TED@Merck KGaA, Darmstadt, Germany
Daniel Susskind: 3 myths about the future of work (and why they're not true)
Daniel Susskind: Tres mitos sobre el futuro del trabajo (y por qué son falsos)
Filmed:
Readability: 4.5
1,519,249 views
"¿Reemplazarán las máquinas a los seres humanos?" Esta pregunta ronda en la cabeza de cualquiera que tenga un empleo y pueda perderlo. Daniel Susskind aborda este interrogante y explica tres conceptos equivocados sobre nuestro futuro automatizado. Sugiere que nos hagamos otra pregunta: ¿cómo haremos para distribuir la riqueza en un mundo donde habrá menos trabajo, o incluso nada de trabajo?
Daniel Susskind - Economist
Daniel Susskind explores the impact of technology, particularly artificial intelligence, on work and society. Full bio
Daniel Susskind explores the impact of technology, particularly artificial intelligence, on work and society. Full bio
Double-click the English transcript below to play the video.
00:12
Automation anxiety
has been spreading lately,
has been spreading lately,
0
760
3376
Un fenómeno que últimamente
se está difundiendo
se está difundiendo
es la ansiedad por la automatización,
00:16
a fear that in the future,
1
4160
2656
el miedo de que en un futuro
00:18
many jobs will be performed by machines
2
6840
2456
muchas tareas sean realizadas por máquinas
00:21
rather than human beings,
3
9320
1336
y no por seres humanos,
00:22
given the remarkable advances
that are unfolding
that are unfolding
4
10680
2936
a juzgar por los grandes avances
que se están logrando
que se están logrando
00:25
in artificial intelligence and robotics.
5
13640
2776
en el campo de la inteligencia artificial
y de la robótica.
y de la robótica.
00:28
What's clear is that
there will be significant change.
there will be significant change.
6
16440
2816
Lo cierto es que habrá
cambios importantes.
cambios importantes.
00:31
What's less clear
is what that change will look like.
is what that change will look like.
7
19280
3616
Lo que no está tan claro
es cómo serán esos cambios.
es cómo serán esos cambios.
00:34
My research suggests that the future
is both troubling and exciting.
is both troubling and exciting.
8
22920
4936
La investigación que hice
sugiere que el futuro
sugiere que el futuro
es inquietante e interesante.
00:39
The threat of technological
unemployment is real,
unemployment is real,
9
27880
3736
La amenaza del desempleo
tecnológico es real,
tecnológico es real,
00:43
and yet it's a good problem to have.
10
31640
2056
pero aun así es un problema con ventajas.
00:45
And to explain
how I came to that conclusion,
how I came to that conclusion,
11
33720
3216
Y para explicar cómo llegué
a esta conclusión,
a esta conclusión,
00:48
I want to confront three myths
12
36960
2536
quiero hablar de tres mitos
00:51
that I think are currently obscuring
our vision of this automated future.
our vision of this automated future.
13
39520
4280
que en mi opinión hoy impiden
tener un claro panorama
tener un claro panorama
de este futuro automatizado.
Una imagen que solemos ver
en las pantallas de TV,
en las pantallas de TV,
00:56
A picture that we see
on our television screens,
on our television screens,
14
44880
2336
00:59
in books, in films, in everyday commentary
15
47240
2216
en libros, en películas,
en las crónicas diarias,
en las crónicas diarias,
01:01
is one where an army of robots
descends on the workplace
descends on the workplace
16
49480
3696
es la de un ejército de robots
que llega a nuestro lugar de trabajo
que llega a nuestro lugar de trabajo
01:05
with one goal in mind:
17
53200
1376
con un solo objetivo:
01:06
to displace human beings from their work.
18
54600
2496
desplazar a los seres humanos
de sus trabajos.
de sus trabajos.
01:09
And I call this the Terminator myth.
19
57120
2696
A esto le llamo
el "mito del Exterminador".
el "mito del Exterminador".
01:11
Yes, machines displace
human beings from particular tasks,
human beings from particular tasks,
20
59840
3976
Es verdad, las máquinas desplazan
a los humanos en tareas específicas.
a los humanos en tareas específicas.
01:15
but they don't just
substitute for human beings.
substitute for human beings.
21
63840
2256
Pero no solo los reemplazan,
01:18
They also complement them in other tasks,
22
66120
1976
también los complementan en otras tareas,
01:20
making that work more valuable
and more important.
and more important.
23
68120
3616
haciendo que ese trabajo
sea más valioso e importante.
sea más valioso e importante.
01:23
Sometimes they complement
human beings directly,
human beings directly,
24
71760
3336
A veces las máquinas complementan
a los humanos de manera directa,
a los humanos de manera directa,
01:27
making them more productive
or more efficient at a particular task.
or more efficient at a particular task.
25
75120
4016
aumentando la productividad
y la eficiencia en una tarea particular.
y la eficiencia en una tarea particular.
01:31
So a taxi driver can use a satnav system
to navigate on unfamiliar roads.
to navigate on unfamiliar roads.
26
79160
4616
Un taxista, por ejemplo, puede usar un GPS
para orientarse en sitios desconocidos.
para orientarse en sitios desconocidos.
01:35
An architect can use
computer-assisted design software
computer-assisted design software
27
83800
3336
Un arquitecto puede usar
un software específico
un software específico
01:39
to design bigger,
more complicated buildings.
more complicated buildings.
28
87160
3096
para diseñar edificios
más grandes y complejos.
más grandes y complejos.
01:42
But technological progress doesn't
just complement human beings directly.
just complement human beings directly.
29
90280
3696
Pero el progreso tecnológico
no solo complementa
al ser humano de manera directa.
al ser humano de manera directa.
01:46
It also complements them indirectly,
and it does this in two ways.
and it does this in two ways.
30
94000
3336
También lo hace indirectamente,
de dos maneras.
de dos maneras.
01:49
The first is if we think
of the economy as a pie,
of the economy as a pie,
31
97360
3336
La primera es la siguiente: si concebimos
la economía como una tarta,
la economía como una tarta,
01:52
technological progress
makes the pie bigger.
makes the pie bigger.
32
100720
2896
el progreso tecnológico
aumenta el tamaño de esa tarta.
aumenta el tamaño de esa tarta.
01:55
As productivity increases,
incomes rise and demand grows.
incomes rise and demand grows.
33
103640
3856
A medida que la productividad aumenta,
el ingreso sube y la demanda crece.
el ingreso sube y la demanda crece.
01:59
The British pie, for instance,
34
107520
1776
La tarta de Gran Bretaña, por ejemplo,
02:01
is more than a hundred times
the size it was 300 years ago.
the size it was 300 years ago.
35
109320
3960
es más de 100 veces mayor
que hace 300 años.
que hace 300 años.
02:05
And so people displaced
from tasks in the old pie
from tasks in the old pie
36
113920
3216
Así, quienes fueron desplazados
de sus tareas en la viejo tarta
de sus tareas en la viejo tarta
02:09
could find tasks to do
in the new pie instead.
in the new pie instead.
37
117160
2720
encontraron en la nueva tarta
otras tareas para hacer.
otras tareas para hacer.
02:12
But technological progress
doesn't just make the pie bigger.
doesn't just make the pie bigger.
38
120800
3936
Pero el progreso tecnológico
no solo agranda la tarta,
no solo agranda la tarta,
02:16
It also changes
the ingredients in the pie.
the ingredients in the pie.
39
124760
2856
sino que también cambia sus ingredientes.
02:19
As time passes, people spend
their income in different ways,
their income in different ways,
40
127640
3456
Con el tiempo, la gente va cambiando
la forma en que gasta su ingreso,
la forma en que gasta su ingreso,
02:23
changing how they spread it
across existing goods,
across existing goods,
41
131120
2816
distribuyéndolo de otra manera
entre los productos disponibles,
entre los productos disponibles,
02:25
and developing tastes
for entirely new goods, too.
for entirely new goods, too.
42
133960
3216
y desarrollando gustos
por nuevos productos también.
por nuevos productos también.
02:29
New industries are created,
43
137200
1776
Se crean nuevas industrias,
02:31
new tasks have to be done
44
139000
1816
surgen nuevas tareas que realizar
02:32
and that means often
new roles have to be filled.
new roles have to be filled.
45
140840
2536
y por lo tanto habrá
nuevas funciones que cumplir.
nuevas funciones que cumplir.
02:35
So again, the British pie:
46
143400
1496
Volvamos a la tarta de Gran Bretaña:
02:36
300 years ago,
most people worked on farms,
most people worked on farms,
47
144920
2976
hace 300 años, la mayoría de la gente
trabajaba en granjas;
trabajaba en granjas;
02:39
150 years ago, in factories,
48
147920
2336
hace 150 años, en fábricas;
02:42
and today, most people work in offices.
49
150280
2856
y hoy, en oficinas.
02:45
And once again, people displaced
from tasks in the old bit of pie
from tasks in the old bit of pie
50
153160
4056
De nuevo, quienes fueron desplazados
de sus tareas en la vieja tarta
de sus tareas en la vieja tarta
02:49
could tumble into tasks
in the new bit of pie instead.
in the new bit of pie instead.
51
157240
2800
pudieron asumir tareas
en la porción de la nueva tarta.
en la porción de la nueva tarta.
02:52
Economists call these effects
complementarities,
complementarities,
52
160720
3336
Los economistas llaman a estos efectos
"complementariedades",
"complementariedades",
02:56
but really that's just a fancy word
to capture the different way
to capture the different way
53
164080
3256
que es en realidad un término elegante
para expresar la forma diferente
para expresar la forma diferente
02:59
that technological progress
helps human beings.
helps human beings.
54
167360
3136
en que el progreso tecnológico
puede ayudar a los humanos.
puede ayudar a los humanos.
03:02
Resolving this Terminator myth
55
170520
2096
Resolver este mito del Exterminador
03:04
shows us that there are
two forces at play:
two forces at play:
56
172640
2336
nos demostrará
que hay dos fuerzas en juego:
que hay dos fuerzas en juego:
por un lado, el reemplazo
de mano de obra por máquinas,
de mano de obra por máquinas,
03:07
one, machine substitution
that harms workers,
that harms workers,
57
175000
3536
que perjudica al trabajador,
03:10
but also these complementarities
that do the opposite.
that do the opposite.
58
178560
2880
y por el otro estas complementariedades,
que hacen lo contrario.
que hacen lo contrario.
03:13
Now the second myth,
59
181960
1376
Veamos el segundo mito,
03:15
what I call the intelligence myth.
60
183360
2280
que yo llamo "el mito de la inteligencia".
03:18
What do the tasks of driving a car,
making a medical diagnosis
making a medical diagnosis
61
186440
4896
¿Qué tienen en común
las siguientes tareas:
las siguientes tareas:
conducir un automóvil,
hacer un diagnóstico médico
hacer un diagnóstico médico
e identificar un pájaro
con un rápido vistazo?
con un rápido vistazo?
03:23
and identifying a bird
at a fleeting glimpse have in common?
at a fleeting glimpse have in common?
62
191360
2920
03:27
Well, these are all tasks
that until very recently,
that until very recently,
63
195280
2976
Pues bien, hasta hace muy poco
los economistas expertos
los economistas expertos
03:30
leading economists thought
couldn't readily be automated.
couldn't readily be automated.
64
198280
3336
consideraban que estas tareas
no podían ser fácilmente automatizadas.
no podían ser fácilmente automatizadas.
03:33
And yet today, all of these tasks
can be automated.
can be automated.
65
201640
3176
Sin embargo, hoy en día
todas pueden automatizarse.
todas pueden automatizarse.
03:36
You know, all major car manufacturers
have driverless car programs.
have driverless car programs.
66
204840
3496
De hecho, las principales
empresas automotrices
empresas automotrices
cuentan con programas
de conducción autónoma.
de conducción autónoma.
03:40
There's countless systems out there
that can diagnose medical problems.
that can diagnose medical problems.
67
208360
3976
Hay una infinidad de sistemas
que pueden diagnosticar problemas médicos.
que pueden diagnosticar problemas médicos.
03:44
And there's even an app
that can identify a bird
that can identify a bird
68
212360
2416
Y hasta hay una aplicación
que puede identificar un pájaro
que puede identificar un pájaro
03:46
at a fleeting glimpse.
69
214800
1200
de un rápido vistazo.
03:48
Now, this wasn't simply a case of bad luck
on the part of economists.
on the part of economists.
70
216920
4376
Ahora bien, no es que los economistas
hayan tenido mala suerte y nada más.
hayan tenido mala suerte y nada más.
03:53
They were wrong,
71
221320
1296
Se equivocaron,
03:54
and the reason why
they were wrong is very important.
they were wrong is very important.
72
222640
2496
y lo importante es por qué se equivocaron.
03:57
They've fallen for the intelligence myth,
73
225160
2256
Se dejaron engañar por el mito
de la inteligencia,
de la inteligencia,
03:59
the belief that machines
have to copy the way
have to copy the way
74
227440
2896
por creer que las máquinas
debían copiar la manera
debían copiar la manera
04:02
that human beings think and reason
75
230360
2056
en que pensamos y razonamos
para superarnos en rendimiento.
para superarnos en rendimiento.
04:04
in order to outperform them.
76
232440
1776
04:06
When these economists
were trying to figure out
were trying to figure out
77
234240
2216
Cuando estos economistas
decidieron averiguar
decidieron averiguar
04:08
what tasks machines could not do,
78
236480
1856
cuáles eran las tareas
que las máquinas no podían hacer,
que las máquinas no podían hacer,
04:10
they imagined the only way
to automate a task
to automate a task
79
238360
2136
imaginaron que la única forma
de automatizar un trabajo
de automatizar un trabajo
04:12
was to sit down with a human being,
80
240520
1816
era sentarse con un ser humano,
04:14
get them to explain to you
how it was they performed a task,
how it was they performed a task,
81
242360
3536
pedir que les expliquen
cómo hacían el trabajo,
cómo hacían el trabajo,
04:17
and then try and capture that explanation
82
245920
2656
y luego tratar de plasmar esa explicación
04:20
in a set of instructions
for a machine to follow.
for a machine to follow.
83
248600
2776
en una serie de instrucciones
que la máquina debía seguir.
que la máquina debía seguir.
04:23
This view was popular in artificial
intelligence at one point, too.
intelligence at one point, too.
84
251400
4176
En un punto, también se creía esto
en el campo de la inteligencia artificial.
en el campo de la inteligencia artificial.
04:27
I know this because Richard Susskind,
85
255600
2176
Lo sé porque Richard Susskind,
04:29
who is my dad and my coauthor,
86
257800
2856
que es mi padre y mi coautor,
04:32
wrote his doctorate in the 1980s
on artificial intelligence and the law
on artificial intelligence and the law
87
260680
4056
hizo su doctorado en la década de 1980
en la Universidad de Oxford,
04:36
at Oxford University,
88
264760
1416
sobre la inteligencia artificial
en el derecho
en el derecho
04:38
and he was part of the vanguard.
89
266200
1576
y formó parte de la vanguardia.
04:39
And with a professor called Phillip Capper
90
267800
2256
Junto con el profesor Phillip Capper
04:42
and a legal publisher called Butterworths,
91
270080
2096
y el editor de textos jurídicos
Butterworths
Butterworths
04:44
they produced the world's first
commercially available
commercially available
92
272200
5896
desarrollaron un sistema
de inteligencia artificial para juristas,
de inteligencia artificial para juristas,
el primero disponible
en el circuito comercial
en el circuito comercial
04:50
artificial intelligence system in the law.
93
278120
2776
a nivel mundial.
04:52
This was the home screen design.
94
280920
2616
Este era el diseño
de la pantalla de inicio.
de la pantalla de inicio.
04:55
He assures me this was
a cool screen design at the time.
a cool screen design at the time.
95
283560
2696
Según él, un diseño muy atractivo
para la época.
para la época.
04:58
(Laughter)
96
286280
1016
(Risas)
04:59
I've never been entirely convinced.
97
287320
1696
Nunca me convenció del todo.
05:01
He published it
in the form of two floppy disks,
in the form of two floppy disks,
98
289040
2616
Lo publicó en forma
de dos discos flexibles,
de dos discos flexibles,
05:03
at a time where floppy disks
genuinely were floppy,
genuinely were floppy,
99
291680
3536
en la época en que los discos flexibles
eran flexibles en serio.
eran flexibles en serio.
05:07
and his approach was the same
as the economists':
as the economists':
100
295240
2336
Y usó la misma técnica
que los economistas:
que los economistas:
05:09
sit down with a lawyer,
101
297600
1256
sentarse con la abogada,
05:10
get her to explain to you
how it was she solved a legal problem,
how it was she solved a legal problem,
102
298880
3176
pedirle que explique cómo
resolvía un problema legal,
resolvía un problema legal,
05:14
and then try and capture that explanation
in a set of rules for a machine to follow.
in a set of rules for a machine to follow.
103
302080
5376
y luego tratar de plasmar la explicación
en una serie de reglas
en una serie de reglas
que la máquina debía seguir.
05:19
In economics, if human beings
could explain themselves in this way,
could explain themselves in this way,
104
307480
3616
En economía, si los seres humanos
se pueden explicar de esta manera,
se pueden explicar de esta manera,
05:23
the tasks are called routine,
and they could be automated.
and they could be automated.
105
311120
3296
los trabajos se llaman rutinarios,
y pueden ser automatizados.
y pueden ser automatizados.
05:26
But if human beings
can't explain themselves,
can't explain themselves,
106
314440
2336
Pero si las personas no se saben explicar,
05:28
the tasks are called non-routine,
and they're thought to be out reach.
and they're thought to be out reach.
107
316800
4256
los trabajos se llaman no rutinarios,
y se los considera inviables.
y se los considera inviables.
Actualmente, esa distinción
05:33
Today, that routine-nonroutine
distinction is widespread.
distinction is widespread.
108
321080
3296
entre trabajo rutinario y no rutinario
está muy difundida.
está muy difundida.
05:36
Think how often you hear people say to you
109
324400
2056
Pensemos cuántas veces escuchamos
05:38
machines can only perform tasks
that are predictable or repetitive,
that are predictable or repetitive,
110
326480
3256
que las máquinas solo pueden hacer
tareas predecibles o repetitivas,
tareas predecibles o repetitivas,
05:41
rules-based or well-defined.
111
329760
1896
basadas en reglas
o con pautas bien definidas.
o con pautas bien definidas.
05:43
Those are all just
different words for routine.
different words for routine.
112
331680
2936
Son todos términos distintos
para referirse a tareas rutinarias.
para referirse a tareas rutinarias.
05:46
And go back to those three cases
that I mentioned at the start.
that I mentioned at the start.
113
334640
3976
Recordemos los tres casos
que mencioné al principio.
que mencioné al principio.
05:50
Those are all classic cases
of nonroutine tasks.
of nonroutine tasks.
114
338640
2896
Son todos típicos casos
de tareas no rutinarias.
de tareas no rutinarias.
Si preguntamos a una médica, por ejemplo,
cómo hace un diagnóstico
cómo hace un diagnóstico
05:53
Ask a doctor, for instance,
how she makes a medical diagnosis,
how she makes a medical diagnosis,
115
341560
2976
05:56
and she might be able
to give you a few rules of thumb,
to give you a few rules of thumb,
116
344560
2656
nos dirá que se basa
en algunas reglas intuitivas,
en algunas reglas intuitivas,
05:59
but ultimately she'd struggle.
117
347240
1656
pero en definitiva le costaría.
06:00
She'd say it requires things like
creativity and judgment and intuition.
creativity and judgment and intuition.
118
348920
4816
Dirá que ese proceso requiere
de creatividad, criterio e intuición.
de creatividad, criterio e intuición.
06:05
And these things are
very difficult to articulate,
very difficult to articulate,
119
353760
2376
Pero no es fácil articular todo esto
06:08
and so it was thought these tasks
would be very hard to automate.
would be very hard to automate.
120
356160
3096
y por eso se creía que era muy difícil
automatizar estas tareas.
automatizar estas tareas.
06:11
If a human being can't explain themselves,
121
359280
2536
Si un ser humano no sabe explicarse,
06:13
where on earth do we begin
in writing a set of instructions
in writing a set of instructions
122
361840
2896
¿cómo diablos empezamos
a escribir las instrucciones
a escribir las instrucciones
06:16
for a machine to follow?
123
364760
1200
para que una máquina las siga?
06:18
Thirty years ago, this view was right,
124
366640
2576
Hace 30 años, esta visión era correcta
06:21
but today it's looking shaky,
125
369240
2136
pero hoy en día es cuestionable
06:23
and in the future
it's simply going to be wrong.
it's simply going to be wrong.
126
371400
2256
y en el futuro perderá todo sustento.
06:25
Advances in processing power,
in data storage capability
in data storage capability
127
373680
3256
Los avances en la capacidad
de procesamiento y almacenamiento de datos
de procesamiento y almacenamiento de datos
06:28
and in algorithm design
128
376960
1656
y en el diseño de algoritmos
06:30
mean that this
routine-nonroutine distinction
routine-nonroutine distinction
129
378640
2496
indican que esta distinción entre
lo rutinario y lo no rutinario
lo rutinario y lo no rutinario
06:33
is diminishingly useful.
130
381160
1736
será cada vez menos útil.
06:34
To see this, go back to the case
of making a medical diagnosis.
of making a medical diagnosis.
131
382920
3256
Para ilustrarlo, volvamos al caso
del médico que hace un diagnóstico.
del médico que hace un diagnóstico.
06:38
Earlier in the year,
132
386200
1376
A principio de año,
06:39
a team of researchers at Stanford
announced they'd developed a system
announced they'd developed a system
133
387600
3296
un equipo de investigadores de Stanford
anunció el desarrollo de un sistema
anunció el desarrollo de un sistema
06:42
which can tell you
whether or not a freckle is cancerous
whether or not a freckle is cancerous
134
390920
3056
que puede identificar si una mancha
en la piel es cancerígena o no
en la piel es cancerígena o no
06:46
as accurately as leading dermatologists.
135
394000
2680
con la misma precisión del diagnóstico
de dermatólogos de prestigio.
de dermatólogos de prestigio.
06:49
How does it work?
136
397280
1256
¿Cómo funciona?
06:50
It's not trying to copy the judgment
or the intuition of a doctor.
or the intuition of a doctor.
137
398560
5296
No intenta imitar el criterio
ni la intuición de un médico.
ni la intuición de un médico.
06:55
It knows or understands
nothing about medicine at all.
nothing about medicine at all.
138
403880
3136
No sabe ni entiende de medicina.
06:59
Instead, it's running
a pattern recognition algorithm
a pattern recognition algorithm
139
407040
2576
En cambio, ejecuta un algoritmo
de reconocimiento de patrones
de reconocimiento de patrones
07:01
through 129,450 past cases,
140
409640
4656
que recorre 129 450 casos previos,
07:06
hunting for similarities
between those cases
between those cases
141
414320
3096
y busca similitudes entre esos casos
y la lesión específica en cuestión.
y la lesión específica en cuestión.
07:09
and the particular lesion in question.
142
417440
2080
07:12
It's performing these tasks
in an unhuman way,
in an unhuman way,
143
420080
3216
Realiza estas tareas
de una manera no humana,
de una manera no humana,
07:15
based on the analysis
of more possible cases
of more possible cases
144
423320
2336
analizando los casos más probables,
que serían imposibles de revisar
para cualquier médico en toda su vida.
para cualquier médico en toda su vida.
07:17
than any doctor could hope
to review in their lifetime.
to review in their lifetime.
145
425680
2616
07:20
It didn't matter that that human being,
146
428320
1896
No importó si ese ser humano,
07:22
that doctor, couldn't explain
how she'd performed the task.
how she'd performed the task.
147
430240
2800
si esa médica, no pudo explicar
cómo había hecho la tarea.
cómo había hecho la tarea.
07:25
Now, there are those
who dwell upon that the fact
who dwell upon that the fact
148
433640
2336
Ahora bien, hay quienes tienen sus reparos
07:28
that these machines
aren't built in our image.
aren't built in our image.
149
436000
2296
porque estas máquinas no están hechas
a semejanza de un humano.
a semejanza de un humano.
07:30
As an example, take IBM's Watson,
150
438320
2056
Como ejemplo, tomemos a Watson,
la supercomputadora de IBM
la supercomputadora de IBM
07:32
the supercomputer that went
on the US quiz show "Jeopardy!" in 2011,
on the US quiz show "Jeopardy!" in 2011,
151
440400
4856
que participó de un concurso
en "Jeopardy!" en EE.UU. en 2011
en "Jeopardy!" en EE.UU. en 2011
07:37
and it beat the two
human champions at "Jeopardy!"
human champions at "Jeopardy!"
152
445280
3016
y le ganó a dos campeones humanos
en el programa.
en el programa.
07:40
The day after it won,
153
448320
1696
Al día siguiente,
07:42
The Wall Street Journal ran a piece
by the philosopher John Searle
by the philosopher John Searle
154
450040
3296
el periódico Wall Street Journal publicó
un artículo del filósofo John Searle
un artículo del filósofo John Searle
07:45
with the title "Watson
Doesn't Know It Won on 'Jeopardy!'"
Doesn't Know It Won on 'Jeopardy!'"
155
453360
3376
titulado "Watson no sabe que ganó
en 'Jeopardy!'"
en 'Jeopardy!'"
07:48
Right, and it's brilliant, and it's true.
156
456760
1976
Brillante y cierto.
Watson no gritó de felicidad.
07:50
You know, Watson didn't
let out a cry of excitement.
let out a cry of excitement.
157
458760
2456
No llamó a sus padres
para contarles de su logro.
para contarles de su logro.
07:53
It didn't call up its parents
to say what a good job it had done.
to say what a good job it had done.
158
461240
3096
No fue al bar a tomar un trago.
07:56
It didn't go down to the pub for a drink.
159
464360
2336
07:58
This system wasn't trying to copy the way
that those human contestants played,
that those human contestants played,
160
466720
4456
El sistema no pretendía copiar la forma
en que jugaban los participantes humanos,
en que jugaban los participantes humanos,
08:03
but it didn't matter.
161
471200
1256
pero no tenía importancia.
08:04
It still outperformed them.
162
472480
1976
Aun así, les ganó.
08:06
Resolving the intelligence myth
163
474480
1576
Al resolver el mito de la inteligencia,
08:08
shows us that our limited understanding
about human intelligence,
about human intelligence,
164
476080
3376
podemos ver que nuestro limitado
conocimiento de la inteligencia humana,
conocimiento de la inteligencia humana,
08:11
about how we think and reason,
165
479480
1896
de la manera en que pensamos y razonamos,
08:13
is far less of a constraint
on automation than it was in the past.
on automation than it was in the past.
166
481400
3456
ya no es una limitación
para la automatización
para la automatización
como lo era en el pasado.
08:16
What's more, as we've seen,
167
484880
1496
Más aun, hemos visto
que cuando estas máquinas
que cuando estas máquinas
08:18
when these machines
perform tasks differently to human beings,
perform tasks differently to human beings,
168
486400
3416
hacen tareas de un modo distinto
al de los seres humanos,
al de los seres humanos,
08:21
there's no reason to think
169
489840
1256
no hay motivo para pensar
08:23
that what human beings
are currently capable of doing
are currently capable of doing
170
491120
2536
que lo que nosotros podemos hacer
08:25
represents any sort of summit
171
493680
1456
sería una especie de punto máximo
08:27
in what these machines
might be capable of doing in the future.
might be capable of doing in the future.
172
495160
3000
de lo que estas máquinas
llegarían a hacer en el futuro.
llegarían a hacer en el futuro.
08:31
Now the third myth,
173
499040
1256
Veamos el tercer mito,
08:32
what I call the superiority myth.
174
500320
2456
que yo llamo "el mito de la superioridad".
08:34
It's often said that those who forget
175
502800
2216
Suele decirse que quienes olvidan
el lado útil del progreso tecnológico,
el lado útil del progreso tecnológico,
08:37
about the helpful side
of technological progress,
of technological progress,
176
505040
2456
08:39
those complementarities from before,
177
507520
2496
las complementariedades que mencioné,
08:42
are committing something
known as the lump of labor fallacy.
known as the lump of labor fallacy.
178
510040
3040
están cayendo en lo que se denomina
la falacia de la cantidad fija de trabajo.
la falacia de la cantidad fija de trabajo.
08:45
Now, the problem is
the lump of labor fallacy
the lump of labor fallacy
179
513840
2295
Pues bien, el problema es que esta falacia
es una falacia en sí misma;
es una falacia en sí misma;
08:48
is itself a fallacy,
180
516159
1496
08:49
and I call this the lump
of labor fallacy fallacy,
of labor fallacy fallacy,
181
517679
2937
por eso la llamo
la falacia de la falacia
de la cantidad fija de trabajo.
de la cantidad fija de trabajo.
08:52
or LOLFF, for short.
182
520640
2320
08:56
Let me explain.
183
524000
1416
Paso a explicarla.
08:57
The lump of labor fallacy
is a very old idea.
is a very old idea.
184
525440
2136
La falacia de la cantidad fija
de trabajo es un viejo concepto.
de trabajo es un viejo concepto.
08:59
It was a British economist, David Schloss,
who gave it this name in 1892.
who gave it this name in 1892.
185
527600
4216
Un economista británico, David Schloss,
le dio este nombre en 1892.
le dio este nombre en 1892.
09:03
He was puzzled
to come across a dock worker
to come across a dock worker
186
531840
2816
Quedó asombrado cuando una vez
vio a un estibador
vio a un estibador
09:06
who had begun to use
a machine to make washers,
a machine to make washers,
187
534680
2336
que había empezado a usar
una máquina para hacer arandelas,
una máquina para hacer arandelas,
09:09
the small metal discs
that fasten on the end of screws.
that fasten on the end of screws.
188
537040
3320
esos pequeños discos metálicos
que mantienen apretados los tornillos.
que mantienen apretados los tornillos.
09:13
And this dock worker
felt guilty for being more productive.
felt guilty for being more productive.
189
541000
3760
Este estibador sentía culpa
por aumentar su productividad.
por aumentar su productividad.
Claro que casi siempre
ocurre lo contrario:
ocurre lo contrario:
09:17
Now, most of the time,
we expect the opposite,
we expect the opposite,
190
545560
2176
sentimos culpa por no ser productivos,
09:19
that people feel guilty
for being unproductive,
for being unproductive,
191
547760
2216
por pasar demasiado tiempo
en Facebook o Twitter en el trabajo.
en Facebook o Twitter en el trabajo.
09:22
you know, a little too much time
on Facebook or Twitter at work.
on Facebook or Twitter at work.
192
550000
3016
Pero esta persona sentía culpa
por ser más productiva,
por ser más productiva,
09:25
But this worker felt guilty
for being more productive,
for being more productive,
193
553040
2536
y lo explicó diciendo:
"Sé que estoy haciendo lo incorrecto;
"Sé que estoy haciendo lo incorrecto;
09:27
and asked why, he said,
"I know I'm doing wrong.
"I know I'm doing wrong.
194
555600
2296
le estoy quitando trabajo a otra persona".
09:29
I'm taking away the work of another man."
195
557920
2040
09:32
In his mind, there was
some fixed lump of work
some fixed lump of work
196
560760
2976
En su visión, había
una cantidad fija de trabajo
una cantidad fija de trabajo
09:35
to be divided up between him and his pals,
197
563760
2136
que debía dividirse
entre él y sus compañeros,
entre él y sus compañeros,
09:37
so that if he used
this machine to do more,
this machine to do more,
198
565920
2056
y al usar una máquina
para aumentar la producción
para aumentar la producción
09:40
there'd be less left for his pals to do.
199
568000
2016
habría menos trabajo para sus compañeros.
09:42
Schloss saw the mistake.
200
570040
1856
Schloss vio el error.
09:43
The lump of work wasn't fixed.
201
571920
1856
La cantidad de trabajo no era fija.
09:45
As this worker used the machine
and became more productive,
and became more productive,
202
573800
2816
Cuando este trabajador usara
la máquina y aumentara su producción,
la máquina y aumentara su producción,
09:48
the price of washers would fall,
demand for washers would rise,
demand for washers would rise,
203
576640
2976
el precio de las arandelas caería,
la demanda crecería,
la demanda crecería,
09:51
more washers would have to be made,
204
579640
1696
surgiría la necesidad
de hacer más arandelas,
de hacer más arandelas,
09:53
and there'd be more work
for his pals to do.
for his pals to do.
205
581360
2096
y habría más trabajo para sus compañeros.
09:55
The lump of work would get bigger.
206
583480
1696
La cantidad de trabajo aumentaría.
09:57
Schloss called this
"the lump of labor fallacy."
"the lump of labor fallacy."
207
585200
2680
Schloss le llamó a esto "la falacia
de la cantidad fija de trabajo".
de la cantidad fija de trabajo".
10:00
And today you hear people talk
about the lump of labor fallacy
about the lump of labor fallacy
208
588560
2936
Actualmente se habla de esta falacia
para referirse al futuro
de todos los trabajos.
de todos los trabajos.
10:03
to think about the future
of all types of work.
of all types of work.
209
591520
2216
No hay una cantidad fija de trabajo
que deba dividirse
que deba dividirse
10:05
There's no fixed lump of work
out there to be divided up
out there to be divided up
210
593760
2656
entre las personas y las máquinas.
10:08
between people and machines.
211
596440
1376
Sí, es cierto que las máquinas
sustituyen a los humanos
sustituyen a los humanos
10:09
Yes, machines substitute for human beings,
making the original lump of work smaller,
making the original lump of work smaller,
212
597840
4656
y así disminuye la cantidad de trabajo,
10:14
but they also complement human beings,
213
602520
1856
pero también los complementan
10:16
and the lump of work
gets bigger and changes.
gets bigger and changes.
214
604400
2096
y la cantidad de trabajo aumenta y cambia.
10:19
But LOLFF.
215
607760
1616
Pero la falacia de esta falacia
entraña un error:
entraña un error:
10:21
Here's the mistake:
216
609400
1376
10:22
it's right to think
that technological progress
that technological progress
217
610800
2216
es correcto pensar que
el progreso tecnológico
el progreso tecnológico
10:25
makes the lump of work to be done bigger.
218
613040
1976
aumenta la cantidad de trabajo.
10:27
Some tasks become more valuable.
New tasks have to be done.
New tasks have to be done.
219
615040
3016
Algunas tareas se valorizan,
nuevas tareas aparecen.
nuevas tareas aparecen.
10:30
But it's wrong to think that necessarily,
220
618080
2536
Pero es incorrecto pensar
que necesariamente los humanos
que necesariamente los humanos
10:32
human beings will be best placed
to perform those tasks.
to perform those tasks.
221
620640
3256
estaremos en mejores condiciones
de hacer esas tareas.
de hacer esas tareas.
10:35
And this is the superiority myth.
222
623920
1616
Y este es "el mito de la superioridad".
10:37
Yes, the lump of work
might get bigger and change,
might get bigger and change,
223
625560
3416
Efectivamente, la cantidad de trabajo
puede ser mayor y cambiar,
puede ser mayor y cambiar,
pero a medida que las máquinas
se hacen más capaces,
se hacen más capaces,
10:41
but as machines become more capable,
224
629000
1976
10:43
it's likely that they'll take on
the extra lump of work themselves.
the extra lump of work themselves.
225
631000
3896
es posible que asuman
esa cantidad extra de trabajo.
esa cantidad extra de trabajo.
10:46
Technological progress,
rather than complement human beings,
rather than complement human beings,
226
634920
3256
El progreso tecnológico,
más que complementar a los humanos,
más que complementar a los humanos,
10:50
complements machines instead.
227
638200
1880
complementa a las máquinas.
10:52
To see this, go back
to the task of driving a car.
to the task of driving a car.
228
640920
3016
Para entenderlo, volvamos
a la tarea de conducir un automóvil.
a la tarea de conducir un automóvil.
10:55
Today, satnav systems
directly complement human beings.
directly complement human beings.
229
643960
4096
Hoy en día, los sistemas de GPS
nos complementan a los humanos
de forma directa.
de forma directa.
11:00
They make some
human beings better drivers.
human beings better drivers.
230
648080
2280
Nos hacen mejores conductores.
11:02
But in the future,
231
650920
1256
Pero en el futuro
11:04
software is going to displace
human beings from the driving seat,
human beings from the driving seat,
232
652200
3096
el software desplazará a los humanos
del asiento del conductor,
del asiento del conductor,
11:07
and these satnav systems,
rather than complement human beings,
rather than complement human beings,
233
655320
2936
y estos sistemas de GPS,
en lugar de complementar a los humanos,
en lugar de complementar a los humanos,
11:10
will simply make these
driverless cars more efficient,
driverless cars more efficient,
234
658280
2536
simplemente harán que los vehículos
sin piloto sean más eficientes,
sin piloto sean más eficientes,
11:12
helping the machines instead.
235
660840
1536
y ayudarán a las máquinas.
11:14
Or go to those indirect complementarities
that I mentioned as well.
that I mentioned as well.
236
662400
4056
O vayamos a las complementariedades
indirectas que mencioné antes.
indirectas que mencioné antes.
La tarta de la economía puede agrandarse,
11:18
The economic pie may get larger,
237
666480
1776
11:20
but as machines become more capable,
238
668280
1736
pero a medida que las máquinas
se hagan más eficientes,
se hagan más eficientes,
11:22
it's possible that any new demand
will fall on goods that machines,
will fall on goods that machines,
239
670040
3143
es posible que haya mayor demanda
de productos fabricados por máquinas
de productos fabricados por máquinas
11:25
rather than human beings,
are best placed to produce.
are best placed to produce.
240
673207
2649
y no por humanos.
11:27
The economic pie may change,
241
675880
1896
La tarta de la economía puede cambiar,
11:29
but as machines become more capable,
242
677800
1896
pero a medida que las máquinas
se hagan más capaces,
se hagan más capaces,
11:31
it's possible that they'll be best placed
to do the new tasks that have to be done.
to do the new tasks that have to be done.
243
679720
4856
es posible que estén mejor posicionadas
para realizar las nuevas tareas.
para realizar las nuevas tareas.
11:36
In short, demand for tasks
isn't demand for human labor.
isn't demand for human labor.
244
684600
3696
En definitiva, la demanda de tareas
no implica demanda de trabajo humano.
no implica demanda de trabajo humano.
11:40
Human beings only stand to benefit
245
688320
1936
Los seres humanos se benefician únicamente
11:42
if they retain the upper hand
in all these complemented tasks,
in all these complemented tasks,
246
690280
3816
si se mantienen a la delantera
en todas estas tareas complementadas,
en todas estas tareas complementadas,
11:46
but as machines become more capable,
that becomes less likely.
that becomes less likely.
247
694120
3720
pero a medida que las máquinas
se hacen más capaces,
se hacen más capaces,
esas posibilidades se reducen.
Ahora bien, ¿qué nos enseñan
estos tres mitos?
estos tres mitos?
11:50
So what do these three myths tell us then?
248
698760
2016
11:52
Well, resolving the Terminator myth
249
700800
1696
Resolver el mito del Exterminador
11:54
shows us that the future of work depends
upon this balance between two forces:
upon this balance between two forces:
250
702520
3696
muestra que el futuro del trabajo
depende del equilibrio entre dos fuerzas:
depende del equilibrio entre dos fuerzas:
una, la sustitución
de mano de obra por máquinas
de mano de obra por máquinas
11:58
one, machine substitution
that harms workers
that harms workers
251
706240
3136
--que perjudica al trabajador--
12:01
but also those complementarities
that do the opposite.
that do the opposite.
252
709400
2576
y la otra, las complementariedades
12:04
And until now, this balance
has fallen in favor of human beings.
has fallen in favor of human beings.
253
712000
4040
que hacen lo opuesto.
Y, hasta ahora, esta balanza
se ha inclinado a favor de los humanos.
se ha inclinado a favor de los humanos.
Resolver el mito de la inteligencia
12:09
But resolving the intelligence myth
254
717120
1736
muestra que esa primera fuerza,
el reemplazo del trabajo por máquinas,
el reemplazo del trabajo por máquinas,
12:10
shows us that that first force,
machine substitution,
machine substitution,
255
718880
2496
12:13
is gathering strength.
256
721400
1296
se está imponiendo.
12:14
Machines, of course, can't do everything,
257
722720
1976
Está claro que las máquinas
no pueden hacer todo,
no pueden hacer todo,
12:16
but they can do far more,
258
724720
1256
pero sí mucho más,
12:18
encroaching ever deeper into the realm
of tasks performed by human beings.
of tasks performed by human beings.
259
726000
4576
penetrando más aún en el terreno
de las tareas hechas por nosotros.
de las tareas hechas por nosotros.
12:22
What's more, there's no reason to think
260
730600
1896
Además, no hay motivo para pensar
12:24
that what human beings
are currently capable of
are currently capable of
261
732520
2216
que lo que los humanos podemos hacer hoy
sería una especie de línea de llegada
sería una especie de línea de llegada
12:26
represents any sort of finishing line,
262
734760
1856
y que las máquinas se detendrán
tranquilamente en su avance
tranquilamente en su avance
12:28
that machines are going
to draw to a polite stop
to draw to a polite stop
263
736640
2256
12:30
once they're as capable as us.
264
738920
1816
una vez que igualen la capacidad humana.
12:32
Now, none of this matters
265
740760
1536
Ahora bien, nada de esto tiene importancia
12:34
so long as those helpful
winds of complementarity
winds of complementarity
266
742320
2816
mientras esos vientos favorables
de la complementariedad
de la complementariedad
12:37
blow firmly enough,
267
745160
1736
soplen con suficiente fuerza.
12:38
but resolving the superiority myth
268
746920
1936
Pero resolver el mito de la superioridad
12:40
shows us that that process
of task encroachment
of task encroachment
269
748880
3096
nos muestra que ese proceso
de invasión de tareas
de invasión de tareas
12:44
not only strengthens
the force of machine substitution,
the force of machine substitution,
270
752000
3936
no solo robustece la fuerza de la
sustitución del trabajo por máquinas
sustitución del trabajo por máquinas
sino que también debilita
esas útiles complementariedades.
esas útiles complementariedades.
12:47
but it wears down
those helpful complementarities too.
those helpful complementarities too.
271
755960
3336
12:51
Bring these three myths together
272
759320
1936
Si reunimos estos tres mitos
12:53
and I think we can capture a glimpse
of that troubling future.
of that troubling future.
273
761280
2936
podremos tener una idea
de ese inquietante futuro.
de ese inquietante futuro.
Las máquinas siguen siendo
cada vez más capaces,
cada vez más capaces,
12:56
Machines continue to become more capable,
274
764240
2016
12:58
encroaching ever deeper
on tasks performed by human beings,
on tasks performed by human beings,
275
766280
3656
invadiendo cada vez más las tareas
realizadas por seres humanos,
realizadas por seres humanos,
13:01
strengthening the force
of machine substitution,
of machine substitution,
276
769960
2576
robusteciendo la fuerza de la sustitución
del trabajo por máquinas
del trabajo por máquinas
13:04
weakening the force
of machine complementarity.
of machine complementarity.
277
772560
3616
y debilitando la fuerza
de las complementariedades.
de las complementariedades.
13:08
And at some point, that balance
falls in favor of machines
falls in favor of machines
278
776200
4296
Y en un punto, la balanza
se inclina a favor de las máquinas
se inclina a favor de las máquinas
13:12
rather than human beings.
279
780520
2056
más que de los seres humanos.
13:14
This is the path we're currently on.
280
782600
1736
Este es el camino que hoy
estamos transitando.
estamos transitando.
13:16
I say "path" deliberately,
because I don't think we're there yet,
because I don't think we're there yet,
281
784360
3176
Y digo "camino" a propósito
porque no creo que hayamos llegado,
porque no creo que hayamos llegado,
13:19
but it is hard to avoid the conclusion
that this is our direction of travel.
that this is our direction of travel.
282
787560
3640
pero no podemos negar
que vamos en esa dirección.
que vamos en esa dirección.
13:24
That's the troubling part.
283
792640
1456
Esto es lo inquietante.
13:26
Let me say now why I think actually
this is a good problem to have.
this is a good problem to have.
284
794120
3520
Les diré ahora por qué considero
que este es un problema con ventajas.
que este es un problema con ventajas.
En casi toda la historia de la humanidad,
el problema económico dominante ha sido
el problema económico dominante ha sido
13:30
For most of human history,
one economic problem has dominated:
one economic problem has dominated:
285
798520
3536
13:34
how to make the economic pie
large enough for everyone to live on.
large enough for everyone to live on.
286
802080
4056
cómo hacer para que la tarta
de la economía alcance para todos.
de la economía alcance para todos.
Vayamos a comienzos
del primer siglo de nuestra era,
del primer siglo de nuestra era,
13:38
Go back to the turn
of the first century AD,
of the first century AD,
287
806160
2176
13:40
and if you took the global economic pie
288
808360
2096
y veremos que si la tarta
de la economía global
de la economía global
13:42
and divided it up into equal slices
for everyone in the world,
for everyone in the world,
289
810480
3296
se dividiera en porciones iguales
para todas las personas del mundo,
para todas las personas del mundo,
13:45
everyone would get a few hundred dollars.
290
813800
2136
cada uno recibiría
unos cientos de dólares.
unos cientos de dólares.
13:47
Almost everyone lived
on or around the poverty line.
on or around the poverty line.
291
815960
2760
Casi todas las personas vivían al borde
de la línea de pobreza, o cerca.
de la línea de pobreza, o cerca.
13:51
And if you roll forward a thousand years,
292
819320
2176
Y si nos adelantamos mil años,
13:53
roughly the same is true.
293
821520
1240
sigue siendo igual, en líneas generales.
13:55
But in the last few hundred years,
economic growth has taken off.
economic growth has taken off.
294
823680
3576
Pero en los últimos cien años,
la economía ha tomado vuelo.
la economía ha tomado vuelo.
13:59
Those economic pies have exploded in size.
295
827280
2376
Esas tartas de la economía
se han disparado en tamaño.
se han disparado en tamaño.
14:01
Global GDP per head,
296
829680
2056
El PIB mundial per cápita,
14:03
the value of those individual
slices of the pie today,
slices of the pie today,
297
831760
3376
el valor actual de esas porciones
individuales de la tarta,
individuales de la tarta,
14:07
they're about 10,150 dollars.
298
835160
2816
es de unos USD 10 150.
14:10
If economic growth continues
at two percent,
at two percent,
299
838000
2696
Si la economía sigue creciendo
al ritmo del 2 %,
al ritmo del 2 %,
14:12
our children will be twice as rich as us.
300
840720
2056
nuestros hijos serán el doble
de ricos que nosotros.
de ricos que nosotros.
14:14
If it continues
at a more measly one percent,
at a more measly one percent,
301
842800
2296
Y si continúa su crecimiento
en un modesto 1 %,
en un modesto 1 %,
14:17
our grandchildren
will be twice as rich as us.
will be twice as rich as us.
302
845120
2656
nuestro nietos serán el doble
de ricos que nosotros.
de ricos que nosotros.
14:19
By and large, we've solved
that traditional economic problem.
that traditional economic problem.
303
847800
3680
En líneas generales, hemos resuelto
ese tradicional problema económico.
ese tradicional problema económico.
14:24
Now, technological unemployment,
if it does happen,
if it does happen,
304
852200
3016
Ahora bien, si se produce
el desempleo tecnológico,
el desempleo tecnológico,
14:27
in a strange way will be
a symptom of that success,
a symptom of that success,
305
855240
3216
será, curiosamente,
un síntoma de ese éxito.
un síntoma de ese éxito.
14:30
will have solved one problem --
how to make the pie bigger --
how to make the pie bigger --
306
858480
3856
Habrá resuelto el problema
de cómo agrandar la tarta,
de cómo agrandar la tarta,
14:34
but replaced it with another --
307
862360
1816
pero creará otro:
14:36
how to make sure
that everyone gets a slice.
that everyone gets a slice.
308
864200
2760
cómo asegurarse de que todos
reciban una porción.
reciban una porción.
Tal y como piensan otros economistas,
resolver este problema no será fácil.
resolver este problema no será fácil.
14:39
As other economists have noted,
solving this problem won't be easy.
solving this problem won't be easy.
309
867840
3496
14:43
Today, for most people,
310
871360
1656
Actualmente, para la mayoría,
14:45
their job is their seat
at the economic dinner table,
at the economic dinner table,
311
873040
2496
el trabajo es nuestro asiento
a la mesa de la economía,
a la mesa de la economía,
14:47
and in a world with less work
or even without work,
or even without work,
312
875560
2416
y en un mundo con menos trabajo
o incluso sin trabajo,
o incluso sin trabajo,
14:50
it won't be clear
how they get their slice.
how they get their slice.
313
878000
2056
no está claro cómo
obtendrán su porción.
obtendrán su porción.
14:52
There's a great deal
of discussion, for instance,
of discussion, for instance,
314
880080
2336
Mucho se ha debatido, por ejemplo,
14:54
about various forms
of universal basic income
of universal basic income
315
882440
2696
sobre las distintas formas
de ingreso básico universal
de ingreso básico universal
14:57
as one possible approach,
316
885160
1216
como una medida posible,
14:58
and there's trials underway
317
886400
1616
y se están realizando ensayos
15:00
in the United States
and in Finland and in Kenya.
and in Finland and in Kenya.
318
888040
2400
en Estados Unidos, Finlandia y Kenia.
15:03
And this is the collective challenge
that's right in front of us,
that's right in front of us,
319
891000
3176
Este es el desafío colectivo
que debemos enfrentar,
que debemos enfrentar,
15:06
to figure out how this material prosperity
generated by our economic system
generated by our economic system
320
894200
5056
cómo hacer que esta prosperidad material
generada por nuestro sistema económico
generada por nuestro sistema económico
15:11
can be enjoyed by everyone
321
899280
1976
sea disfrutado por todos,
15:13
in a world in which
our traditional mechanism
our traditional mechanism
322
901280
2416
en un mundo donde el mecanismo
tradicional de distribuir
tradicional de distribuir
15:15
for slicing up the pie,
323
903720
1856
las porciones de la tarta,
15:17
the work that people do,
324
905600
1936
el trabajo que hace la gente,
15:19
withers away and perhaps disappears.
325
907560
2160
se debilita y quizá desaparezca.
15:22
Solving this problem is going to require
us to think in very different ways.
us to think in very different ways.
326
910280
4360
Resolver este problema nos obligará
a pensar de otras maneras.
a pensar de otras maneras.
15:27
There's going to be a lot of disagreement
about what ought to be done,
about what ought to be done,
327
915400
4176
Habrá grandes desacuerdos
sobre el camino a seguir,
sobre el camino a seguir,
15:31
but it's important to remember
that this is a far better problem to have
that this is a far better problem to have
328
919600
3416
pero es importante recordar
que es mejor tener este problema
que es mejor tener este problema
15:35
than the one that haunted
our ancestors for centuries:
our ancestors for centuries:
329
923040
2816
que el que acechó a nuestros ancestros
durante siglos:
durante siglos:
15:37
how to make that pie
big enough in the first place.
big enough in the first place.
330
925880
3376
cómo hacer que esa tarta
sea lo suficientemente grande.
sea lo suficientemente grande.
15:41
Thank you very much.
331
929280
1256
Muchas gracias.
15:42
(Applause)
332
930560
3840
(Aplausos)
ABOUT THE SPEAKER
Daniel Susskind - EconomistDaniel Susskind explores the impact of technology, particularly artificial intelligence, on work and society.
Why you should listen
Daniel Susskind is the co-author, with Richard Susskind, of the best-selling book, The Future of the Professions, and a Fellow in Economics at Balliol College, Oxford University. He is currently finishing his latest book, on the future of work. Previously, he worked in the British Government -- as a policy adviser in the Prime Minister's Strategy Unit, as a policy analyst in the Policy Unit in 10 Downing Street, and as a senior policy adviser in the Cabinet Office. Susskind received a doctorate in economics from Oxford University and was a Kennedy Scholar at Harvard University.
Daniel Susskind | Speaker | TED.com