«Les oportunitats estan a tot arreu», «els teus horaris, els teus ingressos», «converteix-te en el teu propi cap» i altre mottos de companyies de falsos autònoms com Glovo i Cabify ens assalten diàriament. Des de fa un parell d’anys, les lògiques del capitalisme han mercantilitzat processos abans intocables, com demanar el menjar, fer la compra o conduir. Per descomptat, aquestes activitats ja tenien precedents (pizzes a domicili, taxis), però aquests no venien acompanyats de la nova revolució: els algorismes. I si algú ha sabut aprofitar-los, ha sigut Uber, rei intocable de l’explotació per algorismes i el be your own boss. Però què hi ha darrere d’aquests algorismes i quin efecte tenen sobre els treballadors?
Quan demanem un Uber, diversos conductors al voltant de nosaltres tenen l’opció d’acceptar o no el treball en 15 segons. L’algorisme darrere d’això té diverses variables en compte: el nombre de viatges que ha fet el conductor, la ràtio d’acceptació (del conductor) i cancel·lació (dels passatgers), la valoració i factors particulars com el lloc i moment. Aquestes dues variables (valoració i particularitat) són les més interessants a tractar des del punt de vista digital.
Primer (Rosenblat, 2016), la valoració: Uber treballa amb un sistema de ràtings, de zero a cinc estrelles, que donen els passatgers als conductors. Al principi és el que s’exigeix a qualsevol treballador de cara al públic. Però les valoracions tenen un rol especial en els treballs algorítmics: mentre que les valoracions que deixa un consumidor sobre el servei en un restaurant poden ser valorades pel gestor, en aquest cas es tracta d’un exemple clàssic de «el consumidor sempre té la raó». L’algorisme no valora, només processa; comprensible donada la quantitat de dades que ha de manejar. Però això té conseqüències terribles: si el conductor té menys de 4.6 estrelles, serà «suspès». No acomiadat, perquè no estava treballant per a Uber, sinó suspès del servei. Aquesta por està estesa entre els conductors –i per això intenten oferir el millor als passatgers, des de menjar (abans de la pandèmia) fins a guions de converses vàcues que no puguin anar malament. Això, per descomptat, imposa un estrès increïble sobre els treballadors: és un ull que mai deixa de mirar, un Gran Germà que valora cadascuna de les accions a través del consumidor, i que fa que canviï el seu comportament per a complaure a l’algorisme. Però a més, l’algorisme és cec –encara que nosaltres no ho siguem. A Espanya no s’han donat encara, però als Estats Units són comuns els casos de racisme dels passatgers als conductors (qui solen ser persones de color o immigrants (Smiley, 2020)), des d’insults a valoracions negatives que per descomptat poden deixar suspesos als conductors (Eidelson, 2020), que ja ha estat portat a judici en el cas Liu vs. Uber. Un missatge de suspensió automàtic que deixa sense ingressos als conductors i amb un servei d’atenció que és, segons es diu, informal.
La segona variable que ens interessava era la de les particularitats, un altre agreujant de l’estrès. Uber es regeix per situacions ‘particulars’, hores puntes, llocs i moments específics on hi ha major afluència de viatges i els preus pugen temporalment. Per exemple, els llocs tendeixen a ser les grans ciutats (Madrid, Barcelona), però els moments varien. Els diversos estudis de Rosenblat mostren que a Nova York se solen donar al llarg dels matins, mentre que a Londres ocorre de matinada. El que passa amb això, i de nou mostrat per Rosenblat, és que aquestes situacions particulars no deixen lliure al conductor per molt que sigui ‘el seu propi cap’. Un conductor que tanqui el seu torn a les 11 de la nit se sentirà pressionat a continuar conduint en l’hora punta, quan pot guanyar més diners. El treball mai acaba si l’estrès, deliberadament reforçat per l’algorisme, no ho permet; i en casos com la nevada de Nova York de 2013, també juga amb les vides dels treballadors: els preus es van quadruplicar fent que molts treballadors conduïssin sota perill de quedar atrapats per la neu (The Economist, 2016). Un és lliure d’anar-se’n, perquè és el seu propi cap, tret que l’algorisme d’Uber (què decideix quan i on hi ha una hora punta sobre la base de variables que també han de ser revisades per l’ètica algorítmica general, com l’obtenció de dades privades com la localització, o la creació de rutines personalitzades per a l’usuari) així ho consideri.
Però tot això pot ser generalitzat sobre la gestió algorítmica, terme encunyat per Min Kyung Lee (2018). La gestió algorítmica pot tenir una versió feble i una forta: en la feble, les decisions preses per humans són recolzats per algorismes; en la forta, les decisions són preses per algorismes. Mentre que els estudis de Rosenblat i Lee (per separat) mostren que el primer cas pot portar a un major conflicte entre l’empresa i el treballador (qui veu a l’algorisme com un instrument parcial cap al qual decideixi l’empresa), el segon cas no provoca una resposta conflictiva, però sí una més negativa: l’empresa, el cap i l’algorisme són una i la mateixa cosa que dictamina les ordres. Però Lee (et al., 2021) també veu amb bons ulls la gestió algorítmica en la seva versió participativa. Els algorismes no són el mal per si mateix; com tota eina, beneficia a qui l’empunya. En l’estudi de Lee, es va oferir als treballadors triar diverses tasques que avaluaven segons les seves preferències i un algorisme (de manera imparcial) col·locava a cada treballador en tasques que, de mitjana, preferien sobre les tasques triades per la gestió humana.
En qualsevol cas, el fonamental de l’estudi de Lee és que la gestió algorítmica provoca una resposta diferent a la gestió humana; com expliquen Crawford & Calo (2016), gran part dels treballadors temen, no tant que els algorismes i la IA puguin llevar-los el treball, sinó que els algorismes siguin injustos i opacs. I, potencialment, aquesta gestió algorítmica té un major grau d’explotació tant per tot el que hem dit fins ara com per l’opacitat de l’algorisme.
Respecte a l’opacitat de l’algorisme, les grans empreses de l’era digital s’han beneficiat de la lògica capitalista després de les patents i la propietat intel·lectual: tret que ho dictamini la llei, un algorisme no ha de ser públic perquè és un actiu més de l’empresa, una manera més d’aconseguir un benefici. Aquí ens referim a la segona part del nostre article sobre ètica algorítmica, on expliquem que l’opacitat d’un algorisme el fa perillós per a la societat i en aquest cas per al benestar dels treballadors. Exemple d’això: en 2017, Uber va canviar, sense avisar a ningú, una part clau del seu algorisme, el surge pricing, el preu dinàmic, aquell que canvia segons la demanda i les particularitats espaciotemporals de la localització del conductor que ja hem explicat. El canvi d’Uber va consistir a apujar lleugerament els preus que cobrava als consumidors i abaixar el salari que pagava als conductors per a emportar-se un major benefici (Rosenblat 2018a). Uber mai va notificar als seus usuaris (i més important, als seus conductors) d’aquest canvi, un «petit experiment», com es va excusar Uber, que jugava amb la possibilitat dels treballadors d’arribar a fi de mes.
Per descomptat, Uber no hauria dit res si no fos perquè els treballadors, en diversos fòrums, es van adonar d’això. Una última anotació sobre això: l’algorismització no és causa de l’aïllament del treballador (que porta ocorrent dècades) però sí que és un agreujant. Un article sobre fòrums de conductors d’Uber (Rosenblat, 2018b) explora de manera superficial la donis-sindicalització del treball digital, la qual cosa permet una major explotació. L’aïllament del treballador, la seva pèrdua de consciència de grup, ha estat resultat de la seva desestabilització laboral (treballs més temporals on és complicat crear una cosa duradora com un sindicat) i altres factors, però la gestió algorítmica pot fer que l’asimetria de poder amb l’empresa sigui encara major, alguna cosa a explorar pels estudis interdisciplinaris de la regulació i la tecnologia. Però d’antuvi els treballadors digitals, com els conductors d’Uber, perden poder de negociació amb la seva empresa i es disgreguen en treballadors individuals, incomunicats amb els seus iguals. No obstant això, projectes com la gestió algorítmica participativa de Lee i la regulació d’algorismes poden oferir un futur més brillant.
Crawford & Calo, 2016: https://www.nature.com/articles/538311a
The Economist, 2016: https://www.economist.com/business/2016/01/28/flexible-figures
Eidelson, 2020: https://fortune.com/2020/10/26/uber-lawsuit-drivers-fired-low-ratings-racial-discrimination/
Lee, 2018: http://minlee.net/materials/Publication/2018-AlgoManagePerception.pdf
Lee et al., 2021: http://minlee.net/materials/Publication/2021_AIES-WorkerWellBeing.pdf
Rosenblat, 2016: https://ijoc.org/index.php/ijoc/article/view/4892/1739
Rosenblat, 2018a: https://www.nytimes.com/2018/10/12/opinion/sunday/uber-driver-life.html
Rosenblat, 2018b: https://www.fastcompany.com/40501439/the-network-uber-drivers-built
Smiley, 2020: https://www.theguardian.com/commentisfree/2020/oct/29/uber-lyft-racist-business-model-prop-22
