Computadores e trabalhadores.

Em 1997, o Deep Blue derrotou Kasparov. Foi a primeira vez que um computador derrotou um mestre de Xadrez a este nível. Em 2016, o AlphaGo derrotou Lee Sedol, um dos melhores jogadores mundiais de Go. Outra estreia mas, para muitas pessoas, foi mais do mesmo. O Pedro Romano deve ser uma dessas pessoas. Acerca do efeito potencial da inteligência artificial no emprego, Romano afirma que podemos «excluir da nossa lista de preocupações prementes o risco de uma sociedade sem empregos» e que a tese de estarmos «a viver uma era de inovação nunca vista, que vai causar conturbações sociais enormes» é incompatível com a tese de que «estamos num período de estagnação» económica, porque «Se cada pessoa produz mais, então […] cada pessoa pode também consumir mais»(1). Está enganado.

O Deep Blue usava uma tabela de parâmetros criada pelos programadores para avaliar as jogadas. Os valores eram ajustados por análise estatística de jogos passados mas os factores a avaliar – controlar o centro, perder um cavalo e assim por diante – foram fixados pelos programadores. Por isso, o Deep Blue era um computador que jogava Xadrez. O AlphaGo avalia cada jogada com uma rede neuronal treinada com um conjunto de partidas de Go sem qualquer especificação prévia sobre o que é importante. O AlphaGo não é um computador programado para jogar Go. É um computador programado para aprender a partir de exemplos.

Tecnologicamente, isto é muito diferente do que aconteceu até agora. Romano admite que «em prazos mais curtos – e o ‘curto’, neste caso, pode bem ser 10 ou 20 anos – é perfeitamente possível que se notem efeitos no mercado laboral» como consequência de inovações tecnológicas. Mas diz ser errado supor «que há um número fixo de postos de trabalho [porque] a procura adicional gerada pelo aumento da produtividade [...] vai implicar um aumento do emprego noutros novos sectores.» Ou seja, 10 ou 20 anos depois de se automatizar uma tarefa, uma nova geração de trabalhadores aprende a desempenhar outras tarefas, ainda não automatizadas. Mas se dez anos era um prazo curto no tempo do Deep Blue, no tempo do AlphaGo é uma eternidade. A mesma tecnologia que permite ensinar* o computador a jogar Go também permite ensinar a conduzir um automóvel, a atender clientes no restaurante ou a cobrar produtos na caixa do supermercado. Os humanos demoram 10 a 20 anos a adaptar-se e aprender novas profissões. Os computadores demorarão 10 a 20 dias. Ou 10 a 20 horas. E isto em qualquer tarefa que possa ser aprendida a partir de exemplos.

Romano também erra na estimativa do efeito económico do aumento de produtividade. Até certo ponto, um aumento de produtividade leva a melhores ordenados, mais consumo e mais emprego. Mas só até certo ponto. Uma pessoa que ganha um milhão de euros por mês não consome o mesmo que mil pessoas a ganhar mil cada uma, e esse efeito já se faz sentir. Escreve Romano que «não há sinal visível de progresso tecnológico acelerado nas estatísticas. Por que digo isto? Porque a produtividade em praticamente todo o mundo desenvolvido tem vindo a cair ao longo das últimas décadas e está hoje mais ou menos estagnada.» Isto é exactamente o que se espera se Romano não tiver razão e a automatização crescente estiver mesmo a prejudicar esta economia baseada na venda de trabalho. O Facebook, por exemplo, tem cerca de mil milhões de utilizadores, dezassete mil milhões de dólares de negócio anual e apenas doze mil empregados. O sucesso do Facebook depende da selecção criteriosa daquilo que cada utilizador vê mas, sem aprendizagem automática, isto iria exigir centenas de milhares de empregados para monitorizar os feeds de tantos utilizadores. Nessas condições, essa gente toda a trabalhar para o Facebook daria um empurrão grande à economia. Mas a automatização permite dispensar esses empregados, trocar trabalho por capital e acumular lucros em offshores. É por isso que os indicadores económicos não reflectem o enorme sucesso de empresas de alta tecnologia como a Microsoft, Amazon, Apple, Google e Facebook. Os rendimentos milionários dos accionistas não têm o mesmo efeito que teriam repartidos em salários.

A aplicação desta tecnologia a novas áreas de negócio é apenas o início. A aplicação a negócios já estabelecidos, como a restauração, venda a retalho ou transportes, vai demorar um pouco mais porque exige investimento e, em alguns casos, legislação. Mas é inevitável e será num prazo muito mais curto do que os tais 10 a 20 anos. Economicamente, este aumento de produtividade vai concentrar ainda mais a riqueza e agravar a tendência, que já se sente, para uma economia com menos transacções e mais dívidas e manipulação financeira. Uma economia frágil, sem crescimento real e que beneficia uma minoria cada vez mais pequena. E, tecnologicamente, esta inovação não é igual ao que aconteceu no passado porque não se trata de automatizar uma ou outra tarefa específica. O que se automatizou foi a capacidade de aprender e isso permite substituir os trabalhadores humanos não só em quase tudo o que fazem agora mas também em quase tudo que possam vir a fazer.

Isto não é necessariamente uma coisa má. Mas exige repensar a economia e abandonar a ideia de que o rendimento da maioria tenha de vir da venda do trabalho. Porque, em breve, o trabalho humano deixará de ter valor comercial. Como o dinheiro é um veículo importante de informação, que cada um pode usar para indicar as suas preferências, teremos de continuar a distribuí-lo e a manter a economia a funcionar. Mas essa distribuição não poderá ser pela venda de trabalho.

* Termos como “ensinar” e “aprender” sugerem alguma consciência da parte de quem aprende. Mas, neste contexto, uso-os apenas conforme a definição operacional de Mitchell: um sistema aprende se melhorar o seu desempenho numa tarefa conforme lhe fornecemos exemplos.

1- Pedro Romano, Robôs a roubar empregos