ABOUT THE SPEAKER
Dan Pink - Career analyst
Bidding adieu to his last "real job" as Al Gore's speechwriter, Dan Pink went freelance to spark a right-brain revolution in the career marketplace.

Why you should listen

With a trio of influential bestsellers, Dan Pink has changed the way companies view the modern workplace. In the pivotal A Whole New Mind, Pink identifies a sea change in the global workforce -- the shift of an information-based corporate culture to a conceptual base, where creativity and big-picture design dominates the landscape.

His latest book, The Adventures of Johnny Bunko, is an evolutionary transformation of the familiar career guide. Replacing linear text with a manga-inspired comic, Pink outlines six career laws vastly differing from the ones you've been taught. Members of the Johnny Bunko online forum participated in an online contest to create the seventh law -- "stay hungry."

A contributing editor for Wired, Pink is working on a new book on the science and economics of motivation for release in late 2009.

More profile about the speaker
Dan Pink | Speaker | TED.com
TEDGlobal 2009

Dan Pink: The puzzle of motivation

Dan Pink über die überraschende Wissenschaft der Motivation

Filmed:
25,352,736 views

Der Karriereberater Dan Pink untersucht das Rätsel der Motivation, wobei er mit einer Tatsache beginnt, die Sozialwissenschaftler kennen, die meisten Manager jedoch nicht: Herkömmliche Belohnungen sind nicht immer so effektiv wie wir meinen. Lauschen Sie den aufschlussreichen Geschichten -- und vielleicht einem Weg nach vorne.
- Career analyst
Bidding adieu to his last "real job" as Al Gore's speechwriter, Dan Pink went freelance to spark a right-brain revolution in the career marketplace. Full bio

Double-click the English transcript below to play the video.

00:12
I need to make a confessionBekenntnis at the outsetAnfang an here.
0
0
4000
Ich muss gleich zu Beginn ein Geständnis ablegen.
00:16
A little over 20 yearsJahre agovor
1
4000
3000
Vor etwas mehr als 20 Jahren
00:19
I did something that I regretbedauern,
2
7000
2000
habe ich etwas getan, das ich bedauere,
00:21
something that I'm not particularlyinsbesondere proudstolz of,
3
9000
4000
etwas, auf das ich nicht besonders stolz bin,
00:25
something that, in manyviele waysWege, I wishWunsch no one would ever know,
4
13000
3000
etwas, von dem ich in vielerlei Hinsicht wünschte, dass es keiner wüsste.
00:28
but here I feel kindArt of obligedverpflichtet to revealverraten.
5
16000
4000
Aber hier fühle ich mich irgendwie verpflichtet, es zu offenbaren.
00:32
(LaughterLachen)
6
20000
2000
(Gelächter)
00:34
In the latespät 1980s,
7
22000
2000
Spät in den 1980ern,
00:36
in a momentMoment of youthfulJugendliche indiscretionIndiskretion,
8
24000
3000
in einem Momemt jugendlicher Unbesonnenheit,
00:39
I wentging to lawRecht schoolSchule.
9
27000
2000
bin ich zur Law School (juristische Fakultät) gegangen.
00:41
(LaughterLachen)
10
29000
4000
(Gelächter)
00:45
Now, in AmericaAmerika lawRecht is a professionalProfessionel degreeGrad:
11
33000
3000
In Amerika ist die Rechtswissenschaft ein beruflicher Abschluss.
00:48
you get your universityUniversität degreeGrad, then you go on to lawRecht schoolSchule.
12
36000
2000
Man erhält seinen Universitätabschluss. Dann geht man weiter zur Law School.
00:50
And when I got to lawRecht schoolSchule,
13
38000
3000
Und als ich zur Law School ging,
00:53
I didn't do very well.
14
41000
2000
schnitt ich nicht so gut ab.
00:55
To put it mildlyleicht, I didn't do very well.
15
43000
2000
Gelinde gesagt, ich schnitt nicht so gut ab.
00:57
I, in factTatsache, graduatedabsolvierte in the partTeil of my lawRecht schoolSchule classKlasse
16
45000
3000
Tatsächlich schloss ich gemeinsam mit dem Teil meiner Klasse ab,
01:00
that madegemacht the topoben 90 percentProzent possiblemöglich.
17
48000
4000
der die Top 90 Prozent -- ermöglicht hatte.
01:04
(LaughterLachen)
18
52000
4000
(Gelächter)
01:08
Thank you.
19
56000
3000
Vielen Dank.
01:11
I never practicedpraktiziert lawRecht a day in my life;
20
59000
3000
Ich habe keinen einzigen Tag in meinem Leben als Anwalt praktiziert.
01:14
I prettyziemlich much wasn'twar nicht alloweddürfen to.
21
62000
2000
Ich wurde nicht zugelassen.
01:16
(LaughterLachen)
22
64000
3000
(Gelächter)
01:19
But todayheute, againstgegen my better judgmentBeurteilung,
23
67000
3000
Heute jedoch, wider besseren Wissens,
01:22
againstgegen the adviceRat of my ownbesitzen wifeEhefrau,
24
70000
3000
gegen den Rat meiner eigenen Frau,
01:25
I want to try to dustStaub off some of those legallegal skillsFähigkeiten --
25
73000
4000
möchte ich versuchen, einige dieser juristischen Fähigkeiten zu entstauben --
01:29
what's left of those legallegal skillsFähigkeiten.
26
77000
2000
das, was noch davon übrig ist.
01:31
I don't want to tell you a storyGeschichte.
27
79000
3000
Ich möchte Ihnen keine Geschichte erzählen.
01:34
I want to make a caseFall.
28
82000
2000
Ich möchte Beweise vortragen.
01:36
I want to make a hard-headednüchterne, evidence-basedEvidenz-basierte,
29
84000
4000
Ich möchte einen sachlichen, auf Beweisen beruhenden,
01:40
dareWagen I say lawyerlyanwaltlichen caseFall,
30
88000
3000
ich möchte sagen anwaltlichen Fall über
01:43
for rethinkingumdenken how we runLauf our businessesUnternehmen.
31
91000
4000
das Umdenken, wie wir unsere Geschäfte führen, vortragen.
01:47
So, ladiesDamen and gentlemenHerren of the juryJury, take a look at this.
32
95000
4000
Also, meine Damen und Herren aus der Jury, schauen Sie sich das hier an.
01:51
This is callednamens the candleKerze problemProblem.
33
99000
2000
Dies ist das Kerzen-Problem.
01:53
Some of you mightMacht have seengesehen this before.
34
101000
2000
Einige von Ihnen haben das vielleicht schon mal gesehen.
01:55
It's createderstellt in 1945
35
103000
2000
Es wurde 1945
01:57
by a psychologistPsychologe namedgenannt KarlKarl DunckerDuncker.
36
105000
2000
von einem Psychologen namens Karl Duncker geschaffen.
01:59
KarlKarl DunckerDuncker createderstellt this experimentExperiment
37
107000
2000
Karl Duncker erschuf dieses Experiment,
02:01
that is used in a wholeganze varietyVielfalt of experimentsExperimente in behavioralVerhaltens- scienceWissenschaft.
38
109000
3000
welches als eines vieler Experimente in der Verhaltensforschung angewendet wird.
02:04
And here'shier ist how it worksWerke. SupposeNehmen wir an I'm the experimenterExperimentator.
39
112000
3000
Und so funktioniert es. Nehmen Sie an, ich bin der Experimentator.
02:07
I bringbringen you into a roomZimmer. I give you a candleKerze,
40
115000
4000
Ich bringe Sie in einen Raum. Ich gebe Ihnen eine Kerze,
02:11
some thumbtacksReißzwecken and some matchesSpiele.
41
119000
2000
einige Heftzwecken und ein paar Streichhölzer.
02:13
And I say to you, "Your jobJob
42
121000
2000
Und ich sage Ihnen: "Ihre Aufgabe
02:15
is to attachanfügen the candleKerze to the wallMauer
43
123000
2000
ist es, die Kerze so an der Wand zu befestigen,
02:17
so the waxWachs doesn't dripTropf ontoauf zu the tableTabelle." Now what would you do?
44
125000
4000
dass der Wachs nicht auf den Tisch tropft." Was würden Sie jetzt tun?
02:21
Now manyviele people beginStart tryingversuchen to thumbtackReißzwecke the candleKerze to the wallMauer.
45
129000
4000
Viele Leute versuchen nun, die Kerze mit den Heftzwecken an der Wand zu befestigen.
02:25
Doesn't work.
46
133000
2000
Funktioniert nicht.
02:27
SomebodyJemand, some people -- and I saw somebodyjemand
47
135000
2000
Einige Leute -- und ich habe jemanden hier im Publikum gesehen,
02:29
kindArt of make the motionBewegung over here --
48
137000
2000
der diese Bewegung gemacht hat.
02:31
some people have a great ideaIdee where they
49
139000
2000
Einige Leute haben die großartige Idee,
02:33
lightLicht the matchSpiel, meltSchmelze the sideSeite of the candleKerze, try to adherehalten it to the wallMauer.
50
141000
4000
das Streichholz anzuzünden, die Seite der Kerze damit zu schmelzen und sie an der Wand zu befestigen versuchen.
02:37
It's an awesomegenial ideaIdee. Doesn't work.
51
145000
3000
Das ist eine tolle Idee. Funktioniert nicht.
02:40
And eventuallyschließlich, after fivefünf or 10 minutesProtokoll,
52
148000
3000
Und schließlich, nach fünf oder zehn Minuten,
02:43
mostdie meisten people figureZahl out the solutionLösung,
53
151000
2000
kommen die meisten Leute auf die Lösung,
02:45
whichwelche you can see here.
54
153000
2000
die Sie hier sehen können.
02:47
The keySchlüssel is to overcomeüberwinden what's callednamens functionalfunktionell fixednessGebundenheit.
55
155000
3000
Der Schlüssel liegt darin, die so genannte funktionale Gebundenheit zu überwinden.
02:50
You look at that boxBox and you see it only as a receptacleAuffangbehälter for the tacksReißnägel.
56
158000
4000
Sie sehen die Schachtel und betrachten sie lediglich als einen Behälter für die Heftzwecken.
02:54
But it can alsoebenfalls have this other functionFunktion,
57
162000
2000
Sie kann aber auch eine andere Funktion haben --
02:56
as a platformPlattform for the candleKerze. The candleKerze problemProblem.
58
164000
4000
als eine Standfläche für die Kerze. Das Kerzen-Problem.
03:00
Now I want to tell you about an experimentExperiment
59
168000
2000
Nun möchte ich Ihnen von einem Experiment erzählen,
03:02
usingmit the candleKerze problemProblem,
60
170000
2000
das auf dem Kerzen-Problem aufbaut.
03:04
doneerledigt by a scientistWissenschaftler namedgenannt SamSam GlucksbergGlucksberg,
61
172000
2000
Es wurde von einem Wissenschaftler namens Sam Glucksberg durchgeführt,
03:06
who is now at PrincetonPrinceton UniversityUniversität in the U.S.
62
174000
2000
der nun an der Princeton-Universität in den USA ist.
03:08
This showszeigt an the powerLeistung of incentivesAnreize.
63
176000
4000
Es zeigt die Macht von Anreizen.
03:12
Here'sHier ist what he did. He gatheredversammelt his participantsTeilnehmer.
64
180000
2000
Hier ist, was er getan hat. Er hat seine Teilnehmer versammelt
03:14
And he said, "I'm going to time you. How quicklyschnell you can solvelösen this problemProblem?"
65
182000
3000
und sagte: "Ich werde Ihre Zeit messen, wie schnell Sie dieses Problem lösen können."
03:17
To one groupGruppe he said,
66
185000
2000
Einer Gruppe sagte er:
03:19
"I'm going to time you to establishGründen normsNormen,
67
187000
3000
"Ich werde Ihre Zeit messen, um eine Norm zu ermitteln,
03:22
averagesDurchschnittswerte for how long it typicallytypischerweise takes
68
190000
2000
wie lange es typischerweise dauert,
03:24
someonejemand to solvelösen this sortSortieren of problemProblem."
69
192000
2000
um diese Art von Problem zu lösen."
03:26
To the secondzweite groupGruppe he offeredangeboten rewardsBelohnungen.
70
194000
3000
Der zweiten Gruppe bot er Belohnungen an.
03:29
He said, "If you're in the topoben 25 percentProzent of the fastestSchnellste timesmal,
71
197000
4000
Er sagte: "Wenn Sie zu den 25 Prozent der Schnellsten gehören,
03:33
you get fivefünf dollarsDollar.
72
201000
3000
erhalten Sie fünf Dollar.
03:36
If you're the fastestSchnellste of everyonejeder we're testingtesten here todayheute,
73
204000
3000
Wenn Sie der Schnellste von allen heute sind,
03:39
you get 20 dollarsDollar."
74
207000
2000
erhalten Sie 20 Dollar."
03:41
Now this is severalmehrere yearsJahre agovor. AdjustedAngepasst for inflationInflation,
75
209000
3000
Das ist nun einige Jahre her, inflationsbereinigt.
03:44
it's a decentanständige sumSumme of moneyGeld for a fewwenige minutesProtokoll of work.
76
212000
2000
Es ist eine ordentliche Summe an Geld für wenige Minuten Arbeit.
03:46
It's a nicenett motivatorMotivator.
77
214000
2000
Es ist ein netter Motivator.
03:48
QuestionFrage: How much fasterschneller
78
216000
3000
Frage: Wie viel schneller
03:51
did this groupGruppe solvelösen the problemProblem?
79
219000
2000
löste diese Gruppe das Problem?
03:53
AnswerAntwort: It tookdauerte them, on averagedurchschnittlich,
80
221000
3000
Antwort: Sie brauchte durchschnittlich
03:56
threedrei and a halfHälfte minutesProtokoll longerlänger.
81
224000
4000
3,5 Minuten länger.
04:00
ThreeDrei and a halfHälfte minutesProtokoll longerlänger. Now this makesmacht no senseSinn right?
82
228000
3000
3,5 Minuten länger. Das ergibt keinen Sinn, oder?
04:03
I mean, I'm an AmericanAmerikanische. I believe in freefrei marketsMärkte.
83
231000
3000
Ich meine, ich bin Amerikaner. Ich glaube an freie Märkte.
04:06
That's not how it's supposedsoll to work. Right?
84
234000
3000
So sollte es nicht laufen, oder?
04:09
(LaughterLachen)
85
237000
1000
(Gelächter)
04:10
If you want people to performausführen better,
86
238000
2000
Wenn Sie möchten, dass Menschen bessere Leistungen erbringen,
04:12
you rewardBelohnung them. Right?
87
240000
2000
belohnen Sie diese. Richtig?
04:14
BonusesBoni, commissionsKommissionen, theirihr ownbesitzen realityWirklichkeit showShow.
88
242000
3000
Boni, Provisionen, ihre eigene Reality-Show.
04:17
IncentivizeEinen Anreiz them. That's how businessGeschäft worksWerke.
89
245000
4000
Schaffen Sie ihnen Anreize. So funktioniert das Geschäft.
04:21
But that's not happeningHappening here.
90
249000
2000
Aber das passiert hier nicht.
04:23
You've got an incentiveAnreiz designedentworfen to
91
251000
2000
Man hat einen Anreiz geschaffen,
04:25
sharpenzu schärfen thinkingDenken and acceleratebeschleunigen creativityKreativität,
92
253000
4000
um das Denken zu schärfen und die Kreativität zu beschleunigen.
04:29
and it does just the oppositeGegenteil.
93
257000
2000
Und es passiert genau das Gegenteil.
04:31
It dullsstumpft thinkingDenken and blocksBlöcke creativityKreativität.
94
259000
3000
Es beschränkt das Denken und blockiert die Kreativität.
04:34
And what's interestinginteressant about this experimentExperiment is that it's not an aberrationAberration.
95
262000
3000
Und das Interessante an diesem Experiment ist, dass es kein Ausreißer ist.
04:37
This has been replicatedrepliziert over and over
96
265000
3000
Dies konnte immer wieder und wieder nachgestellt werden --
04:40
and over again, for nearlyfast 40 yearsJahre.
97
268000
3000
seit fast 40 Jahren.
04:43
These contingentKontingent motivatorsMotivatoren --
98
271000
3000
Diese bedingten Motivatoren --
04:46
if you do this, then you get that --
99
274000
2000
wenn Sie dies tun, dann erhalten Sie jenes --
04:48
work in some circumstancesUmstände.
100
276000
2000
funktionieren unter gewissen Umständen.
04:50
But for a lot of tasksAufgaben, they actuallytatsächlich eitherentweder don't work
101
278000
3000
Für viele Aufgaben jedoch funktionieren sie entweder nicht
04:53
or, oftenhäufig, they do harmSchaden.
102
281000
3000
oder richten oftmals Schaden an.
04:56
This is one of the mostdie meisten robustrobust findingsErgebnisse
103
284000
4000
Dies ist eines der stabilsten Forschungsergebnisse
05:00
in socialSozial scienceWissenschaft,
104
288000
3000
in der Sozialwissenschaft.
05:03
and alsoebenfalls one of the mostdie meisten ignoredignoriert.
105
291000
2000
Und ebenfalls eines der am meisten ignorierten.
05:05
I spentverbraucht the last couplePaar of yearsJahre looking at the scienceWissenschaft of
106
293000
2000
Ich habe die letzten Jahre damit verbracht, die Wissenschaft
05:07
humanMensch motivationMotivation,
107
295000
2000
menschlicher Motivation zu untersuchen.
05:09
particularlyinsbesondere the dynamicsDynamik of extrinsicextrinsische motivatorsMotivatoren
108
297000
2000
Insbesondere das Kräftespiel von extrinsischen Motivatoren
05:11
and intrinsicintrinsische motivatorsMotivatoren.
109
299000
2000
und intrinsischen Motivatoren.
05:13
And I'm tellingErzählen you, it's not even closeschließen.
110
301000
2000
Und ich kann Ihnen sagen, dass es nicht einmal ansatzweise so ist.
05:15
If you look at the scienceWissenschaft, there is a mismatchfehlende Übereinstimmung
111
303000
2000
Wenn Sie sich die Wissenschaft ansehen, gibt es ein Ungleichgewicht
05:17
betweenzwischen what scienceWissenschaft knowsweiß and what businessGeschäft does.
112
305000
4000
zwischen dem, was die Wissenschaft weiß und was die Geschäftswelt tut.
05:21
And what's alarmingalarmierende here is that our businessGeschäft operatingBetriebs systemSystem --
113
309000
3000
Und es ist besorgniserregend, dass unser Geschäftsbetrieb --
05:24
think of the setSet of assumptionsAnnahmen and protocolsProtokolle beneathunter our businessesUnternehmen,
114
312000
3000
denken Sie an die Reihe von Annahmen und Protokollen in unseren Betrieben,
05:27
how we motivatemotivieren people, how we applysich bewerben our humanMensch resourcesRessourcen --
115
315000
5000
wie wir Menschen motivieren, wie wir unser Personal einsetzen --
05:32
it's builtgebaut entirelyvollständig around these extrinsicextrinsische motivatorsMotivatoren,
116
320000
3000
gänzlich auf extrinsischen Motivatoren beruht,
05:35
around carrotsKarotten and sticksStöcke.
117
323000
2000
auf Zuckerbrot und Peitsche.
05:37
That's actuallytatsächlich fine for manyviele kindsArten of 20thth centuryJahrhundert tasksAufgaben.
118
325000
4000
Das ist in der Tat gut für viele Arten von Aufgaben des 20. Jahrhunderts.
05:41
But for 21stst centuryJahrhundert tasksAufgaben,
119
329000
2000
Für Aufgaben des 21. Jahrhunderts jedoch
05:43
that mechanisticmechanistische, reward-and-punishmentBelohnung und Strafe approachAnsatz
120
331000
4000
funktioniert dieser mechanistische, Belohnung-und-Strafe-Ansatz
05:47
doesn't work, oftenhäufig doesn't work, and oftenhäufig does harmSchaden.
121
335000
4000
nicht -- funktioniert oftmals nicht und richtet häufig Schaden an.
05:51
Let me showShow you what I mean.
122
339000
2000
Lassen Sie mich Ihnen zeigen, was ich meine.
05:53
So GlucksbergGlucksberg did anotherein anderer experimentExperiment similarähnlich to this
123
341000
3000
Glucksberg hat also ein weiteres, ähnliches Experiment durchgeführt,
05:56
where he presentedvorgeführt the problemProblem in a slightlyleicht differentanders way,
124
344000
2000
bei dem er das Problem in einer etwas anderen Weise dargestellt hat,
05:58
like this up here. Okay?
125
346000
3000
wie hier oben zu sehen ist. Okay?
06:01
AttachBefestigen Sie the candleKerze to the wallMauer so the waxWachs doesn't dripTropf ontoauf zu the tableTabelle.
126
349000
2000
Bringen Sie die Kerze an der Wand an, so dass der Wachs nicht auf den Tisch tropft.
06:03
SameGleichen dealDeal. You: we're timingzeitliche Koordinierung for normsNormen.
127
351000
3000
Gleiche Abmachung. Eure Zeit wird gestoppt für Normen.
06:06
You: we're incentivizingIncentivierung.
128
354000
3000
Euch wird ein Anreiz geboten.
06:09
What happenedpassiert this time?
129
357000
2000
Was passierte dieses Mal?
06:11
This time, the incentivizedwesentlichstes groupGruppe
130
359000
2000
Dieses Mal besiegte die Gruppe mit den Anreizen
06:13
kickedgekickt the other group'sdes Konzerns buttHintern.
131
361000
4000
die andere Gruppe deutlich.
06:17
Why? Because when the tacksReißnägel are out of the boxBox,
132
365000
4000
Warum? Wenn die Heftzwecken nicht in der Schachtel sind,
06:21
it's prettyziemlich easyeinfach isn't it?
133
369000
4000
ist es ziemlich einfach, oder?
06:25
(LaughterLachen)
134
373000
2000
(Gelächter)
06:27
If-thenWenn-dann rewardsBelohnungen work really well
135
375000
3000
Wenn-dann-Belohungen funktionieren wirklich gut
06:30
for those sortssortiert of tasksAufgaben,
136
378000
3000
für die Arten von Aufgaben,
06:33
where there is a simpleeinfach setSet of rulesRegeln and a clearklar destinationZiel
137
381000
2000
bei denen es ein einfaches Regelwerk und ein klares Ziel
06:35
to go to.
138
383000
2000
gibt.
06:37
RewardsBelohnungen, by theirihr very natureNatur,
139
385000
2000
Belohnungen begrenzen naturgemäß
06:39
narroweng our focusFokus, concentratekonzentrieren the mindVerstand;
140
387000
2000
unser Blickfeld, konzentrieren unsere Gedanken.
06:41
that's why they work in so manyviele casesFälle.
141
389000
2000
Deshalb funktionieren sie in so vielen Fällen.
06:43
And so, for tasksAufgaben like this,
142
391000
2000
Für Aufgaben wie diese also
06:45
a narroweng focusFokus, where you just see the goalTor right there,
143
393000
3000
funktioniert ein begrenztes Blickfeld, bei dem man nur das Ziel vor Augen hat
06:48
zoomZoomen straightGerade aheadvoraus to it,
144
396000
2000
und es geradewegs fokussiert,
06:50
they work really well.
145
398000
2000
wirklich gut.
06:52
But for the realecht candleKerze problemProblem,
146
400000
2000
Für das echte Kerzen-Problem jedoch
06:54
you don't want to be looking like this.
147
402000
2000
sollte man nicht auf diese Art schauen.
06:56
The solutionLösung is not over here. The solutionLösung is on the peripheryPeripherie.
148
404000
2000
Die Lösung liegt nicht auf der Hand. Die Lösung ist im Umfeld.
06:58
You want to be looking around.
149
406000
2000
Man sollte sich umsehen.
07:00
That rewardBelohnung actuallytatsächlich narrowsNarrows our focusFokus
150
408000
2000
Diese Belohnung begrenzt tatsächlich unser Blickfeld
07:02
and restrictsbeschränkt our possibilityMöglichkeit.
151
410000
2000
und beschränkt unsere Möglichkeiten.
07:04
Let me tell you why this is so importantwichtig.
152
412000
3000
Lassen Sie mich Ihnen erklären, warum das so wichtig ist.
07:07
In westernWestern EuropeEuropa,
153
415000
2000
In Westeuropa,
07:09
in manyviele partsTeile of AsiaAsien,
154
417000
2000
in vielen Teilen Asiens,
07:11
in NorthNorden AmericaAmerika, in AustraliaAustralien,
155
419000
3000
in Nordamerika, in Australien
07:14
white-collarWhite-Collar workersArbeitskräfte are doing lessWeniger of
156
422000
2000
verrichten Büroangestellte weniger von
07:16
this kindArt of work,
157
424000
2000
dieser Art von Arbeit
07:18
and more of this kindArt of work.
158
426000
4000
und mehr von dieser Art von Arbeit.
07:22
That routineRoutine, rule-basedregelbasierte, left-brainRechte Gehirnhälfte work --
159
430000
3000
Diese routinemäßige, regelbasierte Arbeit der linken Gehirnhälfte --
07:25
certainsicher kindsArten of accountingBuchhaltung, certainsicher kindsArten of financialfinanziell analysisAnalyse,
160
433000
2000
bestimmte Arten der Buchführung, der Finanzanalyse,
07:27
certainsicher kindsArten of computerComputer programmingProgrammierung --
161
435000
2000
der Computerprogrammierung --
07:29
has becomewerden fairlyziemlich easyeinfach to outsourceauslagern,
162
437000
2000
lässt sich inzwischen sehr leicht outsourcen,
07:31
fairlyziemlich easyeinfach to automatezu automatisieren.
163
439000
2000
sehr leicht automatisieren.
07:33
SoftwareSoftware can do it fasterschneller.
164
441000
3000
Software kann es schneller erledigen.
07:36
Low-costLow-cost providersAnbieter around the worldWelt can do it cheaperbilliger.
165
444000
2000
Billiganbieter auf der ganzen Welt können es günstiger erledigen.
07:38
So what really mattersAngelegenheiten are the more right-brainedrechten Gehirnhälfte
166
446000
4000
Worauf es wirklich ankommt, sind die Fähigkeiten der rechten Gehirnhälfte,
07:42
creativekreativ, conceptualBegriffs kindsArten of abilitiesFähigkeiten.
167
450000
3000
die eher kreativer und konzeptioneller Natur sind.
07:45
Think about your ownbesitzen work.
168
453000
3000
Denken Sie an Ihre eigene Arbeit.
07:48
Think about your ownbesitzen work.
169
456000
3000
Denken Sie an Ihre eigene Arbeit.
07:51
Are the problemsProbleme that you faceGesicht, or even the problemsProbleme
170
459000
2000
Sind die Probleme, denen Sie begegnen, oder sogar die Probleme,
07:53
we'vewir haben been talkingim Gespräch about here,
171
461000
2000
über die wir hier reden,
07:55
are those kindsArten of problemsProbleme -- do they have a clearklar setSet of rulesRegeln,
172
463000
2000
diese Art von Problemen -- haben sie ein klares Regelwerk
07:57
and a singleSingle solutionLösung? No.
173
465000
3000
und eine einzige Lösung? Nein.
08:00
The rulesRegeln are mystifyingrätselhafte.
174
468000
2000
Die Regeln sind verwirrend.
08:02
The solutionLösung, if it existsexistiert at all,
175
470000
2000
Die Lösung, wenn es überhaupt eine gibt,
08:04
is surprisingüberraschend and not obviousoffensichtlich.
176
472000
3000
ist überraschend und nicht offensichtlich.
08:07
EverybodyAlle in this roomZimmer
177
475000
2000
Jeder in diesem Raum
08:09
is dealingUmgang with theirihr ownbesitzen versionVersion
178
477000
3000
hat mit seiner eigenen Version
08:12
of the candleKerze problemProblem.
179
480000
2000
des Kerzen-Problems zu tun.
08:14
And for candleKerze problemsProbleme of any kindArt,
180
482000
3000
Und für Kerzen-Probleme jeglicher Art,
08:17
in any fieldFeld,
181
485000
2000
in jedem Bereich,
08:19
those if-thenWenn-dann rewardsBelohnungen,
182
487000
3000
funktionieren diese Wenn-dann-Belohnungen,
08:22
the things around whichwelche we'vewir haben builtgebaut so manyviele of our businessesUnternehmen,
183
490000
4000
um die wir so viele unserer Geschäfte aufgebaut haben,
08:26
don't work.
184
494000
2000
nicht.
08:28
Now, I mean it makesmacht me crazyverrückt.
185
496000
2000
Ich meine, das macht mich wahnsinnig.
08:30
And this is not -- here'shier ist the thing.
186
498000
2000
Und es ist nicht -- jetzt kommt's.
08:32
This is not a feelingGefühl.
187
500000
3000
Dies ist kein Gefühl.
08:35
Okay? I'm a lawyerAnwalt; I don't believe in feelingsGefühle.
188
503000
3000
Okay? Ich bin Anwalt. Ich glaube nicht an Gefühle.
08:38
This is not a philosophyPhilosophie.
189
506000
4000
Dies ist keine Philosophie.
08:42
I'm an AmericanAmerikanische; I don't believe in philosophyPhilosophie.
190
510000
2000
Ich bin Amerikaner. Ich glaube nicht an Philosophie.
08:44
(LaughterLachen)
191
512000
3000
(Gelächter)
08:47
This is a factTatsache --
192
515000
3000
Dies ist eine Tatsache.
08:50
or, as we say in my hometownHeimatort of WashingtonWashington, D.C.,
193
518000
2000
Oder wie wir in meiner Heimatstadt in Washington D.C. sagen,
08:52
a truewahr factTatsache.
194
520000
2000
eine wahre Tatsache.
08:54
(LaughterLachen)
195
522000
2000
(Gelächter)
08:56
(ApplauseApplaus)
196
524000
4000
(Applaus)
09:00
Let me give you an exampleBeispiel of what I mean.
197
528000
2000
Lassen Sie mich Ihnen einen Beispiel geben.
09:02
Let me marshalMarschall the evidenceBeweise here,
198
530000
2000
Lassen Sie mich die Beweise sammeln.
09:04
because I'm not tellingErzählen you a storyGeschichte, I'm makingHerstellung a caseFall.
199
532000
2000
Ich erzähle Ihnen keine Geschichte. Ich möchte Beweise vortragen.
09:06
LadiesDamen and gentlemenHerren of the juryJury, some evidenceBeweise:
200
534000
2000
Meine Damen und Herren der Jury, einige Beweise:
09:08
DanDan ArielyAriely, one of the great economistsÖkonomen of our time,
201
536000
3000
Dan Ariely, einer der großartigen Ökonomen unserer Zeit --
09:11
he and threedrei colleaguesKollegen, did a studyStudie of some MITMIT studentsStudenten.
202
539000
4000
er und drei Kollegen haben eine Studie an MIT-Studenten durchgeführt.
09:15
They gavegab these MITMIT studentsStudenten a bunchBündel of gamesSpiele,
203
543000
3000
Sie haben diesen MIT-Studenten einen Haufen Spiele gegeben.
09:18
gamesSpiele that involvedbeteiligt creativityKreativität,
204
546000
2000
Spiele, die Kreativität beinhalteten,
09:20
and motorMotor- skillsFähigkeiten, and concentrationKonzentration.
205
548000
2000
genauso wie motorische Fähigkeiten und Konzentration.
09:22
And the offeredangeboten them, for performancePerformance,
206
550000
2000
Und gegen Leistung haben sie ihnen
09:24
threedrei levelsEbenen of rewardsBelohnungen:
207
552000
2000
drei Stufen von Belohungen angeboten.
09:26
smallklein rewardBelohnung, mediumMittel rewardBelohnung, largegroß rewardBelohnung.
208
554000
5000
Kleine Belohnung, mittlere Belohnung, große Belohnung.
09:31
Okay? If you do really well you get the largegroß rewardBelohnung, on down.
209
559000
4000
Okay? Wenn man wirklich gut abschneidet, erhält man die große Belohnung und so weiter.
09:35
What happenedpassiert? As long as the taskAufgabe involvedbeteiligt only mechanicalmechanisch skillFertigkeit
210
563000
4000
Was passierte? Solange die Aufgabe nur routinemäßige Fähigkeiten beinhaltete,
09:39
bonusesBoni workedhat funktioniert as they would be expectederwartet:
211
567000
2000
funktionierten die Boni wie erwartet:
09:41
the higherhöher the payZahlen, the better the performancePerformance.
212
569000
4000
je höher die Bezahlung, desto besser die Leistung.
09:45
Okay? But one the taskAufgabe callednamens for
213
573000
2000
Okay? Aber sobald die Aufgabe
09:47
even rudimentaryrudimentäre cognitivekognitiv skillFertigkeit,
214
575000
4000
auch nur ansatzweise kognitive Fähigkeiten verlangte,
09:51
a largergrößer rewardBelohnung led to poorerärmeren performancePerformance.
215
579000
5000
führte eine größere Belohnung zu schlechterer Leistung.
09:56
Then they said,
216
584000
2000
Anschließend sagten sie:
09:58
"Okay let's see if there's any culturalkulturell biasvorspannen here.
217
586000
2000
"Okay, lassen Sie uns sehen, ob es hier irgendeine kulturelle Befangenheit gibt.
10:00
LetsHiermit können go to MaduraiMadurai, IndiaIndien and testTest this."
218
588000
2000
Lassen Sie uns nach Madurai in Indien gehen und es ausprobieren."
10:02
StandardStandard of livingLeben is lowerniedriger.
219
590000
2000
Der Lebensstandard ist geringer.
10:04
In MaduraiMadurai, a rewardBelohnung that is modestbescheiden in NorthNorden AmericanAmerikanische standardsStandards,
220
592000
3000
In Madurai ist eine in Nordamerika mäßige Belohnung
10:07
is more meaningfulsinnvoll there.
221
595000
3000
bedeutungsvoller.
10:10
SameGleichen dealDeal. A bunchBündel of gamesSpiele, threedrei levelsEbenen of rewardsBelohnungen.
222
598000
3000
Gleiche Abmachung. Ein Haufen Spiele, drei Stufen an Belohnungen.
10:13
What happensdas passiert?
223
601000
2000
Was passiert?
10:15
People offeredangeboten the mediumMittel levelEbene of rewardsBelohnungen
224
603000
3000
Die Leute, denen die mittlere Belohnung angeboten wurde,
10:18
did no better than people offeredangeboten the smallklein rewardsBelohnungen.
225
606000
3000
haben nicht besser abgeschitten als die Leute mit kleinen Belohnungen.
10:21
But this time, people offeredangeboten the highesthöchste rewardsBelohnungen,
226
609000
4000
Dieses Mal haben jedoch die Leute mit den höchsten Belohnungen
10:25
they did the worstam schlimmsten of all.
227
613000
4000
am schlechtesten von allen abgeschnitten.
10:29
In eightacht of the nineneun tasksAufgaben we examinedottiereurnottiereottiereottundottottundundottottotturnundundundott abottottundurniereottundottottundurniereottundottottundundottiereundund acrossüber threedrei experimentsExperimente,
228
617000
3000
Bei acht von neun Aufgaben, die wir in drei Experimenten untersucht haben,
10:32
higherhöher incentivesAnreize led to worseschlechter performancePerformance.
229
620000
5000
führten höhere Anreize zu schlechterer Leistung.
10:37
Is this some kindArt of touchy-feelygefühlsduselig
230
625000
3000
Ist dies eine Art gefühlsduseliger,
10:40
socialistsozialistischen conspiracyVerschwörung going on here?
231
628000
3000
sozialistischer Verschwörung?
10:43
No. These are economistsÖkonomen from MITMIT,
232
631000
3000
Nein. Dies sind Ökonomen vom MIT,
10:46
from CarnegieCarnegie MellonMellon, from the UniversityUniversität of ChicagoChicago.
233
634000
3000
von der Carnegie Mellon, von der Universität von Chicago.
10:49
And do you know who sponsoredgesponsert this researchForschung?
234
637000
2000
Und wissen Sie, wer diese Untersuchung gefördert hat?
10:51
The FederalFederal ReserveReserve BankBank of the UnitedVereinigte StatesStaaten.
235
639000
4000
Die Notenbank der Vereinigten Staaten.
10:55
That's the AmericanAmerikanische experienceErfahrung.
236
643000
2000
Das ist die amerikanische Erfahrung.
10:57
Let's go acrossüber the pondTeich to the LondonLondon SchoolSchule of EconomicsWirtschaft --
237
645000
3000
Lassen Sie uns über den Teich zur London School of Economics gehen.
11:00
LSELSE, LondonLondon SchoolSchule of EconomicsWirtschaft,
238
648000
3000
LSE, London School of Economics.
11:03
almaAlma materMater of 11 NobelNobel LaureatesPreisträger in economicsWirtschaft.
239
651000
3000
Die Universität mit 11 Nobelpreisträgern in Ökonomie.
11:06
TrainingAusbildung groundBoden for great economicWirtschaftlich thinkersDenker
240
654000
3000
Das Trainingsgelände großer ökonomischen Vordenker
11:09
like GeorgeGeorge SorosSoros, and FriedrichFriedrich HayekHayek,
241
657000
3000
wie George Soros, Friedrich von Hayek
11:12
and MickMick JaggerJagger. (LaughterLachen)
242
660000
2000
und Mick Jagger. (Gelächter)
11:14
Last monthMonat, just last monthMonat,
243
662000
4000
Letzten Monat, erst letzten Monat
11:18
economistsÖkonomen at LSELSE lookedsah at 51 studiesStudien
244
666000
3000
haben Ökonomen der LSE 51 Studien
11:21
of pay-for-performancePay-for-performance plansPläne, insideinnen of companiesFirmen.
245
669000
3000
über Betriebsstätten mit leistungsabhäniger Bezahlung innerhalb von Unternehmen untersucht.
11:24
Here'sHier ist what the economistsÖkonomen there said: "We find that financialfinanziell incentivesAnreize
246
672000
3000
Hier ist, was die Ökonomen herausfanden: "Wir stellen fest, dass finanzielle Anreize
11:27
can resultErgebnis in a negativeNegativ impactEinfluss on overallinsgesamt performancePerformance."
247
675000
6000
einen negativen Einfluss auf die Gesamtleistung haben können."
11:33
There is a mismatchfehlende Übereinstimmung betweenzwischen what scienceWissenschaft knowsweiß
248
681000
3000
Es gibt ein Ungleichgewicht zwischen dem, was die Wissenschaft weiß,
11:36
and what businessGeschäft does.
249
684000
2000
und dem, was die Geschäftswelt tut.
11:38
And what worriesSorgen me, as we standStand here in the rubbleSchutt
250
686000
3000
Und was mich am meisten besorgt, während ich hier im Schutt
11:41
of the economicWirtschaftlich collapseZusammenbruch,
251
689000
2000
des wirtschaftlichen Kollaps stehe, ist,
11:43
is that too manyviele organizationsOrganisationen
252
691000
2000
dass zu viele Organisationen
11:45
are makingHerstellung theirihr decisionsEntscheidungen,
253
693000
2000
ihre Entscheidungen treffen,
11:47
theirihr policiesRichtlinien about talentTalent and people,
254
695000
2000
ihre Grundsätze über Talent und Menschen aufstellen,
11:49
basedbasierend on assumptionsAnnahmen that are outdatedveraltete, unexaminedungeprüfte,
255
697000
6000
basierend auf überholten und ungeprüften Annahmen,
11:55
and rootedverwurzelt more in folkloreFolklore than in scienceWissenschaft.
256
703000
3000
die mehr im Volkstum als in der Wissenschaft begründet sind.
11:58
And if we really want to get out of this economicWirtschaftlich messChaos,
257
706000
3000
Und wenn wir wirklich diesem ökonomischen Durcheinander entfliehen wollen,
12:01
and if we really want highhoch performancePerformance on those
258
709000
2000
und wenn wir wirklich hohe Leistung bei diesen
12:03
definitionaldefinitorische tasksAufgaben of the 21stst centuryJahrhundert,
259
711000
2000
definitorischen Aufgaben des 21. Jahrhunderts möchten,
12:05
the solutionLösung is not to do more of the wrongfalsch things,
260
713000
6000
ist es keine Lösung, noch mehr Falsches zu tun --
12:11
to enticelocken people with a sweetersüßer carrotKarotte,
261
719000
3000
die Menschen mit einem süßeren Zuckerbrot zu locken
12:14
or threatenbedrohen them with a sharperschärfer stickStock.
262
722000
2000
oder ihnen mit einer schärferen Peitsche zu drohen.
12:16
We need a wholeganze newneu approachAnsatz.
263
724000
2000
Wir benötigen einen völlig neuen Denkansatz.
12:18
And the good newsNachrichten about all of this is that the scientistsWissenschaftler
264
726000
2000
Und die gute Nachricht über all das ist, dass die Wissenschaftler,
12:20
who'vewer hat been studyingstudieren motivationMotivation have givengegeben us this newneu approachAnsatz.
265
728000
3000
die die Motivation erforschen, uns einen neuen Denkansatz gegeben haben.
12:23
It's an approachAnsatz builtgebaut much more around intrinsicintrinsische motivationMotivation.
266
731000
3000
Es ist ein Denkansatz, der viel mehr von der intrinsischen Motivation Gebrauch macht --
12:26
Around the desireVerlangen to do things because they matterAngelegenheit,
267
734000
2000
Gebrauch vom Wunsch danach, Dinge zu tun, weil sie von Bedeutung sind,
12:28
because we like it, because they're interestinginteressant,
268
736000
2000
weil wir sie mögen, weil sie interessant sind,
12:30
because they are partTeil of something importantwichtig.
269
738000
2000
weil sie Teil von etwas Wichtigem sind.
12:32
And to my mindVerstand, that newneu operatingBetriebs systemSystem for our businessesUnternehmen
270
740000
4000
Und meiner Meinung nach dreht sich dieses neue Betriebssystem für unsere Geschäfte
12:36
revolvesdreht sich around threedrei elementsElemente:
271
744000
2000
um drei Elemente:
12:38
autonomyAutonomie, masteryMeisterschaft and purposeZweck.
272
746000
3000
Autonomie, Überlegenheit und Bestimmung.
12:41
AutonomyAutonomie: the urgeDrang to directdirekt our ownbesitzen livesLeben.
273
749000
3000
Autonomie: der Drang, unser Leben eigenständig zu lenken.
12:44
MasteryMeisterschaft: the desireVerlangen to get better and better at something that mattersAngelegenheiten.
274
752000
4000
Überlegenheit: der Wunsch, besser und besser bei etwas Bedeutungsvollem zu werden.
12:48
PurposeZweck: the yearningSehnsucht to do what we do
275
756000
3000
Bestimmung: die Sehnsucht zu tun, was wir
12:51
in the serviceBedienung of something largergrößer than ourselvesuns selbst.
276
759000
3000
im Dienste von etwas Größerem als wir selbst tun.
12:54
These are the buildingGebäude blocksBlöcke of an entirelyvollständig newneu operatingBetriebs systemSystem
277
762000
3000
Dies sind die Bausteine eines völlig neuen Betriebssystems
12:57
for our businessesUnternehmen.
278
765000
2000
für unsere Geschäfte.
12:59
I want to talk todayheute only about autonomyAutonomie.
279
767000
4000
Ich möchte heute nur über Autonomie sprechen.
13:03
In the 20thth centuryJahrhundert, we camekam up with this ideaIdee of managementManagement.
280
771000
3000
Im 20. Jahrhundert erfanden wir das Management.
13:06
ManagementManagement did not emanateausgehen from natureNatur.
281
774000
2000
Management ging nicht aus der Natur hervor.
13:08
ManagementManagement is like -- it's not a treeBaum,
282
776000
2000
Management ist wie -- es ist kein Baum,
13:10
it's a televisionFernsehen setSet.
283
778000
2000
es ist ein Fernseher.
13:12
Okay? SomebodyJemand inventederfunden it.
284
780000
2000
Okay? Jemand hat es erfunden.
13:14
And it doesn't mean it's going to work foreverfür immer.
285
782000
2000
Und es heißt nicht, dass es für immer funktionieren wird.
13:16
ManagementManagement is great.
286
784000
2000
Management ist großartig.
13:18
TraditionalTraditionelle notionsVorstellungen of managementManagement are great
287
786000
2000
Traditionelle Vorstellungen von Management sind großartig,
13:20
if you want complianceCompliance.
288
788000
2000
wenn man Befolgung wünscht.
13:22
But if you want engagementEngagement, self-directionSelbststeuerung worksWerke better.
289
790000
3000
Wenn man jedoch Engagement wünscht, funktioniert Eigenregie besser.
13:25
Let me give you some examplesBeispiele of some kindArt of radicalRadikale
290
793000
2000
Lassen Sie mich Ihnen einige Beispiele von drastischen
13:27
notionsVorstellungen of self-directionSelbststeuerung.
291
795000
2000
Vorstellungen von Eigenregie geben.
13:29
What this meansmeint -- you don't see a lot of it,
292
797000
3000
Was das bedeutet -- man sieht nicht viel davon,
13:32
but you see the first stirringsRegungen of something really interestinginteressant going on,
293
800000
3000
aber man sieht die ersten Anzeichen von etwas wirklich Interessantem.
13:35
because what it meansmeint is payingzahlend people adequatelyangemessen
294
803000
2000
Was es bedeutet, ist, die Menschen durchaus angemessen
13:37
and fairlyziemlich, absolutelyunbedingt --
295
805000
2000
und gerecht zu bezahlen,
13:39
gettingbekommen the issueProblem of moneyGeld off the tableTabelle,
296
807000
2000
die Geldfrage vom Tisch zu bekommen
13:41
and then givinggeben people lots of autonomyAutonomie.
297
809000
2000
und den Menschen dann viel Autonomie zu geben.
13:43
Let me give you some examplesBeispiele.
298
811000
2000
Lassen Sie mich Ihnen einige Beispiele geben.
13:45
How manyviele of you have heardgehört of the companyUnternehmen AtlassianAtlassian?
299
813000
4000
Wie viele von Ihnen haben von der Firma Atlassian gehört?
13:49
It lookssieht aus like lessWeniger than halfHälfte.
300
817000
2000
Das sieht nach weniger als der Hälfte aus.
13:51
(LaughterLachen)
301
819000
2000
(Gelächter)
13:53
AtlassianAtlassian is an AustralianAustralische softwareSoftware companyUnternehmen.
302
821000
4000
Atlassian ist ein australisches Software-Unternehmen.
13:57
And they do something incrediblyunglaublich coolcool.
303
825000
2000
Und sie machen etwas unglaublich Cooles.
13:59
A fewwenige timesmal a yearJahr they tell theirihr engineersIngenieure,
304
827000
2000
Ein paar Mal im Jahr sagen sie ihren Entwicklern:
14:01
"Go for the nextNächster 24 hoursStd. and work on anything you want,
305
829000
4000
"Arbeitet die nächsten 24 Stunden an was auch immer ihr möchtet,
14:05
as long as it's not partTeil of your regularregulär jobJob.
306
833000
2000
solange es nicht Teil eurer täglichen Arbeit ist.
14:07
Work on anything you want."
307
835000
2000
Arbeitet an was auch immer ihr möchtet."
14:09
So that engineersIngenieure use this time to come up with
308
837000
2000
Die Entwickler verwenden diese Zeit also, um sich
14:11
a coolcool patchPatch for codeCode, come up with an elegantelegant hackhacken.
309
839000
3000
einen coolen Code-Patch oder einen eleganten Hack auszudenken.
14:14
Then they presentGeschenk all of the stuffSachen that they'veSie haben developedentwickelt
310
842000
3000
Dann präsentieren sie alles, was sie entwickelt haben,
14:17
to theirihr teammatesTeamkollegen, to the restsich ausruhen of the companyUnternehmen,
311
845000
3000
ihren Teamkollegen und dem Rest der Firma
14:20
in this wildwild and woolyWooly all-handsalle Hände meetingTreffen
312
848000
2000
in diesem ausgelassenen und wirren Treffen mit allen Mitarbeitern
14:22
at the endEnde of the day.
313
850000
2000
am Ende des Tages.
14:24
And then, beingSein AustraliansAustralier, everybodyjeder has a beerBier.
314
852000
2000
Und danach, sie sind schließlich Australier, gehen sie alle ein Bier trinken.
14:26
They call them FedExFedEx DaysTagen.
315
854000
3000
Sie nennen es FedEx Days.
14:29
Why? Because you have to deliverliefern something overnightüber Nacht.
316
857000
6000
Warum? Weil man etwas über Nacht abliefern muss.
14:35
It's prettyziemlich. It's not badschlecht. It's a hugeenorm trademarkMarke violationVerstoß,
317
863000
2000
Es ist schön. Es ist nicht schlecht. Es ist eine riesige Markenrechtsverletzung.
14:37
but it's prettyziemlich cleverklug.
318
865000
2000
Aber es ist ziemlich raffiniert.
14:39
(LaughterLachen)
319
867000
1000
(Gelächter)
14:40
That one day of intenseintensiv autonomyAutonomie
320
868000
2000
Dieser eine Tag intensiver Autonomie
14:42
has producedhergestellt a wholeganze arrayArray of softwareSoftware fixesbehebt
321
870000
2000
hat zu einer ganzen Reihe an Software-Fehlerbehebungen geführt,
14:44
that mightMacht never have existedexistierte.
322
872000
2000
die es vielleicht niemals gegeben hätte.
14:46
And it's workedhat funktioniert so well that AtlassianAtlassian has takengenommen it to the nextNächster levelEbene
323
874000
2000
Und es hat so gut funktioniert, dass es Atlassian auf die nächste Ebene
14:48
with 20 PercentProzent Time --
324
876000
2000
mit 20 Prozent Zeit geführt hat.
14:50
doneerledigt, famouslyberühmt, at GoogleGoogle --
325
878000
2000
Genauso wie bekannterweise bei Google --
14:52
where engineersIngenieure can work, spendverbringen 20 percentProzent of theirihr time
326
880000
2000
wo Entwickler 20 Prozent ihrer Zeit
14:54
workingArbeiten on anything they want.
327
882000
2000
an allem arbeiten können, was sie möchten.
14:56
They have autonomyAutonomie over theirihr time,
328
884000
2000
Sie haben Autonomie über ihre Zeit,
14:58
theirihr taskAufgabe, theirihr teamMannschaft, theirihr techniqueTechnik.
329
886000
2000
ihre Aufgaben, ihr Team, ihre Technik.
15:00
Okay? RadicalRadikale amountsBeträge of autonomyAutonomie.
330
888000
2000
Okay? Drastische Mengen an Autonomie.
15:02
And at GoogleGoogle, as manyviele of you know,
331
890000
4000
Und bei Google, wie viele von Ihnen wissen,
15:06
about halfHälfte of the newneu productsProdukte in a typicaltypisch yearJahr
332
894000
2000
wird ungefähr die Hälfte aller neuen Produkte innerhalb eines Jahres
15:08
are birthedgeboren duringwährend that 20 PercentProzent Time:
333
896000
3000
während dieser 20 Prozent Zeit geboren.
15:11
things like GmailGoogle Mail, OrkutOrkut, GoogleGoogle NewsNews.
334
899000
3000
Dinge wie Gmail, Orkut, Google News.
15:14
Let me give you an even more radicalRadikale exampleBeispiel of it:
335
902000
3000
Lassen Sie mich Ihnen ein sogar noch drastischeres Beispiel geben.
15:17
something callednamens the ResultsErgebnisse Only Work EnvironmentUmgebung,
336
905000
2000
Das so genannte 'Results-Only Work Environment' --
15:19
the ROWEROWE,
337
907000
2000
das ROWE.
15:21
createderstellt by two AmericanAmerikanische consultantsBerater, in placeOrt
338
909000
2000
Erschaffen von zwei amerikanischen Beratern und
15:23
in placeOrt at about a dozenDutzend companiesFirmen around NorthNorden AmericaAmerika.
339
911000
2000
im Einsatz bei etwa einem Dutzend Unternehmen in Nordamerika.
15:25
In a ROWEROWE people don't have schedulesZeitpläne.
340
913000
4000
In einem ROWE haben die Menschen keine Zeitpläne.
15:29
They showShow up when they want.
341
917000
2000
Sie erscheinen, wann sie möchten.
15:31
They don't have to be in the officeBüro at a certainsicher time,
342
919000
2000
Sie müssen nicht zu einer bestimmten Zeit im Büro sein
15:33
or any time.
343
921000
2000
oder zu irgendeiner Zeit.
15:35
They just have to get theirihr work doneerledigt.
344
923000
2000
Sie müssen einfach ihre Arbeit erledigen.
15:37
How they do it, when they do it,
345
925000
2000
Wie sie es tun, wann sie es tun,
15:39
where they do it, is totallytotal up to them.
346
927000
3000
wo sie es tun, bleibt allein ihnen überlassen.
15:42
MeetingsTreffen in these kindsArten of environmentsUmgebungen are optionaloptional.
347
930000
4000
Besprechungen in dieser Art von Umgebungen sind optional.
15:46
What happensdas passiert?
348
934000
2000
Was passiert?
15:48
AlmostFast acrossüber the boardTafel, productivityProduktivität goesgeht up,
349
936000
3000
Fast durchgängig erhöht sich die Produktivität,
15:51
workerArbeitnehmer engagementEngagement goesgeht up,
350
939000
3000
das Engagement der Mitarbeiter erhöht sich,
15:54
workerArbeitnehmer satisfactionBefriedigung goesgeht up, turnoverUmsatz goesgeht down.
351
942000
3000
die Zufriedenheit der Mitarbeiter erhöht sich, die Fluktuation nimmt ab.
15:57
AutonomyAutonomie, masteryMeisterschaft and purposeZweck,
352
945000
2000
Autonomie, Überlegenheit und Bestimmung.
15:59
These are the buildingGebäude blocksBlöcke of a newneu way of doing things.
353
947000
2000
Dies sind die Bausteine einer neuen Art, Dinge zu tun.
16:01
Now some of you mightMacht look at this and say,
354
949000
3000
Einige von Ihnen sagen nun vielleicht:
16:04
"HmmHmm, that soundsGeräusche nicenett, but it's UtopianUtopische."
355
952000
3000
"Hmm, das klingt gut. Aber es ist utopisch."
16:07
And I say, "Nope. I have proofBeweis."
356
955000
5000
Und ich sage: "Nein, ich habe Beweise."
16:12
The mid-Mitte1990s, MicrosoftMicrosoft startedhat angefangen
357
960000
2000
Mitte der 1990er startete Microsoft
16:14
an encyclopediaEnzyklopädie callednamens EncartaEncarta.
358
962000
2000
eine Enzyklopädie names Encarta.
16:16
They had deployedbereitgestellt all the right incentivesAnreize,
359
964000
2000
Sie hatten die richtigen Anreize eingesetzt.
16:18
all the right incentivesAnreize. They paidbezahlt professionalsProfis to
360
966000
3000
Die richtigen Anreize. Sie haben Fachleute bezahlt, um
16:21
writeschreiben and editbearbeiten thousandsTausende of articlesArtikel.
361
969000
2000
tausende von Artikeln zu schreiben und aufzubereiten.
16:23
Well-compensatedGut kompensiert managersManager oversawüberwachte the wholeganze thing
362
971000
2000
Gut bezahlte Manager haben die ganze Sache beaufsichtigt,
16:25
to make sure it camekam in on budgetBudget and on time.
363
973000
5000
um sicherzustellen, dass es rechtzeitig mit vorhandenem Budget fertig wurde.
16:30
A fewwenige yearsJahre laterspäter anotherein anderer encyclopediaEnzyklopädie got startedhat angefangen.
364
978000
2000
Wenige Jahre später startete eine weitere Enzyklopädie.
16:32
DifferentVerschiedene modelModell-, right?
365
980000
3000
Anderes Modell, nicht wahr?
16:35
Do it for funSpaß. No one getsbekommt paidbezahlt a centCent, or a EuroEuro or a YenYen.
366
983000
4000
Mach es zum Spaß. Keiner bekommt einen Cent, einen Euro oder Yen.
16:39
Do it because you like to do it.
367
987000
3000
Mach es, weil du es gerne machst.
16:42
Now if you had, just 10 yearsJahre agovor,
368
990000
3000
Wenn man vor zehn Jahren
16:45
if you had goneWeg to an economistÖkonom, anywhereirgendwo,
369
993000
2000
irgendwo zu einem Ökonomen gegangen wäre
16:47
and said, "Hey, I've got these two differentanders modelsModelle for creatingErstellen an encyclopediaEnzyklopädie.
370
995000
4000
und gesagt hätte: "Hey, ich habe diese zwei verschiedenen Modelle, um eine Enzyklopädie zu erstellen.
16:51
If they wentging headKopf to headKopf, who would winSieg?"
371
999000
3000
Wenn sie gegeneinander antreten würden, wer würde gewinnen?"
16:54
10 yearsJahre agovor you could not have foundgefunden a singleSingle sobernüchtern economistÖkonom anywhereirgendwo
372
1002000
4000
Vor zehn Jahren hätten Sie nicht einen einzigen, ernsthaften Ökonomen irgendwo
16:58
on planetPlanet EarthErde
373
1006000
2000
auf der Welt gefunden,
17:00
who would have predictedvorhergesagt the WikipediaWikipedia modelModell-.
374
1008000
2000
der auf das Wikipedia-Modell gesetzt hätte.
17:02
This is the titanictitanisch battleSchlacht betweenzwischen these two approachesAnsätze.
375
1010000
3000
Dies ist der titanische Kampf zwischen diesen beiden Ansätzen.
17:05
This is the Ali-FrazierAli-Frazier of motivationMotivation. Right?
376
1013000
3000
Dies ist der Ali-Frazier-Kampf der Motivation, nicht wahr?
17:08
This is the Thrilla'Thrilla " in ManilaManila.
377
1016000
2000
Dies ist der Thrilla in Manila.
17:10
AlrightIn Ordnung? IntrinsicIntrinsische motivatorsMotivatoren versusgegen extrinsicextrinsische motivatorsMotivatoren.
378
1018000
3000
Okay? Intrinsische Motivatoren gegen extrinsische Motivatoren.
17:13
AutonomyAutonomie, masteryMeisterschaft and purposeZweck,
379
1021000
2000
Autonomie, Überlegenheit und Bestimmung
17:15
versusgegen carrotKarotte and sticksStöcke. And who winsGewinnt?
380
1023000
2000
gegen Zuckerbrot und Peitsche. Und wer gewinnt?
17:17
IntrinsicIntrinsische motivationMotivation, autonomyAutonomie, masteryMeisterschaft and purposeZweck,
381
1025000
3000
Intrinsische Motivation, Autonomie, Überlegenheit und Bestimmung
17:20
in a knockoutKo. Let me wrapwickeln up.
382
1028000
4000
durch K.O. Lassen Sie mich zusammenfassen.
17:24
There is a mismatchfehlende Übereinstimmung betweenzwischen what scienceWissenschaft knowsweiß and what businessGeschäft does.
383
1032000
3000
Es gibt ein Ungleichgewicht zwischen dem, was die Wissenschaft weiß und was die Geschäftswelt tut.
17:27
And here is what scienceWissenschaft knowsweiß.
384
1035000
2000
Hier ist, was die Wissenschaft weiß.
17:29
One: Those 20thth centuryJahrhundert rewardsBelohnungen,
385
1037000
2000
Erstens: Diese Belohnungen aus dem 20. Jahrhundert,
17:31
those motivatorsMotivatoren we think are a naturalnatürlich partTeil of businessGeschäft,
386
1039000
3000
diese Motivatoren, von denen wir glauben, sie seien ein natürlicher Teil unserer Geschäftswelt
17:34
do work, but only in a surprisinglyüberraschenderweise narroweng bandBand of circumstancesUmstände.
387
1042000
4000
funktionieren, allerdings nur unter überraschend wenigen Umständen.
17:38
Two: Those if-thenWenn-dann rewardsBelohnungen oftenhäufig destroyzerstören creativityKreativität.
388
1046000
4000
Zweitens: Diese Wenn-dann-Belohnungen zerstören oftmals die Kreativität.
17:42
ThreeDrei: The secretGeheimnis to highhoch performancePerformance
389
1050000
2000
Drittens: Das Geheimnis hoher Leistung
17:44
isn't rewardsBelohnungen and punishmentsBestrafungen,
390
1052000
2000
liegt nicht in Belohnungen und Bestrafungen,
17:46
but that unseenunsichtbare intrinsicintrinsische driveFahrt --
391
1054000
2000
sondern im unsichtbaren intrinsischen Antrieb.
17:48
the driveFahrt to do things for theirihr ownbesitzen sakeSake.
392
1056000
3000
Der Antrieb, Dinge um einer Sache willen zu tun.
17:51
The driveFahrt to do things causeUrsache they matterAngelegenheit.
393
1059000
2000
Der Antrieb, um Dinge zu tun, weil sie von Bedeutung sind.
17:53
And here'shier ist the bestBeste partTeil. Here'sHier ist the bestBeste partTeil.
394
1061000
2000
Und hier kommt das Beste. Hier kommt das Beste.
17:55
We alreadybereits know this. The scienceWissenschaft confirmsbestätigt what we know in our heartsHerzen.
395
1063000
3000
Wir wissen das bereits. Die Wissenschaft bestätigt, was wir bereits in unseren Herzen wissen.
17:58
So, if we repairreparieren this mismatchfehlende Übereinstimmung
396
1066000
3000
Wenn wir also dieses Ungleichgewicht
18:01
betweenzwischen what scienceWissenschaft knowsweiß and what businessGeschäft does,
397
1069000
2000
zwischen dem, was die Wissenschaft weiß und die Geschäftswelt tut, ausbessern,
18:03
if we bringbringen our motivationMotivation, notionsVorstellungen of motivationMotivation
398
1071000
3000
wenn wir unsere Motivation, unsere Vorstellungen von Motivation
18:06
into the 21stst centuryJahrhundert,
399
1074000
2000
ins 21. Jahrhundert tragen,
18:08
if we get pastVergangenheit this lazyfaul, dangerousgefährlich, ideologyIdeologie
400
1076000
4000
wenn wir diese träge, gefährliche Ideologie
18:12
of carrotsKarotten and sticksStöcke,
401
1080000
2000
von Zuckerbrot und Peitsche überwinden,
18:14
we can strengthenstärken our businessesUnternehmen,
402
1082000
3000
können wir unsere Unternehmen stärken,
18:17
we can solvelösen a lot of those candleKerze problemsProbleme,
403
1085000
3000
können wir viele dieser Kerzen-Probleme lösen,
18:20
and maybe, maybe, maybe
404
1088000
4000
und vielleicht, vielleicht, vielleicht
18:24
we can changeVeränderung the worldWelt.
405
1092000
2000
können wir die Welt ändern.
18:26
I restsich ausruhen my caseFall.
406
1094000
2000
Ich schließe mein Plädoyer ab.
18:28
(ApplauseApplaus)
407
1096000
3000
(Applaus)
Translated by Sven Henckel
Reviewed by Robert Grimm

▲Back to top

ABOUT THE SPEAKER
Dan Pink - Career analyst
Bidding adieu to his last "real job" as Al Gore's speechwriter, Dan Pink went freelance to spark a right-brain revolution in the career marketplace.

Why you should listen

With a trio of influential bestsellers, Dan Pink has changed the way companies view the modern workplace. In the pivotal A Whole New Mind, Pink identifies a sea change in the global workforce -- the shift of an information-based corporate culture to a conceptual base, where creativity and big-picture design dominates the landscape.

His latest book, The Adventures of Johnny Bunko, is an evolutionary transformation of the familiar career guide. Replacing linear text with a manga-inspired comic, Pink outlines six career laws vastly differing from the ones you've been taught. Members of the Johnny Bunko online forum participated in an online contest to create the seventh law -- "stay hungry."

A contributing editor for Wired, Pink is working on a new book on the science and economics of motivation for release in late 2009.

More profile about the speaker
Dan Pink | Speaker | TED.com