантам, усиленной работе и выдающимся способностям в области решения проблем. Деньги уничтожают любые сомнения. А другие члены его круга подыгрывают ему, создавая сообщество взаимного восхищения. Они с радостью доказывают нам, что представляют собой продукты работы дарвиновского естественного отбора, тогда как со стороны это выглядит как комбинация слепой удачи и выигрыша у системы.

В обеих индустриях реальный мир со всеми его проблемами воспринимается с большой дистанции. Работающие в них люди стремятся подменить людей наборами данных, превратить их в более эффективных покупателей, избирателей или работников, чтобы оптимизировать какую-нибудь цель. Это совсем легко сделать и оправдать, когда успех приходит в виде безличного результата и когда задействованные люди остаются такими же абстракциями, как цифры на экране.

Параллельно с работой в области обработки данных я уже вела свой блог – и все больше была вовлечена в движение «Захвати Уолл-стрит». Все больше и больше меня беспокоило отчуждение технических моделей от реальных людей – и моральные последствия этого отчуждения. На самом деле я видела появление того же механизма, который я наблюдала в мире финансов: ложное чувство безопасности, которое вело к распространению далеких от совершенства моделей, определения успеха, которые служили оправданиями самим себе, и растущие петли обратной связи. Людей, которые пытались противодействовать этим процессам, обзывали ностальгирующими луддитами.

Я гадала, какой аналог кредитного кризиса мог бы случиться в области Больших данных: пока что вместо бума я наблюдала эволюционирующую антиутопию со все увеличивающимся неравенством. Алгоритмы позаботятся о том, чтобы те, кого они объявили неудачниками, неудачниками и остались. Счастливое меньшинство станет еще больше контролировать экономику данных, купаясь в возмутительной роскоши и убеждая себя в том, что оно ее заслуживает.

Проработав два года в области Больших данных и многому научившись, я поняла, что мой путь к окончательной утрате иллюзий более или менее завершился: злоупотребление математикой приобретает все более впечатляющие масштабы. Несмотря на ежедневное ведение блога, я почти перестала успевать отслеживать все способы манипуляции, контроля и запугивания людей алгоритмами. Это началось с учителей, пострадавших от ярма модели подсчета качества их работы, но ими не закончилось. Чувствуя все растущую тревогу, я ушла с работы, чтобы сосредоточить все усилия на исследовании этой проблемы.

Гонка вооружений: поступление в колледж

Если вы сядете поужинать с друзьями где-нибудь в Сан-Франциско или Портленде, то, скорее всего, обнаружите, что никто из вас не хочет попробовать то, что заказал другой. Никто не ест одно и то же, все придерживаются разных диет – от веганской до разных вариантов палеодиеты, причем свято их соблюдают как минимум месяц или два. А теперь представьте себе, если одна из таких диет – допустим, та же диета пещерного человека – стала национальным стандартом и 330 миллионов людей обязаны соблюдать ее требования.

Эффект будет разрушительным. Для начала единая национальная диета просто уничтожит экономику сельского хозяйства. Спрос на официально одобренные сорта мяса и сыра (а затем и цены на них) взлетит до небес. В то же время отрасли, занимающиеся выращиванием продуктов, которые отвергнуты диетой, например сои и картофеля, будут разорены. Разнообразие практически исчезнет. Пострадавшие фермеры пустят ненужные больше площади зерновых на разведение коров и свиней, даже если почва для этого не подходит. Увеличившееся поголовье скота будет потреблять огромное количество воды. И, наконец, нет нужды говорить о том, что единая диета превратит многих из нас в совершенно несчастных людей.

Что общего у единой национальной диеты с ОМП? Масштаб. Любая формула – идет ли речь о диете или об индивидуальном номере налогоплательщика – в теории может быть совершенно невинной. Но когда она превращается в национальный или международный стандарт, она создает свою собственную деформированную и искривленную экономику. Именно это и случилось с высшим образованием.

Начался этот процесс в 1983 году. Пытаясь выжить, журнал U. S. News & World Report задумал амбициозный проект. Было объявлено, что журнал проведет оценку 1800 колледжей и университетов по всей стране и расположит их в рейтинге по качеству образования. Этот рейтинг стал бы полезным инструментом, который мог бы помочь миллионам молодых людей правильно сделать первый большой выбор в их жизни. Для многих из этих молодых людей он стал бы указанием на начало карьерного пути, дал бы им новых друзей, а может быть, и спутника жизни. Более того, редакторы надеялись, что рейтинг колледжей может стать новостной сенсацией. Возможно, тираж U. S. News даже сравнится на какое-то время с его соперниками-гигантами – Times и Newsweek.

Но на основе какой информации строить такой рейтинг? В самом начале журналисты основывали свои расчеты исключительно на результатах опросных листов, которые рассылались президентам университетов. В результате лучшим национальным университетом был назван Стэнфорд, а лучшим гуманитарным вузом – Амхерстский колледж. Рейтинги пользовались большой популярностью у читателей, однако многие администраторы колледжей были просто в бешенстве. Журнал был завален жалобами на то, что рейтинг несправедлив. Многие президенты колледжей, студенты и выпускники настаивали на том, что их вуз заслуживает более высокой оценки. Все, что оставалось журналистам, – это обратиться к фактам.

В последующие годы редакторы U. S. News снова и снова пытались понять, что тут вообще можно измерить и оценить. Именно так начинаются многие модели – с серии догадок. Процесс этот нельзя назвать научным, и к статистическому анализу он имеет весьма отдаленное отношение. Люди просто думали над тем, что важнее всего в образовании, затем выясняли, какие переменные им стоит принимать во внимание, и, наконец, решали, какой вес придать каждой из этих величин в формуле.

В большинстве дисциплин анализ, загружаемый в модель, требует гораздо большей тщательности. В агрономии, например, исследователи должны сравнить вводные параметры (почву, солнечный свет, удобрения) и параметры, получившиеся на выходе, то есть определенные свойства урожая. Затем они могут экспериментировать и оптимизировать результаты, исходя из целевого параметра, будь то цена, вкус или питательная ценность. Это не значит, что агрономы не могут создать оружия математического поражения – очень даже могут и иногда создают (особенно если отказываются принимать во внимание долгосрочные и разнообразные последствия применения пестицидов). Однако из-за того, что их модели по большей части четко нацелены на чистый результат, они идеальны для научных экспериментов.

Журналисты U. S. News, однако, имели дело с «качеством образования» – гораздо менее четкой величиной, чем цена кукурузы или количество миллиграммов белка в каждом зернышке. У них не было четких параметров, по которым можно было бы оценить, какое воздействие четырехлетнее обучение оказывает на одного студента, не говоря уже о миллионах студентов. Они не могли измерить количество усвоенного материала, счастье, уверенность в своих силах, дружбу и другие аспекты студенческого четырехлетнего опыта. Идеальная цель высшего образования, сформулированная президентом США Линдоном Джонсоном, – «углубление личной самореализации, усиление личной продуктивности и повышение личной самооценки» – не укладывалась в их модель.

Вместо этого они выбрали прокси, которые, как им казалось, коррелировали с успехом. Они посмотрели на результаты SAT, на соотношение студентов и преподавателей и на процент зачисления абитуриентов. Они проанализировали процент первокурсников, которые доучились до второго курса, а также процент выпускников. Они подсчитали процент выпускников, которые жертвовали деньги альма-матер, рассудив, что, раз у них возникло желание поддержать вуз, значит, им, скорее всего, понравилось там учиться. Три четверти ранжирования должно было производиться алгоритмом – то есть мнением, формализованным в коде, – в который были включены все эти прокси. Оставшаяся четверть рейтинга формировалась с учетом субъективных мнений официальных представителей колледжей по всей стране.

Первый рейтинг, основанный на вычислении данных, был опубликован в U. S. News в 1988 году, и его результаты казались вполне разумными. Однако, когда рейтинг вырос до статуса национального стандарта, материализовалась зловещая петля обратной связи. Проблема заключается в том, что рейтинги подпитывают сами себя. Если колледж однажды получил низкую оценку в U. S. News, то его репутация сразу была слегка подмочена, а это тут же сказывалось на условиях обучения в нем. Лучшие студенты и лучшие преподаватели начинали его избегать. Выпускники возмущались и переставали жертвовать деньги. Рейтинг снижался еще сильнее. Короче говоря, рейтинг становился судьбой.

В прошлом администраторы колледжей располагали самыми разными способами добиться успеха, и многие из них были основаны на личностном факторе. Студенты восхищались определенными профессорами. Некоторые выпускники делали выдающиеся карьеры в качестве дипломатов или предпринимателей. Другие публиковали романы, которые получали престижные награды. Слава передавалась из уст в уста, и все способствовало повышению репутации колледжа. Но в самом ли деле Макалестер лучше Рида?[6] Правда ли Айова лучше Иллинойса?[7] Сложно сказать. Колледжи – это как разные типы музыки или как разные диеты. Всегда найдется место для противоположных точек зрения – как и хорошие аргументы в защиту каждой из них. Теперь же огромную репутационную экосистему колледжей и университетов накрыла своей тенью одна-единственная колонка цифр.

Если вы посмотрите на эту ситуацию с точки зрения президента какого-нибудь университета, она будет выглядеть очень печально. Большинство этих людей, без сомнения, дорожат своим университетским опытом – это одна из причин, мотивировавших их взобраться по лестнице академической карьеры. В то же время, оказавшись на вершине этой карьеры, они вынуждены тратить огромную энергию на улучшение показателей по пятнадцати параметрам, которые определила для них шайка журналистов из какого-то второсортного издания. Они снова оказались чуть ли не на студенческой скамье – им снова нужно получить хорошие оценки от тех, кто выдает им задания. На самом деле они оказались в ловушке жесткой модели, в ловушке ОМП.

Если бы рейтинг U. S. News не пользовался таким успехом, он был бы не так страшен. Однако он превратился в титана и очень быстро провозгласил себя национальным стандартом. С тех самых пор рейтинг начал вязать узлы из нашей образовательной системы, установив очень жесткий список того, что необходимо делать – как администрациям колледжей, так и студентам. Рейтинг U. S. News обладает огромным масштабом, широко распространяет ущерб и порождает бесконечную спираль деструктивных петель обратной связи. И пусть он не столь непрозрачен, как многие другие подобные модели, он все равно представляет собой стопроцентное оружие математического поражения.

Некоторые администраторы шли на самые отчаянные меры, чтобы продвинуться в рейтинге вверх. Бэйлорский университет, например, заплатил за то, чтобы принятые в него студенты заново сдали SAT, надеясь, что еще одна попытка улучшит их результат – а заодно и рейтинг университета. Элитарные частные учебные заведения вроде Бакнеллского университета в Пенсильвании или университета Клермонт Маккенна в Калифорнии отослали фальшивые результаты в U. S. News, завысив результаты SAT своих абитуриентов. А в нью-йоркском Айона-колледже признались в 2011 году, что подделывали сведения практически по всем параметрам: результаты тестов, коэффициенты поступления и выпуска, количество поступивших, перешедших на второй курс, соотношение студентов и преподавательского состава и даже суммы пожертвований выпускников. Ложь помогла – по крайней мере, на какое-то время. В U. S. News подсчитали, что ложные данные подняли Айона-колледж с 50-го на 30-е место среди региональных колледжей северо-востока США.

Впрочем, абсолютное большинство администраторов колледжей не стали прибегать к столь вопиющим способам повышения своего рейтинга. Вместо обмана они изо всех сил работали над тем, чтобы улучшить каждый из показателей, включенных в рейтинг. Они могли бы сказать, что это самое эффективное использование их ресурсов. В конце концов, если их работа удовлетворит алгоритм U. S. News, значит, они соберут больше денег, привлекут более ярких студентов и преподавателей, продолжат путь к верхним строчкам списка. Разве у них есть иной выбор?

Роберт Морс, работающий в журнале с 1976 года и отвечающий за рейтинг колледжей, постоянно указывает в интервью, что рейтинг заставляет колледжи ставить перед собой осмысленные цели. Если они смогут улучшить результаты выпуска или объединить студентов в меньшие группы, это только к лучшему. Образование выиграет от сосредоточения усилий. Морс признает, что самые релевантные данные – чему именно студенты научились в том или ином вузе – журналу недоступны, тем не менее модель U. S. News, основанная на допущениях, является лучшей из возможных.

Однако, когда вы создаете модель из прокси, людям гораздо легче ее обыграть. Это происходит потому, что допущениями легче манипулировать, чем сложной реальностью, которую они подменяют. Вот пример. Давайте представим себе, что некий сайт ищет специалиста по работе с социальными сетями. Многие люди желают устроиться на эту работу, они присылают резюме с перечислением множества маркетинговых кампаний, которые они проводили. Но на то, чтобы отследить и оценить всю их работу, требуется слишком много времени. Поэтому менеджер по приему на работу сотрудников решает применить прокси: она обращает внимание на то, у кого из претендентов больше всего фолловеров в Twitter. Это же признак вовлеченности в социальные сети, не так ли?

Да, это кажется достаточно разумным допущением. Но что произойдет, если информация о том, что толпа фолловеров в «Твиттере» – гарантия получения работы в данной компании, станет общеизвестной (а это, несомненно, произойдет)? Тогда кандидаты будут делать все, чтобы увеличить их число. Некоторые заплатят 19,95 доллара какому-нибудь сервису, который организует им тысячи фолловеров – в основном ботов. Когда люди обыгрывают систему, прокси теряет свою эффективность. Обманщики выдают ложноположительный результат.

В случае с рейтингом U. S. News все – от перспективных студентов и выпускников до сотрудников кадровых отделов – быстро приняли рейтинг в качестве стандарта качества образования. И колледжи стали играть по этим правилам. Они пытаются улучшить каждый из параметров, измеряемых моделью подсчета. И многие на самом деле были более всего разочарованы именно теми 25 % оценок, повлиять на которые было не в их власти, – то есть данными анкет, заполняемых президентами и проректорами колледжей.

Эта часть анализа, как и любое собрание субъективных мнений, не может не содержать старомодных предубеждений и простого невежества. И у нее есть тенденция удерживать знаменитые вузы наверху списка, потому что широкая публика знает только о них. А для вузов, которые еще только стремятся вверх, ситуация лишь усложняется.

К 2008 году Техасский христианский университет (TCU) в Форт-Уэрте сильно упал в рейтинге U. S. News. За три года до этого университет занимал 97-е место, а затем скатился до 105-го, 108-го – и, наконец, до 113-го. Это обстоятельство сильно встревожило активных выпускников и тех, кто поддерживал университет, и поставило ректора Виктора Боскини в крайне сложное положение. «Это совершенно непонятная ситуация», – заявил ректор в интервью tcu360.com, новостному сайту университета. Боскини настаивал, что на самом деле университет улучшил каждый свой показатель: «Мы улучшили коэффициент удержания студентов, объемы привлеченных средств – словом, все показатели, на которые они ориентируются».

В своем анализе ситуации Боскини не учел два фактора. Во-первых, рейтинговая модель U. S. News не оценивала каждый колледж в отрыве от других. Учебное заведение, которое улучшало свои показатели, могло все равно опускаться в рейтинге, если конкуренты улучшали свои показатели быстрее. Говоря академическим языком, модель U. S. News распределяла колледжи по кривой Гаусса. И это подпитывало процесс, который можно было сравнить с гонкой вооружений.

Другой проблемой была репутация – то есть те самые 25 процентов, которые TCU не мог контролировать. Рэймонд Браун, декан по вопросам приема студентов, отмечал, что репутация – самый весомый фактор, «что абсурдно, потому что это совершенно субъективные оценки». Уэс Вэггонер, директор по делам первокурсников, добавил, что колледжи рекламируют себя друг другу, чтобы улучшить репутационный рейтинг. «Я постоянно получаю по почте послания, в которых другие колледжи пытаются убедить нас в том, что они хорошие», – сказал он.

Несмотря на все это ворчание, TCU твердо вознамерился улучшить те 75 % результата, которые он мог контролировать. В конце концов, если рейтинг университета поднимется, повысится и его репутация. Со временем представители других вузов заметят прогресс TCU и станут оценивать университет выше. Ключевой задачей было запустить движение в правильном направлении.

TCU начал кампанию по сбору средств с целевой суммой 250 миллионов долларов. Результаты намного превзошли запланированные – кампания принесла 434 миллиона долларов к 2009 году. Один только этот фактор уже увеличил рейтинг TCU, поскольку успешность привлечения средств была одним из показателей. Большую часть этих денег университет потратил на усовершенствование кампуса, в частности, 100 миллионов на новый центральный двор и организацию нового студенческого союза – и все это с целью сделать TCU более привлекательным для студентов. И хотя в этом нет ничего плохого, эти меры очень удачно подпитывали алгоритм U. S. News. Чем больше студентов хотят поступить в университет, тем более придирчивым он может быть.

Что, вероятно, еще важнее, TCU построил новый суперсовременный спортивный центр и вкачал деньги в университетскую программу по американскому футболу. В последующие годы «Рогатые лягушки» (Horned Frogs) – футбольная команда TCU – стала национальным феноменом. В 2010 году «лягушки» не проиграли ни одной игры, в конце концов разгромив команду Висконсинского университета в новогоднем матче на стадионе «Роуз Боул».

Этот успех позволил TCU воспользоваться плодами так называемого эффекта Флюти (Flutee effect). В 1984 году, в ходе одной из самых захватывающих университетских игр в истории, квотербек Бостонского колледжа Дуг Флюти завершил длинный пас в последнюю секунду матча, в результате чего команда выиграла у Университета Майами. Флюти стал легендой. В течение двух лет поток заявок на поступление в Бостонский колледж вырос на 30 %. Подобный всплеск популярности случился и в Джорджтаунском университете, когда его баскетбольная команда под руководством Патрика Юинга трижды пробивалась в национальный чемпионат. Спортивные победы, как выяснилось, оказались самой эффективной рекламой для некоторых абитуриентов. Для тысяч спортивно ориентированных старшеклассников, которые смотрят университетские серии по телевидению, вузы с сильными спортивными командами кажутся весьма привлекательными. Студенты гордятся именами своих университетов, разрисовывают лица и отмечают спортивные победы. Заявки на поступление резко увеличиваются. Чем больше студентов хотят поступить в вуз, тем выше администрация может задрать планку – средний балл абитуриентов. Это помогает повысить рейтинг. И чем больше абитуриентов будут отвергнуты, тем ниже (и тем лучше для рейтинга!) окажется процент зачисления.

Стратегия TCU сработала. К 2013 году он стал вторым по отсеву абитуриентов университетом в Техасе, уступив только престижному Университету Райса в Хьюстоне. В том же году в TCU были зарегистрированы наивысшие баллы SAT и ACT[8] в истории. В рейтинге U. S. News университет поднялся сразу до 76-го места – на 37 пунктов всего за семь лет.

Несмотря на мое отношение к модели U. S. News (я считаю ее оружием математического поражения), важно отметить, что этот резкий рост в рейтинге вполне мог сослужить хорошую службу университету. В конце концов, большая часть прокси в модели U. S. News может в той или иной степени адекватно отражать качество образования в том или ином вузе – точно так же как многие из тех, кто соблюдает палеодиету, добиваются хороших результатов. Проблема не в самом рейтинге U. S. News, а в его масштабе. Он заставляет все вузы преследовать одни и те же цели – что приводит к мелочной конкуренции – и к тому же имеет много вредных незапланированных последствий.

В годы, предшествующие появлению системы рейтингов, абитуриенты могли спать немного спокойнее, зная, что подали документы в так называемый запасной вуз (safety school) – колледж с более низким проходным порогом. Если студенту не удавалось поступить в университет, в который ему хотелось больше всего, он мог начать получать совершенно нормальное образование в «запасном вузе» – и, возможно, перевестись через год-другой в университет, куда он и собирался изначально.

Однако концепция «запасного вуза» в наши дни практически исчезла – в основном благодаря рейтингу U. S. News. Как мы увидели на примере TCU, ради высокого рейтинга вуз обязан быть как можно более придирчивым. Если приемную комиссию заваливают заявлениями на поступление, это признак, что дела идут хорошо. Это говорит о репутации колледжа. Если колледж может позволить себе отвергнуть абсолютное большинство кандидатов на поступление, он, возможно, заполучит себе более умных студентов. Как и многие другие прокси, этот показатель выглядит вполне разумным. Он следует за движениями рынка.

Но этот рынок подвержен манипуляциям. Традиционный «запасной» вуз, например, может провести ретроспективное исследование своей статистики за несколько последних лет и увидеть, что его заканчивает лишь небольшой процент лучших абитуриентов. Большая же их часть рано или поздно переводится в изначально выбранные ими университеты и больше не нуждаются ни в какой страховке. Теперь ради того, чтобы поднять собственную избирательность, «запасной» вуз может начать отказывать первоклассным кандидатам (которые, в соответствии с алгоритмом самого этого вуза, и так в нем, скорее всего, не остались бы). Этот процесс не имеет ничего общего с точностью. И колледж, несмотря на все труды специалистов по анализу данных в приемной комиссии, без сомнений, теряет определенный процент лучших студентов, которые все-таки могли бы выбрать именно его. Ведь эти абитуриенты и выясняют в итоге, к своему отчаянию, что так называемые запасные вузы больше не являются надежной ставкой.

Этот процесс не приносит ничего хорошего для образования. Колледж теряет лучших студентов – настоящих звезд, которые улучшают процесс обучения для всех, включая преподавателей. На самом деле бывшей «запасной» школе теперь, возможно, придется тратить драгоценную спонсорскую финансовую поддержку на то, чтобы завлечь кого-то из этих звезд к себе. А это означает, что у вуза останется меньше денег для тех студентов, кому эти деньги нужны больше всего.

Именно в этом заключается самый главный недостаток рейтинга колледжей U. S. News. В конце концов, все прокси, которые используют журналисты для оценки качества образования, вполне разумны. Однако грандиозный провал кроется в том, что они не приняли во внимание: стоимость обучения. Финансирование студентов исключено из этой модели.

Это приводит нас к важнейшему вопросу, в который мы постоянно упираемся. В чем цель создателя рейтинга? В данном случае поставьте себя на место редакторов U. S. News в 1988 году. Когда они создавали свою первую статистическую модель, откуда они знали, что она сработает? Конечно, она бы выглядела гораздо более убедительной, если бы отражала установленную иерархию. Если Гарвард, Стэнфорд, Принстон и Йель окажутся на самом верху списка, модель будет казаться полностью адекватной – она подменит собой те неформальные модели, которые и так уже сложились в голове у читателей. Чтобы построить такую модель, им нужно было посмотреть на перечисленные выше университеты и выяснить, что же делает их такими особенными. Что у них есть общего и чем они отличаются от «запасного» колледжа в соседнем городке? Ну, во-первых, у всех их студентов были заоблачные результаты SAT – и учились они с аккуратностью и точностью часовых механизмов. Выпускники этих университетов были богатыми людьми, и деньги от них рекой текли обратно в альма-матер. Анализируя достоинства этих брендовых университетов, команда создания рейтингов создала элитарную мерку для определения качества.

Однако, если мы включим стоимость обучения в формулу, с результатами могут случиться странные вещи. Дешевые университеты смогут претендовать на вступление в иерархию качества, а это вызовет удивление и посеет сомнения у общественности: может быть, рейтинг U. S. News все же не совсем божественная истина? Гораздо безопаснее начать с заслуженных чемпионов. Конечно, они дорогие. Но, возможно, это цена, которую платят за превосходное качество.

Выбросив из формулы фактор стоимости, U. S. News словно выдал президентам колледжей позолоченную чековую книжку. Перед ними встала задача улучшить ситуацию в 15 параметрах, но удержание низких цен в эти параметры не входило. На самом деле, если бы они подняли цены, у них бы оказалось больше ресурсов для решения проблем по тем параметрам, где их оценивали.

С тех пор стоимость обучения взлетела до небес. С 1985 по 2013 год высшее образование подорожало на более чем 500 %, почти в четыре раза опередив темп инфляции. Чтобы привлечь лучших студентов, колледжи, как мы увидели на примере TCU, вложили много средств в строительство студенческих центров со стеклянными стенами, шикарных общежитий, тренажерных залов со скалолазными стенками и вихревыми ваннами. Все это было бы замечательно, если бы эти деньги не были взяты из карманов студентов, которые и так обременены кредитами на обучение, которые они затем выплачивают в течение десятилетий. Мы не можем возложить вину за все это исключительно на рейтинг U. S. News. Все наше общество разделяет убеждение не только в том, что высшее образование необходимо, но и в том, что диплом престижного вуза может катапультировать студента в мир власти и привилегий. Оружие математического поражения, созданное журналом U. S. News, было вскормлено этими убеждениями, страхами и неврозами. Оно создало мощную мотивацию, которая побудила вузы совершать огромные траты, одновременно игнорируя взлетевшую до небес стоимость обучения.

Когда колледжи собираются продвинуться вверх по шкале рейтинга U. S. News, они управляют своими студентами, словно инвестиционным портфелем. Мы еще не раз это увидим в мире данных, от рекламы до политики. Для администраторов колледжей каждый перспективный студент представляет собой серию ценных активов, а иногда также некоторые пассивы, или обязательства. Отличная спортсменка, например – это хороший актив, но она при этом может плохо сдать экзамены или занять не слишком хорошее положение в своей группе – а это уже пассив. Кроме того, ей может понадобиться финансовая помощь – еще одно обязательство. Чтобы сбалансировать портфель, администратору в идеале нужно найти других студентов, которые могли бы и сами заплатить за обучение, и получать хорошие оценки. Но эти идеальные кандидаты после зачисления могут решить учиться в другом месте. Это риск, который необходимо принимать во внимание. Все это чрезвычайно сложно – и для «оптимизации приема студентов» даже появилась целая новая консалтинговая индустрия.

Фирма Noel-Levitz, занимающаяся консультациями в области образования, предлагает университетским администраторам пакет прогностической аналитики под названием ForecastPlus, который позволяет администраторам ранжировать вероятность поступления студента по его месту происхождения, полу, этнической принадлежности, специализации, успеваемости и «любой другой характеристике, какую вы пожелаете». Еще одна консалтинговая компания, RightStudent, собирает и продает данные, чтобы помочь колледжам отобрать самых многообещающих кандидатов для приема. Это студенты, которые в состоянии сами оплатить стоимость обучения, а также те, кто имеет право на какую-либо внешнюю стипендию. Для некоторых из этих студентов пониженная способность к обучению – только плюс.

Вся эта деятельность проходит в рамках огромной экосистемы, окружающей рейтинг U. S. News, который фактически превратился в федеральный закон. Если редакторы журнала что-то подправят в своей модели – например, придадут меньше веса результатам SAT или больше – проценту отсеянных абитуриентов, то вся экосистема образования будет вынуждена адаптироваться. И это касается всей индустрии – от университетов до консалтинговых компаний, методистов старшей школы и, конечно, студентов.

Понятное дело, что сама система рейтингов – постоянно растущий бизнес. Журнал U. S. News & World Report, который долгое время был единственным предприятием одноименной компании, перестал выходить на бумаге в 2010 году. Но рейтинговый бизнес продолжает расти, распространяясь на медицинские и стоматологические вузы, а также магистерские программы в гуманитарных и технических областях. Теперь U. S. News ранжирует даже заведения среднего образования.

По мере разрастания системы рейтингов все больше делается попыток ее перехитрить. В глобальном рейтинге 2014 года математический факультет Университета имени короля Абдулазиза в Джидде (Саудовская Аравия) оказался на седьмом месте, сразу после Гарварда. Этот факультет к тому времени существовал всего два года, однако каким-то образом опередил нескольких математических гигантов, включая Кембридж и МТИ.

На первый взгляд, это может показаться хорошей тенденцией. Возможно, МТИ и Кембридж расслабились, почили на лаврах – и вот трудолюбивая темная лошадка пробилась в ряды элиты. Если бы рейтинг составлялся только на основе репутации, для этого понадобились бы десятилетия. Но данные могут очень быстро вывести на поверхность удивительные результаты.

Алгоритмы, однако, также можно перехитрить. Лиор Пэтчер, профессор вычислительной биологии из Беркли, раскрыл эту хитрость. Он обнаружил, что Университет Абдулазиза связался с несколькими известными математиками, чьи работы широко цитируются в рецензируемых журналах, и предложил каждому 72 тысячи долларов за работу в университете по совместительству. Трудовой контракт, который Пэтчер разыскал и вывесил в своем блоге, предусматривал, что совместители должны отработать в Саудовской Аравии всего три недели в год, при этом университет покупал им авиабилеты бизнес-класса и размещал в пятизвездочных отелях. Конечно, работа известных математиков в Саудовской Аравии имела некоторое локальное значение. Но на самом деле университет был заинтересован в приглашенных преподавателях в большей степени потому, что на сайте агентства деловой информации Thomson Reuters, где цитируются научные работы, университет упоминался в качестве их места работы. А этот сайт – один из ключевых источников для рейтинга U. S. News. Иными словами, Университет короля Абдулазиза мог объявить, что работа нового сотрудника проведена в рамках университета. А поскольку индекс цитирования университетских преподавателей был одним из основных ингредиентов алгоритма оценки того или иного вуза, саудовский университет стремительно поднялся в рейтинге.

Известно, что студенты из Шанхая великолепно сдают государственные вступительные экзамены («гаокао») и получают места в лучших китайских университетах. На самом деле шанхайские студенты выдавали настолько блестящие результаты, что власти заподозрили их в жульничестве. Подозрения, как писала британская газета The Telegraph, лишь укрепились в 2012 году, когда власти одной из провинций обнаружили 99 абсолютно идентичных ответов на вопросы экзамена.

На следующий год, когда шанхайские абитуриенты прибыли на экзамен, их прогнали через рамки металлоискателей и заставили сдать мобильные телефоны. Некоторые были также вынуждены сдать крошечные передатчики, замаскированные под школьные ластики. Войдя в экзаменационные аудитории, абитуриенты обнаружили себя в компании 54 инспекторов из разных школьных округов, которые прибыли, чтобы расследовать дело. Несколько инспекторов направились в гостиницу на другой стороне улицы и обнаружили там группы людей, которые собирались общаться с абитуриентами с помощью миниатюрных передатчиков.

Когда обман был раскрыт, последовал взрыв возмущения. Около двух тысяч протестующих, вооружившихся камнями, собрались на улице перед школой. Они скандировали: «Мы хотим справедливости. Нет справедливости, если вы не позволяете нам жульничать!»

Это могло показаться шуткой, но школьники были абсолютно серьезны: ведь на кону стоял шанс получить элитарное образование и в дальнейшем сделать успешную карьеру – или вечно прозябать в родном городе. И – правда это или нет – они были убеждены в том, что все остальные абитуриенты тоже жульничают. Поэтому запрет на жульничество для абитуриентов из Шанхая совершенно несправедлив! Если система построена на обмане, то играть честно – значит ставить самого себя в заведомо неравные условия. Спросите хотя бы у велосипедистов «Тур де Франс», которых семь лет подряд изничтожал Лэнс Армстронг, не слезавший с допинга.

Единственный способ выиграть в таком сценарии – получить какое-то преимущество и проследить за тем, что остальные не получили еще большего преимущества. Это касается не только Китая, но также и Соединенных Штатов, где приемные комиссии, родители и выпускники делают гигантские усилия, чтобы обыграть систему, порожденную моделью U. S. News.

Целая индустрия инструкторов и репетиторов процветает на петле обратной связи модели и на тревожности, которую она вызывает. Многие из них берут за свои услуги серьезные деньги. Четырехдневный «лагерь гарантированного поступления» от компании Top Tier Admissions стоит 16 тысяч долларов (не считая платы за проживание и питание). В ходе занятий в этом лагере старшеклассники учатся писать сочинения, «отлично проходить» собеседования и создавать портфолио с включением всех наград, спортивных достижений, хобби и общественной работы – всего, что так хотят видеть в приемной комиссии.

Шестнадцать тысяч долларов может показаться большой суммой. Но, как и китайские протестующие в Шанхае, многие американские семьи считают, что будущий успех и самореализация их детей напрямую зависят от их поступления в элитарный университет.

Самые эффективные инструкторы понимают, как работают модели приема в каждом колледже – и как потенциальные студенты могут в них вписаться со своими портфолио. Калифорнийский предприниматель Стивен Ма довел этот рыночный подход до абсолюта. Ма, основатель компании ThinkTank Learning, помещает потенциальных студентов в собственную модель и подсчитывает степень вероятности поступления в их целевой колледж. Он сообщил в интервью Bloomberg BusinessWeek, например, что родившийся в США старшеклассник со средним баллом образования 3,8 и результатом SAT 2000, потративший 800 часов на факультативные занятия, имеет 20,4 процента вероятности поступления в Нью-Йоркский университет и 28,1 процент вероятности поступления в Университет Южной Калифорнии. Затем ThinkTank предлагает консультационные комплекты «с гарантией». Если гипотетический студент, следуя инструкциям в этих консультациях, поступит в NYU, это будет стоить 25 931 доллар; за поступление в USC он заплатит 18 826 долларов. Если же его никуда не примут, платить не придется.

Модель приема в каждом колледже сформирована, по крайней мере частично, моделью U. S. News, и каждая представляет собой мини-ОМП. Эти модели заставляют выпускников и их родителей наматывать бешеные круги и платить огромные суммы денег. И они непрозрачны. Это оставляет большую часть участников (или жертв) в неведении. Но это также создает обширное поле деятельности для таких консультантов, как Стивен Ма, которые умудряются выведать их секреты – либо обзаведясь источниками информации в университетах, либо совершив «обратное проектирование» их алгоритмов.

Жертвами, конечно, оказывается подавляющее большинство американцев: семьи бедняков и представителей среднего класса, у которых нет тысяч долларов на курсы и консультантов. Они упускают драгоценную инсайдерскую информацию. В результате образовательная система в основном обслуживает привилегированные слои. Она отвергает абсолютное большинство нуждающихся выпускников, толкая их дальше по дороге бедности. Это увеличивает социальное неравенство.

Но даже те, кто буквально прогрызает себе путь в лучшие колледжи, оказываются в проигрыше. Если подумать об этом, игра приемных комиссий, какой бы она ни была прибыльной для некоторых, не имеет никакой образовательной ценности. Сложная и запутанная система просто заново сортирует и ранжирует тот же самый набор восемнадцатилетних юношей и девушек более продвинутыми способами. Одни не обзаводятся важными навыками, когда преодолевают бесконечные полосы препятствий или безукоризненно пишут нацеленные на поступление эссе под присмотром профессиональных инструкторов. Другие пытаются найти онлайн более дешевые версии этих самых инструкторов. Все они, от богачей до представителей рабочего класса, просто натаскиваются на то, чтобы вписаться в огромную машину – то есть удовлетворить требованиям оружия математического поражения. И в конце забега многие из них будут обременены долгом, который им придется выплачивать в течение десятилетий. Они всего лишь пешки в отвратительной гонке вооружений.

Есть ли выход из этой ситуации? Во время своего второго президентского срока Барак Обама предложил разработать новую модель рейтинга колледжей – более настроенную на национальные нужды и возможности среднего класса, чем модель U. S. News. Идея Обамы заключалась в том, чтобы привязать систему рейтинга колледжей к другому набору критериев – финансовой доступности, проценту студентов из бедных семей и представителей расовых меньшинств среди учащихся, перспективам устройства на работу после выпуска. Как и в рейтинге U. S. News, процент студентов, доучившихся в вузе до выпуска, также принимался во внимание. Если колледж опускается по этим показателям ниже определенного минимального порога, он отрезается от федерального рынка студенческих кредитов объемом в 180 миллионов долларов в год (на котором до сих пор кормились коммерческие университеты).

Все это, безусловно, выглядит как достойные цели, но любую систему рейтинга можно обыграть. И когда это происходит, возникают новые и разные петли обратной связи, а также целые букеты непредвиденных последствий.

Легко поднять процент тех, кто доучивается до выпуска, если, например, понизить стандарты обучения. Многие студенты испытывают сложности с математикой, или естественными науками, или иностранными языками. Если снизить требования по этим предметам, больше студентов доучатся до выпуска. Однако, учитывая, что одна из целей нашей образовательной системы – производить больше ученых и технологов для мировой экономики, разве это разумно?

Есть и надежное средство повысить ожидаемую заработную плату при трудоустройстве выпускников. Все, что университету нужно сделать для этого, – это сократить гуманитарные программы, а также избавиться от факультетов, которые готовят работников для образовательной и социальной сферы, – ведь учителя и социальные работники зарабатывают меньше инженеров, химиков или программистов. Однако они имеют не меньшую ценность для общества.

Также было бы не очень сложно понизить стоимость обучения. Один из подходов, который уже завоевывает популярность, это уменьшение процента штатных преподавателей: профессора с большими окладами по мере их ухода на пенсию заменяются на более низкооплачиваемых инструкторов или почасовиков. Для некоторых факультетов некоторых университетов это может иметь смысл. Но у этой медали тоже есть оборотная сторона. Штатные преподаватели, работающие с аспирантами, занимаются важными исследованиями и устанавливают высокие стандарты на своих факультетах, в то время как замученный почасовик, который иногда ведет пять курсов в трех колледжах, чтобы иметь возможность платить за аренду жилья, редко располагает временем и энергией, чтобы дать своим студентам что-то сверх образовательного минимума. Еще один возможный подход – сократить административные позиции, без которых можно обойтись, – пока слишком редко встречается.

Критерий «выпускники, устроившиеся на работу в течение девяти месяцев после выпуска» тоже может быть подправлен. Одна из статей газеты New York Times в 2011 году была посвящена тому, как по-разному юридические вузы относятся к карьере своих недавних выпускников. Допустим, новоиспеченный юрист, обремененный студенческим кредитом на 150 тысяч долларов, работает простым барменом. Некоторые неразборчивые юридические вузы сочтут, что студент трудоустроен. Некоторые учебные заведения идут дальше, предлагая собственным выпускникам какую-нибудь почасовую временную работу по мере приближения критического срока в девять месяцев. Третьи рассылают недавним выпускникам опросники – и те, кто на них не ответил, считаются «трудоустроенными».

Возможно, это и к лучшему, что администрация Обамы так и не смогла переделать рейтинговую систему. Отпор, который дали этим попыткам президенты колледжей, был просто бешеным. В конце концов, они несколько десятилетий потратили на то, чтобы оптимизировать работу на удовлетворение требований оружия математического поражения от U. S. News. Новая формула, основанная на проценте выпускников, размере классов, трудоустройстве бывших студентов, доходах и других факторах, могла бы вызвать хаос в их рейтинге и репутации. Без сомнения, они также привели немало разумных доводов относительно уязвимости любой новой модели и новых петель обратной связи, которые она могла бы создать.

И правительство капитулировало. Возможно, результат получился даже лучше. Вместо рейтинга Министерство образования загрузило массу информации на свой сайт. В результате учащиеся могут задавать свои вопросы об интересующих их вещах, включая размеры классов, процент выпускников и среднюю сумму долга, которую нужно выплачивать оканчивающим обучение студентам. Им не нужно знать ничего о статистике и весомости разных переменных. Само программное обеспечение, как на сайте, посвященном путешествиям, создает индивидуальные модели для каждого человека. Только подумайте: прозрачную, контролируемую пользователем и индивидуальную. Можно назвать ее противоположностью ОМП.

Машина пропаганды: интернет-реклама

Однажды, когда я работала специалистом по анализу данных в рекламном стартапе Intent Media, наш офис посетил один выдающийся венчурный капиталист. Он подумывал об инвестициях в нашу компанию, и компания собиралась показать себя с наилучшей стороны. Всех нас собрали, чтобы выслушать речь гостя.

Он обрисовал нам блистательное будущее контекстной рекламы. Предоставляя огромное количество информации, люди дадут рекламщикам возможность многое о них узнать. Это позволит компаниям нацеливать на них информацию, которые они будут считать ценной, и выдавать ее в нужное время и в нужном месте. Например, пиццерия сможет узнать о вас не только то, что вы живете по соседству, но и то, что, возможно, вам захочется снова заказать ту самую пиццу на толстом корже с двойным сыром и пепперони, которую вы ели на прошлой неделе в перерыве между таймами игры «Даллас Ковбойз». Их система может распознать, что люди, чьи данные следуют закономерностям, похожим на ваши, с большей вероятностью кликнут на скидочный купон в течение этого двадцатиминутного перерыва.

Самым слабым местом в этой аргументации мне показалось ее обоснование. Инвестор утверждал, что грядущий обвал индивидуализированной рекламы будет настолько полезным и своевременным, что потребители воспримут его с радостью. Они даже будут умолять о добавке. Он считал, что большинство людей протестует против рекламы, потому что она для них нерелевантна. В будущем все будет иначе. Предполагалось, что персонажи из эксклюзивной презентации гостя будут радоваться рекламе, скроенной точно под них, – предлагает ли она коттеджи на Багамах, оливковое масло ручного отжима или таймшер на частный самолет. И еще он пошутил, что никогда больше не увидит рекламы Университета Финикса – коммерческой образовательной фабрики, реклама которой по большей части адресована борющимся за выживание (и наиболее беззащитным перед обманом) низшим слоям населения.

Мне показалось странным, что он упомянул Университет Финикса. Почему он видел их рекламу, а я – нет? Или я просто ее не замечала? В любом случае я знала достаточно о коммерческих университетах, которые к тому моменту превратились в предприятия с многомиллионным оборотом. Эти так называемые фабрики дипломов зачастую поддерживались правительственными кредитами, а выдаваемые ими дипломы имели очень небольшой вес при устройстве на работу. Во многих профессиях они котировались не выше, чем аттестат о среднем образовании.

И если оружие математического поражения, скрытое в рейтинге лучших вузов U. S. News, портило жизнь студентам из среднего класса (и их родителям), то коммерческие колледжи сосредоточились на гораздо более уязвимой части населения. Интернет давал им для этого идеальный инструмент. Поэтому нет ничего удивительного, что резкий рост этой индустрии совпал с появлением интернета в качестве постоянно действующего средства массовой коммуникации. Реклама в Google, на которую Университет Финикса потратил 50 миллионов долларов, была нацелена на беднейшие общественные слои и использовала в качестве приманки перспективы продвижения вверх по социальной лестнице. В приманке содержался подспудный упрек в адрес этих самых народных масс в том, что они делают слишком мало для того, чтобы улучшить свою жизнь. И это сработало. С 2004 по 2014 год число абитуриентов, поступавших в коммерческие колледжи, увеличилось втрое, и теперь в них числится 11 % от общего числа студентов университетов и колледжей США.

Маркетинг этих университетов очень сильно отличается от первоначального представления об интернете как о великой уравнивающей и демократизирующей силе. Действительно, на заре интернета никто не знал, что ты собака[9]. Теперь все совсем не так. Мы все зачислены в ту или иную категорию, включены во множество рейтингов и оценены с помощью сотен моделей, которые изучают наши предпочтения и наше поведение онлайн. Эта статистика формирует мощную базу для вполне законных рекламных кампаний, но также кормит и их хищных кузенов: рекламные объявления, которые находят людей в трудном положении и продают им лживые или переоцененные обещания. Такие рекламные инструменты находят неравенство и наживаются на нем. В результате они увековечивают существующую социальную стратификацию со всеми ее несправедливостями. Самый главный водораздел проходит между теми, кто победил в нашей системе (вроде этого венчурного капиталиста), и теми, на ком наживаются модели, созданные первыми.

Везде, где вы найдете соединение большой нужды и невежества, скорее всего, обнаружится и хищническая реклама. Если человека беспокоят проблемы в его сексуальной жизни, реклама подсунет ему «Виагру» или «Сиалис», а то и пообещает увеличение пениса. Если вам не хватает денег, вас забросают предложениями «кредитов до зарплаты» с высоким процентом. Если тормозит компьютер – это, возможно, вирус, внедренный рекламщиком-хищником, который потом сам же предложит вам от него избавиться. Как мы увидим, бум коммерческих колледжей подпитывался именно хищнической рекламой.

Когда дело доходит до ОМП, хищническая реклама лучше всего определяет ситуацию. Оружие математического поражения выискивает самых отчаявшихся из нас и делает это в огромных масштабах. В области образования хищническая реклама, как правило, лживо обещает открытый путь к достатку, в то же время подсчитывая, как максимизировать доход, который рекламодатель получит от каждого предполагаемого покупателя. Эти действия порождают обширные и порочные петли обратной связи и в конце концов погребают клиентов под завалами непосильных долгов. При этом жертвы даже не подозревают, что их обманывают, потому что рекламные кампании совершенно непрозрачны. Объявление просто вдруг появляется на экране компьютера, позже иногда поступает звонок по телефону. Жертвам редко удается понять, как именно они были выбраны или каким образом реклама так много узнала о них.

Возьмем, к примеру, Коринфские колледжи (Corin-thian Colleges) – огромную образовательную систему, до последнего времени – гиганта индустрии. На факультетах всех кампусов Коринфских колледжей училось в целом более 80 000 студентов, причем большая часть из них получала кредиты, профинансированные федеральным правительством. Однако в 2013 году генеральный прокурор штата Калифорния обвинил Коринфские колледжи в предоставлении ложных данных о проценте трудоустроенных выпускников, в завышении цен на обучение и неавторизованном использовании изображений печатей Министерства обороны в хищнической рекламе – и все это ради того, чтобы ввести в заблуждение самые беззащитные слои населения. В иске генпрокурора было указано, что один из кампусов Коринфских колледжей – Брэндон-кампус университета Эверест – брал 68 800 долларов за онлайн-курс для получения диплома помощника юриста, в то время как подобные курсы стоят менее десяти тысяч долларов во многих традиционных колледжах по всей стране.

Более того, утверждал иск, Коринфские колледжи специально выискивали «одиноких и нетерпеливых людей с низкой самооценкой», в жизни которых было «очень мало тех, кто мог бы о них позаботиться»; людей, которые «застряли» в своем продвижении по жизни и «были не в состоянии планировать свое будущее». В целом деятельность Коринфских колледжей была названа «незаконной, нечестной и мошеннической». В 2014 году, в самый разгар скандала и все новых жалоб на злоупотребления, администрация президента Обамы перекрыла Коринфским колледжам доступ к федеральному фонду студенческих займов. В середине 2015 года компания распродала имущество большинства кампусов и объявила о банкротстве.

Но сама индустрия продолжает развиваться. Особенно отвратительный пример – колледж Ваттеротт, институт повышения квалификации. Отчет сенатского комитета 2012 года, посвященный коммерческим колледжам, описал инструкцию по привлечению студентов в Ваттеротт – совершенно дьявольский документ. Рекрутерам предлагается обращать особое внимание на «одиноких матерей с детьми, живущих на пособие; беременных женщин; недавно разведенных; людей с низкой самооценкой и низкооплачиваемой работой; недавно переживших потерю близких; постоянно подвергающихся физическому и/или психологическому насилию; недавно вышедших из тюрьмы; проходящих лечение от наркотической зависимости; имеющих работу без перспектив продвижения, порождающую ощущение отсутствия будущего».

Почему именно этих людей? Потому что уязвимость ценится на вес золота, и так было всегда. Представьте себе бродягу-афериста из какого-нибудь вестерна. Вот он въезжает в какой-нибудь городок на козлах фургона, полного позвякивающих скляночек и бутылочек. Увидев пожилую даму, потенциальную покупательницу, он тут же начинает выискивать ее слабости. Она прикрывает рот рукой, когда улыбается, – значит, стесняется плохих зубов! Когда волнуется, машинально крутит обручальное кольцо, которое, судя по увеличенной костяшке, застряло на ее безымянном пальце навсегда, – артрит! Поэтому, когда мошенник начнет рекламировать пожилой даме свои средства, он сделает ставку на ее слабости: пообещает ей восстановить белоснежную улыбку и убрать болезненные ощущения в суставах. Зная все это, он уже на полпути к продаже – хотя еще даже не открыл рот, чтобы сказать первое слово.

Хищнические объявления действуют по схожему сценарию, с тем только отличием, что они имеют огромный масштаб и выискивают жертвы среди миллионов людей каждый день. Невежество клиентов, конечно же, главный компонент этой системы. Многие из потенциальных студентов – иммигранты, которые приехали в Америку с убеждением, что частные университеты всегда более престижны, чем публичные (университеты штатов и городов). Это убеждение, возможно, имеет некоторые основания, когда речь идет о таких университетах, как Гарвард и Принстон. Но верить в то, что, например, чикагский Университет Деври или Университет Финикса – это всегда лучше, чем любой университет штата (среди которых достаточно назвать Беркли, Мичиганский или Виргинский), может лишь совсем зеленый новичок.

Как только становится понятно, что потенциальный студент не слишком осведомлен в таких вопросах, ключевой задачей рекрутера (как и торговца чудодейственными снадобьями) становится поиск самых уязвимых клиентов и использование против них их же приватной информации. Прежде всего необходимо найти наиболее болезненную для них проблему – так называемую болевую точку. Это может быть низкая самооценка, постоянный стресс от необходимости жить и растить детей в квартале, где воюют уличные банды, или, возможно, наркотическая зависимость. Многие люди случайно раскрывают свои болевые точки, когда делают запрос в Google, или позже, когда заполняют анкеты в колледже. Заполучив эту ценную крупицу информации, вербовщик тут же обещает клиенту, что образование в данном университете пусть и дорого, но зато оно решает проблемы и избавляет от боли. Инструкция для рекрутеров Ваттеротта гласит:

Мы имеем дело с людьми, которые живут исключительно сегодняшним моментом. Их решение начать учиться, продолжить обучение или бросить его в большей степени основывается на эмоциях, чем на логике. Боль – лучшая мотивация в краткосрочной перспективе.

А в инструкции для рекрутеров Технического института ITT даже использовано изображение стоматолога, нависающего над страдающим пациентом, которое сопровождается словами: «Надо выяснить, где у него болит».

Первый клик потенциального клиента на сайте коммерческого колледжа студент делает только потому, что гигантский индустриальный процесс уже проделал предварительную работу. В Коринфских колледжах, например, работала команда маркетологов из 30 человек, которые тратили 120 миллионов долларов в год в основном на то, чтобы генерировать и разрабатывать 2,4 миллиона «крючков» и «подходов», приводивших в кампусы 60 000 новых студентов и приносивших 600 миллионов долларов дохода ежегодно. Эти большие маркетинговые команды выходили на потенциальных студентов с помощью обширного набора инструментов – от телевизионной рекламы и рекламных щитов на шоссе и автобусных остановках до почтовой рассылки, контекстной рекламы в Google и даже обхода рекрутерами школ и частных домов. Аналитик такой команды обычно разрабатывает различные рекламные кампании с четкой задачей – непременно получить отклик. Чтобы оптимизировать вербовку – а значит, будущие доходы, – маркетологам нужно знать, кого именно достигли их послания и, если возможно, какое воздействие они оказали. Только с этой информацией на руках они могут оптимизировать свои действия.

Ключ к любой программе оптимизации – это, разумеется, выбор цели. Что касается таких «фабрик дипломов», как Университет Финикса, думаю, не будет ошибкой сказать, что тут цель заключается в вербовке наибольшего количества студентов, которые смогут получить правительственные кредиты, чтобы заплатить за свое обучение. Держа в голове именно эту цель, специалисты по анализу данных должны выяснить, как лучше всего организовать различные коммуникационные каналы, чтобы получить наилучшую отдачу.

Начинают эти специалисты с байесовского подхода, который в статистике считается стандартным. Суть байесовского подхода в том, чтобы расположить варианты по степени их воздействия на желаемый результат. Контекстная реклама, телевидение, билборды, другие способы продвижения – все это измеряется по степени эффективности на один вложенный доллар. Каждому способу присваивается разная вероятность – «ценность» или «вес».

Это довольно сложно, потому что разные рекламные кампании пересекаются и взаимодействуют друг с другом и бо́льшую часть воздействия той или иной из них невозможно измерить точно. Например, увеличивает ли рекламное объявление в автобусе вероятность того, что потенциальный студент позвонит по телефону, указанному в рекламе? Сложно сказать. Легче отследить активность в Сети, и тут коммерческие колледжи могут собрать жизненно необходимую им информацию о каждом потенциальном студенте – где он живет и на какие сайты заходит.

Именно поэтому большая часть денег, которые коммерческие университеты тратят на рекламу, достается Google и Facebook. Каждая из этих платформ позволяет рекламщикам сегментировать их целевые группы до мельчайших подробностей. Например, промоушн-кампания нового фильма может сосредоточиться на мужчинах в возрасте от 18 до 28 лет, живущих в 50 самых дорогих регионах страны (это определяется по почтовому индексу); наиболее лояльной частью аудитории будут считаться те, кто раньше кликал на профиль актера, сыгравшего главную роль, лайкал его посты в социальных сетях, зафолловил его в Twitter (или оказался в друзьях у того, кто это сделал). Но коммерческие колледжи охотятся совсем в других угодьях. Они скорее будут выискивать людей в самых бедных районах, уделяя особое внимание тем, кто кликал на объявления о микрокредите до заплаты или, судя по всему, страдает от посттравматического стресса. (Ветеранов вербуют очень активно, отчасти потому, что на них легче получить федеральный кредит.)

Рекламная кампания прогоняет бесконечные серии конкурирующих объявлений, чтобы увидеть, какие принесут наибольшее количество потенциальных студентов. Этот метод, основанный на так называемом А/В-тестировании, уже десятилетиями используется людьми, которые работают на рынке прямой почтовой рекламы. Они рассылают огромное количество рекламных предложений, измеряют количество откликов и соответствующим образом настраивают свои кампании. Каждый раз, когда вы обнаруживаете в своем почтовом ящике очередное предложение обзавестись кредитной картой, вы участвуете в одном из таких тестирований. Даже не вскрыв конверт, даже выбросив его, вы все равно предоставляете компании важную информацию: этот тип рекламы в вашем случае не работает. И в следующий раз они попробуют слегка измененный подход. Это может казаться бессмысленным, учитывая то, какое количество подобных конвертов оказывается в мусоре. Но для многих специалистов прямого маркетинга, действующих как через интернет, так и через почту, даже один процент отклика – это уже воплощенная мечта! В конце концов, тут работает закон больших чисел. Один процент населения США – это более трех миллионов человек.

Как только эти рекламные кампании перемещаются онлайн, уточнение информации происходит гораздо эффективнее. Интернет предоставляет рекламщикам бесценную лабораторию для исследования рынка потребления и определения круга потенциальных покупателей. Отклик от каждой рекламной кампании поступает в течение нескольких секунд – гораздо быстрее, чем в случае с почтовой рассылкой. В течение часов (вместо месяцев) можно отобрать наиболее эффективные послания и подойти ближе к заманчивой цели всей рекламной индустрии: застигнуть потенциального потребителя в нужное время с наилучшим посланием, которое может подтолкнуть его к нужному решению, – и таким образом одержать успех в вербовке еще одного потребителя, готового расстаться с деньгами. Настройка и отладка на достижение этой цели никогда не прекращаются.

А тем временем машины, перерабатывающие всю эту информацию, все в больших объемах получают от нас ценные данные, узнают все наши привычки и надежды, страхи и желания. Эти машины постоянно обучаются, искусственный интеллект совершенствуется – и в результате компьютер может разобраться в данных, следуя только самым базовым инструкциям. Алгоритм сам находит нужные паттерны, а затем, со временем, соединяет их с полученным результатом. В каком-то смысле он учится.

В сравнении с человеческим мозгом машина учится не слишком эффективно. Маленькая девочка притрагивается пальцем к плите, чувствует боль – и запоминает до конца жизни взаимосвязь между горячим металлом и пульсирующей болью в руке. Также она узнает слово, обозначающее то, что с ней случилось: ожог. Программе машинного обучения же зачастую требуются миллионы или миллиарды единиц информации, чтобы создать статистические причинно-следственные модели. Но впервые в истории эти петабайты информации сейчас стали доступны, вместе с мощными компьютерами, которые способны их обработать. Поэтому для многих профессий машинное обучение оказывается более гибким и настраиваемым, чем традиционные программы, основанные на жестких правилах.

Лингвисты, например, потратили десятилетия – с 1960-х до начала 2000-х – на то, чтобы научить компьютеры читать. И почти все это время ушло у них на программирование определений и грамматических правил. Но, как очень быстро уясняет для себя любой человек, изучающий иностранный язык, все живые языки просто переполнены исключениями. В них есть сленг. В них есть сарказм. Значение определенных слов меняется со временем и местоположением. Живая сложность любого языка – настоящий кошмар для программиста. По сути, кодирование правил оказывается бесполезным.

Но сейчас, в эпоху интернета, люди по всей земле загрузили онлайн квадриллионы слов о жизни, работе, покупках и дружбе. В этом процессе мы ненамеренно создали величайший в истории тренировочный плацдарм для языковых машин. Когда мы перешли с бумажных писем на электронные, а также на общение в социальных сетях, машины смогли изучать наши слова, сравнивать их с другими – и постепенно уяснять контекст. Прогресс оказался быстрым и впечатляющим. Еще в 2011 году компания Apple вызвала скепсис в мире высоких технологий своим основанным на естественном языке «личным помощником» Siri. Технология могла нормально использоваться только в определенных областях, и к тому же Siri делала смехотворные ошибки. Большинство моих знакомых сочли эту функцию бесполезной. Но сейчас я вижу, как люди постоянно разговаривают со своими телефонами, спрашивая их о прогнозе погоды, результатах спортивных матчей или о том, как куда-то проехать. Примерно в 2008–2015 годах лингвистические способности алгоритмов поднялись с уровня детского сада до уровня средней школы, а в некоторых приложениях еще и гораздо выше. Эти продвижения в освоении естественного языка открыли для рекламщиков золотую жилу возможностей. Программы «знают», что означает то или иное слово, и знают как минимум достаточно, чтобы проассоциировать это слово с определенным поведением или результатом – хотя бы иногда. Подпитываемые отчасти этим увеличивающимся языковым мастерством, рекламщики теперь могут исследовать более глубокие паттерны. Рекламная программа может начать с обычных демографических и географических деталей. Но в течение недель и месяцев она начинает изучать образцы поведения людей, на которых настроена, и предсказывать их следующие шаги. Она их узнает. И если программа по сути своей хищническая, она раскрывает их слабости и уязвимые места и следует по самому эффективному пути, чтобы их использовать.

Помимо самых последних достижений компьютерной науки, хищническая реклама часто использует и посредников, которые применяют гораздо более грубые способы охоты на потенциальных клиентов. В 2010 году в одном (оказавшемся весьма эффективным) рекламном объявлении фотографию президента Обамы сопровождал следующий текст: «Обама просит мамочек вернуться к учебе: тем, кто получит диплом, доступна финансовая помощь». Звучало это так, будто президент подписал какой-то новый закон, направленный на то, чтобы обеспечить продолжение учебы для молодых женщин, которым в свое время пришлось оставить колледж после рождения ребенка. Ничего подобного на самом деле не было, но пользователи кликали по ссылке – так что свою задачу баннер выполнил.

За этим дезориентирующим объявлением стоит напряженная работа целой грязной индустрии. Когда одна из потенциальных студенток кликнула на объявление, то, по данным расследования, проведенного независимой журналистской группой ProPublica, ей тут же предложили ответить на несколько вопросов, включая возраст и номер телефона, и с ней тут же связался представитель коммерческого колледжа. Он не смог сказать девушке ничего определенного относительного «нового закона, подписанного Обамой» (потому что такого закона не существовало), но зато тут же предложил помощь в получении кредита на обучение.

Такой способ отбора потенциальных жертв в интернете называется «определением круга потенциальных потребителей». В ходе этого процесса составляется список потенциальных потребителей, которых можно продать – в данном случае продать коммерческим колледжам. По данным ProPublica, около 20–30 % рекламных бюджетов коммерческих колледжей идут именно на определение круга потенциальных потребителей. За наиболее ценных потенциальных жертв колледжи могут заплатить посредникам до 150 долларов за каждого.

По словам Дэвида Халперина, исследователя в области публичной политики, один из таких «определителей круга», компания Neutron Interactive, базирующаяся в Солт-Лейк-Сити, выложила фальшивые предложения работы на Monster.com и подобных сайтах вместе с рекламой, обещающей помощь при получении продовольственных талонов и медицинской страховки. Используя те же методы оптимизации, они размещают множество различных рекламных объявлений, исследуя их эффективность для каждого общественного сектора.

Цель этих объявлений – заманить людей, отчаянно ищущих работу, и заставить их сообщить номера своих телефонов. В звонках, которые следуют за этим, лишь 5 % потенциальных клиентов проявляет интерес к обучению в колледже. Но имена этих людей – важнейшие зацепки: за каждое такое имя коммерческий колледж готов заплатить до 85 долларов. И колледж сделает все, что в его силах, чтобы это вложение оправдало себя. Стоит потенциальному студенту оставить где-нибудь свои данные, как, согласно отчету Главного бюджетно-контрольного управления США, ему тут же начинают звонить по телефону. Один такой потенциальный студент получил более 180 телефонных звонков за один месяц.

Конечно, у коммерческих колледжей есть собственные методы для определения круга потенциальных потребителей. Один из важнейших инструментов – это сайт College Board, который используют многие студенты для того, чтобы записаться на сдачу SAT и изучить варианты дальнейшего обучения. Согласно данным Мары Такер (консультанта для абитуриентов в частном Математическом и естественнонаучном институте городского совета для молодых женщин (Бруклин)), механизм поиска на этом сайте настроен таким образом, чтобы перенаправлять бедных студентов к списку коммерческих колледжей. Как только студентка ставит галочку в графе «нуждаюсь в финансовой помощи», она тут же видит список подходящих вузов – и наверху списка находятся коммерческие колледжи.

Коммерческие колледжи также предоставляют различные бесплатные сервисы в обмен на личные контакты студентов. Кэсси Маджесис, еще один консультант бруклинского Института городского совета, рассказала мне, что колледж может, скажем, организовать бесплатные семинары, на которых студентов учат написанию резюме. От этих семинаров действительно есть толк, однако в результате нуждающихся студентов, которые предоставили для участия в семинаре свою контактную информацию, начинают прямо-таки преследовать. При этом коммерческие колледжи даже не пытаются охотиться на богатых студентов – они и их родители гораздо лучше разбираются в том, как что устроено в сфере образования.

Вербовка во всех ее формах – краеугольный камень бизнеса коммерческих колледжей, и поэтому они тратят на нее больше денег, чем на собственно образование. Отчет Сената США, в котором было рассмотрено 30 различных систем коммерческих колледжей, выявил, что в них один вербовщик приходится на 48 студентов. Apollo Group, материнская компания Университета Финикса, потратила более миллиарда долларов на маркетинг в 2010 году, и почти все эти траты ушли на рекрутинг студентов (в среднем 2225 долларов на студента на маркетинг и только 892 доллара на студента на обучение). Сравните это с показателями Портлендского общественного колледжа (штат Орегон), который в среднем тратит 5953 доллара на обучение одного студента и лишь 1,2 процента бюджета, то есть 185 долларов на студента, на маркетинг.

Математика в форме сложных моделей подпитывает хищническую рекламу, которая приводит в эти колледжи потенциальных студентов. Но к тому времени, как вербовщик начинает названивать потенциальному студенту по телефону, мы уже оставили позади мир цифр. Расхваливание услуг колледжа, с обещаниями доступной оплаты, ярких карьерных перспектив и продвижения в более высокие слои общества, происходит примерно по той же схеме, что и реклама магических эликсиров, средств от облысения и вибропоясов против жира на талии. Все это не ново.

Однако важнейший компонент оружия математического поражения – это ущерб, который оно наносит жизням столь многих людей. И в случае хищнической рекламы такого типа ущерб начинает происходить, только когда студенты начинают брать огромные кредиты на образование.

Основной показатель здесь – так называемое правило 90/10, включенное в закон о высшем образовании 1965 года. Он устанавливает, что колледжи не могут брать более 90 процентов финансирования из федерального бюджета. За этим правилом стояло следующее соображение: если у студентов будет какой-то финансовый стимул, они начнут воспринимать образование более серьезно. Но коммерческие колледжи быстро включили это соотношение в свои бизнес-планы. Если студенты смогут наскрести несколько тысяч долларов – из собственных сбережений или с помощью банковских кредитов – университеты смогут набрать на каждого из них в девять раз больше в виде государственных займов, что в итоге сделает каждого студента невероятно выгодным с коммерческой точки зрения.

Многим студентам кредиты кажутся просто бесплатными деньгами, и вузы не пытаются разубедить их в этом. Но на самом деле это долг – и многие очень быстро вязнут в нем по шею. Совокупный долг студентов на момент банкротства Коринфских колледжей составлял 3,5 миллиарда. Почти все эти кредиты были погашены налогоплательщиками и никогда уже не будут им возмещены.

Конечно, некоторые люди оканчивают коммерческие колледжи со знаниями и умениями, которые пригождаются им в жизни. Но лучше ли у них складываются карьера, чем у выпускников общественных колледжей, чье обучение стоило намного дешевле? В 2014 году в ходе исследования, проведенного Национальным центром анализа динамических данных в области образования (CALDER) в рамках Американских институтов исследований, было написано около девяти тысяч фальшивых резюме. Некоторые из этих несуществующих соискателей работы указали в CV наличие диплома коммерческого колледжа, некоторые – общественного вуза, а у третьей группы вообще не было высшего образования. Исследователи разослали эти резюме работодателям в семи крупнейших городах США, а затем измерили число откликов. Обнаружилось, что дипломы коммерческих колледжей котировались ниже, чем дипломы общественных колледжей, – примерно наравне с аттестатом об окончании средней школы. В то же время обучение в коммерческих колледжах стоит в среднем на 20 % больше, чем в самых престижных университетах штатов.

Петля обратной связи, порождаемая этим видом ОМП, не столько сложна, сколько безнравственна. Самые бедные 40 % американского населения и так находятся в отчаянном положении. Многие рабочие места на фабриках и заводах исчезли: либо были заменены высокими технологиями, либо переместились за океан. Профсоюзы утратили свое влияние. Самые богатые 20 % населения контролируют 89 % всего капитала в стране, а беднейшие 40 % не контролируют вообще ничего. Их доходы, так сказать, отрицательны: в среднем семья в этом огромном и бедствующем секторе имеет долг в 14 800 долларов, в основном на счетах кредитных карт с грабительским процентом. Этим людям нужны деньги. А ключ к хорошему доходу, как они слышат снова и снова, – это образование.

И тут на сцене появляется коммерческий колледж со своим отлично настроенным оружием математического поражения, и этот колледж выискивает и окончательно обдирает самых нуждающихся. Он сулит им наилучшее образование и рисует завораживающие картинки продвижения наверх по социальной лестнице – а в то же время погружает их все глубже в долговую трясину. Он эксплуатирует нужды бедных семей, их невежество и их мечты, и делает это в гигантских масштабах. В результате распространяется чувство безнадежности и отчаяния, которое, вместе со скепсисом в отношении качества образования в принципе, лишь углубляет огромную имущественную пропасть в нашей стране.

Стоит заметить, что эти фабрики дипломов усугубляют неравенство в обоих направлениях. Президенты ведущих коммерческих университетов зарабатывают миллионы долларов в год. Например, Грегори Капелли, генеральный директор Apollo Education Group (материнской компании Университета Финикса), положил в карман 25,1 миллиона долларов совокупной прибыли в 2011 году. В государственных университетах (у которых, конечно, тоже есть свои недостатки) лишь футбольные и баскетбольные тренеры могут рассчитывать на такие заработки.

К сожалению, коммерческие колледжи далеко не одиноки в использовании хищнической рекламы. Они лишь одни из многих. Стоит подумать о людях, которые находятся в сложных обстоятельствах, – и вы сразу найдете рядом рекламщиков, которые оттачивают на них свои хищнические модели. Одна из самых очевидных возможностей – это кредиты. Конечно, всем нужны деньги, но некоторым они нужны более срочно, чем остальным. Этих людей несложно найти. Самые нуждающиеся, скорее всего, будут обитать в беднейших районах. И с точки зрения организаторов хищнической рекламы, они просто взывают об особом внимании, забивая свои запросы в поисковики и кликая на баннеры.

Как и коммерческие колледжи, индустрия краткосрочных микрокредитов широко применяет ОМП. В некоторых случаях она управляется вполне легальными процедурами, однако индустрия в целом совершенно хищническая: займы выдаются под возмутительно высокие кредитные ставки (в среднем 574 % на краткосрочный кредит), причем эти займы в среднем продлеваются восемь раз, что делает их больше похожими на долгосрочные кредиты. Эти кредитные организации поддерживаются легионами брокеров данных и маркетологов, формирующих круги потенциальных потребителей, многие из которых действуют как мошенники. Их рекламные объявления вдруг появляются на экране вашего компьютера или смартфона, предлагая быстрый доступ к наличности. Когда потенциальные заемщики заполняют заявления, зачастую включающие в себя банковскую информацию, они становятся беззащитными перед воровством и махинациями.

В 2015 году Федеральная торговая комиссия обвинила двух брокеров в торговле заявками на кредиты от более чем полумиллиона клиентов. Из материалов дела следовало, что компании Sequoia One, находящаяся в Тампе, штат Флорида, а также Gen X Marketing из соседнего города Клируотер похитили номера телефонов и социальных страховок клиентов, а также их банковские реквизиты и сведения об их работодателях, а затем продали эти данные по 50 центов за каждую единицу информации. Компании-покупатели сняли как минимум 7,1 миллиона долларов с банковских счетов клиентов. На многих из жертв были наложены банковские штрафы за опустошение счетов или выписывание чеков без достаточных средств на их покрытие.

Если вы задумаетесь о том, какие здесь были задействованы суммы, они окажутся ничтожно малыми. Сумма в 7,1 миллиона долларов, разделенная на полмиллиона счетов, дает всего 14 долларов на каждый счет. Даже если воры не смогли получить доступ ко многим из этих счетов, все равно суммы, которыми они поживились, были незначительными – последние 50 или 100 долларов, которые бедняки хранили на своих счетах.

В данный момент планируется введение новых законов, ограничивающих доступ к личной информации – важнейшему элементу всех видов ОМП. На сегодняшний день пара федеральных законов, таких как Закон об объективной кредитной отчетности и Закон о праве сохранения и защите данных медицинского страхования, устанавливают некоторые ограничения на данные по здоровью и кредитной истории граждан. Возможно, с оглядкой на брокеров данных будут добавлены и новые лимиты.

Однако, как мы увидим в следующих главах, некоторые из самых эффективных и безнравственных ОМП умудряются находить обходные пути. Они изучат все, от наших районов проживания до наших друзей на Facebook, чтобы предсказать наше поведение – и даже упрятать нас за решетку.

Жертвы среди мирного населения: справедливость в эпоху Больших данных

Небольшому городу Рединг в штате Пенсильвания приходится нелегко в постиндустриальную эпоху. Раскинувшийся на зеленых холмах в пятидесяти милях к западу от Филадельфии Рединг в свое время разбогател на железных дорогах, стали, угле и текстильном производстве. Но поскольку в последние десятилетия все эти отрасли промышленности находятся в сильном упадке, город зачах. К 2011 году в нем наблюдался самый высокий коэффициент бедности в стране – 41,3 (год спустя его опередил, пусть и совсем немного, Детройт). Рецессия, начавшаяся в 2008 году, совсем подорвала экономику Рединга, налоговые поступления уменьшились, и это вынудило городское полицейское управление сократить персонал на 45 человек, несмотря на высокий уровень преступности.

Шефу полиции Рединга Уильяму Хейму пришлось решать проблему: сохранить на прежнем уровне или даже повысить эффективность работы полиции, несмотря на сокращение штата. В 2013 году Хейм решил инвестировать в программу по предотвращению преступлений, которую производит компания PredPol, стартап в области Больших данных, базирующийся в Санта-Крузе, штат Калифорния. Программа обрабатывала данные о правонарушениях и высчитывала по часам, в каких местах с наибольшей вероятностью могут произойти новые преступления. Город был разделен на квадраты, каждый с два футбольных поля размером. Если полицейские Рединга тратили больше времени на инспектирование именно тех квадратов, в которых с наибольшей вероятностью могли произойти преступления, эти преступления было легче предотвратить. Уже через год Хейм объявил, что количество ограблений снизилось на 23 %.

Предиктивные программы вроде PredPod сейчас пользуются огромным спросом в полицейских участках с урезанным бюджетом по всей стране. От Атланты до Лос-Анджелеса участки отправляют патрульных в наиболее опасные квадраты и рапортуют о снижении уровня преступности. Нью-Йорк использует похожую программу под названием CompStat. А полиция Филадельфии работает с местным продуктом, который называется HunchLa и включает в себя анализ степени риска на местности: в него входит информация об определенных объектах, вроде банкоматов или мини-маркетов, которые могут привлекать преступников. Разработчики программ по предсказанию преступлений, как и их коллеги в других областях индустрии Больших данных, спешат включить в свои программы всю информацию, которая может повысить точность их моделей.

Если подумать, предсказания горячих точек преступлений похожи на модели по перемещению защиты в бейсболе, которые мы обсуждали выше. Эти системы исследуют историю хитов каждого игрока, а затем размещают филдеров в позиции, куда скорее всего прилетит мяч. Программы по предсказанию преступлений анализируют ситуацию подобным образом и помещают патрульных туда, где скорее всего произойдет преступление. Оба типа моделей оптимизируют ресурсы. Но некоторое количество программ по предсказанию преступлений представляют собой более сложные модели, так как предсказывают развитие действий, которое может привести к волне преступлений. Приложение PredPol, например, использует в своей основе анализ сейсмоактивности: оно анализирует определенное преступление в определенном районе, включает его в исторический паттерн и предсказывает, где и когда подобное может снова случиться. (В частности, программа обнаружила такую простую корреляцию: если взломщики проникли в дом вашего соседа, будьте начеку.)

Предиктивные модели преступлений вроде PredPol имеют свои достоинства. В отличие от работников отдела профилактики преступлений из антиутопии Стивена Спилберга «Особое мнение» (а также от некоторых зловещих инициатив в реальной жизни, до которых мы дойдем в ближайших главах), полицейские не выслеживают людей до того, как те совершат преступления. Создатель PredPol Джеффри Брантингем, профессор антропологии Калифорнийского университета в Лос-Анджелесе, делает акцент на том, что модель не различает расы и этническое происхождение. И в отличие от других программ, включающих в себя модели по подсчету риска рецидива, которые мы уже обсуждали и которые используются как ориентиры при назначении срока, PredPol не концентрируется на конкретных людях. Вместо этого она изучает географию. Ключевые данные в ней – это тип совершенного преступления, его место и время. Это кажется достаточно справедливым. И если полицейские проводят больше времени в зонах повышенного риска, срывая планы взломщиков и угонщиков автомобилей, есть хорошие причины верить в то, что программа действует на благо общества.

Но большинство правонарушений не столь серьезны, как ограбления и угоны машин, и именно здесь кроется серьезная проблема. Когда полиция начинает пользоваться системой PredPol, у нее есть выбор. Они могут сосредоточиться исключительно на так называемых преступлениях первой степени тяжести. Это жестокие преступления, включающие в себя убийства, поджоги и разбои. Но они также могут расширить зону охвата и включить в нее преступления второй степени: бродяжничество, агрессивное попрошайничество, сбыт и употребление наркотиков в мелких масштабах. Многие из этих правонарушений обычно остаются не замеченными полицией – если не происходят прямо на глазах у патрульных.

Подобные нарушения порядка в высшей степени распространены во многих бедных кварталах. В некоторых местах полиция называет их асоциальным поведением (ASB). К сожалению, если такое поведение включить в модель, это может испортить анализ. Как только данные о мелких правонарушениях попадают в предиктивную модель, в эти районы подтягиваются дополнительные полицейские силы, и эти полицейские, скорее всего, арестуют там больше людей, чем обычно. В конце концов, даже если цель офицера – препятствовать лишь ограблениям, убийствам и изнасилованиям, у него могут быть спокойные периоды затишья. Такова природа патрулирования. И если в свободную минуту патрульный увидит двух явно несовершеннолетних ребят, которые что-то распивают из бутылки, спрятанной в крафтовый пакет, он их остановит. Такого рода мелкие преступления дают модели все больше точек на карте, и модель отправляет еще больше полицейских в те же самые районы.

Это создает токсичную петлю обратной связи. Сама работа полицейских порождает новые данные, которые оправдывают более усердную работу полицейских. В итоге наши тюрьмы заполняются людьми, осужденных за преступления, в которых нет пострадавших. Большая часть этих преступников происходит из бедных районов, и большинство из них черные или латиноамериканцы. Так что, даже если модель не видит цвета кожи, в результатах ее анализа этот цвет виден прекрасно. В наших сегрегированных городах топография – отличное отражение расовой принадлежности.

Если цель моделей – предотвратить серьезные преступления, можно спросить: почему мелкие правонарушения вообще в них отслеживаются? Ответ заключается в том, что с 1982 года настоящим кредо криминалистов стала взаимосвязь между антисоциальным поведением и преступностью – с тех пор как криминолог Джордж Келлинг и эксперт по публичной политике Джеймс К. Уилсон написали важнейшую статью для журнала Atlantic Monthly. Статья была посвящена так называемой теории разбитых окон, заключавшейся в том, что мелкие преступления и правонарушения создают атмосферу хаоса во всей округе. Законопослушных граждан это отпугивает и побуждает переехать. Они оставляют после себя темные и пустые улицы, которые теперь уже становятся питательной средой для серьезных преступлений. Противоядием может стать общественное сопротивление распространению беспорядка: починка разбитых окон, устранение граффити с вагонов метро и принятие мер по предотвращению мелких правонарушений.

Эта теория воплотилась в кампании нулевой толерантности в Нью-Йорке 1990-х годов. Полицейские могли арестовать подростка за то, что он всего лишь перепрыгнул турникет в метро. Молодых людей задерживали за то, что они раскуривали единственный косяк на компанию, возили по городу в зарешеченном фургоне, после чего ставили на учет в полиции. Кое-кто считал, что именно эти энергичные меры привели к значительному снижению количества серьезных преступлений. Другие с этим не соглашались. Например, авторы бестселлера Freakonomics[10] связали снижение уровня преступности с легализацией абортов в 1970-х. Возникло и множество других теорий: одни считали, что все дело в снижении уровня наркотической зависимости от крэка, другие – что благодарить надо экономический бум 1990-х. В любом случае принцип нулевой толерантности был широко поддержан обществом, и система уголовного правосудия отправила миллионы людей – в основном молодых представителей этнических меньшинств – в тюрьму, причем многих из них – за незначительные правонарушения.

Но нулевая толерантность на самом деле имеет очень отдаленное отношение к теории разбитых окон Келлинга и Уилсона. Их исследование было сосредоточено на показавшейся им успешной полицейской инициативе в Ньюарке, штат Нью-Джерси. Полицейские, патрулировавшие улицы в этом городе, в соответствии с программой должны были проявлять высокий уровень терпимости. Их работа заключалась в том, чтобы приспособиться к стандартам порядка на данной территории и помочь их поддерживать. Стандарты в разных районах города варьировались. Например, в одном нужно было следить за тем, чтобы бездомные пьяницы держали свои бутылки в пакетах и не выходили на главные улицы, но на боковых им находиться было можно. В других районах наркоманам разрешалось сидеть на ступеньках подъездов, но не лежать на них. Основной целью полицейских было не допустить снижения этих стандартов. Полиция, согласно этой схеме, помогала жителям квартала поддерживать их собственный порядок – и не насаждала свой.

Возможно, вы подумали, что я слишком отвлеклась от PredPol, математики и оружия математического поражения. Однако каждый политический подход, будь то теория разбитых окон или кампания нулевой толерантности, представляет собой какую-то модель. Точно так же как мое планирование домашнего ужина или рейтинг колледжей журнала U. S. News, каждая модель борьбы с преступностью требует загрузки определенной информации, после чего следует серия откликов. Важно смотреть на политику таким образом, потому что эти математические модели в наше время заняли доминирующее положение в правоохранительных органах. И некоторые из них представляют собой ОМП.

При этом можно понять, почему полицейские отделы решают включать в модели информацию о мелких правонарушениях. Выросшие на ортодоксальном убеждении о необходимости нулевой толерантности, многие считают взаимосвязь мелких и крупных преступлений не менее очевидной, чем взаимосвязь дыма и огня. Когда полиция британского графства Кент решила опробовать PredPol в 2013 году, они тоже включили в модель незначительные правонарушения – и сначала им показалось, что это сработало. Они обнаружили, что патрулирование квадратов, начерченных PredPol, в десять раз более эффективно, чем патрулирование в случайном порядке, а информация по ним вдвое более точна, чем анализ обстановки, предоставленный полицейскими агентами. Но какого типа преступления лучше всего предсказывает модель? Мелкие правонарушения. И это совершенно логично. Пьяница будет изо дня в день мочиться на одну и ту же стену, наркоман будет валяться на одной и той же парковой скамейке, а вот угонщик автомобилей и взломщик будут как раз активно перемещаться, изо всех сил стараясь предугадать маршруты патрульных машин.

Несмотря на то, что полицейские начальники подчеркивают необходимость бороться прежде всего с жестокими преступлениями, нужно очень сильно сдерживаться, чтобы не позволить потоку информации о мелких правонарушениях хлынуть в предиктивные модели. Легко поверить в то, что чем больше информации, тем лучше. И если модели, сосредоточенные только на жестоких преступлениях, выдадут на экране немногочисленные точки, то включение информации о «досаждающих» преступлениях тут же создаст более полную и яркую картину творящегося в городе беззакония.

И к сожалению, в большинстве случаев такая карта преступности будет отслеживать бедные кварталы. Высокий уровень арестов в этих районах только подтвердит широко распространенное убеждение среднего и высшего классов общества: бедные люди сами ответственны за свои недостатки, именно они совершают большинство преступлений.

Но что, если бы полиция поискала преступления другого рода? Возможно, это покажется нелогичным, ведь большинство из нас, в том числе полицейские, воспринимают систему преступлений как пирамиду. Наверху этой пирамиды находятся убийства. Далее идут изнасилования, вооруженные нападения и нанесение телесных повреждений – эти преступления более распространены. Следующий уровень занимают кражи в магазинах, мелкое мошенничество и даже нарушения правил парковки – то, что происходит повсеместно. Придание большего веса преступлениям, находящимся на вершине пирамиды, кажется разумным. Минимизация жестоких преступлений, как согласится большинство, должна быть главной задачей работы полиции.

Но как насчет преступлений, которые находятся на большом удалении от квадратов на картах PredPol, – преступлений, совершаемых богатыми людьми? В 2000-е годы финансовые короли замечательно повеселились. Они лгали, они ставили миллиарды против своих же клиентов, они занимались мошенничеством и подкупали рейтинговые агентства. В этой среде были совершены огромные преступления, которые привели к кризису в мировой экономике на протяжении почти пяти лет. Миллионы людей в результате лишились домов, рабочих мест и доступа к услугам здравоохранения.

У нас есть все основания полагать, что большинство подобных преступлений и сейчас совершается в мире финансов. Если мы чему-то и научились, то это тому, что движущая цель финансового мира – получить огромную прибыть, чем больше, тем лучше, и что даже какое-то подобие саморегулирования здесь немыслимо. Благодаря богатству этой индустрии и мощи ее лоббистов контроль над финансовой сферой совершенно недостаточен.

Представьте только, что полиция применила бы свою стратегию нулевой терпимости в области финансов. Банкиров и брокеров арестовывали бы за малейшие нарушения – будь то обработка потенциальных клиентов пенсионных фондов с предоставлением им лживых данных в ходе консультаций или другое мелкое жульничество. Представим, что полицейский спецназ выдвигается в Гринвич, штат Коннектикут[11], а полицейский агент под прикрытием внедряется в среду завсегдатаев одного из респектабельных баров рядом с Чикагской товарной биржей.

Конечно, это маловероятно. У патрульных полицейских нет ни квалификации, ни опыта для подобной работы. Все в их профессиональной деятельности, от физической подготовки до пуленепробиваемых жилетов, адаптировано под опасные улицы. Борьба с преступлениями «белых воротничков» требует людей с другими инструментами и другими навыками. Небольшие и недостаточно финансируемые команды, которые выполняют эту работу, от ФБР до следователей из Государственной комиссии по ценным бумагам и фондовому рынку, за десятилетия работы убедились в том, что банкиры практически неуязвимы. Они тратят много денег на наших политиков (это всегда помогает), а также считаются необходимыми звеньями нашей экономики (это всегда защищает): мол, если большие банки начнут тонуть, то экономика пойдет ко дну вместе с ними (у бедных нет такой защиты). Поэтому, если не считать пары зловещих исключений вроде основателя финансовой пирамиды Бернарда Медоффа, финансистов не арестовывают. В общем и целом они пережили крах рынка 2008 года практически без единой царапины. Что может повредить им сейчас?

Этими примерами я доказываю, что у полиции есть выбор, на что обратить основное внимание. Сегодня они сосредоточены почти полностью на бедных людях. Это их наследие и их миссия, как они ее понимают. И в наше время специалисты по анализу данных вплетают этот социальный статус-кво в свои модели, подобные PredPol, которые оказывают еще большее влияние на наши жизни.

В результате, несмотря на то, что в принципе PredPol предоставляет собой полезный и даже хорошо продуманный инструмент, он также является оружием математического поражения. И в этом смысле PredPol, пусть и с самыми лучшими намерениями, поощряет полицейских концентрироваться исключительно на бедных людях: чаще их задерживать, больше арестовывать и отправлять в тюрьмы. И начальники полицейских управлений во многих случаях (если не в большинстве) считают, что при этом они предпринимают исключительно разумные шаги в борьбе с преступностью. «Именно здесь она и гнездится», – говорят они вам, указывая на гетто на карте города. И теперь у них на руках есть новейшая технология (усиленная Большими данными), которая подкрепляет эту позицию, добавляя процессу точности и наукообразности.

В результате мы криминализировали бедность, полагая, что инструменты, которые мы при этом использовали, – не только научные, но и справедливые.

Однажды весной 2011 года я посетила дата-хакатон в Нью-Йорке. Цель подобных событий – собрать вместе хакеров, математиков и гиков-программистов и мобилизовать их умственные усилия, чтобы пролить свет на цифровые системы, которые играют в нашей жизни такую большую роль. Я объединила свои усилия с Нью-Йоркским союзом гражданских свобод (NYCLU), и мы хотели рассказать об одном из основных методов борьбы с преступностью в арсенале нью-йоркского департамента полиции – программе «Останови, опроси и обыщи» (Stop, question, and frisk). Широко известный общественности под сокращенным названием «останови и обыщи», этот метод получил значительно более широкое распространение в информационную эпоху CompStat.

Суть метода «останови, опроси и обыщи», который полиция считает своего рода фильтром для потенциальных преступлений, очень проста. Полицейские останавливают людей, которые кажутся им подозрительными. Подозрение могут вызвать манера двигаться, одежда, татуировки и т. д. Полицейские разговаривают с подозрительным человеком, оценивая его в ходе опроса, часто при этом заставив его встать с поднятыми руками к стене или распластав на багажнике автомобиля. Затем задержанного просят показать какое-либо удостоверение личности, а также обыскивают его. Остановите достаточное количество людей, считают поклонники этого метода, и вы, без сомнения, предотвратите множество мелких преступлений, а то и несколько крупных. Эта политика, которую весьма обширно применяла администрация мэра Майкла Блумберга, была с энтузиазмом поддержана общественностью, и за последнее десятилетие число таких задержаний возросло на 600 % – почти до 700 тысяч случаев в год. Подавляющее большинство остановленных прохожих были ни в чем не виноваты, и для них это общение с полицией оказалось весьма неприятным опытом, зачастую вызвавшим у них настоящую ярость. Однако многие жители города связали эту программу с резким снижением уровня преступности в городе. Они почувствовали, что Нью-Йорк стал более безопасным, и статистика это подтверждала. Число убийств, достигшее отметки 2245 в 1990 году, снизилось до 515 (а к 2014-му – даже до 400 в год).

Все знают, что большинство людей, которых полиция останавливает, – молодые темнокожие мужчины. Но сколько именно этих людей? Насколько часто такие задержания ведут к арестам или предотвращают серьезные преступления? Хотя теоретически эта информация открыта, на практике получается, что большая ее часть хранится в базе данных, к которой сложно получить доступ. Это программное обеспечение не будет работать на наших компьютерах, и эти данные не получится конвертировать в таблицы Excel. И наша задача на хакатоне заключалась в том, чтобы открыть доступ к этим данным, освободить их, чтобы мы могли проанализировать эффективность программы «останови и обыщи».

В результате мы обнаружили – без особого, впрочем, удивления, – что в подавляющем большинстве случаев – около 85 % – полицейские останавливали афроамериканцев или латиноамериканцев. В определенных районах многие из таких людей останавливались неоднократно. Только 0,1 % – то есть один человек из тысячи остановленных – был хотя бы каким-то образом связан с насильственной преступностью. Однако этот фильтр позволил задержать многих других за менее серьезные преступления, от хранения наркотиков до употребления алкоголя несовершеннолетними, что в ином случае могло бы остаться незамеченным. Некоторые из задержанных, как несложно догадаться, приходили в ярость – и значительному числу из них в результате предъявили обвинение в сопротивлении при аресте.

Нью-Йоркский союз гражданских свобод подал в суд на администрацию Майкла Блумберга, обвинив ее в том, что политика «останови и обыщи» является расистской. Это пример предвзятого полицейского подхода, который подталкивает большее число представителей этнических меньшинств в систему уголовного преследования и в тюрьму. Для афроамериканца, утверждал иск, вероятность оказаться в тюрьме в шесть раз выше, чем для белого, а вероятность быть застреленным полицией – в двадцать один раз выше, по крайней мере согласно доступной информации (а доступность ее, как уже было сказано, совершенно недостаточна).

Программа «останови и обыщи» – это не в полном смысле ОМП, потому что она основана на человеческом суждении (которое полицейский офицер делает при опросе задержанного), а не на формализованном алгоритме. Но здесь налицо простой и деструктивный расчет: если полиция остановит тысячу человек в определенных кварталах, то в среднем будет вскрыто одно тяжкое преступление и множество более мелких. Это не так уж отличается от спам-рассылки и хищнических рекламных объявлений, у каждого из которых ничтожные шансы на успех. Даже если у каждого случая задержания по отдельности ничтожная вероятность попадания, если случаев достаточно много, вы все же достигнете цели. И это помогает понять, почему данная программа получила такое распространение в эпоху мэра Блумберга. Если задержание в шесть раз большего количества подозрительных лиц в шесть раз увеличит число арестов, то неудобства и унижения, которые придется претерпеть при этом тысячам тысяч невинных людей, оправданны. Разве эти самые люди не заинтересованы в том, чтобы преступность была остановлена?

Впрочем, некоторые аспекты программы «останови и обыщи» были весьма похожи на ОМП. Например, эта программа приводила к образованию губительной петли обратной связи. Она загоняла в тюрьмы тысячи афроамериканцев и латиноамериканцев, причем многих из них – за мелкие правонарушения, которые совершаются каждый субботний вечер в студенческих компаниях и остаются безнаказанными. Но хотя абсолютное большинство студентов университетов могут спокойно спать после своих вечеринок, жертвы программы «останови и обыщи» оказываются в полицейском участке, ставятся на учет, а некоторые из них отправляются в итоге в настоящий ад – в тюрьму Рикерс-Айленд. Более того, каждый арест подпитывает базу данных, все больше оправдывая эту политику.

По мере распространения политики «останови и обыщи» почтенный юридический принцип, согласно которому для любого задержания должны быть достаточные основания, практически утратил всякое значение, потому что полиция начала охотиться не только на людей, которые, возможно, уже совершили какое-нибудь преступление, но и на тех, которые могли бы совершить его в будущем. Иногда полиция, без сомнения, достигала своей цели. Арестовав молодого человека, в чьем подозрительно оттопыренном кармане обнаружился незарегистрированный пистолет, полицейские, возможно, избавили квартал от еще одного убийства или вооруженного ограбления. А возможно, и нет. В любом случае в подходе «останови и обыщи» была своя логика – и для многих она оказалась убедительной.

Но был ли этот подход конституционным? В августе 2013 года федеральный судья Шира Шейндлин постановила, что нет. Она заявила, что офицеры на постоянной основе «задерживали черных и латиноамериканцев, которые не были бы задержаны, если бы они были белыми». Политика «останови и обыщи», по ее мнению, нарушала Четвертую поправку Конституции, которая защищает от безосновательных обысков и задержаний; кроме того, эта политика не обеспечивает равное право на защиту, гарантированную Четырнадцатой поправкой. Судья призвала к серьезным реформам в полицейской политике, включая более постоянное использование камер, закрепленных непосредственно на патрульных полицейских. Это помогло бы установить, имелись ли в каждом случае достаточные основания для задержания, и отчасти устранило бы непрозрачность модели «останови и обыщи». Но это никак бы не решило проблему неравномерного распределения усилий полиции.

Изучая ОМП, мы часто сталкиваемся с выбором между справедливостью и эффективностью. Наши юридические традиции в значительной мере склоняются к справедливости. Конституция, например, провозглашает презумпцию невиновности, и сама она сконструирована таким образом, чтобы охранять эту ценность. Но с точки зрения создателя модели, презумпция невиновности – это помеха, в результате которой некоторые виновные будут отпущены на свободу, особенно если у них есть деньги на хороших адвокатов. Даже те, кого признаю́т виновными, имеют право на обжалование вердикта, что отнимает время и ресурсы. Таким образом, система жертвует большой долей эффективности, обещая бо́льшую справедливость. Конституция неявно подразумевает, что для общества менее опасно отпустить из-за недостатка улик подозреваемого, который вполне мог совершить преступление, чем посадить в тюрьму или казнить невиновного.

Оружие математического поражения, с другой стороны, имеет тенденцию предпочитать эффективность. По самой своей природе такое оружие работает на основе данных, которые можно измерить и посчитать. Но справедливость сложно поддается измерению. Это концепция. А у компьютеров, при всем их прогрессе в языке и логике, все еще серьезные сложности с концепциями. Они «понимают» красоту только как слово, которое ассоциируется с Большим Каньоном, закатами над океаном и советами по уходу за внешностью в журнале Vogue. Они тщетно пытаются измерить «дружбу», подсчитывая лайки и взаимные пересечения на Facebook. А концепция справедливости ускользает от них полностью. Программисты не знают, как написать для нее код, к тому же очень немногие их начальники просят это сделать.

Итак, справедливость в ОМП не подсчитывается. В результате происходит массированное, промышленное производство несправедливости. Если вы представите себе ОМП в образе завода, то несправедливость – это черные клубы, поднимающиеся из труб. Это токсичные выбросы.

Вопрос в том, готовы ли мы как общество пожертвовать частью эффективности в интересах справедливости. Следует ли нам препятствовать работе моделей, удаляя из них определенные данные? Например, вполне возможно, что добавление гигабайта данных по антисоциальному поведению может помочь PredPol предсказать на карте координаты места, где, возможно, произойдет серьезное преступление. Но это происходит ценой образования негативной петли обратной связи. Поэтому я выступаю за то, чтобы исключить эти данные.

За это дело сложно бороться – во многих аспектах это похоже на борьбу против прослушки телефонных разговоров, которой занимается Агентство национальной безопасности. Защитники прослушки утверждают, что это необходимо для нашей безопасности. И люди, которые управляют нашим огромным аппаратом национальной безопасности, будут и дальше пытаться добыть как можно больше информации, чтобы выполнять свою миссию. Они продолжат покушаться на личную неприкосновенность граждан, пока им не сообщат, что они должны выполнять свою работу в рамках Конституции. Возможно, так им будет сложнее, но это необходимо.

Другая проблема заключается в вопросе равенства. Стало бы общество с такой охотой жертвовать концепцией достаточных оснований, если бы каждому члену общества пришлось испытать на себе все унижение и неудобства метода «останови и обыщи»? У полиции Чикаго есть своя программа «останови и обыщи». Что, если бы они во имя справедливости послали патрульных на Золотой берег – в один из самых респектабельных районов города? Что, если бы они начали задерживать тех, кто, закончив пробежку в парке, перебежал Северный бульвар в неположенном месте, или обрушились на владельцев пуделей, которые справили свою нужду на Лейкшор-драйв? Это усиленное присутствие полиции, вполне вероятно, позволило бы выявить нескольких пьяных водителей и, возможно, вскрыло бы несколько случаев мошенничества со страховками, домашнего насилия или рэкета. Время от времени, чтобы каждый почувствовал вкус неприкрашенной действительности, полиция должна бросать богатых граждан в свои фургоны, выкручивать им руки и заковывать в наручники – возможно, нецензурно ругаясь при этом и оскорбляя задержанных.

Через некоторое время благодаря повышенному вниманию к Золотому берегу у полиции накопится определенное количество информации. Она зафиксирует повышение уровня преступности в этом квартале, а это привлечет сюда еще больше полицейских сил, что, несомненно, приведет к дальнейшему озлоблению и росту конфронтации. Я представляю себе, как нарушитель правил парковки отказывается выйти из своего мерседеса, и в итоге ему предъявляют обвинение в сопротивлении аресту. Раскрыто еще одно преступление на Золотом берегу!

Описанная мной картина может показаться не слишком серьезной. Но важнейшая часть справедливости – равенство. И это означает, помимо многих других вещей, равное для всех применение правосудия. Люди, которые ратуют за политику «останови и обыщи», должны испытать ее на своей шкуре. Правосудие не может быть чем-то, что одна часть общества натравливает на другую.

Пагубный эффект неравномерного распределения усилий полиции, будь то «останови и обыщи» или предиктивных моделей вроде PredPol, не заканчивается в момент ареста обвиняемых и постановки на учет в правоохранительных органах. Как только они оказываются за решеткой, они испытывают на себе воздействие еще одного ОМП, которое я обсуждала в главе 1: модель предсказания рецидива, рекомендации которой используются при вынесении приговоров. Предвзятые данные, полученные благодаря неравномерности распределения полицейских сил, поступают напрямую в эту модель. Затем судьи изучают этот анализ, претендующий на звание научного, и выводят на его основании коэффициент риска. И те, кто воспринимают этот коэффициент серьезно, имеют основания назначать более длительные сроки заключения людям, которые, как им кажется, с большей вероятностью совершат в будущем новые преступления.

И почему же небелые заключенные из бедных кварталов с большей вероятностью будут совершать преступления? В соответствии с данными, вводящимися в модели предсказания рецидива, причина в том, что они с большей вероятностью останутся без работы, у них нет аттестата о среднем образовании и в прошлом они уже сталкивались с законом – и их друзья тоже.

Однако если взглянуть на те же самые данные по-другому, можно увидеть, что эти заключенные живут в бедных кварталах с ужасными школами и мизерными возможностями. Эти кварталы постоянно патрулируются полицией. Поэтому вероятность, что бывший заключенный, вернувшийся в родной квартал, снова столкнется с законом, в самом деле гораздо выше, чем у неплательщика налогов, который окажется после освобождения в своем тенистом пригороде с частными домами. В этой системе бедные и небелые наказываются в большей степени за то, что они – те, кто они есть, и живут там, где они живут.

Более того, для системы, претендующей на научность, в модели предсказания рецидива слишком много логических ошибок. В них не подвергается сомнению установка, что назначение заключенным «высокого риска» более длительных сроков делает общество более безопасным. Это правда, конечно, что заключенные не совершают преступлений против общества, находясь за решеткой. Но, может быть, время, проведенное ими в тюрьме, тоже оказывает влияние на их поведение после освобождения? Что, если годы в жестоком окружении увеличивают, а не уменьшают вероятность того, что они снова совершат преступление? Подобный вывод мог бы подорвать саму основу рекомендаций по назначению сроков. Но тюремные системы, которые захлестывает данными, не проводят эти крайне важные исследования. Слишком часто они используют информацию, чтобы оправдать работу существующей системы, а не усомниться в ее правильности или что-то в ней подправить.

Сравните это с отношением, принятым на Amazon.com. Это гигантское предприятие розничной торговли, так же как и система криминального правосудия, сосредоточено на своего рода рецидиве. Только цель у него противоположная. Amazon нужно, чтобы люди снова и снова приходили в магазин и совершали покупки. Его программное обеспечение идентифицирует рецидивы и поощряет их.

Если бы сайт Amazon функционировал как система юстиции, он бы начал ранжировать покупателей как потенциальных рецидивистов. Возможно, большая часть живет в определенных районах или имеет дипломы о высшем образовании. В этом случае Amazon будет делать этим людям больше предложений – возможно, со скидками, и, если эта маркетинговая система сработает, люди с высоким коэффициентом вероятности рецидива вернутся, чтобы сделать новые покупки. При поверхностном взгляде результат подтвердил бы эту систему баллов.

Но, в отличие от ОМП в системе уголовного судопроизводства, Amazon не удовлетворяется столь поверхностными корреляциями. Компания располагает собственной лабораторией по обработке данных. И если она хочет выяснить подлинный механизм покупательского рецидива, она проводит полноценные исследования. Специалисты Amazon по анализу данных не просто изучают места проживания и уровень образования покупателей. Они также исследуют уже имеющийся опыт общения этих людей с экосистемой Amazon. Они могут начать с обследования моделей поведения людей, которые совершили на Amazon одну-две покупки и после этого никогда не возвращались. Возможно, у них были проблемы с оформлением заказа? Или его слишком поздно доставили? А сколько из таких покупателей оставили отрицательные отзывы в интернете? Появляются все новые вопросы, потому что будущее компании основано на системе, которая постоянно продолжает самообучение и выясняет, что же заставляет людей обращаться к ее услугам снова и снова.

Если бы у меня была возможность стать специалистом по анализу данных в системе правосудия, я бы приложила все усилия, чтобы как можно глубже узнать, что происходит в тюрьме и какое воздействие тюремный опыт оказывает на дальнейшее поведение заключенных. Сначала я бы рассмотрела ситуацию с одиночным заключением. Сотни тысяч заключенных содержатся круглосуточно в этих тюрьмах внутри тюрем, и большая часть этих камер имеет размер не больше лошадиного стойла. Исследователи обнаружили, что время, проведенное в одиночном заключении, генерирует глубокое чувство безнадежности и отчаяния. Может ли это оказать воздействие на вероятность будущего рецидива? Я бы хотела провести такой тест, но не уверена, что данные по этому вопросу когда-либо собирались.

А как насчет изнасилований? В книге «Нечестно: новая наука несправедливости в уголовной юстиции» Адам Бенфорадо пишет об определенных типах заключенных, которых насилуют в тюрьмах. Особенно уязвимыми оказываются молодые и физически слабые, а также люди с психическими отклонениями. Некоторые из них годами живут в роли сексуальных рабов. Это еще одна важная тема для анализа, который мог бы провести кто угодно, располагающий соответствующей информацией и квалификацией, но тюремные системы пока еще ни разу не выражали заинтересованности в каталогизации случаев насилия над личностью.

Серьезный ученый провел бы также исследование позитивных моментов тюремного опыта. Какое воздействие может оказать большее количество солнечного света, занятий спортом, лучшего питания, обучения грамоте? Возможно, эти факторы улучшат поведение заключенного после освобождения. Что более вероятно, они могут иметь разнообразное влияние. Серьезная исследовательская программа в рамках правосудия рассмотрела бы эффект от каждого из этих факторов, а также как они работают все вместе и какого рода людям они больше всего помогают. Цель при конструктивном использовании этих данных заключалась бы в оптимизации тюрем – так же как компании вроде Amazon оптимизируют сайты или системы поставок – для блага как заключенных, так и для всего общества.

Но у тюремных администраций есть целый ряд причин, по которым они избегают подобного исследовательского подхода. Очень велик риск негативного освещения в прессе – ни одна тюрьма не хочет оказаться объектом разгромного репортажа в New York Times. И конечно, в перенаселенную тюремную систему США вложены большие деньги. Частные тюрьмы, содержащие только 10 % заключенных страны, – это индустрия стоимостью в пять миллиардов долларов. Подобно авиакомпаниям, частные тюрьмы извлекают прибыль, только если загружены полностью. Слишком глубокое изучение вопроса может угрожать их основным источникам доходов.

Так что вместо того, чтобы анализировать и оптимизировать тюремную систему, мы имеем дело с черными ящиками. Заключенные попадают внутрь и исчезают из вида. Безусловно, с ними творятся неприятные вещи, но это происходит за толстыми кирпичными стенами. Что именно там творится? Не спрашивайте. Сегодняшние модели упорно придерживаются сомнительной и непроверенной гипотезы о том, что более длительный тюремный срок для заключенных с предположительно высоким риском рецидива делает наше общество более безопасным. Так что если появятся исследования, которые опровергают эту логику, их легко можно будет игнорировать.

Именно это сейчас и происходит. Давайте вспомним об исследовании рецидива, проведенном профессором экономики из Мичигана Майклом Мюллером-Смитом. После изучения 2,6 миллиона судебных дел в округе Харрис штата Техас он заключил, что чем бо́льшие тюремные сроки получали осужденные в этом округе, тем сложнее им было найти работу после освобождения, с тем большей вероятностью им требовались талоны на еду и другие социальные пособия и с тем большей вероятностью они совершали преступления в дальнейшем. Но чтобы превратить эти выводы в новую разумную политику и лучшее правосудие, политикам придется встать на сторону меньшинств, представителей которых многие (если не большинство) избиратели боятся и предпочитают игнорировать. Защита меньшинств определенно не придаст таким политикам популярности.

Политика «останови и обыщи» может казаться несправедливой и назойливой, но в скором будущем она также будет считаться примитивной. Это из-за того, что полиция заимствует инструменты и технику у всемирной кампании против терроризма и сосредотачивает их на локальной борьбе с преступностью. В Сан-Диего, например, полиция не просто останавливает прохожих и спрашивает у них удостоверения личности или обыскивает. Периодически задержанных фотографируют, а затем отправляют фото в облачное приложение для распознавания лиц, которое пробивает изображение по базе данных преступников и подозреваемых. По данным New York Times, полиция Сан-Диего использовала эту программу распознавания лиц на 20 600 людях в период с 2011 по 2015 год. Кроме того, у некоторых задержанных брали мазки из полости рта, чтобы провести анализ ДНК.

Прогресс в технологии распознавания лиц вскоре позволит проводить гораздо более широкомасштабную слежку. Власти Бостона, например, обсуждали использование камер наблюдения для сканирования тысяч лиц во время уличных концертов. Эти данные были бы загружены в сервис, который сможет за секунду сопоставить каждое лицо с миллионом других. В конце концов было решено отказаться от этой идеи. В данном случае забота о личной неприкосновенности перевесила соображения эффективности. Но так будет не всегда.

По мере прогресса технологий мы, без сомнения, увидим серьезный прогресс наружного наблюдения. Хорошая новость, если вы предпочитаете ее такой считать, заключается в том, что, как только тысячи камер наблюдения в наших городах начнут отсылать наши лица на идентификацию, полиции больше не придется задерживать людей в таких количествах. И эта технология, безусловно, окажется полезной при розыске подозреваемых – как это случилось после теракта во время Бостонского марафона. Но это означает, что мы все станем подвергаться цифровому варианту «останови и обыщи», когда наши лица будут прогоняться через базы данных известных преступников и террористов.

Фокус внимания после этого может запросто сместиться к выявлению потенциальных нарушителей – не просто кварталов и квадратов на карте, но конкретных личностей. Эти профилактические кампании, уже вовсю использующиеся в борьбе с терроризмом, представляют собой благодатную почву для развития ОМП.

В 2009 году департамент полиции Чикаго получил грант на два миллиона долларов от Национального института юстиции, чтобы разработать предиктивную программу борьбы с преступностью. Теория, лежавшая в основе успешной заявки на грант, заключалась в следующем: достаточное количество данных и исследований позволит продемонстрировать, что распространение преступности, как и эпидемии, происходит по определенным закономерностям, которые можно предсказать. А если повезет – то и предотвратить.

Научным руководителем чикагской инициативы был Майлз Верник, директор Исследовательского центра медицинской визуализации и Иллинойсского технологического института (IIT). За несколько десятилетий до этого Верник помогал американской армии анализировать данные для выбора тактических целей на поле боя. С тех пор он переключился на анализ медицинских данных, включая данные о развитии деменции. Но, как большинство специалистов по анализу данных, он не считает себя привязанным к определенной сфере деятельности. Он подмечал самые разные паттерны. В Чикаго сферой своей деятельности он избрал паттерны преступлений и преступников.

Начальные усилия команды Верника концентрировались на выделении горячих участков для преступлений – примерно по тому же принципу, как в программе PredPol. Но команда Чикаго пошла гораздо дальше. Они составили список из примерно 400 человек, которые с наибольшей вероятностью могли совершить насильственное преступление, и расположили участников этого списка по степени вероятности участия каждого из них в убийстве.

Одним из людей в этом списке оказался двадцатидвухлетний Роберт Макдэниел, не доучившийся в свое время в средней школе. Открыв дверь своего дома летним днем 2013 года, он столкнулся нос к носу с полицейским офицером, которая сообщила Роберту, что отныне полиция будет за ним присматривать. Позже Макдэниел рассказал Chicago Tribune, что никогда не был замечен в ношении оружия и ни разу не обвинялся в преступлениях против личности. Но, как и у большинства молодых людей из Остина – опасного квартала по соседству с гораздо более благополучным Вест-Сайдом, – у Макдэниела были неприятности с законом и многие его знакомые находились за решеткой.

Данные, анализ которых привел полицию на порог дома Макдэниела, включали в том числе информацию о его круге общения. Он был знаком с преступниками. Нет сомнений в том, что люди статистически с большей вероятностью ведут себя так же, как их окружение. Facebook, например, обнаружил, что часто общающиеся между собой друзья с большей вероятностью кликнут на одно и то же рекламное объявление. Статистически говоря, с кем поведешься, от того и наберешься.

И, надо отдать должное чикагской полиции, они не арестовывают людей вроде Роберта Макдэниела – во всяком случае, пока. Цель полиции в этой программе – спасать жизни. Если четыреста людей, которые, как им кажется, с большей вероятностью могут совершить серьезное преступление, получат личное предупреждение пришедшего к ним домой полицейского офицера, возможно, хотя бы часть из них призадумается, прежде чем взять в руки оружие.

Но давайте рассмотрим случай Макдэниела в терминах справедливости. Так вышло, что он вырос в бедном и опасном квартале. Тут ему не повезло. Он все время был окружен атмосферой насилия, а многие из его знакомых находились за решеткой. В основном из-за этих обстоятельств – а вовсе не из-за его собственных действий – его сочли опасным. Теперь полиция за ним присматривает. Если он сделает какую-нибудь глупость, какие делают миллионы других американцев – например, купит наркотики, или ввяжется в драку в баре, или будет задержан с незарегистрированным пистолетом в кармане, – закон со всей мощью обрушится на него, причем, возможно, накажет Роберта гораздо строже, чем большинство из нас. В конце концов, он был предупрежден.

Я считаю, что модель, которая привела полицию на порог к Роберту Макдэниелу, имеет ложную цель. Вместо того чтобы просто пытаться искоренять преступность, полиция должна предпринимать попытки выстраивать отношения на прилегающей территории. Это было одним из столпов изначального исследования «разбитых окон». Полицейские были на ногах – они разговаривали с людьми и помогали им поддерживать их собственные общественные стандарты. Но эта цель во многих случаях оказалась потерянной из вида, перечеркнутой моделями, которые ставит знак равенства между арестом и повышением безопасности.

Не везде, правда, дела обстоят именно так. Недавно я посетила Кэмден, штат Нью-Джерси, – город, который был в 2011 году признан «столицей убийств» США, – и обнаружила, что городское полицейское управление, которое было реорганизовано и переведено под управление штата в 2012 году, имело двойной мандат: понизить уровень преступности и завоевать доверие населения. Если целью становится завоевание доверия, арест может оказаться последним прибежищем, а не исходным выбором. Более человечный подход может привести к более теплым отношениям между полицией и населением и к меньшему количеству трагедий, которые мы видели за последние годы – убийства полицией молодых черных мужчин и последующие бунты.

С математической точки зрения, однако, доверие сложно подсчитать. Это большая проблема для людей, создающих математические модели. Намного проще продолжать подсчитывать количество арестов и строить модели, предполагающие, что о нас следует судить по нашему окружению. С невиновными людьми, живущими в районах с высокой преступностью, обращаются плохо, а преступники, живущие среди законопослушных граждан, остаются непойманными. И из-за сильной корреляции между бедностью и выявленной преступностью бедняки продолжают попадаться в эти цифровые сети. Остальные из нас о них практически и не думают.

К службе негоден: в поисках работы

Несколько лет назад молодой человек по имени Кайл Бем взял академический отпуск в Университете Вандербильта. Кайл страдал биполярным расстройством личности, и ему было нужно время, чтобы пройти курс лечения. Через полтора года Кайл был уже достаточно здоров, чтобы вернуться к учебе в другом вузе. Примерно в это же время он узнал от друга о возможности подрабатывать с частичной занятостью в супермаркете Kroger. Это была всего лишь низкооплачиваемая позиция в магазине, и Кайл был уверен в том, что получит ее, тем более что друг, переходивший с этой работы на другую, мог за него поручиться. Для успешного студента вроде Кайла послать резюме на такую работу казалось простой формальностью.

Но после собеседования Кайлу так и не перезвонили. Когда он поинтересовался, в чем дело, друг объяснил, что ему дали «красный свет» из-за личностного теста, который он проходил перед собеседованием. Текст был частью программы отбора наемных работников, разработанной Kronos – компанией по управлению персоналом, расположенной в пригороде Бостона. Когда Кайл рассказал своему отцу, прокурору Роланду Бему, что случилось, тот спросил, какие вопросы были в тесте. Кайл сказал, что они были очень похожи на «Модель пяти факторов», которую ему давали в больнице. Этот тест присваивает человеку определенный уровень экстравертности, доброжелательности, добросовестности, тревожности и открытости новым идеям.

Поначалу отказ в трудоустройстве на низкооплачиваемую работу из-за какого-то сомнительного теста не показался серьезной проблемой. Роланд Бем посоветовал сыну просто поискать другое место. Но Кайл возвращался после каждого собеседования с одними и теми же новостями. Все компании, в которые он пытался устроиться, использовали один и тот же тест – и в итоге Кайл не получал от них предложений. Как позже вспоминал Роланд: «Кайл сказал мне: „У меня были практически идеальные результаты SAT, и пару лет назад я учился в Вандербильте. Что же я за неудачник такой, если не могу получить низкооплачиваемую работу с минимальной зарплатой?“ – „Не думаю, что ты настолько неудачник“, – ответил я ему».

Тем не менее Роланд Бем был сильно озадачен. Оказалось, что вопросы про ментальное здоровье перекрывали его сыну шансы найти работу. Бем решил внимательнее ознакомиться с проблемой и вскоре выяснил, что личностные тесты при приеме на работу действительно были распространены в больших корпорациях. В то же время он обнаружил, что эту практику практически никто не пытался оспорить в суде. Как объяснил мне Роланд Бем, соискатель, получающий отказ в поисках работы, редко узнает о том, что это случилось из-за провального результата теста. А даже если и узнает, то почти никогда не обращается к юристу.

Бем разослал семи компаниям – Finish Line, Home Depot, Kroger, Lowe’s, PetSmart, Walgreen Co. и Yum Brands – уведомления о том, что собирается подать групповой иск, обвинив компании в том, что они незаконно используют при приеме на работу тест оценки личности.

Сейчас, когда я пишу эти строки, иск все еще находится на рассмотрении. Споры, скорее всего, будут сосредоточены на том, можно ли считать тест Kronos медицинским обследованием, использование которого при приеме на работу считается незаконным в США по закону 1990 года о защите прав граждан с ограниченными возможностями. Если это будет признано, суд должен будет выяснить, кто ответственен за нарушение закона: сами компании или Kronos.

Вопрос, важный с точки зрения этой книги, заключается в следующем: каким именно образом автоматические системы оценивают нас, когда мы ищем работу, и какие именно критерии они рассматривают. Мы уже увидели, как ОМП сделало токсичным процесс набора студентов в колледжи – как для богатых, так и для представителей среднего класса. Тем временем ОМП в системе криминального правосудия затягивает в сети миллионы людей, абсолютное большинство которых бедные, и большая часть из них никогда не имела возможности получить высшее образование. Члены каждой из этих групп сталкиваются с принципиально отличающимися друг от друга сложностями. Но что-то у них есть и общее. Им всем нужна работа.

Раньше поиск работы во многом зависел от личных знакомств. На самом деле Кайл Бем ожидал, что это и сейчас так, когда пытался устроиться на работу в Kroger. Друг Кайла сообщил ему, что есть вакансия, и замолвил за него словечко работодателю. В течение десятилетий именно так люди оказывались на пороге самых разных заведений, будь то бакалейная лавочка, порт, банк или юридическая фирма. Затем кандидат приходил на собеседование, в ходе которого кадровик пытался его оценить. Слишком часто это транслировалось в единственное основное суждение: похож ли этот человек на меня (или на тех, к кому я хорошо отношусь)? В результате соискатели без друзей среди сотрудников компании практически не имели шансов получить работу – особенно если они были другой расы, этнической группы или религии. Женщины также оказывались исключенными из этого междусобойчика.

Такие компании, как Kronos, привнесли научный подход в корпоративное управление кадровыми ресурсами, отчасти ради того, чтобы сделать процесс более справедливым. Kronos была основана в 1970-х выпускниками МТИ, и ее первым продуктом был новый тип табельных часов, снабженных микропроцессором, который подсчитывал время, проведенное сотрудником на работе, и автоматически отчитывался об этих данных. Сейчас это кажется банальным, но это была одна из первых попыток отследить и оптимизировать рабочую силу с помощью электроники. По мере развития Kronos компания разработала широкий ассортимент программного обеспечения для сотрудников отделов кадров, включая программу Workforce Ready HR, обещавшую, согласно сайту компании, избавить кадровиков от «догадок» при рассмотрении кандидатов:

Мы можем помочь вам отобрать, принять на работу и включить в коллектив кандидатов, которые с наибольшей вероятностью окажутся продуктивными, – самых подходящих для работы сотрудников, которые будут лучше справляться со своими обязанностями и дольше оставаться на своем месте.

Kronos – часть быстро развивающейся индустрии. Прием на работу становится все более автоматизированным, и многие из новых программ включают в себя тесты на оценку личности вроде того, который проходил Кайл Бем. Сейчас эта индустрия представляет собой бизнес с оборотом 500 миллионов долларов ежегодно, и каждый год она, согласно данным тестовой компании Hogan Assessment Systems Inc., растет на 10–15 %. Подобные тесты теперь проходят 60–70 % соискателей, в то время как еще пять лет назад речь шла о 30–40 %, говорит Джош Берсин из консалтинговой фирмы Deloitte.

Естественно, ни одна программа по найму сотрудников не может предоставить абсолютно достоверную информацию о том, как на самом деле кандидат проявит себя в компании. Это дело будущего, которое нам неизвестно. Поэтому, как и многие другие инструменты, обрабатывающие Большие данные, такие программы используют прокси. Но, как мы уже видели, прокси всегда неточны и часто несправедливы. Верховный суд еще в 1971 году постановил в деле «Григгс против компании Duke Power», что тесты на уровень интеллекта при приеме на работу дискриминационны и, соответственно, незаконны. Можно было предположить, что это решение подтолкнет к определенной переоценке ценностей. Вместо этого индустрия просто выбрала разные варианты замены для теста IQ, в том числе тесты оценки личности вроде того, который не дал получить работу Кайлу Бему.

Но дело не только в справедливости и законности: исследования показывают, что личностные тесты на самом деле плохо прогнозируют поведение будущего сотрудника на рабочем месте. Фрэнк Шмидт, преподаватель факультета бизнеса в Университете Айовы, проанализировал информацию о производительности труда за последнее столетие, чтобы сравнить прогностическую ценность различных процессов кадрового отбора. Личностные тесты на его шкале расположились в самом низу – прогнозы на основании этих тестов на две трети менее достоверны, чем проверки когнитивных способностей, и намного слабее, чем проверка рекомендаций и послужного списка.

Особенно это обидно из-за того, что определенные личностные тесты, как показывают исследования, на самом деле могут помочь самим работникам лучше понять себя. Они также могут использоваться для тимбилдинга и для улучшения коммуникаций внутри компании. В конце концов, они создают ситуацию, в которой людям приходится тщательно продумывать совместную работу. Такое намерение уже само по себе может улучшить рабочую атмосферу. Другими словами, если мы определим цель как бо́льшую удовлетворенность сотрудников, личностные тесты могут быть вполне полезным инструментом.

Но вместо этого их используют как фильтр, чтобы прополоть ряд соискателей работы. «Главная цель этого теста, – считает Роланд Бем, – это не найти лучшего сотрудника, а отсеять максимум людей, причем наиболее дешевым способом».

Похоже, личностные тесты легко обмануть. Если вы попробуете пройти в интернете тест на пять факторов личности, это покажется вам чрезвычайно простым делом. Один из вопросов гласит: «Часто ли у вас бывают перепады настроения?» Наверное, на него лучше будет ответить: «Нет». Следующий вопрос: «Легко ли вы впадаете в гнев?» И снова – выберите «нет». Не так уж много компаний хотят взять на работу вспыльчивого сотрудника.

На самом деле компании могут нарваться на неприятности, отсеивая претендентов на основании ответов на подобные вопросы. Регулятор в штате Род-Айленд выяснил, что фармацевтическая компания CVS Pharmacy незаконно отсеивала претендентов с психическими особенностями, предлагая им согласиться или не согласиться с утверждениями вроде: «Люди делают много вещей, которые выводят вас из себя» или «Нет смысла в том, чтобы заводить близких друзей, все равно они тебя подведут». Более изощренные вопросы, на которые труднее дать «правильный» ответ, с большей вероятностью уберегут компанию от неприятностей с новым сотрудником. В итоге многие из тестов, которые сейчас используются, заставляют претендентов делать весьма сложный выбор, оставляя их с неприятным ощущением «Куда ни кинь – всюду клин». McDonald’s, например, просит претендентов на работу выбрать, какое из нижеследующих утверждений лучше их описывает: «Сложно сохранять жизнерадостность, когда так много проблем требуют решения» или «Иногда для того, чтобы начать работу, мне нужен толчок извне».

Газета The Wall Street Journal попросила психолога Томаса Чаморро-Премузика проанализировать подобные каверзные вопросы. Первый из них, по словам психолога, призван выявить «индивидуальные особенности, связанные с невротическими чертами характера и добросовестностью», а второй – «пониженные амбиции и мотивацию». Таким образом, какой бы вариант ни выбрал претендент, он оказывается уличен либо в неврозе, либо в лени.

Вопрос в тесте Kroger был гораздо проще: «Какое прилагательное лучше описывает вас за работой: уникальный или организованный?» Ответ «уникальный», по словам Чаморро-Премузика, говорит о «высокой самооценке, открытости и нарциссизме», в то время как «организованный» – о добросовестности и самоконтроле.

Обратите внимание, что варианта «все вышеперечисленное» не предлагается. Претенденты должны выбирать одну опцию, не имея понятия, как этот ответ интерпретирует программа. И некоторые интерпретации будут весьма нелестными. Если вы посетите практически любой детский сад в стране, вы услышите, как воспитательница говорит детям, что они уникальны. Это попытка поднять их самооценку (не говоря о том, что это, безусловно, правда). Однако спустя 12 лет, когда этот же человек выбирает «уникальный» в личностном тесте при попытках устроиться на низкооплачиваемую работу, программа может на этом основании ему отказать: кто же захочет работать с самовлюбленным нарциссом?

Защитники тестов обращают внимание на то, что вопросов там много, и единственный нежелательный ответ не может дисквалифицировать претендента. Определенные паттерны ответов, однако, могут это сделать – и делают. И мы не знаем, что это за паттерны. Нам не сообщают, что именно ищут тесты. Весь процесс тестирования совершенно непрозрачен.

Хуже того, после того как модель оказывается откалибрована техническими экспертами, она получает очень мало откликов. И вновь здесь можно по контрасту вспомнить о спорте. Большинство профессиональных баскетбольных команд нанимают гиков-аналитиков, которые разрабатывают модели, анализирующие игроков по сериям характеристик, включая скорость перемещения, высоту прыжка, процент свободных бросков и целый ряд других переменных. Когда появляется первый вариант модели, команда «Лос-Анджелес Лейкерс» может избавиться от нового распасовщика из Университета Дьюка из-за низкого процента результативных передач. Распасовщики должны хорошо передавать мяч. Однако допустим, что в следующем сезоне «Лейкерз» вдруг видят, что отвергнутый ими игрок получил звание «новичок года» в команде «Юта Джаз» и возглавляет лигу по количеству результативных передач. В таком случае «Лейкерс» могут вернуться к своей модели и посмотреть, что с ней не так. Возможно, команда новичка еще в колледже рассчитывала на то, что он будет сам забрасывать, что снизило его процент результативных передач. Может, он уже в Юте научился чему-то ценному. В любом случае они могут поработать над улучшением своей модели.

А теперь представьте себе, что Кайл Бем после отказа в Kroger оказывается в «Макдональдсе» и проявляет себя там как блистательный работник. Через четыре месяца он получает должность менеджера кухни, а через год – всего заведения. Станет ли кто-нибудь в Kroger пересматривать свои модели?

Я бы сказала, что на это нет ни единого шанса. Разница в следующем: баскетбольные команды имеют дело с индивидуальными личностями, каждая из которых потенциально стоит миллионы долларов. Их аналитические механизмы жизненно важны для соревновательного преимущества, и они жаждут информации. Без постоянного отклика их системы устаревают и лишаются смысла. Компании же, которые нанимают работников на минимальную зарплату, управляют толпами. Они снижают расходы, заменяя специалистов по человеческим ресурсам машинами, и эти машины отфильтровывают огромное количество людей в группы, больше поддающиеся управлению. И если только не произойдет что-нибудь совсем уж экстраординарное – эпидемия клептомании, например, или резкое снижение производительности труда, – у компании практически нет стимула как-то подправлять фильтрующую модель. Она делает свою работу – даже если теряет при этом потенциальных звезд.

Компанию может удовлетворять статус-кво, но жертвы этих автоматических систем страдают от их работы. И, как вы уже, наверное, догадались, я отношусь к личностным тестам в отделах кадров как к типичному оружию математического поражения. Они попадают под это определение по всем пунктам. Во-первых, их использование очень распространено и имеет гигантское влияние. Тест Kronos, при всех его недостатках, распространился практически на всю индустрию, связанную с наймом работников. При поддержании прежнего статус-кво у наемных сотрудников, вне всяких сомнений, были предубеждения. Но эти предубеждения варьировались от компании к компании, и это означало, что дверь теоретически могла приоткрыться и для таких людей, как Кайл Бем. Но теперь это все меньше соответствует действительности. Кайлу в каком-то смысле повезло. Претендентам на работу, особенно тем, кто претендует на минимальную зарплату, постоянно отказывают, и они редко узнают причину. Друг Кайла просто случайно услышал о причине отказа и рассказал Кайлу об этом. Даже в этом случае дело против крупных компаний, пользующихся Kronos, вряд ли куда-нибудь бы зашло, если бы отец Кайла не был юристом с достаточным количеством денег и времени, чтобы выдвинуть широкомасштабные юридические претензии. У претендентов на низкооплачиваемую работу редко есть такая возможность[12].

И, наконец, подумаем о петле обратной связи, которую порождает тест Kronos. Отказ в приеме на работу людей с определенными проблемами с психикой не позволяет им получить нормальную работу и вести нормальную жизнь, что еще сильнее их изолирует. Это именно то, что был призван предотвратить закон о защите прав граждан с ограниченными возможностями.

Большинство претендентов на работу, к счастью, не отвергаются автоматическими системами. Но им все равно сложно переложить свое резюме на самый верх стопки и получить приглашение на собеседование. Эту проблему давно уже ощущают на себе расовые и этнические меньшинства, а также женщины.

В 2001 и 2002 годах, до повсеместного распространения ридеров для автоматического чтения резюме, исследователи из Чикагского университета и MIT разослали пять тысяч вымышленных резюме на соискание вакансий, опубликованных в Boston Globe и Chicago Tribune. Диапазон вакансий варьировался от работы в офисе до клиентского сервиса и продаж. Каждое резюме было составлено таким образом, чтобы можно было догадаться о расе претендента. В половине из них были указаны «типично белые» имена вроде Эмили Уолш и Брендан Бейкер, тогда как в других были такие имена, как Лакиша Вашингтон и Джамал Джонс, что намекало на афроамериканское происхождение соискателей. Исследователи обнаружили, что на «белые» имена поступило на 50 % больше откликов, чем на «черные». Но их второе открытие оказалось, возможно, еще более поразительным. Белые претенденты с сильными резюме получили гораздо больше внимания от работодателей, чем белые претенденты со слабыми резюме: когда речь шла о белых претендентах, было похоже, что специалисты по кадрам обращали на это внимание. Однако в случае с черными сильные резюме практически не имели значения. Очевидно, что рынок найма на работу все еще был отравлен предрассудками.

Идеальный способ обойти подобные предрассудки – рассмотрение претендентов вслепую. Например, симфонические оркестры, участниками которых долгое время были в подавляющем большинстве мужчины, еще в 1970-х годах начали проводить прослушивания, на которых музыкант-соискатель был скрыт за занавесом. Все связи и репутация внезапно перестали играть роль, равно как и раса и учебное заведение претендента. Музыка, доносящаяся из-за занавеса, говорила сама за себя. С тех пор число женщин в основных оркестрах выросло в пять раз – хотя до сих пор составляет только четверть от общего числа музыкантов.

Проблема заключается в том, что слишком мало профессий годится для того, чтобы там можно было провести подобное «слепое прослушивание». Музыкант за занавесом может сразу продемонстрировать свое мастерство, играет ли он виолончельный концерт Дворжака или исполняет босанову на гитаре. В других же профессиях нанимателям приходится изучать резюме в поисках качеств, которые могут предсказать успех.

Неудивительно, что отделы кадров полагаются на автоматические системы в отсеивании части резюме. На самом деле около 72 % всех поданных резюме никогда не прочитываются глазами человека. Их просматривает компьютерная программа, выискивая навыки и опыт, нужные работодателю. Затем программа оценивает каждое резюме на соответствие вакансии. Работники отделов кадров сами решают, где проходит линия отсеивания, но чем больше кандидатов отсекается при первой компьютерной проверке, тем меньше человеко-часов кадровики потом потратят на изучение лучших резюме.

Таким образом, претенденты на работу должны составлять свои резюме, держа в голове то, что их будет читать автомат. Поэтому важно, например, пересыпать свое резюме словами, указанными в требованиях к вакансии. Это может включать в себя как название позиции (менеджер по продажам, финансовый директор, разработчик структуры ПО), языки (китайский, Java) или достижения (диплом с отличием, значок «скаут-орел»).

Люди, которые обладают информацией о последних тенденциях на рынке, уже знают, что понравится машине, а что ее только запутает. Например, изображения посылать бесполезно – большинство сканеров резюме их просто не распознает. И экзотические шрифты тоже не пойдут вам на пользу, говорит Мона Абдель-Халим, одна из основательниц Resunate.com – компании, которая выпускает инструменты по обработке резюме. Самое безопасное, утверждает она, использовать обычные шрифты типа Arial или Courier. И забудьте о таких символах, как стрелки: автоматические системы их не распознают, а значит, не смогут нормально прочитать информацию.

В результате действия подобных программ, как и в случае с приемом в колледж, наверху стопки оказываются резюме претендентов, у которых есть деньги и ресурсы. Люди, которые не знают о том, какие шаги необходимы на пути к успеху, скорее всего, и не в курсе, что отсылают свои резюме в черную дыру. Это еще один пример того, как богатые и информированные снова оказываются успешными, а бедные, скорее всего, ничего не добьются.

Справедливости ради отметим, что в процессе рассмотрения резюме всегда присутствовали те или иные предубеждения. В предыдущих поколениях выигрывали те, кто обладал нужной информацией, аккуратно и четко располагал информацию в резюме, набирал их на качественных пишущих машинках типа IBM Selectric и распечатывал на хорошей бумаге. Подобные резюме с большей вероятностью доходили до человеческого отбора. А резюме, написанные от руки, а также те, на которых были следы трафаретной печати, оказывались в мусорной корзине. В этом смысле неравные возможности – это не новость. Они просто приобрели новую форму, на этот раз ту, которая проводит победителей через электронные ворота.

Неравное отношение со стороны владельцев этих ворот распространяется далеко за границы резюме. Наши средства существования все больше зависят от наших способностей договориться с машинами. Самый яркий пример этого – Google. Для любого бизнеса, будь то хостел или авторемонтная мастерская, успех зиждется на способности оказаться на первой странице выдачи по поисковому запросу. Теперь и перед отдельными людьми встает та же задача – будь то возможность попасть на собеседование в какую-нибудь компанию, продвинуться по службе или даже просто не попасть под волну сокращений на работе. Ключ к успеху здесь – найти то, что ищут машины. Но и здесь, во вселенной, которая была создана справедливой, демократичной и научной, инсайдеры находят способы приобрести важные преимущества.

В 1970-е годы приемная комиссия медицинской школы больницы Святого Георгия на юге Лондона увидела возможность выйти из затруднительной ситуации. Каждый год школа получала более 12 резюме на каждую из 150 вакансий. Просмотр всех этих резюме был трудоемкой работой, требующей большого количества сотрудников. Ситуацию осложняло и то, что у каждого из этих сотрудников были свои мнения и пристрастия. Может быть, удастся запрограммировать компьютер таким образом, чтобы он сортировал резюме и сокращал их количество до более разумных величин?

Большие организации, такие как Пентагон и IBM, к тому времени уже использовали компьютеры для подобной работы. Но для медицинской школы обзавестись собственной автоматической оценивающей программой в конце 70-х, когда Apple только что выпустила свой первый персональный компьютер, было весьма дерзким экспериментом. И этот эксперимент обернулся полным фиаско. Школа Святого Георгия не только опередила время в использовании математического моделирования, но и оказалась невольным пионером производства оружия математического поражения.

Как и в многочисленных случаях с другими видами ОМП, проблемы возникли с самого начала, когда администраторы назначили компьютерной модели сразу две цели. Первая заключалась в том, чтобы увеличить эффективность отбора, взвалив на машину бо́льшую часть рутинной работы. Машина должна была автоматически сократить две тысячи претендентов до пятисот, после чего дело должны были перехватить люди, начав длительный процесс собеседований. Второй целью была справедливость. Компьютер, по идее, должен был оставаться невосприимчивым к настроениям или предубеждениям кадровиков, а также к вмешательству и рекомендациям членов палаты лордов или кабинета министров. В первой, автоматической, сортировке каждый претендент должен был оцениваться по одинаковым критериям.

Какими же должны быть эти критерии? Это казалось самым простым. В школе Святого Георгия уже накопилось множество данных по отсеянным резюме прошлых лет. Надо было лишь научить компьютеризированную систему повторять те же процедуры, которым следовали человеческие существа. Уверена, вы уже догадались, что именно в этих данных заключалась проблема. Компьютер научился у людей дискриминации – и начал осуществлять свою работу с захватывающей дух эффективностью.

Надо отдать должное администрации школы Святого Георгия, не вся дискриминация в наборе данных для программы была откровенно расистской. Значительное количество резюме от претендентов с иностранными именами или иностранными адресами пришло от людей, которые явно не владели английским языком на должном уровне. Вместо того чтобы рассмотреть возможность того, чтобы прекрасные врачи-кандидаты выучили бы английский (что кажется очевидным сегодня), в те годы их предпочитали просто отвергнуть. (В конце концов, школе предстояло отсеять три четверти претендентов, и языковой фильтр казался подходящей начальной точкой.)

Однако если люди в школе Святого Георгия просто выбрасывали в мусор резюме, пестрящие грамматическими и орфографическими ошибками, то компьютер, который и сам не владел грамотой, вряд ли мог последовать их примеру. Однако он мог связать отвергнутые резюме прошлых лет с местами рождения и, в меньшей степени, с фамилиями. Поэтому люди из определенных регионов, таких как Африка, Пакистан или населенные иммигрантами районы в городах Соединенного Королевства, получали меньше баллов при оценивании и, соответственно, не приглашались на интервью. Подавляющее большинство этих людей не были белыми. Кроме того, кадровики-люди чаще отвергали женщин – в связи с повсеместно распространенным в то время убеждением, что их карьеры, скорее всего, будут прерваны из-за обязанностей, связанных с материнством. Компьютер, естественно, стал делать то же самое.

В 1988 году Комиссия по расовому равенству при британском правительстве признала школу Святого Георгия виновной в расовой и гендерной дискриминации при приеме на работу. Шестидесяти из двух тысяч претендентов каждый год, по данным комиссии, могло быть отказано в собеседовании исключительно на основании их расы, этнического происхождения или пола.

Решением для специалистов по статистике в школе Святого Георгия – а также в других местах – стало бы создание цифровой версии слепого прослушивания, при котором бы отбрасывались такие прокси-факторы, как место рождения, пол, раса или имя, и имела бы значение только информация о профессиональной медицинской компетенции. Ключ здесь – в анализе навыков, которые каждый кандидат может принести в школу, а не в сравнении его с другими людьми, которые кажутся похожими. Более того, часть усилий школа Святого Георгия могла бы посвятить сложностям, с которыми сталкиваются женщины и иностранцы. В отчете Британского медицинского журнала (The BMJ), которым сопровождалось решение комиссии, говорилось именно об этом. Если у подходящих во всех остальных отношениях кандидатов имелись проблемы с языком или сложности, связанные с уходом за ребенком, решение могло бы заключаться не в том, чтобы отвергнуть этих кандидатов, а в том, чтобы принять на работу, предоставив при этом помощь, будь то курсы английского языка или детский сад.

Именно к этому вопросу я буду возвращаться в следующих главах: мы снова и снова видим, что математические модели могут перерабатывать информацию, находя людей, которые могут сталкиваться со сложностями, будь то из-за преступности, бедности или образования. От общества зависит, что делать с полученной информацией: отвергать и наказывать этих людей или предоставлять им нужные ресурсы. Мы можем использовать масштаб и эффективность, которые делают ОМП таким вредоносным, для того чтобы помогать людям. Все зависит от выбранной нами цели.

До сих пор мы в этой главе рассматривали модели, которые фильтруют претендентов на рабочие места. Для большинства компаний этот вид ОМП разрабатывается, чтобы сократить административные расходы и уменьшить риск найма на работу неудачных сотрудников (тех, кто потребует более интенсивного обучения). Если коротко, то цель этих фильтров – сэкономить деньги.

Отделы кадров, конечно же, стремятся сэкономить деньги через выбор сотрудников, который они делают. Одна из самых больших статей расходов любой компании – это ротация сотрудников, или, в просторечии, текучка. По данным Центра за американский прогресс, замена сотрудника, который зарабатывает 50 тысяч долларов в год, стоит компании около 10 тысяч – то есть это 20 % годовой компенсации этого сотрудника. Замена сотрудника высокого уровня может обойтись гораздо дороже – сумма доходит до его двухгодичной зарплаты.

Конечно, из-за этого многие модели по найму сотрудников пытаются подсчитать вероятность, с который претендент на рабочее место задержится на нем подольше. Компания Evolv, Inc., которая теперь является частью Cornerstone OnDemand, помогла Xerox подыскать претендентов на работу в колл-центр, в котором работают более 40 тысяч человек. Модель текучки принимала во внимание некоторые из ожидаемых показателей, включая среднее количество времени, которое люди проводили на предыдущих местах работы. Но также они обнаружили некоторые необычные корреляции. Люди, которых система классифицировала как «представителей креативного типа», имели тенденцию дольше оставаться на одном месте, в то время как те, кто получал много баллов за «любознательность», с большей вероятностью направляли свои пытливые умы на поиски других возможностей.

Но самой проблематичной оказалась корреляция с географией. Претенденты, жившие дальше от места работы, с большей вероятностью могли ее сменить. Это и понятно: длительные поездки каждый день – это неудобно. Но менеджеры Xerox заметили и другую корреляцию: люди, которым приходилось далеко ездить на работу, жили в бедных районах. Поэтому в Xerox, надо отдать им должное, убрали эти данные, имеющие непосредственное отношение к текучке, из своей модели. Компания пожертвовала частью эффективности ради справедливости.

В то время как анализ текучки сосредоточен на кандидатах, которые, скорее всего, окажутся неудачным выбором, более важная стратегия для отделов кадров – находить будущих звезд: людей, чьи интеллект, изобретательность и энергия смогут изменить курс всего предприятия. В более высоких эшелонах экономики компании постоянно разыскивают сотрудников, обладающих творческим мышлением и способностью работать в команде. Поэтому задача создателей моделей – отследить в огромном мире Больших данных крупицы информации, которые коррелировали бы с оригинальностью и социальными навыками.

Одними резюме тут определенно не обойтись. Большинство перечисленных в резюме пунктов – престижный университет, награды, даже навыки – всего лишь грубые прокси высокой компетентности. И хотя, несомненно, существует взаимосвязь между технической подкованностью и научной степенью хорошего вуза, она все-таки далека от идеальной. Множество талантов в области программного обеспечения появляются из других мест – достаточно вспомнить о хакерах-старшеклассниках. Более того, резюме обычно полны преувеличений, а иногда и прямой лжи. С помощью быстрого поиска через LinkedIn или Facebook система может расширить поле обследования, идентифицируя некоторых друзей и коллег кандидата. И все равно сложно превратить эту информацию в предсказание, что определенный инженер может оказаться идеальной кандидатурой для коллектива консалтинговой фирмы, состоящего из 12 человек, в Пало-Альто или Форт-Уэрте. Отыскание человека, подходящего на эту роль, требует гораздо более широкого доступа к информации и более амбициозной модели.

Пионер в этой области – стартап Gild, базирующийся в Сан-Франциско. Простираясь далеко за пределы резюме и альма-матер претендента, Gild сортирует миллионы сайтов вакансий, анализируя то, что он называет «социальной информацией» каждого человека. Компания разрабатывает профили кандидатов для работодателей, в основном технических компаний, и постоянно их обновляет по мере того, как у кандидатов появляются новые навыки. Gild утверждает, что даже может предугадать, когда звездный сотрудник соберется менять работу, и предупредить компании, с которыми сотрудничает, чтобы те не упустили возможность сделать ему предложение. Но модель Gild пытается подсчитать и квалифицировать «социальный капитал» каждого сотрудника. Насколько хорошо включен этот человек в сообщество коллег-программистов? Делятся ли они кодами? Вот, допустим, программист из Бразилии, назовем его Педро, живет в Сан-Паулу и проводит каждый вечер с ужина до часа ночи, общаясь с программистами со всего мира, решая проблемы облачных вычислений или обсуждая алгоритмы игр на сайтах вроде GitHub или Stack Overflow. Модель может попытаться измерить степень увлеченности Педро (что, возможно, принесет ему высокий балл) и его уровень взаимодействия с другими людьми. Также она оценит его мастерство и социальную важность его контактов. Люди с бо́льшим числом подписчиков больше ценятся. Если же его главным онлайн-контактом окажется один из основателей Google Сергей Брин или Палмер Лаки, основатель компании – создателя виртуальной реальности Oculus VR, балл Петро за социальные контакты, несомненно, взлетит до небес.

Но модели, подобные Grid, редко получают такие подробные сигналы от найденной информации. Поэтому они забрасывают более широкую сеть в поисках корреляций с возможным звездным статусом на работе и ищут везде, где только могут найти. Имея базу данных на шесть миллионов программистов, компания может разыскать все виды паттернов. Вивьен Минг, научный руководитель Gild, сказала в интервью Atlantic Monthly, что Grid обнаружила стайку талантов, частенько заходящих на японский сайт, посвященный одной манге. Если Педро проводит время на этом сайте, конечно, это еще не гарантирует его «суперзвездность». Но общий балл у него будет повыше.

В случае с Педро все это имеет смысл. Но те или иные работники могут делать что-то не в интернете – и ни один самый сложный алгоритм не сможет в это проникнуть, по крайней мере не сегодня. Возможно, они занимаются со своими детьми или посещают книжный клуб. Тот факт, что потенциальные сотрудники не проводят каждый вечер по шесть часов за обсуждением манги, не должно засчитываться им в минус. А если на этом манга-сайте, как и на большинстве подобных, преимущественно мужское общество и царит сексизм, значительное число женщин в этой индустрии, возможно, станет его избегать.

Несмотря на все эти проблемы, Gild – пока всего один игрок. У него нет клыков всемирного гиганта, и он не пытается задать единый стандарт для всей индустрии. В сравнении с некоторыми ужасами, которые мы уже видели: хищнической рекламой, которая погребает семьи под тяжестью кредитов, или личностными тестами, которые лишают людей возможностей, Gild выглядит безобидно. Эта категория прогностической модели больше связана с поощрением соискателей, чем с их наказанием. Безусловно, применяемый этой моделью анализ нельзя назвать полным, и некоторые потенциальные звезды остаются нераспознанными. Но я не думаю, что этот способ поиска талантов уже можно приравнять к ОМП.

И все же важно отметить, что модели по найму и «введению в должность» постоянно развиваются. Мир данных продолжает расширяться, учитывая то, что каждый из нас постоянно генерирует все новые «обновления» в своей жизни. Все эти данные поступят к нашим потенциальным работодателям, обеспечив им хорошее представление о нас.

Будут ли эти представления проверяться, или они просто будут использоваться, чтобы подтвердить статус-кво и усилить существующие предубеждения? Когда я думаю о небрежном и своекорыстном использовании данных некоторыми компаниями, мне часто приходит на ум френология – псевдонаука, которая на короткое время в XIX веке стала очень популярной. Френологи водили руками по черепу пациента, нащупывая бугорки и впадины. Каждый такой элемент, считали они, был связан с чертами характера, за которые отвечали 27 различных участков мозга. Обычно вывод френолога совпадал с наблюдениями, которые он делал. Например, если пациент был сильно встревожен или страдал от алкоголизма, проверка черепа мгновенно обнаруживала соответствующие бугорки и впадины, подходящие к этому наблюдению, – а это, в свою очередь, укрепляло веру в науку френологию.

Френология была моделью, которая, основываясь на псевдонаучной чепухе, изрекала авторитетные выводы – и десятилетиями никто не подвергал ее проверке. Большие данные могут попасть в эту же ловушку. Модели, подобные тем, которые отвергли кандидатуру Кайла Бема, а также иностранных студентов в больнице Святого Георгия, могут не давать людям устроиться на работу – даже если «научность» этих моделей заключается в кучке непроверенных допущений.

Нервное расстройство: на работе

Работники больших корпораций в Америке недавно придумали новый термин ««заоткрытие»» (clope-ning) – это когда наемный сотрудник работает допоздна и поздно вечером, уходя последним, закрывает магазин или кафе, а через несколько часов приходит первым до рассвета, чтобы его открыть. Тот факт, что открывает и закрывает («заоткрывает») заведение один и тот же работник, имеет большой смысл с точки зрения логистики компании. Но для работника это означает дефицит сна у сотрудников и совершенно безумное рабочее расписание.

Такие нерегулярные расписания становятся все более массовым явлением, которое больше всего затрагивает низкооплачиваемых работников в компаниях вроде Starbucks, McDonald’s и Walmart. Отсутствие предварительных уведомлений лишь усугубляет проблему. Многие работники всего за день-два узнают, что им нужно будет выйти в ночь на среду или работать в пятницу, когда посетителей особенно много. Это вносит в их жизнь хаос и осложняет присмотр за детьми. Есть приходится буквально на ходу – как и спать.

Подобные нерегулярные расписания – один из плодов экономики данных. В предыдущей главе мы видели, как оружие математического поражения перебирает кандидатов на работу, кого-то при этом занося в черный список, но гораздо большее число – просто игнорируя. Мы видели, как в код программного обеспечения часто вписываются токсичные предубеждения – и в процессе обучения программа лишь усугубляет несправедливость. В этой главе мы продолжим путешествие по офисам и другим местам работы, где ОМП, полностью сконцентрированное на эффективности, третирует работников как винтики механизма. «Заоткрытие» – лишь одно проявление этой тенденции, которая, скорее всего, будет лишь усиливаться по мере распространения систем наблюдения на рабочих местах. А это, в свою очередь, будет еще больше подпитывать экономику данных.

В течение десятилетий, еще до того, как компании начали буквально купаться в данных, составление рабочих расписаний имело мало общего с наукой. Представьте себе семейное предприятие – например, маленький магазин хозяйственных товаров, работающий с девяти до пяти шесть дней в неделю. В один прекрасный день дочь владельцев магазина поступает в колледж. Приехав на лето домой, она смотрит на семейный бизнес свежим взглядом. И замечает, что практически никто не заходит в магазин по утрам во вторник. Продавщица спокойно сидит в своем смартфоне, и никто ее не прерывает. Здесь явно можно говорить о недополученной прибыли. Зато в субботу недовольные покупатели, ворча, стоят в длинной очереди к кассе.

Это наблюдение – ценная информация, и дочь помогает родителям подкорректировать семейный бизнес. Теперь магазин не работает по утрам во вторник, зато они нанимают еще одного продавца с частичной занятостью – помогать по субботам. Такие изменения делают косный и неповоротливый алгоритм работы чуть более разумным.

С наступлением эры Больших данных первокурсницу колледжа сменила армия ученых с мощными компьютерами. Компании теперь могут анализировать уровень наплыва посетителей, чтобы подсчитать, сколько именно работников им нужно в каждый час каждого дня. Цель, конечно, в том, чтобы потратить как можно меньше денег, а это означает, что штат нужно поддерживать на уровне абсолютного минимума – но при этом обеспечить подкрепление в самые оживленные часы. Можно было бы подумать, что эти паттерны будут повторяться из недели в неделю – что компании ограничатся легкими изменениями в установленном расписании, как произошло с хозяевами нашего гипотетического магазина хозтоваров. Но новые программы составления расписаний предлагают гораздо более сложные опции. Они обрабатывают потоки постоянно меняющейся информации – от погоды до закономерностей поведения. Например, в дождливый день люди, скорее всего, пойдут не в парк, а в кафе. Значит, этому кафе понадобится больше персонала, по крайней мере на час-другой. Школьный футбольный матч пятничным вечером может означать больше пешеходов на главной улице города, но только перед игрой и после ее окончания. Объем сообщений в Twitter позволяет предположить, что на завтрашние распродажи «черной пятницы» отправятся на 26 % больше покупателей, чем в прошлом году. Условия меняются каждый час, и рабочая сила должна быть задействована таким образом, чтобы отвечать на колебания спроса, иначе компания потеряет деньги.

Эти сэкономленные деньги, однако, изымаются напрямую из карманов наемных работников. При неэффективном прежнем расписании у работников не только были предсказуемые часы работы, но и определенный запас свободного времени на работе, которое они могли провести с пользой – почитать или даже позаниматься. Теперь, когда их работой управляют программы, они заняты каждую минуту рабочего времени. И эти минуты появляются в их расписании каждый раз, когда программа этого требует, – даже если это означает «заоткрытие» с пятницы на субботу.

В 2014 году газета The New York Times опубликовала историю замотанной матери-одиночки по имени Джанет Наварро, которая пыталась одновременно учиться в колледже и работать баристой в Starbucks, имея при этом четырехлетнего ребенка. Постоянно меняющееся расписание, включавшее в себя периодические «заоткрытия», сделало жизнь Джанет практически невыносимой и не позволяло ей даже отводить ребенка в детский сад и забирать его оттуда. Учебу тоже пришлось бросить. Единственным расписанием, которому подчинялась ее жизнь, было расписание ее рабочего дня. И эта история типична. Согласно данным официальной статистики, две трети работников общепита и более половины розничных продавцов узнают об изменениях в расписании за неделю или даже меньше – иногда за один-два дня, что очень сильно осложняет им жизнь, особенно уход за детьми.

В течение нескольких недель после публикации в The New York Times крупные корпорации, которые упоминались в статье, объявили, что скорректируют свою политику составления расписаний. Наниматели, пристыженные публикацией, пообещали добавить в свою модель одно ограничение: они искоренят «заоткрытия» и сделают оптимизацию чуть менее жесткой. Компания Starbucks, чей бренд сильнее, чем у многих других, ассоциируется со справедливым обращением с сотрудниками, пошла еще дальше и объявила, что изменит программу, чтобы уменьшить кошмар непредсказуемого расписания для всех своих 130 тысяч бариста. Все рабочие расписания будут публиковаться минимум за неделю.

Однако спустя год Starbucks так и не смогла сдержать обещания – и даже, согласно еще одной статье в New York Times, не смогла устранить «заоткрытия». Проблема заключалась в том, что к этому времени принцип минимального штатного расписания уже укоренился в корпоративной культуре. Во многих компаниях оплата менеджеров зависит от эффективности их подчиненных, которая рассчитывается как доход на час работы сотрудника. Программа, составляющая расписание (и минимизирующая персонал), позволяет увеличить цифры эффективности и, следовательно, собственную компенсацию менеджеров. Даже когда начальники велят менеджерам перейти к более мягкой политике, те зачастую сопротивляются. Это противоречит всему, чему их учили. Более того, как сказал газете один из сотрудников Starbucks, если менеджер кофейни выйдет за пределы бюджета трудовых затрат (labor budget), в известность ставится окружной менеджер. А это может повлечь взыскание. Гораздо проще изменить чье-то расписание, даже если это означает нарушение корпоративной политики – извещать минимум за неделю.

В конце концов, бизнес-модели открытых акционерных обществ вроде Starbucks настроены на то, чтобы максимизировать прибыль. Эта цель отражена в их корпоративной культуре и системе поощрений, а также, все сильнее и сильнее, в их оперативном ПО. И если в это ПО можно вносить изменения, как в случае со Starbucks, то эти изменения, скорее всего, тоже будут нацелены на увеличение прибыли.

Многое в технологии составления расписаний коренится в мощной дисциплине прикладной математики, которая называется «исследование операций». В течение столетий математики использовали примитивные методы исследования операций, чтобы помогать фермерам планировать посевы, а инженерам-строителям – проектировать автомагистрали для максимально эффективной перевозки людей и товаров. Но по-настоящему эта дисциплина получила развитие только во время Второй мировой войны, когда американская и британская армии подключили математиков к оптимизации использования ресурсов. Союзники отслеживали разные формы «курсового коэффициента»: соотношения потраченных ресурсов союзников и уничтоженных ресурсов врага. В ходе операции «Голод», проведенной с марта по август 1945 года, Двадцать первому бомбардировочному авиационному соединению была поставлена задача не пропускать транспорты с продовольствием и другими товарами к берегам Японии. Команды математиков работали над тем, чтобы минимизировать число самолетов, ставивших морские мины, на каждый затопленный японский корабль. Они умудрились выйти на «курсовой коэффициент» более 40 к одному: в ходе затопления 606 японских кораблей было потеряно всего 15 самолетов. Это было сочтено очень эффективным – и этого успеха позволила добиться в том числе работа команды математиков.

После Второй мировой войны крупнейшие компании (а также Пентагон) вложили в исследование операций огромные ресурсы. Научная организация логистики радикально изменила способ получения товаров и вывода их на рынок.

В 1960-е годы японские автомобильные компании совершили очередной прорыв, разработав производственную систему под названием «Точно в срок». Идея заключалась в том, чтобы вместо хранения огромных запасов рулей или коробок передач на складах сборочный цех заказывал их по мере необходимости, а не про запас. Toyota и Honda построили сложные цепочки поставщиков, каждый из которых был способен быстро подвозить запчасти по требованию. Индустрия работала как единый организм, с собственными гомеостатическими системами контроля.

Система «Точно в срок» оказалась очень эффективной и быстро распространилась по всему миру. Компании во многих странах могут запросто установить системы поставок «Точно в срок». Схожие модели составляют математическую основу работы таких компаний, как Amazon, Federal Express и UPS.

Программы, разрабатывающие расписание, можно воспринимать как продолжение экономики «Точно в срок». Только вместо лезвий газонокосилок или экранов мобильных телефонов, которые появляются на конвейере именно тогда, когда они нужны, здесь задействованы люди – причем обычно это люди, которые очень нуждаются в деньгах. Из-за этой отчаянной нужды компании имеют возможность подстраивать их жизни под требования своей математической модели.

Должна добавить, что компании при этом предпринимают кое-какие шаги, чтобы не делать жизни работников совсем уж ужасными. Они знают с точностью до пенни, сколько стоит заменить замотавшегося работника, который не выдержит напряжения и уволится. Эти цифры тоже занесены в базу данных. И у них есть еще и другие модели, предназначенные для того, чтобы снизить текучку, которая уменьшает доходы и эффективность (эти модели мы обсудим в последней главе).

Проблема, с точки зрения наемных работников, заключается в переизбытке предложения низкооплачиваемого труда. Люди с жадностью хватаются за любую работу – и именно поэтому держатся за места, на которых едва зарабатывают восемь долларов в час. Этот переизбыток, в сочетании с недостаточно эффективными профсоюзами, практически лишает работников возможности успешно бороться за лучшие условия. Это означает, что большие сети розничных магазинов и ресторанов могут назначать работникам все более абсурдные расписания, не боясь при этом, что сотрудники уволятся. Хозяева будут зарабатывать все больше, в то время как жизнь их работников будет становиться все более чудовищной. Из-за того, что программы оптимизации сейчас распространены повсеместно, работники отлично знают, что, даже поменяй они работу, в их жизни вряд ли что-то улучшится. В общем и целом эта динамика предоставляет к услугам корпорациям нечто очень похожее на рынок рабской, принудительной рабочей силы.

Уверена, никто не удивится, если я скажу, что считаю программы, составляющие расписание, одним из наиболее отвратительных видов ОМП. Как мы уже обсуждали, это оружие используется повсеместно – и эксплуатирует людей, которые и без того едва сводят концы с концами. Более того, оно полностью непрозрачно. Работники зачастую просто понятия не имеют, почему их вызвали на работу в неурочный час. Их вызвала деспотичная программа.

Программы, составляющие расписание, также создают токсичные петли обратной связи. Вспомним Джанет Наварро. Ее хаотичное расписание не позволило ей вернуться в колледж, что снизило ее шансы на лучшее трудоустройство в будущем и удержало в переполненной прослойке низкооплачиваемых работников. Кроме того, долгие и нерегулярные часы работы усложняют для работников возможность организовать протест и потребовать лучших условий. Вместо этого они начинают испытывать усиливающуюся тревожность и постоянный недосып, а это, в свою очередь, вызывает сильные перепады настроения и является установленной причиной 13 % смертельных случаев на автомагистралях. И еще хуже: поскольку программное обеспечение разработано таким образом, чтобы экономить компаниям деньги, оно часто ограничивает занятость работника менее чем 30 рабочими часами в неделю, а этого не хватает, чтобы получить от компании полис страхования здоровья. При этом, учитывая хаотичность расписания, большинство сотрудников не могут устроиться по совместительству на вторую работу. Складывается такое впечатление, что программы специально разработаны таким образом, чтобы наказывать низкооплачиваемых работников, не давая им подняться со дна.

Наконец, это оружие математического поражения обрекает большой процент наших детей на жизнь без нормального распорядка дня. За завтраком их мать сидит с остекленевшим взглядом из-за недостатка сна, вечером она выскакивает за дверь не поужинав, а ближе к выходным упрашивает свою маму посидеть с внуками утром в воскресенье. Такой хаос в жизни оказывает на детей глубокое воздействие. Согласно данным исследования, проведенного Институтом экономической политики, маленькие дети и подростки у родителей, которые работают по непредсказуемому расписанию или за пределами стандартного дневного рабочего времени, с большей вероятностью отличаются сниженным интеллектом и проблемным поведением.

Родители могут винить себя в том, что их дети плохо ведут себя в школе или получают плохие оценки, но во многих случаях истинный виновник ситуации – бедность, заставляющая людей хвататься за работу с непредсказуемым расписанием, которое составляют математические модели, делающие жизнь бедных семей еще более невыносимой.

Корень проблемы, как и со многими другими видами ОМП, в том, какая именно цель выбрана составителями модели. Модель оптимизируется под эффективность и максимальную прибыль, а не под справедливость или «благо команды». Это, конечно же, сущность капитализма. Для компаний доходы – как воздух. Деньги поддерживают в них жизнь. Для капиталистов было бы невероятно глупо, даже неестественно отворачиваться от возможной прибыли. Именно поэтому общество нуждается в противодействующих силах, таких как постоянное освещение в прессе, проливающее свет на злоупотребления эффективности и призывающее компании к справедливости. А если компании буксуют на этом пути, как случилось со Starbucks, нужно высвечивать их злоупотребления снова и снова. Также ситуация нуждается во внешнем регулировании, которое бы удерживало компании от злоупотреблений, в сильных профсоюзах, которые организовывали бы работников и выражали их нужды и жалобы. И в политиках, готовых принимать законы, ограничивающие самые тяжелые злоупотребления. После публикации статьи в New York Times в 2014 году демократы в Конгрессе оперативно подготовили законопроект, ограничивающий применение программ, составляющих рабочие расписания. Но с республиканским большинством, которое яростно противится усилению государственного вмешательства в экономику, шансы на принятие этого закона были равны нулю. Инициатива заглохла.

В 2008 году, перед началом экономического кризиса, компания Cataphora из Сан-Франциско вывела на рынок систему ПО, ранжировавшую работников сферы высоких технологий по ряду параметров, в том числе по их способности генерировать идеи. Это было непросто. В конце концов, компьютерным программам сложно отличить интересную идею от любого другого набора слов. Если вдуматься, разница зачастую – только вопрос контекста. Вчерашние идеи – о том, что Земля круглая, или даже о том, что людям может понравиться рассматривать фотографии друг друга в социальных сетях, – это сегодняшние факты. Мы, люди, все чувствуем, когда идея становится установленным фактом, и знаем, когда она была разоблачена или отброшена, хоть и можем зачастую не соглашаться с этим. Однако это отличие ставит в тупик даже самый продвинутый ИИ. Поэтому системе Cataphora пришлось обратиться за подсказками к самим человеческим существам.

Cataphora забралась в корпоративную почту и мессенджеры в поисках идей. За основную гипотезу при этом принималось, что лучшие идеи имеют тенденцию распространяться более широко через сетевое общение. Если люди копируют и вставляют в свои сообщения определенные группы слов и делятся ими, эти слова, скорее всего, окажутся идеями – и программное обеспечение сможет их учитывать.

Но не все было так просто. Идеи – не единственные группы слов, широко распространяемые по социальным сетям. Мемы, например, пользовались бешеной популярностью и озадачивали компьютер. Также с огромной скоростью распространялись и слухи. Однако шутки и слухи следовали определенным паттернам, поэтому выяснилось, что можно научить программу отфильтровывать их, по крайней мере частично. Со временем система начала идентифицировать группы слов, которые, скорее всего, представляли собой идеи. Она отслеживала их через социальные сети, подсчитывая количество копирований, оценивая их распространенность и идентифицируя их источник.

Очень скоро образы наемных работников, казалось, приобрели четкие очертания. Некоторые из них были генераторами идей, как заключила система. На своей схеме работников Cataphora пометила таких генераторов идей кружками, которые были тем больше и тем темнее, чем больше идей генерировал сотрудник. Другие работники были проводниками – словно нейроны в распределенной сети, они переносили информацию. Самые эффективные проводники разносили определенные фразы по всей сети. Система также обозначила этих людей темным цветом.

Независимо от того, насколько эффективно Cata-phora измеряла потоки идей, сама концепция не была безнравственной. Вполне разумно воспользоваться подобным анализом, чтобы идентифицировать знания людей и соединять их с самими многообещающими коллегами и соавторами. IBM и Microsoft используют корпоративные программы именно для этих целей. Эта система очень похожа на алгоритм сайтов знакомств (и зачастую, без сомнения, она выдает столь же посредственные результаты). Большие данные также использовались для изучения продуктивности работников кол-центров.

Несколько лет назад исследователи из MIT проанализировали поведение работников колл-центра Банка Америки и выяснили, почему одни команды оказывались продуктивнее других. Они повесили так называемый социометрический бейдж на шею каждого сотрудника. Электроника в этих бейджах отслеживала место нахождения сотрудника и измеряла через каждые 16 миллисекунд тон их голоса и жесты. Она записывала, когда люди смотрели друг на друга, сколько времени каждый человек говорил, слушал и перебивал других. Четыре команды сотрудников колл-центра – всего 80 человек – носили эти бейджи в течение шести недель.

Работа этих сотрудников была крайне регламентированна. Разговоры друг с другом не поощрялись, потому что работники должны были проводить как можно больше времени на телефоне, решая проблемы клиентов. На перерыв работники могли уходить лишь по одному.

Исследователи, к своему удивлению, обнаружили, что самая быстрая и эффективная команда колл-центра оказалась и самой социальной. Эти сотрудники пренебрегали правилами и общались друг с другом больше остальных. И, когда всем сотрудникам предложили больше общаться, продуктивность колл-центра резко увеличилась.

Однако исследования, которые отслеживают поведение сотрудников, также могут быть использованы для их отбраковки. Когда экономику поразила рецессия 2008 года, сотрудники отделов кадров в техническом секторе взглянули на схемы Cataphora под другим углом. Они заметили, что, в то время как одни сотрудники были помечены большими темными кругами, круги других были меньше и светлее. Если предстояло сокращать сотрудников (а большинство компаний именно так и поступило), то было бы логично начинать как раз с тех кругов, что поменьше.

Были ли эти сотрудники действительно слабым звеном? Мы снова приходим к цифровой френологии. Если система «назначает» сотрудника «плохим генератором идей» или «слабым проводником», это становится ее собственной правдой – и ее результатом.

Возможно, кто-то сможет предоставить доказательства обратного. Работница, обозначенная бледным кружочком, может генерировать потрясающие идеи, но не делится ими в сети. Или, возможно, она раздает бесценные советы за обедом или умеет разрядить напряжение в офисе удачной шуткой. Возможно, все ее любят, и это само по себе – большая ценность с точки зрения рабочей атмосферы. Но компьютерные системы затрудняются найти цифровые оценки для подобных тонких талантов. Релевантная информация просто не собирается – и в любом случае ее сложно наделить определенной ценностью. Такие таланты обычно не попадают в компьютерную модель.

Таким образом, система находит якобы неудачников. И большое их число потеряло работу в ходе экономического кризиса. Это само по себе несправедливо. Но, что еще хуже, системы вроде Cataphora получают совсем мало ответных данных. Кто-то, определенный как неудачник и затем уволенный, возможно, позже нашел другую работу и получил целую кучу патентов на оригинальные идеи. Но такие данные обычно не собираются. Система понятия не имеет, что совершенно неверно оценила человека – или даже тысячу человек.

В этом заключается трудность, потому что ученым обязательно нужна обратная связь, сообщающая об их ошибках – в данном случае о наличии ложноотрицательных результатов, – чтобы провести ретроспективный анализ и определить, что же пошло не так, что было неверно интерпретировано, какая информация не была учтена. Только так система способна учиться и становиться умнее. Однако, как мы видим, масса ОМП, от моделей рецидивизма до оценки результативности учителей, с легкостью создает свои собственные реальности. Менеджеры делают допущения, что результаты достаточно правдивы, чтобы принимать их во внимание, а алгоритмы позволяют им принимать сложные решения на основе этих результатов. Компании могут увольнять сотрудников и сокращать расходы, перенося вину за свои решения на объективные цифры – и неважно, насколько они в результате точны.

Cataphora так и не смогла по-настоящему утвердиться на рынке, и к тому же ее алгоритм оценки сотрудников был побочным продуктом – гораздо больше внимания разработчики уделяли распознаванию паттернов мошенничества или торговли инсайдерской информацией в компаниях. Компания вышла из бизнеса в 2012 году, а ее программное обеспечение купил стартап Chenope. Тем не менее системы вроде Cataphora потенциально могут стать настоящим оружием математического поражения. Они могут неправильно интерпретировать людей – и наказывать их, – не приводя никаких доказательств того, что эта оценка хоть как-то коррелирует с подлинным качеством работы этих сотрудников.

ПО такого типа сигнализируют о том, что ОМП поднимает голову в новой области. В течение нескольких десятилетий казалось, что только работники промышленности и сферы услуг рискуют быть подвергнуты моделированию и оптимизации. Работники же интеллектуального труда, от юристов до инженеров-химиков, могли избежать воздействия ОМП – по крайней мере на работе. Cataphora оказалась первым сигналом того, что это может измениться. И в самом деле, сейчас во всей индустрии высоких технологий компании пытаются оптимизировать своих «белых воротничков», отслеживая паттерны их общения. Гиганты высоких технологий, такие как Google, Facebook, Amazon, IBM и многие другие, находятся в процессе активного поиска.

На данный момент по крайней мере приветствуется разнообразие, поэтому есть надежда, что работники, отвергнутые одной моделью, могут быть оценены по достоинству другой. Но в конце концов появится единый стандарт индустрии – и тогда мы все окажемся в беде.

В 1983 году администрацию президента Рейгана встревожило состояние американских школ. В отчете под названием «Нация под угрозой» президентская комиссия предупреждала о «захлестывающей нас волне посредственностей», которая угрожала будущему Америки. В отчете говорилось, что если бы какая-нибудь «недружественная иностранная сила» попыталась навязать Америке такие плохие школы, то, без сомнения, это можно было бы «рассматривать как военные действия».

Самым заметным сигналом кризиса стало видимое снижение результатов SAT. В период между 1963 и 1980 годами баллы за языковые тесты снизились на 50 пунктов, а за математические – на 40[13]. Наша способность конкурировать в мировой экономике базировалась на наших умениях, а они, казалось, ухудшались.

Кого же следовало винить в таком положении вещей? В отчете об этом говорилось однозначно: учителей. Отчет «Нация под угрозой» требовал действий, а именно – тестирования учеников – и использования результатов этих тестов, чтобы выявить недостаточно хороших преподавателей. Как мы уже видели в начале книги, эта практика может стоит учителям их работы. Сара Высоцки, учительница из Вашингтона, уволенная из-за того, что ее класс продемонстрировал на удивление низкие результаты, стала жертвой такого теста. Я использовала эту историю, чтобы показать ОМП в действии – каким оно может быть самовольным, несправедливым и глухим к попыткам обжалования.

Но учителя – это не только люди, которые дают детям образование и заботятся о них. Очевидно, что это еще и работники – и вот здесь я хочу слегка углубиться в модели, оценивающие их работу, потому что они могут распространиться и на другие области, в которых задействована рабочая сила.

Рассмотрим случай Тима Клиффорда. Он – учитель средней школы в Нью-Йорке, преподает английский уже 26 лет. Несколько лет назад Клиффорд узнал, что провалил текст на оценку учителей – в так называемой модели подсчета увеличения коэффициента знаний учеников, сходной с той, которая привела к увольнению Сары Высоцки. Его результат был чудовищным: 6 из 100.

Тим был в отчаянии. «Я не понимал, как это возможно: я так усердно работал все эти годы – и получил такой ужасный результат, – сказал он мне. – Честно говоря, когда я впервые узнал о столь низком результате, я почувствовал стыд и пару дней никому ничего не говорил. Однако я узнал, что в нашей школе два учителя получили еще более низкий результат. Это придало мне смелости признаться в своем: я не хотел, чтобы эти учителя думали, что они такие единственные».

Если бы Клиффорд не занимал постоянную должность в учительском штате, его, как он считает, могли уволить. «Даже с постоянным местом, – сказал он, – низкие результаты тестирования определенно рисуют мишень на спине учителя». Даже с постоянной должностью, с которой невозможно уволить, низкие оценки за тестирование могли бы придать энергии реформаторам, обвиняющим школьную систему в защите некомпетентных преподавателей. Клиффорд начинал следующий учебный год с большими опасениями.

Модель подсчета роста знаний учеников крайне низко его оценила, но не дала никаких советов по улучшению результатов. Поэтому Клиффорд продолжил преподавать так, как всегда делал, с надеждой на лучшее. На следующий год его результат был 96. «Можно было предположить, что я буду в восторге, но это не так, – сказал он. – Я знал, что мой низкий балл – фальшивка, так почему я должен был радоваться высокому баллу, полученному в результате применения той же бракованной формулы? Разница в 90 % в моих результатах только заставила меня убедиться в том, насколько смехотворна модель подсчета увеличения коэффициента знаний, когда речь заходит об образовании».

Фальшивка – удачное слово. На самом деле неверно интерпретированная статистика проходит красной строкой через всю историю оценок учителей. Проблема началась еще с грандиозного статистического ляпа в том самом отчете «Нация под угрозой». Выяснилось, что те самые исследователи, что кричали о национальной катастрофе, основывали свои выводы на фундаментальной ошибке, которая должна быть очевидной даже для студента. На самом деле, если они хотели проиллюстрировать пример образовательных недостатков в Америке, их собственная неспособность правильно интерпретировать статистику могла бы послужить отличным примером.

Через семь лет после сопровождавшейся таким шумом публикации «Нации под угрозой» исследователи из Сандийских национальных лабораторий[14] еще раз взглянули на данные, собранные для отчета. Эти люди не были новичками в области статистики – они занимались созданием компонентов ядерного оружия, – и они быстро нашли ошибку. Да, результаты SAT действительно снизились. Однако число студентов, которые сдавали этот экзамен, резко подскочило за эти 17 лет. Университеты открыли свои двери более бедным студентам и представителям меньшинств. Возможности для таких людей стали шире, и это говорило о социальном успехе. Но, разумеется, такой приток новичков снизил средний балл. Однако когда специалисты по статистике разбили население по группам дохода, результаты для каждой группы, как оказалось, выросли везде, от бедных до богатых.

В статистике этот феномен известен как парадокс Симпсона[15]: когда данные в целом демонстрируют одну тенденцию, однако при разбитии на подгруппы в каждой из этих подгрупп проявляется противоположная тенденция. Неутешительный вывод отчета «Нация под угрозой», который запустил целое движение оценивания учителей, был основан на неправильной интерпретации данных.

Разброс в результатах Тима Клиффорда произошел в результате еще одного случая неверной интерпретации статистики, на этот раз повсеместно распространенной. Баллы учителя берутся из тестов, которые ничего не измеряют. Это может показаться гиперболой. В конце концов, дети ведь сдают тесты, от результатов которых зависит результат Клиффорда. Это действительно так. Но результаты Клиффорда, как унизительные 6 баллов, так и триумфальные 96, были основаны почти полностью на приближениях, причем столь слабых, что по сути своей случайных.

Проблема заключалась в том, что администраторы в своем стремлении к справедливости утратили точность. Они поняли, что было бы неправильно слишком сильно возносить учителей, которые преподают в богатых школах детям врачей и юристов, идущим прямой дорогой в элитные университеты. Равно как и несправедливо ждать от учителей в бедных районах, что они будут добиваться тех же результатов. Мы не можем ждать от них, что они станут творить чудеса.

Поэтому вместо того, чтобы оценивать учителей по абсолютной шкале, они попытались адаптировать свою модель под социальное неравенство. Вместо того чтобы сравнивать учеников Тома Клиффорда с учениками из других районов, они сравнивали их с прогнозируемыми моделями их самих. Каждому ученику присваивался определенный предсказанный результат. Если он превосходил это предсказание, учитель получал хороший балл. Если ученик недотягивал, учителю вменяли это в вину. Вам это кажется примитивным? Поверьте, так оно и есть.

Говоря статистически, в этих попытках освободить тесты от влияния дохода и расовой принадлежности администрация перешла от первичной ко вторичной модели. Вместо того чтобы основывать результаты на прямом оценивании учеников, они основывали их на так называемой величине погрешности, то есть на разрыве между результатами и ожиданиями. С точки зрения математики это гораздо менее точное предположение. Учитывая то, что сами ожидания происходят от статистических данных, это приводит к догадкам поверх догадок. Результатом становится модель со случайными результатами – то, что специалисты по статистике называют «шумом». Вы можете подумать, что большие числа могут дать более надежные результаты. В конце концов, в Нью-Йорке живет 1,1 миллиона учеников общественных школ, и это достаточно большие данные, чтобы делать осмысленные предположения. Если 80 тысяч восьмиклассников сдают тест – наверное, на основе этого количества вполне можно установить достоверные средние баллы для слабых, средних и успешных школ?

Да. И если бы Тим Клиффорд учил большое количество учеников – скажем, десять тысяч, – тогда было бы разумно сравнивать их результаты со средними показателями прошлого года и делать из этого какие-то выводы. Большие числа нейтрализуют исключения – и, теоретически, высвечивают тенденции. Но класс, состоящий из 25 или 30 человек, практически невозможно сравнить с большим количеством. Поэтому, если в классе есть определенный тип учеников, они будут улучшать показатели быстрее среднего уровня. Другие будут это делать медленнее. Клиффорду не дали практически никакой информации по непрозрачному ОМП, которое выдало ему такой дикий разброс в результатах, но он предположил, что дело было именно в этой вариации в его классах. В год, когда Клиффорд получил плохой результат, он, по собственным воспоминаниям, «обучал многих учеников по программе коррекции, как и многих лучших учеников. Думаю, обучение как особых, так и лучших учеников – или и тех и других – создает проблемы. Результаты особых учеников сложно изменить, потому что они испытывают трудности в учебе, тогда как результаты лучших учеников тоже сложно изменить, потому что они уже практически достигли максимума – и у них остается очень мало места для улучшения».

На следующий год ему достался другой набор учеников, в котором большее количество находилось примерно посередине между полюсами. В результате сложилось впечатление, что за год Клиффорд прогрессировал от бездарного до блистательного педагога. И такой результат не редкость. В результате анализа, проведенного блогером и преподавателем Гэри Рубинштейном, каждый из четырех учителей, преподающих один и тот же предмет, получил разброс в 40 баллов по результатам оценивания в течение двух лет подряд. Это заставляет предположить, что оценивание выдавало практически случайные данные. То есть не педагогические способности скачут туда-сюда, а результаты, которые выдает бракованное ОМП.

И хотя эти результаты лишены смысла, модели подсчета роста знаний влияют на систему образования чрезвычайно обширно и пагубно. «Я видел, как некоторые великолепные учителя, основываясь на этих результатах, убеждали себя в том, что они в лучшем случае посредственности, – говорит Клиффорд. – Эти данные сдвинули фокус их внимания с великолепных уроков, которые они раньше давали, на усиленную подготовку к тестам. Для молодого учителя плохой результат – это наказание, а хороший может привести к фальшивому и незаслуженному ощущению, что они чего-то добились».

Как и в случае со многими другими видами ОМП, модели подсчета роста знаний были созданы из самых благих побуждений. Администрация президента Обамы довольно рано осознала, что школьные округа, страдающие от реформы 2001 года («Ни одного отстающего ребенка»), которые ввели стандартизированные тесты высокой важности, как правило, оставались бедными и лишенными привилегий. Поэтому администрация предложила для этих округов отступления от правил: те могли продемонстрировать эффективность своих учителей, и школы не наказывались, даже если их ученики выдавали далеко не лучшие результаты[16].

Использование подсчета увеличения коэффициента знаний во многом используется из-за этого административного изменения. Но в конце 2015 года лихорадка тестирования учителей вступила в, возможно, еще более драматическую фазу. Во-первых, Конгресс и Белый дом согласились отменить программу «Ни одного отстающего ребенка» и заменить ее законом, который дает штатам больше свободы действий в развитии собственных подходов к улучшению слабых школьных округов. Также он дает им больший набор критериев для рассмотрения, включая взаимоотношения учителей и учеников, доступ к продвинутому обучению, школьный климат и безопасность. Иными словами, власти в области образования могут попытаться разобраться, что происходит в каждой конкретной школе, – и обращать меньше внимания на ОМП, включая модели подсчета увеличения коэффициента знаний. Или, еще лучше, полностью их отбросить.

Примерно в это же время рабочая группа по вопросам образования при губернаторе штата Нью-Йорк Эндрю Куомо инициировала четырехлетний мораторий на тесты по оцениванию учителей. Это изменение, хоть и благое, не говорит о том, что ОМП, оценивающее учителей, в принципе решено отвергнуть – не говоря уже о том, чтобы счесть его несправедливым. Импульс на самом деле поступил от родителей, которые пожаловались на то, что режим подготовки к тестам изматывает их детей и занимает слишком много времени в учебном году. В результате движения бойкота 20 % школьников с третьего по восьмой классы не приняли участия в тестах весной 2015 года – и это число продолжало расти. Чтобы угодить родителям, администрация Куомо нанесла удар по модели подсчета увеличения коэффициента знаний. В конце концов, без тестирования всех учеников у штата не было бы данных, чтобы заполнить эти модели.

Тима Клиффорда обрадовали эти новости, но он не расслабляется. «Бойкот вынудил Куомо принять эти меры, – считает он. – Губернатор побоялся потерять поддержку более богатых избирателей в лучших школьных округах – тех самых людей, которые вернее всего его поддерживали. Чтобы выбраться из этой ситуации, он объявил мораторий на использование результатов тестов». Клиффорд опасается, что тесты вернутся.

Возможно, так оно и будет. А учитывая, что модели подсчета увеличения коэффициента знаний стали проверенным оружием в борьбе с профсоюзами учителей, я не думаю, что они в ближайшее время исчезнут. Они уже глубоко укоренились: 40 штатов и округ Колумбия их используют в той или иной форме. Тем важнее привлекать внимание к этим и другим видам ОМП. Как только люди начнут опознавать эти модели как оружие и понимать их статистические ошибки, они потребуют введения новой системы оценивания, которая будет более справедливой как для учителей, так и для учащихся. Однако если цель тестирования – найти козлов отпущения и запугать работников, то, как мы уже видели, ОМП, генерирующие наиболее бессмысленные результаты, достигают этой цели вернее всего.

Небоевые потери: кредитная политика

Местный банкир раньше был важной птицей в вашем городке или пригороде. Он контролировал деньги. Если вам была нужна новая машина или ипотека, вы надевали свой лучший выходной костюм и наносили визит в банк. И банкир, ваш сосед и член вашего сообщества, уже знал много подробностей вашей жизни. Во-первых, как часто вы ходите в церковь (и ходите ли вообще). Во-вторых, сколько столкновений с законом было у вашего старшего брата. В-третьих, как ваш начальник (и по совместительству его партнер по гольфу) отзывается о вас как о работнике. И, естественно, ему были известны ваша раса и ваше этническое происхождение, а также он видел цифры в вашей заполненной заявке.

Первые четыре фактора очень часто влияли – осознавал это банкир или нет – на то, какое решение примет банк. Всегда была большая вероятность, что банкир скорее почувствует доверие к людям своего круга. Это свойственно человеческой природе. Но это также означало, что для миллионов американцев ситуация до наступления цифровой эры была столь же тяжелой, как в описываемую мной эпоху ОМП. Аутсайдеры, в число которых входили представители этнических меньшинств и женщины, постоянно дискриминировались. Им приходилось собирать внушительное финансовое портфолио, после чего предстояло найти непредубежденного банкира.

Это было ужасно несправедливо. И тогда появился алгоритм, который улучшил ситуацию. Математик Эрл Айзек и его друг инженер Билл Фэйр в 1956 году разработали модель для оценки степени риска невозврата кредита, названную ими FICO. Скоринг FICO основывался на формуле, которую рассчитывали, исходя исключительно из финансовых показателей заемщика: в основном формула опиралась на количество и размер прежде взятых кредитов и историю их выплаты. Результат никак не учитывал расовую принадлежность. Это пошло на пользу банковской индустрии, потому что предсказывало степень риска гораздо точнее и в то же время открывало двери миллионам новых клиентов.

Скоринги FICO, конечно, до сих пор существуют. Их используют бюро кредитных историй, такие как Experian, Transunion и Equifax, – каждое из них поставляет разные источники информации в модель FICO и высчитывает свои результаты. Эти результаты имеют много положительных и не относящихся к ОМП характеристик. Во-первых, в них есть ясные петли обратной связи. Кредитные компании видят, какие заемщики не возвращают кредиты, и могут связать эти цифры с собственными результатами. Если заемщики с высоким скорингом вдруг начинают не возвращать кредиты чаще, чем предсказывает модель, FICO и кредитные агентства могут скорректировать модель и настроить ее точнее. Все это – вполне разумное использование статистики.

Кроме того, кредитный скоринг относительно прозрачен: сайт FICO, например, предлагает простые инструкции по улучшению собственной оценки платежеспособности – сократить долг, делать платежи вовремя, перестать заказывать новые кредитные карты. Столь же важно и то, что индустрия кредитного скоринга регулируется. Если у вас возникают вопросы по поводу оценки вашей платежеспособности, вы имеете законное право затребовать ваш кредитный отчет, который включает в себя вашу ипотечную историю, ваш общий долг и процент доступного кредита, который вы используете. Процесс может быть мучительно медленным, но если вы найдете ошибки, вы сможете настоять на том, чтобы их исправили.

Со времен появления модели Фэйра и Айзека использование скоринга невероятно расширилось. Сегодня нас изучают и обсчитывают всеми возможными способами: специалисты по статистике и математики объединяют разрозненные данные, от почтовых индексов и любимых страниц в интернете до недавних покупок. Многие из их псевдонаучных моделей пытаются предсказать нашу кредитоспособность, выдавая каждому из нас так называемые e-score. Эти числа, которые мы редко видим, открывают кому-то из нас двери – в то время как перед другими их захлопывают. В отличие от скоринга FICO, который они напоминают, e-scores произвольны, непостижимы, нерегулируемы и зачастую несправедливы. Короче говоря, они представляют собой ОМП.

Отличным примером может служить находящаяся в Вирджинии компания Neustar. Она представляет компаниям сервисы по нахождению клиентов, включая сервис, который помогает управлять звонками, поступающими в колл-центры. В мгновение ока эта технология обрабатывает доступные данные о звонящих и распределяет их по иерархической лестнице. Те, кто оказывается наверху, считаются более потенциально прибыльными – и их быстро соединяют с оператором. Те же, кто оказывается внизу списка, или гораздо дольше висят в режиме ожидания, или перебрасываются в находящийся на аутсорсинге центр с перегруженным трафиком, который обслуживается в основном автоответчиком.

Компании, выпускающие кредитные карты, такие как Capital One, осуществляют подобные моментальные подсчеты, когда кто-то заходит на их сайт. Они часто могут получить доступ к данным о посещаемых потенциальным клиентом сайтах и его покупках, а это дает массу важной информации. Если человек изучает в сети «ягуары» последних моделей, существует большая вероятность, что он богаче, чем тот, который ищет на Carfax.com подержанный «форд торос» 2003 года выпуска. Большинство скоринговых систем также определяют местоположение посетителя сайта. Когда эта информация объединяется с информацией по недвижимости, можно уже делать выводы о финансовом положении. Клиент, который использует компьютер на Бальбоа-Террас в Сан-Франциско, намного перспективнее, чем тот, кто находится по другую сторону залива, в Восточном Окленде.

Существование e-scores не должно вызывать удивления. Мы уже видели модели, в которых загружаются подобные сведения, чтобы бомбардировать нас хищнической рекламой или определить, с какой вероятностью мы можем украсть машину. К лучшему или к худшему, они направили нас в школу (или в тюрьму) и на работу, а затем оптимизировали на рабочем месте. Теперь, когда, возможно, для нас настало время купить дом или машину, для финансовых моделей совершенно естественно использовать тот же кладезь информации, чтобы оценить нас.

Но подумайте об отвратительных петлях обратной связи, которые создают e-scores. Есть очень большая вероятность, что у потенциальной заемщицы из Восточного Окленда этот балл будет низким. Многие люди в этом районе не в состоянии выплачивать кредиты. Поэтому предложение по кредитной карте, которое появится на ее экране, будет ориентировано на группу населения с более высоким риском. Это означает менее доступный кредит и более высокие процентные ставки – и это для тех, кто и так нуждается.

Большая часть хищнической рекламы, которую мы уже обсуждали, включая рекламу кредита «до зарплаты» и коммерческих колледжей, генерируется с помощью таких e-scores. Они представляют собой эрзац кредитных оценок. Учитывая то, что компаниям запрещено по закону использовать кредитные оценки для рыночных целей, они обходятся этой бледной заменой.

В этом запрете есть определенная логика. В конце концов, наша кредитная история включает в себя очень личную информацию, и имеет смысл контролировать к ней доступ. Однако в результате компании ныряют в по большей части не регулируемые источники данных, такие как история посещений сайтов и геотеги, для того чтобы создать параллельный рынок информации. В процессе они могут по большей части избежать внимания правительства. Затем они измеряют успех по достижениям в эффективности, притоке наличности и прибыли. За немногими исключениями такие понятия, как справедливость и прозрачность, не входят в их алгоритмы.

Давайте сравним на секунду эту ситуацию с размышлениями банкира пятидесятых годов. Сознательно или нет, этот банкир взвешивал различные данные, которые имели совсем никакое или небольшое влияние на способность потенциального заемщика выплатить ипотеку. Он смотрел на посетительницу, сидевшую напротив него, видел ее расовую принадлежность и делал из этого выводы. Криминальное прошлое ее отца могло быть использовано против нее, в то время как регулярное посещение церкви, наоборот, считалось плюсом.

Все эти данные были прокси. В поисках ответа на вопрос о финансовой ответственности посетительницы банкир мог бы бесстрастно исследовать цифры (как некоторые образцовые банкиры, несомненно, и поступали). Но вместо этого он проводил корреляцию с расой, религией и семейными связями. Тем самым банкир избегал изучения заемщицы как конкретного человека и помещал ее в определенную группу людей – то, что специалисты по статистике называют интервалом. «Людям вроде нее», решал он, можно или нельзя доверять.

Главной заслугой Фэйра и Айзека было решение отбросить прокси и использовать релевантную финансовую информацию, например историю платежей по прошлым кредитам. Они сосредоточили свой анализ на конкретных людях, а не других, чем-то на них похожих. E-scores, напротив, отбрасывают нас назад во времени. Они анализируют отдельного человека через настоящий вихрь прокси. За несколько миллисекунд они делают тысячи подсчетов «похожих людей». И если достаточное количество этих «похожих» людей оказываются неплательщиками или, еще хуже, правонарушителями, то и к конкретному человеку будет соответствующее отношение.

Время от времени меня спрашивают, как преподавать этику специалистам по обработке данных. Я обычно начинаю с обсуждения того, как построить модель, подсчитывающую e-score, и спрашиваю у собеседников, имеет ли смысл закладывать в нее расовый фактор. Мне всегда отвечают, что это несправедливо и, возможно, даже незаконно. Следующий вопрос – стоит ли включать в анализ почтовый индекс. Поначалу это кажется вполне логичным. Но студентам очень быстро становится ясно, что они просто включают предубеждения прошлых времен в свою модель – что история того, как люди из данного региона в среднем ведут себя, должна хотя бы отчасти определять, какого рода кредит вправе получить проживающий там человек.

Другими словами, составители моделей для e-scores должны пытаться ответить на вопрос: «Как люди вроде вас вели себя в прошлом?», тогда как в идеале они должны спрашивать: «Как вы сами вели себя в прошлом?»

Разница между этими двумя вопросами огромна. Представьте себе, что ответственный человек с высокой мотивацией, но скромного иммигрантского происхождения пытается начать собственный бизнес – и он вынужден зависеть от такой системы в вопросе первоначальных вложений. Кто рискнет и даст такому человеку кредит? Уж точно не модель, основанная на подобной демографической и поведенческой информации.

Я должна признать, что в статистической вселенной, которую населяют прокси, они часто работают. Люди достаточно часто оказываются похожи на других людей из той же группы. Богачи чаще покупают круизы и БМВ. Бедняки чаще нуждаются в деньгах до зарплаты. И учитывая то, что статистические модели чаще всего работают, эффективность повышается, а прибыли растут. Инвесторы удваивают спрос на научные системы, которые размещают тысячи людей в том, что им кажется правильными интервалами. Это – триумф Больших данных.

Но что, если конкретный человек окажется в неправильном интервале? Такое случается. При этом не существует никакой обратной связи, которая помогла бы исправить ошибку. У механизма, обрабатывающего статистику, нет никакой возможности узнать, что он только что отправил ценного потенциального клиента общаться с автоответчиком в колл-центре. Хуже того, у неудачников в нерегулируемой вселенной e-score почти нет возможности пожаловаться и еще меньше возможностей исправить ошибку системы. В царстве ОМП они считаются небоевыми потерями. И учитывая то, что вся непрозрачная система работает где-то на отдаленном сервере, они об этом, как правило, даже не узнают. Большинство из них, вероятно, предполагают – и не без причины, – что жизнь просто несправедлива.

В мире, который я описываю, e-scores, подпитываемые миллионами прокси, действуют как бы в тени, в то время как наши кредитные истории, наполненные уместной и релевантной информацией, используются вполне официально. Но, к сожалению, на самом деле не все так просто. И слишком часто кредитные истории тоже используются как прокси.

Вас не должно удивлять, что многие институты нашего общества, от больших компаний до правительства, охотятся за людьми надежными и заслуживающими доверия. В главе, посвященной поискам работы, мы видели, как они сортируют резюме и избавляются от кандидатов, чьи психологические тесты намекают на нежелательные личные качества. Еще один повсеместно распространенный подход заключается в том, чтобы изучить кредитный скоринг кандидата. Если человек платит вовремя по счетам и старается не делать долгов, спрашивает себя работодатель, означает ли это его надежность и ответственность? Работодатель понимает, что это не совсем одно и то же. Но разве эти два параметра не коррелируют?

Именно так кредитные истории распространились широко за пределы их изначальной области предназначения. Кредитоспособность стала слишком простой подменой других достоинств. И наоборот, неумение платить по кредитам стало сигнализировать о целом наборе грехов, не имеющих прямого отношения к оплате счетов. Как мы увидим позже, всевозможные компании превращают кредитные истории в свои собственные версии кредитного скоринга и используют их как прокси. Это токсичная и повсеместно распространенная практика.

В некоторых случаях такая подмена может показаться безобидной. Некоторые сервисы онлайн-знакомств, например, подбирают партнеров на основе кредитного скоринга. Один из таких сайтов, CreditScoreDating, заявляет, что «хорошая кредитная история – это очень секси». Мы можем спорить, насколько разумно устанавливать взаимосвязь финансового поведения и любви, но, по крайней мере, клиенты этого сайта знают, во что они ввязываются, и понимают зачем. Это их выбор.

Однако если вы ищете работу, есть серьезная вероятность, что пропущенный платеж по кредитной карте или студенческому кредиту может обернуться против вас. В соответствии с данными исследования Сообщества по управлению человеческими ресурсами, почти половина американских работодателей просматривают кредитные истории своих потенциальных наемных работников. Некоторые из них также проверяют кредитный статус уже работающих у них людей – особенно когда предстоит принять решение, повышать ли работника по службе.

Перед проведением подобных проверок компании должны спрашивать у сотрудника разрешения. Но обычно это не многим больше чем простая формальность; во многих компаниях соискатели работы, которые отказываются предоставить информацию по кредитам, даже не будут рассматриваться как кандидаты. Но если их кредитная история окажется плохой, также есть большая вероятность, что их отвергнут. Исследование 2012 года, посвященное долгам по кредитным картам в семьях с низким и средним доходом, подтвердило эту тенденцию. Каждый из десяти участников сообщил о предупреждениях работодателей, что запятнанная кредитная история может похоронить их шансы на получение работы, и можно только предполагать, сколько людей оказалось не принято на работу по этой причине. Закон требует сообщать соискателям, что они отвергают их из-за проблем с выплатами по кредитам, но в действительности ничто не мешает компании просто сообщить кандидату, что он недостаточно хорошо подходит для данной работы и ему предпочли более квалифицированного соискателя.

Практика использования кредитного скоринга при принятии на работу и дальнейшем продвижении по службе создает опасный порочный круг бедности. В конце концов, если вы не можете получить работу из-за своей кредитной истории, эта история, скорее всего, еще сильнее ухудшится – а значит, вам еще сложнее будет найти работу. Это похоже на проблему, с которой сталкиваются молодые люди, которые ищут первую работу, – их не принимают из-за недостатка опыта. С аналогичными трудностями сталкиваются и давно не работавшие люди – мало кто готов принять на работу человека, который долго был безработным. Образуется спираль обратной связи, из которой не могут выбраться люди, которым просто не повезло.

Конечно, нанимателей этот аргумент мало волнует. Они считают, что хорошее кредитное поведение говорит об ответственности – а это именно то качество, которое они хотят видеть в своем работнике. Но взгляд на кредит как на проблему морали – ошибка. Каждый день много трудолюбивых и вполне надежных людей теряет работу из-за того, что компании закрываются, сокращают расходы или переезжают в другой регион. Число таких людей возрастает в периоды рецессий. И многие из тех, кто оказался без работы, оказываются и без медицинской страховки. Стоит им в этот период заболеть или попасть в аварию – и они пропускают платеж по кредиту. Даже с принятием Закона о доступном медицинском обслуживании, который уменьшил количество незастрахованных людей, медицинские расходы все равно остаются одной из основных причин банкротств в Америке.

Конечно, люди, у которых есть сбережения, могут продолжать выплачивать кредиты и в сложные времена. Те же, кто живут от зарплаты до зарплаты, гораздо более уязвимы. В результате отличная кредитная история становится не просто прокси для ответственности и грамотных решений, это еще и прокси для богатства. А богатство очень сильно коррелирует с расовой принадлежностью.

Подумайте вот о чем. На 2015 год в руках белых семей было сосредоточено в десять раз больше денег и имущества, чем в руках черных и латиноамериканских семей. И если среди белых только 15 % имели нулевой или отрицательный капитал, то более трети черных и латиноамериканцев не имели никакой финансовой подушки безопасности. Причем с возрастом этот разрыв только усугубляется. К возрасту около шестидесяти лет белые американцы в среднем в одиннадцать раз богаче афроамериканцев. Если рассматривать эти цифры, сложно не согласиться с тем, что ловушка бедности, которую создают проверки кредитной истории работодателями, влияет на общество по-разному и затрагивает расовый вопрос. В это самое время, когда я пишу эти строки, десять штатов приняли закон о запрете использования кредитного скоринга в приеме на работу. Аргументируя этот запрет, правительство штата Нью-Йорк заявило, что использование кредитных проверок «непропорционально затрагивает бедных и небелых соискателей». Однако эти проверки продолжают считаться законными и практиковаться в сорока остальных штатах.

Это не значит, что отделы кадров по всей Америке сознательно строят ловушки бедности, не говоря уже о расистских ловушках. Они, без сомнения, верят в то, что кредитные истории дают релевантную информацию, которая помогает работодателю принять важные решения. В конце концов, «чем больше данных, тем лучше» – основной принцип Века информации. Однако во имя справедливости определенную часть этой информации следует оставить без обработки.

Представьте на мгновение, что вы недавно окончили юридическую школу при Стэнфордском университете и проходите собеседование в престижной юридической фирме в Сан-Франциско. Старший партнер изучает файл на экране компьютера и вдруг начинает смеяться: «Тут говорится, что вас арестовывали в штате Род-Айленд! За организацию лаборатории по производству метамфетамина!» Он качает головой. У вас распространенное имя, и компьютеры часто делают глупые ошибки. Собеседование продолжается.

В высшем эшелоне экономики люди по большей части самостоятельно принимают важные решения, хотя и опираются на компьютер как на полезный инструмент. Однако в среднем звене и особенно в нижних эшелонах менеджмента большая часть работы, как мы видели, автоматизирована. Когда в досье имеется ошибка – а это случается часто, – даже лучшие из алгоритмов принимают неверные решения. Это давно уже сформулировали специалисты по поиску в интернете: мусор на входе – мусор на выходе.

Человек, находящийся по ту сторону этого автоматизированного процесса, может страдать от последствий в течение многих лет. Созданные компьютером списки нежелательных пассажиров, которых авиакомпании отказываются пускать на борт самолета, например, знамениты своими ошибками. Ни в чем не виноватый человек, чье имя просто похоже на имя подозреваемого в терроризме, каждый раз проходит через ад, пытаясь попасть в самолет. При этом богатые путешественники зачастую в состоянии оплатить статус «заслуживающего доверия путешественника», который позволяет им обходить службу безопасности в аэропортах. По сути, они тратят деньги, чтобы защитить себя от ОМП.

Подобные ошибки возникают повсеместно. Федеральная торговая комиссия сообщила в 2013 году, что пять процентов потребителей – то есть 10 миллионов человек – обнаруживали ошибки в своих кредитных историях, причем ошибки достаточно серьезные, которые вполне могли повлечь более высокие проценты по кредиту. Это неприятно, но, по крайней мере, кредитные истории существуют в регулируемой области экономики данных. Потребители вполне могут (и им следует это делать) хотя бы раз в год потребовать, чтобы им дали просмотреть их кредитные истории и исправить ошибки, которые могут однажды дорого обойтись[17].

И все же нерегулируемая сторона экономики данных еще более опасна. Множество компаний, от гигантов вроде Acxiom Corp[18] до фирм-однодневок, покупают информацию у социальных сетей, розничных магазинов, рекламных агентств, разработчиков мобильных приложений и букмекерских контор и в результате могут собрать огромное количество фактов на каждого потребителя в стране. Они могут отметить, например, что у такого-то пользователя обнаружен диабет, при этом дома у него курят, а сам он водит внедорожник и обзавелся парочкой колли (которые останутся в досье еще много лет после того, как покинут бренную землю). Эти компании также собирают все крупицы доступной официальной информации, включая данные о голосовании, о столкновениях с полицией и продаже дома. Все это заносится в профиль потребителя, который затем продается.

Одни компании, торгующие подобной информацией, надежнее других. Но в ходе любой операции, которая пытается собрать профили сотен миллионов людей из тысячи различных источников, неизбежно появится множество ошибок. Возьмем историю жительницы Филадельфии Хелен Стоукс. Она хотела переехать в местный центр для престарелых, но ей постоянно отказывали, потому что центр располагал сведениями о ее прошлых арестах. Ее действительно дважды арестовывали в ходе ссор с бывшим мужем, но она не была осуждена, и сведения об ее арестах были удалены из официальной базы данных полиции. Однако эти сведения остались в документах, собранных компанией RealPage Inc. (эта компания проверяла биографические данные потенциальных жильцов центра).

Для RealPage и многих других подобных компаний создание и продажа подобных отчетов – источник прибыли. А люди вроде Хелен Стоукс – не клиенты, они продукты. Отклики на их жалобы занимают время и стоят денег. В конце концов, пусть Стоукс и говорит, что ее аресты были удалены из базы данных, проверить эту информацию стоит времени и денег. Высокооплачиваемый сотрудник компании должен провести для этого несколько минут в интернете или, боже упаси, сделать пару телефонных звонков. Неудивительно в таком случае, что Стоукс ничего не добилась, пока не подала в суд. И сколько других брокеров данных, даже после отклика от RealPage, до сих пор продают файлы со столь же токсичной дезинформацией? Остается только гадать…

Некоторые брокеры данных предоставляют потребителям доступ к собранной информации. Но эта информация предоставляется не целиком. Туда включены все факты, но не всегда включены выводы, которые брокеры извлекают из этих фактов. Допустим, некая женщина изучает свой файл с данными и видит там информацию о том, что у нее ипотека и два неоплаченных счета – за услуги провайдера Verizon и за починку гаражной двери, всего за 459 долларов. Но она не видит, что ее включили в интервал «Сельские жители, едва сводят концы с концами» или «На пенсии, без сбережений». К счастью для брокеров данных, очень немногие из нас могут увидеть эти детали. Если бы мы имели такую возможность – чего добивается Федеральная торговая комиссия, – брокеры данных, скорее всего, просто были бы завалены миллионами судебных исков. Это могло бы запросто разрушить их бизнес-модель. Но на данный момент потребители узнают об ошибках в своих файлах чаще всего просто случайно.

Жительнице Арканзаса по имени Кэтрин Тейлор, например, несколько лет назад отказали в приеме на работу в местное отделение Красного Креста. Такое случается. Но письмо с отказом, которое получила Тейлор, содержало крупицу важной информации. Сведения о ее прошлом включали уголовное обвинение за намерение производить и продавать метамфетамины. Разумеется, такие кандидаты не были нужны Красному Кресту.

Но Тейлор решила разобраться и выяснила, что криминальные обвинения относились к другой Кэтрин Тейлор, ее полной тезке и к тому же имевшей ту же дату рождения. Позже соискательница выяснила, что еще как минимум десять компаний подмочили ее репутацию неточными сведениями, что, вероятно, в свое время сыграло свою роль и в том, что заявка Кэтрин на федеральную жилищную субсидию была отвергнута. Может быть, ее и в этом случае приняли за кого-то другого?

В процессе автоматической обработки информации, без сомнения, такое могло случиться. Но тут в процесс вмешался человек. При подаче заявки на субсидию Тейлор и ее муж встречались с сотрудницей ведомства по делам недвижимости, чтобы проверить биографии супругов. Эта сотрудница по имени Ванда Тейлор (не родственница Кэтрин или ее мужа) использовала информацию, предоставленную компанией – брокером данных под названием Tenant Tracker. Отчет был полон ошибок и совершенно посторонних персонажей. Например, в нем предполагалось, что настоящее имя Тейлор – не Кэтрин, а Шантель, и что она осужденная преступница, родившаяся в тот же день. Другое подозрение касалось той самой Кэтрин Тейлор, о которой супруги уже слышали, – преступницы, отбывавшей срок в тюрьме в штате Иллинойс за кражу, подлог и хранение запрещенных веществ.

Короче говоря, этот отчет был сплошной путаницей. Но Ванда Тейлор имела опыт в подобных вещах. Она начала пристально изучать информацию и быстро вычеркнула версию с Шантель, которая показалась ей неправдоподобной. Затем она выяснила, что у воровки из Иллинойса была на лодыжке татуировка с именем Трой. Попросив Кэтрин Тейлор показать лодыжки, она вычеркнула и эту версию. К концу встречи всего один добросовестный сотрудник смог удалить всю чепуху, собранную брокером, просто отловившим случайную информацию в интернете. Теперь ведомство по делам недвижимости знало, с какой именно Кэтрин Тейлор оно имеет дело.

Вопрос, на который пока нет ответа, заключается в следующем: а сколько имеется добросовестных сотрудников, готовых исправлять подобные ошибки? Ответ: совершенно недостаточно. Живые люди в экономике данных – это пережитки и исключения. Системы настроены так, чтобы работать с максимальной степенью автоматизации, лишь это эффективно и прибыльно. Ошибки неизбежны, как и в любой статистической программе, но самый простой способ их уменьшить – тоньше настроить алгоритмы, которые управляют машинами. Люди только путаются под ногами.

Эта тенденция к автоматизации лишь ускоряется с развитием компьютеров, которые все лучше и лучше могут разбирать записанную информацию, в некоторых случаях обрабатывая тысячи написанных документов в секунду. Но они все еще неправильно понимают многие вещи. Даже суперкомпьютер Watson, играющий в Jeopardy!, при всем своем великолепии был поставлен в тупик языковым контекстом в десяти процентах случаев. Однажды он решил, что бабочки питаются «кошерно», а в другой раз перепутал Оливера Твиста, персонажа Чарльза Диккенса, и группу Pet Shop Boys.

Подобные ошибки неизбежно накапливаются в наших досье, путая и неправильно ориентируя алгоритмы, которые все больше управляют нашими жизнями. Эти ошибки, следствие автоматического сбора данных, делают токсичными предиктивные модели и усиливают деструктивное воздействие оружия математического поражения. Однако автоматический сбор продолжает развиваться. Компьютеры все более активно выходят за пределы письменного мира. Они обрабатывают устную информацию и изображения и используют их, чтобы собрать больше информации обо всем во вселенной – включая нас. Эти новые технологии соберут массу новой информации для наших досье – увеличив и риск появления новых ошибок.

Совсем недавно система распознавания образов компании Google обработала фотографии троицы счастливых молодых афроамериканцев, и автоматический сервис проставления тегов для изображений обозначил всех троих как горилл. Конечно, компания принесла глубокие извинения, но в системах, подобных Google, такие ошибки неизбежны. Скорее всего, это ошибка машины, а не каверзы расиста, затаившегося на просторах Googleplex: программное обеспечение просмотрело миллиарды изображений людей и приматов и научилось неплохо распознавать характерные черты – от оттенков цвета кожи до расстояния между глазами и формы ушей. Однако очевидно, что алгоритм не был достаточно хорошо протестирован перед выпуском. Подобные ошибки – это возможности для дальнейшего обучения машины, но только в том случае, если система получает обратную связь с сообщением о том, что она ошиблась. В данном случае эта обратная связь была получена. Но несправедливость продолжает существовать. Когда автоматические системы просматривают наши данные, чтобы на их основе составить наш электронный рейтинг, они явным образом проецируют прошлое в будущее. И, как мы видели в случае с моделями возможности рецидива, а также хищническими кредитными алгоритмами, они исходят из того, что бедные останутся бедными навсегда, и относятся к ним соответствующим образом: лишают их возможностей, чаще сажают в тюрьму, обманывают с сервисами и кредитами. Подобное отношение неизбежно, зачастую слишком глубоко спрятано и недостижимо для обжалования.

В то же время мы не можем рассчитывать на то, что автоматические системы решат проблему несправедливости. При всей их невероятной мощи они пока не могут делать поправки на справедливость – во всяком случае, не могут сделать этого самостоятельно. Обработка данных с приоритетом установления справедливости совершенно чужда машинам, и их невероятно сложно этому научить. Только человек может с таким справиться.

Здесь можно увидеть парадокс. Если мы снова вернемся к нашему банкиру 1950-х годов, мы увидим, что его сознание наполнено человеческими предубеждениями: желаниями, предрассудками, недоверием к чужакам. Именно для того, чтобы делать свою работу более справедливо и более эффективно, он и его коллеги по профессии и передали работу алгоритму.

Шестьдесят лет спустя миром управляют автоматические системы, которые наполняют наши досье ошибками. Они срочно нуждаются в понимании контекста, здравого смысла и справедливости, а это понимание могут обеспечить только люди. Однако, если мы оставим эту проблему на усмотрение рынка, который ценит лишь эффективность, рост и поток прибыли (и ради этого согласен на определенный процент ошибок), живым людям будут даны инструкции не вмешиваться и держаться подальше от машин.

Это будет большой проблемой, потому что, пока мы вскрываем и решаем проблемы с нашими старыми кредитными моделями, на рынок стремительно врываются мощные новые игроки. Например, Facebook запатентовал новый тип кредитного рейтинга, основанный на изучении наших социальных сетей. Цель, если смотреть поверхностно, вполне разумна. Представьте себе выпускника колледжа, который отправляется на пять лет в Африку в составе религиозной миссии – помогать обеспечивать питьевой водой нищие африканские деревни. Затем он возвращается домой – естественно, не имея никакого кредитного рейтинга – и начинает испытывать сложности с получением кредита. Однако на Face-book есть все его одноклассники – и многие из них стали инвестиционными банкирами, кандидатами наук, разработчиками ПО… Анализ социального окружения нашего миссионера показывает, что он вполне может быть надежным заемщиком. Однако тот же алгоритм с большой вероятностью сработает против какого-нибудь трудолюбивого уборщика из восточного Сент-Луиса, в друзьях у которого немало безработных и даже несколько заключенных.

Тем временем респектабельная банковская индустрия продолжает маниакально прочесывать наши личные данные в попытках стимулировать бизнес. Однако лицензированные банки (в отличие от брокеров данных) подлежат федеральному регулированию и определенным правилам конфиденциальности. С точки зрения этих правил собирание досье на клиентов влечет репутационные и юридические риски. Компания American Express убедилась в этом на собственной шкуре в 2009 году, как раз в разгар Великой рецессии. Пытаясь уменьшить риски ради собственной балансовой ведомости, American Express урезала кредитный лимит некоторым клиентам. Однако, в отличие от неформальных игроков на поле электронных рейтингов, гигантский эмитент кредитных карт был обязан разослать этим клиентам письма с объяснением причин.

Это был удар ниже пояса. Компания объяснила, что владельцы карт, тратившие деньги в определенных местах, с большей вероятностью могли задерживать выплаты. Это был вопрос статистики, очень простой: четкая корреляция между покупательскими привычками и уровнем дефолтов по картам. Несчастные клиенты American Express могли только догадываться, какое именно заведение угробило их кредитный лимит. Может быть, еженедельные закупки в Walmart? Или проверка тормозной системы в небольшой авторемонтной мастерской? Что именно поместило их в интервал потенциальных неплательщиков?

В любом случае это решение уменьшило кредитный лимит клиентов в самый разгар жестокого экономического кризиса. И что еще хуже, уменьшение лимита должно было появиться в течение нескольких дней в их кредитных историях. На самом деле это уменьшение наверняка было зафиксировано уже на момент получения клиентами писем. Оно должно было уменьшить их скоринг и повысить проценты по кредиту. Можно сказать уверенно, что многие из этих владельцев карт часто посещали «магазины, ассоциирующиеся с плохими выплатами» именно потому, что отнюдь не купались в деньгах. И, естественно, алгоритм сделал их еще беднее.

Гнев владельцев кредитных карт привлек внимание крупных изданий, включая New York Times, и American Express быстро заявила, что не связывает конкретные магазины со степенью риска (позже компания настаивала на том, что выбрала неверные слова в своих письмах и что они изучали исключительно более широкие покупательские предпочтения, а не конкретные магазины).

Для American Express эта история обернулась сильной головной болью. Если они и в самом деле усмотрели явную корреляцию между покупками в определенных магазинах и кредитным риском, они определенно больше не могли использовать это знание. В сравнении с большей частью интернет-экономики компании, подобные American Express, действуют в определенных рамках, подчиняются правилам и в какой-то степени, можно сказать, связаны по рукам и ногам. (Не то чтобы им было на что жаловаться. В течение многих десятилетий лоббисты на финансовом рынке помогали устанавливать многие из этих правил, поддерживая старых игроков – и против досаждающих новичков.)

Так что удивительного в том, что новые силы в финансовой индустрии силы выбирают более свободные и не такие зарегулированные пути? Инновации, в конце концов, основаны на свободе экспериментов. А с петабайтами данных в руках и практически при полном отсутствии внешнего контроля открываются просто огромные возможности для создания новых бизнес-моделей.

Множество компаний, например, хотят выйти на рынок микрокредитов до зарплаты. Эти «банки последней надежды» работают с бедняками, обирая их от зарплаты до зарплаты и запрашивая нереально высокие проценты по выплатам. Через 22 недели за взятые взаймы 500 долларов придется отдать уже 1500. Поэтому, если какой-то изобретательный игрок на этом рынке найдет новый способ эффективно оценивать риски, а затем отбирать более надежных кандидатов из множества отчаявшихся людей, он может даже назначить им процент слегка ниже рынка – и все равно получить огромную прибыль.

Именно в этом и заключалась идея Дугласа Меррилла. Бывший директор по информационным технологиям в Google, Меррилл считал, что сможет использовать Большие данные, чтобы подсчитать степень риска и предложить кредиты до зарплаты со скидкой. В 2009 году он основал стартап под названием ZestFinance. На сайте своей компании Меррилл объявил, что «любая информация – это кредитная информация». Другими словами, все пойдет в дело.

ZestFinance покупал информацию о том, насколько аккуратно соискатели кредитов оплачивают телефонные счета, а также многие другие данные, находящиеся в открытом доступе или доступные для приобретения. Меррилл пообещал, что проценты у него будут ниже, чем практически у всех других компаний, занимающихся микрокредитованием. Стандартный кредит в 500 долларов в ZestFinance стоит через 22 недели «всего» 900 – на 60 % ниже среднего в этой индустрии.

Конечно, это улучшение, но справедливо ли оно? Алгоритмы компании обрабатывают до десяти тысяч параметров по каждому претенденту, включая не вполне обычные сведения, такие как грамотность заполнения формы заявки претендентом, скорость, с которой он ее читает, и читает ли он все условия, перечисленные в договоре. «Те, кто следует правилам», считает компания, с большей вероятностью выплачивают свои кредиты.

Возможно, это действительно так. Но ошибки в орфографии и пунктуации – это также показатель плохого образования, что напрямую коррелирует с социальным классом и расой. Поэтому, когда бедняки и иммигранты подают заявку на кредит, плохое владение языком может привести к повышению процентной ставки. И если потом у них возникнут сложности с выплатой этих процентов, это лишь подтвердит, что они изначально находились в зоне высокого риска, – и понизит еще сильнее их кредитный скоринг. Создается токсичная петля обратной связи, и оплата счетов вовремя играет здесь лишь небольшую роль.

Когда новые предприятия строятся на основе оружия математического поражения, неизбежны проблемы, даже если создатели ОМП были преисполнены лучших намерений. Возьмем пример индустрии кредитования между физическими лицами. Она появилась в прошлое десятилетие, и в ее основе лежала идея предоставления физическими лицами взаимных кредитов. Это должно было демонстрировать демократизацию банковского дела. Больше людей смогли бы получить кредиты – и в то же время миллионы обычных людей смогли бы стать мини-банкирами и получать неплохую прибыль. Обе стороны при этом обходили бы стороной жадные банки.

Один из первых таких центров обмена, Lending Club, появился как приложение к Facebook в 2006 году и через год получил финансирование, чтобы стать банком нового типа. Чтобы подсчитать риски заемщиков, Lending Club объединил традиционные кредитные отчеты с информацией, собранной в интернете. Короче говоря, их алгоритм производил электронные скоринги, которые, как утверждалось, были точнее кредитных историй.

Lending Club и его основной конкурент Prosper – до сих пор относительно небольшие компании. Объем выданных ими кредитов не превышает 10 миллиардов долларов – это лишь крупица на кредитном рынке США размером в три триллиона. Однако они привлекают к себе много внимания. Члены руководства Citigroup и Morgan Stanley выступают как директоры участников кредитования между физическими лицами, а инвестиционный фонд Wells Fargo – самый большой инвестор Lending Club. IPO Lending Club в декабре 2014 года было самым большим из первичных публичных размещений за год. Lending Club собрал 870 миллионов и получил оценку рыночной стоимости в 9 миллиардов долларов, что поставило его на пятнадцатое место среди банков в Америке.

Вся эта шумиха имеет мало отношения к демократизации капитала или укреплению среднего класса. В соответствии с данными Forbes, финансы юридических лиц составляют уже более 80 % всех активов в платформах кредитования между физическими лицами. Для больших банков эти новые платформы предоставляют удобную альтернативу жестко регулируемой банковской экономике. Работа через систему кредитования между физическими лицами дает кредитору возможность проанализировать любую информацию, которая ему нужна, и разработать свои скоринги. Он может разработать корреляции риска с районом проживания, почтовым индексом, магазинами, в которых делают покупки клиенты, – и все это без необходимости отсылать клиентам неловкие письма с неуклюжими объяснениями.

Что же это значит для нас? По мере роста электронных рейтингов мы все больше распределяемся по группам в соответствии с тайными формулами, причем некоторые из них составляются на основе досье, полных ошибок. Нас рассматривают не как отдельных личностей, а как представителей определенных племен, и мы никуда не можем от этого деться. По мере того как электронные рейтинги загрязняют сферу финансов, возможности для бедняков делаются все призрачнее. На самом деле, если сравнить с разбоем ОМП, полный человеческих предубеждений банкир прошлых дней покажется не таким уж ужасным. В конце концов, заемщик мог попытаться прочитать что-то в его глазах и воззвать к его человечности.

В поисках укрытия: получение страховки

В конце XIX века знаменитый статистик Фредерик Хоффман создал мощное оружие математического поражения. Скорее всего, Хоффман, немец по происхождению, работавший в страховой компании Prudential Life, не хотел никому причинить вреда. Своими более поздними исследованиями он внес большой вклад в общественное здравоохранение, много времени посвятил изучению малярии и первым установил взаимосвязь между курением табака и раком. И тем не менее именно Хоффман в один прекрасный весенний день 1896 года опубликовал 330-страничный отчет, который сильно замедлил движение к расовому равноправию в США и надолго закрепил за миллионами людей статус граждан второго сорта.

Отчет использовал исчерпывающие статистические данные, чтобы доказать, что в жизни черных американцев так много риска, что ни один представитель черной расы не может быть застрахован. Как и многие ОМП, которые мы обсуждаем, отчет Хоффмана содержал в себе статистические ошибки. Он спутал причинно-следственную связь с корреляцией, и в итоге огромная масса данных, которую он собрал, служила только доказательству его постулата: расовая принадлежность – мощный фактор ожидаемой продолжительности жизни. Расизм был настолько укоренен в системе мышления Хоффмана, что он, по всей видимости, даже не задумывался: может быть, именно бедность и несправедливость играют какую-то роль в уровне смертности среди афроамериканцев? Так же как отсутствие хорошего образования, нормальных санитарных условий, хорошей работы, доступа к здравоохранению…

Кроме того, Хоффман допустил серьезнейшую статистическую ошибку. Как и президентская комиссия, которая почти через 90 лет, в 1983 году, выпустила отчет «Нация под угрозой», Хоффман пренебрег стратификацией своих результатов. Он рассматривал афроамериканцев как большую и гомогенную группу. Поэтому он не стал разделять их по разным географическим, социальным или экономическим стратам. Для него черный учитель, спокойно работающий в Нью-Йорке или Бостоне, был неотделим от издольщика, босиком копавшегося по 12 часов в земле где-нибудь в дельте Миссисипи. Хоффман был словно ослеплен цветом кожи.

Собственно, как и вся страховая индустрия в те годы. Со временем страховые компании стали, конечно, мыслить немного более прогрессивно и начали продавать страховые полисы афроамериканским семьям. В конце концов, на этом тоже можно было сделать деньги. Но они десятилетиями держались за идею Хоффмана, что целые группы людей можно в целом рассматривать как носителей большего риска, чем другие, а для некоторых групп риск слишком велик. Страховые компании, как и банкиры, очерчивали районы проживания, в которых они не желали инвестировать. Эта жестокая практика, известная как практика красной черты, была запрещена в результате принятия нескольких законов, включая Закон о справедливом решении жилищных вопросов 1968 года.

Однако же спустя почти полвека практика красной черты все еще используется, хоть и не столь прямолинейно. Она включена в последнее поколение ОМП. Подобно Хоффману, создатели этих новых моделей путают корреляцию с причинно-следственной связью. Они наказывают бедных, особенно представителей расовых и этнических меньшинств. И они подкрепляют свой анализ массой статистических данных, которые придают всему этому солидный окрас беспристрастной науки.

Итак, в нашем алгоритмическом путешествии по жизни мы чудом продрались наверх, получили какое-то образование и работу (даже если на последней приходится работать по совершенно хаотическому расписанию). Мы набрали кредитов и увидели, что наша кредитоспособность стала заменой всех наших достоинств и недостатков. Теперь настало время защитить самое ценное, что у нас есть: дом, машину и здоровье семьи, – и оставить распоряжения для тех, кого мы однажды покинем.

Страхование выросло из актуарной науки – дисциплины, корни которой уходят в XVII век. Это был период, когда растущая буржуазия в Европе сколачивала огромные состояния. Это позволило многим из них впервые в истории задуматься о будущих поколениях.

В то время как достижения математиков предоставляли необходимые инструменты для предсказаний, первые поколения информационных ищеек искали всё новые вещи, которые можно было бы посчитать. Одним из них был галантерейщик из Лондона Джон Гронт. Он изучил приходские записи о рождениях и смертях за много лет и в 1682 году опубликовал первое исследование уровня смертности, касающееся большого сообщества людей. Например, он подсчитал, что риск умереть для ребенка в Лондоне составляет 6 % в каждый из первых шести лет жизни (заодно он с помощью статистики смог развенчать миф о том, что эпидемия чумы якобы прокатывается по стране каждый раз, когда на трон восходит новый монарх). Впервые в истории математики смогли обсчитать самый ранний период человеческой жизни. Конечно, это не срабатывало для отдельных людей, но если числа были достаточно большими, то среднее арифметическое и диапазон отклонений вполне можно было предсказать.

Математики не притворялись, что могут предсказать судьбу каждого человека. Это было невозможно. Но они могли предсказать частоту несчастных случаев, пожаров и смертей по другим причинам в больших группах людей. За следующие три столетия на основе этих предсказаний возникла мощная страховая индустрия. Эта новая индустрия впервые в истории дала людям возможность объединить свои риски в общий коллективный риск, чтобы защитить каждого отдельного человека от ударов судьбы.

Сегодня, по мере развития науки о данных и объединения компьютеров в глобальную сеть, страховая индустрия вступила в эпоху фундаментальных изменений. Получая все большее количество информации – включая сведения о наших геномах, паттернах нашего сна, спортивных упражнениях и диете, о том, насколько хорошо мы водим машину, – страховщики все более эффективно подсчитывают риски для каждого отдельного человека и избавляются от групповых обобщений. Для многих клиентов это означает изменение к лучшему. Сторонница здорового образа жизни теперь легко может доказать, что спит не меньше восьми часов в сутки, ежедневно проходит пешком по десять миль и ест практически только зеленые овощи, орехи и рыбу. Почему бы ей не получить медицинскую страховку на самых лучших условиях?

Впрочем, движение в сторону индивидуализации страхования, как мы увидим, пока только начинается, но страховщики уже сегодня используют данные, чтобы разделить нас на все более мелкие группы, чтобы предложить нам разные продукты и услуги по различным ценам. Некоторые могут это назвать индивидуализированными услугами. Проблема заключается в том, что на самом деле они не индивидуализированы. Модели помещают нас в невидимые для нас группы людей, чье поведение лишь кажется им похожим на наше. Независимо от качества анализа, непрозрачность подобного разделения может привести к обману.

Возьмем, к примеру, автомобильное страхование. В 2015 году авторитетное издание «Отчеты для потребителей» (Consumer Reports) провело обширное, в масштабах всей страны исследование, посвященное разнице в ценах. Эксперты издания проанализировали более двух миллиардов ценовых предложений от всех основных страховых компаний, обращенных к потенциальным клиентам из всех уголков страны. И обнаружили огромную несправедливость, корни которой, как мы уже видели в предыдущей главе, таятся в кредитном скоринге.

Страховые компании берут этот скоринг из кредитных историй, а затем, используя алгоритмы собственной разработки, создают собственные рейтинги, которые, в сущности, представляют собой подмены (прокси) критерия ответственного вождения. В Consumer Reports обнаружили, что эти прокси содержат множество различных данных, и отнюдь не только «послужной список» водителя. Оказывается, то, как вы управляете своими деньгами, может иметь гораздо большее значение, чем то, как вы водите свою машину. В штате Нью-Йорк, например, снижение кредитного рейтинга водителя с «отличного» до просто «хорошего» увеличивает стоимость годовой страховки на 225 долларов. А во Флориде водитель с совершенно безупречной историей вождения, но с плохим кредитным рейтингом заплатит в среднем на 1522 доллара больше, чем водитель с отличной кредитной историей, но имеющий в прошлом предъявление обвинений в пьяном вождении.

Мы уже обсуждали, как все большая зависимость от кредитного скоринга в экономике в целом работает против бедных. Оценка водителей – еще один пример той же тенденции, причем совершенно беспредельного масштаба, учитывая, что страховка обязательна для всех, кто водит машину. Прокси здесь используется, несмотря на наличие гораздо более релевантной информации. Я не могу себе представить, что может быть важнее для автомобильных страховщиков, чем информация о том, что потенциальный клиент был в прошлом обвинен в пьяном вождении. Это прямое указание на риски именно в той части поведения клиента, которую они пытаются предсказать. И это гораздо важнее, чем любые прокси, которые они рассматривают – в том числе, например, успеваемость клиента в те годы, когда он еще был старшеклассником. И в то же время эти данные могут иметь гораздо меньшее значение в их формуле, чем результат, полученный из кредитной истории (которая к тому же, как мы уже видели, иногда бывает совершенно ошибочной).

Так почему же вообще эти модели так сосредоточены на кредитных историях? Как и в случае с другими видами ОМП, автоматические системы могут с высочайшей эффективностью и в огромных масштабах обрабатывать массивы данных – в том числе и данных из кредитных историй. Но я считаю, что основная причина связана с желанием максимизировать прибыль. Если у страховой компании имеется инструмент, который может вытянуть лишние 1552 доллара у водителя с безупречным прошлым, зачем это менять? Жертвами оружия математического поражения, как мы видели и в других местах, с большей вероятностью становятся люди более бедные и менее образованные, многие из них – иммигранты. Они с меньшей вероятностью дознаются, что их обобрали. И в районах, где контор, предлагающих микрокредиты, больше, чем страховых фирм, сложно найти более низкие ставки. Короче говоря, пусть страховой рейтинг и не коррелирует с безопасным вождением, зато он создает прибыльную группу уязвимых водителей. Многие из них отчаянно нуждаются в том, чтобы иметь возможность водить машину: от этого зависит их работа. Назначение им завышенной цены в конечном итоге оказывается выгодным для страховой компании.

С точки зрения автомобильного страховщика, это со всех сторон выигрышная ситуация. Хороший водитель с плохой кредитной историей – это маленький риск и отличное вознаграждение. Более того, компания может использовать какую-то часть собранных средств на покрытие неэффективных элементов системы – например, выплаты по страховым случаям клиентов с прекрасной кредитной историей, которые заплатили за свою страховку меньше, но тут же попали в пьяном виде в аварию.

Это может показаться слегка циничным. Но давайте рассмотрим алгоритм оптимизации цен в страховой компании Allstate. Согласно данным Федерации потребителей Америки (CFA), Allstate анализирует потребительскую и демографическую информацию, чтобы определить вероятность того, что клиент отправится искать более выгодные предложения. Если эта вероятность низка, имеет смысл взять с клиента побольше. Именно это Allstate и делает.

И это еще не все. CFA предоставила департаменту страхования штата Висконсин доклад, в котором перечислила 100 тысяч микросегментов в схемах ценообразования Allstar. Эти ценовые уровни зависят от того, сколько каждая группа готова заплатить. Соответственно, некоторые клиенты получают скидку в 90 % от среднего уровня цен, тогда как у других запрашивают 800 %. Джей Роберт Хантер, директор по страхованию CFA и бывший страховой инспектор от штата Техас, заявил, что

ценовая политика Allstate теперь не привязана ни к правилам, согласно которым величина страховых взносов должна зависеть от степени риска, ни к закону вообще.

Allstate в ответ заявила, что обвинения CFA некорректны. Однако компания признала, что «рыночные соображения, соответствующие принятой в индустрии практике, применялись в разработке цен на страхование». Другими словами, модели компании изучают множество прокси, чтобы рассчитать, сколько взять с того или иного клиента. И другие компании в этой индустрии занимаются тем же.

Сложившаяся в результате ценовая политика несправедлива. Это злоупотребление не могло бы произойти, если бы ценообразование в страховом бизнесе было прозрачным – и клиенты могли с легкостью сравнивать цены. Но, как и в случае с другими видами ОМП, этот процесс непрозрачен. Каждый человек получает индивидуальный опыт, и модели оптимизированы так, чтобы вытягивать как можно больше денег из отчаявшихся и невежественных. В результате возникает очередная петля обратной связи: из бедных водителей, которые меньше всего могут себе позволить завышенные цены за страховку, выжимают последние центы. Модель тонко настроена на то, чтобы вытягивать как можно больше денег из этой подгруппы. Некоторые из них неизбежно падают слишком низко и оказываются не в состоянии выплачивать свои автомобильные кредиты, долги по кредитным картам или стоимость аренды жилья. Это еще сильнее ухудшает их кредитную историю – и, без сомнения, отправляет в еще худший страховой микросегмент.

Когда журнал Consumer Reports опубликовал свой отчет об индустрии автострахования, он одновременно запустил кампанию против Национальной ассоциации страховых инспекторов (NAIC), дополнив ее кампанией в Twitter: @NAIC_Новости для страховых инспекторов: берите с меня цену за то, как я вожу, а не за то, какой я, по вашему мнению, есть. #ПочинитеАвтоСтрахование (@NAIC_News to Insurance Commissioners: Price me by how I drive, not by who you think I am! #FixCarInsurance). Идея этой кампании заключалась в том, чтобы судить о водителях по их истории вождения – количеству штрафов за превышение скорости и ДТП, в которые они попадали, – а не по их потребительским привычкам или привычкам их друзей и соседей. Однако же в эпоху Больших данных требование, чтобы страховщики судили нас по тому, как мы водим, – это совершенно необычайное требование.

У страховых компаний в наши дни есть множество способов изучить поведение водителей в мельчайших деталях. Для примера давайте посмотрим на индустрию грузовых автоперевозок.

Сегодня на многих грузовиках стоят электронные журналы поездки, которые регистрируют каждый поворот, каждое ускорение, каждое нажатие на педаль тормоза. А в 2015 году самая большая в стране компания грузоперевозок Swift Transportation начала устанавливать на своих машинах по две камеры: одна была направлена на дорогу впереди, другая – на лицо водителя.

Объявленная цель этого контроля – уменьшение числа ДТП. Примерно 700 дальнобойщиков в год погибают на американских дорогах, и эти аварии часто уносят также жизни водителей и пассажиров других машин. Не считая личных трагедий, все это еще и стоит больших денег. Средний ущерб от аварии со смертельным исходом, по данным Федеральной ассоциации по безопасности автомобильных перевозок, составляет 3,5 миллиона долларов.

Однако, имея в своем распоряжении столь огромные аналитические возможности, транспортные компании совершенно не собираются ограничиваться безопасностью. Если вы объедините определение координат, систему контроля и камеры, водители грузовиков превратятся в богатый и постоянный источник информации. Компании грузовых перевозок теперь могут анализировать разные маршруты, оценивать режим расхода топлива и сравнивать различные показатели в разное время дня и ночи. Они могут даже рассчитать оптимальную скорость для разного типа дорожного покрытия. И использовать эту информацию, чтобы выяснить, какие варианты обеспечивают максимальную прибыль при минимальных затратах.

Кроме того, они могут сравнивать между собой водителей. Встроенные в приборную доску средства контроля постоянно ставят оценки водителю. Один-два клика – и менеджер может определить лучших и худших водителей по целому ряду показателей. И, естественно, эта система наблюдения также подсчитывает степень риска для каждого водителя.

Страховые компании не могли не заметить этих возможностей. Крупнейшие из них, включая Progressive, State Farm и Travelers, уже предлагают водителям скидку на свои услуги, если те согласятся поделиться информацией о паттернах своего вождения. Небольшой телеметрический прибор в автомобиле – нечто вроде упрощенной версии «черного ящика» в самолете – постоянно записывает скорость автомобиля, а также скорость и интенсивность, с которой водитель тормозит и разгоняется. GPS-монитор отслеживает местоположение автомобиля.

В теории это воплощает идеал журнала Consumer Reports: в центре внимания оказывается не обезличенная группа, а каждый конкретный водитель. Представим себе водителя, которому всего восемнадцать. Традиционно эти юнцы покупают страховку за огромные деньги, потому что их возрастная группа, согласно статистике, – наиболее беспечная и легкомысленная. Но теперь ученик выпускного класса школы, который не лихачит, ездит с устойчивой, умеренной скоростью, не превышая ее, и начинает плавно и заблаговременно тормозить на красный свет, может получить при страховании скидку. Страховые компании уже давно стимулируют юных водителей, закончивших автошколу с отличием. Отличный аттестат – прокси ответственного вождения. Но информация о том, как на самом деле водит молодой человек, – это не прокси, это по-настоящему. А это ведь всегда лучше, так?

Тут есть две проблемы. Во-первых, если система связывает риск с топографическим положением машины, то водители из бедных кварталов проигрывают уже на старте: ведь они чаще водят машину в районах, которые страховщики считают зонами повышенного риска. Многим таким водителям приходится иногда ездить далеко и при этом нерегулярно (когда подвернется очередная подработка), что тоже оценивается как повышенный риск.

Ну и отлично, скажете вы! Если бедные районы действительно представляют собой зоны повышенного риска (особенно в том, что касается угонов автомобилей), то почему, собственно, страховые компании должны игнорировать эту информацию? И если долгие поездки в самом деле повышают вероятность ДТП, то эту проблему страховщики тоже должны учитывать. Тем более что суждение здесь основывается на поведении водителя, а не на посторонних факторах вроде кредитного рейтинга или историй вождения других людей его возраста и его социального положения. Разве это не улучшение?

В определенной степени так и есть. Но давайте представим себе гипотетическую женщину-водителя, которая живет в неблагополучном районе города Ньюарк, штат Нью-Джерси, и постоянно ездит за двадцать миль в богатый пригород городка Монклер, где она работает баристой в Starbucks. Расписание у нее хаотичное и включает в себя периодические «заоткрытия». Однажды она закрывает кофейню в 23:00, едет к себе домой в Ньюарк, а затем ей нужно снова вернуться обратно на работу к пяти утра. Чтобы сэкономить десять минут и полтора доллара в каждую сторону, она не пользуется платной автострадой Гарден-Стейт, а срезает путь и едет по дороге, на которой полно баров и заведений со стриптизом.

Наблюдательный страховщик сразу заметит, что машины, которые ездят по этой дороге ночью, с большей вероятностью попадают в аварии. Здесь много пьяных, да и наша героиня повышает риск, поскольку делит дорогу с людьми, только что вышедшими из бара и севшими за руль. Один из них вполне может в нее врезаться. «Черный ящик», установленный в ее машине страховой компанией, не входит в тонкости – если она постоянно ездит по дороге, где полно пьяных водителей, значит, и сама она может быть одним из них.

Таким образом, даже модели, которые отслеживают конкретно ваше поведение, оценивают степень риска путем сопоставления с другими людьми. Только на этот раз, вместо того чтобы поместить вас в интервал «говорящие на арабском языке» или «говорящие на урду», «живущие в таком-то округе» или «получающие примерно такие-то деньги», они группируют вас по схожему поведению. Предположение основывается на том, что люди, ведущие себя похожим образом, рискуют примерно одинаково. И если вы заметили, это то же самое допущение («Все такие люди – одного поля ягоды») и столь же несправедливое.

Когда я обсуждаю с кем-нибудь «черные ящики» в машинах, то большинство людей возмущает не несправедливость анализа, а сам факт слежки. Мой собеседник ни за что не согласился бы на это! Он не хочет, чтобы его отслеживали, а информацию о нем продавали рекламщикам или передавали в Управление национальной безопасности. Некоторые люди и правда способны сопротивляться наблюдению. Но неприкосновенность частной жизни будет обходиться все дороже.

Сейчас, когда все только начинается, системы слежения, предлагаемые страховыми компаниями, – дело добровольное. Только тот, кто согласен на то, чтобы за ним следили, должен включить свой «черный ящик». И получить за это награду – скидку от 5 до 50 процентов и обещание еще бо́льших скидок в дальнейшем. (А тем временем все остальные будут субсидировать эти скидки своими более дорогими страховыми полисами.) Но по мере того как сбор информации страховщиками будет продолжаться, они смогут делать все более точные предсказания. В этом весь смысл экономики данных. Те, кто сумеет сделать из этой информации наиболее точные выводы и конвертировать их в прибыль, вырвутся вперед. Они будут точнее предсказывать групповые риски (хотя неожиданное поведение отдельных людей так и останется для них загадкой). И чем больше прибыли будет приносить им информация, тем больше они будут стремиться заполучить эту информацию.

В какой-то момент «страховые трекеры» в машинах, скорее всего, станут нормой. А клиентам, которые захотят страховаться по старинке, поделившись со страховой компанией лишь самой необходимой информацией, придется платить по самому дорогому тарифу – и, возможно, отрыв от остальных будет все время увеличиваться. В мире ОМП неприкосновенность частной жизни чем дальше, тем больше становится роскошью, которую могут позволить себе только богатые.

В то же время слежка может изменить саму суть страхования. Страхование – это индустрия, которая традиционно основывается на том, что большинство платит за меньшинство, которому не повезло. В деревнях, где все мы жили сотни лет назад, семьи, приходы и соседи помогали членам общины в случае пожара, несчастного случая или болезни. В рыночной экономике мы отдаем эту заботу на аутсорсинг страховым компаниям, которые оставляют часть денег у себя и называют это своей прибылью.

По мере того как страховые компании узнают о нас все больше, они смогут определять клиентов с наивысшей степенью риска и либо поднимать стоимость страховки до стратосферных высот, либо (там, где это законно) вообще отказывать им в страховании.

Это очень далеко отстоит от изначальной цели страхования: помочь обществу по возможности уравнять риски. В нашем мире мы больше не платим по среднему тарифу. Вместо этого нас обременяют прибавочными издержками. Вместо сглаживания жизненных ударов страховые компании будут требовать оплаты этих ударов заранее. Это зачеркнет подлинную цель страхования, причем ударит больнее всего по тем, кому и так сложнее всего пережить несчастье.

Как только страховые компании внимательно изучат особенности наших жизней и наших тел, они рассортируют нас по группам нового типа. И эти группы не будут основаны на традиционных показателях, таких как возраст, пол, состояние или почтовый индекс. Это будут поведенческие группы, почти полностью сформированные машинами.

Чтобы убедиться в том, как будет развиваться подобное ранжирование, давайте взглянем на нью-йоркскую компанию Sense Networks, работающую с Большими данными. Десять лет назад исследователи Sense научились анализировать информацию о перемещениях людей, полученную с их мобильных телефонов. Эта информация, которую предоставили ученым несколько телефонных провайдеров из Европы и Америки, была анонимной: всего лишь точки, перемещающиеся по картам. Конечно, не нужно было обладать задатками гениального сыщика, чтобы связать какую-нибудь точку с адресом, куда она прибывала каждый вечер. Но Sense интересовалась не отдельными людьми, а их группами.

Ученые заложили данные по Нью-Йорку в самообучающуюся систему, но при этом дали ей довольно специфические инструкции: машина не должна была группировать «жителей пригорода», или «миллениалов», или объединять людей по их покупательским предпочтениям. Она должна была находить сходства самостоятельно. Многие из этих критериев в результате оказались довольно бессмысленными: скажем, «люди, проводящие больше 50 % своего времени на улицах, названия которых начинаются на букву D» или «люди, проводящие большую часть своих перерывов на обед вне офиса». Но если система перелопачивает данные о миллионах людей, то неизбежно появятся какие-то осмысленные паттерны и корреляции, включая и такие, над которыми никому из нас не пришло бы и в голову задуматься.

Шли дни, компьютеры Sense продолжали обрабатывать огромный объем информации – и точки начали приобретать разные цвета. Какие-то покраснели, какие-то пожелтели, посинели и позеленели. Появлялись разные группы.

Что они собой представляли? Об этом знала только машина, но она ничего не объясняла. «Мы не всегда можем распознать, что общего у этих людей, – говорит один из основателей и бывший генеральный директор Sense Грег Скибицки. – Они не совпадали с традиционными группами, по которым мы бы их разбили». Когда точки закончили менять цвет, команда Sense начала отслеживать их перемещения по Нью-Йорку. Днем определенные районы были преимущественно синими, а вечером они становились красными с вкраплениями желтого. Одна группа, вспоминал Скибицки, постоянно посещала одно и то же место поздно вечером. Что это – ночной клуб? Наркопритон? Взглянули на адрес – оказалось, больница. Выходит, люди в этой группе чаще болеют или получают травмы? А может быть, они врачи или другие медицинские работники?

Компанию Sense в 2014 году купил оператор мобильной рекламы YP, отколовшийся от AT&T. По-видимому, результаты всей этой сортировки пока что будут использоваться для таргетированной рекламы. Но легко представить себе, как системы машинного обучения, которым скармливают самые разные потоки поведенческой информации, вскоре научатся размещать нас по сотням и тысячам групп. Члены этой группы будут сходным образом откликаться на одну и ту же рекламу. Эта группа демонстрирует сходство политических взглядов, члены вот этой чаще оказываются в тюрьме, а те – предпочитают фастфуд.

Настоящие океаны поведенческой информации в ближайшие годы окажутся в распоряжении систем искусственного интеллекта. И для живых людей эти системы останутся черными ящиками. Нам редко что удастся узнать о группах, в которые нас определили, и о том, почему нас туда определили. В эпоху машинного интеллекта большая часть результатов останется для нас загадкой. Многие такие группы будут постоянно мутировать – час за часом, минута за минутой, – и нас будут перебрасывать из одной группы в другую. В конце концов, один и тот же человек может вести себя очень, очень по-разному в восемь утра и восемь вечера.

Эти автоматические программы все больше будут определять, как к нам будут относиться другие машины, те, что выбирают, какие рекламные объявления нам смотреть, определяют для нас цены, выстраивают нас в очередь к дерматологу или составляют карты для наших маршрутов. Они будут действовать эффективно, казаться произвольными и совершенно непредсказуемыми. Никто не сможет понять их логику и объяснить ее.

Если мы с боем не отберем у них обратно контроль над ситуацией, эти будущие ОМП будут казаться загадочными и мощными. Они станут обращаться с нами, как им вздумается, а мы практически не будем знать, что происходит.

В 1943 году, в разгар Второй мировой, когда американские армия и промышленность нуждались в каждом солдате или работнике, правительство США реформировало налоговый кодекс, включив в налоговый вычет медицинское страхование за счет работодателя. Это не выглядело значимым событием – особенно по сравнению с заголовками газет, кричащими о германской капитуляции под Сталинградом или высадке союзников в Сицилии. В то время лишь около 9 % американских работников пользовались медицинским страхованием в качестве бонуса от работодателя. Но с новым статусом налогового вычета компании начали привлекать все новых работников, обещая им бесплатные страховки. Через десять лет уже 65 % американцев были защищены медицинским страхованием от работодателя. Компании и раньше в значительной степени контролировали наши финансы. Но за это десятилетие они в определенной мере приобрели контроль – хотели они того или нет – над нашими телами.

Семьдесят пять лет спустя расходы на здравоохранение переросли все мыслимые рамки и сейчас составляют три триллиона долларов в год. Почти доллар из каждых пяти, что мы зарабатываем, идет на нужды огромной индустрии здравоохранения.

Работодатели, которые давно уже экономят на своих работниках, чтобы снизить расходы, теперь применяют новую тактику сражения с этими растущими тратами. Они называют это «оздоровлением». Речь идет о все более пристальной слежке за работниками, включая большое количество информации, поступающей из «интернета вещей» – от фитнес-браслетов, «умных» часов и прочих сенсоров, которые постоянно поставляют данные о функционировании нашего тела.

Изначально намерения, как мы уже много раз видели, были самыми благими. Закон о доступном медицинском обслуживании (Obamacare) должен стимулировать компании к тому, чтобы они вовлекали сотрудников в оздоровительные программы и даже «поощряли здоровье». По закону работодатели могут теперь предложить премии и определить размер штрафов, доходящих до 50 % стоимости страховки. Теперь, по данным исследования Rand Corporation, более половины всех организаций, в которых работает более 50 сотрудников, имеют оздоровительные программы, и их число постоянно увеличивается.

Программы оздоровления полезны по многим причинам. Если они сработают – а как мы увидим позже, тут есть очень серьезное «если», – больше всего выиграет работник и его (ее) семья. Однако если программы оздоровления помогут работникам избегать сердечно-сосудистых заболеваний и диабета, работодатели тоже получат выгоду. Чем меньше их сотрудникам придется лечиться, тем менее рискованным весь штат сотрудников выглядит для страховой компании, которая, в свою очередь, снизит расценки для данного работодателя. Так что, если мы не будем рассматривать проблему вмешательства, программа оздоровления может показаться со всех сторон выигрышной.

Проблема заключается в том, что вмешательство не исчезнет само собой. Как и принуждение. Рассмотрим ситуацию Аарона Абрамса – профессора математики в Университете Вашингтона и Ли в штате Вирджиния. Он пользуется услугами страховой компании Anthem Insurance, которая применяет программу оздоровления. Чтобы соответствовать условиям этой программы, он должен заработать 3250 «очков здоровья». Он получает одно очко за ежедневный вход в систему, а также 1000 очков за ежегодное посещение врача и профосмотр в университете. Также он получает очки за заполнение «журнала здоровья», в котором устанавливает для себя ежемесячные цели – и при достижении этих целей ему выдается еще больше очков. Если Абрамс не захочет участвовать в программе, он должен будет платить дополнительно 50 долларов в месяц за свою страховку.

Абрамса взяли на работу, чтобы он преподавал математику. Однако сейчас, как и миллионы других американцев, часть своего рабочего времени он тратит на то, чтобы следовать целому списку требований по поддержанию здоровья и делиться информацией не только со своим работодателем, но и с третьей стороной – компанией, которая применяет программу. Ему это не нравится, и он предвидит, что настанет день, когда колледж расширит свою систему слежки. «Это просто пугающе, – говорит Абрамс, – думать о том, что кто-то будет реконструировать каждое мое движение, основываясь на моем собственном подсчете моих шагов».

Мои опасения уходят еще на шаг дальше. Как только компании накопят массу информации о здоровье своих сотрудников, что остановит их от разработки системы скоринга здоровья и ее применения при приеме на работу кандидатов? Большая часть прокси-информации – такой как количество шагов в день или часов сна за ночь – не защищена законом, поэтому теоретически этот отбор будет совершенно легальным. И это вполне разумно. Как мы уже видели, людям на постоянной основе отказывают от места на основании кредитного скоринга и личностных тестов. Скоринг здоровья представляет собой естественный – и пугающий – следующий шаг.

Компании уже устанавливают амбициозные стандарты здоровья для работников, наказывая их за несоответствие этим стандартам. Компания по производству шин Michelin устанавливает цели для своих сотрудников по таким параметрам, как артериальное давление, уровень глюкозы, холестерина и триглицеридов, а также размер талии. Те, кто не достигает целей в трех категориях, должны выплачивать дополнительные 1000 долларов в год за свою медицинскую страховку. Национальная сеть аптек CVS объявила в 2013 году, что потребует от своих сотрудников докладывать об уровне жира, сахара, артериального давления и холестерина – или доплачивать 600 долларов в год.

Шаг CVS вызывал гневный отклик от Алиссы Флек, колумниста Bitch Media:

Внимание всем! Если вы годами пытались оказаться в форме, что бы это для вас ни значило, теперь вы можете бросить то, чем все это время занимались, потому что компания CVS уже все выяснила за вас. Выяснилось, что, какие бы попытки вы ни предпринимали, у вас не было правильной мотивации. За исключением того, что на самом деле эта практика уже существует и называется унижением и фэтшеймингом. Позвольте посторонним людям сообщить вам о том, что у вас лишний вес, – или платите большой штраф.

В центре проблемы с весом находится дискредитированная статистика «индекс массы тела». Он основывается на формуле, разработанной два столетия назад бельгийским математиком Адольфом Кетле, который практически ничего не знал о здоровье или человеческом теле[19]. Он просто хотел разработать простую формулу, чтобы рассчитать уровень ожирения у большой группы людей. В качестве основы он взял «среднестатистического человека». Кит Девлин, математик и автор научно-популярных книг, пишет:

Это полезная концепция. Но если вы попытаетесь применить ее к отдельному человеку, вы можете получить такой же абсурдный результат, как «у этого мужчины есть 2,4 ребенка». Среднестатистические показатели измеряют большие сообщества и зачастую не подходят для измерения отдельных людей.

Девлин добавляет, что ИМТ с его численными показателями окутывает «математический чудодейственный эликсир» аурой научного авторитета.

ИМТ – это вес человека в килограммах, разделенный на его рост в метрах. Это грубый числовой заменитель хорошей физической формы. С большей вероятностью можно предположить, что лишний вес окажется у женщин. Более того, из-за того, что жир весит меньше, чем мышцы, спортсмены с хорошим рельефом часто имеют сильно завышенные ИМТ. В альтернативной ИМТ-вселенной баскетболист Леброн Джеймс страдает от лишнего веса. Когда к ИМТ привязывают экономическую систему «кнута и пряника», большие группы работников наказываются за их телесную конституцию. Особенно тяжело эта система карает афроамериканок, которые часто имеют повышенный ИМТ.

А разве не хорошо, спросят защитники системы оздоровления, что людям помогают справиться с лишним весом и прочими проблемами со здоровьем? Ключевой вопрос здесь: в каком виде подается эта помощь – в виде предложения или приказания? Если компания запускает добровольные и бесплатные программы оздоровления, мало кто найдет причины возражать. (А работники, которые принимают решение участвовать в этих программах, действительно достигают каких-то целей, хотя вполне вероятно, что прекрасно бы обошлись и без этого принуждения.) Но привязывание недостоверной статистики, такой как ИМТ, к денежному вознаграждению и принуждение сотрудников приводить тела в соответствие корпоративному идеалу – это покушение на личную свободу. Оно дает компаниям оправдание наказывать людей, на которых им не нравится смотреть, и одновременно вытаскивать деньги из их карманов.

Все это делается во имя здоровья. Тем временем шестимиллиардная индустрия оздоровления громко кричит о своем успехе, и зачастую без каких-либо доказательств. Джошуа Лав, президент компании корпоративного оздоровления Kinema Fitness, пишет:

Вот факты: более здоровые люди работают усерднее, чувствуют себя счастливее и помогают другим повысить эффективность труда. Нездоровые работники, как правило, отличаются инертностью, чрезмерно утомляются и несчастливы, так как работа – это симптом их образа жизни.

Разумеется, Лав не приводит никаких ссылок, подкрепляющих его обобщения. И даже если они правдивы, существует очень мало свидетельств того, что обязательные программы оздоровления действительно улучшают здоровье работников. Исследование, проведенное Калифорнийской программой обзора лечебно-профилактических эффектов, свидетельствует о том, что корпоративные программы оздоровления не способны снизить у их участников общий показатель артериального давления, уровень сахара или холестерина в крови. Даже когда люди одерживают успех в снижении веса в одной из этих программ, они обычно потом снова его набирают. (Единственная область, где программы оздоровления действительно демонстрируют положительную динамику, – это борьба с курением.)

Также выясняется, что программы оздоровления, несмотря на широко разрекламированные индивидуальные успехи их участников, не приводят к уменьшению затрат на лечение. Исследование 2013 года, предпринятое Джил Хорвиц, профессором юриспруденции в Калифорнийском университете в Лос-Анджелесе, развенчивает экономическую подоплеку движения. По данным отчета, исследования методом случайной выборки «ставят под вопрос» тот факт, что счета за медицинское обслуживание работников, которые курят или страдают ожирением, оказывались выше, чем у остальных. Хотя такие люди действительно с большей вероятностью могут страдать от проблем со здоровьем, эти проблемы обычно появляются в более поздний период жизни, когда эти люди уже не пользовались медицинским страхованием от работодателя, а использовали один из правительственных пенсионных медицинских планов. На самом деле самая большая экономия от программ оздоровления исходит от штрафов, которые налагаются на работников. Другими словами, как и в случае с алгоритмами составления расписания, они дают корпорациям еще один инструмент уменьшить выплаты наемным работникам.

Несмотря на мое отношение к программам оздоровления, они (пока еще) не могут считаться полноценными средствами ОМП. Они определенно широко распространены, вмешиваются в жизни миллионов наемных работников – и отнимают у них деньги. Но они не отличаются непрозрачностью и, если не считать обманчивого ИМТ, не основаны на цифрах. Это простой и распространенный случай кражи заработной платы, завернутый в красивую риторическую обертку заботы о здоровье.

Работодатели уже завалены нашими данными. Они сейчас заняты их использованием, как мы уже видели, чтобы ранжировать нас как потенциальных сотрудников и как работников. Они пытаются составить карты наших мыслей и дружеских связей – и предсказать нашу продуктивность. Учитывая то, что они уже глубоко вовлечены в страховое дело, а затраты на здравоохранение сотрудников представляют для них самую большую статью расходов, вполне естественно, что они будут наращивать контроль над здоровьем своих работников. И если компании создадут свои собственные модели здоровья и продуктивности, из этого смогут сформироваться полноценные ОМП.

Гражданин под прицелом: общественная жизнь

Давайте представим себе, что я решила запустить кампанию за более жесткое регулирование оружия математического поражения и разместила соответствующую петицию на своей странице в Facebook. Кто из моих друзей увидит эту петицию в своей новостной ленте?

Понятия не имею. С момента, когда я нажимаю «Опубликовать», эта петиция уже принадлежит Facebook и лишь алгоритм этой социальной сети решает, как лучше ее использовать. Алгоритм подсчитывает вероятность, с которой она заинтересует моих друзей. Некоторые из них, как он знает, часто подписывают петиции – и, возможно, делятся ими у себя на стене. Другие их просто проматывают. В то же время некоторые из моих друзей обращают на меня больше внимания, чем другие, и обычно кликают на ссылки, которые я у себя выкладываю. Алгоритм Facebook принимает все это во внимание, решая, кто подпишет мою петицию. Для многих из моих друзей она будет погребена так низко в новостной ленте, что они никогда ее не увидят.

Вот что происходит, когда невероятно мощная социальная сеть, которую мы делим с парой миллиардов пользователей, одновременно представляет собой открытое акционерное общество. И хотя с виду Facebook и кажется похожим на современную городскую площадь, лишь компания определяет, в соответствии с собственными интересами, что именно мы увидим и узнаем с помощью нашей социальной сети. В момент, когда я пишу эти строки, две трети взрослых американцев имеют аккаунты на Facebook. Они в среднем проводят здесь 39 минут в день, и это всего на четыре минуты меньше, чем время, которое они посвящают общению с людьми в реальной жизни. Почти половина пользователей, согласно исследованию социологического центра Pew Research, рассчитывает с помощью Facebook узнать новости – по крайней мере часть новостей, – а это наводит на вопрос: если Facebook соответствующим образом настроит свой алгоритм, сможет ли он влиять на политическую систему?

Аналитики компании уже искали ответ на этот вопрос. В ходе выборов 2010 и 2012 годов Facebook экспериментировал с инструментом под названием «мегафон избирателя» (voter megaphone). Идея заключалась в том, чтобы вдохновить пользователей на то, чтобы они рассказали о том, как проголосовали. Это казалось достаточно разумным. Разбавляя новостную ленту обновлениями «Я проголосовал(а)», Facebook призывал американцев – более 61 миллиона человек – выполнить свой гражданский долг и сделать все, чтобы их голос был услышан. Более того, размещая информацию от тех, кто уже проголосовал, сайт создавал социальное давление, подталкивая остальных пойти и тоже проголосовать. Исследования показали, что тихое удовлетворение от выполнения гражданского долга с меньшей вероятностью заставит человека проголосовать, чем возможное осуждение со стороны более сознательных друзей и соседей.

В то же время аналитики Facebook изучали, как разные типы обновлений влияют на избирательскую активность граждан. Ни у одного ученого в истории еще не было возможности поставить эксперимент с таким числом участников. В течение всего нескольких часов Facebook мог собрать информацию о десятках миллионов человек или даже больше, оценивая влияние, которое эти люди оказывали друг на друга с помощью слов, шэров и перепостов. Кроме того, сеть могла использовать это знание, чтобы влиять на людей, в данном случае – на их голосование.

Это большой объем власти. И Facebook не единственная компания, которая обладает такой властью. Другие публичные компании, включая Google, Apple, Microsoft, Amazon и операторов сотовой связи, таких как Verizon и AT&T, собрали огромный объем информации о большей части человечества – и у них множество средств склонить нас в ту сторону, в какую они хотят.

Обычно, как мы уже видели, бизнес сосредоточен на том, чтобы делать деньги. Однако прибыль таких компаний прочно связана с политикой правительства. Правительство регулирует их деятельность – или предпочитает этого не делать, одобряет или блокирует их слияния и приобретения, а также устанавливает их налогообложение (зачастую закрывая глаза на миллиарды, размещенные в офшорах). Именно поэтому информационно-технологические компании (как и остальная корпоративная Америка) наводняют Вашингтон лоббистами и без лишней огласки вливают сотни миллионов долларов в политическую систему в виде пожертвований. В результате они получают возможности для тонкой настройки нашего политического поведения – а следовательно, и всего устройства власти в Америке, – и для этого им надо всего лишь совершенствовать свои алгоритмы.

Кампания в Facebook началась с конструктивной и на первый взгляд бескорыстной целью: подтолкнуть людей к голосованию. И это возымело успех. После изучения статистики по избирательным кампаниям исследователи пришли к выводу, что Facebook увеличил явку на 340 тысяч человек. Этого вполне достаточно, чтобы повлиять на исход выборов в каком-нибудь штате – и даже во всей стране. В конце концов, Джордж Буш-младший в 2000 году победил в штате Флорида с перевесом всего в 537 голосов. Работа алгоритма в Facebook в день выборов может не только изменить соотношение сил в Конгрессе, но и повлиять на исход президентских выборов.

Мощь Facebook – не только в числе клиентов, но и в его умении использовать этих клиентов для влияния на их друзей. Подавляющее большинство из 61 миллиона человек, задействованных в эксперименте, увидели в своей новостной ленте пост, призывавший их к участию в выборах. Пост сопровождала серия фотографий – выбранные случайным образом шестеро друзей пользователя, уже успевших кликнуть на кнопку «Я проголосовал(а)». Исследователи также изучили две контрольные группы, каждая из которых состояла из примерно 600 тысяч. Одна группа видела посты кампании «Я проголосовал(а)», но без фотографий друзей. Другая группа вообще не видела этих сообщений.

Пересыпав этими постами всю сеть, Facebook изучил влияние, которое поведение друзей оказывает на наше собственное. Будут ли люди поощрять друзей на участие в голосовании – и повлияет это на поведение последних? Выяснилось, что наибольший эффект имели именно лица проголосовавших друзей. Люди обращали гораздо больше внимания, когда обновления «Я проголосовал(а)» исходили от друзей, – и в этом случае они с большей вероятностью они делились этими обновлениями на своих страничках. Около 20 % тех, кто увидел, что их друзья проголосовали, в итоге тоже кликнули на кнопку «Я проголосовал(а)». Среди тех, кто не получил кнопку от друзей, это сделали только 18 %. Мы не можем быть уверены в том, что все кликнувшие на самом деле проголосовали (как и в том, что все некликнувшие в самом деле остались дома). И все равно, учитывая, что речь идет о 61 миллионе потенциальных избирателей, возможная разница в 2 % может быть огромной.

Два года спустя Facebook сделал еще один шаг. В течение трех месяцев до президентских выборов (президент Обама против Митта Ромни) один из исследователей президентской кампании, Соломон Мессинг, изменил алгоритм формирования новостной ленты примерно для двух миллионов человек, причем все они были политически активными. Эти люди стали получать больше политических новостей – в отличие от обычных видео с котиками, объявлений о студенческих выпускных или селфи из Disney World. Если их друзья делились какой-то политической новостью, она появлялась высоко в их новостной ленте.

Мессинг хотел посмотреть, поменяет ли это политическое поведение пользователей. После выборов он разослал опросники участникам эксперимента. Полученные результаты показали, что число проголосовавших в этой группе выросло с 64 до 67 %. «Когда твои друзья сами приносят тебе газету, – говорит Лада Адамич, специалист по социальному моделированию в Facebook, – происходят интересные вещи». Конечно, на самом деле «газету» доставляли вовсе не друзья, а сам Facebook. Вы можете возразить, что газеты уже давно имеют подобную власть. Редакторы выбирают, что пойдет на первую полосу, и решают, как именно подать новость. Что показать – палестинцев под обстрелом или израильтян, оплакивающих погибших в теракте? Стража порядка, который спасает младенца, или жестокого полицейского, который избивает дубинкой демонстранта? Этот выбор, несомненно, может повлиять как на общественное мнение, так и на исход выборов. То же самое касается и телевизионных новостей. Но когда New York Times или CNN освещает какое-то событие, все это видят. Выбор редактора очевиден и наглядно представлен. В нем нет непрозрачности. И позже люди спорят (и часто именно на Facebook), правильным ли было то или иное решение СМИ.

Facebook же, скорее, похож на фокусы волшебника из страны Оз: мы не видим вмешательства человека. Мы просто заходим на Facebook, пролистываем обновления от наших друзей… Машина кажется нейтральным посредником, и многие пользователи все еще в это верят. В 2013 году, когда Кэрри Карахалиос из Университета Иллинойса изучила алгоритм Facebook, она выяснила, что 62 % пользователей не догадывались, что компания каким-то образом вмешивается в их новостную ленту. Они искренне считали, что система немедленно показывает им все, что опубликовано их друзьями.

Вмешательство Facebook в политику выходит далеко за пределы размещения политических новостей и организации кампаний во время выборов. В 2012 году исследователи поставили эксперимент на 680 тысячах пользователей Facebook, чтобы посмотреть, смогут ли обновления в их новостных лентах повлиять на их настроение. Из лабораторных экспериментов уже было ясно, что настроения заразительны. Если вы находитесь рядом с мрачным человеком, вы и сами помрачнеете, хотя бы ненадолго. Но возникнет ли подобный эффект заражения при общении онлайн?

Используя специальное лингвистическое программное обеспечение, Facebook рассортировал позитивные (жизнерадостные) и негативные (депрессивные) посты. Затем они уменьшили показ депрессивных постов в половине новостных лент, а во второй половине уменьшили количество жизнерадостных постов. Выяснилось, что это изменение действительно повлияло на настроение пользователей. Те, кто видел меньше жизнерадостных постов, выкладывали больше негативных постов. Зеркальная закономерность наблюдалась у второй половины пользователей. Исследователи пришли к следующему выводу:

Эмоциональные состояния могут передаваться другим пользователям, и в результате эти люди начинают испытывать те же эмоции, не осознавая этого.

Другими словами, алгоритмы Facebook могут влиять на то, как чувствуют себя миллионы людей, и эти люди при этом не знают, что происходит. Что же случится, если начать играть с эмоциями пользователей в день выборов?

У меня нет причин полагать, что социологи Facebook активно пытаются обмануть нашу политическую систему. Большинство из них – серьезные специалисты, проводящие свои исследования на платформе такого масштаба, о котором ученые еще пару десятков лет назад могли только мечтать. Но в итоге они продемонстрировали огромную силу, которая есть у Facebook: влиять на то, что мы узнаем, как мы чувствуем и идем ли мы голосовать. Его платформа отличается масштабностью, мощностью и непрозрачностью. Алгоритмы от нас спрятаны, мы видим только результаты – и только сам Facebook решает, какие из них стоит публиковать.

Примерно то же самое можно сказать и о Google. На первый взгляд, его алгоритм поиска нацелен исключительно на то, чтобы извлекать максимальную прибыль. Но результаты поиска, если Google захочет того, могут иметь большое влияние на то, что люди узнаю́т и как они голосуют. В недавнем эксперименте Роберт Эпштейн и Рональд Робертсон предложили двум группам неопределившихся избирателей из США и Индии воспользоваться поиском Google, чтобы получить больше информации о предстоящих выборах. Поисковый алгоритм был «подкручен» таким образом, чтобы одна партия получила в выдаче преимущество перед другой. Как сообщили исследователи, это изменило предпочтения избирателей на 20 %.

Эффект получился таким мощным отчасти потому, что люди доверяют поисковым механизмам. Около 73 % американцев, по данным центра Pew Research, считают результаты поиска в интернете точными и непредвзятыми. Поэтому такие компании, как Google, сильно рискуют своей репутацией и могут навлечь на себя суровые штрафные санкции, если «подкрутят» результаты в пользу одного или другого варианта политического развития.

С другой стороны – каким образом кто-либо об этом узнает? Та информация, которую мы вообще имеем об этих интернет-гигантах, исходит из крошечного процента их внутренних исследований, которыми они считают возможным с нами поделиться. Их алгоритмы представляют собой важнейшую коммерческую тайну. Они вершат свои дела во мраке.

Впрочем, я бы пока не называла алгоритмы Facebook или Google оружием математического поражения, потому что у меня нет свидетельств того, что эти компании используют свои алгоритмы нам во вред. Однако потенциал для злоупотреблений у них огромный. И как мы увидим, эти технологии могут распределить всех нас по удобным политическим интервалам.

К концу весны 2012 бывший губернатор Массачусетса Митт Ромни стал основным кандидатом от Республиканской партии. Следующим шагом было собрать деньги для финального противостояния на президентских выборах с идущим на второй срок Бараком Обамой. И вот 17 мая Ромни отправился в Бока-Ратон, штат Флорида, на мероприятие по сбору средств, которое должно было пройти в роскошном особняке частного инвестора Марка Ледера. Хозяин дома уже вложил 225 тысяч долларов в комитет политических действий «Восстановим наше будущее», поддерживающий Ромни, и пожертвовал еще 63 330 долларов комитету «За победу Ромни». Ледер пригласил немало своих богатых друзей, большинство из которых занимались финансами и недвижимостью, на встречу с кандидатом. И, разумеется, это мероприятие обслуживала кейтеринговая компания.

Ромни мог уверенно рассчитывать на то, что окажется на закрытой встрече с людьми, взгляды которых схожи со взглядами Марка Ледера. Если бы он, например, выступал с речью на телевидении, Ромни позаботился бы о том, чтобы не оттолкнуть потенциальных сторонников Республиканской партии. В их число входят самые разные люди, от евангелистов и финансистов с Уолл-стрит до американцев кубинского происхождения и «футбольных мамаш» из пригородов. Попытки угодить всем – основная причина, по которой речи политиков так скучны (а речи Ромни, ворчали даже его сторонники, – особенно). Но на частной встрече в доме Марка Ледера маленькая и влиятельная группа оказалась ближе к настоящему Митту Ромни и услышала безо всякой цензуры о том, во что кандидат действительно верил. Они уже вложили в его кампанию немало денег. Откровенный разговор был самым меньшим из того, на что они рассчитывали в обмен на свои инвестиции.

Расслабившись в обществе людей, которых он считал дружелюбно настроенными и близкими по духу, Ромни заявил, что 47 % населения США – «иждивенцы», которые живут за счет щедрости федерального правительства. Эти люди, сказал губернатор, никогда за него не проголосуют – и именно поэтому для него было так важно достучаться до остальных 53 % избирателей. Но Ромни повел себя крайне неосмотрительно: официанты из кейтеринговой компании, разносившие гостям-инвесторам напитки и закуски, не принадлежали к тесному кругу дружелюбных единомышленников кандидата. При этом у них, как практически у любого жителя экономически развитой страны, в кармане имелся телефон с камерой, умеющей записывать видео. Презрительные замечания Ромни были засняты одним из барменов и широко разошлись по интернету. Вполне вероятно, что именно эта промашка лишила Ромни шансов победить в президентской гонке.

На встрече в Бока-Ратон кандидату следовало бы гораздо более осторожно подбирать слова. Но он хотел быть идеальным кандидатом для Марка Ледера и его друзей. И он решил, что дом Ледера – безопасная зона, в которой он сможет быть таким кандидатом. В идеальном мире политики смогут создавать бесконечное количество таких безопасных зон, и в каждой они оттачивают таргетирование для той или иной социальной подгруппы – и ни одна из этих подгрупп не увидит того, что происходит в другой зоне. Один кандидат может стать множеством кандидатов, и каждая часть электората увидит только ту его сторону, которая ей предназначена.

Подобная двуличность, точнее «многоличность», совершенно не новость в политике. Политики давно уже стараются быть разными с разными людьми: то они отведывают польскую колбасу в Милуоки, то цитируют Тору в Бруклине, то клянутся в любви к кукурузному спирту в штате Айова. Но, как пришлось убедиться Ромни, видеокамеры в наше время легко поймают их на лицемерии.

Современный потребительский маркетинг, однако, позволяет политикам нащупать новые пути к определенным группам избирателей, чтобы политик мог сказать этим людям именно то, что они точно хотят услышать. Как только избиратели это услышат, они скорее всего, воспримут информацию положительно, потому что она подтвердит уже имеющиеся у них убеждения, – это явление психологи называют предвзятостью подтверждения. Это одна из причин, по которой гости мероприятия в Бока-Ратон не усомнились в словах Ромни о том, что почти половина избирателей жаждет правительственных денег. Это только укрепило их предубеждения.

Слияние политики и потребительского маркетинга развивается уже полвека, по мере того как племенные ритуалы американской политики, с их крупными воротилами и длинными телефонными списками, уступили место инструментам маркетологов. В книге «Как продать президента», посвященной кампании Ричарда Никсона 1968 года, журналист Джо Макгиннисс раскрыл читателям секреты политтехнологий, которые выводили кандидата в президенты на рынок – как любой другой потребительский товар. Используя фокус-группы, штаб Никсона смог точнее таргетировать его обращение к разным регионам и демографическим группам.

Но со временем политики захотели выработать еще более тонкий подход – так, чтобы в идеале каждый избиратель чувствовал, что к нему обращаются индивидуально. Это желание породило кампании адресных рассылок. Заимствовав идею из индустрии кредитных карт, политтехнологи создали огромные базы данных потребителей – в данном случае избирателей – и рассортировали их по различным подгруппам, каждой из которых соответствовали определенные ценности и демографические показатели. Впервые в истории люди, живущие в соседних домах, стали получать разные письма от одного и того же политика: в одном из них содержались обещания защищать живую природу, в другом – поддерживать закон и порядок.

Адресные рассылки представляли собой микроадресацию в процессе становления. Сейчас, после объединения Больших данных и потребительского маркетинга, политики получили в распоряжение гораздо более мощные инструменты. Они могут адресовать свои обращения к микрогруппам граждан с целью получения от них как голосов, так и денег, а также обращаться к каждой из них с посланиями, тонко настроенными именно на потребности этой группы и при этом переданными таким образом, что другие группы вряд ли его увидят. Это может быть баннер в ленте Facebook или письмо по электронной почте с просьбой пожертвовать средства. Но каждое из таких посланий позволяет кандидатам без лишнего шума продавать самые разные версии самого себя – и никто не знает, какая из этих версий окажется подлинной после инаугурации.

В июле 2011 года, более чем за год до того, как президент Обама выдвинул свою кандидатуру на второй срок, специалист по анализу данных Раид Гани опубликовал сообщение на LinkedIn:

Нанимаем экспертов по аналитике, которые хотят внести вклад в важное дело. Компания по переизбранию Обамы собирает команду аналитиков для работы с важными и масштабными проблемами по извлечению данных. У нас есть несколько вакансий для людей с любым уровнем опыта. Ищем специалистов по статистике, машинному обучению, извлечению данных, анализу текстов и предиктивной аналитике для работы с большим количеством данных и помощи в разработке стратегии избирательной кампании.

Гани, ученый в области компьютерных наук, получил образование в университете Карнеги – Меллон и собирался возглавить работу с данными в рамках избирательной кампании Обамы. На своем предыдущем рабочем месте, в лаборатории Accenture в Чикаго, Гани разработал потребительские приложения для Big Data и считал, что может применить свои умения на политическом поприще. Цель заключалась в том, чтобы создать группы избирателей с общими взглядами – людей, настолько же схожих по своим ценностям и приоритетам, как гости на приеме у Марка Ледера, – и никаких официантов из кейтеринговой компании! Затем этим людям можно будет адресовать послания, которые с большой вероятностью должны были подтолкнуть их в сторону целей, поставленных политтехнологами, будь то голоса, волонтерство в избирательной компании или пожертвования.

Один из проектов Гани в Accenture включал в себя моделирование покупателей супермаркетов. Одна из основных сетей продуктовых магазинов предоставила команде Accenture огромную анонимную базу данных о покупках. Идея заключалась в том, чтобы рассмотреть эти данные и изучить закупочные привычки каждого потребителя, а затем поместить покупателей в сотни разных потребительских групп. В их число входили импульсивные покупатели, которые в последний момент у кассы бросают в корзину шоколадку, а также люди, помешанные на здоровом питании, которые были готовы переплатить втрое за органическую капусту. Это были очевидные категории. Но были и неожиданные. Команда Гани, например, смогла выделить группу покупателей, которые упорно сохраняли верность одним и тем же брендам, и тех, кто легко переключался на новые марки даже ради крошечной скидки. Такие «нелояльные», в свою очередь, были поделены на еще более мелкие группы. Конечной целью было придумать отдельный план для каждого покупателя – и затем провести его по супермаркету по такой траектории, чтобы он увидел именно те продукты, которые он, скорее всего, захочет купить.

К несчастью для клиентов Accenture, эта идея требовала применения компьютеризированных тележек, которые пока что не получили широкого распространения – а возможно, никогда и не получат. Но, несмотря на непригодность для супермаркетов, идеи Гани отлично пригодились в политике. Переменчивые покупатели, которые готовы были «изменить» любимому бренду ради нескольких центов, вели себя очень похоже на неопределившихся избирателей. В супермаркете было несложно подсчитать, за какую сумму можно переключить покупателя с кетчупа или кофе одной марки на другой бренд, более выгодный в настоящий момент. Супермаркет мог выделить, допустим, 15 % тех, кто с большей вероятностью готов был поменять бренд, и снабдить их скидочными купонами. Самое главное здесь – точная адресация. Супермаркеты определенно не хотели бы раздавать купоны тем, кто и так был готов заплатить полную цену. Это же все равно что сжигать деньги[20].

Смогут ли подобные подсчеты сработать, если применить их к неопределившимся избирателям? Вооруженные огромным количеством данных по потребителям, избирателям и демографии, Гани и его команда решили это выяснить. Однако они столкнулись с одним серьезным отличием. В проекте, посвященном супермаркетам, вся доступная информация относилась точно к области покупок. Они изучали покупательские привычки, чтобы предсказать, что люди будут покупать (и повлиять на это). Но в политике у них имелось очень мало релевантной информации. Нужны были прокси – а это потребовало исследований.

Команда Гани начала с того, что взяла у нескольких тысяч человек очень подробные интервью. Эти люди оказались в разных группах. Кто-то заботился об образовании и правах ЛГБТ, других тревожили социальная защищенность и влияние технологии гидравлического разрыва при добыче сланцевой нефти на водоемы с пресной водой. Некоторые поддерживали действующего президента во всем. Другие занимали нейтральную позицию. Большому числу граждан он просто нравился, но при этом они обычно не ходили голосовать. Некоторые из них – и это было жизненно важно – были готовы вложить деньги в кампанию Обамы.

Как только команда Гани определила эту маленькую группу избирателей, проанализировала их желания и страхи, выяснила, что нужно для того, чтобы изменить их поведение, предстояло сделать следующий шаг – найти миллионы других избирателей (они же спонсоры), которые были бы похожи на первую группу. Это включало в себя исследование потребительских и демографических данных избирателей, у которых они взяли интервью, и создание их математических профилей. Затем нужно было просто изучить национальные базы данных, найти людей с похожими профилями и поместить их в те же группы.

Затем каждой группе стали направлять рекламные объявления – на Facebook или на новостных сайтах, которые они посещали, – и проверять, реагируют ли адресаты ожидаемым образом. Для этого они проводили те же самые тесты, что использует Google, чтобы узнать, какой оттенок синего набирает больше кликов по кнопке. Попробовав разные подходы, они выяснили, например, что электронные письма, в заголовках которых было одно только слово «Эй!», раздражали людей, но в то же самое время приводили к большей вовлеченности и большим пожертвованиям.

В результате тысяч тестов и корректировок кампания наконец охватила всю свою аудиторию – включая самый важный контингент из 15 миллионов неопределившихся избирателей. В процессе каждая кампания разработала профили американских избирателей. Каждый профиль содержал большое количество показателей по разным параметрам – не только ценность человека как избирателя, волонтера или спонсора, но и его отношение к различным проблемам. У одного избирателя мог быть высокий показатель в области экологических проблем, но низкий в сфере национальной безопасности или международной торговли. Эти политические профили очень похожи на те, которые создают интернет-компании, такие как Amazon и Netflix, чтобы эффективно взаимодействовать с десятками миллионов своих потребителей. Аналитические механизмы, которые задействуют эти компании, практически непрерывно проводят анализ затраты/выгоды, чтобы максимизировать прибыль от каждого покупателя.

Четыре года спустя кампания Хиллари Клинтон была построена на методологии, разработанной командой Обамы. Клинтон заключила контракт со стартапом в области таргетированной рекламы Groundwork, который был основан тогдашним председателем совета директоров Google Эриком Шмидтом и управлялся Майклом Слэби, техническим директором кампании Обамы 2012 года. Предстояло создать нечто вроде «политической версии» систем, которые торговые компании разрабатывают для взаимодействия с миллионами своих потребителей.

Потребность в актуальной и релевантной информации, как вы можете догадаться, сегодня огромная. Некоторые методы, используемые для ее сбора, чрезвычайно назойливы. В конце 2015 года британская газета Guardian сообщила, что фирма Cambridge Analytica, занимающаяся сбором политических данных, наняла ученых, чтобы те связали профили американских избирателей на Facebook с их демографическими деталями и историей лайков каждого пользователя. Они использовали эту информацию, чтобы разработать метод психографического анализа более 40 миллионов избирателей, распределив их всех по шкале «большой пятерки» личных качеств (открытость, добросовестность, экстраверсия, доброжелательность и невротизм). Группы, работавшие с президентской кампанией Теда Круза, затем использовали эти исследования для создания рекламных роликов, нацеленных на разные группы избирателей, размещая их в программах, которые те с большей вероятностью стали бы смотреть. Когда, например, в отеле Venetian в Лас-Вегасе в мае 2015 году проходила встреча Республиканской еврейской коалиции, кампания Круза адресовала ее участникам целую серию интернет-роликов, которые можно было увидеть только в стенах отеля и в которых подчеркивалось, как Круз любит Израиль и ценит его безопасность.

Не могу не упомянуть здесь, что не все эти кампании были эффективными. Некоторые, без сомнения, занимаются тем, что продают «чудодейственные эликсиры». В конце концов, люди, предлагающие услуги микроадресации, продают себя политическим группам, располагающим миллионами долларов. Они продают щедрые обещания бесценных баз данных и точной адресации – многие из этих обещаний просто неизбежно преувеличены. В итоге получается, что политики не только раздают сомнительные обещания, но и покупают их (причем по заоблачным ценам). Однако при всем этом команда Обамы продемонстрировала, что некоторые из этих методов приносят плоды. Так что индустрия – от серьезных специалистов по анализу данных до мелких лавочников – направляет свое внимание на избирателей.

Люди, занимающиеся политическим таргетированием, однако, сталкиваются с постоянными ограничениями, которые сильно усложняют их работу. Ценность каждого избирателя, например, растет или снижается в зависимости от того, насколько важен его штат. Неопределившийся избиратель в неопределившемся штате, таком как Флорида, Огайо или Невада, обладает высокой ценностью. Но если предварительные опросы показывают, что штат имеет ярко выраженный перевес либо республиканцев, либо демократов, то ценность избирателя падает, а маркетинговый бюджет быстро переключается на других избирателей, ценность которых теперь резко растет.

В этом плане мы можем думать об избирателях примерно так же, как мы думаем о финансовых рынках. По мере поступления все новой информации ценность актива или инвестиции растет или падает. На этих новых политических «рынках» каждый из нас представляет собой ценную бумагу с волатильной стоимостью. И каждая кампания должна решить, инвестировать ли в нас – и если да, то сколько. Если мы стоим того, чтобы в нас инвестировали, то политтехнологи решают не только то, какую информацию нам скормить, но и в каком количестве и как оформить подачу.

Похожие расчеты, причем в крупных масштабах, проводятся уже в течение десятилетий – когда избирательные штабы планируют предстоящие затраты на телевизионную рекламу. По мере того как меняются цифры в предварительных опросах, они могут перестать показывать рекламу в Питтсбурге и перебросить эти доллары в Тампу или Лас-Вегас. Но с политическим таргетированием фокус смещается с региона к отдельному человеку. И, что более важно, только этот человек видит скроенную лично для него версию политика.

Выборные кампании используют схожий анализ, чтобы идентифицировать потенциальных спонсоров и оптимизировать каждого из них. Здесь ситуация становится совсем сложной, потому что многие спонсоры сами производят расчеты. Они хотят получить максимальную отдачу за свои деньги. Они знает, что, если они сразу же выдадут максимальное пожертвование, штаб сочтет их «выдоенными» и, соответственно, не имеющими большого значения. Однако если они совсем не дадут денег, их тоже сочтут бесперспективными. Поэтому многие спонсоры выдают средства небольшими порциями в зависимости от того, согласны ли они с тем, что слышат от данного политика. Управление политиком для них как дрессировка собаки с помощью лакомства. И этот эффект дрессировки еще сильнее проявляется в пожертвованиях в специальные комитеты политических действий; размер вклада не ограничен законом.

Конечно же, политические кампании хорошо осознают эту тактику. С помощью микротаргетирования они могут посылать каждому из своих спонсоров информацию, которая с наибольшей вероятностью вызовет у тех желание расстаться с деньгами. И эти послания будут варьироваться от одного донора к другому.

Эти стратегии не ограничены президентскими кампаниями. Они проникают в нашу общественную жизнь через лоббистов и группы интересов, которые используют методы таргетирования, чтобы сделать свою грязную работу. В 2015 году общественная группа, выступающая против абортов и называющая себя «Центр за медицинский прогресс» (Center for Medical Progress), опубликовала видео, в котором, по утверждению центра, был изображен абортированный эмбрион в одной из клиник некоммерческой ассоциации «Планируемая семья» (Planned Parenthood Federation of America, Inc., PPFA). В ролике утверждалось, что врачи PPFA продавали органы эмбрионов для исследований, что запустило волну протестов и требование республиканцев прекратить финансирование организации.

Расследование, проведенное позже, доказало, что видео было фальсифицировано: так называемый зародыш оказался мертворожденным ребенком некоей женщины из сельской Пенсильвании. «Планируемая семья» не продает ткани плода. «Центр за медицинский прогресс» признал, что видео содержало неверную информацию, и это, конечно, резко снизило внимание к ролику у массовой аудитории. Однако с помощью микротаргетирования активисты кампании против абортов могли бы и дальше находить зрителей для своего видео, несмотря на всю его лживость, и использовать ролик для дальнейшего сбора средств.

Но если эта кампания оказалась в зоне публичного обсуждения, то сотни других продолжают где-то в глубине адресовать свои послания индивидуальным избирателям. Эти более тихие кампании столь же лживы и еще менее поддаются учету. И при этом они доставляют точно по адресу настоящие пропагандистские бомбы огромной мощности – прямое высказывание на тему, на которую политик в публичном пространстве осмелился бы только намекнуть.

По словам Зейнеп Тюфекджи, социолога в области высоких технологий, профессора Университета Северной Каролины, с помощью таких технологий штабы находят чувствительных избирателей и начинают пугать их, скажем, заявлениями о том, что безопасность их детей под угрозой в результате роста нелегальной иммиграции. И одновременно они будут прятать эти послания от тех избирателей, которых антииммигрантская риторика с большой вероятностью оттолкнет (или даже вызовет у них отвращение).

Успешое микротаргетирование отчасти объясняет, почему в 2015 году более 43 % республиканцев, по данным опросов, все еще верили, что президент Обама – мусульманин. А 20 % американцев верили в то, что он родился не на территории США – и, соответственно, стал президентом незаконно. (Разумеется, демократы вполне способны распространять собственную дезинформацию методом микротаргетирования, но ничто из того, что пока что всплыло на поверхность, не сравнится по масштабу с кампаниями очернения Обамы.)

Однако при всех этих успехах микротаргетирования политические компании все еще тратят в среднем 75 % своего рекламного бюджета на закупку телевизионного времени. Можно предположить, что это должно иметь выравнивающий эффект (устранить перекос в сторону индивидуальной адресации), и это действительно так. Телевидение представляет собой более массовый (и легче контролируемый) способ подачи информации, в то время как микротаргетирование действует в тени. Но сегодня даже телевидение двигается в сторону индивидуализированной рекламы. Сейчас такие рекламные компании, как нью-йоркская Simulmedia, распределяют телезрителей в поведенческие группы, чтобы рекламщики могли адресовать свои послания к людям со схожими взглядами, будь то охотники, пацифисты или покупатели внедорожников размером с танк. По мере того как телевидение и остальные СМИ движутся в сторону составления профилей на своих потребителей, потенциал политического микротаргетирования продолжает расти.

По мере этого роста нам станет все сложнее получить доступ к политическим посланиям, адресованным нашим соседям, – и в результате все труднее понять, почему они верят в то, во что верят, причем зачастую верят очень страстно. Даже самый настойчивый журналист с трудом сможет отследить подобные послания. Ему недостаточно будет просто посетить сайт кандидата – ведь каждый посетитель сайта будет тут же оценен и учтен по всем признакам, начиная от почтового индекса до ссылок, по которым он кликает на странице, и даже фотографий, которые он рассматривает. Бесполезно будет и создавать десятки ботов, ведь система связывает каждого реального избирателя с большим массивом накопленной информации о нем, включая истории его покупок, адрес, номера телефонов, историю его голосований и даже номер социального страхования и адрес на Facebook. Чтобы убедить систему в том, что он реальный пользователь, бот должен содержать определенную массу информации. Ее фабрикация потребовала бы такого объема работы, которую никакой исследовательский проект (а тем более один журналист) не может себе позволить.

Результатом этих «подпольных» кампаний становится опасный дисбаланс. Политические маркетологи ведут на нас все более обширные досье, скармливают нам порции информации и отслеживают, как мы на них реагируем. Это похоже на практику, обычно используемую людьми, ведущими деловые переговоры. Они имеют дело с разными партиями по отдельности, чтобы ни одна из них не слышала того, что слышит другая. Эта асимметрия информации не дает разным партиям объединить силы – а именно это является сущностью демократического правительства.

Развивающаяся наука микротаргетирования с ее профилями и предсказаниями, несомненно, попадает в нашу темную коллекцию оружия математического поражения. Она повсеместно распространена, совершенно непрозрачна и не поддается общественному контролю. Она предоставляет прикрытие политикам и позволяет им демонстрировать разным людям совершенно разные грани своей личности.

Наделение ценностью каждого отдельного избирателя также подрывает демократию, делая определенное меньшинство избирателей наиболее важным, а остальным, в сущности, отводя роль всего лишь группы поддержки. В самом деле, если посмотреть на модели, использующиеся в президентских выборах, может показаться, что мы живем в какой-то совершенно перекошенной стране. Когда я пишу эти строки, все граждане, имеющие значение для исхода выборов, живут в горстке округов во Флориде, Огайо, Неваде и еще в нескольких «неопределившихся» штатах. И в этих округах тоже лишь небольшое число избирателей имеет ценность.

Должна отметить, что, хотя многие из ОМП, которые мы рассматривали, от хищнических объявлений до полицейских моделей, наносят урон в основном самым бедным слоям населения, политическое микротаргетирование причиняет вред избирателям всех экономических классов. От Манхэттена до Сан-Франциско как богатые, так и бедные оказываются лишены гражданских прав (хотя самые богатые, конечно, могут себе это компенсировать пожертвованиями в кампанию).

И в каждом случае вся политическая система – деньги, внимание, лесть – поворачивается к «ценным» избирателем, словно цветок к солнцу. Остальные практически игнорируются (за исключением тех, кто способен пожертвовать деньги). Программы уже предсказали наше поведение на выборах, поэтому любые попытки его изменить не стоят затраченных усилий[21].

Это создает губительную петлю обратной связи. Избиратели, которыми пренебрегли, с большей вероятностью выработают совершенно циничное отношение к политике. А вся игра окажется в руках победителей: они ведь знают всю подноготную избирателей, в то время как подавляющему большинству последних будут доступны только обрывки информации, которые политический рынок сочтет полезным им предоставить.

И в самом деле, перекос только усугубляется. Люди, от которых ожидается, что они проголосуют, – но они по какой-то причине на этот раз не пришли к урнам – будут в следующий раз просто купаться во внимании политиков: они все равно рассматриваются как избиратели с высоким потенциалом. А те, от кого в любом случае не ожидается, что они проголосуют, обычно игнорируются. Система ищет самые «легкие» голоса, добиваясь наибольшей отдачи на каждый вложенный доллар. А те, кто из года в год не голосует, оказываются слишком «дорогими». Эта динамика подталкивает определенные группы людей к еще большей политической активности, в то время как остальные продолжают пребывать в вечной апатии.

Как часто бывает в случае с ОМП, те же модели, что причиняют вред, могут быть использованы и во благо человека. Вместо того чтобы обращаться к людям, чтобы ими манипулировать, система может выстроить их для взаимопомощи и кооперации. В выборах мэра, например, микротаргетирование может найти определенную группу горожан, крайне недовольных из-за неподъемных цен на съемное жилье. Но если кандидат в состоянии выяснить, кто именно раздосадован из-за ренты, то как насчет того, чтобы использовать те же технологии, чтобы помочь этим людям найти доступное жилье?

В случае с политической рекламой (как и с большинством видов ОМП) суть проблемы практически всегда заключается в порочной цели. Сделайте целью не обман людей, а помощь им – и оружие математического поражения вдруг превращается в силу, несущую добро.

Заключение

В нашем путешествии сквозь виртуальную жизнь мы посетили школу и колледж, суды и кафе, банки и офисы, даже избирательные участки. Но везде мы видели, какие разрушения производит оружие математического поражения. Обещая эффективность и справедливость, оно на самом деле разрушает высшее образование, увеличивает долги и число заключенных, наносит множественные удары по беднякам и подрывает демократические устои. Может показаться, что логическим ответом на такой ущерб было бы запрещение этих видов оружия, одного за другим.

Проблема заключается в том, что эти виды подпитывают друг друга. Бедные люди с большей вероятностью будут иметь плохую кредитную историю и жить в опасном районе, по соседству с другими бедными людьми. Как только темная вселенная ОМП переварит эту информацию, она забросает их хищнической рекламой микрокредитов или коммерческих колледжей. ОМП пришлет полицию, чтобы арестовать этих людей, а если им вынесут приговор, то оно же позаботится о том, чтобы они получили как можно более длительный срок. Эти данные, в свою очередь, будут использованы другим видом ОМП, который определит этих людей как потенциально рискованных клиентов и в результате будет препятствовать их трудоустройству, одновременно вздувая для них процент по ипотеке и автомобильным кредитам, увеличивая стоимость самых разных страховок. Это еще сильнее ухудшит их кредитную историю, и возникнет настоящий порочный круг моделирования. Быть бедным в мире ОМП становится все опаснее и обходится все дороже.

Но то же самое оружие математического поражения, которое прицельно бьет по беднякам, помещает представителей более высоких слоев общества в их собственные отсеки на рынке. ОМП отправляет их в отпуск на Арубу, вставляет в очередь на поступление в Уортонскую школу бизнеса. Многим из этих людей мир в результате покажется гораздо более простым и разумно устроенным. Математические модели не дадут им прозевать скидки на прошутто и кьянти, порекомендуют отличный фильм на Amazon Prime и приведут их, одного за другим, в кафе в районе, который раньше считался подозрительным. Ненавязчивая и персонифицированная сущность этой адресации не дает людям, которые занимают высокое место в обществе, увидеть, как эти же самые модели уничтожают жизни других людей – зачастую буквально в нескольких кварталах от их местонахождения.

Национальный девиз США – E pluribus unum, «Из многих – единое». Но оружие математического поражения придает этому девизу противоположный смысл. В своей темной работе оно впечатывает одно и то же во множество разных людей, в то же время скрывая от нас вред, который оно наносит нашим соседям, и близким, и далеким. Этот ущерб огромен и разнообразен. Это ущерб одинокой матери, которая не может найти детский сад, подходящий для ее безумного рабочего расписания; это ущерб молодому человеку, которому отказывают даже в низкооплачиваемой работе на основе данных личностного теста. Мы видим этот вред, когда подростка – представителя этнического меньшинства останавливают на улице, обыскивают и ставят на учет в местном отделении полиции или когда работник заправки, живущий в бедном районе, вынужден платить за дорогую страховку. Это бесшумная война, которая поражает бедных сильнее всего, но также бьет и по среднему классу. Ее жертвы по большей части не обладают экономическими возможностями, им трудно пробиться к хорошему юристу или хорошо финансируемой политической организации, которые помогли бы им сражаться за свои права. В результате ущерб, причиняемый ОМП, слишком часто считают неизбежным. Мы не можем рассчитывать на то, что эти недостатки исправит свободный рынок. Чтобы понять, почему это так, давайте сравним проблему ОМП с другой проблемой, которую пытается преодолеть наше общество, – проблемой гомофобии.

В сентябре 1996 года, за два месяца до переизбрания, президент Билл Клинтон подписал закон о защите брака. Этот закон, определявший брак как союз между одним мужчиной и одной женщиной, сулил президенту поддержку в консервативных кругах неопределившихся штатов, в том числе Огайо и Флориды.

Всего через неделю технологический гигант IBM объявил, что предоставит льготы по медицинскому страхованию для однополых партнеров среди своих сотрудников. Возможно, вы удивились, с какой стати «Голубой гигант», столп корпоративного истэблишмента, открыто начал обсуждать столь неоднозначную проблему, в то время как предположительно прогрессивный американский президент явно двигался в противоположном направлении.

Ответ надо искать на рынке. В 1996 году золотая интернет-лихорадка только начиналась, и такие компании, как IBM, Oracle, Microsoft, Hewlett-Packard, а также несколько стартапов, среди них Amazon и Yahoo, сражались за интеллектуальные ресурсы. Бо́льшая часть этих компаний уже предоставила различные льготы для однополых партнеров и таким образом смогла привлечь в число своих сотрудников немало талантливых геев и лесбиянок. IBM не могла остаться в стороне. «С точки зрения деловой конкуренции это имело для нас смысл», – признался официальный представитель IBM в интервью журналу BusinessWeek.

Если представить себе кадровую политику IBM и подобных гигантских корпораций в виде набора алгоритмов, то дискриминация неизменно входила в состав их кода в течение десятилетий. Конкуренция за работников подтолкнула их к более справедливым решениям. С тех пор геи и лесбиянки добились впечатляющего прогресса во многих областях. Конечно, прогресс этот и сегодня нельзя назвать абсолютно последовательным. Многие представители ЛГБТ в Америке до сих пор страдают от предубеждений, насилия и оружия математического поражения. Особенно это касается бедняков и представителей этнических меньшинств. Однако в то самое время, когда я пишу эти строки, гей по имени Тим Кук является президентом самой дорогой компании мира – корпорации Apple. И если у него возникнет такое желание, он может воспользоваться своим конституционным правом и заключить брак с другим мужчиной. Иными словами, мы видим, что корпорации вполне способны совершать решительные движения в сторону исправления несправедливости в своих алгоритмах приема на работу, – так почему же подобным образом не подправить математические модели, которые причиняют вред всему нашему обществу?

К сожалению, тут имеется серьезное отличие. Предоставление равных прав представителям ЛГБТ-сообщества во многом шло на пользу компаниям. Имелось немалое количество хорошо образованных и все громче заявляющих о себе талантливых геев и лесбиянок, которых корпорации жаждали принять на работу. Поэтому они оптимизировали свои модели, чтобы привлечь этих людей. Но при этом главным фактором все равно оставалось извлечение прибыли. Справедливость в большинстве случаев была просто побочным продуктом. Кстати, примерно в это же время самые разные предприниматели по всей стране обратили свое внимание на ЛГБТ-потребителей и стали предлагать им круизы, «счастливые часы», сериалы с гей-тематикой и тому подобное. И хотя эта толерантность вызвала недовольство у менее терпимых людей, с точки зрения бизнеса это сулило большие дивиденды.

Обезвреживание ОМП не всегда предполагает столь очевидную отдачу. Конечно, чем больше справедливости, тем больше пользы для общества в целом, однако это вовсе не обязательно полезно для той или иной конкретной компании. Совсем наоборот, для большинства из них оружие математического поражения – это очень эффективный инструмент. На нем основаны целые бизнес-модели – будь то коммерческие колледжи или микрокредиты. И когда программное обеспечение успешно находит людей, достаточно отчаявшихся, чтобы взять в долг под 18 % в месяц, то люди, которые купаются в прибыли от этого бизнеса, считают, что система работает отлично.

Жертвы, конечно, имеют совсем другое мнение. Но абсолютное большинство из них – это люди с почасовой оплатой или вообще безработные, обреченные на пожизненно низкий кредитный скоринг. Это бедняки. Это заключенные, которые и вовсе беззащитны. В результате в нашем обществе, где деньги покупают влияние, у жертв ОМП практически нет голоса, который может быть услышан. Они практически лишены гражданских прав. Слишком часто бедных обвиняют в том, что они бедные, что они сами виноваты, что учились в плохих школах, в том, что преступления захлестывают районы, в которых они живут. Именно поэтому мало кто из политиков вообще думает о стратегиях борьбы с бедностью. Согласно общепринятому мнению, бедность – это скорее заболевание, и нужно прилагать усилия – во всяком случае, на словах – к тому, чтобы не допустить распространения этого заболевания на средний класс.

Но бедняки далеко не единственные жертвы ОМП. Мы уже видели, как порочные модели могут отказать в работе квалифицированному претенденту или снизить зарплату сотруднику, который не отвечает корпоративным представлениям об идеальном здоровье. Эти ОМП бьют по среднему классу с такой же силой, как и по беднякам. Даже богачи оказываются жертвами микротаргетинга в рамках политических моделей. И они так же судорожно, как и все мы, пытаются умилостивить безжалостное оружие математического поражения, которое командует набором в колледжи и наносит ущерб качеству высшего образования.

Также важно отметить, что это только начало. В конце концов, компании микрокредитования тоже начинали с бедняков и иммигрантов. У них меньше доступа к информации, и многие из них находятся в отчаянном положении. Это самые простые цели – так сказать, фрукты, висящие на нижних ветках. Но те виды оружия математического поражения, которые дают наибольшую прибыль, вряд ли надолго остановятся на низших слоях. Рынок так не работает. Они будут развиваться, распространяться и постоянно искать новые возможности. Мы уже видели, как это происходит с банками основного звена, которые вкладывают средства в организации, занимающиеся кредитованием между физическими лицами – такие как Lending Club. Короче говоря, ОМП нацелено на всех нас. И оно продолжит размножаться, сея несправедливость, пока мы не предпримем шаги, чтобы его остановить.

Несправедливость, следствие алчности или предубеждений, сопровождала нас всегда. Можно согласиться, что ОМП ничем не хуже человеческой злобы и предрассудков недавнего прошлого. В конце концов, во многих случаях банкир, предоставляющий кредит, или менеджер отдела кадров на постоянной основе исключали из рассмотрения целые расы (не говоря уже обо всех женщинах). Даже самые неудачные математические модели, скажут многие, в сравнении с такой несправедливостью не так уж плохи.

Но принятие решений человеком при всех недостатках имеет одно большое достоинство. Оно может эволюционировать. Человеческие существа учатся и адаптируются – и с ними меняются наши процессы. Автоматические же системы застревают в неизменном состоянии, пока инженеры как-то их не меняют. Если бы модель Больших данных по приему в колледжи была создана в начале 1960-х, многие женщины до сих пор не получали бы высшее образование, потому что модель в основном ориентировалась бы на успешных мужчин. Если бы музеи в то же время оформили в виде кода общепринятое представление о том, что такое великое искусство, мы до сих пор любовались бы практически исключительно на работы белых мужчин – людей, которых спонсировали богатые покровители. И, конечно, даже не стоит упоминания, что футбольная команда Алабамского университета была бы по-прежнему исключительно белой.

Процессы, основанные на Больших данных, кодифицируют прошлое. Они не изобретают будущее. Чтобы сделать последнее, нужно моральное воображение – то, чем обладают только люди. Нам нужно, безусловно, включать главные ценности в наши алгоритмы, создавать такие модели Больших данных, которые будут следовать за нашим этическим развитием. Иногда это будет означать приоритет справедливости над прибылью.

В каком-то смысле сейчас наше общество столкнулось с новой промышленной революцией. И мы уже можем извлечь из нее некоторые уроки. Начало XX века было временем небывалого прогресса. Люди смогли осветить свои дома электричеством и согреть их углем. Железные дороги отправляли на экспорт мясо, овощи и консервы. Для многих людей хорошая жизнь становилась еще лучше.

И в то же время этот прогресс имел не столь красивую изнанку. Он обеспечивался чудовищной эксплуатацией рабочих, причем многие из них были детьми. В отсутствие нормального здравоохранения и правил техники безопасности угольные шахты были смертельными ловушками. В одном только 1907 году погибли 3242 шахтера. На бойнях люди работали по 12–15 часов в день, в антисанитарных условиях, и мясные продукты, которые отправлялись с этих боен, часто тоже были отравлены. Компания Armour поставила в армию Соединенных Штатов тонны испорченной консервированной тушенки, заглушив запах тухлятины с помощью борной кислоты. Тем временем ненасытные монополисты узурпировали железные дороги, энергетические компании и городскую инфраструктуру и взвинтили ставки для потребителей до такой степени, что это стало настоящим налогом на всю национальную экономику. Было очевидно, что свободный рынок не может справиться с этими злоупотреблениями. И лишь когда такие журналисты, как Ида Тарбелл и Эптон Синклер, вскрыли эти и подобные проблемы, в ситуацию вмешалось государство. Оно установило протоколы техники безопасности и санитарные инспекции по контролю качества пищи, а также запретило детский труд. С ростом движения профсоюзов, а также принятием законов, которые их охраняли, наше общество двинулось в сторону восьмичасового рабочего дня и двух выходных в неделю. Эти новые стандарты защищали компании, которые не хотели эксплуатировать работников или продавать испорченную еду, потому что конкурентам приходилось следовать тем же правилам. И хотя это, без сомнения, повысило стоимость ведения бизнеса, общество в целом выиграло. Очень немногие из нас хотели бы вернуться во времена до принятия этих норм.

Как нам приступить к регулированию математических моделей, которые все больше управляют нашими жизнями? Я бы предложила начать с самих создателей этих моделей. Как и врачи, специалисты по анализу данных должны давать нечто вроде клятвы Гиппократа, сосредоточенной на возможных ошибках в использовании и интерпретации моделей. После краха 2008 года два финансовых аналитика, Эммануэль Дерман и Пол Уилмотт, составили такую клятву. Она гласит:

Я буду помнить о том, что не я сотворил мир – и он не укладывается в мои уравнения. Хотя я буду смело использовать модели, чтобы оценивать стоимость, я не буду слишком сильно попадать под влияние математики. Я никогда не пожертвую реальностью ради элегантности, не объяснив, почему я так поступаю. Также я никогда не буду уверять людей, которые пользуются моей моделью, в том, что она абсолютно точна. Вместо этого я подробно расскажу о погрешностях и недостатках модели. Я понимаю, что моя работа может иметь огромные последствия для общества и экономики и многие из этих последствий окажутся за пределами моего понимания.

Это хорошая философская основа. Но твердые моральные устои и самоконтроль – удел лишь порядочных. Более того, клятва Гиппократа игнорирует постоянное давление, которое часто оказывается на специалистов по анализу данных, когда начальники заставляют их выдать конкретные ответы. Чтобы уничтожить ОМП, недостаточно установить идеальные правила игры в одной только области Больших данных. Наши законы тоже нуждаются в переработке. А чтобы это произошло, мы должны пересмотреть наши критерии успеха.

Сегодня успех модели зачастую оценивается по параметрам прибыльности, эффективности или процента неудач. Это всегда нечто, что можно посчитать. Однако что именно нам нужно считать? Давайте рассмотрим следующий пример. Когда пользователь ищет в интернете информацию о продовольственных талонах, поисковик часто показывает ему рекламу лидогенераторов[22] типа FindFamilyResourses из города Темпе, штат Аризона. Этот сайт выглядит вполне официально и предлагает заполнить подлинные государственные анкеты. Но он также собирает имена и адреса электронной почты, чтобы затем использовать для хищнической рекламы, включая рекламу коммерческих колледжей. Он получает немалую прибыль, навязывая избыточные услуги людям, многие из которых вскоре будут атакованы предложениями услуг, которые они вряд ли могут себе позволить.

Успешен ли этот бизнес? Зависит от того, что считать успехом. Каждый клик на объявление приносит Google 25 или 50 центов – а иногда даже доллар или два. Это успех. И, конечно, лидогенераторы тоже делают деньги, так что колеса коммерции вовсю крутятся.

В то же время с точки зрения пользы для общества обычный интернет-поиск каких-либо услуг правительства, образно говоря, рисует большие мишени на спинах бедняков, обольщая часть из них лживыми обещаниями, и в результате все это кончается кредитом под гигантский процент. Даже если смотреть исключительно с экономической точки зрения, это явное истощение нашей системы. Сам факт, что людям нужны продуктовые талоны, в первую очередь демонстрирует провал рыночной экономики. Правительство, используя доллары налоговых поступлений, пытается как-то это компенсировать – в надежде, что люди, получающие продуктовые талоны, в будущем смогут полностью себя содержать. Но лидогенераторы подталкивают их к ненужным сделкам, зачастую оставляя в еще более глубоких долгах – и еще более нуждающимися в правительственной помощи. Оружие математического поражения, генерируя прибыль для поисковиков, собирателей потенциальных клиентов и предпринимателей, одновременно высасывает соки из экономики в целом.

Система регулирования ОМП могла бы измерять подобные скрытые убытки. Это уже используется в других типах государственного вмешательства. Хотя экономисты могут попытаться подсчитать, во что обходится обществу загрязнение воздуха или сельскохозяйственные стоки, эти цифры никогда не опишут подлинный урон. И то же самое часто касается справедливости и общественной пользы в математических моделях. Это концепции, которые могут существовать только в человеческом сознании, – и их невозможно точно подсчитать. При этом люди, которые занимаются созданием моделей, редко даже пытаются делать такие подсчеты – это считается слишком сложным. Но нам необходимо включить человеческие ценности в эти системы, даже ценой снижения эффективности. Например, модель может быть запрограммирована так, чтобы представители разных этнических групп или разных уровней дохода были справедливо представлены в рядах избирателей или потребителей. Или она может протоколировать случаи, когда люди в определенных районах проживания платят в два раза дороже за определенные услуги. Эти приближения могут быть грубыми, особенно поначалу, но они необходимы. Математические модели должны быть нашими инструментами, а не нашими хозяевами.

Разрыв в уровне школьной успеваемости, большое число заключенных в тюрьмах и апатия избирателей – все это серьезные национальные проблемы, которые не решит ни свободный рынок, ни математические алгоритмы. Поэтому первым делом следует взяться за нашу технологическую иллюзию – безграничную и безосновательную веру в то, что алгоритмы и технологии могут все. Прежде чем просить их исправить какую-то ситуацию, нам нужно признать, что они не всесильны.

Чтобы обезвредить ОМП, нам также нужно оценить его влияние, а для этого необходим аудит алгоритмов. Первый шаг здесь – провести исследования. Давайте представим себе ОМП как черные ящики, которые перерабатывают загруженную в них информацию и выдают заключения. Вот у этого заключенного преступника средняя вероятность рецидива в будущем, этот гражданин с 73-процентной вероятностью будет голосовать за республиканцев, а рейтинг вон того учителя – в нижней десятке. Изучив эти выводы, мы сможем собрать воедино все погрешности модели и оценить ее справедливость.

Иногда с самого начала становится совершенно понятно, что определенные виды оружия математического поражения нужны лишь для того, чтобы легче увольнять целые группы людей, а другим предлагать скидки. Модель оценки коэффициента роста знаний учеников, принятая в нью-йоркских общеобразовательных школах, например, – та самая модель, которая присудила Тиму Клиффорду катастрофические шесть баллов, а на следующий год триумфальные 96 баллов, – это не что иное, как статистический фарс. Если мы расположим результаты, которые учителя получают в разные годы, на графике, точки будут расположены примерно так же хаотично, как атомы водорода в комнате. Даже многие школьники, изучающие в этих самых школах математику, взглянув на подобную «статистику», с уверенностью сказали бы, что такие результаты не означают просто ничего. В конце концов, хорошие учителя обычно бывают хорошими и в этом году, и в следующем. В отличие от, допустим, игроков в бейсбол, они редко чередуют удачные сезоны с провальными (и еще одно отличие учителей от бейсболистов заключается в том, что работа первых плохо поддается количественному анализу).

Подобную негодную модель невозможно исправить. Единственный выход в таком случае – вообще отказаться от несправедливой системы. Давайте забудем по крайней мере на 10–20 лет об инструментах для измерения эффективности учителя. Это слишком сложная задача для моделирования, и у нас нет для этого достаточно точной информации, только грубые приближения. Модель просто пока недостаточно хороша для того, чтобы принимать важные решения о людях, которым мы доверяем образование наших детей. Эта работа требует комплексного подхода с учетом сложного контекста. Даже в эпоху Больших данных такие проблемы умеют решать только люди.

Конечно, аналитики должны рассматривать множество данных, включая и результаты тестов учеников. Они должны включать в свой анализ благотворные петли обратной связи (этих «добрых кузенов» тех губительных петель обратной связи, с которыми мы так близко познакомились). Благотворная обратная связь просто предоставляет информацию специалисту по данным (или автоматической системе), чтобы модель могла быть улучшена. В этом случае достаточно будет просто опросить как учителей, так и учеников, имеют ли для них смысл эти рейтинги; понимают ли и принимают ли они стоящие за рейтингами критерии. Если не понимают и не принимают – то как это можно улучшить? Только когда мы получим экосистему с благотворной обратной связью, мы сможем ожидать, что данные помогут улучшить работу учителей. А до тех пор система имеет только карательную функцию.

Конечно, защитники Больших данных тут же напомнят нам, что человеческий мозг сам включает в себя модели и эти модели зачастую окрашены предрассудками и предвзятостями. Поэтому человеческие суждения – в данном случае оценка учителей – тоже должны проверяться на справедливость. И эти проверки должны быть тщательно разработаны и протестированы именно людьми, а уж потом автоматизированы. Математики вполне могут заняться разработкой моделей, которые помогут учителям измерить собственную эффективность и улучшить ее.

Другие проверки гораздо более сложны. Возьмите, к примеру, модели вероятности криминального рецидива, которыми руководствуются судьи во многих штатах, готовясь вынести приговор. Из-за относительной новизны этих моделей нам пока сложно сравнивать «до» и «после». Изменилась ли статистика приговоров с тех пор, как они стали получать рекомендации от ОМП? Мы обнаружим, без всякого сомнения, что какое-то число судей имело в голове те же опасные модели задолго до появления ПО – и наказывало бедняков и представителей меньшинств более строго, чем остальных преступников. В некоторых из этих случаев, возможно, модель может смягчить их суждения. В других случаях – нет. По мере роста количества информации закономерности станут более ясными и позволят нам оценить мощность и направленность ОМП.

Если мы обнаружим (а исследования это уже показали), что модели рецидивизма кодифицируют предрассудки и наказывают бедных, значит, настало время изучить вводную информацию. В данном случае модели предсказывают поведение отдельного человека по принципу «одного поля ягоды» – по аналогии с людьми, с которыми он знаком, по месту его работы и кредитному рейтингу, то есть по критериям, которые бы не принял к рассмотрению ни один суд. Справедливость требует, чтобы эту информацию исключили. Постойте, скажут нам, вы что, собираетесь пожертвовать точностью модели ради справедливости? В самом деле, стоит ли намеренно притуплять наши алгоритмы?

В некоторых случаях – да. Если мы хотим равенства перед законом, хотим равенства в качестве избирателей, то мы не можем защищать системы, которые распределяют нас в разные касты и с каждой обращаются по-разному. Amazon и Netflix вправе раскладывать своих клиентов по сколь угодно малым группам и продавать им все что угодно. Но аналогичный алгоритм не может обеспечивать справедливость или демократию.

Движение по направлению к ревизии алгоритмов уже набирает обороты. Исследователи из Принстонского университета, например, запустили программу по изучению прозрачности и ответственности в Сети. Созданные ими боты «притворяются» людьми самых разных социологических типов – богатыми, бедными, мужчинами, женщинами, людьми с нестандартной психикой. Анализируя, как относятся к этим ботам поисковые системы и сайты по трудоустройству, можно обнаружить порочные детали моделей. Подобные проекты разрабатываются и в других академических учреждениях – университете Карнеги – Меллон и Массачусетском технологическом институте.

Научная поддержка подобных инициатив имеет огромное значение. В конце концов, чтобы обезвредить оружие математического поражения, нам нужны люди, умеющие создавать такое оружие. Такие люди способны извлечь из моделей ОМП достаточно большие массивы данных, чтобы можно было выявить несправедливости и другие перекосы, заложенные в модели. Имеет смысл запустить краудсорсинговые кампании, чтобы люди по всей стране могли в деталях рассказать о том, какие послания они получают от рекламщиков или политиков. Это может высветить методы и стратегии кампаний микротаргетирования.

Не все эти кампании обязательно порочны. Например, после президентских выборов 2012 года компания ProPublica проанализировала таргетированные политические обращения, использовавшиеся в ходе кампании за избрание Обамы. Разные группы, как выяснилось, слышали хвалебные высказывания о президенте от разных знаменитостей – каждое из них, предположительно, было адресовано определенной группе. Предоставив общественности статистическую информацию и развеяв загадочность, окружавшую модель, ProPublica уменьшила (пусть и совсем немного) основания для темных слухов и подозрений. Это уже хорошо.

Если рассматривать математические модели как двигатели цифровой экономики – а во многих аспектах это так и есть, – то в процессе аудита мы открываем капот и демонстрируем, как именно работает этот двигатель. Это принципиально важный шаг – затем нам предстоит снабдить эти мощные двигатели рулем и тормозами.

Аудит, однако, встречает сопротивление, в том числе и со стороны сетевых гигантов. Google, например, не позволил исследователям составить рейтинг ботов, чтобы можно было начертить «карту предвзятости» поискового алгоритма компании. Если же та или иная компания все-таки соглашается пройти проверку на предвзятость, она предпочитает, чтобы это была внутренняя проверка. Таким образом от посторонних защищаются внутренние механизмы действия алгоритма – и его предвзятости. Однако люди, находящиеся внутри системы, страдают, как и все мы, от предвзятости подтверждения и с большей вероятностью увидят то, что ожидают обнаружить. Они вряд ли будут задавать самые острые вопросы. И если они обнаружат несправедливости, которые, судя по всему, увеличивают прибыль Google… что ж, в таком случае это может привести к неприятным обсуждениям – из тех, что определенно лучше скрыть от общественности. Все это весомые деловые аргументы в пользу секретности. Однако по мере того как люди будут узнавать все больше об оружии математического поражения и требовать все большей прозрачности от информационно-коммуникационных компаний, я надеюсь, что у Google практически не останется выбора – ему придется впустить к себе людей со стороны.

То же касается и Facebook. Принципиальная политика этой социальной сети – привязывать пользователей к их реальным именам – жестко ограничивает исследования, которые могут провести в ней люди со стороны. Требование настоящего имени со многих точек зрения заслуживает восхищения, и не в последнюю очередь потому, что подталкивает пользователей к большей ответственности за то, что они публикуют у себя на страницах. Но и Facebook должен быть подотчетен всем нам – а это значит, что он должен открыть свою платформу большему числу аудиторов.

Правительство, конечно, может сыграть важную роль в регулировании – как и в годы первой промышленной революции, когда оно столкнулось со множеством человеческих трагедий. Оно может начать с усовершенствования уже существующих законов, а затем следить за их последовательным применением.

Как мы уже обсуждали в главе, посвященной кредитным историям, законы, защищающие права потребителей – такие как Закон об объективной кредитной отчетности (FCRA) и Закон о равном доступе к кредитам (ECOA), – должны были обеспечить справедливость кредитного скоринга. Закон FCRA гарантирует, что потребитель может видеть, какие данные включаются в его скоринг, – и исправить ошибки, если они там есть, – а ECOA запрещает ассоциировать кредитный рейтинг с расой или полом потребителя.

Эти регулирующие меры неидеальны и отчаянно нуждаются в доработке. Жалобы потребителя часто игнорируются, и ничто не помешает компании, занимающейся составлением кредитных рейтингов, использовать почтовые индексы в качестве прокси для расовой принадлежности. Итак, во-первых, мы должны требовать прозрачности. Каждый из нас должен иметь право получать уведомление, когда наш кредитный скоринг используется, чтобы составить о нас какое-либо суждение или провести проверку. И каждый из нас должен иметь доступ к информации, которая используется для подсчета нашего скоринга. Если эта информация неверна, то мы должны иметь право подать апелляцию и исправить ошибку.

Во-вторых, регулирующие нормы должны быть расширены, чтобы они охватили и такие новые типы кредитных компаний, как Lending Club, который использует новомодные e-scores для предсказания вероятности того, что мы не вернем кредит. Таким компаниям не должно быть позволено действовать в серой зоне. Закон о защите прав граждан с ограниченными возможностями (ADA), который защищает таких людей от дискриминации на работе, также нуждается в доработке. Сегодня он запрещает медицинское освидетельствование как обязательное условие трудоустройства. Но нам нужно внести в закон поправки, касающиеся личностных тестов, а также рейтинга здоровья и репутации. Все компании, использующие такие данные, в данный момент обходят закон, и нельзя им этого позволять. Одна из возможностей, которая сейчас уже обсуждается, включает в себя «предсказуемые» проблемы со здоровьем в будущем. Другими словами, если анализ генома показывает, что у человека высокий риск заболеть раком груди или болезнью Альцгеймера, это не должно мешать ему устроиться на работу.

Мы также должны расширить Закон о праве сохранения и защите данных медицинского страхования (HIPPA), который защищает нашу медицинскую информацию, чтобы распространить его на данные, которые собирают работодатели, приложения, посвященные здоровью, и другие компании Больших данных. Любая относящаяся к здоровью информация, собираемая брокерами данных, такая как, например, история наших поисков в интернете о методах лечения какой-либо болезни, должна быть защищена.

Если мы хотим принять еще более серьезные меры, нам стоит подумать о движении в сторону европейской модели, согласно которой все собираемые персональные данные должны быть официально одобрены пользователем. Эта модель также запрещает использование информации для каких-то иных целей. Конечно, требование согласия пользователя на использование информации часто означает, что пользователь автоматически кликает на галочку «я согласен», не вчитываясь в малопонятное пользовательское соглашение. И тем не менее запрет на новое использование информации – мощная запретительная мера. Она сразу делает незаконной продажу информации о пользователях, не позволяет получить доступ к этой информации брокерам данных, которые подпитывают токсичные e-scores и кампании политического микротаргетирования. Из-за этого запрета брокеры данных в Европе гораздо более ограничены в своей деятельности – если, конечно, не нарушают закон.

И, наконец, модели, которые оказывают серьезное влияние на наши жизни, включая кредитный скоринг и e-scores, должны быть открыты и доступны для общественности. В идеале мы должны иметь возможность управлять ими через мобильное приложение на нашем телефоне. В какой-нибудь трудный момент пользователь сможет, например, посмотреть: если я не оплачу вовремя вот этот счет за телефон или электричество – как это отразится на моем кредитном скоринге? И если он понизится, то как это скажется на запланированной покупке новой машины? Такие технологии уже существуют. Все, чего нам не хватает, – это воли применить их.

Летним днем 2013 года я отправилась на метро в южную часть Манхэттена и вошла в большое административное здание напротив нью-йоркской мэрии. Я собиралась построить математические модели, которые помогали бы обществу, – своего рода противоположность оружию математического поражения. Для этого я стала практикантом-волонтером в группе анализа данных в департаментах жилья и социального обеспечения мэрии. Число бездомных в городе в этот момент достигло 64 тысяч человек, включая 22 тысячи детей. Моя работа заключалась в том, чтобы помочь создать модель, которая сможет предсказать, на какой срок той или иной бездомной семье потребуется помощь системы призрения и какая именно помощь ей понадобится. Идея заключалась в том, чтобы дать людям все необходимое для того, чтобы они могли позаботиться о себе и о своих семьях, найти постоянное жилище.

Моя работа во многом состояла в том, чтобы построить модель риска рецидива – примерно такую же, как модель LSI-R. Подобно аналитикам, создававшим эту модель, я хотела узнать, какие силы толкают людей на улицу, а затем обратно в приют, а какие ведут к стабильности и постоянному жилью. Однако наша маленькая группа не собиралась строить оружие математического поражения, призванное удлинять тюремные сроки, – мы были сосредоточены на том, чтобы использовать наши выводы для помощи тем, кто попал в беду, и для сокращения числа бездомных и отчаявшихся. Нашей целью было создание модели для общественного блага.

Работая над другим проектом на схожую тему, один из исследователей обнаружил одну чрезвычайно сильную корреляцию, подсказавшую решение проблемы. Определенная группа бездомных семей имела тенденцию исчезать из приютов и никогда в них не возвращаться. Это были люди, которым давали ваучеры по федеральной жилищной программе (Закон о доступном жилье от 1937 года, так называемая «Секция 8» (Section 8)). Это не удивляло: если вы предоставляете бездомным семьям доступное жилье, немногие из них снова выберут улицу или убогие приюты.

Однако эта логика чем-то смутила тогдашнего мэра Майкла Блумберга и его администрацию. Городские власти, сопровождая процесс шумной пиар-кампанией, начали закрывать программу «Секция 8», установив взамен новую систему под названием «Преимущество» (Advantage), которая ограничила субсидии сроком в три года. Идея заключалась в том, что бедные люди, зная, что финансовая помощь скоро закончится, будут стараться больше зарабатывать и скоро начнут платить за жилье самостоятельно. Однако факты показали, что это был слишком оптимистичный прогноз. А тем временем бурно развивающийся рынок недвижимости Нью-Йорка вздувал стоимость аренды жилья, что еще больше осложняло переход к новой системе. Семьи, у которых не было ваучеров «Секции 8», отправились обратно в приюты.

Наше открытие было принято городскими чиновниками без всякого энтузиазма. Для встречи в мэрии наша группа подготовила презентацию, посвященную положению бездомных в Нью-Йорке. После того как мы продемонстрировали слайд со статистикой рецидива и эффективности «Секции 8», у нас состоялся чрезвычайно неловкий (и весьма недолгий) разговор. От нас потребовали удалить этот слайд. Линия партии осталась неизменной. Большие данные, которые при мудром с ними обращении могут помочь сделать важные открытия, снова продемонстрировали свою разрушительную силу. В конце концов, они направлены на поиски закономерностей, невидимых человеческому глазу. Сложная задача для специалистов по данным заключается в том, чтобы разобраться в экосистемах, которые создают эти данные, и выявить не только проблемы, но и их возможные решения. Простой анализ трудового процесса в компании может показать, что в штатном расписании есть пятеро явно лишних работников. Но если команда по анализу данных пригласит эксперта, тот разработает более конструктивную версию модели, которая не уволит этих людей, а предложит им работу в оптимизированной системе, а заодно определит, какая переподготовка им понадобится, чтобы занять эти рабочие места. Иногда работа специалиста по анализу данных заключается в том, чтобы знать, когда ты недостаточно знаешь.

Исследуя экономику данных, я вижу множество математических моделей, которые могут быть использованы для благих целей, и не меньше моделей с большим потенциалом стать таковым – если их не применять во вред. Возьмите для примера работу Миры Бернштейн, которая занимается трудовым рабством. Гарвардский доктор математики Бернштейн построила модель, которая сканирует масштабные производственные цепочки – например, сборку мобильных телефонов, изготовление кроссовок, автомобильный конвейер – и обнаруживает в них эпизоды принудительного труда. Бернштейн построила свою модель рабства для некоммерческой организации «Сделано в свободном мире» (Made in a Free World). Цель этой организации – помочь компаниям избавиться от вклада рабского труда в своей продукции. Разумеется, речь о том, что компания и сама с энтузиазмом готова очистить себя от подобного пятна – не только потому, что она против рабства, но и потому, что это может замарать бренд.

Бернштейн собрала данные из нескольких источников – экономическая информация ООН, статистика по регионам с наивысшим процентом принудительного труда, детальная информация о компонентах тысяч промышленных товаров – и внесла все это в модель, оценивающую вероятность того, что определенный продукт из определенного региона может быть изготовлен с участием рабского труда. В интервью журналу Wired Бернштейн рассказывала:

Идея заключается в том, что пользователь свяжется со своим поставщиком и скажет: «Расскажите мне подробнее о том, где вы раздобыли вот эти детали от ваших компьютеров?» Как и многие другие ответственные модели, детектор рабства не делает далеко идущих выводов. Он просто указывает на подозрительные места – а завершающую часть охоты должны провести люди.

Некоторые компании, несомненно, обнаружат, что казавшийся подозрительным поставщик действует в рамках закона (все модели таки или иначе производят ложноположительные результаты). Вся информация возвращается в организацию «Сделано в свободном мире», где Бернштейн изучает обратную связь.

Еще одна модель, нацеленная на общественное благо, появилась в сфере социальной помощи. Это предиктивная модель, которая указывает на семьи, где дети с наибольшей вероятностью могут подвергаться насилию. Модель, разработанная некоммерческой организацией Eckerd, занимающейся помощью детям и семьям, начала работу в 2013 году в округе Хиллсборо (пригород Тампы, штат Флорида). За предыдущие два года девять детей в этом районе погибли от насильственных действий – в том числе младенец, которого просто выбросили из окна автомобиля. Создатели модели включили в свою базу данных 1500 случаев насилия над детьми, в том числе со смертельным исходом. Они обнаружили некоторое количество маркеров, указывающий на высокий риск ненадлежащего обращения с детьми, включая наличие у матери сожителя, задокументированные в прошлом употребление наркотиков и случаи домашнего насилия, а также тот факт, что родитель в детстве находился в системе патронажного воспитания.

Если бы это была программа выявления потенциальных преступников, вы бы сразу увидели, какой она могла бы быть несправедливой. То, что родитель жил в детстве у временных приемных родителей или проживает с партнером, не должно быть поводом для подозрений. Более того, эта модель с гораздо большей вероятностью выявит бедняков – и пропустит потенциальные случаи насилия в богатых районах.

Однако если поставить целью не наказание родителей, а помощь детям, то потенциальное оружие математического поражения превращается в полезный инструмент. За два года, прошедшие с начала применения модели, в округе Хиллсборо, по данным газеты Boston Globe, не было ни одного случая насилия над детьми со смертельным исходом.

Модели, подобные этой, в изобилии появятся в будущем. Они будут оценивать наш риск заболеть остеопорозом или получить инсульт, поспешат на помощь студентам, готовящимся к экзамену, и даже предскажут, кто с большей вероятностью пострадает от серьезных жизненных неудач. Многие из этих моделей, как и некоторые из видов ОМП, которые мы обсуждали, будут созданы из самых лучших побуждений. Но они должны также быть прозрачными: наглядно демонстрировать, какая именно информация в них заложена, а также раскрывать полученные результаты. В конце концов, это мощные механизмы – и мы должны за ними присматривать.

Данные никуда не денутся. Как и компьютеры, и, конечно, математика. Предиктивные модели все чаще будут становиться инструментами, которые мы используем, чтобы управлять нашими институтами, расходовать наши ресурсы и организовывать наши жизни. Но, как я пыталась показать на протяжении всей книги, эти модели сконструированы не только из данных, но и из нашего человеческого выбора – на что обратить внимание в этих данных, а какие из них пропустить. Этот выбор касается не только логистики, выгоды и эффективности. Он покоится на морали.

Если мы от этого отойдем и будем относиться к математическим моделям как к нейтральной и неизбежной силе, вроде погоды или приливов, мы тем самым откажемся от ответственности. И результатом станет, как мы уже видели, оружие математического поражения, которое обращается с нами как с винтиками механизма, карает работников и паразитирует на неравенстве. Мы должны объединиться, чтобы контролировать это оружие и обезвредить его. Я надеюсь, что о нем будут вспоминать как о смертельно опасных шахтах прошлых столетий – как о реликтах ранних дней новой революции, когда мы еще не научились делать Большие данные справедливыми и подотчетными. Математика заслуживает гораздо большего, чем оружие математического поражения, – и демократия тоже.

Примечания