Combater os impactos geográficos da automação: computadores, IA e disparidades de local

A eleição presidencial de 2016 revelou - como nada antes - um dos aspectos mais impressionantes, mas menos antecipados, da revolução digital global. Em uma única votação dramática, a vitória de Donald Trump destacou o surgimento de um forte e crescente dividir entre duas Américas: uma baseada em grandes áreas metropolitanas digitalmente orientadas; o outro encontrado em cidades menores de baixa tecnologia, vilas e áreas rurais.1Ao fazer isso, a votação exibiu - com seu mapa totalmente vermelho e azul - o subestimado poder da tecnologia para remodelar a geografia das nações.

A divisão foi um choque para muitos.doisNo entanto, não era apenas a dureza da lacuna geográfica revelada que era tão desconcertante. Também perturbador foi o grau em que as divisões regionais reveladas da nação refletiram algo importante sobre o natureza fundamental de tecnologias digitais emergentes, incluindo várias formas de automação, como inteligência artificial (IA).3

As divisões espaciais acentuadas não refletiam apenas decisões aleatórias de localização, a esse respeito, ou o declínio da manufatura (embora isso tenha contribuído). Em vez disso, um corpo significativo de literatura acadêmica agora sugere que as novas tecnologias introduziram ferramentas disruptivas na economia que, ao capacitar o trabalho de alto nível e substituir tarefas de rotina, também estão reorganizando massivamente a geografia econômica do país.



Mais evidente até o momento tem sido a dinâmica acionada por máquina que amplificar a capacidade dos trabalhadores qualificados de agregar valor, substituir o trabalho mecânico e injetar o vencedor leva mais -ou Super estrela —Dinâmica em mercados.4Com o tempo, essa difusão inicial de ferramentas digitais e automação aumentou as chamadas forças de aglomeração que resultam em pessoas e empresas se aglomerando em lugares favorecidos para compartilhar informações, combinar habilidades e trabalho e aprender coisas novas - com impactos significativos no país geografia.

Desta forma, a eleição de 2016 pode cair, já que a sociedade começou a compreender todas as implicações do potencial da automação para transformar o mundo físico. Tão grandes e tecnológicas cidades como Nova York, Washington e Bay Area pareciam habitar cada vez mais um mundo diferente do resto da América, as pessoas e os lugares que foram deixados para trás se revoltaram.

A IA e seus impactos positivos e negativos não serão distribuídos uniformemente e provavelmente contribuirão para as preocupantes divisões geográficas da nação.

Tudo isso sugere a necessidade de adicionar outro item à lista de dilemas sociais e éticos que cercam a era da IA ​​que se aproxima: o fato de que a IA e seus impactos positivos e negativos não serão distribuídos uniformemente e provavelmente contribuirão para as preocupantes divisões geográficas da nação. Resolver esse desafio adicionará outra prioridade à solução de problemas sobre o futuro do trabalho, a adaptação do trabalhador e o conteúdo ético dos algoritmos.

Automação, IA - e local

A ligação da IA ​​à geografia segue a tendência das tecnologias digitais de amplificar a produtividade dos qualificados e substituta para o trabalho mecânico ou rotineiro. Mais notavelmente, Beaudry, Doms e Lewis mostrou há mais de uma década que as cidades que adotaram os computadores pessoais mais cedo e mais rapidamente viram seus salários relativos aumentarem mais rapidamente.5

Desde então, evidências adicionais se acumularam, incluindo nos últimos Pesquisa Brookings —Que as tecnologias digitais estão contribuindo fortemente para o divergência das economias regionais e o Afaste-se de cidades superstar das menores e do interior rural.6 Enrico Moretti mostrou que as economias digitais estão resultando em diferenças crescentes entre as pessoas e até mesmo entre as competências.7E Elisa Giannone tem demonstrado que a divergência de salários nas cidades desde 1980 - após décadas de convergência - reflete uma combinação de recompensas crescentes da tecnologia para trabalhadores de tecnologia altamente qualificados e agrupamento da indústria local.8

Da mesma forma, minha própria análise da digitalização mostra que os salários médios anuais dos estados e das cidades não estão apenas correlacionados às pontuações médias de habilidades digitais das localidades, mas que a maioria dos empregos e rendas dos lugares digitais estão se distanciando de lugares menos capacitados digitalmente.

Digitalização está positivamente relacionada com salários médios

Com o tempo, um afortunado nível superior de áreas metropolitanas grandes, densas e repletas de talentos cresceu consistentemente mais rápido do que as cidades medianas e menos prósperas:

Salários médios anuais indexados e nível de emprego, 1969-2016

O centro dessas tendências é a automação. O que chamo de primeira grande fase da automação digital, a fase da era da TI, datada de 1980 a 2016 e centrada na adoção do PC e da robótica industrial. Sobre este período, meu grupo no Programa de Política Metropolitana da Brookings trabalhou com o colega sênior não residente da Brookings, Ian Hathway (empregando dados fornecidos por David Autor) para mostrar como o impacto diferencial da automação nos tipos de tarefas nacionalmente se traduziu em resultados de empregos locais desiguais.9

Em primeiro lugar, nossa análise das tendências ocupacionais nacionais na era da TI mostra claramente como o crescimento dos salários e a mudança no emprego nos anos desde 1980 refletem um esvaziamento do continuum de habilidades que, por sua vez, reflete a redução da demanda por trabalho de média qualificação, rotina ou trabalho repetitivo - seja de natureza física ou cognitiva - dada substituição por máquina para tal trabalho.

O crescimento dos salários e do emprego tem sido o mais lento em empregos de salário médio

No geral, está muito claro que tanto o crescimento do emprego quanto o progresso dos salários caíram no meio da distribuição de habilidades para ocupações como ajudantes de produção e trabalhadores de escritório.

Em segundo lugar, vinculamos esse padrão nacional aos impactos na comunidade mapeando a incidência local de trabalho de rotina ou repetitivo em 1980. Fazer isso produz uma representação visual da exposição local a trabalho suscetível à automação.

Participação de rotina no emprego por zona de deslocamento, 1980

Participação de rotina no emprego por zona de deslocamento, 1980

Fonte: análise Brookings de Autor e Dorn (2013)

O mapa está claro. Enquanto o trabalho de rotina se espalhou amplamente por todo o país no início da era da automação, ele não se espalhou uniformemente.

E o que se seguiu nos últimos 35 anos também foi desigual. Com a adoção generalizada de robôs industriais e do PC, veio uma ruptura traumática e localmente variável do emprego de salário médio, combinada com uma mudança massiva de trabalhadores com qualificação média, muitas vezes sem formação universitária, para atividades de serviço de salários mais baixos. Notavelmente, as regiões orientadas para manufatura e administração de escritórios - áreas do Centro-Oeste, Nordeste, Sul e Costa Oeste com as maiores concentrações de empregos de rotina - também foram os locais que viram a maior mudança para empregos de serviços de baixa remuneração na era da informação.

Em suma, a primeira era da automação digital não foi espacialmente neutra. Os locais com maior exposição ao trabalho rotineiro - como Detroit com suas fábricas de automóveis ou Nova York com seus milhões de funcionários administrativos - viram alguns dos maiores aumentos de empregos em serviços de baixa qualificação na era de TI. Sua rotina relativamente grande, força de trabalho de média habilidade sofreu pressão especial da automação. Por outro lado, as áreas metropolitanas com menor participação no emprego de rotina - como Raleigh, na Carolina do Norte, com suas universidades e hospitais - tiveram transições menos dramáticas no mercado de trabalho.

Agora, a era da TI está se transformando em uma era de IA permeada por tecnologias digitais mais poderosas, como aprendizado de máquina e outras formas de inteligência artificial. O que levanta a questão: como será a próxima fase da interação entre automação e emprego?

Mas essa é a era inicial de automação da TI. Agora, a era da TI está se transformando em uma era de IA permeada por tecnologias digitais mais poderosas, como aprendizado de máquina e outras formas de inteligência artificial.10O que levanta a questão: como será a próxima fase da interação entre automação e emprego?

Para lançar alguma luz sobre isso, meu grupo trabalhou mais com Hathaway para analisar as tendências futuras na fase de automação de IA usando estimativas fornecidas pelo McKinsey Global Institute de suscetibilidade ocupacional à automação nas próximas décadas. (Para mais informações sobre o nosso método, consulte o nosso artigo aqui )

Mais uma vez, vinculamos as informações nacionais sobre o impacto projetado da automação nos tipos de tarefas e ocupações às informações sobre a combinação ocupacional das geografias locais para avaliar os resultados de empregos potenciais em estados e áreas metropolitanas.

Agora o que encontramos? Olhando para os dados que incorporam as projeções da influência da IA, a imagem do impacto futuro na ocupação - e, por sua vez, na geografia - parece um pouco diferente daquela do período anterior.

A nível nacional, uma curva que descreve o potencial atual de automação das ocupações (com a exposição subindo no eixo vertical) tem um novo visual distinto, na medida em que relata a maior exposição para funções com os salários mais baixos (aqueles à esquerda no eixo horizontal ) com exposição de automação reduzida, mais os salários sobem (à direita da figura):

Os empregos com salários mais baixos são os mais expostos à automação

Esta curva parece diferente da anterior, que traça o crescimento dos salários e do emprego em relação aos níveis salariais, de modo a sugerir pressão de automação. Enquanto antes o conteúdo das tarefas de rotina abaixo do percentil do 20º salário era baixo, aqui o maior potencial para a automação futura das tarefas atuais concentra-se entre os que ganham menos. Isso reflete, em parte, um aumento dramático nas incursões projetadas de automação no setor de serviços, graças aos aplicativos de IA que estão por vir para operações de food service e administração de escritórios. O potencial de automação no nível de tarefas, por sua vez, cai continuamente à medida que os salários médios aumentam. Os que ganham mais geralmente continuam enfrentando ameaças de baixa automação com base no conteúdo da tarefa atual - embora isso possa mudar quando a IA começar a pressionar alguns empregos não rotineiros de salários mais altos. Pelo menos uma nova pesquisa sugere que exatamente isso poderia acontecer.onze

Voltando agora para a geografia dessas tendências, vemos novamente que, embora o risco de automação seja sentido em todos os lugares, seus avanços na era da IA ​​continuarão a ser sentidos de forma diferente em todos os lugares (embora agora, o padrão seja um pouco diferente, dada a nova vulnerabilidade ampla de serviços low-end).

Ao longo dessas linhas, os dados para a exposição da automação na era da IA ​​mostram que os impactos da automação serão mais perturbadores nos estados, condados e cidades de Heartland. Essas são exatamente as mesmas regiões mais afetadas pelas mudanças da era da TI.

Potencial médio de automação por condado, 2016

Potencial médio de automação por condado, 2016

Fonte: análise Brookings de dados BLS, Census, EMSI, Moodys e McKinsey

Ao longo dessas linhas, os estados e condados menos educados do Heartland, especializados em indústrias de manufatura e serviços de baixo custo, poderiam ser especialmente afetados pela automação na era da IA, enquanto os estados e condados com bom nível educacional ao longo do corredor Boston-Washington e no oeste A costa parece menos exposta.

Paralelamente, comunidades menores e menos educadas enfrentarão relativamente mais dificuldades com a automação da fase de IA, enquanto cidades maiores e mais educadas sofrerão menos interrupções. É assim que parece:

Potencial médio de automação por área metropolitana, 2016

Potencial médio de automação por área metropolitana, 2016

Fonte: análise Brookings de dados BLS, Census, EMSI, Moodys e McKinsey

De acordo com o mapa, mais de 50 por cento de todas as tarefas atuais ponderadas do emprego dos trabalhadores são potencialmente automatizadas em pequenas áreas metropolitanas como Kokomo, Indiana e Hickory, Carolina do Norte. Por outro lado, as parcelas de trabalho vulnerável em áreas metropolitanas altamente educadas e digitais como San Jose, Califórnia e o Distrito de Columbia são de apenas 40% e 39%, respectivamente. No geral, os níveis de educação metropolitana mais altos servem como uma barreira contra o potencial de automação da fase de IA. Isso ocorre em parte porque a educação oferece suporte ao tipo de trabalho interpessoal complexo que a IA complementará em vez de substituir, e também porque o nível de escolaridade melhora a adaptabilidade individual e comunitária.

Em suma, a disseminação da IA ​​- como a fase anterior da automação - pode muito bem ter impactos locais significativos e variados. Embora suas contribuições possam beneficiar a nação em conjunto, seus efeitos sobre os salários e o deslocamento podem atingir sua casa de maneiras diferentes, reais e nem sempre bem-vindas - formas que precisarão ser reconhecidas e tratadas de maneira adequada.

quantos democratas registrados votaram no trunfo

Contrariando a geografia da automação

É apropriado, então, que uma rica discussão nacional envolva agora as muitas questões levantadas pela IA, começando com o futuro do trabalho. Os ricos debates em andamento sobre até que ponto os algoritmos podem ser feitos para respeitar os valores humanos e democráticos básicos também são valiosos. Essa previsão é crítica.

Porém, também será crítica a discussão séria das implicações geográficas da automação e da IA.

As implicações espaciais da IA ​​também precisam de um lugar de destaque na discussão, porque nada menos do que os equilíbrios territoriais da nação podem estar em risco.

As tendências geográficas relatadas aqui sugerem que as implicações espaciais da IA ​​também precisam de um lugar de destaque na discussão, porque nada menos do que os equilíbrios territoriais da nação podem estar em risco. Os esforços para garantir que a era da IA ​​funcione bem para todos os lugares também se beneficiarão do progresso em uma série de agendas gerais e não espaciais, que convocam as partes a abraçar o crescimento e a tecnologia para manter altos os padrões de vida e promover uma mentalidade de aprendizagem constante entre os trabalhadores, facilite transições mais suaves de um emprego para outro e reduza as adversidades entre os indivíduos que estão passando por dificuldades. (Veja o relatório Brookings, Automação e inteligência artificial: como as máquinas estão afetando pessoas e lugares. )

Além disso, porém, qualquer estratégia abrangente para aproveitar ao máximo a IA também precisará abordar especificamente a resiliência das comunidades locais. Como devem ser esses esforços? Duas estratégias de resposta parecem essenciais e apelam ao governo, à indústria e à sociedade civil para:

  • Economias regionais vulneráveis ​​e preparadas para o futuro.
  • Expanda o suporte para o ajuste da comunidade.

Economias regionais vulneráveis ​​à prova de futuro

Um requisito inicial é equipar os locais afetados pela tecnologia para se tornarem mais resistentes. Esses esforços devem começar com um foco em trabalhadores preparados para o futuro nesses lugares, esforçando-se para transmitir habilidades que levem a um trabalho resiliente à automação.

Aqui, as iniciativas regionais e estaduais mostram-se promissoras.

Por exemplo, o programa SkillUp no condado de Cuyahoga, no nordeste de Ohio, alavanca empresas locais para facilitar o desenvolvimento de habilidades regionais para empregos com demanda.12O programa ajuda as empresas na região a identificar as necessidades futuras de força de trabalho por meio de um processo de planejamento estratégico, determina as habilidades necessárias para esses empregos e desenvolve roteiros personalizados para avaliar as habilidades existentes dos trabalhadores e facilitar o treinamento para cargos em demanda. O treinamento se concentra em três tipos de habilidades: habilidades sociais, habilidades básicas e habilidades técnicas / ocupacionais. Quando combinadas, as habilidades tornam os trabalhadores mais adaptáveis ​​aos impactos da automação no mercado de trabalho. Estudos empíricos mostram que esses programas de treinamento específicos para empregadores são uma forma eficaz de aumentar a produtividade, o emprego e os ganhos do trabalhador.13

Da mesma forma, a Skillful State Network e o Skillful State Playbook indicam as etapas que as regiões devem seguir para reorientar sua força de trabalho para as habilidades exigidas.14Esses esforços crescerão em importância à medida que a automação e a IA aumentarem o ritmo de mudança de tarefas e ordenarão que os trabalhadores dominem novas maneiras de trabalhar com as máquinas ou além delas.

Por sua vez, o governo federal deve reorientar seus fluxos de financiamento para apoiar esses esforços. Isso inclui apoiar soluções locais de baixo para cima e incentivar as regiões a alinhar sua educação, força de trabalho e treinamento, e sistemas de desenvolvimento econômico uns com os outros, juntamente com as necessidades específicas dos empregadores e a nova importância das habilidades sociais de ordem superior. O objetivo deve ser criar canais claros e articulados de aquisição de habilidades, voltados diretamente para garantir que as economias regionais se tornem fontes de trabalhadores resilientes, qualificados para agregar valor em uma era em que as máquinas fazem o trabalho rotineiro.

Da mesma forma, os governos devem buscar acelerar a adoção de tecnologia inteligente por economias regionais e empresas que provavelmente serão deixadas para trás como um esforço paralelo para ajudar os locais a se tornarem mais resilientes. Isso deve começar com os governos federal e estadual aumentando suas missões de extensão, investindo mais em esforços para ampliar a aplicação, adoção e comercialização de automação e inovações de IA - inclusive por meio da transformação organizacional. Nesta frente, a rede bem-sucedida de Manufacturing Extension Partnership (MEP) oferece um precedente de 30 anos e 50 estados para equipar manufaturas de pequeno e médio porte com soluções de produtividade de alta tecnologia, inclusive em áreas rurais.quinzeCom base nessa história, os Estados Unidos agora precisam de um programa mais amplo e ousado no estilo MEP, projetado para difundir aplicativos de alta tecnologia e IA e transformações organizacionais em todos os cantos da economia, incluindo o setor de serviços.

Expandir o suporte para o ajuste da comunidade

E, no entanto, nem mesmo os esforços bem-sucedidos para promover mais resiliência das comunidades evitarão deslocamentos mais graves em alguns lugares. Algumas regiões, em particular aquelas na extremidade menor da distribuição por tamanho, podem sofrer sérias perturbações econômicas e do mercado de trabalho. Por esse motivo, os legisladores federais e estaduais precisam complementar os esforços para aumentar a resiliência local com intervenções direcionadas especiais para mitigar os piores impactos negativos da automação.

Aqui, existem antecedentes, como o Escritório de Ajuste Econômico (OEA) do Departamento de Defesa, focado em mitigar os impactos do fechamento de bases, o Programa de Auxiliar de Ajuste da Administração de Desenvolvimento Econômico voltado para mudanças econômicas adversas e as Parcerias para Oportunidades e Força de Trabalho financiadas pelo Congresso e Programa de Revitalização Econômica (POWER), voltado para comunidades impactadas por mudanças na política energética.16No entanto, a escala modesta desses programas - e, em alguns casos, a coordenação desarticulada - limita seu impacto. Pode ser necessária uma estratégia nacional mais robusta.

Os governos poderiam, por exemplo, canalizar o investimento na criação de empregos para comunidades e locais que estão sendo adversamente afetados pela automação, reconhecendo que alguns locais provavelmente sofrerão mais deslocamento do que outros.

Tal esforço poderia começar por direcionar recursos do governo e do setor privado para as comunidades afetadas e deve ser complementado com esforços para aumentar a demanda de trabalho nessas áreas. Os governos poderiam, por exemplo, canalizar o investimento na criação de empregos para comunidades e locais que estão sendo adversamente afetados pela automação, reconhecendo que alguns locais provavelmente sofrerão mais deslocamento do que outros.17Colocar ativos federais ou estaduais em tais locais - em conjunto com os esforços para estimular o empreendedorismo por meio da simplificação das regulamentações - pode ajudar.18O mesmo poderia acontecer com programas regionais explícitos de recuperação.19

Para ter certeza, a tendência dos esforços dos EUA para estimular o crescimento e o desenvolvimento em comunidades em dificuldades geralmente é dar pequenas doações ad hoc a muitos lugares, poucos dos quais têm perspectivas de uma reviravolta. Uma estratégia mais eficaz seria canalizar investimentos extensivos para algumas áreas, com o objetivo de dar início a um conjunto dinâmico de novos centros regionais de emprego. Dessa forma, o governo federal poderia canalizar grandes investimentos para cerca de 10 áreas metropolitanas promissoras de médio porte, selecionadas por meio de um processo competitivo que seriam declaradas pólos de crescimento regional. Esse investimento consistiria em um conjunto de benefícios de pesquisa, impostos, infraestrutura e desenvolvimento econômico do governo, e seria acoplado ao investimento correspondente dos estados e do setor privado. Os pólos de crescimento serviriam, desta forma, como âncoras para aumentar o crescimento do emprego de alto valor na vizinhança mais ampla.vinte

Além disso, é provável que ferramentas mais fortes - como iniciativas para direcionar espacialmente os créditos de contratação, subsídios ou garantias de empregos - sejam necessárias para ajudar alguns locais afetados a lidar com a mudança de tarefas. Esses apoios - focados em novas contratações (de modo a não fornecer benefícios inesperados aos empregos existentes) - seriam destinados a áreas que vivenciam ajustes particularmente dolorosos ou lentos e, naturalmente, incentivariam o investimento para acompanhar os empregos. Economistas tão diversos como Ed Glaeser, Larry Summers, Robert Litan e David Neumark afirmaram a necessidade de tais intervenções pró-trabalho vigorosas em certos lugares difíceis onde a automação minou a demanda de trabalho.vinte e umAo longo dessas linhas, os governos também podem precisar considerar iniciativas que visam investimentos de apoio ao trabalho em locais duramente atingidos. Esses investimentos na infraestrutura necessária ou no trabalho de eficiência energética, por exemplo, teriam o benefício auxiliar de criar um número considerável de empregos de salário médio - o tipo que corre maior risco com as tecnologias emergentes.22

Em suma

Em conclusão, a nação precisa adicionar fatores geográficos à sua crescente discussão sobre os benefícios e danos da IA. Como vimos, a automação em sua fase digital inicial de 1980 até agora trouxe ganhos econômicos importantes para a economia agregada, mas também uma ruptura significativa que não foi uniformemente distribuída. Mais notavelmente, a automação digital em sua primeira fase contribuiu para interrupções significativas no mercado de trabalho e uma crise de qualidade do emprego que se traduziu em resultados de emprego locais desiguais - resultados que provavelmente contribuíram para as crises sociais e políticas da década atual. Na medida em que esses impactos negativos pressagiam mais do mesmo (ou pior) nos próximos anos, o período de IA pode ser ainda mais difícil. A difusão potencialmente mais rápida de novas tecnologias de IA, suas incursões projetadas em novas áreas de ocupação e seu poder manifesto para refazer empresas, indústrias e mercados de trabalho locais os tornam ao mesmo tempo especialmente excitantes como tecnologias e potencialmente temíveis como fatores de ruptura regional.

A nação precisa se comprometer agora com novos esforços para ajudar as comunidades e também os trabalhadores a se ajustarem às mudanças. Se a nação puder se comprometer com seu povo dessa forma, um futuro cheio de máquinas parecerá muito mais tolerável em suas regiões agitadas.

No entanto, as próximas décadas não precisam repetir a experiência das últimas. Na verdade, a nação pode realmente aprender com o período de TI da automação, a fim de se preparar para o de IA. Por exemplo, está claro que uma postura de ajuste deliberada e coordenada envolvendo formuladores de políticas federais, estaduais e locais, educadores, o setor privado e a sociedade civil pode muito bem ser necessária para combater os desequilíbrios regionais que a tecnologia exacerbou nas últimas décadas. Nesse sentido, a nação precisa se comprometer agora com novos esforços para ajudar as comunidades e também os trabalhadores a se ajustarem às mudanças. Se a nação puder se comprometer com seu povo dessa forma, um futuro cheio de máquinas parecerá muito mais tolerável em suas regiões agitadas.