Melawan dampak geografis otomatisasi: Komputer, AI, dan perbedaan tempat

Pemilihan presiden 2016 mengungkapkan—tidak seperti sebelumnya—salah satu aspek yang paling mencolok tetapi paling tidak diantisipasi dari revolusi digital global. Dalam satu pemungutan suara yang dramatis, kemenangan Donald Trump menyoroti kemunculan yang mencolok dan melebar membagi antara dua Amerika: satu berbasis di wilayah metropolitan besar yang berorientasi digital; yang lainnya ditemukan di kota-kota kecil berteknologi rendah, kota kecil, dan daerah pedesaan.satuDengan melakukan itu, pemungutan suara menunjukkan—dengan peta merah-birunya yang mencolok—kekuatan teknologi yang diremehkan untuk membentuk kembali geografi negara-negara.

Perpecahan itu mengejutkan banyak orang.duaNamun bukan hanya jurang kesenjangan geografis yang terungkap yang begitu membingungkan. Yang juga mengganggu adalah sejauh mana perpecahan regional yang terungkap di negara itu mencerminkan sesuatu yang penting tentang sifat dasar munculnya teknologi digital, termasuk berbagai bentuk otomatisasi, seperti kecerdasan buatan (AI).3

Kesenjangan spasial yang tajam tidak hanya mencerminkan keputusan penempatan acak, dalam hal ini, atau penurunan manufaktur (meskipun itu berkontribusi). Sebaliknya, sejumlah besar literatur akademis sekarang menunjukkan bahwa teknologi baru telah memperkenalkan alat pengganggu ke dalam ekonomi yang, dengan memberdayakan pekerjaan tingkat tinggi dan menggantikan tugas-tugas rutin, juga secara besar-besaran mengatur ulang geografi ekonomi negara.



Yang paling jelas hingga saat ini adalah dinamika yang digerakkan oleh mesin yang memperkuat kemampuan pekerja terampil untuk menambah nilai, menggantikan pekerjaan hafalan, dan menyuntikkan pemenang-ambil-paling banyak -atau superstar —dinamika ke pasar.4Seiring waktu, difusi awal alat digital dan otomatisasi ini telah meningkatkan apa yang disebut kekuatan aglomerasi yang mengakibatkan orang dan perusahaan berkumpul di tempat-tempat yang disukai untuk berbagi informasi, mencocokkan keterampilan dan pekerjaan, serta mempelajari hal-hal baru—dengan dampak yang signifikan pada negara. geografi.

Dengan cara ini, pemilu 2016 mungkin turun karena pertama kali masyarakat mulai memahami implikasi penuh dari potensi otomatisasi untuk mengubah dunia fisik. Karena kota-kota besar dan berteknologi tinggi seperti New York, Washington, dan Bay Area tampaknya semakin menghuni dunia yang berbeda dari bagian Amerika lainnya, orang-orang dan tempat-tempat yang ditinggalkan memberontak.

AI dan dampak positif dan negatifnya tidak akan terdistribusi secara merata, dan kemungkinan akan berkontribusi pada kesenjangan geografis yang meresahkan bangsa.

Semuanya menunjukkan perlunya menambahkan item lain ke daftar dilema sosial dan etika seputar era AI yang akan datang, fakta bahwa AI dan dampak positif dan negatifnya tidak akan didistribusikan secara merata, dan kemungkinan akan berkontribusi pada kesenjangan geografis yang meresahkan bangsa. Memecahkan tantangan ini akan menambah prioritas lain untuk pemecahan masalah tentang masa depan pekerjaan, penyesuaian pekerja, dan konten etis dari algoritme.

Otomatisasi, AI—dan tempat

Kaitan AI dengan geografi mengikuti kecenderungan teknologi digital untuk memperkuat produktivitas pekerja terampil dan pengganti pekerjaan rutin atau hafalan. Terutama, Beaudry, Doms, dan Lewis menunjukkan lebih dari satu dekade yang lalu bahwa kota-kota yang mengadopsi komputer pribadi paling awal dan tercepat mengalami peningkatan upah relatif tercepat.5

Sejak itu, bukti tambahan telah terkumpul—termasuk baru-baru ini Penelitian Brookings —bahwa teknologi digital berkontribusi besar terhadap perbedaan ekonomi regional dan menarik diri dari kota-kota superstar dari yang lebih kecil dan pedalaman pedesaan.6 Enrico Moretti telah menunjukkan bahwa ekonomi digital menghasilkan perbedaan yang semakin besar di antara orang-orang dan bahkan di antara keterampilan.7Dan Elisa Giannone memiliki didemonstrasikan bahwa perbedaan upah kota sejak tahun 1980—setelah beberapa dekade konvergensi—mencerminkan campuran peningkatan penghargaan teknologi kepada pekerja teknologi yang sangat terampil dan pengelompokan industri lokal.8

Demikian juga, analisis digitalisasi saya sendiri menunjukkan bahwa upah tahunan rata-rata negara bagian dan kota tidak hanya berkorelasi dengan skor keterampilan digital rata-rata lokal, tetapi bahwa sebagian besar pekerjaan dan pendapatan tempat digital menarik diri dari tempat-tempat yang kurang terampil secara digital.

Digitalisasi berhubungan positif dengan upah rata-rata

Seiring waktu, tingkat atas yang beruntung dari wilayah metropolitan yang besar, padat, dan sarat bakat telah secara konsisten tumbuh lebih cepat daripada kota-kota median dan paling tidak makmur:

Upah tahunan rata-rata yang diindeks dan tingkat pekerjaan, 1969-2016

Inti dari tren ini adalah otomatisasi. Apa yang saya sebut sebagai fase besar pertama otomatisasi digital, fase era TI, dari tahun 1980 hingga 2016 dan berpusat pada adopsi PC dan robotika industri. Tentang periode ini, grup saya di Program Kebijakan Metropolitan di Brookings telah bekerja dengan rekan senior non-residen Brookings, Ian Hathway (menggunakan data yang disediakan oleh David Autor) untuk menunjukkan bagaimana dampak diferensial otomatisasi pada jenis tugas secara nasional diterjemahkan ke dalam hasil pekerjaan lokal yang tidak merata.9

Pertama, pandangan kami pada tren pekerjaan nasional di era TI menggambarkan dengan jelas bagaimana pertumbuhan upah dan perubahan pekerjaan di tahun-tahun sejak tahun 1980 mencerminkan lekukan dari kontinum keterampilan yang pada gilirannya mencerminkan berkurangnya permintaan untuk pekerjaan keterampilan menengah, rutin, atau berulang— baik yang bersifat fisik atau kognitif—diberikan substitusi mesin untuk pekerjaan semacam itu.

Upah dan pertumbuhan lapangan kerja adalah yang paling lambat di pekerjaan berupah menengah

Secara keseluruhan, sangat jelas bahwa pertumbuhan lapangan kerja dan kemajuan upah telah merosot di tengah distribusi keterampilan untuk pekerjaan seperti pembantu produksi dan pekerja administrasi.

Kedua, kami menghubungkan pola nasional tersebut dengan dampak masyarakat dengan memetakan kejadian lokal dari pekerjaan rutin atau berulang pada tahun 1980. Melakukan hal itu menghasilkan penggambaran visual paparan lokal terhadap pekerjaan yang rentan otomatisasi.

Pembagian pekerjaan rutin menurut zona perjalanan, 1980

Pembagian pekerjaan rutin menurut zona perjalanan, 1980

Sumber: Analisis Brookings dari Autor and Dorn (2013)

Petanya jelas. Sedangkan pekerjaan rutin tersebar luas di seluruh negeri pada awal era otomatisasi, itu tidak tersebar merata.

Dan apa yang terjadi dalam 35 tahun terakhir juga tidak merata. Dengan adopsi yang luas dari robot industri dan PC, muncul gangguan traumatis, variabel lokal dari pekerjaan berupah menengah dikombinasikan dengan pergeseran besar-besaran pekerja berketerampilan menengah, seringkali tidak berpendidikan tinggi ke dalam kegiatan layanan berupah rendah. Khususnya, wilayah yang berorientasi pada administrasi manufaktur dan perkantoran—wilayah di Midwest, Timur Laut, Selatan, dan Pantai Barat dengan konsentrasi pekerjaan rutin tertinggi—juga merupakan tempat yang mengalami pergeseran terbesar ke pekerjaan layanan berupah rendah di era informasi.

Singkatnya, era pertama otomatisasi digital belum netral secara spasial. Tempat-tempat dengan paparan terbesar terhadap pekerjaan rutin—seperti Detroit dengan pabrik mobilnya atau New York dengan jutaan pekerja administrasinya—melihat beberapa peningkatan terbesar pekerjaan layanan berketerampilan rendah di era TI. Rutinitas mereka yang relatif besar, tenaga kerja berketerampilan menengah berada di bawah tekanan khusus dari otomatisasi. Sebaliknya, wilayah metro dengan pangsa pekerjaan rutin yang lebih rendah—seperti Raleigh, Carolina Utara, dengan universitas dan rumah sakitnya—melihat transisi pasar tenaga kerja yang kurang dramatis.

Sekarang era TI berubah menjadi era AI yang diliputi oleh teknologi digital yang lebih kuat seperti pembelajaran mesin dan bentuk kecerdasan buatan lainnya. Yang menimbulkan pertanyaan: Seperti apa fase interaksi selanjutnya antara otomatisasi dan pekerjaan?

Tapi itulah awal era otomatisasi TI. Sekarang era TI berubah menjadi era AI yang diliputi oleh teknologi digital yang lebih kuat seperti pembelajaran mesin dan bentuk kecerdasan buatan lainnya.10Yang menimbulkan pertanyaan: Seperti apa fase interaksi selanjutnya antara otomatisasi dan pekerjaan?

Untuk menjelaskan hal ini, kelompok saya bekerja lebih jauh dengan Hathaway untuk menganalisis tren masa depan dalam fase otomatisasi AI menggunakan perkiraan yang diberikan oleh McKinsey Global Institute tentang kerentanan pekerjaan terhadap otomatisasi selama beberapa dekade mendatang. (Untuk lebih lanjut tentang metode kami, lihat makalah kami di sini ).

Sekali lagi, kami menghubungkan informasi nasional tentang dampak otomatisasi yang diproyeksikan pada jenis tugas dan pekerjaan dengan informasi tentang campuran pekerjaan geografi lokal untuk menilai hasil pekerjaan potensial di negara bagian dan wilayah metropolitan.

Sekarang apa yang kita temukan? Melihat data yang menggabungkan proyeksi pengaruh AI, gambaran dampak masa depan terhadap pekerjaan—dan, pada gilirannya, pada geografi—tampak sedikit berbeda dari periode sebelumnya.

Di tingkat nasional, kurva yang menggambarkan potensi otomatisasi pekerjaan saat ini (dengan eksposur naik ke sumbu vertikal) memiliki tampilan baru yang berbeda, karena melaporkan eksposur tertinggi untuk peran dengan upah terendah (mereka yang berada di sebelah kiri pada sumbu horizontal ) dengan pengurangan eksposur otomatisasi, semakin banyak kenaikan upah (di sebelah kanan gambar):

Pekerjaan dengan upah terendah adalah yang paling terpapar otomatisasi

Kurva ini terlihat berbeda dari kurva sebelumnya yang memplot upah dan pertumbuhan lapangan kerja terhadap tingkat upah untuk menunjukkan tekanan otomatisasi. Padahal sebelumnya, konten tugas rutin di bawah persentil upah ke-20 rendah, di sini, potensi tertinggi untuk otomatisasi tugas saat ini di masa depan terkonsentrasi di antara penerima upah terendah. Ini sebagian mencerminkan terobosan otomatisasi yang diproyeksikan meningkat secara dramatis ke dalam sektor layanan berkat aplikasi AI yang akan datang untuk operasi layanan makanan dan administrasi kantor. Potensi otomatisasi tingkat tugas, sementara itu, turun terus karena upah rata-rata naik. Penghasil yang lebih tinggi umumnya terus menghadapi ancaman otomatisasi rendah berdasarkan konten tugas saat ini — meskipun itu bisa berubah karena AI mulai memberi tekanan pada beberapa pekerjaan non-rutin dengan upah lebih tinggi. Setidaknya satu penyelidikan penelitian baru menunjukkan hal itu bisa terjadi.sebelas

Beralih sekarang ke geografi tren ini, kita melihat lagi bahwa sementara risiko otomatisasi akan dirasakan di mana-mana, terobosannya di era AI akan terus dirasakan secara berbeda di seluruh tempat (meskipun sekarang, polanya sedikit berbeda mengingat kerentanan baru yang luas. layanan kelas bawah).

Sejalan dengan itu, data untuk paparan otomatisasi di era AI menunjukkan bahwa dampak otomatisasi akan paling mengganggu di negara bagian, kabupaten, dan kota Heartland. Ini adalah wilayah yang sama yang paling terpukul oleh perubahan era TI.

Potensi otomatisasi rata-rata menurut wilayah, 2016

Potensi otomatisasi rata-rata menurut wilayah, 2016

Sumber: Analisis Brookings dari data BLS, Sensus, EMSI, Moodys, dan McKinsey

Sejalan dengan itu, negara bagian dan kabupaten Heartland yang kurang berpendidikan yang berspesialisasi dalam industri manufaktur dan layanan kelas bawah dapat sangat terpukul oleh otomatisasi di era AI, sedangkan negara bagian dan kabupaten yang berpendidikan baik di sepanjang koridor Boston-Washington dan di Barat Coast tampak kurang terekspos.

Secara paralel, komunitas yang lebih kecil dan kurang berpendidikan akan berjuang relatif lebih banyak dengan otomatisasi fase AI, sementara kota yang lebih besar dan berpendidikan lebih baik akan mengalami lebih sedikit gangguan. Begini tampilannya:

Potensi otomatisasi rata-rata menurut wilayah metropolitan, 2016

Potensi otomatisasi rata-rata menurut wilayah metropolitan, 2016

Sumber: Analisis Brookings dari data BLS, Sensus, EMSI, Moodys, dan McKinsey

Menurut peta tersebut, lebih dari 50 persen dari semua pekerjaan tertimbang tugas pekerja saat ini berpotensi diotomatisasi di daerah metropolitan kecil seperti Kokomo, Indiana dan Hickory, North Carolina. Sebaliknya, pangsa pekerjaan rentan di metro digital berpendidikan tinggi seperti San Jose, California, dan District of Columbia masing-masing hanya 40 persen dan 39 persen. Secara keseluruhan, tingkat pendidikan metropolitan yang lebih tinggi berfungsi sebagai pencegah potensi otomatisasi fase AI. Ini sebagian karena pendidikan mendukung jenis pekerjaan antarpribadi yang kompleks yang akan melengkapi dan bukan menggantikan AI, dan juga karena pencapaian pendidikan meningkatkan kemampuan beradaptasi individu dan masyarakat.

Singkatnya, penyebaran AI—seperti fase otomatisasi sebelumnya—mungkin memiliki dampak lokal yang signifikan dan beragam. Sementara kontribusinya mungkin bermanfaat bagi negara secara keseluruhan, upah dan efek dislokasinya dapat menghantam rumah dengan cara yang berbeda, nyata, dan tidak selalu disambut baik—cara yang perlu dikenali dan ditangani secara memadai.

persentase kupon makanan yang diberikan kepada ilegal

Melawan geografi otomatisasi

Maka, pantaslah jika diskusi nasional yang kaya sekarang melingkupi banyak pertanyaan yang diajukan oleh AI, dimulai dengan masa depan pekerjaan. Perdebatan yang kaya sedang berlangsung tentang sejauh mana algoritma dapat dibuat untuk menghormati nilai-nilai dasar manusia dan demokrasi juga berharga. Pandangan ke depan seperti itu sangat penting.

Namun, yang juga penting adalah diskusi serius tentang implikasi geografis otomatisasi dan AI.

Implikasi spasial AI juga perlu mendapat tempat yang menonjol dalam diskusi, karena tidak kurang dari keseimbangan teritorial negara dapat terancam.

Tren geografis yang dilaporkan di sini menunjukkan bahwa implikasi spasial AI juga perlu mendapat tempat yang menonjol dalam diskusi, karena tidak kurang dari keseimbangan teritorial negara mungkin berisiko. Upaya untuk memastikan era AI bekerja dengan baik untuk semua tempat juga akan mendapat manfaat dari kemajuan sejumlah agenda umum non-spasial, yang menyerukan kepada semua pihak untuk merangkul pertumbuhan dan teknologi untuk menjaga standar hidup tetap tinggi, mempromosikan pola pikir pembelajaran yang konstan di antara para pekerja, memfasilitasi transisi yang lebih mulus dari pekerjaan ke pekerjaan, dan untuk mengurangi kesulitan di antara individu yang sedang berjuang. (Lihat laporan Brookings, Otomasi dan Kecerdasan Buatan: Bagaimana Mesin Mempengaruhi Orang dan Tempat. )

Namun, di luar itu, setiap strategi komprehensif untuk memanfaatkan AI secara maksimal juga perlu secara khusus menangani ketahanan masyarakat lokal. Seperti apa seharusnya upaya tersebut? Dua strategi untuk tanggapan tampak penting dan menyerukan kepada pemerintah, industri, dan masyarakat sipil untuk:

  • Ekonomi regional yang rentan di masa depan.
  • Perluas dukungan untuk penyesuaian komunitas.

Ekonomi regional yang rentan di masa depan

Persyaratan awal adalah melengkapi tempat-tempat yang dirugikan oleh teknologi agar menjadi lebih tangguh. Upaya tersebut harus dimulai dengan fokus pada pekerja yang memiliki masa depan di tempat-tempat ini dengan berusaha untuk memberikan keterampilan yang mengarah pada pekerjaan yang tahan otomatisasi.

Di sini, inisiatif regional dan yang dipimpin negara menunjukkan harapan.

Misalnya, program SkillUp di Cuyahoga County, Ohio timur laut, memanfaatkan perusahaan lokal untuk memfasilitasi pengembangan keterampilan regional untuk pekerjaan yang diminati.12Program ini membantu perusahaan di wilayah tersebut mengidentifikasi kebutuhan tenaga kerja masa depan melalui proses perencanaan strategis, menentukan keterampilan yang dibutuhkan untuk pekerjaan tersebut, dan mengembangkan peta jalan yang disesuaikan untuk mengevaluasi keterampilan pekerja yang ada dan memfasilitasi pelatihan untuk posisi yang dibutuhkan. Pelatihan berfokus pada tiga jenis keterampilan: keterampilan lunak, keterampilan dasar, dan keterampilan teknis/pekerjaan. Ketika digabungkan, keterampilan tersebut membuat pekerja lebih mudah beradaptasi dengan dampak otomatisasi pasar tenaga kerja. Studi empiris menunjukkan program pelatihan khusus majikan seperti itu adalah cara yang efektif untuk meningkatkan produktivitas pekerja, pekerjaan, dan pendapatan.13

Demikian pula, Jaringan Negara Terampil dan Buku Pedoman Negara Terampil menunjukkan langkah-langkah yang harus diambil daerah untuk mengarahkan kembali tenaga kerja mereka ke keterampilan yang dibutuhkan.14Upaya tersebut akan semakin penting karena otomatisasi dan AI meningkatkan kecepatan perubahan tugas dan menetapkan bahwa pekerja menguasai cara-cara baru baik bekerja dengan mesin, atau bekerja di luar mereka.

Untuk bagiannya, pemerintah federal harus mengarahkan kembali aliran pendanaannya untuk mendukung upaya tersebut. Ini termasuk mendukung solusi lokal dari bawah ke atas dan memberi insentif kepada daerah untuk menyelaraskan pendidikan, tenaga kerja dan pelatihan, dan sistem pengembangan ekonomi mereka satu sama lain, bersama dengan kebutuhan khusus pengusaha dan pentingnya keterampilan lunak tingkat tinggi yang baru. Tujuannya adalah untuk menciptakan jalur akuisisi keterampilan yang jelas dan terartikulasi yang ditujukan untuk memastikan bahwa ekonomi regional menjadi sumber pekerja tangguh yang terampil dalam membawa nilai di era ketika mesin melakukan hal-hal hafalan.

Terkait, pemerintah harus berusaha untuk mempercepat adopsi teknologi cerdas oleh ekonomi regional dan perusahaan yang kemungkinan akan tertinggal sebagai upaya paralel untuk membantu tempat menjadi lebih tangguh. Ini harus dimulai dengan pemerintah federal dan negara bagian meningkatkan misi ekstensi mereka dengan berinvestasi lebih banyak dalam upaya untuk memperluas aplikasi, adopsi, dan komersialisasi otomatisasi dan inovasi AI—termasuk melalui transformasi organisasi. Di depan ini, jaringan Manufacturing Extension Partnership (MEP) yang sukses menawarkan preseden 50 negara bagian, 30 tahun untuk melengkapi manufaktur kecil dan menengah dengan solusi produktivitas berteknologi tinggi, termasuk di tempat pedesaan.limabelasBerdasarkan sejarah itu, Amerika Serikat sekarang membutuhkan program gaya MEP yang lebih luas dan lebih berani yang dirancang untuk menyebarkan aplikasi teknologi tinggi dan AI serta transformasi organisasi ke semua sudut ekonomi, termasuk sektor jasa.

Perluas dukungan untuk penyesuaian komunitas

Namun, bahkan upaya yang berhasil untuk mempromosikan lebih banyak ketahanan masyarakat tidak akan mencegah dislokasi yang lebih parah di beberapa tempat. Beberapa daerah, khususnya yang berada di ujung distribusi ukuran yang lebih kecil, dapat mengalami gangguan ekonomi dan pasar tenaga kerja yang serius. Untuk alasan itu, pembuat kebijakan federal dan negara bagian perlu melengkapi upaya untuk meningkatkan ketahanan lokal dengan intervensi khusus yang ditargetkan untuk mengurangi dampak negatif terburuk dari otomatisasi.

Di sini, ada pendahuluan, seperti Kantor Penyesuaian Ekonomi (OEA) Departemen Pertahanan yang berfokus pada mitigasi dampak penutupan pangkalan, Program Asisten Penyesuaian Administrasi Pembangunan Ekonomi yang berorientasi pada perubahan ekonomi yang merugikan, dan Kemitraan yang didanai oleh Kongres untuk Peluang dan Tenaga Kerja dan Program Revitalisasi Ekonomi (POWER), ditujukan kepada masyarakat yang terkena dampak perubahan kebijakan energi.16Namun, skala sederhana program ini—dan, dalam beberapa kasus, koordinasi yang terputus-putus—membatasi dampaknya. Strategi nasional yang lebih kuat mungkin diperlukan.

Pemerintah dapat, misalnya, menyalurkan investasi penciptaan lapangan kerja ke masyarakat dan tempat-tempat yang terkena dampak buruk otomatisasi, dengan menyadari bahwa beberapa tempat kemungkinan akan mengalami lebih banyak perpindahan daripada yang lain.

Upaya tersebut dapat dimulai dengan mengumpulkan sumber daya pemerintah dan sektor swasta ke dalam masyarakat yang terkena dampak, dan harus dilengkapi dengan upaya untuk meningkatkan permintaan tenaga kerja di daerah tersebut. Pemerintah dapat, misalnya, menyalurkan investasi penciptaan lapangan kerja ke masyarakat dan tempat-tempat yang terkena dampak buruk otomatisasi, dengan menyadari bahwa beberapa tempat kemungkinan akan mengalami lebih banyak perpindahan daripada yang lain.17Menempatkan aset federal atau negara bagian di tempat-tempat seperti itu—bersama dengan upaya untuk memicu kewirausahaan dengan merampingkan peraturan—dapat membantu.18Begitu juga dengan program catch-up regional yang eksplisit.19

Yang pasti, kecenderungan upaya A.S. untuk memacu pertumbuhan dan perkembangan di komunitas-komunitas yang berjuang biasanya adalah memberikan hibah ad hoc kecil ke banyak tempat, beberapa di antaranya memiliki prospek untuk berbalik arah. Strategi yang lebih efektif adalah menyalurkan investasi ekstensif ke beberapa area, dengan tujuan untuk memulai serangkaian pusat ketenagakerjaan regional baru yang dinamis. Dengan cara ini, pemerintah federal dapat menyalurkan investasi besar ke 10 atau lebih wilayah metro berukuran sedang dan menjanjikan yang dipilih melalui proses kompetitif yang akan dinyatakan sebagai kutub pertumbuhan regional. Investasi ini akan terdiri dari serangkaian manfaat penelitian, pajak, infrastruktur, dan pembangunan ekonomi dari pemerintah, dan akan digabungkan dengan investasi terkait oleh negara bagian dan sektor swasta. Kutub pertumbuhan dengan cara ini akan berfungsi sebagai jangkar untuk meningkatkan pertumbuhan lapangan kerja bernilai tinggi di daerah sekitarnya yang lebih luas.dua puluh

Di luar itu, kemungkinan alat yang lebih kuat—seperti inisiatif untuk menargetkan kredit perekrutan secara spasial, subsidi pekerjaan, atau jaminan pekerjaan—akan diperlukan untuk membantu beberapa lokasi yang terkena dampak parah mengatasi perubahan tugas. Dukungan semacam itu—difokuskan pada karyawan baru (agar tidak memberikan keuntungan tak terduga pada pekerjaan yang ada)—akan ditujukan pada area yang mengalami penyesuaian yang sangat menyakitkan atau lambat, dan mereka secara alami akan mendorong investasi untuk melanjutkan pekerjaan tersebut. Ekonom yang beragam seperti Ed Glaeser, Larry Summers, Robert Litan, dan David Neumark semuanya telah menegaskan perlunya intervensi pro-kerja yang kuat di tempat-tempat tertentu yang sulit di mana otomatisasi telah melemahkan permintaan tenaga kerja.dua puluh satuSejalan dengan itu, pemerintah mungkin juga perlu mempertimbangkan inisiatif yang menargetkan investasi pendukung pekerjaan ke lokasi yang terkena dampak paling parah. Investasi semacam itu dalam infrastruktur yang dibutuhkan atau pekerjaan efisiensi energi, misalnya, akan memiliki manfaat tambahan dalam menciptakan sejumlah besar pekerjaan berupah menengah—jenis yang paling berisiko dari teknologi yang sedang berkembang.22

Alhasil

Sebagai kesimpulan, negara perlu menambahkan faktor geografis ke diskusi yang berkembang tentang manfaat dan bahaya AI. Seperti yang telah kita lihat, otomatisasi dalam fase digital awal dari tahun 1980 hingga sekarang membawa keuntungan ekonomi yang penting bagi ekonomi agregat, tetapi juga gangguan signifikan yang tidak merata. Terutama, otomatisasi digital pada fase pertama telah berkontribusi pada gangguan pasar tenaga kerja yang signifikan dan krisis kualitas pekerjaan yang telah diterjemahkan ke dalam hasil pekerjaan lokal yang tidak merata—hasil yang kemungkinan besar berkontribusi pada krisis sosial dan politik pada dekade saat ini. Sejauh dampak negatif tersebut menunjukkan lebih banyak hal yang sama (atau lebih buruk) di tahun-tahun mendatang, periode AI bisa menjadi lebih sulit. Difusi teknologi AI baru yang berpotensi lebih cepat, terobosannya yang diproyeksikan ke area pendudukan baru, dan kekuatan nyata mereka untuk membuat kembali perusahaan, industri, dan pasar tenaga kerja lokal menjadikannya sangat menarik sebagai teknologi dan berpotensi menakutkan sebagai faktor gangguan regional.

Bangsa ini perlu berkomitmen sekarang untuk upaya baru untuk membantu masyarakat serta pekerja menyesuaikan diri dengan perubahan. Jika bangsa ini dapat berkomitmen kepada rakyatnya dengan cara ini, masa depan yang penuh dengan mesin akan tampak jauh lebih dapat ditoleransi di daerah-daerah yang gelisah.

Namun, beberapa dekade mendatang tidak perlu mengulang pengalaman beberapa dekade terakhir. Bahkan, bangsa ini sebenarnya bisa belajar dari periode TI otomatisasi untuk mempersiapkan AI. Misalnya, jelas bahwa sikap penyesuaian yang disengaja dan terkoordinasi yang melibatkan pembuat kebijakan federal, negara bagian, dan lokal, pendidik, sektor swasta, dan masyarakat sipil mungkin diperlukan untuk melawan ketidakseimbangan regional yang telah diperburuk oleh teknologi dalam beberapa dekade terakhir. Dalam nada ini, bangsa sekarang perlu berkomitmen pada upaya baru untuk membantu masyarakat serta pekerja menyesuaikan diri dengan perubahan. Jika bangsa ini dapat berkomitmen kepada rakyatnya dengan cara ini, masa depan yang penuh dengan mesin akan tampak jauh lebih dapat ditoleransi di daerah-daerah yang gelisah.