ABOUT THE SPEAKER
Erik Brynjolfsson - Innovation researcher
Erik Brynjolfsson examines the effects of information technologies on business strategy, productivity and employment.

Why you should listen

The director of the MIT Center for Digital Business and a research associate at the National Bureau of Economic Research, Erik Brynjolfsson asks how IT affects organizations, markets and the economy. His recent work studies data-driven decision-making, management practices that drive productivity, the pricing implications of Internet commerce and the role of intangible assets.
 
Brynjolfsson was among the first researchers to measure the productivity contributions of information and community technology (ICT) and the complementary role of organizational capital and other intangibles. His research also provided the first quantification of the value of online product variety, often known as the “Long Tail,” and developed pricing and bundling models for information goods.

His books include Wired for Innovation: How IT Is Reshaping the Economy and Race Against the Machine: How the Digital Revolution Is Accelerating Innovation, Driving Productivity and Irreversibly Transforming Employment and the Economy (with Andrew McAfee); and the recent article "Big Data: The Management Revolution" (with Andrew McAfee).

More profile about the speaker
Erik Brynjolfsson | Speaker | TED.com
TED2013

Erik Brynjolfsson: The key to growth? Race with the machines

Erik Brynjolfsson: Der Schlüssel zum Wachstum? Teamwork mit den Maschinen.

Filmed:
1,321,770 views

So wie immer mehr Maschinen Aufgaben übernehmen, finden sich viele ohne Arbeit wieder oder mit auf unbestimmte Zeit verschobene Gehaltserhöhungen. Ist das das Ende des Wachstums? Nein, sagt Erik Brynjolfsson -- es sind lediglich die Wachstumsschmerzen einer radikal umstrukturierten Wirtschaft. Ein fesselndes Beispiel dafür, warum große Innovationen vor uns liegen ... Wenn wir Maschinen als Mitspielern ansehen. Schauen Sie unbedingt auch die Gegenmeinung von Robert Gordon an.
- Innovation researcher
Erik Brynjolfsson examines the effects of information technologies on business strategy, productivity and employment. Full bio

Double-click the English transcript below to play the video.

00:12
GrowthWachstum is not deadtot.
0
605
2272
Wachstum ist nicht tot.
00:14
(ApplauseApplaus)
1
2877
1386
(Applaus)
00:16
Let's startAnfang the storyGeschichte 120 yearsJahre agovor,
2
4263
3963
Lassen Sie uns die Geschichte
vor 120 Jahren beginnen,
00:20
when AmericanAmerikanische factoriesFabriken beganbegann to electrifyelektrifizieren theirihr operationsOperationen,
3
8226
3632
als Amerikas Fabriken begannen,
ihre Arbeiten zu elektrifizieren
00:23
ignitingzünden the SecondSekunde IndustrialIndustrielle RevolutionRevolution.
4
11858
3344
und sich die zweite
industrielle Revolution entzündete.
00:27
The amazingtolle thing is
5
15202
1111
Das Erstaunliche ist,
00:28
that productivityProduktivität did not increaseerhöhen, ansteigen in those factoriesFabriken
6
16313
2777
dass sich die Produktivität
in diesen Fabriken nicht gesteigert hat --
00:31
for 30 yearsJahre. ThirtyDreißig yearsJahre.
7
19090
3256
in dreißig Jahren. Dreißig Jahre.
00:34
That's long enoughgenug for a generationGeneration of managersManager to retirein den Ruhestand gehen.
8
22346
3474
Das reicht, um eine ganze Generation
Manager in Rente zu schicken.
00:37
You see, the first waveWelle of managersManager
9
25820
2222
Die erste Welle von Managern
00:40
simplyeinfach replacedersetzt theirihr steamDampf enginesMotoren with electricelektrisch motorsMotoren,
10
28042
3417
ersetzte einfach ihre Dampfmaschinen
mit elektrischen Motoren,
00:43
but they didn't redesignNeugestaltung the factoriesFabriken to take advantageVorteil
11
31459
3010
aber sie gestalteten keine neuen Fabriken,
00:46
of electricity'sdes Stroms flexibilityFlexibilität.
12
34469
2341
um die Flexibilität der Elektrizität auszunutzen.
00:48
It fellfiel to the nextNächster generationGeneration to inventerfinden newneu work processesProzesse,
13
36810
3984
Es fiel der nächsten Generation zu,
neue Arbeitsprozesse zu gestalten,
00:52
and then productivityProduktivität soaredstieg,
14
40794
2727
dann stieg auch die Produktivität,
00:55
oftenhäufig doublingVerdoppelung or even triplingVerdreifachung in those factoriesFabriken.
15
43521
3665
häufig verdoppelte oder
verdreifachte diese sich sogar.
00:59
ElectricityStrom is an exampleBeispiel of a generalGeneral purposeZweck technologyTechnologie,
16
47186
4723
Elektrizität ist das Beispiel einer
Technologie für den allgemeinen Nutzen,
01:03
like the steamDampf engineMotor before it.
17
51909
2230
wie die Dampfmaschine davor.
01:06
GeneralAllgemeine purposeZweck technologiesTechnologien driveFahrt mostdie meisten economicWirtschaftlich growthWachstum,
18
54139
3416
Technologien für den allgemeinen Nutzen
treiben meistens das ökonomische Wachstum,
01:09
because they unleashzu entfesseln cascadesKaskaden of complementarykomplementär innovationsInnovationen,
19
57555
3454
weil sie zahlreiche ergänzende
Erfindungen freisetzen,
01:13
like lightbulbsGlühbirnen and, yes, factoryFabrik redesignNeugestaltung.
20
61009
3632
wie Glühbirnen und, ja,
die Umgestaltung von Fabriken.
01:16
Is there a generalGeneral purposeZweck technologyTechnologie of our eraEpoche?
21
64641
3610
Gibt es eine Allzweck-Technologie unserer Ära?
01:20
Sure. It's the computerComputer.
22
68251
2508
Klar. Es ist der Computer.
01:22
But technologyTechnologie aloneallein is not enoughgenug.
23
70759
2659
Aber die Technologie allein ist nicht genug.
01:25
TechnologyTechnologie is not destinySchicksal.
24
73418
2766
Technologie ist nicht gleich Schicksal.
01:28
We shapegestalten our destinySchicksal,
25
76184
1580
Wir gestalten unsere Schicksale.
01:29
and just as the earliervorhin generationsGenerationen of managersManager
26
77764
2516
Und so wie die früheren
Generationen von Managern
01:32
needederforderlich to redesignNeugestaltung theirihr factoriesFabriken,
27
80280
2298
ihre Fabriken umgestalten mussten,
01:34
we're going to need to reinventneu erfinden our organizationsOrganisationen
28
82578
2229
werden wir unsere Organisationen
neu erfinden müssen
01:36
and even our wholeganze economicWirtschaftlich systemSystem.
29
84807
2555
und sogar unser gesamtes Wirtschaftssystem.
01:39
We're not doing as well at that jobJob as we should be.
30
87362
3602
Wir sind nicht so gut in dieser Aufgabe,
wie wir es sein sollten.
01:42
As we'llGut see in a momentMoment,
31
90964
1230
Wie wir in einem Moment sehen werden,
01:44
productivityProduktivität is actuallytatsächlich doing all right,
32
92194
2722
ist mit unserer Produktivität alles in Ordnung,
01:46
but it has becomewerden decoupledentkoppelt from jobsArbeitsplätze,
33
94916
3862
aber sie hat sich losgelöst
von den Arbeitsplätzen,
01:50
and the incomeEinkommen of the typicaltypisch workerArbeitnehmer is stagnatingstagniert.
34
98778
4419
und das Einkommen des
normalen Arbeitnehmers stagniert.
01:55
These troublesProbleme are sometimesmanchmal misdiagnosedfalsch diagnostiziert
35
103197
2519
Diese Probleme werden
manchmal fehldiagnostiziert
01:57
as the endEnde of innovationInnovation,
36
105716
3712
als das Ende der Innovation,
02:01
but they are actuallytatsächlich the growingwachsend painsSchmerzen
37
109428
2129
aber sie sind tatsächlich die Wachstumsschmerzen
02:03
of what AndrewAndrew McAfeeMcAfee and I call the newneu machineMaschine ageAlter.
38
111557
5590
von dem, was Andrew McAfee und ich
"Das neue Zeitalter der Maschinen" nennen.
02:09
Let's look at some dataDaten.
39
117147
1882
Schauen wir uns einige Daten an.
02:11
So here'shier ist GDPBIP perpro personPerson in AmericaAmerika.
40
119029
2902
Hier ist also das Bruttoinlandsprodukt (BIP)
eines Menschen in Amerika.
02:13
There's some bumpsUnebenheiten alongeine lange the way, but the biggroß storyGeschichte
41
121931
2766
Da sind ein paar Beulen im Verlauf,
aber im großen und ganzen
02:16
is you could practicallypraktisch fitpassen a rulerLineal to it.
42
124697
2715
könnte man an diese Linie ein Lineal anlegen.
02:19
This is a logLog scaleRahmen, so what lookssieht aus like steadystetig growthWachstum
43
127412
3276
Dies ist eine Log-Skala.
Das, was so aussieht wie stetiges Wachstum,
02:22
is actuallytatsächlich an accelerationBeschleunigung in realecht termsBegriffe.
44
130688
3043
ist tatsächlich eine Beschleunigung
in realen Werten.
02:25
And here'shier ist productivityProduktivität.
45
133731
2160
Und hier ist die Produktivität.
02:27
You can see a little bitBit of a slowdownVerlangsamung des there in the mid-'Mitte '70s,
46
135891
2671
Sie sehen hier eine kleine Verlangsamung
in der Mitte der 70er Jahre,
02:30
but it matchesSpiele up prettyziemlich well with the SecondSekunde IndustrialIndustrielle RevolutionRevolution,
47
138562
3738
aber die Produktivität entspricht ziemlich genau
der der zweiten industriellen Revolution,
02:34
when factoriesFabriken were learningLernen how to electrifyelektrifizieren theirihr operationsOperationen.
48
142300
2691
als Fabriken lernten,
ihre Arbeitsgänge zu elektrifizieren.
02:36
After a lagVerzögerung, productivityProduktivität acceleratedbeschleunigt again.
49
144991
4129
Nach einiger Verzögerung
beschleunigte sich die Produktivität wieder.
02:41
So maybe "historyGeschichte doesn't repeatwiederholen itselfselbst,
50
149120
2571
Vielleicht wiederholt sich Geschichte nicht,
02:43
but sometimesmanchmal it rhymesReime."
51
151691
2568
aber manchmal reimt sie sich.
02:46
TodayHeute, productivityProduktivität is at an all-timeAll-Time highhoch,
52
154259
3136
Heute ist die Produktivität
auf einem Allzeithoch,
02:49
and despiteTrotz the Great RecessionRezession,
53
157395
1977
und trotz der großen Rezession
02:51
it grewwuchs fasterschneller in the 2000s than it did in the 1990s,
54
159372
4252
wuchs sie in den 2000ern schneller
als noch in den 90er Jahren,
02:55
the roaringbrüllend 1990s, and that was fasterschneller than the '70s or '80s.
55
163624
4136
den tosenden 90ern, die
schneller als die 70er oder 80er waren.
02:59
It's growingwachsend fasterschneller than it did duringwährend the SecondSekunde IndustrialIndustrielle RevolutionRevolution.
56
167760
3674
Sie wächst schneller als noch während
der zweiten industriellen Revolution.
03:03
And that's just the UnitedVereinigte StatesStaaten.
57
171434
1743
Und das hier sind nur die Vereinigten Staaten.
03:05
The globalglobal newsNachrichten is even better.
58
173177
3248
Global gesehen ist alles noch besser.
03:08
WorldwideWeltweit incomesEinkommen have growngewachsen at a fasterschneller ratePreis
59
176425
2360
Weltweit sind Einkommen schneller gewachsen
in den letzten zehn Jahren
03:10
in the pastVergangenheit decadeDekade than ever in historyGeschichte.
60
178785
2496
als jemals zuvor in der Geschichte.
03:13
If anything, all these numbersNummern actuallytatsächlich understateuntertreiben our progressFortschritt,
61
181281
5051
Wenn überhaupt, untertreiben diese Zahlen
tatsächlich unseren Fortschritt,
03:18
because the newneu machineMaschine ageAlter
62
186332
1912
denn im neuen Maschinen-Zeitalter
03:20
is more about knowledgeWissen creationSchaffung
63
188244
1664
geht es mehr um die Schaffung neuen Wissens,
03:21
than just physicalphysisch productionProduktion.
64
189908
2331
als nur der körperlichen Produktion.
03:24
It's mindVerstand not matterAngelegenheit, brainGehirn not brawnBrawn,
65
192239
2938
Es geht um Geist, nicht Substanz,
Gehirn, nicht Muskeln,
03:27
ideasIdeen not things.
66
195177
2062
Ideen, nicht Dinge.
03:29
That createserstellt a problemProblem for standardStandard metricsMetriken,
67
197239
2570
Das schafft ein Problem
für Standard-Metriken,
03:31
because we're gettingbekommen more and more stuffSachen for freefrei,
68
199809
3502
da wir immer mehr Sachen
kostenlos bekommen,
03:35
like WikipediaWikipedia, GoogleGoogle, SkypeSkype,
69
203311
2641
wie Wikipedia, Google, Skype.
03:37
and if they postPost it on the webweb, even this TEDTED Talk.
70
205952
3063
Und wenn sie ihn im Web veröffentlichen,
sogar diesen TED-Talk.
03:41
Now gettingbekommen stuffSachen for freefrei is a good thing, right?
71
209015
3303
Aber Zeugs kostenlos zu bekommen,
ist eine gute Sache, richtig?
03:44
Sure, of courseKurs it is.
72
212318
1765
Natürlich ist es das.
03:46
But that's not how economistsÖkonomen measuremessen GDPBIP.
73
214083
3868
Aber so messen Ökonomen nicht das BIP.
03:49
ZeroNull pricePreis meansmeint zeroNull weightGewicht in the GDPBIP statisticsStatistiken.
74
217951
5592
Null Preis heißt
null Bedeutung in den BIP-Statistiken.
03:55
AccordingLaut to the numbersNummern, the musicMusik- industryIndustrie
75
223543
2112
Den Zahlen nach ist die Musikindustrie
03:57
is halfHälfte the sizeGröße that it was 10 yearsJahre agovor,
76
225655
3000
nur noch halb so groß wie vor 10 Jahren.
04:00
but I'm listeningHören to more and better musicMusik- than ever.
77
228655
3656
aber ich höre mehr und
bessere Musik als je zuvor.
04:04
You know, I betWette you are too.
78
232311
2192
Ich wette, dass auch Sie das tun.
04:06
In totalgesamt, my researchForschung estimatesSchätzungen
79
234503
2723
Insgesamt schätzt meine Forschung,
04:09
that the GDPBIP numbersNummern missFräulein over 300 billionMilliarde dollarsDollar perpro yearJahr
80
237226
4754
dass den BIP-Zahlen über
300 Milliarden Dollar pro Jahr fehlen,
04:13
in freefrei goodsWaren and servicesDienstleistungen on the InternetInternet.
81
241980
3346
auf Grund freier Waren und
Dienstleistungen im Internet.
04:17
Now let's look to the futureZukunft.
82
245326
1789
Schauen wir in die Zukunft.
04:19
There are some superSuper smartsmart people
83
247115
2263
Es gibt einige superschlaue Menschen,
04:21
who are arguingstreiten that we'vewir haben reachederreicht the endEnde of growthWachstum,
84
249378
5019
die behaupten, wir hätten das
Ende des Wachstums erreicht.
04:26
but to understandverstehen the futureZukunft of growthWachstum,
85
254397
3558
Aber um die Zukunft
des Wachstums zu verstehen,
04:29
we need to make predictionsVorhersagen
86
257955
2683
müssen wir Vorhersagen über die zugrunde
liegenden Antreiber des Wachstums machen.
04:32
about the underlyingzugrunde liegenden driversTreiber of growthWachstum.
87
260638
3290
04:35
I'm optimisticoptimistisch, because the newneu machineMaschine ageAlter
88
263928
3806
Ich bin optimistisch,
denn das neue Maschinen-Zeitalter
04:39
is digitaldigital, exponentialexponentiell and combinatorialkombinatorisch.
89
267734
5030
ist digital, exponentiell und kombinatorisch.
04:44
When goodsWaren are digitaldigital, they can be replicatedrepliziert
90
272764
2264
Wenn Güter digital sind, können sie
in perfekter Qualität kopiert werden.
04:47
with perfectperfekt qualityQualität at nearlyfast zeroNull costKosten,
91
275028
4509
Fast ohne jegliche Kosten.
04:51
and they can be deliveredgeliefert almostfast instantaneouslyaugenblicklich.
92
279537
4018
Und sie können praktisch sofort geliefert werden.
04:55
WelcomeHerzlich Willkommen to the economicsWirtschaft of abundanceFülle.
93
283555
2800
Willkommen in der Wirtschaft des Überflusses.
04:58
But there's a subtlersubtiler benefitVorteil to the digitizationDigitalisierung of the worldWelt.
94
286355
3690
Aber die Digitalisierung der Welt
hat noch einen dezenteren Nutzen.
05:02
MeasurementMessung is the lifebloodLebenselixier of scienceWissenschaft and progressFortschritt.
95
290045
4600
Messungen sind das Lebenselixier
der Wissenschaft und des Fortschritts.
05:06
In the ageAlter of biggroß dataDaten,
96
294645
2148
Im Zeitalter der großen Daten
05:08
we can measuremessen the worldWelt in waysWege we never could before.
97
296793
4286
können wir die Welt auf Weisen messen,
wie es uns vorher nicht möglich war.
05:13
SecondlyZweitens, the newneu machineMaschine ageAlter is exponentialexponentiell.
98
301079
4095
Zweitens ist das neue
Computer-Zeitalter exponentiell.
05:17
ComputersComputer get better fasterschneller than anything elsesonst ever.
99
305174
5935
Computer werden schneller besser
als alles jemals zu vor.
05:23
A child'sdes Kindes PlaystationPlayStation todayheute is more powerfulmächtig
100
311109
3568
Die Playstation eines Kindes
hat heutzutage mehr Power
05:26
than a militaryMilitär- supercomputerSupercomputer from 1996.
101
314677
4056
als ein militärischer
Supercomputer von 1996.
05:30
But our brainsGehirne are wiredverdrahtet for a linearlinear worldWelt.
102
318733
3207
Aber unsere Gehirne sind für eine
lineare Welt ausgelegt.
05:33
As a resultErgebnis, exponentialexponentiell trendsTrends take us by surpriseüberraschen.
103
321940
3888
Infolgedessen überrumpeln uns
exponentielle Trends.
Ich habe meine Studenten gelehrt, dass
Computer nicht in allem gut sind,
05:37
I used to teachlehren my studentsStudenten that there are some things,
104
325828
2602
05:40
you know, computersComputer just aren'tsind nicht good at,
105
328430
1934
wie ein Auto durch den Verkehr zu bringen.
05:42
like drivingFahren a carAuto throughdurch trafficder Verkehr.
106
330364
2385
05:44
(LaughterLachen)
107
332749
2013
(Gelächter)
05:46
That's right, here'shier ist AndyAndy and me grinninggrinsend like madmenverrückte
108
334762
3491
So ist es. Das sind Andy und ich,
grinsend wie Verrückte,
05:50
because we just rodeRitt down RouteRoute 101
109
338253
2384
weil wir gerade die Route 101 in einem,
05:52
in, yes, a driverlessfahrerlose carAuto.
110
340637
3669
ja, fahrerlosen Auto
entlanggefahren sind.
05:56
ThirdlyDrittens:, the newneu machineMaschine ageAlter is combinatorialkombinatorisch.
111
344306
2583
Drittens ist das neue Maschinenzeitalter
kombinatorisch.
05:58
The stagnationiststagnatistische viewAussicht is that ideasIdeen get used up,
112
346889
4048
Aus Sicht von Stagnationisten
brauchen Ideen sich auf.
06:02
like low-hangingtief hängend fruitFrucht,
113
350937
1856
So wie niedrig hängende Früchte.
06:04
but the realityWirklichkeit is that eachjede einzelne innovationInnovation
114
352793
3163
Aber in Wahrheit schafft jede Innovation
06:07
createserstellt buildingGebäude blocksBlöcke for even more innovationsInnovationen.
115
355956
3256
Bausteine für noch weitere Innovationen.
06:11
Here'sHier ist an exampleBeispiel. In just a matterAngelegenheit of a fewwenige weeksWochen,
116
359212
3345
Hier ist ein Beispiel.
In nur wenigen Wochen
06:14
an undergraduateBachelor studentSchüler of mineBergwerk
117
362557
2072
hat ein Student in seinen ersten Semestern
06:16
builtgebaut an appApp that ultimatelyletzten Endes reachederreicht 1.3 millionMillion usersBenutzer.
118
364629
4111
eine App geschrieben, die letztlich
1,3 Millionen Nutzer erreicht hat.
06:20
He was ablefähig to do that so easilyleicht
119
368740
1699
Er konnte das so einfach tun,
06:22
because he builtgebaut it on topoben of FacebookFacebook,
120
370439
1827
weil er sie auf Facebook aufgebaut hat,
06:24
and FacebookFacebook was builtgebaut on topoben of the webweb,
121
372266
1933
und Facebook wurde auf das Web gebaut,
und dieses wurde auf das Internet gebaut,
06:26
and that was builtgebaut on topoben of the InternetInternet,
122
374199
1698
06:27
and so on and so forthher.
123
375897
2418
und so weiter und so fort.
06:30
Now individuallyindividuell, digitaldigital, exponentialexponentiell and combinatorialkombinatorisch
124
378315
4765
Einzeln betrachtet, wären
digital, exponentiell und kombinatorisch
06:35
would eachjede einzelne be game-changersSpiel-Wechsler.
125
383080
2350
an sich bereits Richtungswechsler.
Setzt man sie zusammen,
sehen wir eine Welle
06:37
Put them togetherzusammen, and we're seeingSehen a waveWelle
126
385430
2190
06:39
of astonishingerstaunlich breakthroughsDurchbrüche,
127
387620
1393
erstaunlicher Durchbrüche, wie
06:41
like robotsRoboter that do factoryFabrik work or runLauf as fastschnell as a cheetahGepard
128
389013
3060
Roboter, die Fabrikarbeiten verrichten
oder so schnell wie Geparden rennen
06:44
or leapSprung tallhoch buildingsGebäude in a singleSingle boundgebunden.
129
392073
2796
oder in einem einzigen Satz
so hoch wie ein Hochhaus springen.
Wussten Sie, dass Roboter sogar
Katzentransporte verändert haben?
06:46
You know, robotsRoboter are even revolutionizingrevolutionierend
130
394869
2232
06:49
catKatze transportationTransport.
131
397101
1829
06:50
(LaughterLachen)
132
398930
2270
(Gelächter)
06:53
But perhapsvielleicht the mostdie meisten importantwichtig inventionErfindung,
133
401200
2732
Aber die vielleicht wichtigste Erfindung
ist das maschinelle Lernen.
06:55
the mostdie meisten importantwichtig inventionErfindung is machineMaschine learningLernen.
134
403932
5065
07:00
ConsiderPrüfen one projectProjekt: IBM'sIBMs WatsonWatson.
135
408997
3376
Schauen Sie sich IBMs Projekt "Watson" an.
07:04
These little dotsPunkte here,
136
412373
1589
Diese kleinen Punkte hier,
07:05
those are all the championsChampions on the quizQuiz showShow "JeopardyGefahr."
137
413962
4860
das sind alle Gewinner
aus der Quiz-Show "Jeopardy".
07:10
At first, WatsonWatson wasn'twar nicht very good,
138
418822
2544
Anfangs war Watson nicht sehr gut,
07:13
but it improvedverbessert at a ratePreis fasterschneller than any humanMensch could,
139
421366
5622
aber er verbesserte sich mit einem Tempo
schneller als jeder Mensch.
Und kurz nachdem Dave Ferrucci meiner
Klasse am MIT dieses Diagramm zeigte,
07:18
and shortlyin Kürze after DaveDave FerrucciFerrucci showedzeigte this chartDiagramm
140
426988
2687
07:21
to my classKlasse at MITMIT,
141
429675
1652
07:23
WatsonWatson beatschlagen the worldWelt "JeopardyGefahr" championChampion.
142
431327
3542
schlug Watson den "Jeopardy"-Weltmeister.
07:26
At ageAlter sevenSieben, WatsonWatson is still kindArt of in its childhoodKindheit.
143
434869
3989
Mit sieben Jahren ist Watson immer noch
irgendwie in seiner Kindheit.
07:30
RecentlyVor kurzem, its teachersLehrer let it surfSurf the InternetInternet unsupervisedohne Aufsicht.
144
438858
5318
Vor kurzem ließen die Lehrer ihn
unbeaufsichtigt im Internet surfen.
07:36
The nextNächster day, it startedhat angefangen answeringantwortend questionsFragen with profanitiesSchimpfwörter.
145
444176
5946
Am nächsten Tag begann er, Fragen
mit Obszönitäten zu beantworten.
07:42
DamnVerdammt. (LaughterLachen)
146
450122
2274
Verdammt. (Gelächter)
07:44
But you know, WatsonWatson is growingwachsend up fastschnell.
147
452396
2280
Aber Watson reift schnell.
07:46
It's beingSein testedgeprüft for jobsArbeitsplätze in call centersZentren, and it's gettingbekommen them.
148
454676
4212
Er wird für Aufgaben in Call-Centern
getestet und er versteht sie.
07:50
It's applyingbewirbt sich for legallegal, bankingBanking and medicalmedizinisch jobsArbeitsplätze,
149
458888
3724
Er bewirbt sich um finanzwirtschaftliche,
juristische und medizinische Arbeiten
07:54
and gettingbekommen some of them.
150
462612
1950
und bekommt einige von ihnen.
07:56
Isn't it ironicironisch that at the very momentMoment
151
464562
1889
Ist es nicht ironisch,
dass genau in dem Moment,
07:58
we are buildingGebäude intelligentintelligent machinesMaschinen,
152
466451
2234
in dem wir intelligente Maschinen bauen --
08:00
perhapsvielleicht the mostdie meisten importantwichtig inventionErfindung in humanMensch historyGeschichte,
153
468685
3449
vielleicht die wichtigste Erfindung
in der Geschichte der Menschheit --
08:04
some people are arguingstreiten that innovationInnovation is stagnatingstagniert?
154
472134
3975
manche Leute behaupten,
Innovation würde stagnieren?
08:08
Like the first two industrialindustriell revolutionsRevolutionen,
155
476109
2419
Wie bei den ersten beiden
industriellen Revolutionen
08:10
the fullvoll implicationsImplikationen of the newneu machineMaschine ageAlter
156
478528
3134
werden sich die Auswirkungen
des neuen Maschinen-Zeitalters
08:13
are going to take at leastam wenigsten a centuryJahrhundert to fullyvöllig playspielen out,
157
481662
2682
frühestens in einem Jahrhundert
gänzlich zeigen.
08:16
but they are staggeringStaffelung.
158
484344
3032
Aber sie sind atemberaubend.
08:19
So does that mean we have nothing to worrySorge about?
159
487376
3336
Bedeutet das, dass wir nichts
zu befürchten haben?
08:22
No. TechnologyTechnologie is not destinySchicksal.
160
490712
3680
Nein. Technologie ist nicht gleich Schicksal.
08:26
ProductivityProduktivität is at an all time highhoch,
161
494392
2569
Produktivität ist auf
einem historischen Höchststand,
08:28
but fewerweniger people now have jobsArbeitsplätze.
162
496961
2983
aber jetzt haben
weniger Menschen Arbeitsplätze.
08:31
We have createderstellt more wealthReichtum in the pastVergangenheit decadeDekade than ever,
163
499944
3120
Wir haben in den letzten zehn Jahren
mehr Reichtum als je zuvor geschaffen,
08:35
but for a majorityMehrheit of AmericansAmerikaner, theirihr incomeEinkommen has fallengefallen.
164
503064
3904
und dennoch ist das Einkommen
der meisten Amerikaner gefallen.
08:38
This is the great decouplingEntkopplung
165
506968
2312
Dies ist die große Entkopplung
08:41
of productivityProduktivität from employmentBeschäftigung,
166
509280
2976
der Produktivität durch Beschäftigung,
08:44
of wealthReichtum from work.
167
512256
3104
des Wohlstands durch Arbeit.
08:47
You know, it's not surprisingüberraschend that millionsMillionen of people
168
515360
2346
Es ist nicht verwunderlich,
dass Millionen von Menschen
08:49
have becomewerden disillusioneddesillusioniert by the great decouplingEntkopplung,
169
517706
2846
durch die große Entkopplung
desillusioniert worden sind?
08:52
but like too manyviele othersAndere,
170
520552
1747
Aber wie zu viele andere auch
08:54
they misunderstandmissverstehen its basicBasic causesUrsachen.
171
522299
3097
missverstehen sie die grundlegenden Ursachen.
08:57
TechnologyTechnologie is racingRennen aheadvoraus,
172
525396
2610
Technologie rast voran,
09:00
but it's leavingVerlassen more and more people behindhinter.
173
528006
3550
und sie lässt mehr und mehr Menschen zurück.
09:03
TodayHeute, we can take a routineRoutine jobJob,
174
531556
3519
Heute können wir
eine Routineaufgabe herannehmen,
09:07
codifykodifizieren it in a setSet of machine-readablemaschinenlesbare instructionsAnleitung,
175
535075
3091
sie in eine Reihe maschinenlesbare
Anweisungen kodieren
09:10
and then replicatereplizieren it a millionMillion timesmal.
176
538166
2827
und sie dann millionenfach ausführen lassen.
09:12
You know, I recentlyvor kurzem overheardbelauscht a conversationKonversation
177
540993
2279
Ich habe vor kurzem ein Gespräch gehört,
09:15
that epitomizesverkörpert these newneu economicsWirtschaft.
178
543272
1952
das diese neue Wirtschaftslehre
widerspiegelte.
09:17
This guy sayssagt, "NahNein, I don't use H&R BlockBlock anymorenicht mehr.
179
545224
4197
So ein Typ sagte: "Nein, ich benutze
den H&R-Block nicht mehr.
09:21
TurboTaxTurboTax does everything that my taxSteuer preparerAufbereiter did,
180
549421
2448
TurboTax tut alles, was meine
Steuerberater getan haben,
09:23
but it's fasterschneller, cheaperbilliger and more accurategenau."
181
551869
4558
aber es ist schneller, billiger und genauer."
09:28
How can a skilledqualifiziert workerArbeitnehmer
182
556427
1799
Wie kann ein Facharbeiter
09:30
competekonkurrieren with a $39 pieceStück of softwareSoftware?
183
558226
3009
mit einer $39-Software konkurrieren?
09:33
She can't.
184
561235
1967
Er kann es nicht.
09:35
TodayHeute, millionsMillionen of AmericansAmerikaner do have fasterschneller,
185
563202
2780
Heute haben Millionen
von Amerikanern eine schnellere,
09:37
cheaperbilliger, more accurategenau taxSteuer preparationVorbereitung,
186
565982
2387
billigere und genauere Steuerberatung.
09:40
and the foundersGründer of IntuitIntuit
187
568369
1486
Und den Gründern von Intuit
09:41
have doneerledigt very well for themselvessich.
188
569855
2493
ist es dabei ziemlich gut gegangen.
09:44
But 17 percentProzent of taxSteuer preparersAufsteller no longerlänger have jobsArbeitsplätze.
189
572348
4214
Aber 17 Prozent der Steuerberater
haben keine Arbeitsplätze mehr.
Das ist ein Mikrokosmos
dessen, was vor sich geht.
09:48
That is a microcosmMikrokosmos of what's happeningHappening,
190
576562
2078
09:50
not just in softwareSoftware and servicesDienstleistungen, but in mediaMedien and musicMusik-,
191
578640
4677
Nicht nur bei Dienstleistungen und
Software, auch in Medien und Musik,
09:55
in financeFinanzen and manufacturingHerstellung, in retailingim Einzelhandel and tradeHandel --
192
583317
3686
den Finanzen und der Fertigung,
im Handel und dem Gewerbe --
09:59
in shortkurz, in everyjeden industryIndustrie.
193
587003
3895
Kurzum, in jeder Branche.
10:02
People are racingRennen againstgegen the machineMaschine,
194
590898
3095
Menschen rennen gegen die Maschine an,
10:05
and manyviele of them are losingverlieren that raceRennen.
195
593993
3090
und viele von ihnen verlieren das Rennen.
10:09
What can we do to createerstellen sharedgeteilt prosperityWohlstand?
196
597083
3886
Was können wir tun, um
gemeinsamen Wohlstand zu erzeugen?
10:12
The answerAntworten is not to try to slowlangsam down technologyTechnologie.
197
600969
3017
Die Antwort ist nicht zu versuchen,
die Technologie verlangsamen.
10:15
InsteadStattdessen of racingRennen againstgegen the machineMaschine,
198
603986
2557
Anstatt gegen die Maschinen anzutreten,
10:18
we need to learnlernen to raceRennen with the machineMaschine.
199
606543
3677
müssen wir lernen, mit der Maschine anzutreten.
10:22
That is our grandgroßartig challengeHerausforderung.
200
610220
3129
Das ist unsere große Herausforderung.
10:25
The newneu machineMaschine ageAlter
201
613349
2324
Das neue Computer-Zeitalter
10:27
can be dateddatiert to a day 15 yearsJahre agovor
202
615673
3113
kann auf einen Tag
vor 15 Jahren datiert werden,
10:30
when GarryGarry KasparovKasparov, the worldWelt chessSchach championChampion,
203
618786
2878
als Gary Kasparov,
der Schach-Weltmeister,
10:33
playedgespielt DeepTief BlueBlau, a supercomputerSupercomputer.
204
621664
3706
gegen Deep Blue spielte,
einen Supercomputer.
10:37
The machineMaschine wongewonnen that day,
205
625370
2012
Die Maschine hat an diesem Tag gewonnen
10:39
and todayheute, a chessSchach programProgramm runningLaufen on a cellZelle phoneTelefon
206
627382
2968
und heute kann ein Schachprogramm,
das auf einem Mobiltelefon läuft,
10:42
can beatschlagen a humanMensch grandmasterGroßmeister.
207
630350
2296
einen menschlichen Großmeister schlagen.
10:44
It got so badschlecht that, when he was askedaufgefordert
208
632646
3365
Es wurde so schlimm, dass,
als man ihn fragte,
10:48
what strategyStrategie he would use againstgegen a computerComputer,
209
636011
2563
welche Strategie er gegen einen
Computer anwenden würde,
10:50
JanJan DonnerDonner, the DutchHolländisch grandmasterGroßmeister, repliedantwortete,
210
638574
4016
der niederländische
Großmeister Jan Donner antwortete:
10:54
"I'd bringbringen a hammerHammer."
211
642590
1771
"Ich würde einen Hammer mitbringen."
10:56
(LaughterLachen)
212
644361
3680
(Gelächter)
11:00
But todayheute a computerComputer is no longerlänger the worldWelt chessSchach championChampion.
213
648041
4544
Aber heute ist kein Computer mehr
Schach-Weltmeister.
11:04
NeitherWeder is a humanMensch,
214
652585
2654
Aber auch kein Mensch,
11:07
because KasparovKasparov organizedorganisiert a freestyleFreestyle tournamentTurnier
215
655239
3579
denn Kasparow organisierte
ein Freestyle-Turnier
11:10
where teamsTeams of humansMenschen and computersComputer
216
658818
1916
bei dem Teams aus Mensch und Computer
11:12
could work togetherzusammen,
217
660734
2099
zusammenarbeiten konnten.
11:14
and the winninggewinnen teamMannschaft had no grandmasterGroßmeister,
218
662833
3157
Das Siegerteam hatte keinen Großmeister,
11:17
and it had no supercomputerSupercomputer.
219
665990
2465
es hatte auch keinen Supercomputer.
11:20
What they had was better teamworkTeamarbeit,
220
668455
4175
Was sie hatten, war eine
bessere Zusammenarbeit.
11:24
and they showedzeigte that a teamMannschaft of humansMenschen and computersComputer,
221
672630
5016
Und sie zeigten, dass ein Team
aus Mensch und Computer
11:29
workingArbeiten togetherzusammen, could beatschlagen any computerComputer
222
677646
3048
in Zusammenarbeit jeden Computer
11:32
or any humanMensch workingArbeiten aloneallein.
223
680694
3520
oder jeden allein arbeitenden
Menschen schlagen kann.
11:36
RacingRacing with the machineMaschine
224
684214
1664
Mit der Maschine anzutreten
11:37
beatsschlägt racingRennen againstgegen the machineMaschine.
225
685878
2343
schlägt gegen die Maschine anzutreten.
11:40
TechnologyTechnologie is not destinySchicksal.
226
688221
2564
Technologie ist nicht gleich Schicksal.
11:42
We shapegestalten our destinySchicksal.
227
690785
1742
Wir gestalten unser Schicksal.
11:44
Thank you.
228
692527
1447
Vielen Dank.
11:45
(ApplauseApplaus)
229
693974
5016
(Applaus)
Translated by Philipp Markl
Reviewed by Marcel Grille

▲Back to top

ABOUT THE SPEAKER
Erik Brynjolfsson - Innovation researcher
Erik Brynjolfsson examines the effects of information technologies on business strategy, productivity and employment.

Why you should listen

The director of the MIT Center for Digital Business and a research associate at the National Bureau of Economic Research, Erik Brynjolfsson asks how IT affects organizations, markets and the economy. His recent work studies data-driven decision-making, management practices that drive productivity, the pricing implications of Internet commerce and the role of intangible assets.
 
Brynjolfsson was among the first researchers to measure the productivity contributions of information and community technology (ICT) and the complementary role of organizational capital and other intangibles. His research also provided the first quantification of the value of online product variety, often known as the “Long Tail,” and developed pricing and bundling models for information goods.

His books include Wired for Innovation: How IT Is Reshaping the Economy and Race Against the Machine: How the Digital Revolution Is Accelerating Innovation, Driving Productivity and Irreversibly Transforming Employment and the Economy (with Andrew McAfee); and the recent article "Big Data: The Management Revolution" (with Andrew McAfee).

More profile about the speaker
Erik Brynjolfsson | Speaker | TED.com