那些创造性的知识工作有什么前景？_风闻

编者按

目前和不久的将来，组织战略将重点放在机器、机器人和人工智能上。自动化减少卑微或重复的工作，数字化工作以使剩余的工人更有效率，以及Al提供更可靠和更有生产力的高端专业工作。本文认为，在超越新自由主义边界的技术逻辑中，存在着一种高效技术传播的Ellulian现象，也就是说，算法方法试图通过符号的有效解释、形式化和操作来捕获和减少人类知识和意义的所有形式。

这是社论前沿第S1299次推送

微信号：shelunqianyan

在不久的将来，人类工作的本质将由什么构成?

麦肯锡(McKinsey and Co.) 2017年的一份报告称，如今工人从事的活动中，约有一半有可能实现自动化，但“对大多数职业而言，中期而言，部分自动化比完全自动化更有可能实现，而这些技术将为创造就业机会提供新的机会。”

更具体地说，技术将创造新的就业机会，以补偿那些受影响更大的工作，如独立工作和其他可以通过自动化取代的工作。

其他研究者，如Kim, Kim, and Lee(2017)，对技术的经济影响进行了更为冷静的分析——他们认为，尽管从长远来看，人类工人将需要更多的创造性工作，但当前的劳动力无疑将面临挑战。失业率上升，政府必须提供各种形式的干预，以缓解过渡。然而，并不是所有人都相信为工人提供更具创造性的工作;研究发现了新的管理控制形式，比如亚马逊的Mechanical Turk，这是一个外包(实际上是隐藏)程序员劳动的平台。

同样，《经济学人》(2015年9月10日)也提到了“数字泰勒主义”，即科学管理在传统工业背景之外的更广泛的工作领域的回归，包括服务工人、知识工人和管理人员本身。

如今，技术在将工作划分到更广泛的工作领域、在较新的水平上进行时间-运动研究，以及将薪酬与绩效挂钩作为一项永无止境的试验方面发挥着前沿作用。最终的结果似乎是工人和知识工人向管理领导阶层的持续知识转移，而管理领导阶层又采取措施以一种非常以技术为中心的方式重新组织工作，即向自动化、平台技术和/或学习算法的方向转移。伴随着这种知识的转移，相关的决策权也向这些相同的技术转移。

本文认为符号操作现象代表了编纂的知识导致了一个高度缺陷的认识论，它假设所有的知识都可以以一种明确的方式获取，我们将矛盾地认为，这一观点造成了知识和创造力的严重匮乏。

这是因为这种认识论没有认识到人类象征主义的整体本质及其相关的符号转换。因此，人类知识的一个重要方面被忽视，处理不当或几乎被忽视，即隐性知识的形式。非常密切相关的隐性知识是人类自身的创造力,反过来,我们应该说,依赖于人类启发式(再次)涉及到符号的转换,允许我们做出看似无关的或不同的事件或元素之间的联系,从而允许专家人眼识别相关性新手眼睛:和机器(广告)都不能。

因此，本文提出的关键论点是，人类的知识和创造力确实丰富，而且远没有因为机器自动化和人工智能的出现而过时。

最后，以Feenberg(1999)的观点为出发点，提出了一种替代效率，以扭转这一将知识和权力转向统治精英及其相关技术的最新尝试。它是一种基于人类对技术发展和组织的民主参与的效率。安排，其目的是为了人类的全面福祉。这也是一种效率，呼应了杜威(1927)的观点，即通过人类知识和创造力的民主化来增强民主。

正如在本文中所讨论的，在过去和最近的时间里，各个组织都在科学管理实践和数字泰勒主义中，从工人向管理精英争夺决策权——而今天，在新的增强技术领域，专业知识工作者也在做着同样的事情。

这些最新的操作范围从量化自我的现象，在这种现象中，像英雄一样的创造者的高层管理话语中灌输了错误的自治意识和条件认同，再加上自我监控和自我驱动的实践，以实现强加的目标:以不惜一切代价最大化为基础;到今天(和明天的打算)使用人工智能来取代知识工作者的创造性和隐性知识，跨越有缺陷的知识截断和基于纯粹符号操作的伪创造性算法。

马尔库塞认为，人类的行动可以改变技术理性的结构，通过与技术进行持续的创造性斗争，同时将决策权从当前的新自由主义精英转向大众。

马尔库塞的主要论点是，这种权力必须重新分配，以实现更民主的组织结构，从而在社会和工作场所中显示出真正和共同的积极力量。然而，马尔库塞并没有明确说明如何做到这一点。

目前和不久的将来，组织战略将重点放在机器、机器人和所谓的人工智能上以提高效率(生产力)和最大化利润为总目标。这以各种形式表现出来，包括自动化以减少卑微或重复的工作，工作的数字化，使剩余的工人更有效率(生产)和人工智能提供更可靠和生产的高端专业工作-所有相关的新自由主义倡议，由当前主导的效率和最大化的想象力制定。

然而，本文认为，这种主导的想象也超出了组织的马尔库塞现实，影响到各种领域，如CsCW，例如，人类和技术之间存在着明确或正式的“合作”。这是因为Ellulian现象，即有效的技术在技术逻辑中传播，超越了新自由主义的边界，跨越算法方法，试图捕捉所有形式的意义，通过符号的有效解释、形式化和操作，作为显性知识的表征。这种纯粹的“效率”,剖析和减少所有知识和经验的分析性尝试，使我们无法认识到人类固有的复杂性和长处之一，即创造性及其相关的隐性知识。

从对荣格象征主义更全面的理解中得到的启发，使我们能够为理解人类创造力和隐性知识的复杂、模糊、不断涌现和本质上难以定义的方面提供一个可能的起点。这一点，连同知识民主化与民主决策过程之间存在关系的论点，为我们提供了根据，以提出Feenberg所提出的另一种效率设想。这样一种想象，允许人类积极和民主地参与决策过程和技术的发展;同时也使我们能够把人看作是技术的完全合法伙伴。