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.
A ansiedade com a automação tem se espalhado ultimamente, um medo de que, no futuro, muitos trabalhos serão executados por máquinas em vez de seres humanos, dado aos notáveis avanços da inteligência artificial e da robótica. O que está claro é que haverá mudanças significativas. O que não está tão claro é como será essa mudança. Minha pesquisa indica que o futuro será preocupante e excitante. A ameaça do desemprego tecnológico é real, e, ainda assim, é um bom problema para se ter. E para explicar como cheguei a essa conclusão, quero confrontar três mitos que acho que estão obscurecendo nossa visão desse futuro automatizado.
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.
Uma imagem que vemos na televisão, em livros, filmes e em comentários cotidianos é aquela em que um exército de robôs invade um local de trabalho com um objetivo: substituir os humanos em seu trabalho. Eu chamo isso de "o mito do exterminador". Sim, as máquinas substituem os humanos em tarefas específicas, mas não apenas substituem os seres humanos. Elas também os complementam em outras tarefas, tornando aquele trabalho mais valioso e importante. Às vezes elas complementam o ser humano diretamente, tornando-o mais produtivo ou eficiente em determinada tarefa. Então um taxista pode usar um sistema de navegação por GPS para andar por estradas desconhecidas. Um arquiteto pode usar software de projeto assistido por computador para projetar prédios maiores e mais complicados.
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.
Mas o progresso tecnológico complementa os seres humanos não só diretamente. Ele também os complementa indiretamente, de duas formas. A primeira é que, se pensarmos na economia como uma torta, o progresso tecnológico aumenta a torta. Com o aumento da produtividade, a renda e a demanda aumentam. A torta britânica, por exemplo, é 100 vezes maior do que era há 300 anos. E as pessoas que perderam as tarefas que executavam na torta antiga, podem encontrar novas tarefas na nova torta. Mas o progresso tecnológico não só aumenta a torta. Ele também muda seus ingredientes. Com o passar do tempo, as pessoas gastam sua renda de formas diferentes, mudando a forma como a distribuem em bens existentes, e desenvolvendo gosto por bens totalmente novos. Novas indústrias são criadas, novas tarefas precisam ser executadas e isso significa que novos papéis devem ser preenchidos. De novo, a torta britânica: há 300 anos, a maioria das pessoas trabalhava em fazendas, 150 anos atrás, em fábricas, e hoje, a maioria trabalha em escritórios. E de novo, as pessoas que perderam suas tarefas na torta antiga podem acabar executando tarefas na torta nova.
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.
Os economistas chamam esses efeitos de complementaridades, mas essa é só uma palavra chique para capturar a forma diferente com que o progresso tecnológico ajuda os seres humanos. Solucionar esse mito do exterminador nos mostra que há duas forças em jogo: uma, a substituição pelas máquinas, que prejudica os trabalhadores, mas também essas complementaridades, que fazem o oposto.
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.
Agora o segundo mito, que eu chamo de mito da inteligência. O que as tarefas de dirigir um carro, fazer um diagnóstico médico e identificar um pássaro numa rápida olhada têm em comum? Bem, são tarefas que, até recentemente, de acordo com os economistas, não poderiam ser facilmente automatizadas. Mas, ainda assim, hoje, todas elas podem ser automatizadas. Os principais fabricantes de automóvel têm programas de carros autônomos. Há inúmeros sistemas por aí que diagnosticam problemas médicos. E existe até um aplicativo que identifica um pássaro numa rápida olhada.
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.
Isso não é só falta de sorte dos economistas. Eles estavam errados, e a razão de eles estarem errados é muito importante. Eles caíram no mito da inteligência, a crença de que máquinas precisam copiar a forma como os humanos pensam e raciocinam para poder substituí-los. Quando os economistas imaginaram quais tarefas as máquinas não poderiam fazer, imaginaram que, para automatizar uma tarefa, a única forma seria sentar com uma pessoa, pedir que ela explicasse como executava uma tarefa, e então tentar capturar essa explicação em um conjunto de instruções para uma máquina seguir. Até certo momento essa visão também foi popular na inteligência artificial. Sei disso porque Richard Susskind, que é meu pai e meu coautor, escreveu seu doutorado na década de 1980 sobre inteligência artificial e direito na Oxford University. Ele era da vanguarda e, com um professor chamado Phillip Capper e um editor jurídico chamado Butterworths, eles produziram o primeiro sistema, disponível comercialmente, de inteligência artificial em direito. Esta era a tela inicial. Ele me garante que essa tela era bonita na época.
(Laughter)
(Risos)
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?
Eu nunca me convenci totalmente. Ele foi publicado no formato de dois discos flexíveis, numa época em que discos flexíveis eram realmente flexíveis, e a abordagem dele era a mesma dos economistas: sente-se com um advogado, faça com que ele explique como resolveu um problema jurídico, e então tente capturar essa explicação em um conjunto de instruções que uma máquina possa seguir. Na economia, se seres humanos conseguem se explicar dessa forma, as tarefas são chamadas de rotineiras e podem ser automatizadas. Mas, se os seres humanos não conseguem se explicar, as tarefas são chamadas de não rotineiras, e são vistas como fora do alcance. Hoje essa distinção entre rotineira e não rotineira está muito difundida. Pensem com que frequência ouvimos dizer que as máquinas só podem executar tarefas previsíveis, repetitivas, baseadas em regras ou bem definidas. Essas são apenas outras formas de dizer "rotineira". Voltando aos três casos que mencionei no início são todos casos clássicos de tarefas não rotineiras. Pergunte a uma médica, por exemplo, como ela faz um diagnóstico, e ela vai lhe dar algumas regras práticas, mas, por fim, ela teria dificuldades. Ela diria que requer coisas como criatividade, julgamento e intuição. E essas coisas são difíceis de articular, então se acha que são tarefas muito difíceis de automatizar. Se um ser humano não consegue se explicar, como diabos vamos começar a escrever um conjunto de instruções para uma máquina seguir?
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.
Há 30 anos, essa ideia estava correta, mas hoje parece incerta e no futuro simplesmente estará errada. Avanços no poder de processamento, na capacidade de armazenamento de dados e no projeto de algoritmos significam que a distinção entre rotineira e não rotineira está perdendo a utilidade.
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.
Vamos voltar ao caso do diagnóstico médico. Mais cedo neste ano, pesquisadores de Stanford anunciaram ter desenvolvido um sistema que pode dizer se uma mancha na pele é cancerosa ou não com tanta precisão quanto um dermatologista experiente. Como ele funciona? Ele não está tentando copiar o julgamento ou a intuição de um médico. Ele não sabe nem entende nada sobre medicina. Em vez disso, ele executa um algoritmo de reconhecimento de padrões em 129.450 casos anteriores, buscando por similaridades entre esses casos e a lesão em questão. Ele executa essa tarefa de forma não humana, baseado na análise de mais casos do que qualquer médico poderia examinar em toda a vida. Não importa que essa pessoa, esse médico, não consiga explicar como executaria essa tarefa.
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.
Há pessoas que se incomodam com o fato de essas máquinas não serem construídas à nossa imagem. Como um exemplo, peguem o Watson da IBM, o supercomputador que em 2011 foi no show de perguntas dos EUA, "Jeopardy!" e derrotou os dois campeões humanos do programa. Um dia depois de ele ganhar, The Wall Street Journal publicou um artigo do filósofo John Searle com o título: "Watson não sabe que ganhou o 'Jeopardy!'" Certo, brilhante e verdadeiro. Watson não deixou escapar um gritinho de contentamento. Não ligou para os pais para receber parabéns. Não foi para um bar comemorar. Esse sistema não estava tentando copiar o jeito dos competidores humanos jogarem, mas isso não importa. Ainda assim ele os superou.
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.
Resolver o mito da inteligência nos mostra que nosso entendimento limitado sobre a inteligência humana, sobre como pensamos e raciocinamos, é um limitador para a automação bem menor do que já foi no passado. E mais, como vimos, quando as máquinas executam tarefas de forma diferente dos seres humanos, não há razão para pensar que aquilo que os humanos conseguem fazer atualmente representa algum tipo de limitador para o que essas máquinas poderão fazer no futuro.
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."
O terceiro mito é o que chamo de mito da superioridade. Dizem que as pessoas que esquecem do lado útil do progresso tecnológico, as complementaridades sobre as quais falei antes, cometem algo conhecido por falácia do bolo de trabalho. O problema é que a falácia do bolo de trabalho é uma falácia em si, e chamo a isso de a falácia da falácia do bolo de trabalho, or FFBT, pra encurtar. Explico. A falácia do bolo de trabalho é uma ideia muito antiga. Um economista britânico, David Schloss, deu-lhe este nome em 1892. Ele ficou intrigado ao deparar-se com um estivador que começou a usar uma máquina para fazer arruelas, esses pequenos discos de metal que se usa nos parafusos. E esse estivador se sentia culpado por ser mais produtivo. Em geral espera-se o contrário, que as pessoas se sintam culpadas por não produzirem, por passarem muito tempo no Facebook ou Twitter no trabalho. Mas esse trabalhador se sentia culpado por ser mais produtivo. Ao ser perguntado por que, disse: "Sei que não está certo. Estou tirando o trabalho de outra pessoa". Na sua cabeça, havia um bolo fixo de trabalho a ser dividido entre ele e seus colegas, então, se ele usasse a máquina para fazer mais, sobraria menos para seus colegas fazerem. Schloss viu o erro. O bolo de trabalho não era fixo. À medida que o trabalhador usasse a máquina e produzisse mais, o preço das arruelas cairia, a demanda aumentaria, mais arruelas teriam que ser produzidas, e haveria mais trabalho para seus colegas. O bolo de trabalho cresceria. Schloss chamou isso de "a falácia do bolo de trabalho".
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.
E hoje se ouve falar na falácia do bolo de trabalho para pensar o futuro de todo tipo de trabalho. Não há um bolo fixo de trabalho para ser dividido entre pessoas e máquinas. Sim, as máquinas substituem os seres humanos, reduzindo o bolo de trabalho original, mas elas também complementam os seres humanos, e o bolo de trabalho cresce e se modifica.
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.
Mas a FFBT. Aqui está o erro: está correto pensar que o progresso tecnológico aumenta o bolo de trabalho a ser feito. Algumas tarefas passam a ter mais valor. Novas tarefas precisam ser feitas. Mas é errado pensar que necessariamente os seres humanos serão os mais indicados para essas tarefas. E esse é o mito da superioridade. Sim, o bolo de trabalho pode crescer e mudar, mas à medida que as máquinas ficam mais capazes, elas mesmas assumem o bolo de trabalho extra. O progresso tecnológico, em vez de complementar o ser humano, complementa as máquinas.
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.
Para ver isso, vamos voltar à tarefa de dirigir um carro. Hoje sistemas de navegação por satélite complementam diretamente os seres humanos. Eles tornam algumas pessoas melhores motoristas. Mas, no futuro, o software vai retirar o ser humano do assento do motorista, e esses sistemas de navegação, em vez de complementarem as pessoas, vão tornar os carros autônomos mais eficientes, ajudando as máquinas e não as pessoas. Ou pensem nas complementaridades indiretas que mencionei. A torta econômica pode crescer, mas, à medida que as máquinas ficarem mais capazes, é possível que toda nova demanda recaia para as máquinas e não para as pessoas. A torta econômica pode mudar, mas, quando as máquinas ficarem mais capazes, elas podem estar melhor posicionadas para realizar as tarefas necessárias. Resumindo, a demanda por tarefas não é demanda por trabalho humano. Os seres humanos só se beneficiarão se estiverem à frente em todas as tarefas complementadas, mas à medida que as máquinas se tornam mais capazes, isso fica mais improvável.
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.
Então o que esses três mitos nos dizem? Bem, resolver o mito do exterminador nos mostra que o futuro do trabalho depende do equilíbrio entre duas forças: uma, a substituição pelas máquinas que prejudica os trabalhadores, mas também essas complementaridades, que fazem o oposto. E até agora, esse equilíbrio tem sido a favor dos seres humanos. Mas resolver o mito da inteligência nos mostra que a primeira força, a substituição pelas máquinas, está se fortalecendo. As máquinas, claro, não podem fazer tudo, mas pode fazer muito mais, invadindo cada vez mais o reino das tarefas executadas por seres humanos. E não há razão para pensar que aquilo que os humanos são capazes atualmente representa uma espécie de linha de chegada, que as máquinas vão parar educadamente quando ficarem tão capazes quanto nós. Mas nada disso importa a não ser que esses ventos da complementaridade soprem com força suficiente, mas resolver o mito da superioridade nos mostra que esse processo de invasão de tarefas não só aumenta a força da substituição pelas máquinas, mas também enfraquece essas complementaridades úteis. Juntem esses três mitos e acho que podemos vislumbrar um futuro preocupante. As máquinas continuarão a se tornar mais capazes, invadindo cada vez mais as tarefas executadas por seres humanos, reforçando a substituição por máquinas e enfraquecendo a complementaridade das máquinas. E em algum momento esse equilíbrio penderá mais para o lado das máquinas do que dos seres humanos. Esse é o caminho que estamos trilhando. Digo "caminho" deliberadamente, porque acho que ainda não chegamos lá, mas é difícil evitar a conclusão de que estamos indo nessa direção.
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.
Essa é a parte perturbadora. Deixem-me dizer por que eu realmente acho que esse é um problema bom para se ter. Na maior parte da história do homem, um problema econômico dominou: como fazer com que a torta econômica seja grande o suficiente para todos. No primeiro século depois de Cristo, se pegássemos a torta econômica global e a dividíssemos em fatias iguais para todas as pessoas do mundo, cada uma ganharia algumas centenas de dólares. Quase todas viveriam próximos à linha da pobreza. E se avançarmos mil anos, de modo geral ocorreria a mesma coisa. Mas nos últimos séculos, o crescimento econômico decolou. Essas tortas econômicas explodiram de tamanho. O PIB global por pessoa, o valor dessas fatias individuais hoje, seria em torno de US$ 10.150. Se a economia seguir crescendo à taxa de 2%, nossos filhos serão duas vezes mais ricos que nós. Se continuar a uma taxa mais modesta, de 1%, nossos netos serão duas vezes mais ricos do que nós. Considerando tudo isso, solucionamos esse problema econômico tradicional.
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.
Agora, se ocorrer o desemprego tecnológico, de uma forma estranha ele será um sintoma desse sucesso, terá resolvido um problema: como aumentar a torta; mas substituído por outro: como garantir que todos recebam uma fatia. Como outro economista registrou, resolver esse problema não será fácil. Hoje, para a maioria das pessoas, o emprego é seu assento na mesa da economia, e em um mundo com menos ou mesmo sem trabalho, não estará claro como fazer para ganhar sua fatia. Muito se tem falado, por exemplo, em várias formas de renda básica universal como uma abordagem possível, e várias experiências estão sendo feitas nos EUA, na Finlândia e no Quênia. E este é o desafio coletivo que está à nossa frente: descobrir como essa prosperidade material gerada por nosso sistema econômico pode ser desfrutada por todos em um mundo em que nosso mecanismo tradicional de dividir a torta, o trabalho das pessoas, diminua e talvez desapareça.
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.
Resolver esse problema requer que pensemos de maneiras diferentes. Haverá muita discordância sobre o que deve ser feito, mas é importante lembrar que esse é um problema bem melhor de se ter do que aquele que assombrou nossos antepassados por séculos: como aumentar a torta o suficiente.
Thank you very much.
Muito obrigado.
(Applause)
(Aplausos)