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.
Automatisatie-angst is de laatste tijd in opmars, de angst dat in de toekomst veel banen door machines zullen worden gedaan in plaats van door de mens, gezien de enorme vooruitgang in kunstmatige intelligentie en robotica. Duidelijk is dat er significante verandering zal zijn. Minder duidelijk is hoe die verandering eruit zal zien. Mijn onderzoek suggereert dat de toekomst zowel verontrustend als spannend zal zijn. De dreiging van technologische werkloosheid is reëel en toch is het een goed probleem om te hebben. Om uit te leggen hoe ik tot die conclusie kwam, wil ik drie mythen ontmaskeren waarvan ik denk dat ze onze visie op deze geautomatiseerde toekomst vertroebelen.
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.
Het beeld dat we krijgen via televisieschermen, boeken, films, berichtgeving is dat een leger van robots de arbeidsmarkt binnenvalt met één doel voor ogen: mensen verdringen uit hun werk. Ik noem dat de Terminator-mythe. Ja, machines verdringen mensen van bepaalde taken, maar ze nemen niet alleen hun plaats in, ze vullen hen ook aan in andere taken, en maken zo dat werk waardevoller en belangrijker. Soms vullen ze de mens rechtstreeks aan waardoor ze hem productiever en efficiënter maken voor een bepaalde taak. Een taxichauffeur kan met een gps-systeem navigeren op onbekende wegen. Een architect kan gebruik maken van CAD-software om grotere, meer ingewikkelde gebouwen te ontwerpen.
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.
Technologische vooruitgang vult de mens niet alleen maar direct aan. Het is ook een indirecte aanvulling en wel op twee manieren. De eerste: als we de economie bekijken als een taart, dan maakt technologische vooruitgang de taart groter. Als de productiviteit toeneemt, stijgen de inkomens en groeit de vraag. Zo is de Britse taart, bijvoorbeeld, meer dan honderd keer zo groot als 300 jaar geleden. Mensen die taken verloren in de oude taart, vonden andere taken in de nieuwe taart. Maar technologische vooruitgang maakt de taart niet alleen groter. Ze verandert ook de ingrediënten in de taart. In de loop van de tijd gaan mensen hun inkomen anders besteden; ze spreiden het anders over de bestaande producten en raken tevens geïnteresseerd in geheel nieuwe producten. Nieuwe industrieën worden gecreëerd, nieuwe taken moeten worden gedaan en dat betekent dat vaak nieuwe rollen moeten worden ingevuld. Nogmaals de Britse taart: 300 jaar geleden werkten de meeste mensen op boerderijen, 150 jaar geleden in fabrieken en vandaag de dag werken de meeste mensen in kantoren. En nogmaals, mensen die taken verloren in het oude stukje taart komen nu terecht in taken in het nieuwe stukje taart.
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.
Economen noemen deze effecten complementariteit, maar dat is gewoon een duur woord om te zeggen dat technologische vooruitgang mensen helpt. Het oplossen van de Terminator-mythe toont aan dat er twee krachten spelen: ten eerste machinesubstitutie, die werknemers schaadt, maar ook die complementariteit, die het tegenovergestelde doet.
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.
Nu de tweede mythe, die ik de intelligentiemythe noem. Wat hebben deze taken: een auto besturen, een medische diagnose stellen, en razendsnel een vogel identificeren, met elkaar gemeen? Het zijn allemaal taken waarvan tot voor kort topeconomen dachten dat ze niet gemakkelijk konden worden geautomatiseerd. Toch kunnen vandaag al deze taken worden geautomatiseerd. Alle grote autofabrikanten werken aan zelfrijdende auto's. Er bestaan talloze systemen die medische problemen kunnen diagnosticeren. Er is zelfs een app die een vogel bliksemsnel kan identificeren.
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.
Dit was niet zomaar een geval van pech voor de economen. Ze hadden het mis en de reden waarom is erg belangrijk. Ze vielen voor de intelligentiemythe, de overtuiging dat machines moeten kopiëren hoe mensen denken en redeneren om hen te overtreffen. Toen deze economen probeerden te achterhalen welke taken machines níet konden doen, dachten ze dat je alleen taken kon automatiseren door samen te gaan zitten met een mens, hem te laten uitleggen hoe hij het deed, en dan te proberen die uitleg vast te leggen in een reeks instructies voor een machine. Deze opvatting was ook ooit populair in de kunstmatige intelligentie. Ik weet dit omdat Richard Susskind, mijn vader en co-auteur, in de jaren 80 zijn doctoraat schreef over kunstmatige intelligentie en de wet aan de Universiteit van Oxford. Hij was bij de eersten en samen met professor Phillip Capper en de juridische uitgeverij Butterworths produceerden ze 's werelds eerste commercieel verkrijgbare systeem van kunstmatige intelligentie voor de wet. Dit was het ontwerp van het startscherm. Hij verzekert me dat dit toen een cool ontwerp was.
(Laughter)
(Gelach)
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?
Ik was nooit helemaal overtuigd. Hij publiceerde het in de vorm van twee floppy disks, toen die nog echt 'floppy' waren, en zijn aanpak was dezelfde als die van de economen: samenzitten met een advocaat, haar laten uitleggen hoe zij een juridisch probleem oploste en dan die uitleg proberen te vangen in een set regels voor een machine. Als mensen in de economie hun werk op deze manier konden uitleggen, werden de taken routine genoemd en konden ze worden geautomatiseerd. Maar als de mensen het zelf niet kunnen uitleggen, worden de taken niet-routine genoemd, en dachten ze dat het niet kon. Vandaag is dat onderscheid tussen routine en niet-routine wijdverbreid. Hoe vaak hoor je mensen niet zeggen: machines kunnen alleen taken uitvoeren die voorspelbaar of repetitief zijn, op basis van regels of welomschreven. Met andere woorden: routinematig. Even terug naar die drie zaken die ik aan het begin noemde: klassieke gevallen van niet-routinematige taken. Vraag een arts hoe ze een medische diagnose stelt en ze kan je een aantal vuistregels geven, maar uiteindelijk zou ze er niet uitkomen. Ze zou dingen noemen als creativiteit, oordeel en intuïtie. Deze dingen zijn erg moeilijk te verwoorden. Daarom dacht men dat deze taken zeer moeilijk zouden zijn te automatiseren. Als een mens het al niet kan uitleggen, hoe zouden we dan een reeks instructies kunnen schrijven voor een machine?
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.
Dertig jaar geleden was deze opvatting terecht, maar vandaag staat ze op losse schroeven en in de toekomst gaat ze gewoon fout zijn. Vooruitgang in rekenkracht, in gegevensopslag en algoritmeontwerp betekenen dat dit onderscheid tussen routine en niet-routine steeds minder nuttig wordt.
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.
Denk even aan die medische diagnose. Eerder dit jaar kondigde een team van onderzoekers van Stanford aan dat ze een systeem hadden ontwikkeld dat je kan vertellen of een sproet al dan niet kwaadaardig is. Even goed als vooraanstaande dermatologen. Hoe werkt het? Het probeert niet om het oordeel of de intuïtie van een arts te kopiëren. Het weet of begrijpt helemaal niets van geneeskunde. In plaats daarvan gebruikt het een algoritme voor patroonherkenning aan de hand van 129.450 eerdere gevallen. Het zoekt naar gelijkenissen tussen die gevallen en de specifieke laesie in kwestie. Het voert deze taken uit op een niet-menselijke manier, gebaseerd op de analyse van meer mogelijke gevallen dan enige dokter kan hopen te beoordelen tijdens haar leven. Het maakte niet uit dat die mens, die dokter, niet kon uitleggen hoe ze de taak had uitgevoerd.
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.
Nu zijn er mensen die zich blindstaren op het feit dat deze machines niet op ons lijken. Neem als voorbeeld IBM's Watson, de supercomputer die in 2011 meedeed aan de Amerikaanse quiz 'Jeopardy!', en hem won van de twee menselijke kampioenen van 'Jeopardy!' De dag erna stond er in The Wall Street Journal een stuk van de filosoof John Searle met als titel "Watson Weet Niet Dat Hij Bij 'Jeopardy!' Heeft Gewonnen." Klopt, het is briljant en het is waar. Watson slaakte geen kreet van vreugde. Hij belde zijn ouders niet om te zeggen wat hij gepresteerd had. Hij liep niet naar de kroeg voor een drankje. Dit systeem probeerde niet de manier van menselijke spelers te kopiëren, maar dat deed er niet toe. Het presteerde toch beter dan zij.
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.
Het oplossen van de intelligentiemythe toont aan dat ons beperkte begrip van menselijke intelligentie, van hoe wij denken en redeneren, veel minder een beperking is voor de automatisering dan in het verleden. En we zagen: als deze machines taken anders uitvoeren dan de mens, is er geen reden om te denken dat menselijke prestaties van nu de limiet tonen van wat deze machines in de toekomst zouden kunnen doen.
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."
Nu de derde mythe, die ik de superioriteitsmythe noem. Vaak wordt gezegd: wie de weldadige kant vergeet van de technologische vooruitgang, die complementariteit van daarstraks, maakt de 'denkfout van werkhoeveelheid'. Het probleem is dat de denkfout van werkhoeveelheid ook weer een denkfout is. Ik noem dat de denkfout van werkhoeveelheid-denkfout, of DVWD afgekort. Laat het me uitleggen. De denkfout van werkhoeveelheid is een zeer oud idee. De Britse econoom David Schloss, bedacht de naam in 1892. Een dokwerker verbaasde hem. Die ging een machine gebruiken om sluitringen te maken -- die metalen afdichtschijfjes die je vastzet met schroeven -- en hij voelde zich schuldig omdat hij productiever werd. Je verwacht het tegengestelde: mensen voelen zich schuldig omdat ze onproductief zijn door op het werk te veel tijd te Facebooken of Twitteren. Hij voelde zich schuldig omdat hij productiever was. Gevraagd waarom, zei hij: "Ik weet dat ik fout ben. Ik neem een ander zijn werk af." In zijn gedachtegang was er een vaste hoeveelheid werk om te verdelen tussen hem en zijn vrienden. Als hij deze machine gebruikte, was er minder werk over voor zijn vrienden. Schloss zag de fout. Werkhoeveelheid was geen vast gegeven. Naarmate de werknemer met de machine productiever werd, zou de prijs van de sluitringen zakken en de vraag ernaar stijgen, meer ringen zouden nodig zijn en dus meer werk voor zijn vrienden. De werkhoeveelheid zou toenemen. Schloss noemde dit ‘de werkhoeveelheidsdenkfout’.
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.
Vandaag praten mensen over die werkhoeveelheid-denkfout in verband met de toekomst van alle soorten werk. Er is geen vaste werkhoeveelheid te verdelen tussen mensen en machines. Machines vervangen weliswaar mensen, waardoor de werkhoeveelheid afneemt, maar ze vullen de mens ook aan, zodat de werkhoeveelheid groter wordt en verandert.
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.
Maar DVWD. Hier is de fout: technologische vooruitgang vergroot inderdaad de hoeveelheid werk die gedaan moet worden. Sommige taken worden meer waard. Nieuwe taken moeten worden gedaan. Maar het is verkeerd om te denken dat de mens per se de beste keuze zal zijn om deze taken uit te voeren. En dat is de superioriteitsmythe. Ja, de werkhoeveelheid kan groter worden en veranderen, maar als machines vaardiger worden, is het waarschijnlijk dat ze de extra werkhoeveelheid zelf zullen gaan overnemen. Technologische vooruitgang gaat in plaats van de mens aan te vullen, machines aanvullen.
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.
Denk aan de taak van het besturen van een auto. Vandaag de dag staan navigatiesystemen de mens bij. Ze maken sommige mensen tot betere chauffeurs. Maar in de toekomst gaat software mensen verdringen uit de bestuurdersstoel en gaan deze navigatiesystemen niet zozeer mensen aanvullen, maar eerder die zelfrijdende auto's efficiënter maken en dus de machines helpen. Of denk ook aan de indirecte complementariteit die ik noemde. De economische taart kan groeien, maar als machines vaardiger worden, kan elke nieuwe vraag gaan om goederen die machines beter kunnen produceren dan mensen. De economische taart kan veranderen, maar als machines vaardiger worden, is het mogelijk dat zij het best die nieuwe taken zullen kunnen uitvoeren. Kortom, de vraag naar taken is niet hetzelfde als de vraag naar mensenwerk. De mensen zullen alleen gebaat zijn als zij de overhand houden in al deze aanvullende taken, maar naarmate machines vaardiger worden, wordt dat minder waarschijnlijk.
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.
Wat vertellen deze drie mythen ons dan? Het oplossen van de Terminator-mythe toont dat de toekomst van werk afhangt van dit evenwicht tussen twee krachten: machinesubstitutie die werknemers schaadt, maar ook de complementariteit die net het tegengestelde doet. Tot nu toe draaide dit evenwicht uit in het voordeel van de mens. Maar het oplossen van de intelligentiemythe leert ons dat de eerste kracht, machinesubstitutie, sterker wordt. Machines kunnen natuurlijk niet alles, maar ze kunnen veel meer, en rukken steeds verder op in het rijk van door de mens uitgevoerde taken. Ook is er geen reden te denken dat wat de mens momenteel kan het eindpunt gaat zijn, dat machines zich beleefd gaan inhouden zodra ze ons niveau hebben bereikt. Dit is allemaal niet erg zolang de nuttige winden van de complementariteit stevig genoeg blijven waaien, maar het oplossen van de superioriteitsmythe toont ons dat dat proces van taakaantasting niet alleen de kracht van machinesubstitutie versterkt, maar ook die behulpzame complementariteit aantast. Breng deze drie mythen samen en ik denk dat we een glimp van die verontrustende toekomst kunnen opvangen. Machines worden steeds vaardiger, rukken steeds verder op in de taken van de mens, versterken de kracht van machinesubstitutie en verzwakken de kracht van machinecomplementariteit. Ooit draait dat evenwicht uit in het voordeel van machines in plaats van de mens. Die weg zijn we ingeslagen. Opzettelijk zeg ik ‘weg’, want ik denk niet dat we er al zijn, maar het is moeilijk om de conclusie te vermijden dat dit onze rijrichting is.
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.
Dat is het verontrustende deel. Ik leg nu uit waarom ik denk dat dit een goed probleem is om te hebben. Eén economisch probleem domineerde bijna de hele menselijke geschiedenis: hoe de economische koek voor iedereen groot genoeg maken om van te leven. Als je in de eerste eeuw na Christus de mondiale economische taart voor iedereen in gelijke plakjes verdeelde, kreeg iedereen een paar honderd dollar. Bijna iedereen leefde op of nabij de armoedegrens. Ga duizend jaar vooruit en je vindt ruwweg hetzelfde. Maar in de laatste paar honderd jaar kwam de economische groei op gang. De economische taarten zijn buitenmaats gegroeid. Het mondiale bbp per hoofd, de huidige waarde van die persoonlijke stukken taart, is nu ongeveer 10.150 dollar. Als de economische groei op twee procent blijft, zullen onze kinderen twee keer zo rijk zijn als wij. Groeit het met een miezerige één procent, zullen onze kleinkinderen twee keer zo rijk zijn als wij. In grote lijnen hebben we dat traditionele economisch probleem opgelost.
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.
Als die technologische werkloosheid zich zal voordoen, zal ze op een vreemde manier een symptoom zijn van dat succes: zal ze een probleem hebben opgelost, -- hoe de taart groter te maken -- maar vervangen door een ander: hoe ervoor te zorgen dat iedereen een stuk krijgt. Ook andere economen zagen dat het moeilijk zal zijn dit probleem op te lossen . Vandaag geldt voor de meeste mensen, dat hun werk hun plaats aan de economische tafel is. In een wereld met minder of zelfs zonder werk is niet duidelijk hoe zij aan hun stuk gaan geraken. Veel discussie gaat over de verschillende vormen van universeel basisinkomen als één mogelijke benadering en er is onderzoek aan de gang in de Verenigde Staten, Finland en Kenia. Die collectieve uitdaging staat ons te wachten, om te weten hoe de door ons systeem gegenereerde welvaart door iedereen kan worden genoten in een wereld waarin ons traditionele mechanisme om de taart te verdelen, het werk dat mensen doen, afkalft en misschien wel verdwijnt.
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.
Om dit probleem op te lossen, zullen we heel anders moeten gaan denken. Er gaat heel wat onenigheid zijn over wat er gedaan moet worden, maar hou voor ogen dat dit een veel beter probleem is om te hebben dan wat onze voorouders eeuwenlang kopzorgen gaf: hoe maak je in de eerste plaats die taart groot genoeg.
Thank you very much.
Veel dank.
(Applause)
(Applaus)