اگر تا به حال درباره‌ی اقتصاد گیگ (Gig Economy) چیزی نشنیده‌اید، لازم نیست نگران باشید؛ زیرا این پدیده به قدری جدید است که هنگام جستجو درباره‌ی آن تازه متوجه می‌شوید هنوز وارد بسیاری از فرهنگ‌های لغت نشده است. دیکشنری کمبریج اقتصاد گیگ را اینگونه تعریف می‌کند:

«روشی از اشتغال که در آن به جای کار کردن برای یک کارفرمای مشخص، افراد به کارهای پاره وقت و جدا از یکدیگری مشغول می‌شوند که هر کدام از آن‌ها درآمد مجزای خود را دارند.»

شاید این تعریف کمی گیج کننده باشد. برای درک بهتر اقتصاد گیگ، بررسی چند نمونه از کسب و کارهای بر مبنای آن راهگشا است.

شورش الگوریتمی

تابستان گذشته در لندن تظاهراتی بر پا شد که در آن افراد با در دست داشتن پلاکاردهایی که روی آن نوشته بود «ما انسان هستیم، نه ابزار دست اوبر!» راهپیمایی می‌کردند. اما چیزی که این راهپیمایی و اعتراض را از نمونه‌های مشابه خود متمایز می‌کرد، این نکته بود که افراد شرکت کننده در آن نه محل کار مشخصی داشتند و نه در استخدام شرکتی بودند. شخص خاصی بر این افراد ریاست نمی‌کرد؛ بلکه تنها یک الگوریتم از طریق تلفن هوشمند آن‌ها را مدیریت می‌کرد. در انتها، موضوع اعتراض این افراد از تمام چیزهایی که گفته شد، جالب‌تر است: آپدیت جدید یک اپلیکیشن!

سرویس UberEats ژوئن سال جاری در لندن افتتاح شد. شعار سرویس جدید اوبر این بود:

«غذاهای رستوران‌های مورد علاقه‌ی خود در لندن را با سرعت اوبر دریافت کنید.»

اوبر برای جذب پیک‌های مستقل، در ابتدا پیشنهاد دستمزد ۲۰ پوند در ساعت داده بود؛ اما با افزایش تقاضا، اوبر شروع به کاهش دادن دستمزدها کرد. ماه آگوست، دستمزد ساعتی جای خود را به فرمول پرداختی عجیب و غریبی داد؛ ۳.۳ پوند برای هر محموله، به اضافه‌ی ۱ پوند در هر مایل، منهای ۲۵ درصد «پورسانت سرویس اوبر»، به اضافه‌ی ۵ پوند پاداش هر ارسال. سپس پیک‌ها متوجه شدند که با یک آپدیت جدید اپلیکیشن، «پاداش ارسال» به ۴ پوند در زمان ناهار و شام، و ۳ پوند در زمان ناهار و شامِ آخر هفته کاهش یافته و در بقیه‌ی زمان‌ها نیز کلا حذف شده است.

بسیاری از معترضان پیک‌های حرفه‌ای هستند که برای دریافت دستمزد بیشتر، کار رسمی خود را رها کرده بودند تا به‌صورت تمام وقت برای اوبر کار کنند و حالا فکر می‌کنند اوبر به آن‌ها کلک زده است. یکی از تظاهر کنندگان می‌گوید از این که بسیاری از رفقای خود را تشویق به ترک شغل و پیوستن به UberEats کرده بود، احساس گناه و پشیمانی می‌کند.

سوال جالبی که اینجا مطرح می‌شود این است که اصلا این پیک‌ها چگونه توانستند یکدیگر را پیدا کنند؟ وقتی برای یک اپلیکیشن کار می‌کنید، پیدا کردن همکارانتان به سادگی یافتن کارکنان یک شرکت سنتی که مکان و دفتر مشخصی دارد نیست. پیک‌های اوبر برای یافتن یکدیگر و تظاهرات در لندن از تکنیک جالبی استفاده کرده بودند. آن‌ها با استفاده از اپلیکیشن اوبر به عنوان یک مشتری معمولی، برای خود غذا سفارش می‌دادند و زمانی که یکی از همکاران ندیده و نشناخته‌شان غذا را به آن‌ها می‌رساند، او را از جریان تظاهرات مطلع می‌ساختند؛ شورش الگوریتمی در برابر مدیریت الگوریتمی!

مدیریت الگوریتمی و اقتصاد گیگ

برآورد دقیقی از مقیاس اقتصاد گیگ در سطح جهانی وجود ندارد؛ اما در ایالات متحده، به‌تنهایی ۸۰۰ هزار نفر از این طریق (شرکت‌های چون TaskRabbit، Lyft، Uber و Deliveroo) بدون اینکه در استخدام کسی باشند، امرار معاش می‌کنند. اصطلاح «مدیریت الگوریتمی» (algorithmic management) که سال گذشته توسط «موسسه‌ی تعامل انسان و کامپیوتر» در دانشگاه کارنگی ملون ابداع شد، عامل اصلی به وجود آمدن اقتصاد گیگ در نظر گرفته می‌شود. برای شرکت‌هایی چون اوبر که خواهان ایجاد «حمل و نقلی قابل اعتماد» هستند، مدیریت الگوریتمی مشکل آموزش، پیگیری و ارزیابی وضعیت تعداد زیادی از کارکنان غیر حرفه‌ای را که حتی در استخدام شرکت نیستند، حل می‌کند تا در نتیجه شرکت بتواند سرویسی سریع، استاندارد و بدون نقص ارائه کند.

کسانی که از مدیریت الگوریتمی دفاع می‌کنند، عقیده دارند این نوع مدیریت فرصت‌های جدید شغلی به وجود می‌آورد و در بخش‌هایی از بازار کار که به ناکارآمدی، عدم شفافیت و کارفرمایان ظالم مشهور است، بهینگی، شفافیت و عدالت را با خود به همراه خواهد آورد. اما تظاهرات و اعتصابات تابستان گذشته در لندن نشان می‌دهد کسانی که در این اقتصاد کار می‌کنند، چندان هم از وضعیت آن راضی نیستند و عقیده دارند به جای اینکه از دست «کارفرمای ظالم» قبلی خلاص شوند و خودشان رئیس خودشان باشند، حالا این تلفن هوشمندشان است که به نحوی ناعادلانه مدیریتشان می‌کند. اما یک الگوریتم چگونه می‌تواند ظالم و بی انصاف باشد؟

الگوریتم‌های ظالم

سال ۲۰۱۳، سرویس ارسال غذایی با نام «دلیورو» (Deliveroo) در لندن تاسیس شد. دلیورو که با ارزشی نیم میلیارد دلاری، یکی از موفق‌ترین استارتاپ‌های اروپا محسوب می‌شود، هم اکنون با داشتن بیش از ۲۰ هزار نفر پیک در ۸۴ شهر و ۱۲ کشور دنیا حضور دارد.

هنگامی که شخصی توسط دلیورو غذا سفارش می‌دهد، نوتیفیکیشنی روی تلفن هوشمند نزدیک‌ترین پیک به رستوران مورد نظر به نمایش در می‌آید که تنها ۳۰ ثانیه فرصت برای قبول آن و فشردن دکمه‌ی «Accept delivery» وجود دارد. در این نوتیفیکیشن تنها آدرس رستوران نمایش داده می‌شود و اپلیکیشن تا زمانی که غذا را از رستوران تحویل نگرفته باشید، به شما نمی‌گوید آدرس مقصد غذا کجا است. وقتی هم که غذا را از رستوران تحویل گرفتید، اگر آدرس محل تحویل غذا بسیار دور باشد یا به هر دلیلی نخواهید به آن مکان بروید، مسئولیت رد کردن درخواست بر عهده‌ی خودتان است و روی پروفایل کاری‌تان در اپلیکیشن تأثیر منفی می‌گذارد.

رانندگان اوبر نیز در سرتاسر دنیا تحت کنترل الگوریتم‌های مشابه هستند. درست است که زمان کار کردن به انتخاب خودشان است، اما وقتی وارد اپلیکیشن شوند، تنها ۱۰ تا ۲۰ ثانیه فرصت دارند تا به «درخواست‌های تاکسی» اپلیکیشن پاسخ مثبت بدهند و این درحالی است که مقصد مسافر به آن‌ها گفته نمی‌شود. اگر هم سه درخواست تاکسی را به صورت پشت سر هم از دست بدهند، به صورت اتوماتیک از اپلیکیشن لاگ اوت خواهند شد و ۲ دقیقه طول خواهد کشید تا دوباره بتوانند به حساب کاربری‌شان وارد شوند.

آینده‌ی مدیریت یا بازگشت به دوران استثمار کارگران؟

مدیریت الگوریتمی ممکن است برای بسیاری از افراد، آینده‌ی مدیریت به نظر برسد؛ اما برای بسیاری، یادآور دوران سیاه مدیریت ظالمانه در اوایل قرن بیستم میلادی است. صد سال پیش تئوری جدیدی با نام «مدیریت علمی» (scientific management) توسط فردریک تیلور در آمریکا به شهرت رسید و به‌سرعت در تمامی کارخانه‌های کشور به کار گرفته شد.

تیلور در دوران جوانی برای اینکه بتواند از پس هزینه‌های تحصیل در دانشگاه هاروارد بر بیابد، به کار در یک کارخانه‌ی هیدرولیک مشغول شده بود. او پس از مدتی کار متوجه شد در کارخانه‌ها دو قانون نانوشته‌ی کلی بین کارگر و کارفرما وجود دارد: کارگران تا جایی که می‌توانستند آهسته و کم کار می‌کردند و کارفرما نیز تا جایی که می‌توانست به آن‌ها کم حقوق می‌داد.

تیلور سپس به این فکر افتاد که مجموعه‌ای از قوانین، مقررات و فرمول‌ها را برای بهینه کردن مدیریت نیروی کار ایجاد کند. او برای این منظور پیشنهاد داد مدیرانی مجهز به دستگاه‌های زمان‌سنج و دفترچه یادداشت در سالن تولید کارخانه حضور داشته باشند و با بررسی زمان لازم برای به انجام رسیدن هر مرحله از تولید، بهینه‌ترین روش‌های ممکن را پیدا کنند. تیلور بعدها در سال ۱۹۱۱ تئوری خود را در کتابی با نام «مبانی مدیریت علمی» منتشر کرد. در قسمتی از این کتاب آمده است:

شاید مهم‌ترین عنصر در مدیریت علمی، ایده‌ی «شرح وظیفه» باشد. شرح وظیفه نه‌تنها مشخص می‌کند که هر کس باید دقیقا چه کاری انجام بدهد، بلکه زمان دقیق مجاز برای انجام آن کار را نیز تعیین می‌کند.

تیلور بسیاری از ایده‌های خود را روی ۶۰۰ نیروی کار یک کارخانه‌ی فولاد به بوته‌ی آزمایش گذاشت. برای مثال، او به این نتیجه رسیده بود که بهینه‌ترین روش برای بیل زدن، با جابجایی ۹.۵ کیلوگرم جرم در هر بیل حاصل می‌شود. او سپس بیل‌هایی کوچک برای سنگ معدن و بیل‌هایی بزرگ برای جابجایی خاکستر سفارش داد که هر دو ظرفیتی برابر با ۹.۵ کیلوگرم از ماده‌ی مورد نظر داشتند. کارگران هر روز صبح به دفتری مراجعه می‌کردند که در آنجا یک تکه کاغذ حاوی اطلاعات لازم برای انتخاب ابزار مورد نیاز، و قطعه‌ی دیگری کاغذ که در برگیرنده‌ی عملکرد روز گذشته‌شان بود به آن‌ها داده می‌شد.

بسیاری از این کارگران خارجی بودند و سواد خواندن و نوشتن نداشتند. برای همین تیلور کاغذهای عملکرد را در رنگ‌های مختلف تهیه می‌کرد. برای مثال، رنگ زرد نشان می‌داد که عملکرد کارگر پایین‌تر از حد انتظار بوده است و در نتیجه نتوانسته است به میزان دستمزد ۱.۸۵ دلار روزانه‌ی خود دست پیدا کند. می‌توان تصور کرد که کارگران بیچاره برای رسیدن به دستمزد مقرر روزانه تحت چه فشاری بوده‌اند.

چارلز هارا، صاحب کارخانه‌ی استیل میدویل به تیلور گفته بود:

می‌دانی می‌خواهم با این چند میلیون دلار اضافه که به لطف روش‌های تو به دست آمده چکار کنم؟ مجهزترین تیمارستانی را که جهان تا به حال به خود دیده است، خواهم ساخت و یک طبقه‌ی کامل آن را به تو اختصاص خواهم داد.

با این وجود، مدیریت علمی توانست در اوایل قرن بیستم میلادی در آمریکا به موفقیت چشمگیری دست پیدا کند. همین تئوری بود که خطوط تولید عظیم هنری فورد را ممکن ساخت و اثرات آن را هنوز هم در کارخانه‌های سرتاسر دنیا می‌توان  یافت؛ با این تفاوت که تکنولوژی‌های جدید جای «دفتر یادداشت و زمان‌سنج» تیلور را گرفته‌اند.

برده‌داری نوین

بسیاری از کارگران انبارهای شرکت‌های بزرگی چون آمازون از دستگاه‌های قابل حملی استفاده می‌کنند که به آن‌ها  دستورالعمل قدم به قدمِ پیدا کردن بسته‌ای خاص از قفسه‌ای خاص را می‌دهد. همین دستگاه زمان متوسط برداشتن و تحویل بسته توسط هر کارگر را اندازه‌گیری می‌کند.

شاید برای یک ورزشکار حرفه‌ای که از شغل خود لذت می‌برد، گزارش عملکرد کاری و پاداش و تنبیه بر مبنای آن، جالب و حتی لذت بخش باشد؛ اما برای کسی که از ناچاری و برای فراهم کردن هزینه‌ی زندگی در انبارهای آمازون کار می‌کند، چنین سیستمی مانند کابوسی برآمده از کتاب ۱۹۸۴ جورج اورول است.

ارمیا پراسل، استاد حقوق دانشگاه آکسفورد، تکنیک‌های مدیریت الگوریتمی را که شرکت‌هایی چون اوبر و دلیورو از آن‌ها استفاده می‌کنند، تیلوریسم ۲ (Taylorism 2.0) می‌نامد. او در این باره می‌گوید:

الگوریتم‌ها درجه‌ای از کنترل و نظارت روی نیروی کار را فراهم می‌کنند که حتی سرسخت‌ترین تیلوریست‌ها نیز نمی‌توانستند آن را در خواب ببینند.

مقصد بعدی مدیریت الگوریتمی، بخش خدمات است. کارگرانی که در صنعت خدمات مانند خرده‌فروشی‌ها و رستوران‌ها مشغول به فعالیت هستند، تا به امروز از ایده‌های تیلور در امان بوده‌اند. ارزیابی عملکرد کارگران فعال در بخش‌های خدماتی تا پیش از این بسیار دشوار بوده است؛ اما به لطف تکنولوژی‌های جدید مانند اینترنت اشیاء و مدیریت الگوریتمی، ایده‌های فردریک تیلور به این بخش نیز نفوذ خواهند کرد.

بسیاری از مدافعان مدیریت الگوریتمی عقیده دارند این روش مزایای فراوانی با خود به همراه می‌آورد. برای مثال، الگوریتم در میان کارگران آشنا و فامیل ندارد که به آن‌ها پاداش خلاف عرف بدهد. همچنین برای یک الگوریتم، مشخصه‌هایی چون نژاد، رنگ پوست، جنسیت یا مذهب اهمیتی ندارد.

از طرفی منتقدان مدیریت الگوریتمی عقیده دارند که این روش به راهی برای دور زدن قوانین مربوط به حداقل دستمزد تبدیل شده است. شرکت‌های بر مبنای اقتصاد گیگ از بسیاری جهات شبیه به کارفرمایان سنتی هستند؛ اما هیچ کدام از مسئولیت‌های آن‌ها (مانند حداقل دستمزد، تحت پوشش بیمه قرار دادن کارکنان و پرداخت پاداش‌های مناسبتی) را ندارند. درست است که الگوریتم بین انسان‌ها تبعیض قائل نمی‌شود، اما از طرفی نمی‌توانید با الگوریتم صحبت کنید و به او توضیح بدهید که همسرتان به‌تازگی وضع حمل کرده است.

اما با تمام این اوصاف، آنچه غیر قابل انکار است؛ نتیجه‌ی نهایی اقتصاد گیگ برای مصرف‌کننده است. هرچقدر این نوع مدیریت برای کارگران و کارمندان ظالمانه باشد، در نهایت منجر به رسیدن سرویس و کالایی بهتر و ارزان‌تر به دست مشتری می‌شود. بسیاری از منتقدان اقتصاد گیگ مشکلی با استفاده از محصولات تولیدشده در شرایط ظالمانه‌ی کاری در کشورهای در حال توسعه ندارند. شاید بسیاری از این افراد از تلفن هوشمند یا البسه‌ای استفاده کنند که قیمت ارزان آن‌ها به لطف ساخته شدن در شرایط سخت کاری در چین و بنگلادش میسر شده باشد.

در نهایت شاید خود فردریک تیلور بهترین پیش‌بینی را درباره‌ی آینده‌ی اقتصاد گیگ و مدیریت الگوریتمی داشته باشد. او در سال ۱۹۱۱ در کتاب خود درباره‌ی آینده‌ی «مدیریت علمی» نوشته بود:

در نگاه اول، ما تنها دو بازیگر در این داستان می‌بینیم: «نیروی کار» و «کارفرما». اکثر ما بازیگر سوم را نادیده می‌گیریم. مردم، بزرگ‌ترین بازیگر این داستان هستند؛ مشتریانی که محصول را از دو بازیگر اول خریداری می‌کنند. در پایان، این مردم هستند که نحوه‌ی کار را بر کارگر و کارفرما تحمیل خواهند کرد.

نظر شما راجع به اقتصاد گیگ و مدیریت الگوریتمی چیست؟ آیا روش جدید، منجر به افزایش بهره‌وری خواهد شد و به نفع کارکنان خواهد بود یا آن را سیستمی ظالمانه و تنها به سود کارفرمایان می‌دانید؟