TEDGlobal 2010
Laurie Santos: A monkey economy as irrational as ours
Laurie Santos: Una economía de monos tan irracional como la nuestra
Filmed:
Readability: 3.3
1,506,660 views
Laurie Santos busca las raíces de la irracionalidad humana observando el modo en que nuestros parientes primates toman decisiones. Una serie de experimentos en "mono economía" muestra que algunas de las decisiones zonzas que nosotros tomamos, también las toman los monos.
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
Quisiera iniciar mi charla hoy, con dos
00:19
about the human species.
1
4000
2000
observaciones sobre la especie humana.
00:21
The first observation is something that you might think is quite obvious,
2
6000
3000
La primera observación tal vez piensen que es bastante obvia.
00:24
and that's that our species, Homo sapiens,
3
9000
2000
Y es que nuestra especie, Homo sapiens,
00:26
is actually really, really smart --
4
11000
2000
es realmente muy, muy inteligente-
00:28
like, ridiculously smart --
5
13000
2000
ridículamente inteligente
00:30
like you're all doing things
6
15000
2000
hacemos cosas que
00:32
that no other species on the planet does right now.
7
17000
3000
ninguna otra especie en el planteta hace.
00:35
And this is, of course,
8
20000
2000
y esta, por supuesto, no será
00:37
not the first time you've probably recognized this.
9
22000
2000
la primera vez que se den cuenta de esto.
00:39
Of course, in addition to being smart, we're also an extremely vain species.
10
24000
3000
Por supuesto, además inteligentes, somos una especie extremadamente vanidosa.
00:42
So we like pointing out the fact that we're smart.
11
27000
3000
Nos encanta señalar el hecho de que somos inteligentes.
00:45
You know, so I could turn to pretty much any sage
12
30000
2000
Podría recurrir a cualquier sabio,
00:47
from Shakespeare to Stephen Colbert
13
32000
2000
de Shakespeare a Stephen Colbert
00:49
to point out things like the fact that
14
34000
2000
para señalar hechos como que
00:51
we're noble in reason and infinite in faculties
15
36000
2000
somos nobles de razón e infinitos en facultades
00:53
and just kind of awesome-er than anything else on the planet
16
38000
2000
y lo más impresionante en este planeta
00:55
when it comes to all things cerebral.
17
40000
3000
cuando de lo cerebral se trata.
00:58
But of course, there's a second observation about the human species
18
43000
2000
Pero, por supuesto, hay una segunda observación sobre la especie humana
01:00
that I want to focus on a little bit more,
19
45000
2000
sobre la que quiero enfocarme un poco más,
01:02
and that's the fact that
20
47000
2000
y es el hecho de que a pesar de
01:04
even though we're actually really smart, sometimes uniquely smart,
21
49000
3000
que somos realmente inteligentes, a veces incomparablemente inteligentes,
01:07
we can also be incredibly, incredibly dumb
22
52000
3000
también podemos ser increíblemente tontos
01:10
when it comes to some aspects of our decision making.
23
55000
3000
cuando se trata de tomar de decisiones.
01:13
Now I'm seeing lots of smirks out there.
24
58000
2000
Veo muchas sonrisas de suficiencia entre ustedes.
01:15
Don't worry, I'm not going to call anyone in particular out
25
60000
2000
Pero no se preocupen, no voy a señalar a nadie en particular
01:17
on any aspects of your own mistakes.
26
62000
2000
respecto de sus propios errores.
01:19
But of course, just in the last two years
27
64000
2000
Pero, por supuesto, en los dos últimos años hemos
01:21
we see these unprecedented examples of human ineptitude.
28
66000
3000
visto estos ejemplos sin precedente de ineptitud humana.
01:24
And we've watched as the tools we uniquely make
29
69000
3000
Hemos visto como las herramientas que sólo nosotros producimos
01:27
to pull the resources out of our environment
30
72000
2000
para extraer recursos de nuestro medio ambiente
01:29
kind of just blow up in our face.
31
74000
2000
han explotado justo en nuestros rostros.
01:31
We've watched the financial markets that we uniquely create --
32
76000
2000
Hemos visto los mercados financieros que hemos creado
01:33
these markets that were supposed to be foolproof --
33
78000
3000
--mercados que se suponía eran a prueba de tontos--
01:36
we've watched them kind of collapse before our eyes.
34
81000
2000
los hemos visto colapsar frente a nuestros ojos.
01:38
But both of these two embarrassing examples, I think,
35
83000
2000
Pero, estos dos ejemplos tan embarazosos, creo,
01:40
don't highlight what I think is most embarrassing
36
85000
3000
no resaltan lo que creo es más embarazoso
01:43
about the mistakes that humans make,
37
88000
2000
de los errores que los humanos cometemos,
01:45
which is that we'd like to think that the mistakes we make
38
90000
3000
que creo es que nos gusta pensar que los errores que cometemos
01:48
are really just the result of a couple bad apples
39
93000
2000
son en realidad el resultado de un par de manzanas podridas
01:50
or a couple really sort of FAIL Blog-worthy decisions.
40
95000
3000
o unas decisiones fallidas dignas de mención en algún Blog.
01:53
But it turns out, what social scientists are actually learning
41
98000
3000
Pero sucede que los científicos sociales están aprendiendo
01:56
is that most of us, when put in certain contexts,
42
101000
3000
que la mayoría de nosotros, puestos en ciertos contextos,
01:59
will actually make very specific mistakes.
43
104000
3000
de hecho cometeremos errores muy específicos.
02:02
The errors we make are actually predictable.
44
107000
2000
Los errores que cometemos son realmente predecibles.
02:04
We make them again and again.
45
109000
2000
Los cometemos una y otra vez.
02:06
And they're actually immune to lots of evidence.
46
111000
2000
Y son realmente inmunes al cúmulo de evidencia.
02:08
When we get negative feedback,
47
113000
2000
Aún cuando obtenemos un resultado negativo,
02:10
we still, the next time we're face with a certain context,
48
115000
3000
la próxima vez que nos enfrentamos a cierto contexto,
02:13
tend to make the same errors.
49
118000
2000
tendemos a cometer los mismos errores.
02:15
And so this has been a real puzzle to me
50
120000
2000
Y esto ha sido un verdadero rompecabezas para mí
02:17
as a sort of scholar of human nature.
51
122000
2000
siendo una estudiosa de la naturaleza humana.
02:19
What I'm most curious about is,
52
124000
2000
Lo que me produce más curiosidad es,
02:21
how is a species that's as smart as we are
53
126000
3000
¿Cómo una especie tan inteligente como
02:24
capable of such bad
54
129000
2000
la nuestra puede cometer consistentemente
02:26
and such consistent errors all the time?
55
131000
2000
errores tan graves una y otra vez?
02:28
You know, we're the smartest thing out there, why can't we figure this out?
56
133000
3000
Es decir, somos los más inteligentes, ¿cómo no podemos resolverlo?
02:31
In some sense, where do our mistakes really come from?
57
136000
3000
En algún sentido, ¿De dónde vienen nuestro errores realmente?
02:34
And having thought about this a little bit, I see a couple different possibilities.
58
139000
3000
Y habiéndolo pensado un poco, veo un par posibilidades
02:37
One possibility is, in some sense, it's not really our fault.
59
142000
3000
Una posibilidad es, que de alguna manera, no sea culpa nuestra.
02:40
Because we're a smart species,
60
145000
2000
Como somos una especie inteligente,
02:42
we can actually create all kinds of environments
61
147000
2000
podemos crear todo tipos de entornos.
02:44
that are super, super complicated,
62
149000
2000
que son super, super complicados,
02:46
sometimes too complicated for us to even actually understand,
63
151000
3000
a veces demasiado complicados para que los entendamos
02:49
even though we've actually created them.
64
154000
2000
a pesar de que nosotros mismos los hemos creado.
02:51
We create financial markets that are super complex.
65
156000
2000
Creamos mercados financieros que son super complejos.
02:53
We create mortgage terms that we can't actually deal with.
66
158000
3000
Creamos términos hipotecarios que no podemos manejar.
02:56
And of course, if we are put in environments where we can't deal with it,
67
161000
3000
Y por supuesto, si nos ponen en entornos que no podemos manejar,
02:59
in some sense makes sense that we actually
68
164000
2000
de alguna manera, tiene sentido que de hecho
03:01
might mess certain things up.
69
166000
2000
compliquemos las cosas.
03:03
If this was the case, we'd have a really easy solution
70
168000
2000
Si éste fuese el caso, tendríamos una solución realmente
03:05
to the problem of human error.
71
170000
2000
sencilla al problema del error humano.
03:07
We'd actually just say, okay, let's figure out
72
172000
2000
Simplemente diríamos, OK, averigüemos
03:09
the kinds of technologies we can't deal with,
73
174000
2000
qué tecnologías no podemos manejar,
03:11
the kinds of environments that are bad --
74
176000
2000
qué tipos de entornos son malos,
03:13
get rid of those, design things better,
75
178000
2000
deshagámonos de ellos, diseñemos mejor las cosas,
03:15
and we should be the noble species
76
180000
2000
y deberemos ser la noble especie
03:17
that we expect ourselves to be.
77
182000
2000
que esperamos ser.
03:19
But there's another possibility that I find a little bit more worrying,
78
184000
3000
Pero hay otra posibilidad que encuentro un poco más preocupante,
03:22
which is, maybe it's not our environments that are messed up.
79
187000
3000
tal vez no son nuestros entornos los que están mal
03:25
Maybe it's actually us that's designed badly.
80
190000
3000
Tal vez somos nosotros los que estamos mal diseñados.
03:28
This is a hint that I've gotten
81
193000
2000
Es una corazonada que tuve observando los modos
03:30
from watching the ways that social scientists have learned about human errors.
82
195000
3000
que los científicos sociales han aprendido sobre el error humano.
03:33
And what we see is that people tend to keep making errors
83
198000
3000
Y lo que vemos es que la gente tiende a continuar cometiendo errores
03:36
exactly the same way, over and over again.
84
201000
3000
exactamente de la misma manera, una y otra vez.
03:39
It feels like we might almost just be built
85
204000
2000
Parecería que estamos construidos
03:41
to make errors in certain ways.
86
206000
2000
para cometer errores de determinada manera.
03:43
This is a possibility that I worry a little bit more about,
87
208000
3000
Esta es una posibilidad que me preocupa un poco más,
03:46
because, if it's us that's messed up,
88
211000
2000
porque si somos nosotros los que estamos mal,
03:48
it's not actually clear how we go about dealing with it.
89
213000
2000
no queda realmente claro como podremos solucionarlo.
03:50
We might just have to accept the fact that we're error prone
90
215000
3000
Tal vez debamos aceptar que de hecho somos propensos al error
03:53
and try to design things around it.
91
218000
2000
y tratar de diseñar las cosas en consecuencia.
03:55
So this is the question my students and I wanted to get at.
92
220000
3000
Esta es la cuestión a la que mis alumno y yo queríamos llegar.
03:58
How can we tell the difference between possibility one and possibility two?
93
223000
3000
¿Cómo podemos diferenciar entre la posibilidad uno y la posibilidad dos?
04:01
What we need is a population
94
226000
2000
Lo que necesitábamos era una población
04:03
that's basically smart, can make lots of decisions,
95
228000
2000
que sea básicamente inteligente, pueda tomar decisiones,
04:05
but doesn't have access to any of the systems we have,
96
230000
2000
pero que no tenga acceso a ninguno de los sistemas que nosotros tenemos,
04:07
any of the things that might mess us up --
97
232000
2000
ninguna de las cosas con las que nos complicamos.
04:09
no human technology, human culture,
98
234000
2000
nada de tecnología humana, cultura humana,
04:11
maybe even not human language.
99
236000
2000
tal vez ni siquiera lenguaje humano.
04:13
And so this is why we turned to these guys here.
100
238000
2000
Y es por eso que nos volcamos a estos sujetos.
04:15
These are one of the guys I work with. This is a brown capuchin monkey.
101
240000
3000
Estos son algunos de los muchachos con los que trabajo. Este es un mono capuchino marrón.
04:18
These guys are New World primates,
102
243000
2000
Estos muchacos son primates del Nuevo Mundo,
04:20
which means they broke off from the human branch
103
245000
2000
lo que significa que se desprendieron de la rama humana
04:22
about 35 million years ago.
104
247000
2000
más o menos 35 millones de años atrás.
04:24
This means that your great, great, great great, great, great --
105
249000
2000
Esto significa que su tátara, tátara, tátara,
04:26
with about five million "greats" in there --
106
251000
2000
--más o menos cinco millones de "tátaras"--
04:28
grandmother was probably the same great, great, great, great
107
253000
2000
abuela, fue probablemente la misma tátara, tátara, tátara, tátara
04:30
grandmother with five million "greats" in there
108
255000
2000
abuela con cinco millones de "tátaras"
04:32
as Holly up here.
109
257000
2000
que la de Holly.
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
Pueden consolarse con el hecho de que esta muchacha es una pariente,
04:37
but albeit evolutionary, relative.
111
262000
2000
si bien evolucionaria, muy, muy lejana.
04:39
The good news about Holly though is that
112
264000
2000
La buena noticia sobre Holly es que ella no tiene
04:41
she doesn't actually have the same kinds of technologies we do.
113
266000
3000
realmente los mismos tipos de tecnologías que nosotros tenemos.
04:44
You know, she's a smart, very cut creature, a primate as well,
114
269000
3000
Ustedes saben, ella es inteligente, muy simpática, un primate también,
04:47
but she lacks all the stuff we think might be messing us up.
115
272000
2000
pero carece de todo lo que creemos que nos complica a nosotros.
04:49
So she's the perfect test case.
116
274000
2000
Entonces ella es el sujeto perfecto para la prueba.
04:51
What if we put Holly into the same context as humans?
117
276000
3000
¿Qué pasa si ponemos a Holly en el mismo contexto que a los humanos?
04:54
Does she make the same mistakes as us?
118
279000
2000
¿Cometerá ella los mismos errores que nosotros?
04:56
Does she not learn from them? And so on.
119
281000
2000
¿No aprenderá de estos? Y así.
04:58
And so this is the kind of thing we decided to do.
120
283000
2000
Y este es el tipo de cosa que decidimos hacer.
05:00
My students and I got very excited about this a few years ago.
121
285000
2000
Mis alumnos y yo estábamos muy entusiasmados por esto hace unos años.
05:02
We said, all right, let's, you know, throw so problems at Holly,
122
287000
2000
Dijimos, bueno, démosle unos problemas a Holly,
05:04
see if she messes these things up.
123
289000
2000
a ver si complica las cosas.
05:06
First problem is just, well, where should we start?
124
291000
3000
El primer problema fue justamente: y bien, ¿dónde comenzamos?
05:09
Because, you know, it's great for us, but bad for humans.
125
294000
2000
Porque, saben, aunque es fantástico para nosotros, y malo para los humanos.
05:11
We make a lot of mistakes in a lot of different contexts.
126
296000
2000
Cometemos un montón de errores en un montón de contextos diferentes.
05:13
You know, where are we actually going to start with this?
127
298000
2000
¿Dónde vamos a comenzar realmente?
05:15
And because we started this work around the time of the financial collapse,
128
300000
3000
Y como comenzamos este trabajo alrededor del momento del colapso financiero,
05:18
around the time when foreclosures were hitting the news,
129
303000
2000
cuando las ejecuciones hipotecarias eran las noticias del día,
05:20
we said, hhmm, maybe we should
130
305000
2000
dijimos, um, tal vez deberíamos
05:22
actually start in the financial domain.
131
307000
2000
comenzar en el campo financiero.
05:24
Maybe we should look at monkey's economic decisions
132
309000
3000
Tal vez, deberíamos mirar las decisiones económicas de los monos
05:27
and try to see if they do the same kinds of dumb things that we do.
133
312000
3000
y tratar de ver si ellos hacen las mismas tonteras que nosotros.
05:30
Of course, that's when we hit a sort second problem --
134
315000
2000
Por supesto, aquí tropezamos con un segundo problema
05:32
a little bit more methodological --
135
317000
2000
--un poco más metodológico--
05:34
which is that, maybe you guys don't know,
136
319000
2000
que es que, tal vez no lo sepan,
05:36
but monkeys don't actually use money. I know, you haven't met them.
137
321000
3000
pero los monos no usan dinero. Ya lo sé, no los han conocido.
05:39
But this is why, you know, they're not in the queue behind you
138
324000
2000
Pero es por ello que no los ven haciendo cola detrás suyo
05:41
at the grocery store or the ATM -- you know, they don't do this stuff.
139
326000
3000
en la tienda o en el cajero automático --ya saben, no hacen esas cosas.
05:44
So now we faced, you know, a little bit of a problem here.
140
329000
3000
Así que nos enfrentabamos a un pequeño problema.
05:47
How are we actually going to ask monkeys about money
141
332000
2000
¿Cómo vamos a preguntarle a los monos sobre
05:49
if they don't actually use it?
142
334000
2000
el dinero si ellos en verdad no lo usan?
05:51
So we said, well, maybe we should just, actually just suck it up
143
336000
2000
Dijimos entonces, bien, deberíamos manejarlo
05:53
and teach monkeys how to use money.
144
338000
2000
y enseñar a los monos cómo usar dinero.
05:55
So that's just what we did.
145
340000
2000
Y eso fue lo que hicimos.
05:57
What you're looking at over here is actually the first unit that I know of
146
342000
3000
Lo que ven aquí es de hecho la primera unidad que yo conozca de
06:00
of non-human currency.
147
345000
2000
de moneda no humana.
06:02
We weren't very creative at the time we started these studies,
148
347000
2000
No eramos muy creativos al momento de iniciar estos estudios,
06:04
so we just called it a token.
149
349000
2000
así que símplemente la llamamos "ficha".
06:06
But this is the unit of currency that we've taught our monkeys at Yale
150
351000
3000
Esta es la unidad monetaria que les enseñamos a nuestros monos en Yale
06:09
to actually use with humans,
151
354000
2000
para de veras utilizar con los humanos,
06:11
to actually buy different pieces of food.
152
356000
3000
para de veras comprar diferentes tipos de comida.
06:14
It doesn't look like much -- in fact, it isn't like much.
153
359000
2000
No parece ser mucho --de hecho no es mucho.
06:16
Like most of our money, it's just a piece of metal.
154
361000
2000
Como casi todo nuestro dinero, es sólo un pedazo de metal.
06:18
As those of you who've taken currencies home from your trip know,
155
363000
3000
Como cuando ustedes se llevan dinero a casa luego de un viaje,
06:21
once you get home, it's actually pretty useless.
156
366000
2000
una vez que llegan a casa, es bastante inútil.
06:23
It was useless to the monkeys at first
157
368000
2000
Era bastante inútil para los monos al principio
06:25
before they realized what they could do with it.
158
370000
2000
antes de que se dieran cuenta de qué podían hacer con ellas.
06:27
When we first gave it to them in their enclosures,
159
372000
2000
Cuando se las dimos por primera vez en sus recintos,
06:29
they actually kind of picked them up, looked at them.
160
374000
2000
las levantaron, las miraron.
06:31
They were these kind of weird things.
161
376000
2000
Eran estos objetos extraños,
06:33
But very quickly, the monkeys realized
162
378000
2000
Pero muy pronto, los monos se percataron
06:35
that they could actually hand these tokens over
163
380000
2000
de que podían entregar estas fichas a diferentes
06:37
to different humans in the lab for some food.
164
382000
3000
humanos en el laboratorio a cambio de comida.
06:40
And so you see one of our monkeys, Mayday, up here doing this.
165
385000
2000
Y aquí ven a uno de nuestros monos, Mayday, haciéndolo.
06:42
This is A and B are kind of the points where she's sort of a little bit
166
387000
3000
En A y B son situaciones donde ella está un poco
06:45
curious about these things -- doesn't know.
167
390000
2000
curiosa sobre estos objetos --no los conoce.
06:47
There's this waiting hand from a human experimenter,
168
392000
2000
Está la mano del experimentador esperando,
06:49
and Mayday quickly figures out, apparently the human wants this.
169
394000
3000
y Mayday enseguida se da cuenta que, aparentemente el humano la quiere.
06:52
Hands it over, and then gets some food.
170
397000
2000
La entrega, y entonces recibe algo de comida.
06:54
It turns out not just Mayday, all of our monkeys get good
171
399000
2000
Resulta que no sólo Mayday, sino todos nuestros monos aprenden
06:56
at trading tokens with human salesman.
172
401000
2000
a comerciar con fichas con los vendedores humanos.
06:58
So here's just a quick video of what this looks like.
173
403000
2000
Aquí tienen un video de como es esto.
07:00
Here's Mayday. She's going to be trading a token for some food
174
405000
3000
Esta es Mayday. Va a cambiar su ficha por comida.
07:03
and waiting happily and getting her food.
175
408000
3000
y espera feliz y obtiene su comida.
07:06
Here's Felix, I think. He's our alpha male; he's a kind of big guy.
176
411000
2000
Este es Felix, creo. Es nuestro macho alfa, alguien importante.
07:08
But he too waits patiently, gets his food and goes on.
177
413000
3000
Pero él también espera pacientemente, consige su comida y continúa.
07:11
So the monkeys get really good at this.
178
416000
2000
Los monos se vuelven realmente buenos en esto.
07:13
They're surprisingly good at this with very little training.
179
418000
3000
Son sorprendentemente buenos con muy poco entrenamiento.
07:16
We just allowed them to pick this up on their own.
180
421000
2000
Les dejamos que aprendan por ellos mismos.
07:18
The question is: is this anything like human money?
181
423000
2000
La pregunta es: ¿se parece al dinero humano?
07:20
Is this a market at all,
182
425000
2000
¿Es ésto en definitiva un mercado,
07:22
or did we just do a weird psychologist's trick
183
427000
2000
o solo es un raro truco psicológico
07:24
by getting monkeys to do something,
184
429000
2000
que logra que los monos hagan algo,
07:26
looking smart, but not really being smart.
185
431000
2000
que parece inteligente, pero sin ser realmente inteligentes?
07:28
And so we said, well, what would the monkeys spontaneously do
186
433000
3000
Y entonces dijimos: bien, ¿Qué harían los monos espontáneamente
07:31
if this was really their currency, if they were really using it like money?
187
436000
3000
si ésta fuese realmente su moneda, si estuviesen realmente usándola como moneda?
07:34
Well, you might actually imagine them
188
439000
2000
Bien, pueden realmente imaginárselos haciendo
07:36
to do all the kinds of smart things
189
441000
2000
toda la clase de cosas inteligentes que los humanos
07:38
that humans do when they start exchanging money with each other.
190
443000
3000
hacen cuando comienzan a intercambiar dinero unos con otros.
07:41
You might have them start paying attention to price,
191
446000
3000
Pueden verlos comenzar a prestar atención al precio,
07:44
paying attention to how much they buy --
192
449000
2000
prestar atención a cuánto compran
07:46
sort of keeping track of their monkey token, as it were.
193
451000
3000
--llevando una especie de registro de sus mono-fichas.
07:49
Do the monkeys do anything like this?
194
454000
2000
¿Hacen algo así los monos?
07:51
And so our monkey marketplace was born.
195
456000
3000
Y así nació nuestro mercado de monos
07:54
The way this works is that
196
459000
2000
La forma en que funciona es que nuestros monos
07:56
our monkeys normally live in a kind of big zoo social enclosure.
197
461000
3000
normalmente viven en un ambiente social de un zoológico grande.
07:59
When they get a hankering for some treats,
198
464000
2000
Cuando comienzan a pedir golosinas,
08:01
we actually allowed them a way out
199
466000
2000
les permitimos salir a un ambiente
08:03
into a little smaller enclosure where they could enter the market.
200
468000
2000
más pequeño donde podían entrar al mercado.
08:05
Upon entering the market --
201
470000
2000
Al entrar al mercado --es un mercado
08:07
it was actually a much more fun market for the monkeys than most human markets
202
472000
2000
mucho más divertido para los monos que los mercados humanos
08:09
because, as the monkeys entered the door of the market,
203
474000
3000
pues al entrar por la puerta del mercado, los monos
08:12
a human would give them a big wallet full of tokens
204
477000
2000
reciben un monedero lleno de fichas de un humano
08:14
so they could actually trade the tokens
205
479000
2000
para que pudieran intercambiar sus fichas
08:16
with one of these two guys here --
206
481000
2000
con uno de estos muchachos
08:18
two different possible human salesmen
207
483000
2000
--dos posibles vendedores humanos diferentes
08:20
that they could actually buy stuff from.
208
485000
2000
de los que podrían comprar cosas.
08:22
The salesmen were students from my lab.
209
487000
2000
Los vendedors ean estudiantes de mi laborarorio.
08:24
They dressed differently; they were different people.
210
489000
2000
Se vestían diferente; eran dos personas diferentes.
08:26
And over time, they did basically the same thing
211
491000
3000
Y cada vez, ellos hacían básicamente lo mismo
08:29
so the monkeys could learn, you know,
212
494000
2000
así los monos podían aprender quién vendía
08:31
who sold what at what price -- you know, who was reliable, who wasn't, and so on.
213
496000
3000
qué a qué precio --ustedes saben, quién era de fiar, quién no lo era, y así.
08:34
And you can see that each of the experimenters
214
499000
2000
Y pueden ver que cada experimentador,
08:36
is actually holding up a little, yellow food dish.
215
501000
3000
sostiene un pequeño plato amarillo con comida.
08:39
and that's what the monkey can for a single token.
216
504000
2000
y eso es lo que el mono puede obtener por una ficha.
08:41
So everything costs one token,
217
506000
2000
Todo cuesta una ficha.
08:43
but as you can see, sometimes tokens buy more than others,
218
508000
2000
pero como pueden ver, algunas fichas compran más que otras,
08:45
sometimes more grapes than others.
219
510000
2000
algunas veces más uvas que otras.
08:47
So I'll show you a quick video of what this marketplace actually looks like.
220
512000
3000
Les mostraré un video de cómo se ve realmente este mercado,
08:50
Here's a monkey-eye-view. Monkeys are shorter, so it's a little short.
221
515000
3000
desde es el punto de vista de un mono. Los monos son más bajos, así que este es un poco bajo.
08:53
But here's Honey.
222
518000
2000
Aquí está Honey.
08:55
She's waiting for the market to open a little impatiently.
223
520000
2000
Está esperando un tanto impaciente a que el mercado abra.
08:57
All of a sudden the market opens. Here's her choice: one grapes or two grapes.
224
522000
3000
De pronto el mercado abre. Aquí esta su opoción: una uva o dos uvas.
09:00
You can see Honey, very good market economist,
225
525000
2000
Pueden ver a Honey, muy buena economista de mercado,
09:02
goes with the guy who gives more.
226
527000
3000
va con quien le dá más. Podría enseñarle
09:05
She could teach our financial advisers a few things or two.
227
530000
2000
a nuestros asesores financieros una o dos cositas.
09:07
So not just Honey,
228
532000
2000
Pero, no sólo Honey,
09:09
most of the monkeys went with guys who had more.
229
534000
3000
la mayoría de los monos fue con quien tenía más.
09:12
Most of the monkeys went with guys who had better food.
230
537000
2000
La mayoría de los monos fue con quien tenía mejor comida.
09:14
When we introduced sales, we saw the monkeys paid attention to that.
231
539000
3000
Cuando introdujimos las ventas, vimos que los monos prestaban atención a eso.
09:17
They really cared about their monkey token dollar.
232
542000
3000
Realmente se preocupaben por su mono-dinero.
09:20
The more surprising thing was that when we collaborated with economists
233
545000
3000
Lo más sorprendente fue que cuando colaboramos con economistas,
09:23
to actually look at the monkeys' data using economic tools,
234
548000
3000
para evaluar los datos de los monos usando herramientas económicas,
09:26
they basically matched, not just qualitatively,
235
551000
3000
éstas coincidían básicamente, no sólo cualitativa,
09:29
but quantitatively with what we saw
236
554000
2000
sino cuantitativamente con lo que vimos
09:31
humans doing in a real market.
237
556000
2000
hacer a los humanos en el mercado real.
09:33
So much so that, if you saw the monkeys' numbers,
238
558000
2000
Tanto es así que, si vieran los números de los monos,
09:35
you couldn't tell whether they came from a monkey or a human in the same market.
239
560000
3000
no podrían precisar cuáles vienen de los monos y cuáles de los humanos en el mismo mercado.
09:38
And what we'd really thought we'd done
240
563000
2000
Y lo que pensamos que hemos hecho
09:40
is like we'd actually introduced something
241
565000
2000
es que hemos introducido algo
09:42
that, at least for the monkeys and us,
242
567000
2000
que, al menos para los monos y para nosotros,
09:44
works like a real financial currency.
243
569000
2000
funciona como moneda financiera real.
09:46
Question is: do the monkeys start messing up in the same ways we do?
244
571000
3000
La pregunta es: ¿los monos complican las cosas de la misma manera que lo hacemos nosotros?
09:49
Well, we already saw anecdotally a couple of signs that they might.
245
574000
3000
Bien, ya vimos anecdóticamente un par de signos de que tal vez sí.
09:52
One thing we never saw in the monkey marketplace
246
577000
2000
Una cosa que nunca vimos en el mercado de monos
09:54
was any evidence of saving --
247
579000
2000
fue alguna evidencia de ahorro
09:56
you know, just like our own species.
248
581000
2000
--como en nuestra propia especie.
09:58
The monkeys entered the market, spent their entire budget
249
583000
2000
Los monos entraban al mercado, gastaban su presupuesto entero
10:00
and then went back to everyone else.
250
585000
2000
y luego volvían con los demás.
10:02
The other thing we also spontaneously saw,
251
587000
2000
La otra cosa que también vimos espontáneamente,
10:04
embarrassingly enough,
252
589000
2000
bastante vergonzoza,
10:06
is spontaneous evidence of larceny.
253
591000
2000
es evidencia espontánea de latrocinio.
10:08
The monkeys would rip-off the tokens at every available opportunity --
254
593000
3000
Los monos se arrebatan las fichas unos a otros
10:11
from each other, often from us --
255
596000
2000
en cada oportunidad posible, incluso a nosotros,
10:13
you know, things we didn't necessarily think we were introducing,
256
598000
2000
cosas que, no necesariamente pensamos que estabamos introduciendo,
10:15
but things we spontaneously saw.
257
600000
2000
sino que espontáneamente vimos.
10:17
So we said, this looks bad.
258
602000
2000
Entonces dijimos, esto se ve mal.
10:19
Can we actually see if the monkeys
259
604000
2000
¿Podemos ver si realmente los monos están haciendo
10:21
are doing exactly the same dumb things as humans do?
260
606000
3000
exactamente las mismas tonterías que los humanos?
10:24
One possibility is just kind of let
261
609000
2000
Una posibilidad es que dejemos
10:26
the monkey financial system play out,
262
611000
2000
que el sistema financiero de los monos colpase,
10:28
you know, see if they start calling us for bailouts in a few years.
263
613000
2000
y ver si en unos años nos llaman para sacarlos del apuro.
10:30
We were a little impatient so we wanted
264
615000
2000
Como estábamos un tanto impacientes queríamos
10:32
to sort of speed things up a bit.
265
617000
2000
acelerar un poco las cosas.
10:34
So we said, let's actually give the monkeys
266
619000
2000
Dijimos, demos a los monos
10:36
the same kinds of problems
267
621000
2000
el mismo tipo de problemas
10:38
that humans tend to get wrong
268
623000
2000
que los humanos suelen malinterpretar
10:40
in certain kinds of economic challenges,
269
625000
2000
en ciertos desafíos económicos,
10:42
or certain kinds of economic experiments.
270
627000
2000
o ciertos experimentos económicos.
10:44
And so, since the best way to see how people go wrong
271
629000
3000
Y como, la mejor manera de ver como la gente se equivoca
10:47
is to actually do it yourself,
272
632000
2000
es hacerlo uno mismo,
10:49
I'm going to give you guys a quick experiment
273
634000
2000
voy a darles a ustedes un experimento rápido
10:51
to sort of watch your own financial intuitions in action.
274
636000
2000
para que vean sus propias intuiciones financieras en acción.
10:53
So imagine that right now
275
638000
2000
Imagínense que en este momento
10:55
I handed each and every one of you
276
640000
2000
Les entregara a cada uno de ustedes
10:57
a thousand U.S. dollars -- so 10 crisp hundred dollar bills.
277
642000
3000
mil dólares americanos --10 crujientes billetes de cien dólares.
11:00
Take these, put it in your wallet
278
645000
2000
Tómenlos, pónganlos en sus carteras
11:02
and spend a second thinking about what you're going to do with it.
279
647000
2000
y piensen por un segundo sobre qué harán.
11:04
Because it's yours now; you can buy whatever you want.
280
649000
2000
Porque es suyo ahora, pueden comprar lo que quieran.
11:06
Donate it, take it, and so on.
281
651000
2000
Donarlo, llevarselo, y así. Suena genial,
11:08
Sounds great, but you get one more choice to earn a little bit more money.
282
653000
3000
pero tienen la opción de ganar un poquito más.
11:11
And here's your choice: you can either be risky,
283
656000
3000
Y este es su opción: pueden ser arriesgados,
11:14
in which case I'm going to flip one of these monkey tokens.
284
659000
2000
en ese caso voy a lanzar una de estas mono-fichas al aire.
11:16
If it comes up heads, you're going to get a thousand dollars more.
285
661000
2000
Si sale cara, recibirán mil dólares más.
11:18
If it comes up tails, you get nothing.
286
663000
2000
Si sale seca, no reciben nada.
11:20
So it's a chance to get more, but it's pretty risky.
287
665000
3000
Es una oportunidad de obtener más, pero es bastante arriesgado.
11:23
Your other option is a bit safe. Your just going to get some money for sure.
288
668000
3000
Su otra opción es un poco más segura. Van a tener un poco más de dinero con seguridad.
11:26
I'm just going to give you 500 bucks.
289
671000
2000
Les voy a dar 500 dólares.
11:28
You can stick it in your wallet and use it immediately.
290
673000
3000
Los pueden guardar en sus billeteras y usarlos inmediatamente.
11:31
So see what your intuition is here.
291
676000
2000
Vean cuál es su intuición aquí.
11:33
Most people actually go with the play-it-safe option.
292
678000
3000
La mayoría de la gente va por la opción segura.
11:36
Most people say, why should I be risky when I can get 1,500 dollars for sure?
293
681000
3000
La mayoría de las personas dice: ¿para qué arriesgarme si puedo obtener 1,500 con seguridad?
11:39
This seems like a good bet. I'm going to go with that.
294
684000
2000
Esta parece una buena apuesta. Voy a por ella.
11:41
You might say, eh, that's not really irrational.
295
686000
2000
Puede que digan, eh, eso realmente no es irracional.
11:43
People are a little risk-averse. So what?
296
688000
2000
La gente es un poco contraria al riesgo. ¿Y qué?
11:45
Well, the "so what?" comes when start thinking
297
690000
2000
Bueno, el "y qué" aparece cuando comenzamos
11:47
about the same problem
298
692000
2000
a pensar el mismo problema
11:49
set up just a little bit differently.
299
694000
2000
planteado con una pequeña diferencia.
11:51
So now imagine that I give each and every one of you
300
696000
2000
Imaginen ahora que les doy a cada uno de ustedes
11:53
2,000 dollars -- 20 crisp hundred dollar bills.
301
698000
3000
2000 dólares --20 crujientes billetes de cien dólares.
11:56
Now you can buy double to stuff you were going to get before.
302
701000
2000
Ahora, pueden comprar el doble que antes.
11:58
Think about how you'd feel sticking it in your wallet.
303
703000
2000
Piensen como se sienten guardando el dinero en sus billeteras.
12:00
And now imagine that I have you make another choice
304
705000
2000
Y ahora, imaginen que les doy otra elección.
12:02
But this time, it's a little bit worse.
305
707000
2000
Pero esta vez, es un poco para peor.
12:04
Now, you're going to be deciding how you're going to lose money,
306
709000
3000
Ahora, van a decidir cómo perderán dinero.
12:07
but you're going to get the same choice.
307
712000
2000
pero van a tener la misma elección.
12:09
You can either take a risky loss --
308
714000
2000
Pueden optar por una pérdida riesgosa, en cuyo caso
12:11
so I'll flip a coin. If it comes up heads, you're going to actually lose a lot.
309
716000
3000
al arrojar una moneda. Si sale cara, van a perder realmente mucho.
12:14
If it comes up tails, you lose nothing, you're fine, get to keep the whole thing --
310
719000
3000
Si sale seca, no pierden nada, todo bien, mantienen todo--
12:17
or you could play it safe, which means you have to reach back into your wallet
311
722000
3000
o pueden ir a lo seguro, deben buscar en su billetera
12:20
and give me five of those $100 bills, for certain.
312
725000
3000
y darme cinco de esos billetes de $100.
12:23
And I'm seeing a lot of furrowed brows out there.
313
728000
3000
Y veo muchas cejas fruncidas aquí.
12:26
So maybe you're having the same intuitions
314
731000
2000
Entonces tal vez están teniendo la misma intuición.
12:28
as the subjects that were actually tested in this,
315
733000
2000
que los sujetos testeados,
12:30
which is when presented with these options,
316
735000
2000
que es, cuando se presentan estas opciones,
12:32
people don't choose to play it safe.
317
737000
2000
las personas no eligen ir a lo seguro.
12:34
They actually tend to go a little risky.
318
739000
2000
De hecho tienden a correr un pequeño riesgo.
12:36
The reason this is irrational is that we've given people in both situations
319
741000
3000
La razón de que esto es irracional es que les hemos dado
12:39
the same choice.
320
744000
2000
en ambas situaciones la misma opción.
12:41
It's a 50/50 shot of a thousand or 2,000,
321
746000
3000
Es una posibilidad de 50/50 de mil o 2 mil,
12:44
or just 1,500 dollars with certainty.
322
749000
2000
o simplemente, 1,500 con certeza.
12:46
But people's intuitions about how much risk to take
323
751000
3000
Pero, la intuición de la gente sobre cuánto riesgo correr,
12:49
varies depending on where they started with.
324
754000
2000
varía dependiendo de dónde comenzaron.
12:51
So what's going on?
325
756000
2000
Entonces, ¿qué está ocurriendo?
12:53
Well, it turns out that this seems to be the result
326
758000
2000
Bueno, sucede que ese parece ser el resultado
12:55
of at least two biases that we have at the psychological level.
327
760000
3000
de al menos dos tendencias que tenemos a nivel psicológico.
12:58
One is that we have a really hard time thinking in absolute terms.
328
763000
3000
Una es que tenemos gran dificultad para pensar en términos absolutos.
13:01
You really have to do work to figure out,
329
766000
2000
Uno debe esforzarse para resolverlo,
13:03
well, one option's a thousand, 2,000;
330
768000
2000
bien, una opción es mil o 2 mil;
13:05
one is 1,500.
331
770000
2000
la otra es 1,500.
13:07
Instead, we find it very easy to think in very relative terms
332
772000
3000
En cambio, nos es muy fácil pensar en términos relativos
13:10
as options change from one time to another.
333
775000
3000
como si las opciones cambiaran de una vez a la otra.
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
Entonces pensamos cosas como: "oh, voy a conseguir más" o "oh, voy a conseguir menos".
13:16
This is all well and good, except that
335
781000
2000
Esto está bien y es bueno, excepto que
13:18
changes in different directions
336
783000
2000
cambia en direcciones diferentes
13:20
actually effect whether or not we think
337
785000
2000
realmente afecta si pensamos o no
13:22
options are good or not.
338
787000
2000
si las opciones son buenas o no.
13:24
And this leads to the second bias,
339
789000
2000
Y esto nos lleva a la segunda tendencia,
13:26
which economists have called loss aversion.
340
791000
2000
que los economistas han llamado aversión a la pérdida.
13:28
The idea is that we really hate it when things go into the red.
341
793000
3000
La idea es que realmente odiamos cuando las cosas caen en rojo.
13:31
We really hate it when we have to lose out on some money.
342
796000
2000
Realmente odiamos cuando tenemos que perder algo de dinero.
13:33
And this means that sometimes we'll actually
343
798000
2000
Y esto significa que algunas veces
13:35
switch our preferences to avoid this.
344
800000
2000
cambiemos nuestras preferencias para evitar esto.
13:37
What you saw in that last scenario is that
345
802000
2000
Lo que vieron en el último escenario es que
13:39
subjects get risky
346
804000
2000
los sujetos se vuelven arriesgados
13:41
because they want the small shot that there won't be any loss.
347
806000
3000
pues prefieren la opción que ofrece menos pérdida.
13:44
That means when we're in a risk mindset --
348
809000
2000
Eso signifíca que cuando estamos en una mentalidad de riesgo-
13:46
excuse me, when we're in a loss mindset,
349
811000
2000
perdón, cuando estamos en una mentalidad de pérdida,
13:48
we actually become more risky,
350
813000
2000
nos volvemos más arriesgados,
13:50
which can actually be really worrying.
351
815000
2000
lo que puede ser realmente preocupante.
13:52
These kinds of things play out in lots of bad ways in humans.
352
817000
3000
Este tipo de cosas afecta de maneras muy negativas en los humanos.
13:55
They're why stock investors hold onto losing stocks longer --
353
820000
3000
Por esto los inversores se aferran a las acciones a la baja por más tiempo
13:58
because they're evaluating them in relative terms.
354
823000
2000
pues las están evaluando en términos relativos.
14:00
They're why people in the housing market refused to sell their house --
355
825000
2000
Por esto la gente en el mercado de propiedades se negaba a vender sus casas
14:02
because they don't want to sell at a loss.
356
827000
2000
pues no quieren vender a pérdida.
14:04
The question we were interested in
357
829000
2000
La cuestión que nos interesaba era saber
14:06
is whether the monkeys show the same biases.
358
831000
2000
si los monos mostraban las mismas tendencias.
14:08
If we set up those same scenarios in our little monkey market,
359
833000
3000
si les presentaramos esos mismos escenarios en nuestro
14:11
would they do the same thing as people?
360
836000
2000
pequeño mercado de monos, ¿harían las mismas cosas que la gente?
14:13
And so this is what we did, we gave the monkeys choices
361
838000
2000
Y eso es lo que hicimos, les dimos opciones a los monos
14:15
between guys who were safe -- they did the same thing every time --
362
840000
3000
entre sujetos que eran confiables --que hacían lo mismo cada vez--
14:18
or guys who were risky --
363
843000
2000
o con sujetos que eran un riesgo
14:20
they did things differently half the time.
364
845000
2000
--que hacían las cosas de modo diferente la mitad de las veces.
14:22
And then we gave them options that were bonuses --
365
847000
2000
Les dimos opciones con bonificación
14:24
like you guys did in the first scenario --
366
849000
2000
--como a ustedes en el primer escenario--
14:26
so they actually have a chance more,
367
851000
2000
y tenían una opción más,
14:28
or pieces where they were experiencing losses --
368
853000
3000
o situaciones donde experimentaban pérdidas
14:31
they actually thought they were going to get more than they really got.
369
856000
2000
--pensaban que obtendrían más de lo que realmente obtuvieron.
14:33
And so this is what this looks like.
370
858000
2000
Y asi es como se ve.
14:35
We introduced the monkeys to two new monkey salesmen.
371
860000
2000
Les presentamos a los monos dos nuevos vendedores.
14:37
The guy on the left and right both start with one piece of grape,
372
862000
2000
Ambos, el de la izquierda y el de la derecha comienzan con una uva.
14:39
so it looks pretty good.
373
864000
2000
todo se ve bastante bien.
14:41
But they're going to give the monkeys bonuses.
374
866000
2000
Pero les van a dar bonificaciones.
14:43
The guy on the left is a safe bonus.
375
868000
2000
El de la izquierda es una bonificación segura.
14:45
All the time, he adds one, to give the monkeys two.
376
870000
3000
Todo el tiempo añade una, dándole 2 al mono.
14:48
The guy on the right is actually a risky bonus.
377
873000
2000
El de la derecha es una bonificación riesgosa.
14:50
Sometimes the monkeys get no bonus -- so this is a bonus of zero.
378
875000
3000
Algunas veces los monos no reciben ninguna bonificación --bonificación cero.
14:53
Sometimes the monkeys get two extra.
379
878000
3000
Algunas veces los monos reciben 2 adicionales.
14:56
For a big bonus, now they get three.
380
881000
2000
Una gran bonificación, y reciben 3.
14:58
But this is the same choice you guys just faced.
381
883000
2000
Pero esta es la misma elección que ustedes acaban de enfrentar.
15:00
Do the monkeys actually want to play it safe
382
885000
3000
¿Quieren los monos realmente ir a lo seguro
15:03
and then go with the guy who's going to do the same thing on every trial,
383
888000
2000
e ir con quien va a hacer lo mismo en cada intento,
15:05
or do they want to be risky
384
890000
2000
o quieren ser arriesgados
15:07
and try to get a risky, but big, bonus,
385
892000
2000
y tratar de obtener un bonificación riesgosa pero mayor,
15:09
but risk the possibility of getting no bonus.
386
894000
2000
pero arriesgando la posibilidad de no obtener ninguna bonificación?
15:11
People here played it safe.
387
896000
2000
La gente aquí fue a lo seguro.
15:13
Turns out, the monkeys play it safe too.
388
898000
2000
Resulta que los monos también fueron a lo seguro.
15:15
Qualitatively and quantitatively,
389
900000
2000
Cualitativamente y cuantitativamente,
15:17
they choose exactly the same way as people,
390
902000
2000
eligieron exactamente de la misma manera que la gente,
15:19
when tested in the same thing.
391
904000
2000
al ser testeados.
15:21
You might say, well, maybe the monkeys just don't like risk.
392
906000
2000
Podrían decir, bien, tal vez a los monos no les gusta el riesgo.
15:23
Maybe we should see how they do with losses.
393
908000
2000
Tal vez deberíamos ver como les va con las pérdidas.
15:25
And so we ran a second version of this.
394
910000
2000
Entonces hicimos una segunda versión.
15:27
Now, the monkeys meet two guys
395
912000
2000
Ahora, se les presentan dos sujetos a los monos
15:29
who aren't giving them bonuses;
396
914000
2000
que no les dan bonificaciones;
15:31
they're actually giving them less than they expect.
397
916000
2000
de hecho les dan menos de lo que esperan.
15:33
So they look like they're starting out with a big amount.
398
918000
2000
Parece que comienzan con una gran cantidad.
15:35
These are three grapes; the monkey's really psyched for this.
399
920000
2000
Son tres uvas; los monos están preparados para esto.
15:37
But now they learn these guys are going to give them less than they expect.
400
922000
3000
Pero ahora saben que estos sujetos les van a dar menos de lo que esperan.
15:40
They guy on the left is a safe loss.
401
925000
2000
El sujeto de la izquierda es una pérdida segura.
15:42
Every single time, he's going to take one of these away
402
927000
3000
Cada vez sacará una de estas
15:45
and give the monkeys just two.
403
930000
2000
y le dará a los monos solo dos.
15:47
the guy on the right is the risky loss.
404
932000
2000
El de la derecha es una pérdida riesgosa.
15:49
Sometimes he gives no loss, so the monkeys are really psyched,
405
934000
3000
Algunas veces no da pérdida, los monos están mentalizados,
15:52
but sometimes he actually gives a big loss,
406
937000
2000
pero algunas veces en verdad da grandes pérdidas,
15:54
taking away two to give the monkeys only one.
407
939000
2000
sacando dos y dándole a los monos sólo una.
15:56
And so what do the monkeys do?
408
941000
2000
Y entonces, ¿Qué hacen los monos?
15:58
Again, same choice; they can play it safe
409
943000
2000
Nuevamente, la misma opción, pueden ir a lo seguro
16:00
for always getting two grapes every single time,
410
945000
3000
para obtener dos uvas cada vez,
16:03
or they can take a risky bet and choose between one and three.
411
948000
3000
o tomar una apuesta riesgosa y elegir entre una y tres.
16:06
The remarkable thing to us is that, when you give monkeys this choice,
412
951000
3000
Lo más llamativo para nosotros es que, cuando le damos la posibilidad a los monos,
16:09
they do the same irrational thing that people do.
413
954000
2000
ellos hacen irracionalmente lo mismo que hace la gente.
16:11
They actually become more risky
414
956000
2000
Se vuelven más arriesgados
16:13
depending on how the experimenters started.
415
958000
3000
dependiendo de dónde comenzaron los experimentadores.
16:16
This is crazy because it suggests that the monkeys too
416
961000
2000
Esto es una locura porque sugiere que los monos también
16:18
are evaluating things in relative terms
417
963000
2000
están evaluando las cosas en términos relativos.
16:20
and actually treating losses differently than they treat gains.
418
965000
3000
y están tratando las pérdidas diferente de como tratan las ganancias.
16:23
So what does all of this mean?
419
968000
2000
¿Qué significa todo esto?
16:25
Well, what we've shown is that, first of all,
420
970000
2000
Bien, lo que hemos mostrado es que, primero,
16:27
we can actually give the monkeys a financial currency,
421
972000
2000
podemos darles a los monos moneda corriente,
16:29
and they do very similar things with it.
422
974000
2000
y harán cosas bastante similares con ella.
16:31
They do some of the smart things we do,
423
976000
2000
Harán algunas de las cosas inteligentes que hacemos nosotros,
16:33
some of the kind of not so nice things we do,
424
978000
2000
algunas de las cosas no tan lindas que nosotros hacemos,
16:35
like steal it and so on.
425
980000
2000
como robar y otras.
16:37
But they also do some of the irrational things we do.
426
982000
2000
Pero también algunas de las cosas irracionales que nosotros hacemos.
16:39
They systematically get things wrong
427
984000
2000
Sistemáticamente se equivocan
16:41
and in the same ways that we do.
428
986000
2000
y en la misma manera que lo hacemos nosotros.
16:43
This is the first take-home message of the Talk,
429
988000
2000
Este es el primer mensaje para llevarse de esta charla,
16:45
which is that if you saw the beginning of this and you thought,
430
990000
2000
y es que si ustedes vieron el comienzo y pensaron,
16:47
oh, I'm totally going to go home and hire a capuchin monkey financial adviser.
431
992000
2000
oh, cuando me vaya a casa voy a conseguir un mono capuchino como asesor financiero
16:49
They're way cuter than the one at ... you know --
432
994000
2000
Son mucho más bonitos que el que tenemos en... ustedes saben
16:51
Don't do that; they're probably going to be just as dumb
433
996000
2000
No lo hagan; probablemente serán tan zonzos
16:53
as the human one you already have.
434
998000
3000
como el humano que ya tienen.
16:56
So, you know, a little bad -- Sorry, sorry, sorry.
435
1001000
2000
Entonces, ya saben, malo --Perdón, perdón, perdón.
16:58
A little bad for monkey investors.
436
1003000
2000
Malo para los inversores monos.
17:00
But of course, you know, the reason you're laughing is bad for humans too.
437
1005000
3000
Por supesto, la razón por la que se están riendo es mala para los humanos también.
17:03
Because we've answered the question we started out with.
438
1008000
3000
Porque hemos respondido la pregunta del comienzo.
17:06
We wanted to know where these kinds of errors came from.
439
1011000
2000
Queríamos saber de dónde venían este tipo de errores.
17:08
And we started with the hope that maybe we can
440
1013000
2000
Y comenzamos con la esperanza de que tal vez podemos
17:10
sort of tweak our financial institutions,
441
1015000
2000
corregir nuestras instituciones financieras,
17:12
tweak our technologies to make ourselves better.
442
1017000
3000
corregir nuestras tecnologías para hacernos mejores a nosotros mismos.
17:15
But what we've learn is that these biases might be a deeper part of us than that.
443
1020000
3000
Pero lo que hemos aprendido es que estas predisposiciones pueden ser una parte más profunda de nosotros.
17:18
In fact, they might be due to the very nature
444
1023000
2000
De hecho, pueden deberse a la misma naturaleza
17:20
of our evolutionary history.
445
1025000
2000
de nuestra historia evolutiva.
17:22
You know, maybe it's not just humans
446
1027000
2000
Ustedes saben, tal vez no son sólo los humanos
17:24
at the right side of this chain that's duncey.
447
1029000
2000
de este lado de la cadena los simplones.
17:26
Maybe it's sort of duncey all the way back.
448
1031000
2000
tal vez es simplona la cadena entera.
17:28
And this, if we believe the capuchin monkey results,
449
1033000
3000
Y ésto, si creemos en los resultados del mono capuchino,
17:31
means that these duncey strategies
450
1036000
2000
significa que estas estrategias simplonas
17:33
might be 35 million years old.
451
1038000
2000
pueden tener 35 millones de años.
17:35
That's a long time for a strategy
452
1040000
2000
Eso es mucho tiempo para que una estrategia
17:37
to potentially get changed around -- really, really old.
453
1042000
3000
pueda ser cambiada --es muy, muy vieja.
17:40
What do we know about other old strategies like this?
454
1045000
2000
¿Qué sabemos de otras estrategias tan viejas como ésta?
17:42
Well, one thing we know is that they tend to be really hard to overcome.
455
1047000
3000
Bien, una cosa que sabemos es que tienden a ser muy difíciles de superar.
17:45
You know, think of our evolutionary predilection
456
1050000
2000
Ya saben, piensen en nuestra predilección
17:47
for eating sweet things, fatty things like cheesecake.
457
1052000
3000
por comer cosas dulces, cosas grasosas como los cheescake
17:50
You can't just shut that off.
458
1055000
2000
No se puede simplemente cortarlo. No puedes simplemente
17:52
You can't just look at the dessert cart as say, "No, no, no. That looks disgusting to me."
459
1057000
3000
mirar al carrito de postres y decir, "No, no, no. Me parece desagradable".
17:55
We're just built differently.
460
1060000
2000
Estamos construidos de forma diferente
17:57
We're going to perceive it as a good thing to go after.
461
1062000
2000
Vamos a percibirlo como algo que es bueno de obtener.
17:59
My guess is that the same thing is going to be true
462
1064000
2000
Mi conjetura es que lo mismo va a ser verdad
18:01
when humans are perceiving
463
1066000
2000
cuando los humanos están percibiendo
18:03
different financial decisions.
464
1068000
2000
diferentes decisiones financieras.
18:05
When you're watching your stocks plummet into the red,
465
1070000
2000
Cuando estás viendo tus acciones caer en picada al rojo,
18:07
when you're watching your house price go down,
466
1072000
2000
cuando estás viendo el precio de tu casa desmoronarse,
18:09
you're not going to be able to see that
467
1074000
2000
no serás capaz de verlo.
18:11
in anything but old evolutionary terms.
468
1076000
2000
sino en viejos terminos evolucionarios.
18:13
This means that the biases
469
1078000
2000
Esto significa que las predisposiciones
18:15
that lead investors to do badly,
470
1080000
2000
que guían a los inversores a equivocarse,
18:17
that lead to the foreclosure crisis
471
1082000
2000
que llevó a la crisis de las ejecuciones inmobiliarias
18:19
are going to be really hard to overcome.
472
1084000
2000
van a ser muy dificiles de superar.
18:21
So that's the bad news. The question is: is there any good news?
473
1086000
2000
Esa es la mala noticia. La pregunta es: ¿Hay alguna buena noticia?
18:23
I'm supposed to be up here telling you the good news.
474
1088000
2000
Se supone que estoy aquí para darles buenas noticias.
18:25
Well, the good news, I think,
475
1090000
2000
Bien, la buena noticia, creo,
18:27
is what I started with at the beginning of the Talk,
476
1092000
2000
es con lo que comencé esta charla,
18:29
which is that humans are not only smart;
477
1094000
2000
que los humanos no sólo somos inteligentes,
18:31
we're really inspirationally smart
478
1096000
2000
nuestra inteligencia inspira
18:33
to the rest of the animals in the biological kingdom.
479
1098000
3000
al resto del reino biológico.
18:36
We're so good at overcoming our biological limitations --
480
1101000
3000
Somos tan buenos para sobreponernos a nuestras limitaciones biológicas
18:39
you know, I flew over here in an airplane.
481
1104000
2000
--ya saben, volé en un avion para llegar aquí
18:41
I didn't have to try to flap my wings.
482
1106000
2000
y no tuve que tratar de aletear mis alas.
18:43
I'm wearing contact lenses now so that I can see all of you.
483
1108000
3000
Estoy usando lentes de contacto para poder verlos,
18:46
I don't have to rely on my own near-sightedness.
484
1111000
3000
y no necesito confiar en mi miopía.
18:49
We actually have all of these cases
485
1114000
2000
Tenemos todos estos casos en que
18:51
where we overcome our biological limitations
486
1116000
3000
superamos nuestras limitaciones biológicas a través de
18:54
through technology and other means, seemingly pretty easily.
487
1119000
3000
de la tecnología y otros medios, al parecer con bastante facilidad.
18:57
But we have to recognize that we have those limitations.
488
1122000
3000
Pero debemos reconocer que tenemos esas limitaciones.
19:00
And here's the rub.
489
1125000
2000
Y aquí está el problema.
19:02
It was Camus who once said that, "Man is the only species
490
1127000
2000
Fue Camus quien dijo: "El hombre es la única especie
19:04
who refuses to be what he really is."
491
1129000
3000
que se niega a ser lo que realmente es".
19:07
But the irony is that
492
1132000
2000
Pero la ironía es que,
19:09
it might only be in recognizing our limitations
493
1134000
2000
sólo reconociendo nuestras limitaciones
19:11
that we can really actually overcome them.
494
1136000
2000
podremos superarlas realmente.
19:13
The hope is that you all will think about your limitations,
495
1138000
3000
La esperanza es que puedan pensar sobre sus limitaciones,
19:16
not necessarily as unovercomable,
496
1141000
3000
no como algo necesariamente insuperable,
19:19
but to recognize them, accept them
497
1144000
2000
sino reconociéndolas, aceptándolas
19:21
and then use the world of design to actually figure them out.
498
1146000
3000
y entonces usando el mundo del diseño para comprenderlas.
19:24
That might be the only way that we will really be able
499
1149000
3000
Esa puede ser la única manera en la que seremos capaces
19:27
to achieve our own human potential
500
1152000
2000
de lograr nuestro potencial humano
19:29
and really be the noble species we hope to all be.
501
1154000
3000
y ser de veras la noble especie que esperamos ser.
19:32
Thank you.
502
1157000
2000
Gracias.
19:34
(Applause)
503
1159000
5000
Aplausos)
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