TED@Merck KGaA, Darmstadt, Germany
Daniel Susskind: 3 myths about the future of work (and why they're not true)
Daniel Susskind: Trois mythes sur l'avenir du travail (et pourquoi ils ne sont pas vrais)
Filmed:
Readability: 4.5
1,519,249 views
« Les machines remplaceront-elles les êtres humains ? » Toute personne ayant un emploi à perdre a cette question à l'esprit. Daniel Susskind confronte cette question et trois idées reçues qui sont fausses sur l'avenir automatisé, suggérant que nous nous demandions : comment distribuerons-nous les richesses dans un monde où il y aura moins, voire pas, de travail ?
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
L’anxiété au sujet de l’automatisation
s’est récemment répandue,
s’est récemment répandue,
00:16
a fear that in the future,
1
4160
2656
une peur qu’à l’avenir
00:18
many jobs will be performed by machines
2
6840
2456
de nombreuses tâches
soient faites par des machines
soient faites par des machines
00:21
rather than human beings,
3
9320
1336
plutôt que des êtres humains,
00:22
given the remarkable advances
that are unfolding
that are unfolding
4
10680
2936
étant données les remarquables
avancées qui se produisent
avancées qui se produisent
00:25
in artificial intelligence and robotics.
5
13640
2776
en intelligence artificielle
et en robotique.
et en robotique.
00:28
What's clear is that
there will be significant change.
there will be significant change.
6
16440
2816
Ce qui est clair, c’est qu’il y aura
d’importants changements.
d’importants changements.
00:31
What's less clear
is what that change will look like.
is what that change will look like.
7
19280
3616
Ce qui est moins clair, c’est
à quoi ces changements ressembleront.
à quoi ces changements ressembleront.
00:34
My research suggests that the future
is both troubling and exciting.
is both troubling and exciting.
8
22920
4936
Mes recherches suggèrent que l’avenir
est à la fois inquiétant et prometteur.
est à la fois inquiétant et prometteur.
00:39
The threat of technological
unemployment is real,
unemployment is real,
9
27880
3736
La menace du chômage
technologique est réelle,
technologique est réelle,
00:43
and yet it's a good problem to have.
10
31640
2056
mais c’est un bon problème à avoir.
00:45
And to explain
how I came to that conclusion,
how I came to that conclusion,
11
33720
3216
Pour expliquer comment
j’en suis venu à cette conclusion,
j’en suis venu à cette conclusion,
00:48
I want to confront three myths
12
36960
2536
je veux confronter trois mythes
00:51
that I think are currently obscuring
our vision of this automated future.
our vision of this automated future.
13
39520
4280
qui, à mon avis, obscurcissent
notre vision de cet avenir automatisé.
notre vision de cet avenir automatisé.
00:56
A picture that we see
on our television screens,
on our television screens,
14
44880
2336
Une image que nous voyons
sur nos écrans de télé,
sur nos écrans de télé,
00:59
in books, in films, in everyday commentary
15
47240
2216
dans les livres, les films,
les commentaires
les commentaires
est celle d’une armée de robots
envahissant le monde du travail
envahissant le monde du travail
01:01
is one where an army of robots
descends on the workplace
descends on the workplace
16
49480
3696
01:05
with one goal in mind:
17
53200
1376
avec un objectif en tête :
01:06
to displace human beings from their work.
18
54600
2496
remplacer les êtres humains
dans leur travail.
dans leur travail.
01:09
And I call this the Terminator myth.
19
57120
2696
J’appelle cela le mythe de Terminator.
01:11
Yes, machines displace
human beings from particular tasks,
human beings from particular tasks,
20
59840
3976
Oui, les machines remplacent les humains
dans des tâches particulières,
dans des tâches particulières,
01:15
but they don't just
substitute for human beings.
substitute for human beings.
21
63840
2256
mais elles ne remplacent pas
les êtres humains.
les êtres humains.
01:18
They also complement them in other tasks,
22
66120
1976
Elles les complètent dans d’autres tâches,
01:20
making that work more valuable
and more important.
and more important.
23
68120
3616
augmentant la valeur
et l’importance de ce travail.
et l’importance de ce travail.
01:23
Sometimes they complement
human beings directly,
human beings directly,
24
71760
3336
Parfois, elles complètent
les êtres humains directement,
les êtres humains directement,
01:27
making them more productive
or more efficient at a particular task.
or more efficient at a particular task.
25
75120
4016
en les rendant plus productifs, plus
efficaces pour une tâche en particulier.
efficaces pour une tâche en particulier.
01:31
So a taxi driver can use a satnav system
to navigate on unfamiliar roads.
to navigate on unfamiliar roads.
26
79160
4616
Un chauffeur de taxi peut utiliser
le système de navigation satellite
le système de navigation satellite
sur des routes inconnues.
01:35
An architect can use
computer-assisted design software
computer-assisted design software
27
83800
3336
Un architecte peut utiliser un logiciel
de conception assistée
de conception assistée
01:39
to design bigger,
more complicated buildings.
more complicated buildings.
28
87160
3096
pour concevoir des bâtiments
plus grands et plus compliqués.
plus grands et plus compliqués.
Le progrès technologique
ne complémente pas toujours
ne complémente pas toujours
01:42
But technological progress doesn't
just complement human beings directly.
just complement human beings directly.
29
90280
3696
les humains de façon directe.
01:46
It also complements them indirectly,
and it does this in two ways.
and it does this in two ways.
30
94000
3336
Il les complémente indirectement
et le fait de deux façons.
et le fait de deux façons.
01:49
The first is if we think
of the economy as a pie,
of the economy as a pie,
31
97360
3336
Si nous voyons l’économie comme un gâteau,
01:52
technological progress
makes the pie bigger.
makes the pie bigger.
32
100720
2896
le progrès technologique
agrandit le gâteau.
agrandit le gâteau.
01:55
As productivity increases,
incomes rise and demand grows.
incomes rise and demand grows.
33
103640
3856
Quand la productivité augmente,
les revenus et la demande augmentent.
les revenus et la demande augmentent.
01:59
The British pie, for instance,
34
107520
1776
Le gâteau britannique, par exemple,
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
est plus de 100 fois plus gros
qu’il y a 300 ans.
qu’il y a 300 ans.
02:05
And so people displaced
from tasks in the old pie
from tasks in the old pie
36
113920
3216
Les gens évincés de tâches
dans l’ancien gâteau
dans l’ancien gâteau
02:09
could find tasks to do
in the new pie instead.
in the new pie instead.
37
117160
2720
peuvent trouver des tâches
dans le nouveau gâteau.
dans le nouveau gâteau.
02:12
But technological progress
doesn't just make the pie bigger.
doesn't just make the pie bigger.
38
120800
3936
Mais le progrès technologique
ne fait pas qu’agrandir le gâteau.
ne fait pas qu’agrandir le gâteau.
02:16
It also changes
the ingredients in the pie.
the ingredients in the pie.
39
124760
2856
Il en change aussi les ingrédients.
02:19
As time passes, people spend
their income in different ways,
their income in different ways,
40
127640
3456
Le temps passant, les gens dépensent
leurs revenus différemment,
leurs revenus différemment,
02:23
changing how they spread it
across existing goods,
across existing goods,
41
131120
2816
changeant leur dispersion
parmi les produits existants
parmi les produits existants
02:25
and developing tastes
for entirely new goods, too.
for entirely new goods, too.
42
133960
3216
et développant des goûts
pour de nouveaux produits.
pour de nouveaux produits.
02:29
New industries are created,
43
137200
1776
De nouvelles industries sont créées,
02:31
new tasks have to be done
44
139000
1816
de nouvelles tâches
doivent être réalisées
doivent être réalisées
02:32
and that means often
new roles have to be filled.
new roles have to be filled.
45
140840
2536
et souvent, de nouveaux rôles
doivent être remplis.
doivent être remplis.
02:35
So again, the British pie:
46
143400
1496
Le gâteau britannique :
02:36
300 years ago,
most people worked on farms,
most people worked on farms,
47
144920
2976
il y a 300 ans, les gens
travaillaient surtout dans des fermes ;
travaillaient surtout dans des fermes ;
02:39
150 years ago, in factories,
48
147920
2336
il y a 150 ans, dans des usines ;
02:42
and today, most people work in offices.
49
150280
2856
aujourd’hui, la plupart des gens
travaillent dans des bureaux.
travaillent dans des bureaux.
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
Les gens évincés de tâches
dans l’ancien gâteau
dans l’ancien gâteau
02:49
could tumble into tasks
in the new bit of pie instead.
in the new bit of pie instead.
51
157240
2800
pouvaient tomber sur des tâches
dans le nouveau.
dans le nouveau.
02:52
Economists call these effects
complementarities,
complementarities,
52
160720
3336
Les économistes appellent ces effets
des complémentarités,
des complémentarités,
02:56
but really that's just a fancy word
to capture the different way
to capture the different way
53
164080
3256
mais ce n’est qu’un mot raffiné
pour capturer la façon différente
pour capturer la façon différente
02:59
that technological progress
helps human beings.
helps human beings.
54
167360
3136
dont le progrès technologique
aide les êtres humains.
aide les êtres humains.
03:02
Resolving this Terminator myth
55
170520
2096
Résoudre ce mythe de Terminator
03:04
shows us that there are
two forces at play:
two forces at play:
56
172640
2336
nous montre qu’il y a deux forces en jeu :
03:07
one, machine substitution
that harms workers,
that harms workers,
57
175000
3536
la substitution par les machines
qui nuit aux travailleurs,
qui nuit aux travailleurs,
03:10
but also these complementarities
that do the opposite.
that do the opposite.
58
178560
2880
mais aussi ces complémentarités
qui font le contraire.
qui font le contraire.
03:13
Now the second myth,
59
181960
1376
Le second mythe
03:15
what I call the intelligence myth.
60
183360
2280
que j’appelle le mythe de l’intelligence.
03:18
What do the tasks of driving a car,
making a medical diagnosis
making a medical diagnosis
61
186440
4896
Qu’ont en commun les tâches
de conduite d’une voiture,
de conduite d’une voiture,
d’établissement d’un diagnostic
et d’identification éclair d’un oiseau ?
et d’identification éclair d’un oiseau ?
03:23
and identifying a bird
at a fleeting glimpse have in common?
at a fleeting glimpse have in common?
62
191360
2920
03:27
Well, these are all tasks
that until very recently,
that until very recently,
63
195280
2976
Ce sont des tâches que,
jusqu’à très récemment,
jusqu’à très récemment,
03:30
leading economists thought
couldn't readily be automated.
couldn't readily be automated.
64
198280
3336
d’éminents économiques pensaient
ne pas être facilement automatisables.
ne pas être facilement automatisables.
03:33
And yet today, all of these tasks
can be automated.
can be automated.
65
201640
3176
Pourtant, aujourd’hui, toutes ces tâches
peuvent être automatisées.
peuvent être automatisées.
03:36
You know, all major car manufacturers
have driverless car programs.
have driverless car programs.
66
204840
3496
Les grands constructeurs automobiles
ont des programmes de voitures autonomes.
ont des programmes de voitures autonomes.
03:40
There's countless systems out there
that can diagnose medical problems.
that can diagnose medical problems.
67
208360
3976
Il y a d’innombrables systèmes pouvant
diagnostiquer des problèmes médicaux.
diagnostiquer des problèmes médicaux.
03:44
And there's even an app
that can identify a bird
that can identify a bird
68
212360
2416
Il y a même une application
qui peut identifier un oiseau
qui peut identifier un oiseau
03:46
at a fleeting glimpse.
69
214800
1200
en un éclair.
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
Ce n’était pas de la malchance
de la part des économistes.
de la part des économistes.
03:53
They were wrong,
71
221320
1296
Ils avaient tort
03:54
and the reason why
they were wrong is very important.
they were wrong is very important.
72
222640
2496
et la raison à cela est très importante.
03:57
They've fallen for the intelligence myth,
73
225160
2256
Ils ont cru au mythe de l’intelligence,
03:59
the belief that machines
have to copy the way
have to copy the way
74
227440
2896
la croyance selon laquelle les machines
doivent copier la façon
doivent copier la façon
04:02
that human beings think and reason
75
230360
2056
de penser et de raisonner
des êtres humains
des êtres humains
04:04
in order to outperform them.
76
232440
1776
afin de les surpasser.
04:06
When these economists
were trying to figure out
were trying to figure out
77
234240
2216
Quand ces économistes
essayaient de déterminer
essayaient de déterminer
quelle tâche les machines
ne savaient pas faire,
ne savaient pas faire,
04:08
what tasks machines could not do,
78
236480
1856
04:10
they imagined the only way
to automate a task
to automate a task
79
238360
2136
ils pensaient que
pour automatiser une tâche,
pour automatiser une tâche,
04:12
was to sit down with a human being,
80
240520
1816
il fallait prendre un être humain,
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
qu’il vous explique
comment il effectuait une tâche
comment il effectuait une tâche
04:17
and then try and capture that explanation
82
245920
2656
puis essayer de refléter cette explication
04:20
in a set of instructions
for a machine to follow.
for a machine to follow.
83
248600
2776
dans un jeu d’instructions
qu’une machine suivrait.
qu’une machine suivrait.
04:23
This view was popular in artificial
intelligence at one point, too.
intelligence at one point, too.
84
251400
4176
Cette vision a aussi été populaire
en intelligence artificielle.
en intelligence artificielle.
04:27
I know this because Richard Susskind,
85
255600
2176
Je le sais car Richard Susskind,
04:29
who is my dad and my coauthor,
86
257800
2856
qui est mon père et mon coauteur,
a eu son doctorat dans les années 80
04:32
wrote his doctorate in the 1980s
on artificial intelligence and the law
on artificial intelligence and the law
87
260680
4056
sur le sujet de l’intelligence
artificielle et la loi
artificielle et la loi
04:36
at Oxford University,
88
264760
1416
à l’université d’Oxford
04:38
and he was part of the vanguard.
89
266200
1576
et était un avant-gardiste.
04:39
And with a professor called Phillip Capper
90
267800
2256
Avec un professeur, Phillip Capper,
04:42
and a legal publisher called Butterworths,
91
270080
2096
et un éditeur juridique, Butterworths,
04:44
they produced the world's first
commercially available
commercially available
92
272200
5896
ils ont créé la première
intelligence artificielle en droit
intelligence artificielle en droit
04:50
artificial intelligence system in the law.
93
278120
2776
disponible sur le marché.
04:52
This was the home screen design.
94
280920
2616
C’était le design de la page d’accueil.
04:55
He assures me this was
a cool screen design at the time.
a cool screen design at the time.
95
283560
2696
Il m’a assuré que c’était
un design cool à l’époque.
un design cool à l’époque.
04:58
(Laughter)
96
286280
1016
(Rires)
04:59
I've never been entirely convinced.
97
287320
1696
Il ne m'a jamais convaincu.
05:01
He published it
in the form of two floppy disks,
in the form of two floppy disks,
98
289040
2616
Il l’a publié sous la forme
de deux disquettes,
de deux disquettes,
05:03
at a time where floppy disks
genuinely were floppy,
genuinely were floppy,
99
291680
3536
à l’époque où les disquettes
étaient molles,
étaient molles,
05:07
and his approach was the same
as the economists':
as the economists':
100
295240
2336
et il avait la même approche
que les économistes :
que les économistes :
05:09
sit down with a lawyer,
101
297600
1256
prenez un avocat,
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
demandez-lui de vous expliquer
comment résoudre un problème légal
comment résoudre un problème légal
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
et essayez de refléter cette explication
dans un jeu de règles que la machine suit.
dans un jeu de règles que la machine suit.
05:19
In economics, if human beings
could explain themselves in this way,
could explain themselves in this way,
104
307480
3616
En économie, si les êtres humains
savent s’expliquer ainsi,
savent s’expliquer ainsi,
05:23
the tasks are called routine,
and they could be automated.
and they could be automated.
105
311120
3296
les tâches sont appelées des routines
et peuvent être automatisées.
et peuvent être automatisées.
05:26
But if human beings
can't explain themselves,
can't explain themselves,
106
314440
2336
Mais si les êtres humains
ne savent pas s’expliquer,
ne savent pas s’expliquer,
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
les tâches sont des non routines
et sont vues comme hors d’atteinte.
et sont vues comme hors d’atteinte.
Aujourd’hui, cette distinction
entre routine et non routine est répandue.
entre routine et non routine est répandue.
05:33
Today, that routine-nonroutine
distinction is widespread.
distinction is widespread.
108
321080
3296
05:36
Think how often you hear people say to you
109
324400
2056
Pensez à combien
vous entendez des gens dire
vous entendez des gens dire
05:38
machines can only perform tasks
that are predictable or repetitive,
that are predictable or repetitive,
110
326480
3256
que les machines effectuent juste
des tâches prévisibles ou répétitives,
des tâches prévisibles ou répétitives,
05:41
rules-based or well-defined.
111
329760
1896
suivant des règles ou bien définies.
05:43
Those are all just
different words for routine.
different words for routine.
112
331680
2936
Ce ne sont que des mots différents
pour désigner une routine.
pour désigner une 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
Ce sont des cas classiques
de tâches de non routine.
de tâches de non routine.
05:50
Those are all classic cases
of nonroutine tasks.
of nonroutine tasks.
114
338640
2896
Revenons-en à ces trois cas
que j’ai évoqués au début.
que j’ai évoqués au début.
05:53
Ask a doctor, for instance,
how she makes a medical diagnosis,
how she makes a medical diagnosis,
115
341560
2976
Demandez à un médecin comment
il établit un diagnostic médical
il établit un diagnostic médical
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
et il pourra vous donner
quelques règles de bon sens,
quelques règles de bon sens,
05:59
but ultimately she'd struggle.
117
347240
1656
mais il aura du mal.
06:00
She'd say it requires things like
creativity and judgment and intuition.
creativity and judgment and intuition.
118
348920
4816
Il dira que cela requiert
créativité, jugement et intuition.
créativité, jugement et intuition.
06:05
And these things are
very difficult to articulate,
very difficult to articulate,
119
353760
2376
Ce sont des choses difficiles à formuler
06:08
and so it was thought these tasks
would be very hard to automate.
would be very hard to automate.
120
356160
3096
alors nous pensions que ces tâches
seraient difficiles à automatiser.
seraient difficiles à automatiser.
06:11
If a human being can't explain themselves,
121
359280
2536
Si un être humain ne sait pas l’expliquer,
06:13
where on earth do we begin
in writing a set of instructions
in writing a set of instructions
122
361840
2896
où commencer pour écrire
un jeu d’instructions
un jeu d’instructions
06:16
for a machine to follow?
123
364760
1200
que la machine puisse suivre ?
06:18
Thirty years ago, this view was right,
124
366640
2576
Il y a 30 ans, cette perspective
était correcte,
était correcte,
06:21
but today it's looking shaky,
125
369240
2136
mais aujourd’hui, elle semble douteuse
06:23
and in the future
it's simply going to be wrong.
it's simply going to be wrong.
126
371400
2256
et à l’avenir, elle sera fausse.
06:25
Advances in processing power,
in data storage capability
in data storage capability
127
373680
3256
Les progrès en puissance de traitement,
en capacité de stockage de données
en capacité de stockage de données
06:28
and in algorithm design
128
376960
1656
et en conception algorithmique
06:30
mean that this
routine-nonroutine distinction
routine-nonroutine distinction
129
378640
2496
rendent cette distinction
entre routine et non routine
entre routine et non routine
06:33
is diminishingly useful.
130
381160
1736
de moins en moins utile.
06:34
To see this, go back to the case
of making a medical diagnosis.
of making a medical diagnosis.
131
382920
3256
Pour voir cela, revenez-en
à l’établissement d’un diagnostic médial.
à l’établissement d’un diagnostic médial.
06:38
Earlier in the year,
132
386200
1376
Cette année,
06:39
a team of researchers at Stanford
announced they'd developed a system
announced they'd developed a system
133
387600
3296
une équipe de chercheurs à Stanford
a annoncé avoir développé un système
a annoncé avoir développé un système
06:42
which can tell you
whether or not a freckle is cancerous
whether or not a freckle is cancerous
134
390920
3056
qui peut vous dire si une tache
de rousseur est cancéreuse
de rousseur est cancéreuse
06:46
as accurately as leading dermatologists.
135
394000
2680
avec la même exactitude
que les meilleurs dermatologues.
que les meilleurs dermatologues.
06:49
How does it work?
136
397280
1256
Comment cela marche-t-il ?
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
Il n’essaye pas de copier le jugement
ou l’intuition d’un docteur.
ou l’intuition d’un docteur.
06:55
It knows or understands
nothing about medicine at all.
nothing about medicine at all.
138
403880
3136
Il ne connaît ni ne comprend
rien du tout à la médecine.
rien du tout à la médecine.
06:59
Instead, it's running
a pattern recognition algorithm
a pattern recognition algorithm
139
407040
2576
Il exécute un algorithme
de reconnaissance de formes,
de reconnaissance de formes,
07:01
through 129,450 past cases,
140
409640
4656
parcourant 129 450 cas déjà traités
07:06
hunting for similarities
between those cases
between those cases
141
414320
3096
à la recherche de similarités
entre ces cas-là
entre ces cas-là
07:09
and the particular lesion in question.
142
417440
2080
et la lésion en question.
07:12
It's performing these tasks
in an unhuman way,
in an unhuman way,
143
420080
3216
Il effectue ces tâches
de façon non humaine,
de façon non humaine,
07:15
based on the analysis
of more possible cases
of more possible cases
144
423320
2336
en se reposant sur l’analyse
de plus de cas possibles
de plus de cas possibles
07:17
than any doctor could hope
to review in their lifetime.
to review in their lifetime.
145
425680
2616
qu’un docteur ne peut espérer
examiner durant sa vie.
examiner durant sa vie.
07:20
It didn't matter that that human being,
146
428320
1896
Peu importe que cet être humain,
07:22
that doctor, couldn't explain
how she'd performed the task.
how she'd performed the task.
147
430240
2800
ce docteur, n’ait pas su expliquer
comment il a effectué la tâche.
comment il a effectué la tâche.
07:25
Now, there are those
who dwell upon that the fact
who dwell upon that the fact
148
433640
2336
Il y a ceux qui s’attardent sur le fait
07:28
that these machines
aren't built in our image.
aren't built in our image.
149
436000
2296
que ces machines
ne sont pas conçues à notre image.
ne sont pas conçues à notre image.
07:30
As an example, take IBM's Watson,
150
438320
2056
Par exemple, prenez Watson d’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
le superordinateur qui a participé
à un jeu télévisé américain en 2011
à un jeu télévisé américain en 2011
07:37
and it beat the two
human champions at "Jeopardy!"
human champions at "Jeopardy!"
152
445280
3016
et a battu deux champions humains du jeu.
07:40
The day after it won,
153
448320
1696
Le jour après sa victoire,
07:42
The Wall Street Journal ran a piece
by the philosopher John Searle
by the philosopher John Searle
154
450040
3296
le Wall Street Journal a publié
un article du philosophe John Searle
un article du philosophe 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
ayant pour titre « Watson ignore
qu’il a gagné à Jeopardy »
qu’il a gagné à Jeopardy »
07:48
Right, and it's brilliant, and it's true.
156
456760
1976
C’est brillant et c’est vrai.
07:50
You know, Watson didn't
let out a cry of excitement.
let out a cry of excitement.
157
458760
2456
Watson n’a pas crié de joie.
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
Il n’a pas appelé ses parents
pour dire ce qu’il avait accompli.
pour dire ce qu’il avait accompli.
07:56
It didn't go down to the pub for a drink.
159
464360
2336
Il n’est pas allé boire
un verre dans un bar.
un verre dans un bar.
07:58
This system wasn't trying to copy the way
that those human contestants played,
that those human contestants played,
160
466720
4456
Ce système n’essayait pas d’imiter
la manière de jouer des humains,
la manière de jouer des humains,
08:03
but it didn't matter.
161
471200
1256
mais peu importe.
08:04
It still outperformed them.
162
472480
1976
Il les a quand même battus.
08:06
Resolving the intelligence myth
163
474480
1576
Résoudre le mythe de l’intelligence
08:08
shows us that our limited understanding
about human intelligence,
about human intelligence,
164
476080
3376
montre que notre compréhension limitée
de l’intelligence humaine,
de l’intelligence humaine,
08:11
about how we think and reason,
165
479480
1896
de notre façon de penser et raisonner,
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
est moins une contrainte en automatisation
qu’elle ne l’était auparavant.
qu’elle ne l’était auparavant.
08:16
What's more, as we've seen,
167
484880
1496
De plus, nous l’avons vu,
08:18
when these machines
perform tasks differently to human beings,
perform tasks differently to human beings,
168
486400
3416
quand ces machines réalisent
des tâches différemment des êtres humains,
des tâches différemment des êtres humains,
il n’y a pas de raison de penser
08:21
there's no reason to think
169
489840
1256
08:23
that what human beings
are currently capable of doing
are currently capable of doing
170
491120
2536
que ce que les êtres humains
sont capables de faire
sont capables de faire
08:25
represents any sort of summit
171
493680
1456
représente le sommet
08:27
in what these machines
might be capable of doing in the future.
might be capable of doing in the future.
172
495160
3000
de ce que ces machines pourraient
être capables de faire à l’avenir.
être capables de faire à l’avenir.
08:31
Now the third myth,
173
499040
1256
Le troisième mythe
08:32
what I call the superiority myth.
174
500320
2456
est ce que j’appelle
le mythe de la supériorité.
le mythe de la supériorité.
08:34
It's often said that those who forget
175
502800
2216
On dit souvent que ceux qui oublient
08:37
about the helpful side
of technological progress,
of technological progress,
176
505040
2456
le côté utile du progrès technologique,
08:39
those complementarities from before,
177
507520
2496
ces complémentarités
mentionnées auparavant,
mentionnées auparavant,
08:42
are committing something
known as the lump of labor fallacy.
known as the lump of labor fallacy.
178
510040
3040
se prêtent au sophisme
de la masse fixe de travail.
de la masse fixe de travail.
08:45
Now, the problem is
the lump of labor fallacy
the lump of labor fallacy
179
513840
2295
Le sophisme de la masse fixe de travail
08:48
is itself a fallacy,
180
516159
1496
est lui-même un sophisme
08:49
and I call this the lump
of labor fallacy fallacy,
of labor fallacy fallacy,
181
517679
2937
que j’appelle le sophisme du sophisme
de la masse fixe de travail,
de la masse fixe de travail,
08:52
or LOLFF, for short.
182
520640
2320
ou SSMFT, pour faire court.
08:56
Let me explain.
183
524000
1416
Laissez-moi expliquer.
08:57
The lump of labor fallacy
is a very old idea.
is a very old idea.
184
525440
2136
Ce sophisme est une idée très ancienne.
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
C’est un économiste britannique,
David Schloss,
David Schloss,
qui lui a donné son nom en 1892.
09:03
He was puzzled
to come across a dock worker
to come across a dock worker
186
531840
2816
Il était perplexe d’avoir
rencontré un docker
rencontré un docker
09:06
who had begun to use
a machine to make washers,
a machine to make washers,
187
534680
2336
qui utilisait une machine
pour faire des rondelles,
pour faire des rondelles,
09:09
the small metal discs
that fasten on the end of screws.
that fasten on the end of screws.
188
537040
3320
les petits disques en métal
se plaçant au bout des vis.
se plaçant au bout des vis.
09:13
And this dock worker
felt guilty for being more productive.
felt guilty for being more productive.
189
541000
3760
Ce docker se sentait coupable
d’être plus productif.
d’être plus productif.
09:17
Now, most of the time,
we expect the opposite,
we expect the opposite,
190
545560
2176
La plupart du temps,
on s’attend au contraire,
on s’attend au contraire,
09:19
that people feel guilty
for being unproductive,
for being unproductive,
191
547760
2216
se sentir coupable
de ne pas être productif,
de ne pas être productif,
09:22
you know, a little too much time
on Facebook or Twitter at work.
on Facebook or Twitter at work.
192
550000
3016
un peu trop de temps passé
sur Facebook ou Twitter au travail.
sur Facebook ou Twitter au travail.
09:25
But this worker felt guilty
for being more productive,
for being more productive,
193
553040
2536
Mais ce docker se sentait coupable
d’être plus productif
d’être plus productif
09:27
and asked why, he said,
"I know I'm doing wrong.
"I know I'm doing wrong.
194
555600
2296
et quant au pourquoi,
il a dit : « J’agis mal.
il a dit : « J’agis mal.
09:29
I'm taking away the work of another man."
195
557920
2040
Je prends le travail d’un autre homme. »
09:32
In his mind, there was
some fixed lump of work
some fixed lump of work
196
560760
2976
Dans son esprit, il y avait
une masse de travail fixe
une masse de travail fixe
09:35
to be divided up between him and his pals,
197
563760
2136
à diviser entre lui et ses camarades
09:37
so that if he used
this machine to do more,
this machine to do more,
198
565920
2056
et en utilisant la machine
pour faire plus,
pour faire plus,
09:40
there'd be less left for his pals to do.
199
568000
2016
ses camarades auraient moins à faire.
09:42
Schloss saw the mistake.
200
570040
1856
Schloss a vu l’erreur.
09:43
The lump of work wasn't fixed.
201
571920
1856
La masse de travail n’était pas fixe.
09:45
As this worker used the machine
and became more productive,
and became more productive,
202
573800
2816
Ce docker utilisant la machine
et devenant plus productif,
et devenant plus productif,
09:48
the price of washers would fall,
demand for washers would rise,
demand for washers would rise,
203
576640
2976
le prix des rondelles chuterait,
la demande augmenterait,
la demande augmenterait,
09:51
more washers would have to be made,
204
579640
1696
il faudrait faire plus de rondelles
09:53
and there'd be more work
for his pals to do.
for his pals to do.
205
581360
2096
et ses camarades auraient plus de travail.
09:55
The lump of work would get bigger.
206
583480
1696
La masse de travail augmenterait.
09:57
Schloss called this
"the lump of labor fallacy."
"the lump of labor fallacy."
207
585200
2680
Schloss a appelé cela « le sophisme
de la masse fixe de travail ».
de la masse fixe de travail ».
10:00
And today you hear people talk
about the lump of labor fallacy
about the lump of labor fallacy
208
588560
2936
Les gens parlent du sophisme
de la masse fixe de travail
de la masse fixe de travail
10:03
to think about the future
of all types of work.
of all types of work.
209
591520
2216
pour l’avenir de tous types de travaux.
10:05
There's no fixed lump of work
out there to be divided up
out there to be divided up
210
593760
2656
Il n’y a pas de masse fixe
de travail à diviser
de travail à diviser
10:08
between people and machines.
211
596440
1376
entre les gens et les machines.
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
Oui, les machines substituent les humains,
diminuant la masse de travail initiale,
diminuant la masse de travail initiale,
10:14
but they also complement human beings,
213
602520
1856
mais elles complémentent les humains
10:16
and the lump of work
gets bigger and changes.
gets bigger and changes.
214
604400
2096
et la masse de travail augmente et change.
10:19
But LOLFF.
215
607760
1616
Mais SSMFT.
10:21
Here's the mistake:
216
609400
1376
Voici l’erreur :
10:22
it's right to think
that technological progress
that technological progress
217
610800
2216
le progrès technologique
10:25
makes the lump of work to be done bigger.
218
613040
1976
n’augmente pas la masse de travail.
10:27
Some tasks become more valuable.
New tasks have to be done.
New tasks have to be done.
219
615040
3016
Certaines tâches ont plus de valeur,
de nouvelles tâches émergent.
de nouvelles tâches émergent.
10:30
But it's wrong to think that necessarily,
220
618080
2536
Il est faux de penser
que les humains seront nécessairement
mieux placés pour réaliser ces tâches.
mieux placés pour réaliser ces tâches.
10:32
human beings will be best placed
to perform those tasks.
to perform those tasks.
221
620640
3256
10:35
And this is the superiority myth.
222
623920
1616
C’est le mythe de la supériorité.
10:37
Yes, the lump of work
might get bigger and change,
might get bigger and change,
223
625560
3416
Oui, la masse de travail
peut augmenter et changer,
peut augmenter et changer,
10:41
but as machines become more capable,
224
629000
1976
mais les machines devenant
plus compétentes,
plus compétentes,
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
il est probable qu’elles assument
cette masse de travail supplémentaire.
cette masse de travail supplémentaire.
10:46
Technological progress,
rather than complement human beings,
rather than complement human beings,
226
634920
3256
Le progrès technologique,
au lieu de complémenter les humains,
au lieu de complémenter les humains,
10:50
complements machines instead.
227
638200
1880
complémente les machines.
10:52
To see this, go back
to the task of driving a car.
to the task of driving a car.
228
640920
3016
Pour l’observer, revenez-en
au fait de conduire une voiture.
au fait de conduire une voiture.
10:55
Today, satnav systems
directly complement human beings.
directly complement human beings.
229
643960
4096
Les systèmes de navigation par satellite
complémentent les êtres humains.
complémentent les êtres humains.
11:00
They make some
human beings better drivers.
human beings better drivers.
230
648080
2280
Ils font de certains humains
de meilleurs conducteurs.
de meilleurs conducteurs.
11:02
But in the future,
231
650920
1256
Mais à l’avenir,
11:04
software is going to displace
human beings from the driving seat,
human beings from the driving seat,
232
652200
3096
le logiciel va remplacer les êtres humains
sur le siège conducteur
sur le siège conducteur
11:07
and these satnav systems,
rather than complement human beings,
rather than complement human beings,
233
655320
2936
ces systèmes de navigation
ne complémenteront pas les humains,
ne complémenteront pas les humains,
11:10
will simply make these
driverless cars more efficient,
driverless cars more efficient,
234
658280
2536
mais amélioreront
les voitures sans conducteur,
les voitures sans conducteur,
11:12
helping the machines instead.
235
660840
1536
aidant plutôt les machines.
11:14
Or go to those indirect complementarities
that I mentioned as well.
that I mentioned as well.
236
662400
4056
Revenez-en à ces complémentarités
indirectes également mentionnées.
indirectes également mentionnées.
11:18
The economic pie may get larger,
237
666480
1776
Le gâteau économique s’agrandira,
11:20
but as machines become more capable,
238
668280
1736
mais les machines s’améliorant,
11:22
it's possible that any new demand
will fall on goods that machines,
will fall on goods that machines,
239
670040
3143
les nouvelles demandes pourront être
des biens que les machines,
des biens que les machines,
11:25
rather than human beings,
are best placed to produce.
are best placed to produce.
240
673207
2649
et non les humains,
seront les mieux placées pour produire.
seront les mieux placées pour produire.
11:27
The economic pie may change,
241
675880
1896
Le gâteau pourrait changer,
11:29
but as machines become more capable,
242
677800
1896
mais, les machines s’améliorant,
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
elles pourraient être mieux placées
pour réaliser les tâches nécessaires.
pour réaliser les tâches nécessaires.
11:36
In short, demand for tasks
isn't demand for human labor.
isn't demand for human labor.
244
684600
3696
En bref, la demande pour des tâches
n’est pas la demande
pour du travail humain.
pour du travail humain.
11:40
Human beings only stand to benefit
245
688320
1936
Les humains n’en bénéficieront
11:42
if they retain the upper hand
in all these complemented tasks,
in all these complemented tasks,
246
690280
3816
que s’ils gardent la main
sur ces tâches complémentées,
sur ces tâches complémentées,
11:46
but as machines become more capable,
that becomes less likely.
that becomes less likely.
247
694120
3720
mais les machines s’améliorant,
cette probabilité diminue.
cette probabilité diminue.
11:50
So what do these three myths tell us then?
248
698760
2016
Que nous disent ces trois mythes ?
11:52
Well, resolving the Terminator myth
249
700800
1696
Résoudre le mythe de 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
nous montre que l’avenir du travail dépend
de cet équilibre entre deux forces :
de cet équilibre entre deux forces :
11:58
one, machine substitution
that harms workers
that harms workers
251
706240
3136
la substitution par les machines
nuisant aux travailleurs,
nuisant aux travailleurs,
12:01
but also those complementarities
that do the opposite.
that do the opposite.
252
709400
2576
mais aussi ces complémentarités
qui font le contraire.
qui font le contraire.
12:04
And until now, this balance
has fallen in favor of human beings.
has fallen in favor of human beings.
253
712000
4040
Jusqu’à maintenant, cet équilibre
est en faveur des êtres humains.
est en faveur des êtres humains.
12:09
But resolving the intelligence myth
254
717120
1736
Résoudre le mythe de l’intelligence
12:10
shows us that that first force,
machine substitution,
machine substitution,
255
718880
2496
montre que la substitution
par les machines,
par les machines,
12:13
is gathering strength.
256
721400
1296
monte en puissance.
12:14
Machines, of course, can't do everything,
257
722720
1976
Les machines ne savent pas tout faire,
12:16
but they can do far more,
258
724720
1256
mais elles peuvent faire plus,
12:18
encroaching ever deeper into the realm
of tasks performed by human beings.
of tasks performed by human beings.
259
726000
4576
empiétant plus sur le royaume des tâches
réalisées par des êtres humains.
réalisées par des êtres humains.
12:22
What's more, there's no reason to think
260
730600
1896
Il n’y a pas de raison de penser que
12:24
that what human beings
are currently capable of
are currently capable of
261
732520
2216
ce que les humains peuvent
faire actuellement
faire actuellement
12:26
represents any sort of finishing line,
262
734760
1856
représente une ligne d’arrivée,
12:28
that machines are going
to draw to a polite stop
to draw to a polite stop
263
736640
2256
que les machines s’arrêteront poliment
12:30
once they're as capable as us.
264
738920
1816
une fois aussi compétentes que nous.
12:32
Now, none of this matters
265
740760
1536
Rien de tout cela n’importe
12:34
so long as those helpful
winds of complementarity
winds of complementarity
266
742320
2816
tant que ces vents bénéfiques
de la complémentarité
de la complémentarité
12:37
blow firmly enough,
267
745160
1736
soufflent assez fort,
12:38
but resolving the superiority myth
268
746920
1936
mais résoudre le mythe de la supériorité
12:40
shows us that that process
of task encroachment
of task encroachment
269
748880
3096
montre que ce processus
d’empiétement sur les tâches
d’empiétement sur les tâches
12:44
not only strengthens
the force of machine substitution,
the force of machine substitution,
270
752000
3936
ne fait pas que renforcer la force
de substitution par les machines,
de substitution par les machines,
12:47
but it wears down
those helpful complementarities too.
those helpful complementarities too.
271
755960
3336
mais use également
ces complémentarités bénéfiques.
ces complémentarités bénéfiques.
12:51
Bring these three myths together
272
759320
1936
Réunissez ces trois mythes
12:53
and I think we can capture a glimpse
of that troubling future.
of that troubling future.
273
761280
2936
et nous aurons un aperçu
de cet avenir inquiétant.
de cet avenir inquiétant.
12:56
Machines continue to become more capable,
274
764240
2016
Les machines continuent de s’améliorer,
12:58
encroaching ever deeper
on tasks performed by human beings,
on tasks performed by human beings,
275
766280
3656
empiétant de plus en plus sur les tâches
réalisées par les êtres humains,
réalisées par les êtres humains,
13:01
strengthening the force
of machine substitution,
of machine substitution,
276
769960
2576
augmentant la force
de substitution par les machines,
de substitution par les machines,
13:04
weakening the force
of machine complementarity.
of machine complementarity.
277
772560
3616
amenuisant la force
de la complémentarité avec les machines.
de la complémentarité avec les machines.
13:08
And at some point, that balance
falls in favor of machines
falls in favor of machines
278
776200
4296
À un moment donné, cet équilibre
sera en saveur des machines
sera en saveur des machines
13:12
rather than human beings.
279
780520
2056
plutôt que des êtres humains.
13:14
This is the path we're currently on.
280
782600
1736
C’est le chemin que nous suivons.
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
Je dis « chemin » délibérément
car nous n’y sommes pas encore,
car nous n’y sommes pas encore,
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
mais il est dur d’éviter de conclure
que c’est la direction que nous prenons.
que c’est la direction que nous prenons.
13:24
That's the troubling part.
283
792640
1456
C’est la partie inquiétante.
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
Laissez-moi vous dire pourquoi je crois
que c’est un bon problème à avoir.
que c’est un bon problème à avoir.
13:30
For most of human history,
one economic problem has dominated:
one economic problem has dominated:
285
798520
3536
Durant la plupart de l’histoire humaine,
un problème économique a dominé :
un problème économique a dominé :
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
comment agrandir assez le gâteau
économique pour que tout le monde en vive.
économique pour que tout le monde en vive.
13:38
Go back to the turn
of the first century AD,
of the first century AD,
287
806160
2176
Au début du premier siècle après J.C.,
13:40
and if you took the global economic pie
288
808360
2096
en prenant le gâteau économique mondial
13:42
and divided it up into equal slices
for everyone in the world,
for everyone in the world,
289
810480
3296
et en le divisant en parts égales,
13:45
everyone would get a few hundred dollars.
290
813800
2136
chacun aurait
quelques centaines de dollars.
quelques centaines de dollars.
13:47
Almost everyone lived
on or around the poverty line.
on or around the poverty line.
291
815960
2760
Presque tout le monde vivait
sous ou autour du seuil de pauvreté.
sous ou autour du seuil de pauvreté.
13:51
And if you roll forward a thousand years,
292
819320
2176
En avançant de 1 000 ans,
13:53
roughly the same is true.
293
821520
1240
c’est toujours à peu près vrai.
13:55
But in the last few hundred years,
economic growth has taken off.
economic growth has taken off.
294
823680
3576
Mais durant les derniers siècles,
la croissance économique a décollé.
la croissance économique a décollé.
13:59
Those economic pies have exploded in size.
295
827280
2376
La taille de ces gâteaux
économiques a explosé.
économiques a explosé.
14:01
Global GDP per head,
296
829680
2056
Le PIB mondial par habitant,
14:03
the value of those individual
slices of the pie today,
slices of the pie today,
297
831760
3376
la valeur de ces parts individuelles
du gâteau d’aujourd’hui
du gâteau d’aujourd’hui
14:07
they're about 10,150 dollars.
298
835160
2816
est d’environ 10 150 dollars.
14:10
If economic growth continues
at two percent,
at two percent,
299
838000
2696
Si la croissance économique
continue à 2 %,
continue à 2 %,
14:12
our children will be twice as rich as us.
300
840720
2056
nos enfants auront
deux fois nos richesses.
deux fois nos richesses.
14:14
If it continues
at a more measly one percent,
at a more measly one percent,
301
842800
2296
Si elle continue au rythme d’un pour cent,
14:17
our grandchildren
will be twice as rich as us.
will be twice as rich as us.
302
845120
2656
nos petits-enfants auront
deux fois nos richesses.
deux fois nos richesses.
14:19
By and large, we've solved
that traditional economic problem.
that traditional economic problem.
303
847800
3680
Nous avons résolu le problème
économique traditionnel.
économique traditionnel.
14:24
Now, technological unemployment,
if it does happen,
if it does happen,
304
852200
3016
Le chômage technologique, s’il se produit,
14:27
in a strange way will be
a symptom of that success,
a symptom of that success,
305
855240
3216
sera un symptôme de ce succès.
14:30
will have solved one problem --
how to make the pie bigger --
how to make the pie bigger --
306
858480
3856
Nous aurons résolu un problème,
agrandir le gâteau,
agrandir le gâteau,
14:34
but replaced it with another --
307
862360
1816
mais l’aurons remplacé par un autre,
14:36
how to make sure
that everyone gets a slice.
that everyone gets a slice.
308
864200
2760
comment s’assurer que chacun ait une part.
14:39
As other economists have noted,
solving this problem won't be easy.
solving this problem won't be easy.
309
867840
3496
D’autres économistes ont remarqué
que résoudre ce problème
ne sera pas simple.
ne sera pas simple.
14:43
Today, for most people,
310
871360
1656
Pour la plupart des gens,
14:45
their job is their seat
at the economic dinner table,
at the economic dinner table,
311
873040
2496
leur emploi est leur place
à la table économique
à la table économique
14:47
and in a world with less work
or even without work,
or even without work,
312
875560
2416
et, dans un monde avec
moins ou pas de travail,
moins ou pas de travail,
14:50
it won't be clear
how they get their slice.
how they get their slice.
313
878000
2056
il ne sera pas clair
comment obtenir sa part.
comment obtenir sa part.
14:52
There's a great deal
of discussion, for instance,
of discussion, for instance,
314
880080
2336
Il y a par exemple beaucoup de discussions
14:54
about various forms
of universal basic income
of universal basic income
315
882440
2696
sur diverses formes
de revenu de base universel
de revenu de base universel
14:57
as one possible approach,
316
885160
1216
en tant qu’approche possible
14:58
and there's trials underway
317
886400
1616
et il y a des essais en cours
15:00
in the United States
and in Finland and in Kenya.
and in Finland and in Kenya.
318
888040
2400
aux États-Unis, en Finlande et au 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
C’est le défi collectif
auquel nous faisons face :
auquel nous faisons face :
15:06
to figure out how this material prosperity
generated by our economic system
generated by our economic system
320
894200
5056
découvrir comment
cette prospérité matérielle
cette prospérité matérielle
générée par notre système économique
15:11
can be enjoyed by everyone
321
899280
1976
peut bénéficier à tous
15:13
in a world in which
our traditional mechanism
our traditional mechanism
322
901280
2416
dans un monde où
notre mécanisme traditionnel
notre mécanisme traditionnel
15:15
for slicing up the pie,
323
903720
1856
pour partager le gâteau,
15:17
the work that people do,
324
905600
1936
le travail effectué par les gens,
15:19
withers away and perhaps disappears.
325
907560
2160
s’étiole voire disparaît.
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
Résoudre ce problème va nécessiter
que nous pensions différemment.
que nous pensions différemment.
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
Il y aura beaucoup de désaccords
sur ce qu’il faut faire,
sur ce qu’il faut faire,
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
mais nous devons nous souvenir
que c’est un meilleur problème à avoir
que c’est un meilleur problème à avoir
15:35
than the one that haunted
our ancestors for centuries:
our ancestors for centuries:
329
923040
2816
que celui qui a hanté
nos ancêtres durant des siècles :
nos ancêtres durant des siècles :
15:37
how to make that pie
big enough in the first place.
big enough in the first place.
330
925880
3376
comment faire grossir ce gâteau ?
15:41
Thank you very much.
331
929280
1256
Merci beaucoup.
15:42
(Applause)
332
930560
3840
(Applaudissements)
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