بیکاری را زیر پا می گذارد. زیر سوال می برد. پاسخ‌ها به این پیشرفت‌ها بر این متمرکز شده است که چه باید کرد تا اطمینان حاصل شود که ربات‌ها مشاغل را سرقت نمی‌کنند.

به عنوان مثال، بیل گیتس خواستار اخذ مالیات از روبات هایی است که مشاغل را از بین می برند. این موضوع واکنش‌های اقتصاددانان برجسته مانند لری سامرز (معاون سابق توسعه اقتصادی، اقتصاددان ارشد بانک جهانی و مقام وزارت خزانه‌داری ایالات متحده) را برانگیخته است که مخالف این ایده هستند که می‌گویند روبات‌ها ایجادکننده شغل هستند و ایده مالیات گرفتن آنها عمیقاً ناقص است .

یک ایده به همان اندازه سوال برانگیز این است که از درآمد پایه جهانی استفاده کنیم – این ایده که همه بدون توجه به شرایط، حداقل درآمد را دریافت می کنند – برای جبران تأثیر بیکاری تکنولوژیک.

تمرکز در این بحث ها نابجاست. مشاغل به دلیل یک فناوری واحد ایجاد یا از بین نمی روند، بلکه به دلیل مدل های تجاری طراحی شده برای استفاده از قدرت فناوری هستند. به عنوان مثال، اوبر ممکن است یک سرویس «برنامه تاکسی-هیلینگ» نامیده شود، اما این کسب و کار مجموعه ای از برنامه های کاربردی از جمله الگوریتم ها، خودرو و جی پی اس است – که همگی حول یک مدل کسب و کار سازماندهی شده اند.

نمونه مشابهی را در تاریخ با موسیقی ضبط شده در قرن گذشته دیده ایم. این خود فناوری ضبط دهه 1930 نبود که شغل نوازندگان زنده را تهدید می کرد. این ترکیب آن با پخش رادیویی، جوک‌باکس‌ها و نحوه عملکرد کسب‌وکارها بود که منجر به از دست دادن شغل شد. هتل ها، رستوران ها و بارها جای نوازندگان زنده را با جوک باکس ها گرفتند. ماشین‌هایی که با سکه کار می‌کردند ارزان‌تر بودند و شامل رسیدگی به خواسته‌های موسیقی‌دانان اتحادیه نمی‌شدند. یک قطعه ضبط شده می تواند بارها و بارها بدون نیاز به ظاهر نوازندگان پخش شود.

همانطور که من استدلال می کنم ، در “نوآوری و دشمنان آن: چرا مردم در برابر فن آوری های جدید مقاومت می کنند”، ضبط اولیه موسیقی مشاغل برخی از نوازندگان زنده را از بین برد و ادعای حقوق مالکیت آنها را تضعیف کرد. اعتراضات اجتماعی عمدتاً در مورد قدرت انحصاری و کمتر در مورد خود فناوری بود.

این فناوری به دلیل توانایی آن برای دسترسی به بخش وسیع تری از جامعه، دستاوردهای بزرگی برای صنعت موسیقی به همراه داشت. گروه های کوچک و نوازندگان اقلیت که نمی توانستند به بازارهای بزرگ دسترسی داشته باشند، توانستند از این فناوری برای دستیابی به مخاطبان خاص استفاده کنند. مهمتر از آن، گسترش فناوری این امکان را فراهم کرد که ژانرهای جدیدی مانند بی باپ ، موسیقی ظهور کنند و در نهایت وارد بازارهای اصلی شوند.

با این حال، در حالی که تاریخ به ما کمک می کند از گذشته درس بگیریم، به راهنمای ضعیفی برای روندهای نوظهور تبدیل شده است. این به دلیل تفاوت های کیفی بین فناوری های گسسته ای است که انقلاب صنعتی اوایل دهه 1800 را تعریف کرد و ماشین ها و پلت فرم های امروزی .

قوانین مختلف

این تفاوت‌های اساسی – بین فعالیت‌های اتوماسیون گذشته و هوش مصنوعی امروزی – نشان‌دهنده ظهور اقتصادهای جدیدی است که تحت قوانین متفاوتی عمل می‌کنند که خطوط آنها هنوز ناقص است.

با توجه به ماهیت یکپارچه اقتصاد جهانی، سرعت سریع تغییرات تکنولوژیکی و عدم قطعیت ایجاد شده توسط فراوانی تکنولوژی – که پیش بینی اینکه ایده های جدید از کجا می آیند دشوار است، تأثیرات آن به شدت احساس خواهد شد.

ایجاد شغل – یا از دست دادن – باید در زمینه کسب و کار کلی در نظر گرفته شود.

این به بهترین شکل با نگاه کردن به تفاوت بین موسیقی ضبط شده در آن زمان و روبات‌های کنونی نشان داده می‌شود. من چهار بزرگ را شناسایی کرده ام.

اول، روبات‌ها با سرعتی بسیار سریع‌تر از موسیقی ضبط‌شده به کار گرفته می‌شوند. فشارهای رقابتی در صنعت، کارآفرینان را مجبور می‌کند به دنبال استقرار سیستم‌های فن‌آوری باشند که آنها را قادر می‌سازد از منحنی جلوتر بمانند. برای مثال ، تولیدکنندگان چینی به افزایش دستمزدها با یکی از سریع‌ترین نرخ‌های پذیرش ربات‌های صنعتی در جهان پاسخ می‌دهند.

دوم، عواقب ربات‌ها احتمالاً در سراسر شبکه‌های ارزش جهانی احساس می‌شود و نگرانی‌های تکنولوژیکی در مقیاس بزرگ را ایجاد می‌کند، زیرا کارگران می‌ترسند که مشاغلشان گرفته شود. این تا حدی به این دلیل است که بسیاری از صنایع پیشرو به زنجیره های تامینی که در مناطق و کشورهای مختلف واقع شده اند متکی هستند. به عنوان مثال، بوئینگ قطعات را از نقاط مختلف ایالات متحده، اروپا و بسیاری دیگر از نقاط جهان تامین می کند. تغییرات در شیوه های تولید آن شامل هماهنگی در سراسر آن مناطق است. این همچنین در مورد محصولات کمتر پیچیده مانند کالاهای مصرفی صدق می کند.

سوم، ربات ها به صورت تصاعدی در حال پیشرفت هستند در حالی که یادگیری انسان با سرعت خطی بسیار کندتری اتفاق می افتد. میزان یادگیری آنها در یک دوره کوتاه دو برابر می شود در حالی که یادگیری انسان تدریجی و کند است. این تا حدی نتیجه فراوانی فناوری و توانایی رو به رشد ماشین‌ها در آموزش نحوه بهبود عملکرد الگوریتم‌هایشان است . برای مثال پرینت سه بعدی ترکیبی از فناوری‌های مکانیکی از قبل موجود است که اکنون از پیشرفت‌های فناوری‌های دیجیتال سود می‌برد. اکنون می توان آن را به طور متنوعی – از مهندسی تا پزشکی – به کار برد. هرچه فناوری های جدید بیشتری ایجاد شود، چشم انداز ایجاد برنامه های جدید بیشتر می شود. در بسیاری از موارد، نوآوران قبل از سرمایه‌گذاری در تحقیقات جدید، شروع به جستجو و استفاده از آنچه در حال حاضر به روش‌های جدید وجود دارد، می‌کنند.

در نهایت، اثرات اتوماسیون احتمالا در دوره های بسیار کوتاه احساس می شود، نگرانی های عمومی را ترکیب می کند و فضای کمی برای سازگاری باقی می گذارد. این عمدتاً به این دلیل است که ماشین‌ها به نقطه‌ای می‌رسند که سریع‌تر از آموزش مجدد کارگران یاد می‌گیرند وظایف جدید را انجام دهند.

بعدش چی

آنچه ما نیاز داریم، سیاست‌های اجتماعی فراگیر است که دسترسی سریع‌تر به فناوری‌های نوظهور، حمایت بیشتر از کسب‌وکارهای جدید و گفت‌وگوی بازتر در مورد اینکه چگونه فقر و نابرابری اثرات منفی فناوری‌های جدید را تشدید می‌کند، در نظر بگیرد.

این امر مستلزم نگاهی عمیق تر به نحوه شکل دهی سیستم ها و فناوری های اجتماعی به یکدیگر برای ایجاد اقتصادهای عادلانه تر و انعطاف پذیرتر است.