TEDGlobal 2010
Laurie Santos: A monkey economy as irrational as ours
Laurie Santos : L'économie des singes aussi irrationnelle que la nôtre.
Filmed:
Readability: 3.3
1,506,660 views
Laurie Santos recherche les racines de l'irrationalité humaine en observant la prise de décision de nos cousins les primates. Une série d'expériences intelligentes en "singéconomie" nous montre que certains de nos choix idiots sont aussi effectués par les singes.
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
Je voudrais débuter ma présentation avec deux observations
00:19
about the human species.
1
4000
2000
au sujet de l'espèce humaine.
00:21
The first observation is something that you might think is quite obvious,
2
6000
3000
La première est quelque chose que vous pensez comme évident,
00:24
and that's that our species, Homo sapiens,
3
9000
2000
c'est que notre espèce, Homo Sapiens,
00:26
is actually really, really smart --
4
11000
2000
est vraiment très, très intelligente --
00:28
like, ridiculously smart --
5
13000
2000
dans le style, honteusement intelligente --
00:30
like you're all doing things
6
15000
2000
puisque qu'on fait tous des choses
00:32
that no other species on the planet does right now.
7
17000
3000
qu'aucune autre espèce sur la planète ne fait.
00:35
And this is, of course,
8
20000
2000
Cela, bien sûr,
00:37
not the first time you've probably recognized this.
9
22000
2000
n'est pas la première fois que vous l'observez.
00:39
Of course, in addition to being smart, we're also an extremely vain species.
10
24000
3000
Bien sûr, en plus d'être intelligents, nous sommes extrêmement vaniteux.
00:42
So we like pointing out the fact that we're smart.
11
27000
3000
Donc nous aimons faire remarquer que nous sommes intelligents.
00:45
You know, so I could turn to pretty much any sage
12
30000
2000
Je peux citer n'importe quel sage
00:47
from Shakespeare to Stephen Colbert
13
32000
2000
de Shakespeare à Stephen Colbert
00:49
to point out things like the fact that
14
34000
2000
pour démontrer le fait que
00:51
we're noble in reason and infinite in faculties
15
36000
2000
nous sommes nobles dans notre raison et infinis dans nos facultés
00:53
and just kind of awesome-er than anything else on the planet
16
38000
2000
et une espèce plus merveilleuse que les autres sur la planète
00:55
when it comes to all things cerebral.
17
40000
3000
quand il s'agit des choses cérébrales.
00:58
But of course, there's a second observation about the human species
18
43000
2000
Mais bien sûr, il y a une deuxième chose sur l'espèce humaine
01:00
that I want to focus on a little bit more,
19
45000
2000
sur laquelle je veux insister
01:02
and that's the fact that
20
47000
2000
et c'est le fait que
01:04
even though we're actually really smart, sometimes uniquely smart,
21
49000
3000
même si nous sommes très intelligents, parfois extrêmement,
01:07
we can also be incredibly, incredibly dumb
22
52000
3000
nous sommes aussi incroyablement stupides
01:10
when it comes to some aspects of our decision making.
23
55000
3000
sur certains aspects de notre prise de décision.
01:13
Now I'm seeing lots of smirks out there.
24
58000
2000
Je vois beaucoup de sourires en coin, ici.
01:15
Don't worry, I'm not going to call anyone in particular out
25
60000
2000
Ne vous inquiétez, je ne vais pas vous détailler chacun
01:17
on any aspects of your own mistakes.
26
62000
2000
des aspects de vos propres erreurs.
01:19
But of course, just in the last two years
27
64000
2000
Mais bien sûr, rien que ces deux dernières années
01:21
we see these unprecedented examples of human ineptitude.
28
66000
3000
nous avons vu ces exemples sans précédent de l'inaptitude des hommes.
01:24
And we've watched as the tools we uniquely make
29
69000
3000
Nous avons vu comment ces outils que nous avons conçus
01:27
to pull the resources out of our environment
30
72000
2000
pour extraire les ressources de notre environnement
01:29
kind of just blow up in our face.
31
74000
2000
nous ont explosé au visage.
01:31
We've watched the financial markets that we uniquely create --
32
76000
2000
Nous avons vu les marchés financiers que nous seuls avons créés --
01:33
these markets that were supposed to be foolproof --
33
78000
3000
ces marchés supposés infaillibles --
01:36
we've watched them kind of collapse before our eyes.
34
81000
2000
nous les avons vu s'effondrer sous nos yeux.
01:38
But both of these two embarrassing examples, I think,
35
83000
2000
Mais aucun de ces deux exemples embarrassants, je pense,
01:40
don't highlight what I think is most embarrassing
36
85000
3000
ne souligne ce que je considère comme la plus embarrassante
01:43
about the mistakes that humans make,
37
88000
2000
des erreurs humaines,
01:45
which is that we'd like to think that the mistakes we make
38
90000
3000
qui est qu'on aimerait croire que nos erreurs
01:48
are really just the result of a couple bad apples
39
93000
2000
ne sont que le résultat de quelques fruits pourris
01:50
or a couple really sort of FAIL Blog-worthy decisions.
40
95000
3000
ou de quelques décisions de type RATÉ comme on dit sur les blogs.
01:53
But it turns out, what social scientists are actually learning
41
98000
3000
Mais il semble que ce que les sociologues apprennent
01:56
is that most of us, when put in certain contexts,
42
101000
3000
est que la plupart de nous, dans certains cas,
01:59
will actually make very specific mistakes.
43
104000
3000
ferons vraiment des erreurs très particulières.
02:02
The errors we make are actually predictable.
44
107000
2000
En fait, les erreurs que nous faisons sont prévisibles.
02:04
We make them again and again.
45
109000
2000
Nous les faisons encore et encore.
02:06
And they're actually immune to lots of evidence.
46
111000
2000
Elles sont immunisées contre beaucoup de preuves.
02:08
When we get negative feedback,
47
113000
2000
Quand nous recevons un retour négatif,
02:10
we still, the next time we're face with a certain context,
48
115000
3000
nous persistons, dans certaines conditions,
02:13
tend to make the same errors.
49
118000
2000
à faire les mêmes erreurs.
02:15
And so this has been a real puzzle to me
50
120000
2000
Ceci a toujours été un mystère pour moi
02:17
as a sort of scholar of human nature.
51
122000
2000
en tant qu'observateur de la nature humaine.
02:19
What I'm most curious about is,
52
124000
2000
Je suis particulièrement curieuse de comprendre
02:21
how is a species that's as smart as we are
53
126000
3000
comment une espèce aussi intelligente que la nôtre
02:24
capable of such bad
54
129000
2000
est capable de telles erreurs,
02:26
and such consistent errors all the time?
55
131000
2000
si mauvaises et si répétées dans le temps?
02:28
You know, we're the smartest thing out there, why can't we figure this out?
56
133000
3000
Nous sommes les êtres les plus intelligents ici, pourquoi ne comprend-on pas?
02:31
In some sense, where do our mistakes really come from?
57
136000
3000
D'où viennent réellement nos erreurs?
02:34
And having thought about this a little bit, I see a couple different possibilities.
58
139000
3000
J'y ai réfléchi un peu, et je vois plusieurs possibilités.
02:37
One possibility is, in some sense, it's not really our fault.
59
142000
3000
L'une est, que d'une certaine façon, ce n'est pas vraiment notre faute.
02:40
Because we're a smart species,
60
145000
2000
Parce que nous sommes intelligents,
02:42
we can actually create all kinds of environments
61
147000
2000
nous pouvons créer toutes sortes d'environnements
02:44
that are super, super complicated,
62
149000
2000
qui sont vraiment très compliqués,
02:46
sometimes too complicated for us to even actually understand,
63
151000
3000
quelquefois trop compliqués pour qu'on puisse les comprendre,
02:49
even though we've actually created them.
64
154000
2000
même si nous les avons créés.
02:51
We create financial markets that are super complex.
65
156000
2000
Nous avons créé des marchés financiers extrêmement complexes.
02:53
We create mortgage terms that we can't actually deal with.
66
158000
3000
Nous avons créé des emprunts à terme que nous ne pouvons pas gérer.
02:56
And of course, if we are put in environments where we can't deal with it,
67
161000
3000
Et bien sûr, si nous sommes mis dans des environnements que nous ne pouvons gérer,
02:59
in some sense makes sense that we actually
68
164000
2000
cela semble cohérent que nous puissions
03:01
might mess certain things up.
69
166000
2000
semer le désordre dans certaines choses.
03:03
If this was the case, we'd have a really easy solution
70
168000
2000
Si c'était le cas, nous aurions une solution très simple
03:05
to the problem of human error.
71
170000
2000
au problème de l'erreur humaine.
03:07
We'd actually just say, okay, let's figure out
72
172000
2000
Nous dirions juste, OK, trouvons
03:09
the kinds of technologies we can't deal with,
73
174000
2000
les technologies qu'on ne peut maîtriser,
03:11
the kinds of environments that are bad --
74
176000
2000
les environnements qui sont mauvais --
03:13
get rid of those, design things better,
75
178000
2000
débarrassons-nous en, concevons mieux les choses,
03:15
and we should be the noble species
76
180000
2000
et nous devrions être l'espèce noble
03:17
that we expect ourselves to be.
77
182000
2000
que nous espérons devenir.
03:19
But there's another possibility that I find a little bit more worrying,
78
184000
3000
Mais il y a une autre possibilité que je trouve un peu plus inquiétante,
03:22
which is, maybe it's not our environments that are messed up.
79
187000
3000
c'est que, peut- être que ce n'est pas notre environnement qui est désordonné.
03:25
Maybe it's actually us that's designed badly.
80
190000
3000
Peut-être est-ce nous qui sommes mal conçus.
03:28
This is a hint that I've gotten
81
193000
2000
C'est un indice que j'ai eu
03:30
from watching the ways that social scientists have learned about human errors.
82
195000
3000
en observant la façon dont les sociologues ont appris des erreurs humaines.
03:33
And what we see is that people tend to keep making errors
83
198000
3000
Ce que nous constatons, c'est que les gens ont tendance à faire toujours
03:36
exactly the same way, over and over again.
84
201000
3000
les mêmes erreurs, tout le temps.
03:39
It feels like we might almost just be built
85
204000
2000
C'est comme si, d'une certaine façon, nous avions été conçus
03:41
to make errors in certain ways.
86
206000
2000
pour faire des erreurs.
03:43
This is a possibility that I worry a little bit more about,
87
208000
3000
C'est une possibilité qui m'inquiète un peu plus,
03:46
because, if it's us that's messed up,
88
211000
2000
parce que, si nous sommes ceux qui sont mal conçus,
03:48
it's not actually clear how we go about dealing with it.
89
213000
2000
je ne vois pas comment on va s'en sortir.
03:50
We might just have to accept the fact that we're error prone
90
215000
3000
On pourrait juste accepter le fait que nous sommes enclins à faire des erreurs
03:53
and try to design things around it.
91
218000
2000
et on pourrait concevoir les choses à partir de ça.
03:55
So this is the question my students and I wanted to get at.
92
220000
3000
C'est le point que mes étudiants et moi-même voulions aborder.
03:58
How can we tell the difference between possibility one and possibility two?
93
223000
3000
Comment pouvons-nous faire la différence entre ces deux possibilités ?
04:01
What we need is a population
94
226000
2000
Nous avons besoin d'une population
04:03
that's basically smart, can make lots of decisions,
95
228000
2000
qui est intelligente, qui peut prendre des décisions,
04:05
but doesn't have access to any of the systems we have,
96
230000
2000
mais qui n'a pas accès aux systèmes que nous avons,
04:07
any of the things that might mess us up --
97
232000
2000
à rien de ce qui pourrait mal tourner --
04:09
no human technology, human culture,
98
234000
2000
la technologie humaine, la culture humaine,
04:11
maybe even not human language.
99
236000
2000
ou peut-être même le langage humain.
04:13
And so this is why we turned to these guys here.
100
238000
2000
C'est pour cela que nous nous sommes intéressés à ces gens ici.
04:15
These are one of the guys I work with. This is a brown capuchin monkey.
101
240000
3000
Voici un des gars avec qui je travaille. C'est un capucin marron.
04:18
These guys are New World primates,
102
243000
2000
Ce sont les primates du nouveau monde,
04:20
which means they broke off from the human branch
103
245000
2000
ce qui signifie qu'ils ont divergé de la branche humaine
04:22
about 35 million years ago.
104
247000
2000
il y a 35 millions d'années.
04:24
This means that your great, great, great great, great, great --
105
249000
2000
Donc votre grand, grand, grand, grand, grand, grand --
04:26
with about five million "greats" in there --
106
251000
2000
il y a 5 millions de "grands" --
04:28
grandmother was probably the same great, great, great, great
107
253000
2000
grand-mère était la même que la grand, grand, grand...
04:30
grandmother with five million "greats" in there
108
255000
2000
grand-mère -- avec 5 millions de "grand" --
04:32
as Holly up here.
109
257000
2000
que Holly, ici même.
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
Donc vous pouvez être rassurés car ce gars est un cousin très, très
04:37
but albeit evolutionary, relative.
111
262000
2000
éloigné, bien qu'évolué.
04:39
The good news about Holly though is that
112
264000
2000
La bonne nouvelle sur Holly est
04:41
she doesn't actually have the same kinds of technologies we do.
113
266000
3000
qu'elle ne possède pas les mêmes technologies que nous.
04:44
You know, she's a smart, very cut creature, a primate as well,
114
269000
3000
Elle est intelligente, une très belle créature, un primate aussi,
04:47
but she lacks all the stuff we think might be messing us up.
115
272000
2000
mais elle n'a pas toutes ces choses qui semblent nous désordonner.
04:49
So she's the perfect test case.
116
274000
2000
Donc elle est un sujet de test parfait.
04:51
What if we put Holly into the same context as humans?
117
276000
3000
Que se passe-t-il si nous mettons Holly dans le même contexte que les humains ?
04:54
Does she make the same mistakes as us?
118
279000
2000
Fera-t-elle les mêmes erreurs que nous ?
04:56
Does she not learn from them? And so on.
119
281000
2000
Apprendra-t-elle de ces erreurs ?
04:58
And so this is the kind of thing we decided to do.
120
283000
2000
C'est le genre de chose que nous avons décidé de faire.
05:00
My students and I got very excited about this a few years ago.
121
285000
2000
Mes étudiants et moi étions très excités à ce sujet il y a quelques années.
05:02
We said, all right, let's, you know, throw so problems at Holly,
122
287000
2000
Nous disions, OK, soumettons le problème à Holly,
05:04
see if she messes these things up.
123
289000
2000
voyons si elle sème le désordre.
05:06
First problem is just, well, where should we start?
124
291000
3000
Le premier problème est juste, eh bien, par où doit-on commencer ?
05:09
Because, you know, it's great for us, but bad for humans.
125
294000
2000
Parce que, c'est génial pour nous, mais pas pour les humains.
05:11
We make a lot of mistakes in a lot of different contexts.
126
296000
2000
Nous faisons beaucoup d'erreurs dans beaucoup de contextes différents.
05:13
You know, where are we actually going to start with this?
127
298000
2000
Par quoi doit-on commencer ?
05:15
And because we started this work around the time of the financial collapse,
128
300000
3000
Et puisque nous avons commencé en même temps que l'effondrement financier,
05:18
around the time when foreclosures were hitting the news,
129
303000
2000
à l'époque où les subprimes faisaient la une.
05:20
we said, hhmm, maybe we should
130
305000
2000
nous nous sommes dit, hmm, on devrait peut-être
05:22
actually start in the financial domain.
131
307000
2000
commencer par le domaine financier.
05:24
Maybe we should look at monkey's economic decisions
132
309000
3000
On devrait peut-être observer les décisions économiques des singes
05:27
and try to see if they do the same kinds of dumb things that we do.
133
312000
3000
et voir s'ils font le même genre de choses stupides que nous.
05:30
Of course, that's when we hit a sort second problem --
134
315000
2000
Bien sûr, c'est le moment où on a rencontré un 2e type de problème --
05:32
a little bit more methodological --
135
317000
2000
un peu plus méthodologique --
05:34
which is that, maybe you guys don't know,
136
319000
2000
qui est, peut-être que vous ne le savez pas,
05:36
but monkeys don't actually use money. I know, you haven't met them.
137
321000
3000
mais les singes n'utilisent pas d'argent. Je sais, vous ne les avez jamais rencontrés.
05:39
But this is why, you know, they're not in the queue behind you
138
324000
2000
Mais c'est pourquoi ils ne font pas la queue derrière vous
05:41
at the grocery store or the ATM -- you know, they don't do this stuff.
139
326000
3000
au supermarché ou au distributeur -- ils ne font pas tout ça.
05:44
So now we faced, you know, a little bit of a problem here.
140
329000
3000
Nous rencontrons donc un petit problème, là.
05:47
How are we actually going to ask monkeys about money
141
332000
2000
Comment poser des questions d'argent aux singes
05:49
if they don't actually use it?
142
334000
2000
s'ils n'en utilisent pas ?
05:51
So we said, well, maybe we should just, actually just suck it up
143
336000
2000
Nous nous sommes dit, peut-être qu'on devrait juste faire avec
05:53
and teach monkeys how to use money.
144
338000
2000
et apprendre aux singes à utiliser l'argent.
05:55
So that's just what we did.
145
340000
2000
Et c'est ce qu'on a fait.
05:57
What you're looking at over here is actually the first unit that I know of
146
342000
3000
Ce que vous voyez est en fait la première devise
06:00
of non-human currency.
147
345000
2000
non humaine, à ce que je sais.
06:02
We weren't very creative at the time we started these studies,
148
347000
2000
Nous n'avons pas été très créatifs au début de ces études,
06:04
so we just called it a token.
149
349000
2000
donc on l'a simplement appelé un jeton.
06:06
But this is the unit of currency that we've taught our monkeys at Yale
150
351000
3000
Mais c'est l'unité monétaire que nous avons enseignée à nos singes à Yale
06:09
to actually use with humans,
151
354000
2000
afin de les utiliser avec des humains,
06:11
to actually buy different pieces of food.
152
356000
3000
pour acheter différentes sortes de nourriture.
06:14
It doesn't look like much -- in fact, it isn't like much.
153
359000
2000
Ça ne ressemble pas beaucoup -- en fait, ce n'est pas
06:16
Like most of our money, it's just a piece of metal.
154
361000
2000
comme la plupart de notre monnaie, c'est juste un morceau de métal.
06:18
As those of you who've taken currencies home from your trip know,
155
363000
3000
Comme pour ceux d'entre vous qui ont ramené de l'argent de vos vacances,
06:21
once you get home, it's actually pretty useless.
156
366000
2000
une fois à la maison, ça ne sert pas à grand-chose.
06:23
It was useless to the monkeys at first
157
368000
2000
C'était inutile aux singes au début
06:25
before they realized what they could do with it.
158
370000
2000
avant qu'ils ne réalisent ce qu'ils pouvaient faire avec.
06:27
When we first gave it to them in their enclosures,
159
372000
2000
Quand on a commencé à leur donner dans leur cage,
06:29
they actually kind of picked them up, looked at them.
160
374000
2000
ils les ont prises, les ont regardées.
06:31
They were these kind of weird things.
161
376000
2000
C'étaient des choses bizarres.
06:33
But very quickly, the monkeys realized
162
378000
2000
Mais rapidement, les singes ont réalisé
06:35
that they could actually hand these tokens over
163
380000
2000
qu'ils pouvaient les donner
06:37
to different humans in the lab for some food.
164
382000
3000
à d'autres humains dans le laboratoire contre de la nourriture.
06:40
And so you see one of our monkeys, Mayday, up here doing this.
165
385000
2000
Vous voyez un de nos singes, Mayday, en train de faire cela.
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 et B, elle est un peu
06:45
curious about these things -- doesn't know.
167
390000
2000
curieuse -- ne comprend pas.
06:47
There's this waiting hand from a human experimenter,
168
392000
2000
Il y a cette main tendue de l'humain,
06:49
and Mayday quickly figures out, apparently the human wants this.
169
394000
3000
et Mayday comprend rapidement, qu'apparemment l'homme veut ça.
06:52
Hands it over, and then gets some food.
170
397000
2000
Elle lui donne, et reçoit de la nourriture.
06:54
It turns out not just Mayday, all of our monkeys get good
171
399000
2000
Il se trouve que tous nos singes, et pas seulement Mayday, sont bons
06:56
at trading tokens with human salesman.
172
401000
2000
pour troquer des jetons avec les vendeurs humains.
06:58
So here's just a quick video of what this looks like.
173
403000
2000
Voici une petite vidéo de cela.
07:00
Here's Mayday. She's going to be trading a token for some food
174
405000
3000
Voici Mayday. Elle va échanger un jeton contre de la nourriture
07:03
and waiting happily and getting her food.
175
408000
3000
et elle attend, heureuse, et elle reçoit la nourriture.
07:06
Here's Felix, I think. He's our alpha male; he's a kind of big guy.
176
411000
2000
Voici Felix, je crois. C'est notre mâle alpha; c'est une armoire à glace.
07:08
But he too waits patiently, gets his food and goes on.
177
413000
3000
Mais lui aussi attend patiemment, reçoit sa nourriture et s'en va.
07:11
So the monkeys get really good at this.
178
416000
2000
Les singes s'en sortent très bien.
07:13
They're surprisingly good at this with very little training.
179
418000
3000
Ils sont étonnamment bons avec très peu d'entrainement.
07:16
We just allowed them to pick this up on their own.
180
421000
2000
Nous les autorisons juste à prendre ça tout seul.
07:18
The question is: is this anything like human money?
181
423000
2000
La question est : y a-t-il quelque chose de similaire à l'argent humain ?
07:20
Is this a market at all,
182
425000
2000
Y a-t-il un marché,
07:22
or did we just do a weird psychologist's trick
183
427000
2000
ou est-ce qu'on a juste produit un tour psychologique
07:24
by getting monkeys to do something,
184
429000
2000
en faisant faire quelque chose aux singes,
07:26
looking smart, but not really being smart.
185
431000
2000
paraissant intelligent, mais pas vraiment intelligent.
07:28
And so we said, well, what would the monkeys spontaneously do
186
433000
3000
On s'est donc dit, bien, que feraient les singes spontanément
07:31
if this was really their currency, if they were really using it like money?
187
436000
3000
si c'était vraiment leur argent, s'ils l'utilisaient vraiment comme monnaie ?
07:34
Well, you might actually imagine them
188
439000
2000
Eh bien, vous devriez les imaginer
07:36
to do all the kinds of smart things
189
441000
2000
faire tout un tas de choses intelligentes
07:38
that humans do when they start exchanging money with each other.
190
443000
3000
que font les hommes quand ils commencent à s'échanger de l'argent.
07:41
You might have them start paying attention to price,
191
446000
3000
Vous les verriez commencer à faire attention au prix des choses,
07:44
paying attention to how much they buy --
192
449000
2000
faire attention à combien ils achètent --
07:46
sort of keeping track of their monkey token, as it were.
193
451000
3000
comme garder une trace des jetons.
07:49
Do the monkeys do anything like this?
194
454000
2000
Est-ce que les singes font des choses comme cela ?
07:51
And so our monkey marketplace was born.
195
456000
3000
Et ainsi, la place de marché pour singe est née.
07:54
The way this works is that
196
459000
2000
Son fonctionnement est que
07:56
our monkeys normally live in a kind of big zoo social enclosure.
197
461000
3000
nos singes vivent dans un gros zoo avec des clôtures sociales.
07:59
When they get a hankering for some treats,
198
464000
2000
Quand ils désirent une friandise,
08:01
we actually allowed them a way out
199
466000
2000
nous les autorisons à sortir
08:03
into a little smaller enclosure where they could enter the market.
200
468000
2000
dans un petit enclos où ils peuvent entrer sur le marché.
08:05
Upon entering the market --
201
470000
2000
Lorsque qu'ils entrent sur le marché --
08:07
it was actually a much more fun market for the monkeys than most human markets
202
472000
2000
en fait, c'est un marché beaucoup plus sympa pour les singes que la plupart des marchés humains
08:09
because, as the monkeys entered the door of the market,
203
474000
3000
car, en poussant la porte du marché, un homme
08:12
a human would give them a big wallet full of tokens
204
477000
2000
donne un lot de jetons aux singes
08:14
so they could actually trade the tokens
205
479000
2000
afin qu'ils puissent les échanger
08:16
with one of these two guys here --
206
481000
2000
avec un de ces gars ici --
08:18
two different possible human salesmen
207
483000
2000
il y a deux sortes de vendeurs humains
08:20
that they could actually buy stuff from.
208
485000
2000
chez qui ils peuvent acheter des choses.
08:22
The salesmen were students from my lab.
209
487000
2000
Les vendeurs sont des étudiants de mon labo.
08:24
They dressed differently; they were different people.
210
489000
2000
Ils s'habillent différemment; ce sont des personnes différentes.
08:26
And over time, they did basically the same thing
211
491000
3000
Au cours du temps, ils font toujours la même chose
08:29
so the monkeys could learn, you know,
212
494000
2000
afin que les singes puissent apprendre
08:31
who sold what at what price -- you know, who was reliable, who wasn't, and so on.
213
496000
3000
qui vend quoi, à quel prix, qui est fiable, qui ne l'est pas, etc.
08:34
And you can see that each of the experimenters
214
499000
2000
Vous constatez que chacun des expérimentateurs
08:36
is actually holding up a little, yellow food dish.
215
501000
3000
tient une petite assiette jaune
08:39
and that's what the monkey can for a single token.
216
504000
2000
et c'est ce que les singes peuvent avoir contre un jeton.
08:41
So everything costs one token,
217
506000
2000
Donc chaque chose coûte un jeton,
08:43
but as you can see, sometimes tokens buy more than others,
218
508000
2000
Mais comme vous pouvez le voir, parfois un jeton permet d'acheter plus qu'un autre,
08:45
sometimes more grapes than others.
219
510000
2000
parfois plus de raisin que les autres.
08:47
So I'll show you a quick video of what this marketplace actually looks like.
220
512000
3000
Je vais vous montrer une petite vidéo de ce marché.
08:50
Here's a monkey-eye-view. Monkeys are shorter, so it's a little short.
221
515000
3000
Le voici vu avec l'œil d'un singe. Les singes sont plus petits, donc c'est un peu petit.
08:53
But here's Honey.
222
518000
2000
Voici Honey.
08:55
She's waiting for the market to open a little impatiently.
223
520000
2000
Elle attend que le marché ouvre, un peu impatiente.
08:57
All of a sudden the market opens. Here's her choice: one grapes or two grapes.
224
522000
3000
Soudainement, le marché ouvre. Voici son choix : un raisin ou deux raisins.
09:00
You can see Honey, very good market economist,
225
525000
2000
Vous voyez que Honey, très bonne économiste,
09:02
goes with the guy who gives more.
226
527000
3000
va vers la personne qui donne le plus.
09:05
She could teach our financial advisers a few things or two.
227
530000
2000
Elle pourrait apprendre des choses à nos conseillers financiers.
09:07
So not just Honey,
228
532000
2000
Pas seulement Honey,
09:09
most of the monkeys went with guys who had more.
229
534000
3000
mais la plupart des singes sont allés vers les gens qui donnaient plus.
09:12
Most of the monkeys went with guys who had better food.
230
537000
2000
La plupart sont allés vers les gens qui avaient la meilleure nourriture.
09:14
When we introduced sales, we saw the monkeys paid attention to that.
231
539000
3000
Quand nous avons introduit les ventes, nous avons les singes y prêter attention.
09:17
They really cared about their monkey token dollar.
232
542000
3000
Ils faisaient vraiment très attention à leur jeton.
09:20
The more surprising thing was that when we collaborated with economists
233
545000
3000
Le plus surprenant c'est que lorsque nous collaborions avec les économistes
09:23
to actually look at the monkeys' data using economic tools,
234
548000
3000
pour observer les données sur les singes avec des outils économiques
09:26
they basically matched, not just qualitatively,
235
551000
3000
ils correspondaient, pas juste qualitativement,
09:29
but quantitatively with what we saw
236
554000
2000
mais quantitativement avec ce que les humains
09:31
humans doing in a real market.
237
556000
2000
font dans un vrai marché.
09:33
So much so that, if you saw the monkeys' numbers,
238
558000
2000
Donc, si vous voyez les statistiques des singes,
09:35
you couldn't tell whether they came from a monkey or a human in the same market.
239
560000
3000
vous ne pouvez pas dire s'ils viennent d'un singe ou d'un humain sur le même marché.
09:38
And what we'd really thought we'd done
240
563000
2000
Nous avons pensé avoir vraiment fait un truc
09:40
is like we'd actually introduced something
241
565000
2000
comme introduire quelque chose
09:42
that, at least for the monkeys and us,
242
567000
2000
qui, au moins pour les singes et nous,
09:44
works like a real financial currency.
243
569000
2000
fonctionne comme une vraie devise financière.
09:46
Question is: do the monkeys start messing up in the same ways we do?
244
571000
3000
La question est : est-ce que les singes sèment le désordre de la même façon que nous ?
09:49
Well, we already saw anecdotally a couple of signs that they might.
245
574000
3000
Bien, nous avons déjà vu une série de signes qui vont en ce sens.
09:52
One thing we never saw in the monkey marketplace
246
577000
2000
Une chose que nous n'avons jamais vue sur le marché de singes
09:54
was any evidence of saving --
247
579000
2000
c'est une trace d'épargne --
09:56
you know, just like our own species.
248
581000
2000
tout comme notre propre espèce.
09:58
The monkeys entered the market, spent their entire budget
249
583000
2000
Les singes entrent sur le marché, dépensent tout leur budget
10:00
and then went back to everyone else.
250
585000
2000
et retournent alors à leurs occupations.
10:02
The other thing we also spontaneously saw,
251
587000
2000
L'autre chose que nous avons vue spontanément,
10:04
embarrassingly enough,
252
589000
2000
assez embarrassante,
10:06
is spontaneous evidence of larceny.
253
591000
2000
c'est la preuve de larcins.
10:08
The monkeys would rip-off the tokens at every available opportunity --
254
593000
3000
Les singes ont volé les jetons à chaque occasion --
10:11
from each other, often from us --
255
596000
2000
entre eux, souvent à nous --
10:13
you know, things we didn't necessarily think we were introducing,
256
598000
2000
des choses que nous ne pensions pas forcément introduire,
10:15
but things we spontaneously saw.
257
600000
2000
mais des choses que nous avons vues spontanément.
10:17
So we said, this looks bad.
258
602000
2000
Alors on s'est dit, ça semble mauvais.
10:19
Can we actually see if the monkeys
259
604000
2000
Est-ce qu'on peut vraiment voir si les singes
10:21
are doing exactly the same dumb things as humans do?
260
606000
3000
font exactement les mêmes erreurs que les humains ?
10:24
One possibility is just kind of let
261
609000
2000
Une possibilité est simplement de laisser
10:26
the monkey financial system play out,
262
611000
2000
le système financier des singes vivre sa vie
10:28
you know, see if they start calling us for bailouts in a few years.
263
613000
2000
pour voir s'ils nous appellent dans quelques années pour un sauvetage.
10:30
We were a little impatient so we wanted
264
615000
2000
Nous étions un peu impatients alors nous voulions
10:32
to sort of speed things up a bit.
265
617000
2000
accélérer un peu les choses.
10:34
So we said, let's actually give the monkeys
266
619000
2000
Alors nous nous sommes dit, donnons aux singes
10:36
the same kinds of problems
267
621000
2000
les mêmes problèmes
10:38
that humans tend to get wrong
268
623000
2000
que les humains ont tendance à aggraver
10:40
in certain kinds of economic challenges,
269
625000
2000
dans certains défis économiques,
10:42
or certain kinds of economic experiments.
270
627000
2000
ou certains types d'expérience économique.
10:44
And so, since the best way to see how people go wrong
271
629000
3000
Puisque la meilleure façon de voir si les gens ont tort
10:47
is to actually do it yourself,
272
632000
2000
c'est de le faire soi-même,
10:49
I'm going to give you guys a quick experiment
273
634000
2000
Je vais vous montrer une expérience rapide
10:51
to sort of watch your own financial intuitions in action.
274
636000
2000
pour voir vos propres intuitions financières en action.
10:53
So imagine that right now
275
638000
2000
Alors imaginez ça, maintenant,
10:55
I handed each and every one of you
276
640000
2000
Je vous donne à chacun
10:57
a thousand U.S. dollars -- so 10 crisp hundred dollar bills.
277
642000
3000
milles dollars -- soit 10 billets de 100 dollars.
11:00
Take these, put it in your wallet
278
645000
2000
Prenez-les et mettez-les dans votre portefeuille
11:02
and spend a second thinking about what you're going to do with it.
279
647000
2000
et passer une seconde à penser ce que vous allez en faire.
11:04
Because it's yours now; you can buy whatever you want.
280
649000
2000
Parce que c'est le vôtre maintenant; vous pouvez acheter ce que vous voulez.
11:06
Donate it, take it, and so on.
281
651000
2000
Donnez-le, prenez-le, etc.
11:08
Sounds great, but you get one more choice to earn a little bit more money.
282
653000
3000
Ça a l'air sympa, mais vous avez un choix supplémentaire à faire pour gagner un peu plus d'argent.
11:11
And here's your choice: you can either be risky,
283
656000
3000
Voici ce choix: soit vous prenez des risques
11:14
in which case I'm going to flip one of these monkey tokens.
284
659000
2000
et dans ce cas, je vais lancer un de ces jetons de singe.
11:16
If it comes up heads, you're going to get a thousand dollars more.
285
661000
2000
Si c'est pile, je vous donne mille de plus.
11:18
If it comes up tails, you get nothing.
286
663000
2000
Si c'est face, vous n'avez rien de plus.
11:20
So it's a chance to get more, but it's pretty risky.
287
665000
3000
C'est donc une chance d'avoir plus, mais c'est risqué.
11:23
Your other option is a bit safe. Your just going to get some money for sure.
288
668000
3000
L'autre option est plus sure. Vous allez juste recevoir de l'argent.
11:26
I'm just going to give you 500 bucks.
289
671000
2000
Je vais juste vous donner 500 dollars.
11:28
You can stick it in your wallet and use it immediately.
290
673000
3000
Vous les mettez dans votre poche et vous les utilisez tout de suite.
11:31
So see what your intuition is here.
291
676000
2000
Voyons quelle est votre intuition ici.
11:33
Most people actually go with the play-it-safe option.
292
678000
3000
La plupart des gens choisit la sécurité.
11:36
Most people say, why should I be risky when I can get 1,500 dollars for sure?
293
681000
3000
La plupart dit, pourquoi prendre des risques quand je peux avoir 1500 à coup sûr ?
11:39
This seems like a good bet. I'm going to go with that.
294
684000
2000
Ça semble être un bon choix. Je vais choisir ça.
11:41
You might say, eh, that's not really irrational.
295
686000
2000
Vous pourriez dire, eh, ce n'est pas vraiment irrationnel.
11:43
People are a little risk-averse. So what?
296
688000
2000
Les gens ont une aversion pour le risque. Et alors ?
11:45
Well, the "so what?" comes when start thinking
297
690000
2000
Eh bien, le "et alors" vient quand on commence à penser
11:47
about the same problem
298
692000
2000
au même problème
11:49
set up just a little bit differently.
299
694000
2000
mais posé d'une manière un peu différente.
11:51
So now imagine that I give each and every one of you
300
696000
2000
Alors imaginez que je vous donne chacun
11:53
2,000 dollars -- 20 crisp hundred dollar bills.
301
698000
3000
2000 dollars -- 20 billets de 100 dollars.
11:56
Now you can buy double to stuff you were going to get before.
302
701000
2000
Maintenant vous pouvez acheter deux fois plus qu'avant.
11:58
Think about how you'd feel sticking it in your wallet.
303
703000
2000
Pensez à ce que vous ressentiriez à les mettre dans votre portefeuille.
12:00
And now imagine that I have you make another choice
304
705000
2000
Et imaginez que je vous ai fait prendre un autre choix.
12:02
But this time, it's a little bit worse.
305
707000
2000
Mais cette fois, c'est pire.
12:04
Now, you're going to be deciding how you're going to lose money,
306
709000
3000
Vous allez décider comment vous allez perdre l'argent,
12:07
but you're going to get the same choice.
307
712000
2000
mais vous allez avoir le même choix.
12:09
You can either take a risky loss --
308
714000
2000
Soit une perte risquée --
12:11
so I'll flip a coin. If it comes up heads, you're going to actually lose a lot.
309
716000
3000
je lance une pièce. Si c'est face, vous perdez beaucoup.
12:14
If it comes up tails, you lose nothing, you're fine, get to keep the whole thing --
310
719000
3000
Si c'est pile, vous ne perdez rien, vous gardez tout --
12:17
or you could play it safe, which means you have to reach back into your wallet
311
722000
3000
ou alors vous jouez la tranquillité ce qui signifie que vous allez dans votre portefeuille
12:20
and give me five of those $100 bills, for certain.
312
725000
3000
et vous me donnez cinq de ces billets de 100 dollars.
12:23
And I'm seeing a lot of furrowed brows out there.
313
728000
3000
Je vois beaucoup de regards circonspects ici.
12:26
So maybe you're having the same intuitions
314
731000
2000
Donc vous avez peut-être la même réaction
12:28
as the subjects that were actually tested in this,
315
733000
2000
que les sujets de test qui,
12:30
which is when presented with these options,
316
735000
2000
au moment du choix,
12:32
people don't choose to play it safe.
317
737000
2000
ne jouent pas la sécurité.
12:34
They actually tend to go a little risky.
318
739000
2000
Ils ont tendance à prendre un peu de risque.
12:36
The reason this is irrational is that we've given people in both situations
319
741000
3000
C'est irrationnel puisque dans les deux situations on leur a donné
12:39
the same choice.
320
744000
2000
le même choix.
12:41
It's a 50/50 shot of a thousand or 2,000,
321
746000
3000
C'est un 50/50 pour 1000 ou 2000,
12:44
or just 1,500 dollars with certainty.
322
749000
2000
ou 1500 dollars avec certitude.
12:46
But people's intuitions about how much risk to take
323
751000
3000
Mais la réaction des gens sur le risque
12:49
varies depending on where they started with.
324
754000
2000
varie en fonction du point de départ.
12:51
So what's going on?
325
756000
2000
Donc, que se passe-t-il ?
12:53
Well, it turns out that this seems to be the result
326
758000
2000
Eh bien, il semble que ce soit le résultat
12:55
of at least two biases that we have at the psychological level.
327
760000
3000
d'au moins deux biais que l'on a au niveau psychologique.
12:58
One is that we have a really hard time thinking in absolute terms.
328
763000
3000
Un est que nous avons beaucoup de difficulté à penser en termes absolus.
13:01
You really have to do work to figure out,
329
766000
2000
Il faut vraiment réfléchir pour se rendre compte que
13:03
well, one option's a thousand, 2,000;
330
768000
2000
et bien, une option est 1000 / 2000;
13:05
one is 1,500.
331
770000
2000
l'autre est 1500.
13:07
Instead, we find it very easy to think in very relative terms
332
772000
3000
D'un autre côté, c'est très simple de ne penser qu'en termes relatifs
13:10
as options change from one time to another.
333
775000
3000
comme les options changent d'une fois sur l'autre.
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
On pense donc "Oh, je vais avoir plus" ou "Oh, je vais avoir moins".
13:16
This is all well and good, except that
335
781000
2000
Tout est noir ou blanc, sauf que
13:18
changes in different directions
336
783000
2000
les changements dans des directions différentes
13:20
actually effect whether or not we think
337
785000
2000
ont un effet sur notre façon de penser
13:22
options are good or not.
338
787000
2000
les choix comme blanc ou noir.
13:24
And this leads to the second bias,
339
789000
2000
Cela nous conduit au second biais,
13:26
which economists have called loss aversion.
340
791000
2000
que les économistes appellent l'aversion à la perte.
13:28
The idea is that we really hate it when things go into the red.
341
793000
3000
L'idée est que nous détestons quand ça vire au rouge.
13:31
We really hate it when we have to lose out on some money.
342
796000
2000
On déteste perdre de l'argent.
13:33
And this means that sometimes we'll actually
343
798000
2000
Et donc, parfois nous
13:35
switch our preferences to avoid this.
344
800000
2000
changeons nos préférences pour éviter cela.
13:37
What you saw in that last scenario is that
345
802000
2000
Ce que vous avez vu dans le dernier scénario, c'est que
13:39
subjects get risky
346
804000
2000
les sujets prennent des risques
13:41
because they want the small shot that there won't be any loss.
347
806000
3000
car ils veulent tenter le petit essai dans lequel ils ne perdent pas.
13:44
That means when we're in a risk mindset --
348
809000
2000
Ça signifie que quand on est guidé par le risque,
13:46
excuse me, when we're in a loss mindset,
349
811000
2000
excusez-moi, quand on est guidé par la perte,
13:48
we actually become more risky,
350
813000
2000
on prend plus de risques,
13:50
which can actually be really worrying.
351
815000
2000
et ça peut devenir un problème.
13:52
These kinds of things play out in lots of bad ways in humans.
352
817000
3000
Ce genre de choses se manifeste de multiples mauvaises façons chez l'humain.
13:55
They're why stock investors hold onto losing stocks longer --
353
820000
3000
Voilà pourquoi les investisseurs gardent les actions qui baissent --
13:58
because they're evaluating them in relative terms.
354
823000
2000
parce qu'ils les évaluent en termes relatifs.
14:00
They're why people in the housing market refused to sell their house --
355
825000
2000
Voilà pourquoi les gens refusent de vendre leur maison --
14:02
because they don't want to sell at a loss.
356
827000
2000
parce qu'ils ne veulent pas vendre à perte.
14:04
The question we were interested in
357
829000
2000
La question qui nous intéresse est
14:06
is whether the monkeys show the same biases.
358
831000
2000
est-ce que les singes font pareil ?
14:08
If we set up those same scenarios in our little monkey market,
359
833000
3000
Si on monte les mêmes scénarii dans notre petit marché singe,
14:11
would they do the same thing as people?
360
836000
2000
feraient-ils comme les hommes ?
14:13
And so this is what we did, we gave the monkeys choices
361
838000
2000
C'est ce qu'on a fait, on a laissé le choix aux singes
14:15
between guys who were safe -- they did the same thing every time --
362
840000
3000
entre des gens sans danger -- qui font la même chose tout le temps --
14:18
or guys who were risky --
363
843000
2000
ou des gens risqués --
14:20
they did things differently half the time.
364
845000
2000
qui font différemment, la moitié du temps.
14:22
And then we gave them options that were bonuses --
365
847000
2000
Et alors, on leur a donné des options qui étaient des bonus --
14:24
like you guys did in the first scenario --
366
849000
2000
comme vous-mêmes avez eues dans le premier scénario --
14:26
so they actually have a chance more,
367
851000
2000
ils avaient donc une chance de plus,
14:28
or pieces where they were experiencing losses --
368
853000
3000
ou des morceaux quand ils faisaient des pertes --
14:31
they actually thought they were going to get more than they really got.
369
856000
2000
en fait, ils pensaient obtenir plus que ce qu'ils ont eu.
14:33
And so this is what this looks like.
370
858000
2000
Voici à quoi ça ressemble.
14:35
We introduced the monkeys to two new monkey salesmen.
371
860000
2000
On a présenté aux singes deux nouveaux vendeurs.
14:37
The guy on the left and right both start with one piece of grape,
372
862000
2000
Les personnes à gauche et à droite ont commencé avec un grain de raisin,
14:39
so it looks pretty good.
373
864000
2000
ça paraissait bon.
14:41
But they're going to give the monkeys bonuses.
374
866000
2000
Mais ils vont commencer à donner des bonus.
14:43
The guy on the left is a safe bonus.
375
868000
2000
La personne sur la gauche donne un bonus garanti.
14:45
All the time, he adds one, to give the monkeys two.
376
870000
3000
A chaque fois, il en ajoute un, pour en donner deux aux singes.
14:48
The guy on the right is actually a risky bonus.
377
873000
2000
La personne sur la droite est un bonus risqué.
14:50
Sometimes the monkeys get no bonus -- so this is a bonus of zero.
378
875000
3000
Parfois, les singes n'ont rien -- donc un bonus de zéro.
14:53
Sometimes the monkeys get two extra.
379
878000
3000
Parfois, les singes en ont deux en plus.
14:56
For a big bonus, now they get three.
380
881000
2000
Pour un gros bonus, ils en ont 3.
14:58
But this is the same choice you guys just faced.
381
883000
2000
Mais c'est le même choix que vous avez eu à affronter.
15:00
Do the monkeys actually want to play it safe
382
885000
3000
Est-ce que les singes veulent jouer la sécurité
15:03
and then go with the guy who's going to do the same thing on every trial,
383
888000
2000
et iront voir la personne qui fait la même chose à chaque fois,
15:05
or do they want to be risky
384
890000
2000
ou est-ce qu'ils veulent prendre des risques
15:07
and try to get a risky, but big, bonus,
385
892000
2000
et essayer d'obtenir le bonus risqué, mais gros,
15:09
but risk the possibility of getting no bonus.
386
894000
2000
en prenant le risque de n'avoir aucun bonus.
15:11
People here played it safe.
387
896000
2000
Les gens ici ont joué la sécurité.
15:13
Turns out, the monkeys play it safe too.
388
898000
2000
Eh bien, les singes jouent aussi la sécurité.
15:15
Qualitatively and quantitatively,
389
900000
2000
Qualitativement et quantitativement,
15:17
they choose exactly the same way as people,
390
902000
2000
ils choisissent exactement comme les gens,
15:19
when tested in the same thing.
391
904000
2000
dans le même contexte.
15:21
You might say, well, maybe the monkeys just don't like risk.
392
906000
2000
Vous pourriez dire, ok, peut-être que les singes n'aiment pas le risque.
15:23
Maybe we should see how they do with losses.
393
908000
2000
Peut-être on devrait observer comment ils se comportent avec les pertes.
15:25
And so we ran a second version of this.
394
910000
2000
Donc, on a programmé une deuxième version du test.
15:27
Now, the monkeys meet two guys
395
912000
2000
Maintenant, les singes rencontrent deux personnes
15:29
who aren't giving them bonuses;
396
914000
2000
qui ne leur donnent pas de bonus;
15:31
they're actually giving them less than they expect.
397
916000
2000
ils leur donnent moins que ce qu'ils attendent.
15:33
So they look like they're starting out with a big amount.
398
918000
2000
Ils font comme s'ils allaient donner une grosse quantité.
15:35
These are three grapes; the monkey's really psyched for this.
399
920000
2000
Voici 3 raisins; les singes sont vraiment dingues de ça.
15:37
But now they learn these guys are going to give them less than they expect.
400
922000
3000
Mais maintenant, ils apprennent que ces personnes leur donnent moins qu'attendu.
15:40
They guy on the left is a safe loss.
401
925000
2000
La personne à gauche est une perte sure.
15:42
Every single time, he's going to take one of these away
402
927000
3000
A chaque fois, il enlève un raisin
15:45
and give the monkeys just two.
403
930000
2000
et n'en donne que deux aux singes.
15:47
the guy on the right is the risky loss.
404
932000
2000
La personne sur la droite est une perte risquée.
15:49
Sometimes he gives no loss, so the monkeys are really psyched,
405
934000
3000
Parfois, il n'enlève rien, donc les singes sont vraiment excités,
15:52
but sometimes he actually gives a big loss,
406
937000
2000
mais parfois il fait une grosse perte,
15:54
taking away two to give the monkeys only one.
407
939000
2000
en enlevant 2 raisins pour n'en donner qu'un aux singes.
15:56
And so what do the monkeys do?
408
941000
2000
Et que font les singes ?
15:58
Again, same choice; they can play it safe
409
943000
2000
Encore, même choix; ils peuvent la jouer sécurité
16:00
for always getting two grapes every single time,
410
945000
3000
pour recevoir à chaque fois 2 raisins,
16:03
or they can take a risky bet and choose between one and three.
411
948000
3000
ou ils peuvent prendre un risque et choisir entre 1 et 3.
16:06
The remarkable thing to us is that, when you give monkeys this choice,
412
951000
3000
La chose remarquable pour nous est que, quand vous laissez le choix aux singes,
16:09
they do the same irrational thing that people do.
413
954000
2000
ils font la même chose irrationnelle que les gens.
16:11
They actually become more risky
414
956000
2000
Ils prennent plus de risque
16:13
depending on how the experimenters started.
415
958000
3000
en fonction du début de l'expérience.
16:16
This is crazy because it suggests that the monkeys too
416
961000
2000
C'est fou car cela laisse à pense que les singes aussi
16:18
are evaluating things in relative terms
417
963000
2000
évaluent les choses de manière relative
16:20
and actually treating losses differently than they treat gains.
418
965000
3000
et traitent les pertes différemment des gains.
16:23
So what does all of this mean?
419
968000
2000
Donc, quelle est la conclusion ?
16:25
Well, what we've shown is that, first of all,
420
970000
2000
Eh bien, ce que l'on a démontré est que, premièrement,
16:27
we can actually give the monkeys a financial currency,
421
972000
2000
on peut donner aux singes une devise monétaire,
16:29
and they do very similar things with it.
422
974000
2000
et ils font des choses similaires avec.
16:31
They do some of the smart things we do,
423
976000
2000
Ils font quelques-unes des choses intelligentes que l'on fait,
16:33
some of the kind of not so nice things we do,
424
978000
2000
quelques-unes des choses pas très bonnes que l'on fait,
16:35
like steal it and so on.
425
980000
2000
comme voler, etc.
16:37
But they also do some of the irrational things we do.
426
982000
2000
Mais ils font aussi quelques-unes des choses irrationnelles comme nous.
16:39
They systematically get things wrong
427
984000
2000
Ils comprennent systématiquement tout de travers,
16:41
and in the same ways that we do.
428
986000
2000
de la même manière que nous.
16:43
This is the first take-home message of the Talk,
429
988000
2000
C'est le premier message à méditer de la présentation
16:45
which is that if you saw the beginning of this and you thought,
430
990000
2000
qui est que si vous avez vu le début et vous avez pensé,
16:47
oh, I'm totally going to go home and hire a capuchin monkey financial adviser.
431
992000
2000
oh, je vais rentrer chez moi et embaucher un capucin comme conseiller financier.
16:49
They're way cuter than the one at ... you know --
432
994000
2000
Ils sont bien plus pertinents que celui de... vous savez --
16:51
Don't do that; they're probably going to be just as dumb
433
996000
2000
Ne faites pas ça; ils seront probablement aussi stupides
16:53
as the human one you already have.
434
998000
3000
que l'homme que vous avez déjà.
16:56
So, you know, a little bad -- Sorry, sorry, sorry.
435
1001000
2000
Donc, dommage -- désolé, désolé, désolé.
16:58
A little bad for monkey investors.
436
1003000
2000
C'est dommage pour les investisseurs singes.
17:00
But of course, you know, the reason you're laughing is bad for humans too.
437
1005000
3000
Mais bien sûr, la raison pour laquelle vous riez est mauvaise pour les hommes aussi.
17:03
Because we've answered the question we started out with.
438
1008000
3000
Car nous avons répondu à la question du début.
17:06
We wanted to know where these kinds of errors came from.
439
1011000
2000
On voulait savoir d'où provenaient ces types d'erreur.
17:08
And we started with the hope that maybe we can
440
1013000
2000
On avait commencé avec l'espoir que peut-être on pourrait
17:10
sort of tweak our financial institutions,
441
1015000
2000
un peu régler nos institutions financières,
17:12
tweak our technologies to make ourselves better.
442
1017000
3000
régler nos technologies pour faire mieux de nous-mêmes.
17:15
But what we've learn is that these biases might be a deeper part of us than that.
443
1020000
3000
Mais ce qu'on a appris, c'est que ces biais pourraient être une part de nous plus profonde que ça.
17:18
In fact, they might be due to the very nature
444
1023000
2000
En fait, ils pourraient être dus à la nature même
17:20
of our evolutionary history.
445
1025000
2000
de notre évolution.
17:22
You know, maybe it's not just humans
446
1027000
2000
Peut-être, ce n'est pas que les humains
17:24
at the right side of this chain that's duncey.
447
1029000
2000
du bon côté de la chaîne qui sont stupides.
17:26
Maybe it's sort of duncey all the way back.
448
1031000
2000
Peut-être qu'il y a de la bêtise tout du long.
17:28
And this, if we believe the capuchin monkey results,
449
1033000
3000
Et ainsi, si on en croit les résultats des capucins
17:31
means that these duncey strategies
450
1036000
2000
cela signifie que ces stupides stratégies
17:33
might be 35 million years old.
451
1038000
2000
peuvent avoir 35 millions d'années.
17:35
That's a long time for a strategy
452
1040000
2000
C'est long pour une stratégie
17:37
to potentially get changed around -- really, really old.
453
1042000
3000
pour être potentiellement changée -- vraiment très très long.
17:40
What do we know about other old strategies like this?
454
1045000
2000
Que sait-on sur d'autres vieilles stratégies comme celle-ci ?
17:42
Well, one thing we know is that they tend to be really hard to overcome.
455
1047000
3000
Eh bien, une chose que l'on sait est qu'elles ont tendance à être difficilement surmontables.
17:45
You know, think of our evolutionary predilection
456
1050000
2000
Pensez à notre prédilection
17:47
for eating sweet things, fatty things like cheesecake.
457
1052000
3000
à manger des sucreries, des choses grasses comme le cheese-cake.
17:50
You can't just shut that off.
458
1055000
2000
Vous nous pouvez pas vous en empêcher.
17:52
You can't just look at the dessert cart as say, "No, no, no. That looks disgusting to me."
459
1057000
3000
Vous ne pouvez pas simplement regarder la carte des desserts et dire "non, non, c'est dégoutant."
17:55
We're just built differently.
460
1060000
2000
Nous sommes juste conçus différemment.
17:57
We're going to perceive it as a good thing to go after.
461
1062000
2000
On le perçoit comme une bonne chose.
17:59
My guess is that the same thing is going to be true
462
1064000
2000
Mon sentiment est que c'est le même phénomène
18:01
when humans are perceiving
463
1066000
2000
quand les hommes perçoivent
18:03
different financial decisions.
464
1068000
2000
des décisions financières différentes.
18:05
When you're watching your stocks plummet into the red,
465
1070000
2000
Lorsque vous voyez vos actions tomber dans le rouge,
18:07
when you're watching your house price go down,
466
1072000
2000
quand vous voyez le prix de votre maison s'effondrer,
18:09
you're not going to be able to see that
467
1074000
2000
vous ne serez pas en mesure de voir cela
18:11
in anything but old evolutionary terms.
468
1076000
2000
autrement que selon notre longue évolution.
18:13
This means that the biases
469
1078000
2000
Cela signifie que les biais
18:15
that lead investors to do badly,
470
1080000
2000
qui font que les investisseurs réagissent mal,
18:17
that lead to the foreclosure crisis
471
1082000
2000
produisant la crise des subprimes,
18:19
are going to be really hard to overcome.
472
1084000
2000
vont être très difficiles à surmonter.
18:21
So that's the bad news. The question is: is there any good news?
473
1086000
2000
Voici donc les mauvaises nouvelles. La question est : y-a-t-il de bonnes nouvelles ?
18:23
I'm supposed to be up here telling you the good news.
474
1088000
2000
Je suis censée être ici pour vous annoncer de bonnes nouvelles.
18:25
Well, the good news, I think,
475
1090000
2000
Eh bien, les bonnes nouvelles, je pense,
18:27
is what I started with at the beginning of the Talk,
476
1092000
2000
sont au début de ma présentation,
18:29
which is that humans are not only smart;
477
1094000
2000
les hommes ne sont pas seulement intelligents,
18:31
we're really inspirationally smart
478
1096000
2000
nous sommes inspirés intelligemment
18:33
to the rest of the animals in the biological kingdom.
479
1098000
3000
contrairement au reste des animaux du royaume biologique.
18:36
We're so good at overcoming our biological limitations --
480
1101000
3000
Nous sommes si bons à surmonter nos limites biologiques --
18:39
you know, I flew over here in an airplane.
481
1104000
2000
j'ai pris l'avion pour venir ici.
18:41
I didn't have to try to flap my wings.
482
1106000
2000
Je n'ai pas eu à essayer de battre des ailes.
18:43
I'm wearing contact lenses now so that I can see all of you.
483
1108000
3000
Je porte des lentilles de contact, je peux donc tous vous voir.
18:46
I don't have to rely on my own near-sightedness.
484
1111000
3000
Je n'ai pas besoin de me soucier de ma myopie.
18:49
We actually have all of these cases
485
1114000
2000
Il y a tous ces cas
18:51
where we overcome our biological limitations
486
1116000
3000
où nous surmontons nos limites biologiques
18:54
through technology and other means, seemingly pretty easily.
487
1119000
3000
grâce à la technologie et d'autres moyens, très simplement visiblement.
18:57
But we have to recognize that we have those limitations.
488
1122000
3000
Mais nous devons reconnaître nos limites.
19:00
And here's the rub.
489
1125000
2000
C'est ça le problème.
19:02
It was Camus who once said that, "Man is the only species
490
1127000
2000
C'est Camus qui a dit "l'homme est la seule créature
19:04
who refuses to be what he really is."
491
1129000
3000
qui refuse d'être ce qu'elle est".
19:07
But the irony is that
492
1132000
2000
Mais l'ironie est que
19:09
it might only be in recognizing our limitations
493
1134000
2000
sans doute, seul le fait de reconnaitre nos limites
19:11
that we can really actually overcome them.
494
1136000
2000
peut nous aider à les surmonter.
19:13
The hope is that you all will think about your limitations,
495
1138000
3000
L'espoir est que chacun de vous réfléchira à ses limites
19:16
not necessarily as unovercomable,
496
1141000
3000
pas forcément comme insurmontables,
19:19
but to recognize them, accept them
497
1144000
2000
mais juste les reconnaître et les accepter
19:21
and then use the world of design to actually figure them out.
498
1146000
3000
et enfin utiliser le monde du design pour les comprendre.
19:24
That might be the only way that we will really be able
499
1149000
3000
Cela peut être le seul moyen pour nous permettre
19:27
to achieve our own human potential
500
1152000
2000
d'atteindre notre potentiel humain
19:29
and really be the noble species we hope to all be.
501
1154000
3000
et devenir cette espèce noble que nous espérons devenir.
19:32
Thank you.
502
1157000
2000
Merci.
19:34
(Applause)
503
1159000
5000
(Applaudissements)
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