TEDGlobal 2010
Laurie Santos: A monkey economy as irrational as ours
Laurie Santos: Una economia de micos tan irracional com la nostra
Filmed:
Readability: 3.3
1,506,660 views
Laurie Santos cerca les arrels de la irracionalitat humana observant com els nostres cosins primats prenen decisions. Un seguit intel·ligent d'experiments en "mico-economia" demostra que algunes de les decisions ximples que prenem els humans, també les prenen els micos.
Laurie Santos - Cognitive psychologist
Laurie Santos studies primate psychology and monkeynomics -- testing problems in human psychology on primates, who (not so surprisingly) have many of the same predictable irrationalities we do. Full bio
Laurie Santos studies primate psychology and monkeynomics -- testing problems in human psychology on primates, who (not so surprisingly) have many of the same predictable irrationalities we do. Full bio
Double-click the English transcript below to play the video.
00:17
I want to start my talk today with two observations
0
2000
2000
Vull començar la meva xerrada d'avui amb dues observacions
00:19
about the human species.
1
4000
2000
sobre l'espècie humana.
00:21
The first observation is something that you might think is quite obvious,
2
6000
3000
La primera observació és una cosa que pensareu que és molt evident,
00:24
and that's that our species, Homo sapiens,
3
9000
2000
i és que la nostra espècie, l'Homo sapiens,
00:26
is actually really, really smart --
4
11000
2000
és realment molt, molt llesta --
00:28
like, ridiculously smart --
5
13000
2000
absurdament llesta --
00:30
like you're all doing things
6
15000
2000
doncs esteu fent coses
00:32
that no other species on the planet does right now.
7
17000
3000
que cap altra espècie del planeta fa ara mateix.
00:35
And this is, of course,
8
20000
2000
I ben segur que això
00:37
not the first time you've probably recognized this.
9
22000
2000
no és el primer cop que ho sentiu a dir.
00:39
Of course, in addition to being smart, we're also an extremely vain species.
10
24000
3000
És clar que, a més de ser llesta, també som una espècie força vanitosa.
00:42
So we like pointing out the fact that we're smart.
11
27000
3000
Així doncs, ens agrada assenyalar el fet que som llestos.
00:45
You know, so I could turn to pretty much any sage
12
30000
2000
D'aquesta manera, podria recórrer a qualsevol savi
00:47
from Shakespeare to Stephen Colbert
13
32000
2000
des de Shakespeare a Stephen Colbert
00:49
to point out things like the fact that
14
34000
2000
per assenyalar coses com el fet que
00:51
we're noble in reason and infinite in faculties
15
36000
2000
som nobles de pensament i infinits en facultats
00:53
and just kind of awesome-er than anything else on the planet
16
38000
2000
i de mena superior a qualsevol altra en el planeta
00:55
when it comes to all things cerebral.
17
40000
3000
quan es tracta de l'activitat cerebral.
00:58
But of course, there's a second observation about the human species
18
43000
2000
Hi ha una segona observació, però, sobre l'espècie humana
01:00
that I want to focus on a little bit more,
19
45000
2000
que m'agradaria veure una mica més de prop,
01:02
and that's the fact that
20
47000
2000
i és el fet que,
01:04
even though we're actually really smart, sometimes uniquely smart,
21
49000
3000
malgrat siguem molt llestos, de vegades realment llestos,
01:07
we can also be incredibly, incredibly dumb
22
52000
3000
també podem ser increïblement, però increïblement ximples
01:10
when it comes to some aspects of our decision making.
23
55000
3000
quan es tracta d'alguns aspectes de la presa de decisions.
01:13
Now I'm seeing lots of smirks out there.
24
58000
2000
Sembla que en veig a molts que riuen per sota el nas.
01:15
Don't worry, I'm not going to call anyone in particular out
25
60000
2000
No patiu, no assenyalaré ningú en particular
01:17
on any aspects of your own mistakes.
26
62000
2000
en cap aspecte dels vostres propis errors.
01:19
But of course, just in the last two years
27
64000
2000
És clar, però, que en els darrers dos anys
01:21
we see these unprecedented examples of human ineptitude.
28
66000
3000
hem vist exemples de la ineptitud humana sense precedents.
01:24
And we've watched as the tools we uniquely make
29
69000
3000
I hem vist com les eines tan úniques que fem
01:27
to pull the resources out of our environment
30
72000
2000
per extreure els recursos del nostre entorn
01:29
kind of just blow up in our face.
31
74000
2000
ens explotaven als nassos.
01:31
We've watched the financial markets that we uniquely create --
32
76000
2000
Hem observat com els mercats financers que només creem nosaltres --
01:33
these markets that were supposed to be foolproof --
33
78000
3000
aquests mercats que pensàvem infal·libles --
01:36
we've watched them kind of collapse before our eyes.
34
81000
2000
els hem vist com s'enfonsaven davant els nostres ulls.
01:38
But both of these two embarrassing examples, I think,
35
83000
2000
Però aquests dos exemples vergonyosos, penso que
01:40
don't highlight what I think is most embarrassing
36
85000
3000
no mostren el que penso que és més vergonyós
01:43
about the mistakes that humans make,
37
88000
2000
dels errors que els humans cometem,
01:45
which is that we'd like to think that the mistakes we make
38
90000
3000
i és que ens agrada pensar que els errors que fem
01:48
are really just the result of a couple bad apples
39
93000
2000
són només el resultat de la mala sort
01:50
or a couple really sort of FAIL Blog-worthy decisions.
40
95000
3000
o potser només d'un parell de decisions per posar al Bloc de les CAGADES.
01:53
But it turns out, what social scientists are actually learning
41
98000
3000
Però resulta, que els científics socials s'estan adonant
01:56
is that most of us, when put in certain contexts,
42
101000
3000
que molts de nosaltres, en certes circumstàncies,
01:59
will actually make very specific mistakes.
43
104000
3000
cometrem errors molt concrets.
02:02
The errors we make are actually predictable.
44
107000
2000
Els errors que cometem es poden predir.
02:04
We make them again and again.
45
109000
2000
Els fem un cop i un altre.
02:06
And they're actually immune to lots of evidence.
46
111000
2000
I passen realment desapercebuts a moltes evidències.
02:08
When we get negative feedback,
47
113000
2000
Quan rebem una resposta negativa,
02:10
we still, the next time we're face with a certain context,
48
115000
3000
de nou, el següent cop que ens trobem a la mateixa situació,
02:13
tend to make the same errors.
49
118000
2000
tenim la tendència a cometre els mateixos errors.
02:15
And so this has been a real puzzle to me
50
120000
2000
I això ha estat un veritable trencaclosques per a mi
02:17
as a sort of scholar of human nature.
51
122000
2000
com a estudiosa de la naturalesa humana.
02:19
What I'm most curious about is,
52
124000
2000
El que més m'intriga és,
02:21
how is a species that's as smart as we are
53
126000
3000
com és que una espècie tan llesta com som
02:24
capable of such bad
54
129000
2000
sigui capaç de fer-ho tan malament
02:26
and such consistent errors all the time?
55
131000
2000
i de cometre sempre els mateixos errors?
02:28
You know, we're the smartest thing out there, why can't we figure this out?
56
133000
3000
Com sabeu, som el més llest que hi ha, per què no ho hauríem de poder resoldre, això?
02:31
In some sense, where do our mistakes really come from?
57
136000
3000
D'alguna manera, d'on provenen els nostres errors?
02:34
And having thought about this a little bit, I see a couple different possibilities.
58
139000
3000
I havent-ho rumiat una miqueta, veig un parell de possibilitats diferents.
02:37
One possibility is, in some sense, it's not really our fault.
59
142000
3000
Una possibilitat és que, d'alguna forma, no sigui culpa nostra.
02:40
Because we're a smart species,
60
145000
2000
Ja que som una espècie llesta,
02:42
we can actually create all kinds of environments
61
147000
2000
podem crear tota mena d'entorns
02:44
that are super, super complicated,
62
149000
2000
que són súper, súper complicats,
02:46
sometimes too complicated for us to even actually understand,
63
151000
3000
tan complicats que a vegades ni els entenem,
02:49
even though we've actually created them.
64
154000
2000
encara que els haguem creat nosaltres.
02:51
We create financial markets that are super complex.
65
156000
2000
Creem mercats financers que són súper complexos.
02:53
We create mortgage terms that we can't actually deal with.
66
158000
3000
Creem clàusules hipotecàries que no sabem ni gestionar.
02:56
And of course, if we are put in environments where we can't deal with it,
67
161000
3000
I és clar, ens posem en situacions que no sabem gestionar,
02:59
in some sense makes sense that we actually
68
164000
2000
i d'alguna manera, té sentit que de fet
03:01
might mess certain things up.
69
166000
2000
puguem embolicar bastant la troca.
03:03
If this was the case, we'd have a really easy solution
70
168000
2000
Si així fos, tindríem una solució ben fàcil
03:05
to the problem of human error.
71
170000
2000
al problema de l'error humà.
03:07
We'd actually just say, okay, let's figure out
72
172000
2000
Diríem, bé, a veure si entenem
03:09
the kinds of technologies we can't deal with,
73
174000
2000
la mena de tecnologia que no podem gestionar,
03:11
the kinds of environments that are bad --
74
176000
2000
els tipus d'entorn que són defectuosos --
03:13
get rid of those, design things better,
75
178000
2000
evitem-los, dissenyem les coses millor,
03:15
and we should be the noble species
76
180000
2000
i així serem l'espècie noble
03:17
that we expect ourselves to be.
77
182000
2000
que nosaltres mateixos esperem ser.
03:19
But there's another possibility that I find a little bit more worrying,
78
184000
3000
Però hi ha una altra possibilitat que m'amoïna una miqueta més,
03:22
which is, maybe it's not our environments that are messed up.
79
187000
3000
i és que, tal vegada, no es tracti de que els nostres entorns siguin defectuosos.
03:25
Maybe it's actually us that's designed badly.
80
190000
3000
Potser som nosaltres els qui hem estat dissenyats malament.
03:28
This is a hint that I've gotten
81
193000
2000
Això és una idea que vaig tenir
03:30
from watching the ways that social scientists have learned about human errors.
82
195000
3000
en observar com els científics socials han après sobre els errors humans.
03:33
And what we see is that people tend to keep making errors
83
198000
3000
I el que veiem és que la gent té tendència a cometre errors
03:36
exactly the same way, over and over again.
84
201000
3000
de la mateixa manera, un cop i un altre.
03:39
It feels like we might almost just be built
85
204000
2000
Sembla talment que haguem estat fets
03:41
to make errors in certain ways.
86
206000
2000
per cometre errors d'una certa manera.
03:43
This is a possibility that I worry a little bit more about,
87
208000
3000
Aquesta és una possibilitat que em preocupa una mica més,
03:46
because, if it's us that's messed up,
88
211000
2000
perquè, si som nosaltres qui estem espatllats,
03:48
it's not actually clear how we go about dealing with it.
89
213000
2000
no està gens clar com ho podrem arreglar.
03:50
We might just have to accept the fact that we're error prone
90
215000
3000
Haurem d'acceptar el fet que tendim a cometre errors
03:53
and try to design things around it.
91
218000
2000
i intentar dissenyar les coses tenint-ho en compte.
03:55
So this is the question my students and I wanted to get at.
92
220000
3000
Aquesta és la qüestió que els meus estudiants i jo volíem abordar.
03:58
How can we tell the difference between possibility one and possibility two?
93
223000
3000
Com podem distingir la diferència entre la possibilitat u i la possibilitat dos?
04:01
What we need is a population
94
226000
2000
Caldria trobar una població
04:03
that's basically smart, can make lots of decisions,
95
228000
2000
que sigui bàsicament llesta, pugui prendre moltes decisions,
04:05
but doesn't have access to any of the systems we have,
96
230000
2000
però sense accés a cap dels sistemes que nosaltres tenim,
04:07
any of the things that might mess us up --
97
232000
2000
a cap de les coses que ens fan equivocar --
04:09
no human technology, human culture,
98
234000
2000
a cap tecnologia humana, cultura humana,
04:11
maybe even not human language.
99
236000
2000
tal vegada ni al llenguatge humà.
04:13
And so this is why we turned to these guys here.
100
238000
2000
Per això vam triar aquests xicots.
04:15
These are one of the guys I work with. This is a brown capuchin monkey.
101
240000
3000
Aquests són alguns dels xicots amb els que treballo. Aquest és un mico caputxí marró.
04:18
These guys are New World primates,
102
243000
2000
Aquests xicots són primats del Nou Món,
04:20
which means they broke off from the human branch
103
245000
2000
que vol dir que es van separar de la branca humana
04:22
about 35 million years ago.
104
247000
2000
fa uns 35 milions d'anys.
04:24
This means that your great, great, great great, great, great --
105
249000
2000
Això vol dir que la vostra re, re, re, re, re, re --
04:26
with about five million "greats" in there --
106
251000
2000
amb uns 5 milions de "res" més per aquí --
04:28
grandmother was probably the same great, great, great, great
107
253000
2000
besàvia va ésser probablement la mateixa re, re, re, re
04:30
grandmother with five million "greats" in there
108
255000
2000
besàvia amb 5 milions més de "res" per aquí
04:32
as Holly up here.
109
257000
2000
que la Holly, que aquí teniu.
04:34
You know, so you can take comfort in the fact that this guy up here is a really really distant,
110
259000
3000
Ja sabeu, ara podeu relaxar-vos pensant que aquest xicot és molt i molt distant,
04:37
but albeit evolutionary, relative.
111
262000
2000
i malgrat tot un parent evolutiu.
04:39
The good news about Holly though is that
112
264000
2000
Malgrat tot, la bona notícia sobre la Holly és que
04:41
she doesn't actually have the same kinds of technologies we do.
113
266000
3000
ella no té la mateixa mena de tecnologies que nosaltres tenim.
04:44
You know, she's a smart, very cut creature, a primate as well,
114
269000
3000
Ja sabeu, és llesta, bonica, també primat,
04:47
but she lacks all the stuff we think might be messing us up.
115
272000
2000
però no té tot el que pensem que ens podria fer equivocar.
04:49
So she's the perfect test case.
116
274000
2000
Així doncs és perfecta pel test.
04:51
What if we put Holly into the same context as humans?
117
276000
3000
Què passa si posem la Holly en la mateixa situació que els humans?
04:54
Does she make the same mistakes as us?
118
279000
2000
Comet els mateixos errors que nosaltres?
04:56
Does she not learn from them? And so on.
119
281000
2000
No aprèn d'ells? I així.
04:58
And so this is the kind of thing we decided to do.
120
283000
2000
I això és el que vam decidir fer.
05:00
My students and I got very excited about this a few years ago.
121
285000
2000
Els meus estudiants i jo ens vam entusiasmar amb això fa uns anys.
05:02
We said, all right, let's, you know, throw so problems at Holly,
122
287000
2000
Vam dir, bé, posem-li, diguem, problemes a la Holly,
05:04
see if she messes these things up.
123
289000
2000
i mirem si s'embolica.
05:06
First problem is just, well, where should we start?
124
291000
3000
El primer problema és, bé, per on comencem?
05:09
Because, you know, it's great for us, but bad for humans.
125
294000
2000
Perquè, sabeu, és fantàstic per nosaltres, però dolent per als humans.
05:11
We make a lot of mistakes in a lot of different contexts.
126
296000
2000
Fem molts errors en molts contextos diferents.
05:13
You know, where are we actually going to start with this?
127
298000
2000
I doncs, per on començarem amb això?
05:15
And because we started this work around the time of the financial collapse,
128
300000
3000
I com vam començar aquest treball quan va esclatar la crisi financera,
05:18
around the time when foreclosures were hitting the news,
129
303000
2000
quan els embargaments hipotecaris omplien les notícies,
05:20
we said, hhmm, maybe we should
130
305000
2000
vam dir, hhmmm, potser podríem
05:22
actually start in the financial domain.
131
307000
2000
començar pel camp de les finances.
05:24
Maybe we should look at monkey's economic decisions
132
309000
3000
Potser podríem investigar les decisions econòmiques dels micos
05:27
and try to see if they do the same kinds of dumb things that we do.
133
312000
3000
i mirar de veure si fan les mateixes ximpleries que fem nosaltres.
05:30
Of course, that's when we hit a sort second problem --
134
315000
2000
Per cert, aquí vam ensopegar amb un segon problema --
05:32
a little bit more methodological --
135
317000
2000
un xic més metodològic --
05:34
which is that, maybe you guys don't know,
136
319000
2000
i és que, potser vosaltres no ho sabeu,
05:36
but monkeys don't actually use money. I know, you haven't met them.
137
321000
3000
però els micos no empren diners. Ja sé que no us els heu trobat.
05:39
But this is why, you know, they're not in the queue behind you
138
324000
2000
Però aquest és el motiu pel qual, ja sabeu, no estan a la cua darrere vostre
05:41
at the grocery store or the ATM -- you know, they don't do this stuff.
139
326000
3000
a la botiga o al caixer automàtic -- ja sabeu, ells no ho fan tot això.
05:44
So now we faced, you know, a little bit of a problem here.
140
329000
3000
Així ens vam trobar, sabeu, un petit problema aquí.
05:47
How are we actually going to ask monkeys about money
141
332000
2000
Com els preguntarem als micos sobre diners
05:49
if they don't actually use it?
142
334000
2000
si ells no en fan servir?
05:51
So we said, well, maybe we should just, actually just suck it up
143
336000
2000
I ens vam dir, bé, tal vegada ho hauríem d'acceptar
05:53
and teach monkeys how to use money.
144
338000
2000
i ensenyar als micos com fer servir els diners.
05:55
So that's just what we did.
145
340000
2000
I això vam fer.
05:57
What you're looking at over here is actually the first unit that I know of
146
342000
3000
El que esteu veient és realment la primera unitat que conec de
06:00
of non-human currency.
147
345000
2000
moneda no humana.
06:02
We weren't very creative at the time we started these studies,
148
347000
2000
No ens vam trencar gaire les banyes quan vam començar l'estudi,
06:04
so we just called it a token.
149
349000
2000
i la vam anomenar fitxa.
06:06
But this is the unit of currency that we've taught our monkeys at Yale
150
351000
3000
Però aquesta és la unitat de moneda que hem ensenyat als nostres micos de Yale
06:09
to actually use with humans,
151
354000
2000
per emprar amb els humans,
06:11
to actually buy different pieces of food.
152
356000
3000
per comprar diferents peces de fruita.
06:14
It doesn't look like much -- in fact, it isn't like much.
153
359000
2000
No sembla gran cosa -- de fet, no és gran cosa.
06:16
Like most of our money, it's just a piece of metal.
154
361000
2000
Com moltes de les nostres monedes, és només una peça de metall.
06:18
As those of you who've taken currencies home from your trip know,
155
363000
3000
Tots els que heu portat monedes a casa dels vostres viatges sabeu que,
06:21
once you get home, it's actually pretty useless.
156
366000
2000
un cop a casa, no serveixen de gaire.
06:23
It was useless to the monkeys at first
157
368000
2000
Al principi, tampoc servien de gaire als micos
06:25
before they realized what they could do with it.
158
370000
2000
fins que se'n van adonar del que podien fer amb elles.
06:27
When we first gave it to them in their enclosures,
159
372000
2000
Quan primer els les vam donar a les seves gàbies,
06:29
they actually kind of picked them up, looked at them.
160
374000
2000
les van agafar, se les van mirar.
06:31
They were these kind of weird things.
161
376000
2000
Eren una mena d'objecte misteriós.
06:33
But very quickly, the monkeys realized
162
378000
2000
Però ben aviat, els micos se'n van adonar
06:35
that they could actually hand these tokens over
163
380000
2000
que podien donar aquestes fitxes a
06:37
to different humans in the lab for some food.
164
382000
3000
diferents humans del laboratori a canvi de menjar.
06:40
And so you see one of our monkeys, Mayday, up here doing this.
165
385000
2000
Aquí veieu un dels nostres micos, Mayday, com ho fa.
06:42
This is A and B are kind of the points where she's sort of a little bit
166
387000
3000
Això són A i B quan està com una mica
06:45
curious about these things -- doesn't know.
167
390000
2000
encuriosida amb aquestes coses -- no en sap.
06:47
There's this waiting hand from a human experimenter,
168
392000
2000
Hi ha aquesta mà d'un experimentador humà esperant,
06:49
and Mayday quickly figures out, apparently the human wants this.
169
394000
3000
i la Mayday entén ben de pressa, sembla que l'humà vol això.
06:52
Hands it over, and then gets some food.
170
397000
2000
Li dóna, i rep menjar.
06:54
It turns out not just Mayday, all of our monkeys get good
171
399000
2000
I no només la Mayday, tots els nostres micos aprenen
06:56
at trading tokens with human salesman.
172
401000
2000
a negociar amb fitxes amb el venedor humà.
06:58
So here's just a quick video of what this looks like.
173
403000
2000
Aquí teniu un petit vídeo del que passa.
07:00
Here's Mayday. She's going to be trading a token for some food
174
405000
3000
Aqui hi ha la Mayday. Està canviant una fitxa per menjar
07:03
and waiting happily and getting her food.
175
408000
3000
i esperant contenta i rebent el menjar.
07:06
Here's Felix, I think. He's our alpha male; he's a kind of big guy.
176
411000
2000
Aquest és en Felix, em penso. És el nostre mascle alfa; és un tipus gros.
07:08
But he too waits patiently, gets his food and goes on.
177
413000
3000
Però ell també espera pacientment, rep el seu menjar i se'n va.
07:11
So the monkeys get really good at this.
178
416000
2000
Així els micos aprenen força bé.
07:13
They're surprisingly good at this with very little training.
179
418000
3000
Se'n surten molt i molt bé només amb una mica d'entrenament.
07:16
We just allowed them to pick this up on their own.
180
421000
2000
Els vam deixar aprendre per ells mateixos.
07:18
The question is: is this anything like human money?
181
423000
2000
La pregunta és: s'assembla això als diners dels humans?
07:20
Is this a market at all,
182
425000
2000
Es tracta d'un mercat de veritat,
07:22
or did we just do a weird psychologist's trick
183
427000
2000
o només hem fet una trampa estranya de psicòlegs
07:24
by getting monkeys to do something,
184
429000
2000
ensenyant als micos a fer una cosa,
07:26
looking smart, but not really being smart.
185
431000
2000
com si fossin llestos, però no essent llestos de veritat.
07:28
And so we said, well, what would the monkeys spontaneously do
186
433000
3000
I ens vam dir, bé, què farien els micos espontàniament
07:31
if this was really their currency, if they were really using it like money?
187
436000
3000
si aquesta fos realment la seva moneda, si la fessin servir veritablement com a diner?
07:34
Well, you might actually imagine them
188
439000
2000
Bé, us els podríeu imaginar
07:36
to do all the kinds of smart things
189
441000
2000
fent tota la mena de coses intel·ligents
07:38
that humans do when they start exchanging money with each other.
190
443000
3000
que fan els humans quan comencen a bescanviar diners entre ells.
07:41
You might have them start paying attention to price,
191
446000
3000
Podríeu tenir-los fixant-se en el preu,
07:44
paying attention to how much they buy --
192
449000
2000
fixant-se en les quantitats que compren --
07:46
sort of keeping track of their monkey token, as it were.
193
451000
3000
com controlant les seves fitxes de mico, per dir-ho així.
07:49
Do the monkeys do anything like this?
194
454000
2000
Fan els micos res de semblant?
07:51
And so our monkey marketplace was born.
195
456000
3000
I així va néixer el nostre mercat mico.
07:54
The way this works is that
196
459000
2000
Tal com funciona és que
07:56
our monkeys normally live in a kind of big zoo social enclosure.
197
461000
3000
els nostres micos solen viure en una mena de gran recinte social zoològic.
07:59
When they get a hankering for some treats,
198
464000
2000
Quan volen una llaminadura,
08:01
we actually allowed them a way out
199
466000
2000
els deixem entrar
08:03
into a little smaller enclosure where they could enter the market.
200
468000
2000
en un recinte més petit on poden entrar al mercat.
08:05
Upon entering the market --
201
470000
2000
Quan entren al mercat --
08:07
it was actually a much more fun market for the monkeys than most human markets
202
472000
2000
de fet el mercat era molt més divertit per als micos que la majoria de mercats humans
08:09
because, as the monkeys entered the door of the market,
203
474000
3000
perquè, quan els micos passaven la porta del mercat,
08:12
a human would give them a big wallet full of tokens
204
477000
2000
un humà els donava una gran cartera plena de fitxes
08:14
so they could actually trade the tokens
205
479000
2000
per tal que poguessin bescanviar les fitxes
08:16
with one of these two guys here --
206
481000
2000
amb un d'aquest dos xicots --
08:18
two different possible human salesmen
207
483000
2000
dos possibles venedors humans diferents
08:20
that they could actually buy stuff from.
208
485000
2000
de qui podien comprar coses.
08:22
The salesmen were students from my lab.
209
487000
2000
Els venedors eren estudiants del meu laboratori.
08:24
They dressed differently; they were different people.
210
489000
2000
Vestien de manera diferent; eren persones diferents.
08:26
And over time, they did basically the same thing
211
491000
3000
I sempre feien bàsicament el mateix
08:29
so the monkeys could learn, you know,
212
494000
2000
així els micos podien aprendre, ja sabeu,
08:31
who sold what at what price -- you know, who was reliable, who wasn't, and so on.
213
496000
3000
qui venia què a quin preu -- ja sabeu, qui era de confiança, qui no ho era, i coses així.
08:34
And you can see that each of the experimenters
214
499000
2000
I podeu veure com cadascun dels experimentadors
08:36
is actually holding up a little, yellow food dish.
215
501000
3000
té un platet groc de menjar,
08:39
and that's what the monkey can for a single token.
216
504000
2000
i això és el que el mico pot obtenir amb nomès una fitxa.
08:41
So everything costs one token,
217
506000
2000
Així doncs, tot costa una fitxa,
08:43
but as you can see, sometimes tokens buy more than others,
218
508000
2000
però, com podeu veure, a vegades les fitxes compren més coses que altres,
08:45
sometimes more grapes than others.
219
510000
2000
a vegades més raïm que d'altres.
08:47
So I'll show you a quick video of what this marketplace actually looks like.
220
512000
3000
Ara us mostraré un vídeo curt de com és aquest mercat.
08:50
Here's a monkey-eye-view. Monkeys are shorter, so it's a little short.
221
515000
3000
Aquest és el punt de vista del mico. Els micos són baixets, per tant és baix.
08:53
But here's Honey.
222
518000
2000
Aquí tenim la Honey.
08:55
She's waiting for the market to open a little impatiently.
223
520000
2000
S'espera a que obri el mercat un xic impacientment.
08:57
All of a sudden the market opens. Here's her choice: one grapes or two grapes.
224
522000
3000
De sobte el mercat obre. Aquesta és la seva tria: un raïm o dos raïms.
09:00
You can see Honey, very good market economist,
225
525000
2000
Podeu veure que la Honey, molt bona economista de mercat,
09:02
goes with the guy who gives more.
226
527000
3000
tria al noi que li'n dóna més.
09:05
She could teach our financial advisers a few things or two.
227
530000
2000
Podria ensenyar als nostres assessors financers algunes coses.
09:07
So not just Honey,
228
532000
2000
Però no només la Honey,
09:09
most of the monkeys went with guys who had more.
229
534000
3000
la majoria de micos van triar als nois que en tenien més.
09:12
Most of the monkeys went with guys who had better food.
230
537000
2000
La majoria de micos van triar als nois que tenien el menjar més bo.
09:14
When we introduced sales, we saw the monkeys paid attention to that.
231
539000
3000
Al començar les vendes, vam observar que els micos s'hi fixaven.
09:17
They really cared about their monkey token dollar.
232
542000
3000
Els importaven de veritat les seves fitxes mico dòlars.
09:20
The more surprising thing was that when we collaborated with economists
233
545000
3000
El més sorprenent era que quan col·laboràvem amb economistes
09:23
to actually look at the monkeys' data using economic tools,
234
548000
3000
per mirar les dades dels micos amb eines econòmiques,
09:26
they basically matched, not just qualitatively,
235
551000
3000
bàsicament coincidien, no només qualitativament,
09:29
but quantitatively with what we saw
236
554000
2000
sinó quantitativament amb el que veiem
09:31
humans doing in a real market.
237
556000
2000
que fan els humans en un mercat de veritat.
09:33
So much so that, if you saw the monkeys' numbers,
238
558000
2000
Tant que, si veiéssiu els nombres dels micos,
09:35
you couldn't tell whether they came from a monkey or a human in the same market.
239
560000
3000
no podríeu dir si provenen d'un mico o d'un humà en el mateix mercat.
09:38
And what we'd really thought we'd done
240
563000
2000
I el que pensem que vam fer
09:40
is like we'd actually introduced something
241
565000
2000
és que realment vam introduir alguna cosa
09:42
that, at least for the monkeys and us,
242
567000
2000
que, almenys per als micos i per a nosaltres,
09:44
works like a real financial currency.
243
569000
2000
funciona com una moneda financera de veritat.
09:46
Question is: do the monkeys start messing up in the same ways we do?
244
571000
3000
La qüestió és: faran els micos les mateixes errades que nosaltres?
09:49
Well, we already saw anecdotally a couple of signs that they might.
245
574000
3000
Bé, ja vam veure un parell de senyals de que ho podrien fer.
09:52
One thing we never saw in the monkey marketplace
246
577000
2000
Una cosa que mai vam observar al mercat mico
09:54
was any evidence of saving --
247
579000
2000
era cap evidència d'estalvi --
09:56
you know, just like our own species.
248
581000
2000
ja sabeu, com en la nostra espècie.
09:58
The monkeys entered the market, spent their entire budget
249
583000
2000
Els micos anaven al mercat, s'ho gastaven tot
10:00
and then went back to everyone else.
250
585000
2000
i se'n tornaven amb els altres.
10:02
The other thing we also spontaneously saw,
251
587000
2000
L'altra cosa que vam veure espontàniament,
10:04
embarrassingly enough,
252
589000
2000
prou vergonyosa,
10:06
is spontaneous evidence of larceny.
253
591000
2000
és l'evidència espontània del furt.
10:08
The monkeys would rip-off the tokens at every available opportunity --
254
593000
3000
Els micos agafaven les fitxes sempre que podien --
10:11
from each other, often from us --
255
596000
2000
els uns dels altres, sovint de nosaltres --
10:13
you know, things we didn't necessarily think we were introducing,
256
598000
2000
ja sabeu, coses que no pensàvem que necessàriament estàvem introduint,
10:15
but things we spontaneously saw.
257
600000
2000
però que vam veure espontàniament.
10:17
So we said, this looks bad.
258
602000
2000
I vam dir, això pinta malament.
10:19
Can we actually see if the monkeys
259
604000
2000
Podem comprovar si els micos
10:21
are doing exactly the same dumb things as humans do?
260
606000
3000
fan exactament les mateixes ximpleries que els humans?
10:24
One possibility is just kind of let
261
609000
2000
Una possibilitat seria
10:26
the monkey financial system play out,
262
611000
2000
que el sistema financer mico funcionés tot sol,
10:28
you know, see if they start calling us for bailouts in a few years.
263
613000
2000
ja sabeu, veure si en uns quant anys ens criden per pagar el rescat.
10:30
We were a little impatient so we wanted
264
615000
2000
Estàvem un xic impacients perquè volíem
10:32
to sort of speed things up a bit.
265
617000
2000
que les coses anessin una mica més de pressa
10:34
So we said, let's actually give the monkeys
266
619000
2000
I vam dir, posem als micos
10:36
the same kinds of problems
267
621000
2000
la mateixa mena de problemes
10:38
that humans tend to get wrong
268
623000
2000
que els humans resolen malament
10:40
in certain kinds of economic challenges,
269
625000
2000
en certs tipus de reptes econòmics,
10:42
or certain kinds of economic experiments.
270
627000
2000
o en certs tipus d'experiments econòmics.
10:44
And so, since the best way to see how people go wrong
271
629000
3000
I com la millor manera de veure com la gent erra
10:47
is to actually do it yourself,
272
632000
2000
es fer-ho un mateix,
10:49
I'm going to give you guys a quick experiment
273
634000
2000
ara us proposaré un experiment ràpid
10:51
to sort of watch your own financial intuitions in action.
274
636000
2000
per tal de veure en acció les vostres intuïcions financeres.
10:53
So imagine that right now
275
638000
2000
Imagineu que ara mateix
10:55
I handed each and every one of you
276
640000
2000
us dono a cadascú de vosaltres
10:57
a thousand U.S. dollars -- so 10 crisp hundred dollar bills.
277
642000
3000
mil dòlars americans -- és a dir, 10 billets nous de cent dòlars.
11:00
Take these, put it in your wallet
278
645000
2000
Preneu-los, poseu-los a la cartera
11:02
and spend a second thinking about what you're going to do with it.
279
647000
2000
i dediqueu un segon pensant el que fareu amb ells.
11:04
Because it's yours now; you can buy whatever you want.
280
649000
2000
Ja que són vostres, podeu comprar el que vulgueu.
11:06
Donate it, take it, and so on.
281
651000
2000
Fer una donació, prendre'ls, i així.
11:08
Sounds great, but you get one more choice to earn a little bit more money.
282
653000
3000
Sona bé, però teniu l'oportunitat de guanyar una mica més de diners.
11:11
And here's your choice: you can either be risky,
283
656000
3000
I aquesta és la vostra tria: podeu ser arriscats,
11:14
in which case I'm going to flip one of these monkey tokens.
284
659000
2000
i en aquest cas tiraré una d'aquestes mico fitxes.
11:16
If it comes up heads, you're going to get a thousand dollars more.
285
661000
2000
Si surt cara, guanyareu mil dòlars més.
11:18
If it comes up tails, you get nothing.
286
663000
2000
Si surt creu, no guanyeu res.
11:20
So it's a chance to get more, but it's pretty risky.
287
665000
3000
Hi ha la possibilitat de guanyar més, però és molt arriscada.
11:23
Your other option is a bit safe. Your just going to get some money for sure.
288
668000
3000
L'altra possibilitat és més segura. Guanyareu alguns diners de segur.
11:26
I'm just going to give you 500 bucks.
289
671000
2000
Us donaré 500 dòlars.
11:28
You can stick it in your wallet and use it immediately.
290
673000
3000
Us els podeu posar a la cartera i fer-los servir de seguida.
11:31
So see what your intuition is here.
291
676000
2000
Veiem què diu la vostra intuïció.
11:33
Most people actually go with the play-it-safe option.
292
678000
3000
La majoria prefereix l'opció segura.
11:36
Most people say, why should I be risky when I can get 1,500 dollars for sure?
293
681000
3000
La majoria diu, per què m'hauria d'arriscar quan puc tenir 1.500 dòlars de manera segura?
11:39
This seems like a good bet. I'm going to go with that.
294
684000
2000
Sembla una bona aposta. Jo m'hi apunto.
11:41
You might say, eh, that's not really irrational.
295
686000
2000
Podríeu dir, ei, això no és irracional.
11:43
People are a little risk-averse. So what?
296
688000
2000
La gent no vol prendre riscos. I què?
11:45
Well, the "so what?" comes when start thinking
297
690000
2000
Bé, el "i què?" es respon si pensem
11:47
about the same problem
298
692000
2000
en el mateix problema
11:49
set up just a little bit differently.
299
694000
2000
plantejat d'una manera un xic diferent.
11:51
So now imagine that I give each and every one of you
300
696000
2000
Doncs ara imagineu que us dono a cadascú de vosaltres
11:53
2,000 dollars -- 20 crisp hundred dollar bills.
301
698000
3000
2.000 dòlars -- 20 bitllets nous de cent dòlars.
11:56
Now you can buy double to stuff you were going to get before.
302
701000
2000
Ara podeu comprar el doble de coses que abans.
11:58
Think about how you'd feel sticking it in your wallet.
303
703000
2000
Penseu com us sentiríeu posant-los a la cartera.
12:00
And now imagine that I have you make another choice
304
705000
2000
I ara imagineu que heu de fer una altra tria.
12:02
But this time, it's a little bit worse.
305
707000
2000
Però aquest cop, és una mica pitjor.
12:04
Now, you're going to be deciding how you're going to lose money,
306
709000
3000
Ara, heu de decidir com perdreu diners,
12:07
but you're going to get the same choice.
307
712000
2000
però tindreu la mateixa tria.
12:09
You can either take a risky loss --
308
714000
2000
Podeu triar una pèrdua arriscada --
12:11
so I'll flip a coin. If it comes up heads, you're going to actually lose a lot.
309
716000
3000
així llenço una moneda. Si és cara, perdreu molt.
12:14
If it comes up tails, you lose nothing, you're fine, get to keep the whole thing --
310
719000
3000
Si surt creu, no perdeu res, quedeu igual, us ho quedeu tot --
12:17
or you could play it safe, which means you have to reach back into your wallet
311
722000
3000
o podeu anar sobre segur, el que significa que heu d'anar a la vostra cartera
12:20
and give me five of those $100 bills, for certain.
312
725000
3000
i donar-me cinc d'aquest bitllets de 100 dòlars, de segur.
12:23
And I'm seeing a lot of furrowed brows out there.
313
728000
3000
I estic veient moltes celles arrufades per aquí.
12:26
So maybe you're having the same intuitions
314
731000
2000
Així potser, teniu les mateixes intuïcions
12:28
as the subjects that were actually tested in this,
315
733000
2000
que els subjectes que van passar el mateix test,
12:30
which is when presented with these options,
316
735000
2000
que és, quan se'ls presenten aquestes opcions,
12:32
people don't choose to play it safe.
317
737000
2000
la gent no tria la seguretat.
12:34
They actually tend to go a little risky.
318
739000
2000
De fet tendeixen a prendre un cert risc.
12:36
The reason this is irrational is that we've given people in both situations
319
741000
3000
El motiu pel que això és irracional és que hem donat a la gent en ambdues situacions
12:39
the same choice.
320
744000
2000
la mateixa tria.
12:41
It's a 50/50 shot of a thousand or 2,000,
321
746000
3000
És una possibilitat de 50/50 per 1.000 o 2.000 dòlars,
12:44
or just 1,500 dollars with certainty.
322
749000
2000
o la certesa de 1.500 dòlars.
12:46
But people's intuitions about how much risk to take
323
751000
3000
Però la intuïció de la gent sobre quant risc prendre
12:49
varies depending on where they started with.
324
754000
2000
varia segons on van començar.
12:51
So what's going on?
325
756000
2000
Així doncs, què està passant?
12:53
Well, it turns out that this seems to be the result
326
758000
2000
Bé, doncs passa que sembla que és el resultat
12:55
of at least two biases that we have at the psychological level.
327
760000
3000
d'almenys dues tendències que tenim a nivell psicològic.
12:58
One is that we have a really hard time thinking in absolute terms.
328
763000
3000
Una és que ho passem realment malament pensant en termes absoluts.
13:01
You really have to do work to figure out,
329
766000
2000
Has de treballar per entendre-ho,
13:03
well, one option's a thousand, 2,000;
330
768000
2000
bé, una opció és mil o 2.000;
13:05
one is 1,500.
331
770000
2000
una és 1.500.
13:07
Instead, we find it very easy to think in very relative terms
332
772000
3000
En lloc d'això, trobem molt fàcil pensar en termes relatius
13:10
as options change from one time to another.
333
775000
3000
quan les opcions són diferents en situacions diferents.
13:13
So we think of things as, "Oh, I'm going to get more," or "Oh, I'm going to get less."
334
778000
3000
Així pensem que, "Oh, guanyaré més", o bé "Oh, en rebré menys."
13:16
This is all well and good, except that
335
781000
2000
Tot això està bé i és bo, excepte que
13:18
changes in different directions
336
783000
2000
els canvis en direccions diferents
13:20
actually effect whether or not we think
337
785000
2000
ens afecten si pensem o no
13:22
options are good or not.
338
787000
2000
que les opcions són bones o no.
13:24
And this leads to the second bias,
339
789000
2000
I això ens porta a la segona tendència,
13:26
which economists have called loss aversion.
340
791000
2000
que els economistes anomenen aversió a la pèrdua.
13:28
The idea is that we really hate it when things go into the red.
341
793000
3000
La idea és que odiem de veritat quan les coses van a menys.
13:31
We really hate it when we have to lose out on some money.
342
796000
2000
Odiem de veritat quan hem de perdre alguns diners.
13:33
And this means that sometimes we'll actually
343
798000
2000
I això vol dir que alguns cops triarem
13:35
switch our preferences to avoid this.
344
800000
2000
canviar les nostres preferències per evitar-ho.
13:37
What you saw in that last scenario is that
345
802000
2000
El que heu vist en la darrera situació és que
13:39
subjects get risky
346
804000
2000
els subjectes es tornen arriscats
13:41
because they want the small shot that there won't be any loss.
347
806000
3000
perquè volen reduir qualsevol possibilitat de pèrdua.
13:44
That means when we're in a risk mindset --
348
809000
2000
Això vol dir, quan estem en situació de risc --
13:46
excuse me, when we're in a loss mindset,
349
811000
2000
perdoneu, quan estem en situació de pèrdua,
13:48
we actually become more risky,
350
813000
2000
ens tornem de fet més arriscats,
13:50
which can actually be really worrying.
351
815000
2000
el que pot ser realment preocupant.
13:52
These kinds of things play out in lots of bad ways in humans.
352
817000
3000
Aquesta mena de coses juguen males passades als humans.
13:55
They're why stock investors hold onto losing stocks longer --
353
820000
3000
Per això els inversors en borsa esperen molt a vendre les accions que van a la baixa --
13:58
because they're evaluating them in relative terms.
354
823000
2000
perquè ho valoren en termes relatius.
14:00
They're why people in the housing market refused to sell their house --
355
825000
2000
Per això gent al mercat immobiliari refusen vendre la seva casa --
14:02
because they don't want to sell at a loss.
356
827000
2000
perquè no volen vendre amb pèrdues.
14:04
The question we were interested in
357
829000
2000
El tema que ens interessava
14:06
is whether the monkeys show the same biases.
358
831000
2000
és si els micos presentaven les mateixes tendències.
14:08
If we set up those same scenarios in our little monkey market,
359
833000
3000
Si preparéssim les mateixes situacions en el nostre petit mercat mico,
14:11
would they do the same thing as people?
360
836000
2000
farien el mateix que les persones?
14:13
And so this is what we did, we gave the monkeys choices
361
838000
2000
I això és el que vam fer, vam donar opcions als micos
14:15
between guys who were safe -- they did the same thing every time --
362
840000
3000
entre nois que eren segurs -- feien el mateix cada vegada --
14:18
or guys who were risky --
363
843000
2000
o nois que eren arriscats --
14:20
they did things differently half the time.
364
845000
2000
que feien coses diferents la mitat de les vegades.
14:22
And then we gave them options that were bonuses --
365
847000
2000
I llavors els vam donar opcions que eren bons --
14:24
like you guys did in the first scenario --
366
849000
2000
com a vosaltres a la primera situació --
14:26
so they actually have a chance more,
367
851000
2000
per tant tenen l'oportunitat de guanyar més,
14:28
or pieces where they were experiencing losses --
368
853000
3000
o situacions on patien pèrdues --
14:31
they actually thought they were going to get more than they really got.
369
856000
2000
pensaven que rebrien més del que acabaven rebent.
14:33
And so this is what this looks like.
370
858000
2000
I bé, més o menys això és el que passa.
14:35
We introduced the monkeys to two new monkey salesmen.
371
860000
2000
Vam presentar els micos a dos nous venedors per micos.
14:37
The guy on the left and right both start with one piece of grape,
372
862000
2000
El noi de l'esquerra i el de la dreta comencen tots dos amb un gra de raïm,
14:39
so it looks pretty good.
373
864000
2000
i tot sembla molt bé.
14:41
But they're going to give the monkeys bonuses.
374
866000
2000
Però donaran bons als micos.
14:43
The guy on the left is a safe bonus.
375
868000
2000
El noi de l'esquerra és un bo segur.
14:45
All the time, he adds one, to give the monkeys two.
376
870000
3000
Sempre n'afegeix un, per donar-li'n dos al mico.
14:48
The guy on the right is actually a risky bonus.
377
873000
2000
El noi de la dreta és el bo arriscat.
14:50
Sometimes the monkeys get no bonus -- so this is a bonus of zero.
378
875000
3000
De vegades els micos no reben cap bo -- es tracta d'un bo de valor zero.
14:53
Sometimes the monkeys get two extra.
379
878000
3000
De vegades els micos en reben dos extra.
14:56
For a big bonus, now they get three.
380
881000
2000
Així per un bo gran, ara en reben tres.
14:58
But this is the same choice you guys just faced.
381
883000
2000
Però aquesta és la mateixa tria que vosaltres heu tingut fa un moment.
15:00
Do the monkeys actually want to play it safe
382
885000
3000
És que els micos volen jugar segur
15:03
and then go with the guy who's going to do the same thing on every trial,
383
888000
2000
i triar el noi que fa sempre el mateix,
15:05
or do they want to be risky
384
890000
2000
o volen ser arriscats
15:07
and try to get a risky, but big, bonus,
385
892000
2000
i intentar obtenir un bo arriscat, però gran,
15:09
but risk the possibility of getting no bonus.
386
894000
2000
amb la possibilitat de no rebre cap bo.
15:11
People here played it safe.
387
896000
2000
La gent aquí va jugar sobre segur.
15:13
Turns out, the monkeys play it safe too.
388
898000
2000
Resulta que els micos també juguen segur.
15:15
Qualitatively and quantitatively,
389
900000
2000
Qualitativament i quantitativament,
15:17
they choose exactly the same way as people,
390
902000
2000
trien exactament igual que la gent,
15:19
when tested in the same thing.
391
904000
2000
quan es fa el mateix test.
15:21
You might say, well, maybe the monkeys just don't like risk.
392
906000
2000
Podríeu dir, bé, potser als micos no els agrada el risc.
15:23
Maybe we should see how they do with losses.
393
908000
2000
Potser hauríem de veure què fan amb les pèrdues.
15:25
And so we ran a second version of this.
394
910000
2000
I així vam realitzar una segona versió d'això.
15:27
Now, the monkeys meet two guys
395
912000
2000
Ara, els micos es troben amb dos nois
15:29
who aren't giving them bonuses;
396
914000
2000
que no els donen bons;
15:31
they're actually giving them less than they expect.
397
916000
2000
els donen de fet menys del que s'esperen.
15:33
So they look like they're starting out with a big amount.
398
918000
2000
Sembla que comencen amb una gran quantitat.
15:35
These are three grapes; the monkey's really psyched for this.
399
920000
2000
Aquí hi ha tres raïms; el mico està realment esperant això.
15:37
But now they learn these guys are going to give them less than they expect.
400
922000
3000
Però ara apren que aquests nois li donaràn menys del que espera.
15:40
They guy on the left is a safe loss.
401
925000
2000
El noi de l'esquerra és una pèrdua segura.
15:42
Every single time, he's going to take one of these away
402
927000
3000
Cada vegada, en prendrà un
15:45
and give the monkeys just two.
403
930000
2000
i li'n donarà només dos al mico.
15:47
the guy on the right is the risky loss.
404
932000
2000
El noi de la dreta és la pèrdua arriscada.
15:49
Sometimes he gives no loss, so the monkeys are really psyched,
405
934000
3000
A vegades no li causa cap pèrdua, i el mico està realment entusiasmat,
15:52
but sometimes he actually gives a big loss,
406
937000
2000
però a vegades li causa una gran pèrdua,
15:54
taking away two to give the monkeys only one.
407
939000
2000
prenent-ne dos i donant-li'n al mico només un.
15:56
And so what do the monkeys do?
408
941000
2000
I doncs què fan els micos?
15:58
Again, same choice; they can play it safe
409
943000
2000
De nou la mateixa tria; ells poden jugar segur
16:00
for always getting two grapes every single time,
410
945000
3000
per rebre dos raïms cada cop,
16:03
or they can take a risky bet and choose between one and three.
411
948000
3000
o poden triar l'aposta arriscada i triar entre un o tres.
16:06
The remarkable thing to us is that, when you give monkeys this choice,
412
951000
3000
El fet notable per a nosaltres és que, quan dónes als micos a triar,
16:09
they do the same irrational thing that people do.
413
954000
2000
cometen la mateixa irracionalitat que la gent.
16:11
They actually become more risky
414
956000
2000
Es tornen més arriscats
16:13
depending on how the experimenters started.
415
958000
3000
depenent d'on hagin començat els experimentadors.
16:16
This is crazy because it suggests that the monkeys too
416
961000
2000
Això és una bogeria perquè suggereix que els micos també
16:18
are evaluating things in relative terms
417
963000
2000
avaluen les coses en termes relatius
16:20
and actually treating losses differently than they treat gains.
418
965000
3000
i tracten les pèrdues de manera diferent a com tracten els guanys.
16:23
So what does all of this mean?
419
968000
2000
I així quin sentit té tot això?
16:25
Well, what we've shown is that, first of all,
420
970000
2000
Bé, el que hem mostrat és que, primer de tot,
16:27
we can actually give the monkeys a financial currency,
421
972000
2000
podem donar una moneda financera als micos,
16:29
and they do very similar things with it.
422
974000
2000
i ells fan coses molt semblants amb ella.
16:31
They do some of the smart things we do,
423
976000
2000
Fan algunes de les coses intel·ligents que fem,
16:33
some of the kind of not so nice things we do,
424
978000
2000
algunes de les coses no tan agradables que fem,
16:35
like steal it and so on.
425
980000
2000
com robar i tot això.
16:37
But they also do some of the irrational things we do.
426
982000
2000
Però també fan algunes de les irracionalitats que fem.
16:39
They systematically get things wrong
427
984000
2000
Ells mal interpreten les coses sistemàticament
16:41
and in the same ways that we do.
428
986000
2000
igual que ho fem nosaltres.
16:43
This is the first take-home message of the Talk,
429
988000
2000
Aquesta és la primera lliçó de la xerrada,
16:45
which is that if you saw the beginning of this and you thought,
430
990000
2000
que si has vist el principi d'això i has pensat,
16:47
oh, I'm totally going to go home and hire a capuchin monkey financial adviser.
431
992000
2000
oh, segur que quan torni a casa llogaré un mico caputxí com assessor financer.
16:49
They're way cuter than the one at ... you know --
432
994000
2000
Són bastant més bonics que el que hi ha a... ja sabeu --
16:51
Don't do that; they're probably going to be just as dumb
433
996000
2000
No ho feu; probablement seran tan beneits
16:53
as the human one you already have.
434
998000
3000
com l'humà que ja teniu.
16:56
So, you know, a little bad -- Sorry, sorry, sorry.
435
1001000
2000
Doncs, ja sabeu, una pena -- Ho sento, ho sento, ho sento.
16:58
A little bad for monkey investors.
436
1003000
2000
Una pena per als inversors micos.
17:00
But of course, you know, the reason you're laughing is bad for humans too.
437
1005000
3000
Però és clar, ja sabeu, el motiu pel que rieu és també dolent pels humans.
17:03
Because we've answered the question we started out with.
438
1008000
3000
Perquè hem respost la pregunta que ens féiem al principi.
17:06
We wanted to know where these kinds of errors came from.
439
1011000
2000
Volíem saber d'on provenien aquesta mena d'errors.
17:08
And we started with the hope that maybe we can
440
1013000
2000
I hem començat amb l'esperança que tal vegada podríem
17:10
sort of tweak our financial institutions,
441
1015000
2000
arreglar les nostres institucions financeres,
17:12
tweak our technologies to make ourselves better.
442
1017000
3000
arreglar les nostres tecnologies per a fer-nos millors.
17:15
But what we've learn is that these biases might be a deeper part of us than that.
443
1020000
3000
Però el que hem après es que aquestes tendències poden ser una cosa més arrelada en nosaltres que això.
17:18
In fact, they might be due to the very nature
444
1023000
2000
De fet, poden ser degudes a la veritable naturalesa
17:20
of our evolutionary history.
445
1025000
2000
de la nostra història evolutiva.
17:22
You know, maybe it's not just humans
446
1027000
2000
Ja sabeu, potser no són només els humans
17:24
at the right side of this chain that's duncey.
447
1029000
2000
que són a la dreta d'aquesta cadena els que són beneits.
17:26
Maybe it's sort of duncey all the way back.
448
1031000
2000
Potser es tracta d'una beneiteria que ve de lluny.
17:28
And this, if we believe the capuchin monkey results,
449
1033000
3000
I això, si ens creiem els resultats dels micos caputxins,
17:31
means that these duncey strategies
450
1036000
2000
significa que aquestes estratègies ximples
17:33
might be 35 million years old.
451
1038000
2000
poden venir de 35 milions d'anys enrere.
17:35
That's a long time for a strategy
452
1040000
2000
Això és molt de temps per a una estratègia
17:37
to potentially get changed around -- really, really old.
453
1042000
3000
per poder-la remoure -- molt, molt vella.
17:40
What do we know about other old strategies like this?
454
1045000
2000
Què en sabem d'altres velles estratègies com aquesta?
17:42
Well, one thing we know is that they tend to be really hard to overcome.
455
1047000
3000
Bé, si alguna cosa en sabem és que són realment difícils de superar.
17:45
You know, think of our evolutionary predilection
456
1050000
2000
Ja sabeu, penseu en la nostra predilecció evolutiva
17:47
for eating sweet things, fatty things like cheesecake.
457
1052000
3000
per menjar dolços, greixos com pastís de formatge.
17:50
You can't just shut that off.
458
1055000
2000
No pots simplement deixar de fer-ho.
17:52
You can't just look at the dessert cart as say, "No, no, no. That looks disgusting to me."
459
1057000
3000
No pots mirar la carta de postres i dir, "No, no, no. Això em sembla fastigós."
17:55
We're just built differently.
460
1060000
2000
Estem fets d'una altra manera.
17:57
We're going to perceive it as a good thing to go after.
461
1062000
2000
Ho veurem com una cosa bona per aconseguir.
17:59
My guess is that the same thing is going to be true
462
1064000
2000
M'hi jugo que el mateix serà veritat
18:01
when humans are perceiving
463
1066000
2000
quan els humans es troben al davant
18:03
different financial decisions.
464
1068000
2000
de diferents decisions financeres.
18:05
When you're watching your stocks plummet into the red,
465
1070000
2000
Quan veieu les vostres accions enfonsant-se en números vermells,
18:07
when you're watching your house price go down,
466
1072000
2000
quan veieu baixar el preu de la vostra casa,
18:09
you're not going to be able to see that
467
1074000
2000
no sereu capaços de veure-ho
18:11
in anything but old evolutionary terms.
468
1076000
2000
de cap altra manera que en vells termes evolutius.
18:13
This means that the biases
469
1078000
2000
I això vol dir que les tendències
18:15
that lead investors to do badly,
470
1080000
2000
que van portar als inversors a fer-ho malament,
18:17
that lead to the foreclosure crisis
471
1082000
2000
que van portar a la crisis d'embargaments
18:19
are going to be really hard to overcome.
472
1084000
2000
siguin realment molt difícils de superar.
18:21
So that's the bad news. The question is: is there any good news?
473
1086000
2000
Aquestes són les notícies dolentes. La pregunta és: hi ha cap notícia bona?
18:23
I'm supposed to be up here telling you the good news.
474
1088000
2000
Se suposa que he vingut per donar-vos bones notícies.
18:25
Well, the good news, I think,
475
1090000
2000
Bé, la bona notícia, penso,
18:27
is what I started with at the beginning of the Talk,
476
1092000
2000
és amb el que he començat al principi d'aquesta xerrada,
18:29
which is that humans are not only smart;
477
1094000
2000
i és que els humans no només són llestos;
18:31
we're really inspirationally smart
478
1096000
2000
som de veritat sorprenentment llestos
18:33
to the rest of the animals in the biological kingdom.
479
1098000
3000
respecte a la resta dels animals del regne biològic.
18:36
We're so good at overcoming our biological limitations --
480
1101000
3000
Som tan bons superant les nostres limitacions biològiques --
18:39
you know, I flew over here in an airplane.
481
1104000
2000
ja sabeu, he volat cap aquí en un avió.
18:41
I didn't have to try to flap my wings.
482
1106000
2000
No m'ha calgut moure les meves ales.
18:43
I'm wearing contact lenses now so that I can see all of you.
483
1108000
3000
Ara porto lentilles i per això us puc veure a tots.
18:46
I don't have to rely on my own near-sightedness.
484
1111000
3000
No he de dependre de la meva miopia.
18:49
We actually have all of these cases
485
1114000
2000
Tenim tots aquests casos
18:51
where we overcome our biological limitations
486
1116000
3000
en què hem superat les nostres limitacions biològiques
18:54
through technology and other means, seemingly pretty easily.
487
1119000
3000
amb tecnologia i altres mitjans, pel que sembla ben fàcilment.
18:57
But we have to recognize that we have those limitations.
488
1122000
3000
Però hem de reconèixer que tenim totes aquestes limitacions.
19:00
And here's the rub.
489
1125000
2000
I aquest és l'obstacle.
19:02
It was Camus who once said that, "Man is the only species
490
1127000
2000
Va ser Camus que va dir: "L'home és l'única espècie
19:04
who refuses to be what he really is."
491
1129000
3000
que rebutja el que realment és."
19:07
But the irony is that
492
1132000
2000
Però la ironia és que
19:09
it might only be in recognizing our limitations
493
1134000
2000
possiblement només serà reconeixent les nostres limitacions
19:11
that we can really actually overcome them.
494
1136000
2000
quan podrem realment superar-les.
19:13
The hope is that you all will think about your limitations,
495
1138000
3000
L'esperança és que tots acabeu pensant en les vostres limitacions,
19:16
not necessarily as unovercomable,
496
1141000
3000
no necessàriament com a insuperables,
19:19
but to recognize them, accept them
497
1144000
2000
sinó per reconèixer-les, acceptar-les
19:21
and then use the world of design to actually figure them out.
498
1146000
3000
i llavors emprar el món del disseny per resoldre-les.
19:24
That might be the only way that we will really be able
499
1149000
3000
Aquesta podria ser l'única manera amb què seríem capaços
19:27
to achieve our own human potential
500
1152000
2000
d'aconseguir el nostre propi potencial humà
19:29
and really be the noble species we hope to all be.
501
1154000
3000
i ser de veritat l'espècie noble que tots esperem ser.
19:32
Thank you.
502
1157000
2000
Gràcies.
19:34
(Applause)
503
1159000
5000
(Aplaudiments)
ABOUT THE SPEAKER
Laurie Santos - Cognitive psychologistLaurie Santos studies primate psychology and monkeynomics -- testing problems in human psychology on primates, who (not so surprisingly) have many of the same predictable irrationalities we do.
Why you should listen
Laurie Santos runs the Comparative Cognition Laboratory (CapLab) at Yale, where she and collaborators across departments (from psychology to primatology to neurobiology) explore the evolutionary origins of the human mind by studying lemurs, capuchin monkeys and other primates. The twist: Santos looks not only for positive humanlike traits, like tool-using and altruism, but irrational ones, like biased decisionmaking.
In elegant, carefully constructed experiments, Santos and CapLab have studied how primates understand and categorize objects in the physical world -- for instance, that monkeys understand an object is still whole even when part of it is obscured. Going deeper, their experiments also search for clues that primates possess a theory of mind -- an ability to think about what other people think.
Most recently, the lab has been looking at behaviors that were once the province mainly of novelists: jealousy, frustration, judgment of others' intentions, poor economic choices. In one experiment, Santos and her team taught monkeys to use a form of money, tradeable for food. When certain foods became cheaper, monkeys would, like humans, overbuy. As we humans search for clues to our own irrational behaviors, Santos' research suggests that the source of our genius for bad decisions might be our monkey brains.
Laurie Santos | Speaker | TED.com