Automation anxiety has been spreading lately, a fear that in the future, many jobs will be performed by machines rather than human beings, given the remarkable advances that are unfolding in artificial intelligence and robotics. What's clear is that there will be significant change. What's less clear is what that change will look like. My research suggests that the future is both troubling and exciting. The threat of technological unemployment is real, and yet it's a good problem to have. And to explain how I came to that conclusion, I want to confront three myths that I think are currently obscuring our vision of this automated future.
L’anxiété au sujet de l’automatisation s’est récemment répandue, une peur qu’à l’avenir de nombreuses tâches soient faites par des machines plutôt que des êtres humains, étant données les remarquables avancées qui se produisent en intelligence artificielle et en robotique. Ce qui est clair, c’est qu’il y aura d’importants changements. Ce qui est moins clair, c’est à quoi ces changements ressembleront. Mes recherches suggèrent que l’avenir est à la fois inquiétant et prometteur. La menace du chômage technologique est réelle, mais c’est un bon problème à avoir. Pour expliquer comment j’en suis venu à cette conclusion, je veux confronter trois mythes qui, à mon avis, obscurcissent notre vision de cet avenir automatisé.
A picture that we see on our television screens, in books, in films, in everyday commentary is one where an army of robots descends on the workplace with one goal in mind: to displace human beings from their work. And I call this the Terminator myth. Yes, machines displace human beings from particular tasks, but they don't just substitute for human beings. They also complement them in other tasks, making that work more valuable and more important. Sometimes they complement human beings directly, making them more productive or more efficient at a particular task. So a taxi driver can use a satnav system to navigate on unfamiliar roads. An architect can use computer-assisted design software to design bigger, more complicated buildings.
Une image que nous voyons sur nos écrans de télé, dans les livres, les films, les commentaires est celle d’une armée de robots envahissant le monde du travail avec un objectif en tête : remplacer les êtres humains dans leur travail. J’appelle cela le mythe de Terminator. Oui, les machines remplacent les humains dans des tâches particulières, mais elles ne remplacent pas les êtres humains. Elles les complètent dans d’autres tâches, augmentant la valeur et l’importance de ce travail. Parfois, elles complètent les êtres humains directement, en les rendant plus productifs, plus efficaces pour une tâche en particulier. Un chauffeur de taxi peut utiliser le système de navigation satellite sur des routes inconnues. Un architecte peut utiliser un logiciel de conception assistée pour concevoir des bâtiments plus grands et plus compliqués.
But technological progress doesn't just complement human beings directly. It also complements them indirectly, and it does this in two ways. The first is if we think of the economy as a pie, technological progress makes the pie bigger. As productivity increases, incomes rise and demand grows. The British pie, for instance, is more than a hundred times the size it was 300 years ago. And so people displaced from tasks in the old pie could find tasks to do in the new pie instead. But technological progress doesn't just make the pie bigger. It also changes the ingredients in the pie. As time passes, people spend their income in different ways, changing how they spread it across existing goods, and developing tastes for entirely new goods, too. New industries are created, new tasks have to be done and that means often new roles have to be filled. So again, the British pie: 300 years ago, most people worked on farms, 150 years ago, in factories, and today, most people work in offices. And once again, people displaced from tasks in the old bit of pie could tumble into tasks in the new bit of pie instead.
Le progrès technologique ne complémente pas toujours les humains de façon directe. Il les complémente indirectement et le fait de deux façons. Si nous voyons l’économie comme un gâteau, le progrès technologique agrandit le gâteau. Quand la productivité augmente, les revenus et la demande augmentent. Le gâteau britannique, par exemple, est plus de 100 fois plus gros qu’il y a 300 ans. Les gens évincés de tâches dans l’ancien gâteau peuvent trouver des tâches dans le nouveau gâteau. Mais le progrès technologique ne fait pas qu’agrandir le gâteau. Il en change aussi les ingrédients. Le temps passant, les gens dépensent leurs revenus différemment, changeant leur dispersion parmi les produits existants et développant des goûts pour de nouveaux produits. De nouvelles industries sont créées, de nouvelles tâches doivent être réalisées et souvent, de nouveaux rôles doivent être remplis. Le gâteau britannique : il y a 300 ans, les gens travaillaient surtout dans des fermes ; il y a 150 ans, dans des usines ; aujourd’hui, la plupart des gens travaillent dans des bureaux. Les gens évincés de tâches dans l’ancien gâteau pouvaient tomber sur des tâches dans le nouveau.
Economists call these effects complementarities, but really that's just a fancy word to capture the different way that technological progress helps human beings. Resolving this Terminator myth shows us that there are two forces at play: one, machine substitution that harms workers, but also these complementarities that do the opposite.
Les économistes appellent ces effets des complémentarités, mais ce n’est qu’un mot raffiné pour capturer la façon différente dont le progrès technologique aide les êtres humains. Résoudre ce mythe de Terminator nous montre qu’il y a deux forces en jeu : la substitution par les machines qui nuit aux travailleurs, mais aussi ces complémentarités qui font le contraire.
Now the second myth, what I call the intelligence myth. What do the tasks of driving a car, making a medical diagnosis and identifying a bird at a fleeting glimpse have in common? Well, these are all tasks that until very recently, leading economists thought couldn't readily be automated. And yet today, all of these tasks can be automated. You know, all major car manufacturers have driverless car programs. There's countless systems out there that can diagnose medical problems. And there's even an app that can identify a bird at a fleeting glimpse.
Le second mythe que j’appelle le mythe de l’intelligence. Qu’ont en commun les tâches de conduite d’une voiture, d’établissement d’un diagnostic et d’identification éclair d’un oiseau ? Ce sont des tâches que, jusqu’à très récemment, d’éminents économiques pensaient ne pas être facilement automatisables. Pourtant, aujourd’hui, toutes ces tâches peuvent être automatisées. Les grands constructeurs automobiles ont des programmes de voitures autonomes. Il y a d’innombrables systèmes pouvant diagnostiquer des problèmes médicaux. Il y a même une application qui peut identifier un oiseau en un éclair.
Now, this wasn't simply a case of bad luck on the part of economists. They were wrong, and the reason why they were wrong is very important. They've fallen for the intelligence myth, the belief that machines have to copy the way that human beings think and reason in order to outperform them. When these economists were trying to figure out what tasks machines could not do, they imagined the only way to automate a task was to sit down with a human being, get them to explain to you how it was they performed a task, and then try and capture that explanation in a set of instructions for a machine to follow. This view was popular in artificial intelligence at one point, too. I know this because Richard Susskind, who is my dad and my coauthor, wrote his doctorate in the 1980s on artificial intelligence and the law at Oxford University, and he was part of the vanguard. And with a professor called Phillip Capper and a legal publisher called Butterworths, they produced the world's first commercially available artificial intelligence system in the law. This was the home screen design. He assures me this was a cool screen design at the time.
Ce n’était pas de la malchance de la part des économistes. Ils avaient tort et la raison à cela est très importante. Ils ont cru au mythe de l’intelligence, la croyance selon laquelle les machines doivent copier la façon de penser et de raisonner des êtres humains afin de les surpasser. Quand ces économistes essayaient de déterminer quelle tâche les machines ne savaient pas faire, ils pensaient que pour automatiser une tâche, il fallait prendre un être humain, qu’il vous explique comment il effectuait une tâche puis essayer de refléter cette explication dans un jeu d’instructions qu’une machine suivrait. Cette vision a aussi été populaire en intelligence artificielle. Je le sais car Richard Susskind, qui est mon père et mon coauteur, a eu son doctorat dans les années 80 sur le sujet de l’intelligence artificielle et la loi à l’université d’Oxford et était un avant-gardiste. Avec un professeur, Phillip Capper, et un éditeur juridique, Butterworths, ils ont créé la première intelligence artificielle en droit disponible sur le marché. C’était le design de la page d’accueil. Il m’a assuré que c’était un design cool à l’époque.
(Laughter)
(Rires)
I've never been entirely convinced. He published it in the form of two floppy disks, at a time where floppy disks genuinely were floppy, and his approach was the same as the economists': sit down with a lawyer, get her to explain to you how it was she solved a legal problem, and then try and capture that explanation in a set of rules for a machine to follow. In economics, if human beings could explain themselves in this way, the tasks are called routine, and they could be automated. But if human beings can't explain themselves, the tasks are called non-routine, and they're thought to be out reach. Today, that routine-nonroutine distinction is widespread. Think how often you hear people say to you machines can only perform tasks that are predictable or repetitive, rules-based or well-defined. Those are all just different words for routine. And go back to those three cases that I mentioned at the start. Those are all classic cases of nonroutine tasks. Ask a doctor, for instance, how she makes a medical diagnosis, and she might be able to give you a few rules of thumb, but ultimately she'd struggle. She'd say it requires things like creativity and judgment and intuition. And these things are very difficult to articulate, and so it was thought these tasks would be very hard to automate. If a human being can't explain themselves, where on earth do we begin in writing a set of instructions for a machine to follow?
Il ne m'a jamais convaincu. Il l’a publié sous la forme de deux disquettes, à l’époque où les disquettes étaient molles, et il avait la même approche que les économistes : prenez un avocat, demandez-lui de vous expliquer comment résoudre un problème légal et essayez de refléter cette explication dans un jeu de règles que la machine suit. En économie, si les êtres humains savent s’expliquer ainsi, les tâches sont appelées des routines et peuvent être automatisées. Mais si les êtres humains ne savent pas s’expliquer, les tâches sont des non routines et sont vues comme hors d’atteinte. Aujourd’hui, cette distinction entre routine et non routine est répandue. Pensez à combien vous entendez des gens dire que les machines effectuent juste des tâches prévisibles ou répétitives, suivant des règles ou bien définies. Ce ne sont que des mots différents pour désigner une routine. Ce sont des cas classiques de tâches de non routine. Revenons-en à ces trois cas que j’ai évoqués au début. Demandez à un médecin comment il établit un diagnostic médical et il pourra vous donner quelques règles de bon sens, mais il aura du mal. Il dira que cela requiert créativité, jugement et intuition. Ce sont des choses difficiles à formuler alors nous pensions que ces tâches seraient difficiles à automatiser. Si un être humain ne sait pas l’expliquer, où commencer pour écrire un jeu d’instructions que la machine puisse suivre ?
Thirty years ago, this view was right, but today it's looking shaky, and in the future it's simply going to be wrong. Advances in processing power, in data storage capability and in algorithm design mean that this routine-nonroutine distinction is diminishingly useful.
Il y a 30 ans, cette perspective était correcte, mais aujourd’hui, elle semble douteuse et à l’avenir, elle sera fausse. Les progrès en puissance de traitement, en capacité de stockage de données et en conception algorithmique rendent cette distinction entre routine et non routine de moins en moins utile.
To see this, go back to the case of making a medical diagnosis. Earlier in the year, a team of researchers at Stanford announced they'd developed a system which can tell you whether or not a freckle is cancerous as accurately as leading dermatologists. How does it work? It's not trying to copy the judgment or the intuition of a doctor. It knows or understands nothing about medicine at all. Instead, it's running a pattern recognition algorithm through 129,450 past cases, hunting for similarities between those cases and the particular lesion in question. It's performing these tasks in an unhuman way, based on the analysis of more possible cases than any doctor could hope to review in their lifetime. It didn't matter that that human being, that doctor, couldn't explain how she'd performed the task.
Pour voir cela, revenez-en à l’établissement d’un diagnostic médial. Cette année, une équipe de chercheurs à Stanford a annoncé avoir développé un système qui peut vous dire si une tache de rousseur est cancéreuse avec la même exactitude que les meilleurs dermatologues. Comment cela marche-t-il ? Il n’essaye pas de copier le jugement ou l’intuition d’un docteur. Il ne connaît ni ne comprend rien du tout à la médecine. Il exécute un algorithme de reconnaissance de formes, parcourant 129 450 cas déjà traités à la recherche de similarités entre ces cas-là et la lésion en question. Il effectue ces tâches de façon non humaine, en se reposant sur l’analyse de plus de cas possibles qu’un docteur ne peut espérer examiner durant sa vie. Peu importe que cet être humain, ce docteur, n’ait pas su expliquer comment il a effectué la tâche.
Now, there are those who dwell upon that the fact that these machines aren't built in our image. As an example, take IBM's Watson, the supercomputer that went on the US quiz show "Jeopardy!" in 2011, and it beat the two human champions at "Jeopardy!" The day after it won, The Wall Street Journal ran a piece by the philosopher John Searle with the title "Watson Doesn't Know It Won on 'Jeopardy!'" Right, and it's brilliant, and it's true. You know, Watson didn't let out a cry of excitement. It didn't call up its parents to say what a good job it had done. It didn't go down to the pub for a drink. This system wasn't trying to copy the way that those human contestants played, but it didn't matter. It still outperformed them.
Il y a ceux qui s’attardent sur le fait que ces machines ne sont pas conçues à notre image. Par exemple, prenez Watson d’IBM, le superordinateur qui a participé à un jeu télévisé américain en 2011 et a battu deux champions humains du jeu. Le jour après sa victoire, le Wall Street Journal a publié un article du philosophe John Searle ayant pour titre « Watson ignore qu’il a gagné à Jeopardy » C’est brillant et c’est vrai. Watson n’a pas crié de joie. Il n’a pas appelé ses parents pour dire ce qu’il avait accompli. Il n’est pas allé boire un verre dans un bar. Ce système n’essayait pas d’imiter la manière de jouer des humains, mais peu importe. Il les a quand même battus.
Resolving the intelligence myth shows us that our limited understanding about human intelligence, about how we think and reason, is far less of a constraint on automation than it was in the past. What's more, as we've seen, when these machines perform tasks differently to human beings, there's no reason to think that what human beings are currently capable of doing represents any sort of summit in what these machines might be capable of doing in the future.
Résoudre le mythe de l’intelligence montre que notre compréhension limitée de l’intelligence humaine, de notre façon de penser et raisonner, est moins une contrainte en automatisation qu’elle ne l’était auparavant. De plus, nous l’avons vu, quand ces machines réalisent des tâches différemment des êtres humains, il n’y a pas de raison de penser que ce que les êtres humains sont capables de faire représente le sommet de ce que ces machines pourraient être capables de faire à l’avenir.
Now the third myth, what I call the superiority myth. It's often said that those who forget about the helpful side of technological progress, those complementarities from before, are committing something known as the lump of labor fallacy. Now, the problem is the lump of labor fallacy is itself a fallacy, and I call this the lump of labor fallacy fallacy, or LOLFF, for short. Let me explain. The lump of labor fallacy is a very old idea. It was a British economist, David Schloss, who gave it this name in 1892. He was puzzled to come across a dock worker who had begun to use a machine to make washers, the small metal discs that fasten on the end of screws. And this dock worker felt guilty for being more productive. Now, most of the time, we expect the opposite, that people feel guilty for being unproductive, you know, a little too much time on Facebook or Twitter at work. But this worker felt guilty for being more productive, and asked why, he said, "I know I'm doing wrong. I'm taking away the work of another man." In his mind, there was some fixed lump of work to be divided up between him and his pals, so that if he used this machine to do more, there'd be less left for his pals to do. Schloss saw the mistake. The lump of work wasn't fixed. As this worker used the machine and became more productive, the price of washers would fall, demand for washers would rise, more washers would have to be made, and there'd be more work for his pals to do. The lump of work would get bigger. Schloss called this "the lump of labor fallacy."
Le troisième mythe est ce que j’appelle le mythe de la supériorité. On dit souvent que ceux qui oublient le côté utile du progrès technologique, ces complémentarités mentionnées auparavant, se prêtent au sophisme de la masse fixe de travail. Le sophisme de la masse fixe de travail est lui-même un sophisme que j’appelle le sophisme du sophisme de la masse fixe de travail, ou SSMFT, pour faire court. Laissez-moi expliquer. Ce sophisme est une idée très ancienne. C’est un économiste britannique, David Schloss, qui lui a donné son nom en 1892. Il était perplexe d’avoir rencontré un docker qui utilisait une machine pour faire des rondelles, les petits disques en métal se plaçant au bout des vis. Ce docker se sentait coupable d’être plus productif. La plupart du temps, on s’attend au contraire, se sentir coupable de ne pas être productif, un peu trop de temps passé sur Facebook ou Twitter au travail. Mais ce docker se sentait coupable d’être plus productif et quant au pourquoi, il a dit : « J’agis mal. Je prends le travail d’un autre homme. » Dans son esprit, il y avait une masse de travail fixe à diviser entre lui et ses camarades et en utilisant la machine pour faire plus, ses camarades auraient moins à faire. Schloss a vu l’erreur. La masse de travail n’était pas fixe. Ce docker utilisant la machine et devenant plus productif, le prix des rondelles chuterait, la demande augmenterait, il faudrait faire plus de rondelles et ses camarades auraient plus de travail. La masse de travail augmenterait. Schloss a appelé cela « le sophisme de la masse fixe de travail ».
And today you hear people talk about the lump of labor fallacy to think about the future of all types of work. There's no fixed lump of work out there to be divided up between people and machines. Yes, machines substitute for human beings, making the original lump of work smaller, but they also complement human beings, and the lump of work gets bigger and changes.
Les gens parlent du sophisme de la masse fixe de travail pour l’avenir de tous types de travaux. Il n’y a pas de masse fixe de travail à diviser entre les gens et les machines. Oui, les machines substituent les humains, diminuant la masse de travail initiale, mais elles complémentent les humains et la masse de travail augmente et change.
But LOLFF. Here's the mistake: it's right to think that technological progress makes the lump of work to be done bigger. Some tasks become more valuable. New tasks have to be done. But it's wrong to think that necessarily, human beings will be best placed to perform those tasks. And this is the superiority myth. Yes, the lump of work might get bigger and change, but as machines become more capable, it's likely that they'll take on the extra lump of work themselves. Technological progress, rather than complement human beings, complements machines instead.
Mais SSMFT. Voici l’erreur : le progrès technologique n’augmente pas la masse de travail. Certaines tâches ont plus de valeur, de nouvelles tâches émergent. Il est faux de penser que les humains seront nécessairement mieux placés pour réaliser ces tâches. C’est le mythe de la supériorité. Oui, la masse de travail peut augmenter et changer, mais les machines devenant plus compétentes, il est probable qu’elles assument cette masse de travail supplémentaire. Le progrès technologique, au lieu de complémenter les humains, complémente les machines.
To see this, go back to the task of driving a car. Today, satnav systems directly complement human beings. They make some human beings better drivers. But in the future, software is going to displace human beings from the driving seat, and these satnav systems, rather than complement human beings, will simply make these driverless cars more efficient, helping the machines instead. Or go to those indirect complementarities that I mentioned as well. The economic pie may get larger, but as machines become more capable, it's possible that any new demand will fall on goods that machines, rather than human beings, are best placed to produce. The economic pie may change, but as machines become more capable, it's possible that they'll be best placed to do the new tasks that have to be done. In short, demand for tasks isn't demand for human labor. Human beings only stand to benefit if they retain the upper hand in all these complemented tasks, but as machines become more capable, that becomes less likely.
Pour l’observer, revenez-en au fait de conduire une voiture. Les systèmes de navigation par satellite complémentent les êtres humains. Ils font de certains humains de meilleurs conducteurs. Mais à l’avenir, le logiciel va remplacer les êtres humains sur le siège conducteur ces systèmes de navigation ne complémenteront pas les humains, mais amélioreront les voitures sans conducteur, aidant plutôt les machines. Revenez-en à ces complémentarités indirectes également mentionnées. Le gâteau économique s’agrandira, mais les machines s’améliorant, les nouvelles demandes pourront être des biens que les machines, et non les humains, seront les mieux placées pour produire. Le gâteau pourrait changer, mais, les machines s’améliorant, elles pourraient être mieux placées pour réaliser les tâches nécessaires. En bref, la demande pour des tâches n’est pas la demande pour du travail humain. Les humains n’en bénéficieront que s’ils gardent la main sur ces tâches complémentées, mais les machines s’améliorant, cette probabilité diminue.
So what do these three myths tell us then? Well, resolving the Terminator myth shows us that the future of work depends upon this balance between two forces: one, machine substitution that harms workers but also those complementarities that do the opposite. And until now, this balance has fallen in favor of human beings. But resolving the intelligence myth shows us that that first force, machine substitution, is gathering strength. Machines, of course, can't do everything, but they can do far more, encroaching ever deeper into the realm of tasks performed by human beings. What's more, there's no reason to think that what human beings are currently capable of represents any sort of finishing line, that machines are going to draw to a polite stop once they're as capable as us. Now, none of this matters so long as those helpful winds of complementarity blow firmly enough, but resolving the superiority myth shows us that that process of task encroachment not only strengthens the force of machine substitution, but it wears down those helpful complementarities too. Bring these three myths together and I think we can capture a glimpse of that troubling future. Machines continue to become more capable, encroaching ever deeper on tasks performed by human beings, strengthening the force of machine substitution, weakening the force of machine complementarity. And at some point, that balance falls in favor of machines rather than human beings. This is the path we're currently on. I say "path" deliberately, because I don't think we're there yet, but it is hard to avoid the conclusion that this is our direction of travel.
Que nous disent ces trois mythes ? Résoudre le mythe de Terminator nous montre que l’avenir du travail dépend de cet équilibre entre deux forces : la substitution par les machines nuisant aux travailleurs, mais aussi ces complémentarités qui font le contraire. Jusqu’à maintenant, cet équilibre est en faveur des êtres humains. Résoudre le mythe de l’intelligence montre que la substitution par les machines, monte en puissance. Les machines ne savent pas tout faire, mais elles peuvent faire plus, empiétant plus sur le royaume des tâches réalisées par des êtres humains. Il n’y a pas de raison de penser que ce que les humains peuvent faire actuellement représente une ligne d’arrivée, que les machines s’arrêteront poliment une fois aussi compétentes que nous. Rien de tout cela n’importe tant que ces vents bénéfiques de la complémentarité soufflent assez fort, mais résoudre le mythe de la supériorité montre que ce processus d’empiétement sur les tâches ne fait pas que renforcer la force de substitution par les machines, mais use également ces complémentarités bénéfiques. Réunissez ces trois mythes et nous aurons un aperçu de cet avenir inquiétant. Les machines continuent de s’améliorer, empiétant de plus en plus sur les tâches réalisées par les êtres humains, augmentant la force de substitution par les machines, amenuisant la force de la complémentarité avec les machines. À un moment donné, cet équilibre sera en saveur des machines plutôt que des êtres humains. C’est le chemin que nous suivons. Je dis « chemin » délibérément car nous n’y sommes pas encore, mais il est dur d’éviter de conclure que c’est la direction que nous prenons.
That's the troubling part. Let me say now why I think actually this is a good problem to have. For most of human history, one economic problem has dominated: how to make the economic pie large enough for everyone to live on. Go back to the turn of the first century AD, and if you took the global economic pie and divided it up into equal slices for everyone in the world, everyone would get a few hundred dollars. Almost everyone lived on or around the poverty line. And if you roll forward a thousand years, roughly the same is true. But in the last few hundred years, economic growth has taken off. Those economic pies have exploded in size. Global GDP per head, the value of those individual slices of the pie today, they're about 10,150 dollars. If economic growth continues at two percent, our children will be twice as rich as us. If it continues at a more measly one percent, our grandchildren will be twice as rich as us. By and large, we've solved that traditional economic problem.
C’est la partie inquiétante. Laissez-moi vous dire pourquoi je crois que c’est un bon problème à avoir. Durant la plupart de l’histoire humaine, un problème économique a dominé : comment agrandir assez le gâteau économique pour que tout le monde en vive. Au début du premier siècle après J.C., en prenant le gâteau économique mondial et en le divisant en parts égales, chacun aurait quelques centaines de dollars. Presque tout le monde vivait sous ou autour du seuil de pauvreté. En avançant de 1 000 ans, c’est toujours à peu près vrai. Mais durant les derniers siècles, la croissance économique a décollé. La taille de ces gâteaux économiques a explosé. Le PIB mondial par habitant, la valeur de ces parts individuelles du gâteau d’aujourd’hui est d’environ 10 150 dollars. Si la croissance économique continue à 2 %, nos enfants auront deux fois nos richesses. Si elle continue au rythme d’un pour cent, nos petits-enfants auront deux fois nos richesses. Nous avons résolu le problème économique traditionnel.
Now, technological unemployment, if it does happen, in a strange way will be a symptom of that success, will have solved one problem -- how to make the pie bigger -- but replaced it with another -- how to make sure that everyone gets a slice. As other economists have noted, solving this problem won't be easy. Today, for most people, their job is their seat at the economic dinner table, and in a world with less work or even without work, it won't be clear how they get their slice. There's a great deal of discussion, for instance, about various forms of universal basic income as one possible approach, and there's trials underway in the United States and in Finland and in Kenya. And this is the collective challenge that's right in front of us, to figure out how this material prosperity generated by our economic system can be enjoyed by everyone in a world in which our traditional mechanism for slicing up the pie, the work that people do, withers away and perhaps disappears.
Le chômage technologique, s’il se produit, sera un symptôme de ce succès. Nous aurons résolu un problème, agrandir le gâteau, mais l’aurons remplacé par un autre, comment s’assurer que chacun ait une part. D’autres économistes ont remarqué que résoudre ce problème ne sera pas simple. Pour la plupart des gens, leur emploi est leur place à la table économique et, dans un monde avec moins ou pas de travail, il ne sera pas clair comment obtenir sa part. Il y a par exemple beaucoup de discussions sur diverses formes de revenu de base universel en tant qu’approche possible et il y a des essais en cours aux États-Unis, en Finlande et au Kenya. C’est le défi collectif auquel nous faisons face : découvrir comment cette prospérité matérielle générée par notre système économique peut bénéficier à tous dans un monde où notre mécanisme traditionnel pour partager le gâteau, le travail effectué par les gens, s’étiole voire disparaît.
Solving this problem is going to require us to think in very different ways. There's going to be a lot of disagreement about what ought to be done, but it's important to remember that this is a far better problem to have than the one that haunted our ancestors for centuries: how to make that pie big enough in the first place.
Résoudre ce problème va nécessiter que nous pensions différemment. Il y aura beaucoup de désaccords sur ce qu’il faut faire, mais nous devons nous souvenir que c’est un meilleur problème à avoir que celui qui a hanté nos ancêtres durant des siècles : comment faire grossir ce gâteau ?
Thank you very much.
Merci beaucoup.
(Applause)
(Applaudissements)