3 myths about the future of work (and why they're not true) | Daniel Susskind

Překladatel: Lucie Medková Korektor: Samuel Titera

Automation anxiety has been spreading lately,

Poslední dobou se šíří úzkost z automatizace.

Strach, že v budoucnu

a fear that in the future,

many jobs will be performed by machines

budou nahrazovat stroje

lidskou práci

rather than human beings,

given the remarkable advances that are unfolding

díky pozoruhodným pokrokům,

kterých dosahujeme v umělé inteligenci a robotice.

in artificial intelligence and robotics.

Je jasné, že nás čekají významné změny.

What's clear is that there will be significant change.

What's less clear is what that change will look like.

Je ale už méně jasné, jak budou tyto změny vypadat.

My research suggests that the future is both troubling and exciting.

Můj výzkum naznačuje, že budoucnost bude znepokojivá i vzrušující.

The threat of technological unemployment is real,

Hrozba technologické nezaměstnanosti je skutečná

and yet it's a good problem to have.

a přesto je to prospěšný problém.

And to explain how I came to that conclusion,

Abych vysvětlil, jak jsem k tomuto závěru došel,

I want to confront three myths

rád bych vám představil tři mýty,

that I think are currently obscuring our vision of this automated future.

o kterých si myslím, že zamlžují naše vnímání automatizace.

A picture that we see on our television screens,

Obraz, který vidíme na obrazovkách,

in books, in films, in everyday commentary

v knihách, ve filmech a zpravodajství,

is one where an army of robots descends on the workplace

ukazuje armádu robotů ovládajících pracoviště

with one goal in mind:

s jediným cílem:

to displace human beings from their work.

nahradit lidi v jejich práci.

And I call this the Terminator myth.

Tomu říkám Mýtus Terminátora.

Yes, machines displace human beings from particular tasks,

Stroje lidi v některých úkolech zastupují již teď,

but they don't just substitute for human beings.

ale nedokáží člověka plně nahradit.

Také lidi v některých úkolech doplňují

They also complement them in other tasks,

a tím práci obohacují, dělají ji významnější.

making that work more valuable and more important.

Sometimes they complement human beings directly,

Někdy mohou člověka doplnit přímo

a tím přispět k vyšší produktivitě nebo efektivitě daného úkolu.

making them more productive or more efficient at a particular task.

Řidič taxi používá navigaci, aby se orientoval na neznámých silnicích.

So a taxi driver can use a satnav system to navigate on unfamiliar roads.

An architect can use computer-assisted design software

Architekt používá počítačové programy,

to design bigger, more complicated buildings.

aby mohl navrhnout větší a komplikovanější budovy.

But technological progress doesn't just complement human beings directly.

Ale technologický pokrok nedoplňuje lidi pouze přímo.

Dělá to také nepřímo, a to dvěma způsoby.

It also complements them indirectly, and it does this in two ways.

Ekonomiku si můžeme představit jako koláč,

The first is if we think of the economy as a pie,

technological progress makes the pie bigger.

technologický pokrok tento koláč zvětšuje.

As productivity increases, incomes rise and demand grows.

Se zvyšující se produktivitou rostou příjmy a také poptávka.

The British pie, for instance,

Například britský koláč

is more than a hundred times the size it was 300 years ago.

se za 300 let zvětšil více než stokrát.

And so people displaced from tasks in the old pie

Takže lidé, kteří byli nahrazeni ve starém koláči,

could find tasks to do in the new pie instead.

si místo toho mohli najít práci v novém koláči.

But technological progress doesn't just make the pie bigger.

Technologický pokrok ale koláč jen nezvětšuje.

It also changes the ingredients in the pie.

Mění také přísady koláče.

As time passes, people spend their income in different ways,

V průběhu let se změnil způsob, jakým lidé utrácejí,

changing how they spread it across existing goods,

jak svůj příjem rozloží mezi již existující zboží,

and developing tastes for entirely new goods, too.

a rozvíjí se také potřeba pro zcela nové zboží.

New industries are created,

Vznikají nové podniky,

new tasks have to be done

nové úkoly, které musí někdo udělat,

and that means often new roles have to be filled.

tím pádem i nová pracovní místa, která se musí obsadit.

So again, the British pie:

Takže znovu, britský koláč:

300 years ago, most people worked on farms,

před 300 lety pracovala většina lidí na farmách,

150 years ago, in factories,

před 150 lety v továrnách,

and today, most people work in offices.

a dnes pracuje většina lidí v kancelářích.

A opět, lidé, kteří byli nahrazeni ve starém koláči,

And once again, people displaced from tasks in the old bit of pie

se mohou chopit práce v novém koláči.

could tumble into tasks in the new bit of pie instead.

Economists call these effects complementarities,

Ekonomové nazývají tyto efekty komplementaritami,

but really that's just a fancy word to capture the different way

ale to je spíš nóbl název pro popsání toho,

that technological progress helps human beings.

že technologický pokrok může být lidem prospěšný.

Resolving this Terminator myth

Vysvětlení Mýtu Terminátora

shows us that there are two forces at play:

nám ukazuje, že ve hře jsou dvě síly:

one, machine substitution that harms workers,

nahrazení lidí stroji, které pracovníky poškodí,

but also these complementarities that do the opposite.

ale také komplementarity, které dělají přesný opak.

Now the second myth,

Nyní se přesuneme k druhému mýtu.

what I call the intelligence myth.

Říkám mu Mýtus inteligence.

What do the tasks of driving a car, making a medical diagnosis

Co má společného řízení auta s určováním zdravotní diagnózy

and identifying a bird at a fleeting glimpse have in common?

a rychlým rozpoznáním druhu ptáka?

Well, these are all tasks that until very recently,

Ekonomové si o všech těchto činnostech až donedávna mysleli,

leading economists thought couldn't readily be automated.

že nemohou být snadno automatizovány.

And yet today, all of these tasks can be automated.

A přesto dnes můžeme tyto činnosti svěřit strojům.

You know, all major car manufacturers have driverless car programs.

Všichni přední výrobci aut mají programy řízení bez řidiče.

There's countless systems out there that can diagnose medical problems.

Spousta systémů umí diagnostikovat různé zdravotní problémy.

And there's even an app that can identify a bird

Dokonce existuje i aplikace, která dokáže poznat druh ptáka

at a fleeting glimpse.

pouhým letmým pohledem.

Now, this wasn't simply a case of bad luck on the part of economists.

Není to tak, že by ekonomové neměli štěstí na předvídání věcí.

They were wrong,

Prostě se mýlili.

and the reason why they were wrong is very important.

Důvod jejich omylu je velmi důležitý.

They've fallen for the intelligence myth,

Propadli Mýtu inteligence,

the belief that machines have to copy the way

přesvědčení, že stroje musí napodobovat

lidský způsob myšlení a uvažování,

that human beings think and reason

in order to outperform them.

aby je mohli překonat.

When these economists were trying to figure out

Když se ekonomové snažili přijít na to,

what tasks machines could not do,

jaké činnosti stroje nezvládnou provést,

they imagined the only way to automate a task

mysleli si, že jediný způsob,

was to sit down with a human being,

jak zautomatizovat činnost, je s někým si sednout,

get them to explain to you how it was they performed a task,

nechat ho, aby vysvětlil, jak by činnost sám prováděl

and then try and capture that explanation

a pak se snažit zachytit jeho vysvětlení

in a set of instructions for a machine to follow.

pomocí souboru pokynů, podle kterých by stroj mohl postupovat.

This view was popular in artificial intelligence at one point, too.

Tento způsob byl oblíbený i u umělé inteligence.

I know this because Richard Susskind,

Vím to, protože Richard Susskind,

who is my dad and my coauthor,

můj otec a spoluautor,

wrote his doctorate in the 1980s on artificial intelligence and the law

napsal disertační práci v roce 1980 na téma "Umělá inteligence a právo"

at Oxford University,

na Oxfordské univerzitě.

and he was part of the vanguard.

Byl součástí předvoje

And with a professor called Phillip Capper

a spolu s profesorem Phillipem Capperem

and a legal publisher called Butterworths,

a vydavatelstvím zákonů Butterworths

they produced the world's first commercially available

vytvořili první komerčně dostupný

systém umělé inteligence pro právo.

artificial intelligence system in the law.

This was the home screen design.

Toto je návrh domovské obrazovky.

He assures me this was a cool screen design at the time.

Otec mě ujišťoval, že na svou dobu byl jeho návrh senzační.

(Laughter)

(Smích)

I've never been entirely convinced.

Nikdy mě úplně nepřesvědčil.

He published it in the form of two floppy disks,

Publikoval ho na dvou disketách,

at a time where floppy disks genuinely were floppy,

v té době byly diskety opravdu ohebné.

and his approach was the same as the economists':

Jeho přístup byl stejný jako ten ekonomů:

sit down with a lawyer,

sejít se s právničkou,

get her to explain to you how it was she solved a legal problem,

nechat ji, ať vysvětlí, jak by řešila právní problém

a popsat vysvětlení pomocí souboru pravidel, která může stroj vykonat.

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,

Kdyby lidé mohli tímto způsobem popsat sami sebe,

the tasks are called routine, and they could be automated.

v ekonomii to můžeme označit jako rutinu a lze ji automatizovat.

But if human beings can't explain themselves,

Pokud lidé takto sami úlohy vysvětlit neumí,

the tasks are called non-routine, and they're thought to be out reach.

nejsou rutinou a donedávna jsme mysleli, že nemohou být automatizovány.

Today, that routine-nonroutine distinction is widespread.

Dnes je toto rozlišení velmi rozšířené.

Think how often you hear people say to you

Vzpomeňte si, jak často slyšíte lidi říkat:

machines can only perform tasks that are predictable or repetitive,

stroje mohou dělat pouze úkoly, které jsou předvídatelné, opakující se,

rules-based or well-defined.

založené na pravidlech nebo dobře definovatelné.

Those are all just different words for routine.

To jsou pouze jiná označení pro rutinu.

And go back to those three cases that I mentioned at the start.

A vzpomeňte si na tři příklady, které jsem uvedl na začátku.

Those are all classic cases of nonroutine tasks.

Právě to jsou příklady nerutinních úkolů.

Ask a doctor, for instance, how she makes a medical diagnosis,

Zeptejte se lékařky, jak určuje diagnózu.

and she might be able to give you a few rules of thumb,

Může vám dát pár základních tipů,

but ultimately she'd struggle.

ale nakonec by si nevěděla rady.

She'd say it requires things like creativity and judgment and intuition.

Řekla by, že určení diagnózy vyžaduje kreativitu, úsudek a intuici,

And these things are very difficult to articulate,

ale tyto věci je velmi těžké vyjádřit slovy.

Proto jsme si mysleli, že bude těžké tyto činnosti automatizovat.

and so it was thought these tasks would be very hard to automate.

If a human being can't explain themselves,

Pokud vám tedy člověk nedokáže vyložit postup,

where on earth do we begin in writing a set of instructions

jak bychom mohli být schopni napsat instrukce,

for a machine to follow?

které bude stroj plnit?

Thirty years ago, this view was right,

Před 30 lety byla tato úvaha správná,

nyní již nevypadá tak důvěryhodně

but today it's looking shaky,

and in the future it's simply going to be wrong.

a v budoucnu bude prostě špatná.

Advances in processing power, in data storage capability

Pokroky ve výpočetním výkonu, skladování dat

and in algorithm design

a návrhu algoritmů

mean that this routine-nonroutine distinction

znamenají, že rozdělení na rutinní a nerutinní úkoly

is diminishingly useful.

začíná ztrácet smysl.

To see this, go back to the case of making a medical diagnosis.

Aby to bylo jasné, vraťme se k příkladu určení lékařské diagnózy.

Earlier in the year,

Před nedávnem

a team of researchers at Stanford announced they'd developed a system

oznámil tým vědců ve Stanfordu, že vyvinuli systém,

which can tell you whether or not a freckle is cancerous

který rozpozná, zda jsou pihy kožním nádorem

stejně přesně jako přední dermatologové.

as accurately as leading dermatologists.

How does it work?

Jak tento systém funguje?

It's not trying to copy the judgment or the intuition of a doctor.

Nesnaží se napodobit úsudek nebo intuici doktora.

It knows or understands nothing about medicine at all.

O medicíně neví vůbec nic.

Místo toho má algoritmus rozpoznávání vzorců

Instead, it's running a pattern recognition algorithm

through 129,450 past cases,

a na souboru 129.450 případů

hunting for similarities between those cases

se snaží vyhledat podobnosti

mezi nimi a danou lézí.

and the particular lesion in question.

Tento úkol tedy provádí jinak než člověk,

It's performing these tasks in an unhuman way,

based on the analysis of more possible cases

na základě analýzy tolika podobných případů,

than any doctor could hope to review in their lifetime.

kolik jeden doktor posoudí za celý svůj život.

It didn't matter that that human being,

Nezáleží na tom, že člověk,

that doctor, couldn't explain how she'd performed the task.

naše doktorka, neuměla popsat, jak úkol provádět.

Jsou tu tací, kteří si libují ve faktu,

Now, there are those who dwell upon that the fact

že se nám tyto stroje nepodobají.

that these machines aren't built in our image.

As an example, take IBM's Watson,

Vezměte si například Watsona od IBM.

the supercomputer that went on the US quiz show "Jeopardy!" in 2011,

Superpočítač se v roce 2011 zúčastnil americké televizní show 'Riskuj!'

and it beat the two human champions at "Jeopardy!"

a porazil v ní dva lidské šampiony.

Den po výhře

The day after it won,

publikoval filozof John Searle článek ve Wall Street Journal

The Wall Street Journal ran a piece by the philosopher John Searle

with the title "Watson Doesn't Know It Won on 'Jeopardy!'"

s názvem "Watson neví, že vyhrál 'Riskuj!'"

Right, and it's brilliant, and it's true.

Je to úžasné a navíc je to pravda.

You know, Watson didn't let out a cry of excitement.

Watson se totiž nerozplakal štěstím.

Nevolal rodičům, aby jim řekl, jak dobrou práci odvedl.

It didn't call up its parents to say what a good job it had done.

Nezašel pak do hospody na drink.

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,

Nesnažil se napodobit způsob hry lidských soutěžících,

but it didn't matter.

ale na tom nazáleželo.

It still outperformed them.

Stejně nad nimi vyhrál.

Resolving the intelligence myth

Řešení Mýtu inteligence ukazuje,

shows us that our limited understanding about human intelligence,

že naše omezené chápání lidské inteligence,

about how we think and reason,

toho, jak myslíme a uvažujeme,

is far less of a constraint on automation than it was in the past.

je pro automatizaci menším omezením, než tomu bylo v minulosti.

What's more, as we've seen,

A co víc,

pokud stroje vykonávají úkoly jinak než lidé,

when these machines perform tasks differently to human beings,

there's no reason to think

není důvod si myslet,

that what human beings are currently capable of doing

že to, co je vrcholem lidských možností nyní,

represents any sort of summit

je také vrchol toho,

in what these machines might be capable of doing in the future.

co budou možná stroje schopni zvládnout v budoucnu.

Now the third myth,

A teď třetí mýtus,

what I call the superiority myth.

říkám mu Mýtus nadřazenosti.

It's often said that those who forget

Často se říká, že ti, kteří zapomenou

about the helpful side of technological progress,

na prospěšnou stránku technologického pokroku,

those complementarities from before,

zmíněné komplementarity,

se dopouští klamu neměnného objemu práce.

are committing something known as the lump of labor fallacy.

Now, the problem is the lump of labor fallacy

Problém je, že klam neměnného objemu práce

is itself a fallacy,

je sám klamem,

and I call this the lump of labor fallacy fallacy,

já tomu říkám klam klamu neměnného objemu práce

or LOLFF, for short.

nebo zkráceně KKNOP.

Let me explain.

Vysvětlím to.

The lump of labor fallacy is a very old idea.

Klam neměnného objemu práce je velmi stará myšlenka.

It was a British economist, David Schloss, who gave it this name in 1892.

Pojmenoval ji britský ekonom David Schloss v roce 1892.

He was puzzled to come across a dock worker

Byl zmatený, když narazil na dělníka,

who had begun to use a machine to make washers,

který začal používat stroj na výrobu podložek,

the small metal discs that fasten on the end of screws.

malých kovových disků, které podkládají konec šroubu.

Tento dělník se cítil provinile, protože byl produktivní.

And this dock worker felt guilty for being more productive.

Now, most of the time, we expect the opposite,

Většinou čekáme, že se lidé budou cítit provinile,

that people feel guilty for being unproductive,

protože jsou málo produktivní.

Znáte to, moc času v práci na Facebooku nebo Twitteru.

you know, a little too much time on Facebook or Twitter at work.

Ale tento dělník se cítil provinile, protože by produktivní.

But this worker felt guilty for being more productive,

Na otázku proč se tak cítí, odpověděl,

and asked why, he said, "I know I'm doing wrong.

I'm taking away the work of another man."

že takhle bere práci jinému dělníkovi.

In his mind, there was some fixed lump of work

Představoval si, že existuje neměnný objem práce,

to be divided up between him and his pals,

který se dělí mezi něj a ostatní dělníky,

so that if he used this machine to do more,

takže pokud toho na stroji udělá víc,

there'd be less left for his pals to do.

zbude méně práce pro ostatní.

Schloss saw the mistake.

Schloss si ale všiml klamu.

The lump of work wasn't fixed.

Objem práce není neměnný.

As this worker used the machine and became more productive,

Když tento dělník použil stroj a zvýšil tak svoji produktivitu,

the price of washers would fall, demand for washers would rise,

cena podložek klesla, poptávka po nich vzrostla,

more washers would have to be made,

muselo by se vyrobit více podložek

and there'd be more work for his pals to do.

a bylo by tedy více práce pro jeho kolegy.

The lump of work would get bigger.

Objem práce by se tím pádem zvětšil.

Schloss called this "the lump of labor fallacy."

Schloss nazval tento jev "klamem neměnného objemu práce".

And today you hear people talk about the lump of labor fallacy

Dnes mluvíme o klamu neměnného objemu práce

v souvislosti s budoucím vývojem všech typů práce.

to think about the future of all types of work.

There's no fixed lump of work out there to be divided up

Neexistuje žádný neměnný objem práce,

který bychom mohli dělit mezi lidi a stroje.

between people and machines.

Yes, machines substitute for human beings, making the original lump of work smaller,

Ano, stroje mohou lidi nahradit a tím zmenšit původní objem práce,

but they also complement human beings,

ale také je budou doplňovat

a tím se objem práce zvětší a změní.

and the lump of work gets bigger and changes.

But LOLFF.

Ale zpět k KKNOP.

Here's the mistake:

Chybu vidím tady:

it's right to think that technological progress

úvaha, že technologický pokrok zvětší celkový objem práce, je správná.

makes the lump of work to be done bigger.

Některé úkoly budou cennější.

Some tasks become more valuable. New tasks have to be done.

Vytvoří se nové úkoly, které bude muset někdo udělat.

But it's wrong to think that necessarily,

Ale je špatné myslet si,

že lidé budou nezbytně ti nejlepší pro jejich splnění.

human beings will be best placed to perform those tasks.

And this is the superiority myth.

A to je Mýtus nadřazenosti.

Yes, the lump of work might get bigger and change,

Ano, objem práce se může zvýšit a změnit,

ale protože jsou stroje schopnější,

but as machines become more capable,

nejspíše budou přírůstek práce dělat oni.

it's likely that they'll take on the extra lump of work themselves.

Technological progress, rather than complement human beings,

Spíše než aby byli lidé doplňováni prací strojů,

budou lidé doplňovat stroje.

complements machines instead.

To see this, go back to the task of driving a car.

Abychom to pochopili, vraťme se zpět k řízení auta.

Today, satnav systems directly complement human beings.

Dnes navigační systém přímo doplňuje práci lidí.

Z někerých lidí tak jsou lepší řidiči.

They make some human beings better drivers.

But in the future,

Ale v budoucnu

se software přemístí na sedadlo řidiče

software is going to displace human beings from the driving seat,

a navigační systém, místo aby člověka doplňoval,

and these satnav systems, rather than complement human beings,

zefektivní systém samořízeného auta

will simply make these driverless cars more efficient,

helping the machines instead.

a bude místo lidí doplňovat stroje.

Or go to those indirect complementarities that I mentioned as well.

Nebo se vraťme ke zmíněným nepřímým komplementaritám.

The economic pie may get larger,

Ekonomický koláč se zvětší,

but as machines become more capable,

ale stroje se stanou schopnějšími.

it's possible that any new demand will fall on goods that machines,

Je tedy možné, že se zvýší poptávka po zboží,

rather than human beings, are best placed to produce.

které budou lépe umět vyrobit stroje.

The economic pie may change,

Ekonomický koláč se může změnit,

but as machines become more capable,

ale protože budou stroje schopnější,

it's possible that they'll be best placed to do the new tasks that have to be done.

je možné, že nové úkoly budou vykonávat ony.

In short, demand for tasks isn't demand for human labor.

Ve zkratce - poptávka po práci není poptávka po lidské práci.

Human beings only stand to benefit

Lidé budou mít výhodu pouze v tom případě,

if they retain the upper hand in all these complemented tasks,

že si udrží kontrolu nad úkoly, které se stroji sdílí,

ale jak se stroje stávají schopnějšími, je menší pravděpodobnost, že se to stane.

but as machines become more capable, that becomes less likely.

So what do these three myths tell us then?

Co nám tedy tyto tři mýty říkají?

Well, resolving the Terminator myth

Vyřešení Mýtu Terminátora nám ukazuje,

shows us that the future of work depends upon this balance between two forces:

že budoucnost práce závisí na rovnováze dvou sil:

nahrazení lidí stroji, které pracovníkům uškodí,

one, machine substitution that harms workers

but also those complementarities that do the opposite.

ale také na komplementaritách, které fungují opačně.

Až dodnes byla tato rovnováha ve prospěch lidí.

And until now, this balance has fallen in favor of human beings.

Ale vyřešením Mýtu inteligence se dozvídáme,

But resolving the intelligence myth

shows us that that first force, machine substitution,

že první síla, nahrazení lidí stroji,

is gathering strength.

získává na intenzitě.

Machines, of course, can't do everything,

Stroje samozřejmě nemohou dělat všechno,

but they can do far more,

ale mohou udělat mnohem víc,

encroaching ever deeper into the realm of tasks performed by human beings.

zvláště co se týče úkolů, které nyní dělají lidé.

What's more, there's no reason to think

Navíc není důvod si myslet,

that what human beings are currently capable of

že čeho jsou lidé schopni dnes,

represents any sort of finishing line,

by měla být cílová čára,

na které se stroje ze slušnosti zastaví,

that machines are going to draw to a polite stop

once they're as capable as us.

jakmile budou stejně schopné jako my.

Now, none of this matters

Na ničem z toho nezáleží,

so long as those helpful winds of complementarity

pokud budou komplementarity

blow firmly enough,

účinkovat dostatečně silně,

but resolving the superiority myth

ale vyřešení Mýtu nadřazenosti nám ukazuje,

shows us that that process of task encroachment

že proces zasahování do lidských úkolů

not only strengthens the force of machine substitution,

nejenom že posiluje substituci strojů,

but it wears down those helpful complementarities too.

ale vyčerpává i prospěšné komplementarity.

Pokud tyto mýty spojíme dohromady,

Bring these three myths together

myslím, že dokážeme získat představu o znepokojivé budoucnosti.

and I think we can capture a glimpse of that troubling future.

Stroje se stanou schopnějšími,

Machines continue to become more capable,

encroaching ever deeper on tasks performed by human beings,

budou přebírat původně lidské úkoly,

strengthening the force of machine substitution,

což povede k posílení substituce strojů,

weakening the force of machine complementarity.

ale zároveň k oslabení jejich komplementarity.

A jednou se rovnováha vychýlí

And at some point, that balance falls in favor of machines

ve prospěch strojů.

rather than human beings.

This is the path we're currently on.

Na této cestě nyní jsme.

I say "path" deliberately, because I don't think we're there yet,

Slovo "cesta" jsem vybral záměrně, protože si nemyslím, že jsme v cíli,

but it is hard to avoid the conclusion that this is our direction of travel.

ale je těžké vyhnout se závěru, že tímto směrem se budeme ubírat.

That's the troubling part.

To je ta znepokojivá část.

Let me say now why I think actually this is a good problem to have.

Nyní bych rád vysvětlil, proč si myslím, že je dobré tento problém mít.

For most of human history, one economic problem has dominated:

Po většinu historie dominoval jeden ekonomický problém:

jak zvětšit ekonomický koláč tak, aby všechny uživil.

how to make the economic pie large enough for everyone to live on.

Vraťme se do prvního století našeho letopočtu:

Go back to the turn of the first century AD,

and if you took the global economic pie

pokud se podíváme na celosvětový ekonomický koláč

and divided it up into equal slices for everyone in the world,

a rozdělíme ho na stejné díly pro všechny lidi na světě,

everyone would get a few hundred dollars.

každý by dostal několik stovek dolarů.

Almost everyone lived on or around the poverty line.

Skoro každý tehdy žil na hranici chudoby.

And if you roll forward a thousand years,

Pokud se podíváme o tisíc let dopředu,

roughly the same is true.

platí téměř to samé.

But in the last few hundred years, economic growth has taken off.

Ale v několika stech posledních let odstartoval růst ekonomiky.

Those economic pies have exploded in size.

Ekonomické koláče expanzivně narostly.

Global GDP per head,

Světové HDP na hlavu,

the value of those individual slices of the pie today,

hodnota dílků koláče rozdaných všem lidem na světě,

they're about 10,150 dollars.

se dnes rovná 10.150 dolarům.

If economic growth continues at two percent,

Pokud se ekonomický růst ustálí na dvou procentech,

our children will be twice as rich as us.

naše děti budou dvakrát bohatší než my.

If it continues at a more measly one percent,

Pokud bude růst ubohým jedním procentem,

naše vnoučata budou dvakrát bohatší než my.

our grandchildren will be twice as rich as us.

By and large, we've solved that traditional economic problem.

Vlastně se tak řeší odvěký ekonomický problém.

Now, technological unemployment, if it does happen,

Pokud dojde k technologické nezaměstnanosti,

in a strange way will be a symptom of that success,

bude to vlastně znak úspěchu,

will have solved one problem -- how to make the pie bigger --

vyřeší to jeden problém – jak udělat koláč větší –

ale nahradí ho jiným:

but replaced it with another --

how to make sure that everyone gets a slice.

jak zajistit, aby každý dostal svůj kousek.

As other economists have noted, solving this problem won't be easy.

Jak již podotkli ekonomové, jeho vyřešení nebude jednoduché.

Today, for most people,

Dnes znamená pro mnoho lidí jejich práce

their job is their seat at the economic dinner table,

pomyslnou židli u ekonomické večerní tabule

and in a world with less work or even without work,

a ve světě s menším množstvím práce nebo úplně bez ní

it won't be clear how they get their slice.

nebude jasné, jak by se mohlo dostat na každého.

There's a great deal of discussion, for instance,

K diskuzi je toho hodně,

about various forms of universal basic income

například různé formy univerzálního základního příjmu.

as one possible approach,

To je jedno z možných řešení,

and there's trials underway

které se v současné době již testuje

in the United States and in Finland and in Kenya.

ve Spojených státech, Finsku a Keni.

And this is the collective challenge that's right in front of us,

Stojíme před výzvou pro nás všechny.

to figure out how this material prosperity generated by our economic system

Musíme vymyslet, jak bohatství vyprodukované ekonomických systémem

můžeme využívat všichni ve světě,

can be enjoyed by everyone

in a world in which our traditional mechanism

kde náš tradiční mechanismus

for slicing up the pie,

krájení koláče,

the work that people do,

tedy práce, kterou dělají lidé,

withers away and perhaps disappears.

zanikne a možná vymizí.

Vyřešení tohoto problému bude vyžadovat odlišný způsob myšlení.

Solving this problem is going to require us to think in very different ways.

Dojde na mnohé diskuze ohledně toho, co se musí udělat,

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

ale je důležité si zapamatovat, že tento problém je lepší

než ten, se kterým se po staletí potýkali naši předkové:

than the one that haunted our ancestors for centuries:

how to make that pie big enough in the first place.

jak udělat koláč dostatečně velký.

Moc vám děkuji.

Thank you very much.

(Applause)

(Potlesk)