TED@Merck KGaA, Darmstadt, Germany
Daniel Susskind: 3 myths about the future of work (and why they're not true)
Daniel Susskind: 3 miti sul futuro del lavoro (e perché non sono veri)
Filmed:
Readability: 4.5
1,519,249 views
"Le macchine rimpiazzeranno gli umani?" Questa la domanda che si fa chiunque abbia un lavoro da perdere. Daniel Susskind affronta la domanda e tre falsi miti che abbiamo sul futuro automatizzato, suggerendo che dovremmo chiederci qualcos'altro: come distribuiremo la ricchezza in un mondo dove ci sarà sempre meno - o forse zero - lavoro?
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
Ultimamente si è diffusa
un'ansia da automatizzazione,
un'ansia da automatizzazione,
00:16
a fear that in the future,
1
4160
2656
la paura che nel futuro
00:18
many jobs will be performed by machines
2
6840
2456
molti lavori li faranno le macchine
00:21
rather than human beings,
3
9320
1336
invece che gli esseri umani,
00:22
given the remarkable advances
that are unfolding
that are unfolding
4
10680
2936
dati i progressi considerevoli nei campi
00:25
in artificial intelligence and robotics.
5
13640
2776
dell'intelligenza artificiale
e della robotica.
e della robotica.
00:28
What's clear is that
there will be significant change.
there will be significant change.
6
16440
2816
Ciò che è chiaro è che ci sarà
un cambiamento significativo.
un cambiamento significativo.
00:31
What's less clear
is what that change will look like.
is what that change will look like.
7
19280
3616
Quello che è meno chiaro
è come sarà questo cambiamento.
è come sarà questo cambiamento.
00:34
My research suggests that the future
is both troubling and exciting.
is both troubling and exciting.
8
22920
4936
Le mie ricerche indicano che il futuro
è sia problematico sia entusiasmante.
è sia problematico sia entusiasmante.
00:39
The threat of technological
unemployment is real,
unemployment is real,
9
27880
3736
La minaccia della disoccupazione
tecnologica è reale,
tecnologica è reale,
00:43
and yet it's a good problem to have.
10
31640
2056
eppure è un problema positivo.
00:45
And to explain
how I came to that conclusion,
how I came to that conclusion,
11
33720
3216
Per spiegare come sono giunto
a questa conclusione
a questa conclusione
00:48
I want to confront three myths
12
36960
2536
voglio affrontare tre miti
00:51
that I think are currently obscuring
our vision of this automated future.
our vision of this automated future.
13
39520
4280
che penso oscurino la nostra visione
di questo futuro automatizzato.
di questo futuro automatizzato.
00:56
A picture that we see
on our television screens,
on our television screens,
14
44880
2336
Un'immagine che vediamo in televisione,
00:59
in books, in films, in everyday commentary
15
47240
2216
nei libri, nei film, nei notiziari
01:01
is one where an army of robots
descends on the workplace
descends on the workplace
16
49480
3696
è quella in cui un esercito di robot
scende sul luogo di lavoro
scende sul luogo di lavoro
01:05
with one goal in mind:
17
53200
1376
con un obiettivo in mente:
01:06
to displace human beings from their work.
18
54600
2496
rubare il lavoro agli umani.
01:09
And I call this the Terminator myth.
19
57120
2696
Questo lo chiamo il mito Terminator.
01:11
Yes, machines displace
human beings from particular tasks,
human beings from particular tasks,
20
59840
3976
Sì, le macchine rubano agli umani
alcune attività specifiche,
alcune attività specifiche,
01:15
but they don't just
substitute for human beings.
substitute for human beings.
21
63840
2256
ma non si limitano a sostituirsi a loro.
01:18
They also complement them in other tasks,
22
66120
1976
Li completano anche in altri compiti,
01:20
making that work more valuable
and more important.
and more important.
23
68120
3616
rendendo quel lavoro
più produttivo e più importante.
più produttivo e più importante.
01:23
Sometimes they complement
human beings directly,
human beings directly,
24
71760
3336
A volte completano gli umani direttamente,
01:27
making them more productive
or more efficient at a particular task.
or more efficient at a particular task.
25
75120
4016
rendendoli più produttivi o efficienti
in una particolare attività.
in una particolare attività.
01:31
So a taxi driver can use a satnav system
to navigate on unfamiliar roads.
to navigate on unfamiliar roads.
26
79160
4616
Così un tassista può usare un sistema GPS
per navigare su strade che non conosce.
per navigare su strade che non conosce.
01:35
An architect can use
computer-assisted design software
computer-assisted design software
27
83800
3336
Un architetto può usare
software di disegno assistito
software di disegno assistito
01:39
to design bigger,
more complicated buildings.
more complicated buildings.
28
87160
3096
per progettare edifici
più grandi e complicati.
più grandi e complicati.
Ma il progresso tecnologico non si limita
a completare gli umani in modo diretto.
a completare gli umani in modo diretto.
01:42
But technological progress doesn't
just complement human beings directly.
just complement human beings directly.
29
90280
3696
01:46
It also complements them indirectly,
and it does this in two ways.
and it does this in two ways.
30
94000
3336
Li completa anche indirettamente,
e in due modi.
e in due modi.
01:49
The first is if we think
of the economy as a pie,
of the economy as a pie,
31
97360
3336
Il primo, se pensiamo l'economia
come una torta, è questo:
come una torta, è questo:
01:52
technological progress
makes the pie bigger.
makes the pie bigger.
32
100720
2896
il progresso tecnologico
rende la torta più grande.
rende la torta più grande.
01:55
As productivity increases,
incomes rise and demand grows.
incomes rise and demand grows.
33
103640
3856
Quando la produttività cresce,
crescono il guadagno e la domanda.
crescono il guadagno e la domanda.
01:59
The British pie, for instance,
34
107520
1776
La torta degli inglesi, per esempio,
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
è oltre cento volte più grande
di quanto lo era 300 anni fa.
di quanto lo era 300 anni fa.
02:05
And so people displaced
from tasks in the old pie
from tasks in the old pie
36
113920
3216
E le persone private del loro ruolo
rispetto alla vecchia torta
rispetto alla vecchia torta
02:09
could find tasks to do
in the new pie instead.
in the new pie instead.
37
117160
2720
hanno trovato nuove attività da svolgere.
02:12
But technological progress
doesn't just make the pie bigger.
doesn't just make the pie bigger.
38
120800
3936
Ma il progresso tecnologico
non rende solo la torta più grossa.
non rende solo la torta più grossa.
02:16
It also changes
the ingredients in the pie.
the ingredients in the pie.
39
124760
2856
Ne cambia anche gli ingredienti.
02:19
As time passes, people spend
their income in different ways,
their income in different ways,
40
127640
3456
Col passare del tempo si spendono
i propri guadagni in modi diversi,
i propri guadagni in modi diversi,
02:23
changing how they spread it
across existing goods,
across existing goods,
41
131120
2816
modificandone la ripartizione
tra i beni esistenti
tra i beni esistenti
02:25
and developing tastes
for entirely new goods, too.
for entirely new goods, too.
42
133960
3216
e sviluppando anche gusti
rispetto a beni del tutto nuovi.
rispetto a beni del tutto nuovi.
02:29
New industries are created,
43
137200
1776
Si creano nuove industrie,
02:31
new tasks have to be done
44
139000
1816
nuovi compiti da svolgere,
02:32
and that means often
new roles have to be filled.
new roles have to be filled.
45
140840
2536
e ciò spesso significa
nuovi ruoli da assegnare.
nuovi ruoli da assegnare.
02:35
So again, the British pie:
46
143400
1496
Di nuovo la torta inglese:
02:36
300 years ago,
most people worked on farms,
most people worked on farms,
47
144920
2976
300 anni fa la maggioranza
delle persone lavorava i campi,
delle persone lavorava i campi,
02:39
150 years ago, in factories,
48
147920
2336
150 anni fa lavorava in fabbrica,
02:42
and today, most people work in offices.
49
150280
2856
e oggi si lavora soprattutto in ufficio.
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
E, ancora una volta, chi era stato
rimosso da compiti nella vecchia torta
rimosso da compiti nella vecchia torta
02:49
could tumble into tasks
in the new bit of pie instead.
in the new bit of pie instead.
51
157240
2800
poté trovarsi altri ruoli
nel nuovo pezzo della torta.
nel nuovo pezzo della torta.
02:52
Economists call these effects
complementarities,
complementarities,
52
160720
3336
Gli economisti chiamano questi effetti
"complementarietà",
"complementarietà",
02:56
but really that's just a fancy word
to capture the different way
to capture the different way
53
164080
3256
ma in realtà è solo una parola elaborata
per rendere i diversi modi
per rendere i diversi modi
02:59
that technological progress
helps human beings.
helps human beings.
54
167360
3136
in cui il progresso tecnologico
aiuta gli esseri umani.
aiuta gli esseri umani.
03:02
Resolving this Terminator myth
55
170520
2096
Risolvere il mito Terminator
03:04
shows us that there are
two forces at play:
two forces at play:
56
172640
2336
ci mostra che ci sono due forze attive:
03:07
one, machine substitution
that harms workers,
that harms workers,
57
175000
3536
la sostituzione meccanica
che danneggia i lavoratori,
che danneggia i lavoratori,
03:10
but also these complementarities
that do the opposite.
that do the opposite.
58
178560
2880
ma anche le complementarietà
che agiscono all'opposto.
che agiscono all'opposto.
03:13
Now the second myth,
59
181960
1376
Ora il secondo mito,
03:15
what I call the intelligence myth.
60
183360
2280
che io chiamo mito dell'intelligenza.
03:18
What do the tasks of driving a car,
making a medical diagnosis
making a medical diagnosis
61
186440
4896
Cosa hanno in comune attività
come guidare una macchina,
come guidare una macchina,
03:23
and identifying a bird
at a fleeting glimpse have in common?
at a fleeting glimpse have in common?
62
191360
2920
fare una diagnosi medica
o identificare al volo un uccello?
o identificare al volo un uccello?
03:27
Well, these are all tasks
that until very recently,
that until very recently,
63
195280
2976
Sono tutte attività che,
fino a non molto tempo fa,
fino a non molto tempo fa,
03:30
leading economists thought
couldn't readily be automated.
couldn't readily be automated.
64
198280
3336
i principali economisti pensavano
non potessero essere automatizzate.
non potessero essere automatizzate.
03:33
And yet today, all of these tasks
can be automated.
can be automated.
65
201640
3176
E invece, oggi, possono esserlo tutte.
03:36
You know, all major car manufacturers
have driverless car programs.
have driverless car programs.
66
204840
3496
I maggiori produttori di auto
hanno programmi di guida automatica.
hanno programmi di guida automatica.
03:40
There's countless systems out there
that can diagnose medical problems.
that can diagnose medical problems.
67
208360
3976
Ci sono in giro innumerevoli sistemi
che possono diagnosticare problemi medici.
che possono diagnosticare problemi medici.
03:44
And there's even an app
that can identify a bird
that can identify a bird
68
212360
2416
C'è perfino un'app
che può identificare un uccello
che può identificare un uccello
03:46
at a fleeting glimpse.
69
214800
1200
con un solo sguardo.
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
Questo non è stato semplicemente
un colpo di sfortuna per gli economisti.
un colpo di sfortuna per gli economisti.
03:53
They were wrong,
71
221320
1296
Si sbagliavano,
03:54
and the reason why
they were wrong is very important.
they were wrong is very important.
72
222640
2496
e per un motivo davvero importante.
03:57
They've fallen for the intelligence myth,
73
225160
2256
Erano ammaliati
dal mito dell'intelligenza,
dal mito dell'intelligenza,
03:59
the belief that machines
have to copy the way
have to copy the way
74
227440
2896
dalla convinzione che le macchine
debbano copiare il modo
debbano copiare il modo
04:02
that human beings think and reason
75
230360
2056
in cui gli umani pensano e ragionano
04:04
in order to outperform them.
76
232440
1776
così da poterli superare.
04:06
When these economists
were trying to figure out
were trying to figure out
77
234240
2216
Mentre questi economisti
provavano a capire
provavano a capire
cosa le macchine non sapessero fare,
04:08
what tasks machines could not do,
78
236480
1856
pensavano che il solo modo
di automatizzare un'attività
di automatizzare un'attività
04:10
they imagined the only way
to automate a task
to automate a task
79
238360
2136
04:12
was to sit down with a human being,
80
240520
1816
fosse sedersi con un umano,
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
farsi spiegare da lui come svolge,
04:17
and then try and capture that explanation
82
245920
2656
e quindi provare a restituire
quella spiegazione
quella spiegazione
04:20
in a set of instructions
for a machine to follow.
for a machine to follow.
83
248600
2776
in un set di istruzioni
che una macchina potesse seguire.
che una macchina potesse seguire.
04:23
This view was popular in artificial
intelligence at one point, too.
intelligence at one point, too.
84
251400
4176
Era una visione in parte diffusa
anche per l'intelligenza artificiale.
anche per l'intelligenza artificiale.
04:27
I know this because Richard Susskind,
85
255600
2176
Lo so perché Richard Susskind,
04:29
who is my dad and my coauthor,
86
257800
2856
che è mio padre e il mio co-autore,
04:32
wrote his doctorate in the 1980s
on artificial intelligence and the law
on artificial intelligence and the law
87
260680
4056
prese un dottorato negli anni '80 su
intelligenza artificiale e giurisprudenza
intelligenza artificiale e giurisprudenza
04:36
at Oxford University,
88
264760
1416
all'università di Oxford,
04:38
and he was part of the vanguard.
89
266200
1576
e faceva parte dell'avanguardia.
04:39
And with a professor called Phillip Capper
90
267800
2256
Insieme a un professore
di nome Philip Capper
di nome Philip Capper
04:42
and a legal publisher called Butterworths,
91
270080
2096
e all'editore di testi giuridici
Butterworths
Butterworths
04:44
they produced the world's first
commercially available
commercially available
92
272200
5896
misero in commercio
04:50
artificial intelligence system in the law.
93
278120
2776
il primo sistema giuridico
di intelligenza artificiale.
di intelligenza artificiale.
04:52
This was the home screen design.
94
280920
2616
Questa è la schermata
della versione per PC.
della versione per PC.
Lui sostiene che per quei tempi
era un aspetto accattivante.
era un aspetto accattivante.
04:55
He assures me this was
a cool screen design at the time.
a cool screen design at the time.
95
283560
2696
04:58
(Laughter)
96
286280
1016
(Risate)
04:59
I've never been entirely convinced.
97
287320
1696
Non mi ha mai convinto del tutto.
05:01
He published it
in the form of two floppy disks,
in the form of two floppy disks,
98
289040
2616
Lo pubblicò su due floppy disk,
05:03
at a time where floppy disks
genuinely were floppy,
genuinely were floppy,
99
291680
3536
in anni in cui i floppy disk
erano davvero flessibili,
erano davvero flessibili,
05:07
and his approach was the same
as the economists':
as the economists':
100
295240
2336
e il suo approccio era lo stesso
degli economisti:
degli economisti:
05:09
sit down with a lawyer,
101
297600
1256
sedersi con un avvocato,
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
farsi spiegare come avrebbe risolto
un problema legale
un problema legale
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
e cercare di trasformare la spiegazione
in un insieme di regole per la macchina.
in un insieme di regole per la macchina.
05:19
In economics, if human beings
could explain themselves in this way,
could explain themselves in this way,
104
307480
3616
In economia, se gli umani
potessero spiegarsi in questo modo,
potessero spiegarsi in questo modo,
le attività si chiamerebbero routine,
e potrebbero essere automatizzate.
e potrebbero essere automatizzate.
05:23
the tasks are called routine,
and they could be automated.
and they could be automated.
105
311120
3296
05:26
But if human beings
can't explain themselves,
can't explain themselves,
106
314440
2336
Ma se gli esseri umani
non riescono a spiegarsi
non riescono a spiegarsi
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
le attività non sono considerate routine,
e non possono quindi essere riprodotte.
e non possono quindi essere riprodotte.
05:33
Today, that routine-nonroutine
distinction is widespread.
distinction is widespread.
108
321080
3296
Oggi, questa distinzione tra routine e
non routine è molto diffusa.
non routine è molto diffusa.
05:36
Think how often you hear people say to you
109
324400
2056
Pensate a quanto spesso vi sentite dire
05:38
machines can only perform tasks
that are predictable or repetitive,
that are predictable or repetitive,
110
326480
3256
che le macchine possono fare
solo attività prevedibili o ripetitive,
solo attività prevedibili o ripetitive,
05:41
rules-based or well-defined.
111
329760
1896
basate su regole o ben definite.
05:43
Those are all just
different words for routine.
different words for routine.
112
331680
2936
Sono solo diversi modi di dire routine.
05:46
And go back to those three cases
that I mentioned at the start.
that I mentioned at the start.
113
334640
3976
Tornando così ai tre casi
che ho citato all'inizio,
che ho citato all'inizio,
05:50
Those are all classic cases
of nonroutine tasks.
of nonroutine tasks.
114
338640
2896
sono tutti classici casi
di attività non-routine.
di attività non-routine.
05:53
Ask a doctor, for instance,
how she makes a medical diagnosis,
how she makes a medical diagnosis,
115
341560
2976
Se, ad esempio, chiedeste a una dottoressa
come fa una diagnosi:
come fa una diagnosi:
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
vi darebbe qualche regola generale,
05:59
but ultimately she'd struggle.
117
347240
1656
ma a ben vedere farebbe fatica.
06:00
She'd say it requires things like
creativity and judgment and intuition.
creativity and judgment and intuition.
118
348920
4816
Direbbe che servono cose come
creatività, giudizio e intuizione.
creatività, giudizio e intuizione.
06:05
And these things are
very difficult to articulate,
very difficult to articulate,
119
353760
2376
E queste cose sono
molto difficili da articolare,
molto difficili da articolare,
06:08
and so it was thought these tasks
would be very hard to automate.
would be very hard to automate.
120
356160
3096
così si pensava che sarebbero
state automatizzate male.
state automatizzate male.
06:11
If a human being can't explain themselves,
121
359280
2536
Se un essere umano non riesce a spiegarsi
06:13
where on earth do we begin
in writing a set of instructions
in writing a set of instructions
122
361840
2896
da dove dovremmo iniziare
a scrivere l'insieme di istruzioni
a scrivere l'insieme di istruzioni
06:16
for a machine to follow?
123
364760
1200
per la macchina?
06:18
Thirty years ago, this view was right,
124
366640
2576
Trent'anni fa questa idea era giusta,
06:21
but today it's looking shaky,
125
369240
2136
ma oggi inizia a traballare
06:23
and in the future
it's simply going to be wrong.
it's simply going to be wrong.
126
371400
2256
e in futuro sarà semplicemente errata.
06:25
Advances in processing power,
in data storage capability
in data storage capability
127
373680
3256
I progressi nella capacità di calcolo,
nello stoccaggio dati
nello stoccaggio dati
06:28
and in algorithm design
128
376960
1656
e nella scrittura di algoritmi
06:30
mean that this
routine-nonroutine distinction
routine-nonroutine distinction
129
378640
2496
fanno sì che la distinzione
routine / non routine
routine / non routine
06:33
is diminishingly useful.
130
381160
1736
sia sempre meno utile.
06:34
To see this, go back to the case
of making a medical diagnosis.
of making a medical diagnosis.
131
382920
3256
Per averne prova, torniamo al caso
della diagnosi medica.
della diagnosi medica.
06:38
Earlier in the year,
132
386200
1376
Quest'anno
06:39
a team of researchers at Stanford
announced they'd developed a system
announced they'd developed a system
133
387600
3296
un team di ricerca di Stanford
ha annunciato lo sviluppo di un sistema
ha annunciato lo sviluppo di 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
che ci può dire se un'efelide
è cancerosa o no
è cancerosa o no
06:46
as accurately as leading dermatologists.
135
394000
2680
con la stessa accuratezza
dei migliori dermatologi.
dei migliori dermatologi.
06:49
How does it work?
136
397280
1256
Come funziona?
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
Non cercando di copiare
il giudizio o l'intuizione di un medico -
il giudizio o l'intuizione di un medico -
06:55
It knows or understands
nothing about medicine at all.
nothing about medicine at all.
138
403880
3136
non sa né capisce nulla di medicina -
06:59
Instead, it's running
a pattern recognition algorithm
a pattern recognition algorithm
139
407040
2576
ma funziona con un algoritmo
che riconosce un modello
che riconosce un modello
07:01
through 129,450 past cases,
140
409640
4656
sulla base di 129.450 casi precendenti
07:06
hunting for similarities
between those cases
between those cases
141
414320
3096
e cerca le somiglianze tra quei casi
07:09
and the particular lesion in question.
142
417440
2080
e la particolare lesione in questione.
07:12
It's performing these tasks
in an unhuman way,
in an unhuman way,
143
420080
3216
Svolge l'attività in un modo non umano,
07:15
based on the analysis
of more possible cases
of more possible cases
144
423320
2336
basato sull'analisi di più casi possibili
di quanti qualsiasi medico
potrebbe mai sperare di esaminare.
potrebbe mai sperare di esaminare.
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
Non contava nulla che quell'essere umano,
07:22
that doctor, couldn't explain
how she'd performed the task.
how she'd performed the task.
147
430240
2800
quel medico, non sapesse spiegare
come aveva agito.
come aveva agito.
07:25
Now, there are those
who dwell upon that the fact
who dwell upon that the fact
148
433640
2336
Ora, c'è chi insiste sul fatto
che queste macchine
non sono fatte a nostra immagine.
non sono fatte a nostra immagine.
07:28
that these machines
aren't built in our image.
aren't built in our image.
149
436000
2296
07:30
As an example, take IBM's Watson,
150
438320
2056
Per esempio, prendete il Watson dell'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
il supercomputer che nel 2011 partecipò
al telequiz "Rischiatutto" americano
al telequiz "Rischiatutto" americano
07:37
and it beat the two
human champions at "Jeopardy!"
human champions at "Jeopardy!"
152
445280
3016
sconfiggendo i due campioni umani.
07:40
The day after it won,
153
448320
1696
Il giorno seguente
07:42
The Wall Street Journal ran a piece
by the philosopher John Searle
by the philosopher John Searle
154
450040
3296
il Wall Street Journal pubblicò
un pezzo del filosofo John Searle
un pezzo del filosofo 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
dal titolo "Watson non sa
di aver vinto a Rischiatutto".
di aver vinto a Rischiatutto".
07:48
Right, and it's brilliant, and it's true.
156
456760
1976
È giusto, ed è brillante, ed è vero.
07:50
You know, Watson didn't
let out a cry of excitement.
let out a cry of excitement.
157
458760
2456
Watson non ha emesso
nemmeno un grido di giubilo.
nemmeno un grido di giubilo.
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
Non ha chiamato i genitori per dire loro
che aveva giocato bene.
che aveva giocato bene.
07:56
It didn't go down to the pub for a drink.
159
464360
2336
Non è andato al pub a bere una birra.
07:58
This system wasn't trying to copy the way
that those human contestants played,
that those human contestants played,
160
466720
4456
Questo sistema non cercava di copiare
il gioco dei concorrenti umani,
il gioco dei concorrenti umani,
08:03
but it didn't matter.
161
471200
1256
ma non importava.
08:04
It still outperformed them.
162
472480
1976
Li ha battuti lo stesso.
08:06
Resolving the intelligence myth
163
474480
1576
Sfatare il mito dell'intelligenza
08:08
shows us that our limited understanding
about human intelligence,
about human intelligence,
164
476080
3376
ci mostra che la nostra limitata
conoscenza dell'intelligenza umana,
conoscenza dell'intelligenza umana,
08:11
about how we think and reason,
165
479480
1896
come ragioniamo e pensiamo,
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
non è un grande limite per l'automazione
come si pensava nel passato.
come si pensava nel passato.
08:16
What's more, as we've seen,
167
484880
1496
Soprattutto, come avete visto,
08:18
when these machines
perform tasks differently to human beings,
perform tasks differently to human beings,
168
486400
3416
quando queste macchine agiscono
diversamente dagli umani
diversamente dagli umani
08:21
there's no reason to think
169
489840
1256
non c'è motivo di pensare
08:23
that what human beings
are currently capable of doing
are currently capable of doing
170
491120
2536
che quello che gli umani
sono in grado di fare oggi
sono in grado di fare oggi
08:25
represents any sort of summit
171
493680
1456
rappresenti il limite massimo
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
a cui le macchine
potrebbero arrivare nel futuro.
potrebbero arrivare nel futuro.
08:31
Now the third myth,
173
499040
1256
Ora, il terzo mito,
08:32
what I call the superiority myth.
174
500320
2456
che io chiamo il mito della superiorità.
08:34
It's often said that those who forget
175
502800
2216
Si dice spesso che chi si dimentica
08:37
about the helpful side
of technological progress,
of technological progress,
176
505040
2456
del lato utile del progresso tecnologico,
08:39
those complementarities from before,
177
507520
2496
le complementarietà di prima,
08:42
are committing something
known as the lump of labor fallacy.
known as the lump of labor fallacy.
178
510040
3040
cade nella fallacia
della quantità di lavoro.
della quantità di lavoro.
08:45
Now, the problem is
the lump of labor fallacy
the lump of labor fallacy
179
513840
2295
Ma il problema è che questa fallacia
08:48
is itself a fallacy,
180
516159
1496
è essa stessa una fallacia,
08:49
and I call this the lump
of labor fallacy fallacy,
of labor fallacy fallacy,
181
517679
2937
e io la chiamo la doppia fallacia
della quantità di lavoro,
della quantità di lavoro,
08:52
or LOLFF, for short.
182
520640
2320
o, abbreviando, DFQL.
08:56
Let me explain.
183
524000
1416
Lasciatemi spiegare.
08:57
The lump of labor fallacy
is a very old idea.
is a very old idea.
184
525440
2136
Questa fallacia è un'idea vecchissima.
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
Fu l'economista britannico David Schloss
a coniare questo nome nel 1892.
a coniare questo nome nel 1892.
09:03
He was puzzled
to come across a dock worker
to come across a dock worker
186
531840
2816
Si sorprese nell'incontrare per caso
un lavoratore portuale
un lavoratore portuale
09:06
who had begun to use
a machine to make washers,
a machine to make washers,
187
534680
2336
che usava una macchina
per produrre rondelle,
per produrre rondelle,
09:09
the small metal discs
that fasten on the end of screws.
that fasten on the end of screws.
188
537040
3320
i piccoli dischi metallici
che chiudono la fine delle viti,
che chiudono la fine delle viti,
09:13
And this dock worker
felt guilty for being more productive.
felt guilty for being more productive.
189
541000
3760
e si sentiva in colpa
perché era più produttivo.
perché era più produttivo.
09:17
Now, most of the time,
we expect the opposite,
we expect the opposite,
190
545560
2176
Di solito ci si aspetta il contrario,
09:19
that people feel guilty
for being unproductive,
for being unproductive,
191
547760
2216
che ci si senta in colpa
per l'improduttività,
per l'improduttività,
come per il troppo tempo
passato su Facebook o Twitter al lavoro.
passato su Facebook o Twitter al lavoro.
09:22
you know, a little too much time
on Facebook or Twitter at work.
on Facebook or Twitter at work.
192
550000
3016
09:25
But this worker felt guilty
for being more productive,
for being more productive,
193
553040
2536
Lui si sentiva in colpa
perché era più produttivo
perché era più produttivo
09:27
and asked why, he said,
"I know I'm doing wrong.
"I know I'm doing wrong.
194
555600
2296
e se gli si chiedeva perché
diceva: "So di sbagliare.
diceva: "So di sbagliare.
09:29
I'm taking away the work of another man."
195
557920
2040
Sto rubando il lavoro di qualcun altro".
09:32
In his mind, there was
some fixed lump of work
some fixed lump of work
196
560760
2976
Nella sua testa c'era
una quantità fissa di lavoro
una quantità fissa di lavoro
09:35
to be divided up between him and his pals,
197
563760
2136
da dividere tra lui e i suoi compagni,
09:37
so that if he used
this machine to do more,
this machine to do more,
198
565920
2056
perciò se usava la macchina
per farne di più
per farne di più
09:40
there'd be less left for his pals to do.
199
568000
2016
ce ne sarebbe stato meno per gli altri.
09:42
Schloss saw the mistake.
200
570040
1856
Schloss vide l'errore.
09:43
The lump of work wasn't fixed.
201
571920
1856
La quantità di lavoro non era fissa.
09:45
As this worker used the machine
and became more productive,
and became more productive,
202
573800
2816
Visto che il lavoratore
usava la macchina producendo di più,
usava la macchina producendo di più,
09:48
the price of washers would fall,
demand for washers would rise,
demand for washers would rise,
203
576640
2976
il prezzo delle rondelle sarebbe crollato,
la domanda cresciuta,
la domanda cresciuta,
09:51
more washers would have to be made,
204
579640
1696
se ne sarebbero prodotte di più,
09:53
and there'd be more work
for his pals to do.
for his pals to do.
205
581360
2096
ci sarebbe stato più lavoro
per i compagni.
per i compagni.
09:55
The lump of work would get bigger.
206
583480
1696
La quantità sarebbe cresciuta.
09:57
Schloss called this
"the lump of labor fallacy."
"the lump of labor fallacy."
207
585200
2680
Schloss la chiamò "la fallacia
della quantità di lavoro".
della quantità di lavoro".
10:00
And today you hear people talk
about the lump of labor fallacy
about the lump of labor fallacy
208
588560
2936
Oggi si sente parlare di questa fallacia
10:03
to think about the future
of all types of work.
of all types of work.
209
591520
2216
per riferirsi al futuro
di ogni tipo di lavoro.
di ogni tipo di lavoro.
10:05
There's no fixed lump of work
out there to be divided up
out there to be divided up
210
593760
2656
Non c'è nessuna quantità fissa
di lavoro da spartire
di lavoro da spartire
10:08
between people and machines.
211
596440
1376
tra persone e macchine.
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
Sì, le macchine sostituiscono gli umani,
riducendo la quantità originaria di lavoro
riducendo la quantità originaria di lavoro
10:14
but they also complement human beings,
213
602520
1856
ma completando anche gli umani,
10:16
and the lump of work
gets bigger and changes.
gets bigger and changes.
214
604400
2096
così la quantità di lavoro
aumenta e cambia.
aumenta e cambia.
10:19
But LOLFF.
215
607760
1616
Ma la doppia fallacia.
10:21
Here's the mistake:
216
609400
1376
Qui sta l'errore:
10:22
it's right to think
that technological progress
that technological progress
217
610800
2216
è giusto pensare che
il progresso tecnologico
il progresso tecnologico
10:25
makes the lump of work to be done bigger.
218
613040
1976
aumenti la quantità di lavoro da fare.
10:27
Some tasks become more valuable.
New tasks have to be done.
New tasks have to be done.
219
615040
3016
Alcune attività prendono valore.
Ne nascono di nuove.
Ne nascono di nuove.
10:30
But it's wrong to think that necessarily,
220
618080
2536
Ma è sbagliato pensare che,
necessariamente,
necessariamente,
10:32
human beings will be best placed
to perform those tasks.
to perform those tasks.
221
620640
3256
gli umani le svolgeranno meglio.
E questo è il mito della superiorità.
10:35
And this is the superiority myth.
222
623920
1616
10:37
Yes, the lump of work
might get bigger and change,
might get bigger and change,
223
625560
3416
Sì, la quantità di lavoro
potrà aumentare e cambiare,
potrà aumentare e cambiare,
10:41
but as machines become more capable,
224
629000
1976
ma, con le macchine sempre più abili,
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
è probabile che siano loro stesse
a svolgere il lavoro in più.
a svolgere il lavoro in più.
10:46
Technological progress,
rather than complement human beings,
rather than complement human beings,
226
634920
3256
Il progresso tecnologico,
più che completare gli umani,
più che completare gli umani,
10:50
complements machines instead.
227
638200
1880
completa le macchine stesse.
10:52
To see this, go back
to the task of driving a car.
to the task of driving a car.
228
640920
3016
Vediamone un esempio tornando
all'attività di guidare un'auto.
all'attività di guidare un'auto.
10:55
Today, satnav systems
directly complement human beings.
directly complement human beings.
229
643960
4096
Oggi, i sistemi GPS completano
direttamente gli esseri umani.
direttamente gli esseri umani.
11:00
They make some
human beings better drivers.
human beings better drivers.
230
648080
2280
Rendono alcuni esseri umani
dei piloti migliori.
dei piloti migliori.
11:02
But in the future,
231
650920
1256
Ma nel futuro
11:04
software is going to displace
human beings from the driving seat,
human beings from the driving seat,
232
652200
3096
i software spodesteranno gli umani
dal sedile del guidatore
dal sedile del guidatore
11:07
and these satnav systems,
rather than complement human beings,
rather than complement human beings,
233
655320
2936
e questi sistemi GPS,
invece che completarci,
invece che completarci,
11:10
will simply make these
driverless cars more efficient,
driverless cars more efficient,
234
658280
2536
renderanno più efficienti
le auto senza pilota
le auto senza pilota
11:12
helping the machines instead.
235
660840
1536
aiutando così le macchine.
11:14
Or go to those indirect complementarities
that I mentioned as well.
that I mentioned as well.
236
662400
4056
O torniamo alle complementarietà
indirette che ho menzionato.
indirette che ho menzionato.
11:18
The economic pie may get larger,
237
666480
1776
La torta dell'economia può crescere,
11:20
but as machines become more capable,
238
668280
1736
ma con le macchine sempre più abili
11:22
it's possible that any new demand
will fall on goods that machines,
will fall on goods that machines,
239
670040
3143
i nuovi bisogni saranno legati
a beni che le macchine,
a beni che le macchine,
11:25
rather than human beings,
are best placed to produce.
are best placed to produce.
240
673207
2649
invece che gli umani,
sapranno produrre meglio.
sapranno produrre meglio.
11:27
The economic pie may change,
241
675880
1896
La torta economica potrebbe cambiare,
11:29
but as machines become more capable,
242
677800
1896
ma con le macchine sempre più abili
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
è possibile che riescano a fare meglio
le nuove attività che ci saranno.
le nuove attività che ci saranno.
11:36
In short, demand for tasks
isn't demand for human labor.
isn't demand for human labor.
244
684600
3696
In poche parole, la domanda di attività
non è domanda di lavoro umano.
non è domanda di lavoro umano.
11:40
Human beings only stand to benefit
245
688320
1936
Gli umani possono beneficiarne solo
11:42
if they retain the upper hand
in all these complemented tasks,
in all these complemented tasks,
246
690280
3816
se mantengono il controllo
di tutte queste attività integrate,
di tutte queste attività integrate,
11:46
but as machines become more capable,
that becomes less likely.
that becomes less likely.
247
694120
3720
ma, con le macchine sempre più abili,
ciò diventa meno probabile.
ciò diventa meno probabile.
11:50
So what do these three myths tell us then?
248
698760
2016
Quindi che cosa ci dicono questi tre miti?
11:52
Well, resolving the Terminator myth
249
700800
1696
Sfatare il mito Terminator
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
ci mostra che in futuro il lavoro
dipenderà dall'equilibrio di due forze:
dipenderà dall'equilibrio di due forze:
11:58
one, machine substitution
that harms workers
that harms workers
251
706240
3136
la sostituzione meccanica
che danneggerà i lavoratori,
che danneggerà i lavoratori,
12:01
but also those complementarities
that do the opposite.
that do the opposite.
252
709400
2576
ma anche le complementarietà
che faranno l'opposto.
che faranno l'opposto.
12:04
And until now, this balance
has fallen in favor of human beings.
has fallen in favor of human beings.
253
712000
4040
E finora l'equilibrio
è stato in favore degli umani.
è stato in favore degli umani.
12:09
But resolving the intelligence myth
254
717120
1736
Ma sfatare il mito dell'intelligenza
12:10
shows us that that first force,
machine substitution,
machine substitution,
255
718880
2496
ci mostra che la forza
della sostituzione meccanica
della sostituzione meccanica
12:13
is gathering strength.
256
721400
1296
si sta rafforzando.
12:14
Machines, of course, can't do everything,
257
722720
1976
Ovvio, le macchine non possono fare tutto,
12:16
but they can do far more,
258
724720
1256
ma possono fare di più,
12:18
encroaching ever deeper into the realm
of tasks performed by human beings.
of tasks performed by human beings.
259
726000
4576
invadendo sempre più
il campo delle attività fatte dagli umani.
il campo delle attività fatte dagli umani.
12:22
What's more, there's no reason to think
260
730600
1896
Soprattutto, non c'è motivo di pensare
12:24
that what human beings
are currently capable of
are currently capable of
261
732520
2216
che ciò di cui oggi gli umani sono capaci
12:26
represents any sort of finishing line,
262
734760
1856
rappresenti una linea di confine
davanti a cui le macchine
si fermeranno educatamente
si fermeranno educatamente
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 volta diventate abili quanto noi.
12:32
Now, none of this matters
265
740760
1536
Ma nulla di tutto ciò importa
12:34
so long as those helpful
winds of complementarity
winds of complementarity
266
742320
2816
finché quei venti propizi
di complementarietà
di complementarietà
12:37
blow firmly enough,
267
745160
1736
soffieranno abbastanza costanti;
12:38
but resolving the superiority myth
268
746920
1936
ma sfatare il mito di superiorità
12:40
shows us that that process
of task encroachment
of task encroachment
269
748880
3096
ci mostra che il processo di invasione
12:44
not only strengthens
the force of machine substitution,
the force of machine substitution,
270
752000
3936
non solo potenzia la forza
della sostituzione meccanica,
della sostituzione meccanica,
12:47
but it wears down
those helpful complementarities too.
those helpful complementarities too.
271
755960
3336
ma indebolisce anche
le complementarietà favorevoli.
le complementarietà favorevoli.
12:51
Bring these three myths together
272
759320
1936
Mettete insieme questi tre miti
12:53
and I think we can capture a glimpse
of that troubling future.
of that troubling future.
273
761280
2936
e penso si possa scorgere
un futuro problematico.
un futuro problematico.
12:56
Machines continue to become more capable,
274
764240
2016
Le macchine diventano sempre più abili,
12:58
encroaching ever deeper
on tasks performed by human beings,
on tasks performed by human beings,
275
766280
3656
sconfinando sempre più a fondo
nelle attività degli umani,
nelle attività degli umani,
13:01
strengthening the force
of machine substitution,
of machine substitution,
276
769960
2576
potenziando la forza
della sostituzione meccanica,
della sostituzione meccanica,
13:04
weakening the force
of machine complementarity.
of machine complementarity.
277
772560
3616
fiaccando la forza
della complementarietà delle macchine.
della complementarietà delle macchine.
13:08
And at some point, that balance
falls in favor of machines
falls in favor of machines
278
776200
4296
E a un certo punto, l'equilibrio
sarà in favore delle macchine
sarà in favore delle macchine
13:12
rather than human beings.
279
780520
2056
invece che degli umani.
13:14
This is the path we're currently on.
280
782600
1736
Questo è il sentiero su cui siamo.
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
Dico "sentiero" apposta,
perché non penso che siamo già arrivati,
perché non penso che siamo già arrivati,
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
ma è difficile evitare di concludere
che sia la direzione del nostro viaggio.
che sia la direzione del nostro viaggio.
13:24
That's the troubling part.
283
792640
1456
Questo è il problema.
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
E vi dirò perché penso
che sia un buon problema.
che sia un buon problema.
13:30
For most of human history,
one economic problem has dominated:
one economic problem has dominated:
285
798520
3536
Gran parte della storia umana è stata
dominata da un solo problema economico:
dominata da un solo problema economico:
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
rendere la torta economica
grande abbastanza per tutti.
grande abbastanza per tutti.
13:38
Go back to the turn
of the first century AD,
of the first century AD,
287
806160
2176
Tornate all'inizio del primo secolo d.c.:
13:40
and if you took the global economic pie
288
808360
2096
se prendeste la torta economica mondiale
13:42
and divided it up into equal slices
for everyone in the world,
for everyone in the world,
289
810480
3296
dividendola in fette uguali
per ogni persona nel mondo,
per ogni persona nel mondo,
13:45
everyone would get a few hundred dollars.
290
813800
2136
ognuno avrebbe poche centinaia di dollari.
13:47
Almost everyone lived
on or around the poverty line.
on or around the poverty line.
291
815960
2760
Quasi tutti vivevano più o meno vicini
alla linea di povertà.
alla linea di povertà.
13:51
And if you roll forward a thousand years,
292
819320
2176
E se avanziamo di mille anni,
13:53
roughly the same is true.
293
821520
1240
la situazione è molto simile.
13:55
But in the last few hundred years,
economic growth has taken off.
economic growth has taken off.
294
823680
3576
Ma negli ultimi secoli
la crescita economica è decollata.
la crescita economica è decollata.
13:59
Those economic pies have exploded in size.
295
827280
2376
Le torte economiche sono esplose.
14:01
Global GDP per head,
296
829680
2056
Il PIL pro capite mondiale,
14:03
the value of those individual
slices of the pie today,
slices of the pie today,
297
831760
3376
il valore oggi
delle singole fette di torta,
delle singole fette di torta,
14:07
they're about 10,150 dollars.
298
835160
2816
è di circa 10.150 dollari.
14:10
If economic growth continues
at two percent,
at two percent,
299
838000
2696
Se la crescita economica continua al 2%,
i nostri figli saranno ricchi
il doppio di noi.
il doppio di noi.
14:12
our children will be twice as rich as us.
300
840720
2056
14:14
If it continues
at a more measly one percent,
at a more measly one percent,
301
842800
2296
Se continua a un più misero 1%,
14:17
our grandchildren
will be twice as rich as us.
will be twice as rich as us.
302
845120
2656
i nostri nipoti saranno
due volte più ricchi di noi.
due volte più ricchi di noi.
14:19
By and large, we've solved
that traditional economic problem.
that traditional economic problem.
303
847800
3680
In linea di massima, abbiamo risolto
il tradizionale problema economico.
il tradizionale problema economico.
Perciò, la disoccupazione tecnologica,
se davvero sopraggiungerà,
se davvero sopraggiungerà,
14:24
Now, technological unemployment,
if it does happen,
if it does happen,
304
852200
3016
14:27
in a strange way will be
a symptom of that success,
a symptom of that success,
305
855240
3216
sarà stranamente sintomo di quel successo,
14:30
will have solved one problem --
how to make the pie bigger --
how to make the pie bigger --
306
858480
3856
avrà risolto un problema -
come allargare la torta -
come allargare la torta -
14:34
but replaced it with another --
307
862360
1816
ma l'avrà rimpiazzato con un'altro -
14:36
how to make sure
that everyone gets a slice.
that everyone gets a slice.
308
864200
2760
come essere sicuri che tutti
ne ricevano una fetta.
ne ricevano una fetta.
14:39
As other economists have noted,
solving this problem won't be easy.
solving this problem won't be easy.
309
867840
3496
Come hanno notato altri economisti,
risolvere il problema non sarà facile.
risolvere il problema non sarà facile.
14:43
Today, for most people,
310
871360
1656
Oggi, per molti,
il lavoro rappresenta il loro posto
al tavolo dell'economia,
al tavolo dell'economia,
14:45
their job is their seat
at the economic dinner table,
at the economic dinner table,
311
873040
2496
14:47
and in a world with less work
or even without work,
or even without work,
312
875560
2416
e in un mondo con meno lavoro,
o addirittura senza,
o addirittura senza,
non è chiaro come
potranno averne una fetta.
potranno averne una fetta.
14:50
it won't be clear
how they get their slice.
how they get their slice.
313
878000
2056
14:52
There's a great deal
of discussion, for instance,
of discussion, for instance,
314
880080
2336
Si discute molto, per esempio,
14:54
about various forms
of universal basic income
of universal basic income
315
882440
2696
delle varie forme
del reddito minimo garantito
del reddito minimo garantito
come possibile intervento,
14:57
as one possible approach,
316
885160
1216
14:58
and there's trials underway
317
886400
1616
e ci sono esperimenti in corso
15:00
in the United States
and in Finland and in Kenya.
and in Finland and in Kenya.
318
888040
2400
negli USA, in Finlandia e in Kenya.
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
Questa è la sfida collettiva
che abbiamo davanti,
che abbiamo davanti,
15:06
to figure out how this material prosperity
generated by our economic system
generated by our economic system
320
894200
5056
capire come questo benessere materiale
generato dal sistema economico
generato dal sistema economico
15:11
can be enjoyed by everyone
321
899280
1976
possa essere a disposizione di tutti
15:13
in a world in which
our traditional mechanism
our traditional mechanism
322
901280
2416
in un mondo in cui
il meccanismo tradizionale
il meccanismo tradizionale
15:15
for slicing up the pie,
323
903720
1856
per dividere la torta,
15:17
the work that people do,
324
905600
1936
il lavoro che le persone svolgono,
15:19
withers away and perhaps disappears.
325
907560
2160
avvizzisce e a volte svanisce.
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
Per risolvere questo problema
dovremo pensare in molti modi diversi.
dovremo pensare in molti modi diversi.
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
Ci sarà grande dissenso sul da farsi,
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
ma è importante ricordare che
questo è davvero un problema migliore
questo è davvero un problema migliore
15:35
than the one that haunted
our ancestors for centuries:
our ancestors for centuries:
329
923040
2816
di quello che ha assillato
i nostri antenati per secoli:
i nostri antenati per secoli:
15:37
how to make that pie
big enough in the first place.
big enough in the first place.
330
925880
3376
come rendere, innanzitutto,
la torta più grande.
la torta più grande.
15:41
Thank you very much.
331
929280
1256
Grazie mille.
15:42
(Applause)
332
930560
3840
(Applausi)
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