O futuro do trabalho: Será que os robôs vão aceitar o meu trabalho?

Back nos anos 90, quando os bancos americanos começaram a instalar caixas automáticas em grande escala, os caixas humanos que trabalhavam nesses bancos pareciam estar enfrentando uma rápida obsolescência. Se as máquinas podiam distribuir dinheiro e aceitar depósitos por conta própria, 24 horas por dia, quem precisava de pessoas?

Os bancos o faziam, na verdade. É verdade que os caixas eletrônicos tornaram possível operar bancos de agências com muito menos funcionários: 13 em média, a partir dos 20. Mas a economia de custos apenas incentivou os bancos-mãe a abrir tantas novas agências que o emprego total dos caixas subiu.

Você pode encontrar histórias semelhantes em áreas como finanças, saúde, educação e direito, diz James Bessen, o economista da Universidade de Boston que chamou a atenção dos seus colegas para a história do ATM em 2015. “O argumento não é que a automação sempre aumenta os empregos”, diz ele, “mas que ela pode e muitas vezes aumenta”

É uma lição que vale a pena lembrar ao ouvir as previsões cada vez mais carregadas sobre o futuro do trabalho na era dos robôs e da inteligência artificial. Pense em carros sem condutor, ou síntese de fala convincentemente humana, ou robôs assustadoramente realistas que podem correr, saltar e abrir portas por si próprios: Dado o ritmo acelerado do progresso em tais aplicações, quanto tempo restará para as pessoas fazerem?

Essa questão recebeu sua formulação mais apocalíptica de figuras como Tesla e o fundador do SpaceX, Elon Musk, e o falecido físico Stephen Hawking. Ambos alertaram publicamente que as máquinas acabarão por exceder as capacidades humanas, ultrapassar o nosso controlo e talvez até despoletar o colapso da civilização humana. Mas observadores ainda menos dramáticos estão preocupados. Em 2014, quando o Centro de Pesquisa Pew pesquisou quase 1.900 especialistas em tecnologia sobre o futuro do trabalho, quase metade estava convencida de que máquinas artificialmente inteligentes logo levariam à perda acelerada de empregos – quase 50% até o início de 2030, de acordo com uma análise amplamente citada. O resultado inevitável, temiam eles, seria o desemprego em massa e um forte aumento dos já preocupantes níveis atuais de desigualdade de renda. E isso poderia de facto levar a uma ruptura na ordem social.

Or talvez não. “É sempre mais fácil imaginar os empregos que existem hoje e que podem ser destruídos do que é imaginar os empregos que não existem hoje e que podem ser criados”, diz Jed Kolko, economista-chefe do site online de colocação de empregos Indeed. Muitos, se não a maioria, dos especialistas nesta área são cautelosamente otimistas sobre o emprego – quanto mais não seja porque o exemplo do ATM e muitos outros como ele mostram o quão contraintuitivo o impacto da automação pode ser. A inteligência da máquina ainda está muito longe de corresponder a toda a gama de habilidades humanas, diz Bessen. Mesmo quando se tem em conta os desenvolvimentos que estão a chegar através do pipeline, ele diz, “temos poucos motivos nos próximos 10 ou 20 anos para nos preocuparmos com o desemprego em massa”

Então – para que lado vão as coisas?

Não há como saber ao certo até que o futuro chegue aqui, diz Kolko. Mas talvez, acrescenta ele, essa não seja a pergunta certa: “O debate sobre o efeito agregado na perda de empregos versus ganhos de empregos cega-nos para outras questões que serão importantes independentemente” – tais como como como os empregos podem mudar face à IA e à robótica, e como a sociedade irá gerir essa mudança. Por exemplo, será que essas novas tecnologias serão usadas como apenas mais uma forma de substituir trabalhadores humanos e cortar custos? Ou serão usadas para ajudar os trabalhadores, liberando-os para exercitar habilidades exclusivamente humanas como resolução de problemas e criatividade?

“Há muitas maneiras possíveis de configurar o estado do mundo”, diz Derik Pridmore, CEO da Osaro, uma empresa sediada em São Francisco que faz software de IA para robôs industriais, “e há muitas escolhas que temos que fazer”.

Automação e empregos: lições do passado

Nos Estados Unidos, pelo menos, o debate de hoje sobre máquinas e empregos artificialmente inteligentes não pode deixar de ser colorido pelas memórias das últimas quatro décadas, quando o número total de trabalhadores empregados pelas montadoras de automóveis, siderúrgicas e outros fabricantes americanos começou um longo e lento declínio de um máximo de 19″.5 milhões em 1979 para cerca de 17,3 milhões em 2000 – seguido de uma queda abrupta para um mínimo de 11,5 milhões no rescaldo da Grande Recessão de 2007-2009. (Desde então, o total recuperou ligeiramente, para cerca de 12,7 milhões; foram observadas alterações semelhantes em outros países fortemente automatizados, como a Alemanha e o Japão). Além de uma estagnação no crescimento dos salários desde 1973, a experiência foi traumática.

Verdade, diz Bessen, a automação não pode ser a razão completa para o declínio. “Se você voltar aos cem anos anteriores”, diz ele, “a indústria estava se automatizando a taxas tão rápidas ou mais rápidas, e o emprego estava crescendo de forma robusta”. Foi assim que chegámos a milhões de trabalhadores de fábrica, em primeiro lugar. Em vez disso, os economistas culpam a queda do emprego por uma confluência de fatores, entre eles a globalização, o declínio dos sindicatos e uma cultura corporativa da década de 1980 nos Estados Unidos que enfatizava o down-sizing, a redução de custos e os lucros trimestrais acima de tudo.

Mas a automação foi certamente um desses fatores. “Na tentativa de reduzir custos, tomamos coletivamente o caminho da menor resistência”, diz Prasad Akella, um robótico que é fundador e CEO da Drishti, uma empresa start-up em Palo Alto, Califórnia, que usa a IA para ajudar os trabalhadores a melhorar seu desempenho na linha de montagem. “E isso foi: ‘Vamos para o offshore até o centro mais barato, para que os custos de mão-de-obra sejam baixos”. E se não pudermos “offshore it, vamos automatizá-lo””

AI e robôs no local de trabalho

Automação tomou muitas formas, incluindo usinas de aço controladas por computador que podem ser operadas por apenas um punhado de funcionários, e robôs industriais, braços mecânicos que podem ser programados para mover uma ferramenta como um pulverizador de tinta ou uma tocha de soldagem através de uma sequência de movimentos. Tais robôs têm sido empregados em número cada vez maior desde os anos 70. Existem atualmente cerca de 2 milhões de robôs industriais em uso globalmente, a maioria em linhas de montagem automotiva e eletrônica, cada uma tomando o lugar de um ou mais trabalhadores humanos.

As distinções entre automação, robótica e IA são reconhecidamente bastante difusas – e ficando mais difusas, agora que carros sem condutor e outros robôs avançados estão usando software artificialmente inteligente em seus cérebros digitais. Mas uma regra geral é que os robôs realizam tarefas físicas que antes exigiam inteligência humana, enquanto o software de IA tenta realizar tarefas cognitivas a nível humano, tais como compreender a linguagem e reconhecer imagens. Automação é um termo guarda-chuva que não só abrange ambos, mas também inclui computadores comuns e máquinas não-inteligentes.

AI’s job is hardest. Antes cerca de 2010, as aplicações eram limitadas por um paradoxo apontado pelo filósofo Michael Polanyi em 1966: “Podemos saber mais do que podemos dizer” – o que significa que a maioria das habilidades que nos fazem passar o dia são praticadas, inconscientes e quase impossíveis de articular. Polanyi chamou essas habilidades de conhecimento tácito, ao contrário do conhecimento explícito encontrado nos livros.

Imagine tentando explicar exatamente como você sabe que um determinado padrão de pixels é uma fotografia de um cachorro, ou como você pode negociar com segurança uma curva à esquerda contra o tráfego em sentido contrário. (Parece fácil o suficiente dizer “esperar por uma abertura no trânsito” – até tentar definir uma “abertura” suficientemente bem para que um computador a reconheça, ou para definir precisamente o quão grande deve ser a lacuna para estar seguro). Este tipo de conhecimento tácito continha tantas subtilezas, casos especiais e coisas medidas por “sentir” que parecia não haver maneira de os programadores o extraírem, muito menos codificá-lo num algoritmo definido com precisão.

Hoje, claro, mesmo uma aplicação smartphone pode reconhecer fotos de cachorros (normalmente), e veículos autónomos estão a fazer essas curvas à esquerda rotineiramente (se não sempre perfeitamente). O que mudou apenas na última década é que os desenvolvedores de IA agora podem jogar poder computacional em massivos conjuntos de dados – um processo conhecido como “‘aprendizagem profunda”. Isto equivale basicamente a mostrar à máquina um zilhão de fotografias de cachorros e um zilhão de fotografias de cachorros não cachorros, depois ter o software de IA ajustando um zilhão de variáveis internas até que ele possa identificar as fotos corretamente.

Embora este processo de aprendizagem profunda não seja particularmente eficiente – uma criança humana só tem que ver um ou dois cachorros – ele teve um efeito transformador em aplicações de IA como veículos autônomos, tradução automática e qualquer coisa que requeira reconhecimento de voz ou imagem. E é isso que está assustando as pessoas, diz Jim Guszcza, cientista chefe de dados dos EUA na Deloitte Consulting em Los Angeles: “Uau – coisas que antes exigiam conhecimento tácito podem agora ser feitas por computadores!” Assim, a nova ansiedade sobre a perda maciça de empregos em áreas como direito e jornalismo que nunca antes tiveram que se preocupar com a automação. E assim as muitas previsões de obsolescência rápida para os funcionários de lojas, seguranças e trabalhadores de fast-food, bem como para os motoristas de camiões, táxis, limusinas e carrinhas de entregas.

Conheça o meu colega, o robô

Mas então, os caixas dos bancos também deveriam tornar-se obsoletos. O que aconteceu ao invés disso, diz Bessen, foi que a automação via caixas eletrônicos não só expandiu o mercado para caixas eletrônicos, mas também mudou a natureza do trabalho: Como os caixas passavam menos tempo simplesmente manuseando dinheiro, eles passavam mais tempo conversando com os clientes sobre empréstimos e outros serviços bancários. “E como as habilidades interpessoais se tornaram mais importantes”, diz Bessen, “houve um aumento modesto nos salários dos caixas bancários”, bem como um aumento no número de posições de caixa em tempo integral em vez de em tempo parcial. “Portanto, é um quadro muito mais rico do que as pessoas costumam imaginar”, diz ele.

Histórias semelhantes podem ser encontradas em muitas outras indústrias. (Mesmo na era das compras online e do auto-checkout, por exemplo, os números de emprego no comércio a retalho estão a subir de forma inteligente). O fato é que, mesmo agora, é muito difícil substituir completamente os trabalhadores humanos.

Os moinhos de aço são uma exceção que prova a regra, diz Bryan Jones, CEO da JR Automation, uma empresa na Holanda, Michigan, que integra várias formas de hardware e software para clientes industriais que procuram automatizar. “Uma usina de aço é um ambiente realmente desagradável e duro”, diz ele. Mas o processo em si – fundição, fundição, laminação, etc. – é essencialmente o mesmo, não importa que tipo de aço você esteja produzindo. Então as usinas têm sido comparativamente fáceis de automatizar, diz ele, e é por isso que a indústria siderúrgica tem perdido tantos empregos.

Quando as pessoas estão melhor

“Onde se torna mais difícil automatizar é quando se tem muita variabilidade e personalização”, diz Jones. “Essa é uma das coisas que estamos vendo na indústria automotiva neste momento: A maioria das pessoas quer algo que lhes seja personalizado”, com uma escolha personalizada de cores, acessórios ou mesmo grelhas frontais e traseiras. Cada veículo que desce a linha de montagem pode ser um pouco diferente.

Não é impossível automatizar esse tipo de flexibilidade, diz Jones. Escolha uma tarefa, e provavelmente há um robô de laboratório em algum lugar que a dominou. Mas isso não é o mesmo que fazê-lo de forma rentável, em escala. No mundo real, como aponta Akella, a maioria dos robôs industriais ainda são máquinas grandes e cegas que passam por seus movimentos, não importa quem ou o que está no caminho, e têm que ser enjaulados das pessoas por razões de segurança. Com máquinas assim, diz ele, “a flexibilidade requer uma tonelada de reequipamento e uma tonelada de programação – e isso não acontece da noite para o dia”

Contraste isso com os trabalhadores humanos, diz Akella. A reprogramação é fácil: “Basta entrar no chão de fábrica e dizer: ‘Pessoal, hoje estamos a fazer isto em vez de aquilo'”. E melhor ainda, as pessoas vêm equipadas com habilidades que poucos braços robôs podem igualar, incluindo controle motor fino, coordenação mãos-olhos e um talento para lidar com o inesperado.

Por isso é que a maioria das montadoras de hoje não tentam automatizar tudo na linha de montagem. (Alguns deles tentaram cedo, diz Bessen. Mas suas instalações geralmente acabaram como a fábrica de montagem da General Motors em Detroit-Hamtramck, que rapidamente se tornou um pesadelo de depuração após sua abertura em 1985: seus robôs estavam pintando uns aos outros com a mesma freqüência com que pintavam os Cadillacs). Em vez disso, empresas como a Toyota, Mercedes-Benz e General Motors restringem os robôs grandes, burros e vedados a tarefas que são sujas, perigosas e repetitivas, como a soldagem e a pintura por spray. E eles colocam seus trabalhadores humanos em lugares como a área de montagem final, onde eles podem colocar as últimas peças juntas enquanto verificam o alinhamento, ajuste, acabamento e qualidade – e se o produto final concorda com o pedido de personalização do cliente.

Para ajudar esses trabalhadores humanos, além disso, muitos fabricantes (e não apenas montadoras de automóveis) estão investindo pesadamente em robôs colaborativos, ou “cobots” – uma das categorias de automação industrial que mais cresce atualmente.

Robôs colaborativos: As máquinas trabalham com pessoas

Cobots estão agora disponíveis em pelo menos meia dúzia de empresas. Mas todos eles são baseados em conceitos desenvolvidos por uma equipe que trabalhou sob o comando de Akella em meados dos anos 90, quando ele era engenheiro de pessoal da General Motors. O objetivo era construir robôs que fossem seguros para estar por perto, e que pudessem ajudar com tarefas estressantes ou repetitivas enquanto ainda deixavam o controle com os trabalhadores humanos.

Para sentir o problema, diz Akella, imagine pegar uma bateria de uma esteira transportadora, andar dois passos, deixá-la cair no carro e depois voltar para o próximo – uma vez por minuto, oito horas por dia. “Eu mesmo fiz o trabalho”, diz Akella, “e posso assegurar-lhe que cheguei a casa extremamente dorido”. Ou imagine pegar um “cockpit” de 150 libras – o painel do carro, com todos os instrumentos, displays e equipamentos de ar condicionado acoplados – e manobrá-lo no lugar pela porta do carro sem quebrar nada.

Desenhar um robô que pudesse ajudar em tais tarefas era um desafio de pesquisa bastante novo na época, diz Michael Peshkin, engenheiro mecânico da Northwestern University em Evanston, Illinois, e um dos vários investigadores externos que Akella incluiu em sua equipe. “O campo tratava de aumentar a autonomia dos robôs, sua capacidade de detecção e de lidar com a variabilidade”, diz ele. Mas até que este projeto apareceu, ninguém havia focado demais na capacidade dos robôs de trabalhar com pessoas.

Então, para seu primeiro cobot, ele e seu colega noroeste Edward Colgate começaram com um conceito muito simples: um pequeno carrinho equipado com um conjunto de elevadores que içaria, digamos, o cockpit, enquanto o trabalhador humano o guiava até o lugar. Mas a carroça não era apenas passiva, diz Peshkin: Ele sentiria sua posição e giraria suas rodas para ficar dentro de uma “superfície de restrição virtual” – na verdade, um funil invisível no ar que guiaria o cockpit através da porta e para a posição sem um arranhão. O trabalhador poderia então verificar o ajuste final e as fixações sem esforço.

Outro protótipo patrocinado pela GM substituiu o carrinho por um braço robótico guiado pelo trabalhador que podia levantar componentes automóveis enquanto suspenso de um ponto de suspensão móvel no tecto. Mas ele compartilhou o mesmo princípio de assistência à máquina mais o controle do trabalhador – um princípio que provou ser criticamente importante quando Peshkin e seus colegas experimentaram seus protótipos nos trabalhadores da linha de montagem da General Motors.

“Esperávamos muita resistência”, diz Peshkin. “Mas na verdade, eles foram acolhedores e prestativos. Eles compreenderam totalmente a ideia de salvar as suas costas de ferimentos”. E igualmente importante, os trabalhadores adoravam usar os sapatos. Eles gostavam de poder andar um pouco mais rápido ou um pouco mais devagar, se lhes apetecesse. “Com um carro chegando a cada 52 segundos”, diz Peshkin, “esse pouco de autonomia era realmente importante”. E eles gostavam de fazer parte do processo. “As pessoas querem que as suas capacidades estejam em exibição”, diz ele. “Elas gostam de usar os seus corpos, tendo prazer no seu próprio movimento.” E os cobots deram-lhes isso, diz ele: “Podiam percorrer a superfície virtual, guiar o cockpit e desfrutar do movimento de uma forma que a maquinaria fixa não permitia.”

AI e os seus limites

Akella’s actual firma, Drishti, relata uma resposta igualmente acolhedora ao seu software baseado em IA. Os detalhes são proprietários, diz Akella. Mas a idéia básica é usar tecnologia avançada de visão por computador para funcionar um pouco como um GPS para a linha de montagem, dando aos trabalhadores instruções e avisos passo a passo. Diga que um trabalhador está montando um iPhone, ele explica, e a câmera que está assistindo por cima acredita que apenas três dos quatro parafusos foram fixados: “Alertamos o trabalhador e dizemos: ‘Ei, certifique-se de apertar bem esse parafuso antes que ele desça a linha'””

Isso tem seus aspectos de Big Brother, admite o diretor de marketing de Drishti, David Prager. “Mas temos muitos exemplos de operadores no chão que se tornam muito empenhados e, em última análise, muito agradecidos”, diz ele. “Eles conhecem muito bem o espectro da automação e da robótica que os afeta, e vêem muito rapidamente que esta é uma ferramenta que os ajuda a serem mais eficientes, mais precisos e, em última análise, mais valiosos para a empresa”. Portanto, a empresa está mais disposta a investir em seu pessoal, em vez de tirá-los da equação”

Este tema – usar a tecnologia para ajudar as pessoas a fazer seu trabalho, em vez de substituir as pessoas – provavelmente será uma característica das aplicações de IA por um longo tempo. Assim como na robótica, ainda há algumas coisas importantes que a IA não pode fazer.

Take medicine, por exemplo. O aprendizado profundo já produziu software que pode interpretar os raios X tão bem quanto ou melhor que radiologistas humanos, diz Darrell West, um cientista político que estuda inovação no Brookings Institution em Washington, DC. “Mas não vamos querer que o software diga a alguém, ‘Acabou de receber um possível diagnóstico de câncer'”, diz ele. “Você ainda vai precisar de um radiologista para verificar a IA, para ter certeza de que o que ele observou realmente é o caso” – e então, se os resultados forem ruins, um especialista em câncer para dar a notícia ao paciente e começar a planejar um curso de tratamento.

Likewise in law, onde a IA pode ser uma grande ajuda para encontrar precedentes que possam ser relevantes para um caso – mas não para interpretá-los, ou usá-los para construir um caso em tribunal. Mais geralmente, diz Guszcza, a IA baseada em aprendizagem profunda é muito boa em identificar características e focar a atenção onde ela precisa estar. Mas ela fica aquém quando se trata de coisas como lidar com surpresas, integrar diversas fontes de conhecimento e aplicar o senso comum – “todas as coisas em que os humanos são muito bons”

E não peça ao software para realmente entender com o que ele está lidando, diz Guszcza. Durante a campanha eleitoral de 2016, para testar o utilitário Translate do Google, ele tentou um experimento clássico: Pegue uma manchete – “Hillary bate com a porta em Bernie” – e peça ao Google para traduzir do inglês para o bengali e voltar de novo. Resultado: “Barney bateu com a porta no Clinton.” Um ano depois, depois de o Google ter feito uma actualização massiva de Translate usando aprendizagem profunda, Guszcza repetiu o experimento com o resultado: “Hillary Barry abriu a porta.”

“Não vejo nenhuma evidência de que vamos alcançar o raciocínio de senso comum com a IA actual,” diz ele, fazendo eco de um ponto feito por muitos investigadores de IA. Em setembro de 2017, por exemplo, o pioneiro do aprendizado profundo Geoffrey Hinton, um cientista da Universidade de Toronto, disse ao site de notícias Axios que o campo precisa de algumas idéias fundamentalmente novas se os pesquisadores alguma vez esperarem alcançar a IA a nível humano.

Evolução do trabalho

As limitações da IA são outra razão pela qual economistas como Bessen não vêem isso causando desemprego em massa tão cedo. “Automação é quase sempre sobre automatizar uma tarefa, não o trabalho inteiro”, diz ele, ecoando um ponto feito por muitos outros. E embora cada trabalho tenha pelo menos algumas tarefas rotineiras que poderiam se beneficiar da IA, há muito poucos trabalhos que são todos rotineiros. Na verdade, diz Bessen, quando ele sistematicamente olhou para todos os trabalhos listados no censo de 1950, “havia apenas uma ocupação que você poderia dizer que estava claramente automatizada fora da existência – os operadores de elevadores”. Havia 50.000 em 1950, e efetivamente nenhum hoje.

Por outro lado, você não precisa de desemprego em massa para ter uma grande agitação no local de trabalho, diz Lee Rainie, diretor de internet e pesquisa tecnológica do Pew Research Center, em Washington, DC. “Os especialistas dificilmente estão perto de um consenso sobre se a robótica e a inteligência artificial resultarão em mais ou menos empregos”, diz ele, “mas eles certamente mudarão de emprego”. Todos esperam que esta grande separação de habilidades e funções continue até onde os olhos possam ver”, diz Rainie, “os especialistas mais preocupados da nossa amostra dizem que nunca na história enfrentamos este nível de mudança tão rapidamente”. Não é apenas tecnologia da informação, ou inteligência artificial, ou robótica, diz ele. É também nanotecnologia, biotecnologia, impressão em 3-D, tecnologias de comunicação – em e sobre. “As mudanças estão ocorrendo em tantas frentes que ameaçam dominar nossa capacidade de ajuste”, diz ele.

Preparando o futuro do trabalho

Se assim for, a era resultante da constante rotatividade do trabalho poderia forçar algumas mudanças radicais na sociedade em geral. As sugestões dos especialistas de Pew e outros incluem uma maior ênfase na educação contínua e reciclagem de adultos que procuram novas competências, e uma rede de segurança social que foi renovada para ajudar as pessoas a mudar de emprego para emprego e de lugar para lugar. Há até mesmo apoio emergente no setor tecnológico para algum tipo de renda anual garantida, sobre a teoria de que os avanços na IA e na robótica eventualmente transcenderão as limitações atuais e tornarão inevitáveis as enormes interrupções no local de trabalho, o que significa que as pessoas precisarão de uma almofada.

Este é o tipo de discussão que se torna realmente política muito rapidamente. E no momento, diz Rainie, as pesquisas de opinião de Pew mostram que isso não está realmente no radar do público: “Há muita gente média, trabalhadores médios a dizer, ‘Sim, toda a gente vai ficar confusa com isto – mas eu não estou. O meu negócio está em boa forma. Não consigo imaginar como uma máquina ou um pedaço de software poderia me substituir””

Mas é uma discussão que precisa acontecer urgentemente, diz West. Só de olhar para o que já está no pipeline, ele diz, “a força total da revolução tecnológica vai acontecer entre 2020 e 2050″. Por isso, se fizermos mudanças agora e gradualmente fasearmos as coisas ao longo dos próximos 20 anos, é perfeitamente controlável”. Mas se esperarmos até 2040, provavelmente será impossível de lidar”

Editor’s note: Esta história foi atualizada em 1 de agosto para corrigir os detalhes de uma experiência de Jim Guszcza. A história originalmente dizia que uma experiência durante a campanha eleitoral de 2016 foi realizada para ver o quanto o aprendizado profundo tinha melhorado a capacidade de Traduzir do Google; na verdade, a experiência de 2016 foi realizada antes de o Google ter atualizado completamente o Traduzir com aprendizado profundo. O teste inicial foi feito com a manchete “Hillary bate a porta em Bernie”, e não “Bernie bate a porta em Hillary”, como foi dito originalmente. A manchete que resultou após a tradução do Inglês para Bengali e de volta foi “Barney bateu a porta em Clinton”, não “Barry está culpando a porta na porta de Hillary”. As profundas melhorias de aprendizagem foram testadas um ano depois com a mesma manchete inicial e a manchete resultante após a tradução para Bengali e de volta foi “Hillary Barry abriu a porta”