Авторка эссе: Гаугау Сафааэ

В начале XXI века корпоративную сферу потрясло новое верование — вера в данные. Эпоха «научного подбора персонала» начала смещать эпоху научного менеджмента. Автоматизация и оптимизация принятия решений — вот что стало главным девизом современной экономики. Особенно сильно это затронуло сферу найма, где со времён пандемии COVID-19 экстенсивно растет популярность алгоритмических систем для фильтрации резюме, оценки кандидатов и прогнозировании их будущей эффективности. Если верить Jobscan то 98% компаний из списка Fortune 500 используют ATS для подбора персонала, а крупные ритейлеры практически полностью перевели процесс найма в цифровую среду.

Как правило, представители крупных рекрутинговых платформ репрезентуют автоматизированный найм как технологический прорыв, способный устранить человеческие ошибки и предвзятости, сделать процесс отбора более эффективным и справедливым. Алгоритмы представляются более объективным инструментом, чьи решения принимаются на основе данных, а не от настроения или первого впечатления интервьюера на собеседовании. Автоматизация в донном случае идет рука об руку с идеей рационализации. Предполагается, что автоматизация делает процесс более прозрачным, последовательным и справедливым, соответственно. На первый взгляд, казалось бы, это торжество меритократии: лишенная человеческих слабостей машина выбирает самого лучшего и достойного.

Однако же за всеми этими утопичными картинами «объективности» скрывается «черный ящик». Алгоритмы не существуют в социальном вакууме, они опираются на исторические данные, которые встроены в институциональные контексты и отражают, как правило, интересы тех, кто их разрабатывает и использует. В итоге, что мы имеем? — автоматизация не устраняет неравенство, а трансформирует его, делая его при этом более устойчивым и менее заметным. Как подчеркивает исследовательница Иофема Аджунва, которой и принадлежит термин «черный ящик найма», речь идёт не только о технической непрозрачности, а о трансформации самой природы трудовых отношений. Алгоритмы не просто помогают принимать решения — они становятся новыми акторами процесса найма, перераспределяя власть между работодателями, работниками и посредниками.

Целью данного эссе я ставлю перед собой критический анализ социальных последствий автоматизации рекрутинга. Мой основной тезис состоит в том, что автоматизированный найм следует рассматривать не как замену традиционных практик отбора, а как их реорганизацию. Алгоритмические системы одновременно изменяют форму неравенства и способы его легитимации: они переводят социальные различия в язык данных и предсказаний, закрепляя их как технически обоснованные результаты. Опираясь на концепции надзорного капитализма, алгоритмической предвзятости и феминистской критики данных, я попытаюсь продемонстрировать, что кажущаяся нейтральность автоматизации не только не устраняет социальное неравенство, но и усугубляет его, создавая пространство для «отмывания данных» и ухода от юридической ответственности.

Классическим аргументом в пользу автоматизированного найма является представления о том, что алгоритмы обеспечивают более высокий уровень объективности в сравнении с человеком. Это утверждение, как правило, зиждется на представлении о том, что данные -нейтральное отражение реальности, а алгоритм соответственно — инструмент беспристрастной обработки. Однако оба утверждения нуждаются в критическом пересмотре.

Данные, используемые в системах найма, формируются на основании предыдущих практик отбора, соответственно они отражают решения, принимаемые людьми в конкретных институциональных условиях. Допустим, если компания на протяжении длительного времени предпочитала кандидатов с конкретным образовательным бэкграундом или из определенных социальных групп, это будет отражено в данных. Алгоритм, обученный на подобных данных будет отражать эту предвзятость. Таким образом, данные не являются «сырыми» и нейтральными. Они всегда уже интерпретированы и структурированы. Как убедительно показывают Д’Иньяцио и Кляйн в «Data Feminism», данные никогда не бывают «сырыми»; они всегда «сделаны» (cooked) людьми, наделенными властью и собственными предубеждениями. Когда мы делегируем принятие решений алгоритму, обученному на исторических данных, мы все равно, что консервируем прошлые предрассудки под видом будущей эффективности.

В результате можно утверждать, что «алгоритмическая объективность» — это не свойство, а эффект восприятия и социальная легитимизация. Вера в «объективность» возникает из доверия к технологии, а не от отсутствия предвзятости. Как отмечают исследователи Бойд и Кроуфорд, вокруг больших данных сформировалась мифология, наделяющая их «аурой истины, объективности и точности». Эта аура служит в качестве легитимизации решений, которые на самом деле могут быть основаны на ложных корреляциях, и не иметь причинно-следственной связи.

Одной из центральных идей исследовательницы Иофемы Аджунвы является идея о том, что автоматизация найма трансформирует саму логику управления трудом — от наблюдения к предсказанию. Раньше работодатель оценивал кандидата основываясь на уже проявленных качествах, сейчас же алгоритмы пытаются предсказать будущую продуктивность и лояльность. Анджува предлагает идею того, что автоматизированный найм — всё ещё продолжение уже привычных нам практик, только в более изощренном формате. То есть, если традиционные методы отбора персонала опирались на субъективную оценку рекрутера, то алгоритмические системы переводят эти процессы в стандартизированные метрики, воспринимающиеся как объективные. При этом критерии отбора остаются за рамками публичного обсуждения, эдакий «чёрный ящик».

Подобный сдвиг (от наблюдения/оценки к предсказанию) несет за собой несколько важных последствий:

— Усиливается значимость поведенческих данных. Например, если мы говорим про системы анализа видеособеседований, они оценивают микровыражения лица, интонацию, темп речи. Подобные параметры могут интерпретироваться как индикаторы определённых личностных качеств, хотя их научную валидность можно спорить.

— Происходит «расширение зоны наблюдения». Кандидатов оценивают не только по профессиональным данным, но и по цифровым следам: активности в социальных сетях, сетевым связям, что значительно размывает границы между профессиональной и личной сферой. Из этого вытекает следующая проблема.

— Новая форма асимметрии власти. Работодатель получает фактически ко всем сферам жизни кандидата, тогда как сам кандидат не имеет представления о том, какие именно данные используются и как они интерпретируются.

Исследовательница подчеркивает, что подобная асимметрия делает алгоритмические решения фактически неоспоримыми. Человек получает отказ и не знает, на каком основании это произошло, что означает невозможность оспорить решение. В итоге мы имеем «чёрный ящик», который требует от работника максимальной прозрачности, но при этом не спешит становиться прозрачным. Это создает фундаментальный парадокс, лежащий в основе современных алгоритмических систем управления трудом.

Зачастую необходимость автоматизации аргументируют необходимостью устранения человеческих ошибок. Однако если углубиться, то речь скорее не о устранении, а о трансформации.

Человеческая предвзятость, какой бы неприятной она не была, носит в себе характеристики, делающие её принципиально оспоримой.

Человеческая предвзятость локальна. Она принадлежит конкретному человеку и имеет адресата. Кандидат, столкнувшийся с несправедливостью знает к кому конкретно обратиться с вопросами.

Человеческая предвзятость изменчива и непоследовательна. Человеческая предвзятость может колебаться от настроения, от состояния здоровья, контекста и пр. Также важно отметить, что она также встроена в коммуникацию, то есть существует в пространстве диалога.

Человек обладает рефлексивностью. Самоанализ может привести к корректировке поведения.

Если опираться на идею Пасквинелли о том, что «измерять» все равно, что навязывать определенную норму, то человеческая предвзятость хоть и является навязываемой нормой, но хотя бы артикулированной. То есть рекрутер, создает определенную шкалу, релевантные для себя параметры, например «нам нужны кандидаты с опытом не менее 5 лет», но кандидату остается пространство для оспаривания, т. е. он может сказать «мой опыт работы 3 года, но за это время я реализовал проекты, занимающие 5 лет».

Алгоритмическая предвзятость совсем иное дело.

Во-первых, она масштабируема т. е одна модель к тысячи кандидатов.

Во-вторых, она системна т. е встроена в инфраструктуру и воспроизводится автоматически. И наконец, она не прозрачна, для кандидатов точно, но порой даже для самих пользователей систем. Это делает алгоритмическую предвзятость не артикулируемой нормой, что несет за собой следующие последствия:

— Невозможность оспаривания;

— Навязывания нормы без рефлексии;

— Размывание ответственности;

— Легитимизация дискриминации становится более эффективной.

Таким образом, можно утверждать, что автоматизация вовсе не уничтожает предвзятость, а тащит ее из оспариваемых артикулированных норм, в область скрытых математических зависимостей без возможности диалога. Что делает алгоритмическую предвзятость намного более устойчивой и трудной для выявления.

Крайне иллюстративным кейсом того, как в реальности работает «чёрный ящик» и как он воспроизводит неравенство — нашумевшая история с Amazon. В 2018 году стало известно, что Amazon создал систему автоматического отбора резюме, которая систематически дискриминировала женщин. Алгоритм, был обучен на резюме, приходящиеся на тот 10-летний период, когда в технологическом секторе доминировали мужчины. Алгоритм понижал рейтинг резюме, содержащих слово «women's», например, в выражении «women's chess club captain», а также понижал рейтинг выпускников двух женских колледжей. Это классический пример принципа «предвзятость на входе — предвзятость на выходе».

Важно оговориться, что дискриминация не была «вшита» в алгоритм напрямую, а возникла как побочный эффект так как обучение проходило на данных, уже отражающих существующие практики. Алгоритм лишь интерпретировал реальность, принимая гендерные паттерны за профессиональную непригодность.

Этот кейс подчеркивает фундаментальную проблему: даже при условии отсутствия намеренной дискриминации, алгоритм воспроизводит структурное неравенство, вшитое в данные.

Следующий важный кейс — использование систем анализа видеособеседований, таких как HireVue. Эти платформы оценивают кандидатов на основе их речи, мимики и поведения перед камерой. Алгоритмы могут учитывать сотни параметров, включая частоту улыбок, длительность пауз и особенности голоса.

Критику подобных систем можно разделить на два аспекта:

1. Научная обоснованность подобных систем остаётся весьма сомнительной. Доказательность устойчивых корреляций между микровыражениями, интонацией и профессиональной успешностью остаётся предметом научной дискуссии.

2. Алгоритмы подобных систем могут создавать дополнительные риски для кандидатов с акцентами или нейродивергентностью.

Кандидат, говорящий с акцентом или использующий «нестандартные» вербальные паттерны, рискует получить на подобном собеседовании более низкую оценку, не имеющую отношения к его профессиональным качествам.

Можно утверждать, что подобные системы пусть и не намеренно, но формируют новые нормы поведения. Кандидаты начинают тренироваться «правильно» вести себя перед камерой, подстраиваясь под предполагаемые ожидания алгоритма, что приводит к стандартизации самопрезентации и снижению разнообразия.

Особенно показательным кейсом относительно алгоритмической «объективности «мне кажется история нашумевшая недавно в рунете. Пользователь threads под псевдонимом oscarlansky поделился своим экспериментом. Столкнувшись с необходимостью оценить качество работы одной из крупных российских HR-платформ, он решил провести практическую проверку. Им было создано и размещено десять тестовых резюме. Среди них было несколько серьёзных (например, на аналитика данных) и одно — откровенно шуточное, содержавшее вместо описания профессионального опыта рецепт пельменей.

Результат эксперимента удивил даже самого автора. Шуточное резюме с рецептом пельменей начало набирать просмотры, попадать в выдачу и демонстрировать конверсию, сравнимую с серьёзными резюме. Более того, именно это резюме первым получило оффер. Когда автор связался с рекрутёром и объяснил ситуацию, обратив внимание на абсурдность содержания резюме, реакция оказалась не менее красноречивой: рекрутер не только не был разочарован, но и предложил автору офер на позицию фронтенд-разработчика, несмотря на то, что реальная профессиональная сфера автора не имела к этому никакого отношения.

Данный кейс хорошо иллюстрирует, что в конкретном эксперименте формальные признаки резюме могли сыграть существенную роль в его ранжировании. Однако делать из этого вывод, что современные ATS в целом работают только по ключевым словам, было бы слишком сильным обобщением.

Это обнажает «отмывание данных» в его наиболее абсурдной форме. Алгоритм сгенерировал кандидата, которого рекрутер, полагаясь на «объективность» системы, воспринял как реального и перспективного. И даже после прямого указание на абсурдность ситуации рекрутер был готов сделать предложение, что говорит о глубокой укоренённости логики: если алгоритм «одобрил», значит, кандидат заслуживает внимания.

Отдельно стоит отметить роль алгоритмов крупных HR-платформ, где ATS давно перестали быть исключительно маркетинговым инструментом и стали полноценной частью инфраструктуры найма.

• Workday использует ИИ для поднятия наиболее подходящих кандидатов и автоматизации скрининга.

• Oracle Recruiting ускоряет найм и приоритезирует профили.

• SAP SuccessFactors извлекает навыки из резюме и сопоставляет их с требованиями вакансий.

• HH.ru применяет сразу несколько автоматизированных систем: «Умный поиск», анализирующий 700+ параметров каждого резюме, ранжирование по релевантности, авторазбор откликов, сортирующий кандидатов по структурированным параметрам.

Все эти системы используют формализованные критерии, хотя современные системы могут учитывать и смысловую схожесть. Алгоритмы ранжируют профили, определяя, кто, будет замечен работодателем, что усиливает скорее значение умения подбирать правильные ключевые слова, чтобы пройти фильтр ATS, а не реальных профессиональных навыков.

Одно из значимых изменений в автоматизированном найме последних лет, это переход от оценки индивидуальных характеристик к анализу профилей. Алгоритмы стали все чаще учитывать социальные связи, принадлежность к определённым образовательным и профессиональным сетям, а также цифровую активность кандидатов. Этот поворот означает, что доступ к работе начинает все больше зависеть от социального капитала, но в более скрытой форме.

Что это может означать?

1. Алгоритмы могут отдавать предпочтения кандидатам, которые связаны с уже работающими в компании сотрудниками;

2. Подобный профайлинг на основе поведенческих данных может приписывать кандидату личностные характеристики, которые не проверялись и не подтверждались;

3. Возникает условно новый вид цифрового неравенства — «алгоритмическое неравенство». Кандидаты, знакомые с логикой работы систем, оптимизируют свои резюме и поведение, находясь в заведомо выигрышном положении, в то время как менее информированные находятся в невыгодном положении.

Автоматизация найма структурно трансформирует найм. Там, где раньше было двое, появилось больше действующих лиц. Ранее центральную роль играли рекрутеры и агентства, теперь есть ещё и платформы с алгоритмами, которые становятся, по сути, новым агентом в этой цепочке.

Платформы выступают ключевыми акторами, которые модерируют инфраструктуру найма: собирают данные, задают правила и разрабатывают модели, сосредотачивая в своих руках значительную власть. Аджунва описывает это через понятие «двуликого посредника», который извлекает выгоду из транзакций, оставаясь в центре взаимодействия, но избегая ответственности за результат. Рекрутер в подобной системе трансформируется из аналитика в оператора, подтверждая решение предложенное системой.

На первый взгляд, у работодателя в подобной системе гораздо больше преференций, но подобная конфигурация это не только про оптимизацию процессов¸но и про рост зависимости от технологических поставщиков. Внедряя ATS компания в определённом смысле аутсорсит логику отбора, меняет прозрачность и контроль над механизмом фильтрации на удобный интерфейс.

Традиционные акторы в автоматизированной система найма точно не исчезают, но трансформируются, как и сам найм становится гибридизованным.

Автоматизация найма трансформирует практика, как для соискателей, так и работодателей.

Для работодателя подобные системы решают главную задачу — снижение затрат и стандартизация решений. Однако же с другой стороны эта рационализация сопровождается делегированием агентности алгоритмам, как правило, разработанным третьей (условно внешней) стороной, что неизбежно влечет за собой размывание ответственности. В логике STS это соответствует проблеме «many hands»: в случае, если произошел прецедент дискриминации, становится трудно определить, кто именно несёт ответственность — компания, разработчик или сама система.

Алгоритмы наделяются аурой нейтральности и неподкупности. Результаты алгоритма воспринимаются самодостаточными и надежными индикаторами, ведь алгоритм представляет собой непрозрачный «черный ящик». В терминах организационной теории подобные практики можно рассматривать как рационализированные мифы. Люди следуют правилу не, потому что это помогает принять верное решение, в потому что так принято и выглядит солидно.

Под влиянием этого мифа формируется парадокс, где алгоритмические ошибки не просто отображают реальность, но и участвуют в ее конструировании. Например, исследования показывают, что женщины, нанятые с помощью алгоритма, воспринимаются коллегами как более «заслуженные», чем нанятые человеком.

Что же касается соискателей, они вынуждены постоянно адаптироваться к непрозрачным и трудно интерпретируемым системам оценки. Возникает что-то вроде алгоритмической «правительственности», когда возникает режим самодисциплины, при котором поведение регулируется не напрямую через требования, а внутренними ожиданиями системы.

Также это влияет на агентность кандидатов. Их профессиональный опыт редуцируется до набора данных, интерпретируемых без их участия. Это неизбежно ведет к стрессу связанному с неопределенностью и невозможностью выйти на диалог и «защитить» себя и свой опыт.

Теории, несомненно, рисуют мрачную картину о всевластном алгоритме, но что на практике? Практика, к сожалению, тоже показывает, как трудно обуздать «чёрный ящик найма».

Казалось бы, что трудного в том, чтобы улучшить качество данных, однако же это не сотрет их социальной обусловленности. Годы неравенства, увы, не выкинуть и не стереть.

Независимый аудит тоже не всегда работает, так как многие алгоритмы являются коммерческой тайной.

В контексте регулирования тоже неясно, с какой точки подступиться к вопросу. Кто несет ответственность за решение, принятое алгоритмом?

Весьма ярким примером является Нью-Йоркский Локальный закон 144 — первый в США закон касающийся ИИ в сфере найма. Закон обязывает работодателей проводить независимый аудит алгоритмов на предмет предвзятости и уведомлять кандидатов об использовании AEDT (Automated Employment Decision Tools). С первого взгляда, это прорыв: закон требует прозрачности и даже дает кандидату право на отказ от автоматической оценки.

Однако аудит, проведенный Главным контролером Нью-Йорка в конце 2025 года, показал, что правоприменение практически не работает. Основные выводы аудита не могут не удивить:

1. Провал в приеме жалоб: 67% тестовых звонков на горячую линию по вопросам AEDT были направлены не по адресу: из 12 звонков только 3 (25%) были правильно переведены в DCWP, 8 (67%) были направлены в Департамент труда штата Нью-Йорк, а один — обратно работодателю.

2. Поверхностные проверки: Регулятор проверил 32 публичных отчета об «аудитах предвзятости» и нашел нарушения только в одном случае. Однако собственная проверка аудиторов выявила как минимум 17 потенциальных нарушений в тех же самых отчетах.

3. Отсутствие компетенций: Агентство не использовало формальные процедуры правоприменения и не привлекало экспертов по технологиям для анализа сложных случаев.

Очевидно одно, регулирование отстает от технологий и даже когда вырабатывается правовая норма, оказывается что у государства нет ни ресурсов, ни компетенций для правоприменения.

Более того, работодатели всё ещё могут отказаться раскрывать логику работы алгоритма, ссылаясь на «коммерческую тайну» и защиту интеллектуальной собственности.

Анализ демонстрирует, что автоматизация несет в себе как элементы новизны, так и преемственности. Важно лишь отличать реальные трансформации от продолжения существующих практик.

Меняется:

— Масштаб анализа данных: алгоритмы позволяют обрабатывать большие объёмы информации, выявляя сложные зависимости, недоступные человеку. Кейс с рецептом пельменей показывает, что этот масштаб не гарантирует качества.

— Скорость принятия решений: решения принимаются практически мгновенно, что ускоряет процесс отбора.

— Непрозрачность процессов: логика принятия решений скрыта за коммерческой тайной и технической сложностью.

— Расширение источников данных: в анализ включаются поведенческие параметры, цифровые следы и пр.

— Новые формы контроля: возникает неравенство предсказуемости и алгоритмическая грамотность как новые факторы социальной дифференциации.

— Новые акторы: платформы становятся центральными посредниками, концентрируя власть и снимая с себя ответственность.

— Абсурдизация отбора: как показывает кейс с пельменями, алгоритмы могут принимать решения, полностью оторванные от смысла, что создаёт новые формы неопределённости.

Остается:

— Неравенство: классовые, гендерные и расовые различия продолжают определять доступ к возможностям, но теперь они опосредованы алгоритмическими механизмами.

— Роль неформальных связей: социальный капитал остаётся важным фактором, но теперь он действует через скрытые алгоритмические механизмы.

— Асимметрия власти: работодатель сохраняет доминирующую позицию, а работник остаётся в уязвимом положении.

Исходя из всего вышеуказанного, можно утверждать, что, алгоритмы не создают новых особо значимых форм неравенства, но усиливают и бетонируют уже существующие, делая их при этом менее видимыми и более нормализованными.

Критический анализ автоматизированного найма демонстрирует, что проблема не в технике, а вновь, в людях. Речь о фундаментальных вопросах: что за данные используются, где и как они собираются, какие критерии считаются значимыми и кто ответственен за алгоритмы.

Возможные варианты регулирования:

— Прозрачность: обязательное раскрытие логики работы алгоритмов, используемых при найме.

— Независимый аудит алгоритмов: создание независимых структур, способных проверять системы на предмет предвзятости и элементарной способности отличать осмысленное содержание от бессмысленного набора ключевых слов.

— Ограничение использования определённых типов данных: запрет на использование данных, которые могут косвенно коррелировать с дискриминационными категориями.

— Участие различных групп в разработке систем: вовлечение экспертов, представителей уязвимых групп и профсоюзов в процесс проектирования.

— Право на человеческое рассмотрение. Кандидат должен иметь всегда возможность пройти собеседование с человеком в случае спорных, по его мнению моментов.

Конечно, надо понимать, что вероятно ни одно технические решения не сможет полностью устранить социальные проблемы. Предложенная Тейлор и соавторами перспектива «дата-юстиции», гласит, что управление ИИ должно начинаться с управления данными и возвращения суверенитета над личной информацией самому человеку. Кто знает, быть может единственный способ «победить черный ящик» не в попытках заглянуть внутрь, а в том, чтобы установить границы.

Автоматизированные системы найма это не только и не столько инструмент эффективности, сколько с одной стороны, новая оптика, под которой формируется наша реальность, а с другой механизм перераспределения власти, формирующий новые критерии оценки и воспроизводящий неравенство.

Алгоритмы вопреки нашим ожиданиям о «беспристрастности», не устраняют дискриминацию, а напротив, уводят ее в тень и делают более устойчивой.

Главная проблема состоит преимущественно не в эффективности таких систем, а в том, какую социальную реальность они воспроизводят и создают. К сожалению, без прозрачности и регулирования автоматизация найма так и продолжит выдавать на замаскированное под объективность неравенство.

1. Ajunwa, I. (2020). The "black box" at work. Big Data & Society, 7(2). [https://journals.sagepub.com/doi/10.1177/2 053 951 720 938 093]

2. boyd, d., & Crawford, K. (2012). Critical questions for big data: Provocations for a cultural, technological, and scholarly phenomenon. Information, Communication & Society,

3. D’Ignazio, C., & Klein, L. F. (2020). Data Feminism. MIT Press.

4. DLA Piper. (2026, January 30). Critical audit of New York City’s AI hiring law signals increased risk for employers. [https://knowledge.dlapiper.com/dlapiperknowledge/globalemploymentlatestdevelopments/2026/New-York-Critical-audit-of-New-York-Citys-AI-hiring-law-signals-increased-risk-for-employers]

5. Kitchin, R. (2014). Conceptualizing data. In The data revolution: Big data, open data, data infrastructures and their consequences.

6. Threads. www.threads.net/@oscarlansky

7. Metcalf, J., Moss, E., & boyd, d. (2019). Owning ethics: Corporate logics, Silicon Valley, and the institutionalization of ethics. Social Research: An International Quarterly. [https://datasociety.net/wp-content/uploads/2019/09/Owning-Ethics-PDF-version-2.pdf]

8. Office of the New York State Comptroller. (2025, December 2). DiNapoli: New Yorkers deserve a transparent hiring process when artificial intelligence is used to vet their job applications. [https://www.osc.ny.gov/press/releases/2025/12/dinapoli-new-yorkers-deserve-transparent-hiring-process-when-artificial-intelligence-used-vet-their]

9. Пасквинелли, М. (2024). Измерять и навязывать. Социальная история искусственного интеллекта. Litres.

10. Taylor, L., de Souza, S. P., Martin, A., & López-Solano, J. (2025). Governing artificial intelligence means governing data: (Re)setting the agenda for data justice. Dialogues on Digital Society. [https://journals.sagepub.com/doi/epub/10.1177/29 768 640 241 306 800]

11. Зубофф, Ш. Эпоха надзорного капитализма: битва за человеческое будущее на новых рубежах власти (А. Ф. Васильев, пер.; Я. Охонько & А. Смирнов, ред.). Изд-во Ин-та Гайдара. (Главы 1, 2)