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 en la sorprendente ciencia de la motivación

Filmed:
25,352,736 views

El analista laboral Dan Pink examina el problema de la motivación, empezando con un hecho que los sociólogos conocen pero no así la mayoría de los gerentes : Los métodos tradicionales de recompensas no siempre son tan efectivos como pensamos. Ponga atención a historias brillantes... que pueden ser, un paso hacia adelante.
- 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 confessionconfesión at the outsetcomienzo here.
0
0
4000
Necesito hacer una confesión aquí, al comenzar.
00:16
A little over 20 yearsaños agohace
1
4000
3000
Hace poco más de 20 años,
00:19
I did something that I regretlamentar,
2
7000
2000
hice algo que hoy me arrepiento,
00:21
something that I'm not particularlyparticularmente proudorgulloso of,
3
9000
4000
algo de lo que no estoy particularmente orgulloso,
00:25
something that, in manymuchos waysformas, I wishdeseo no one would ever know,
4
13000
3000
algo que, de muchas maneras, deseo que nadie sepa nunca,
00:28
but here I feel kindtipo of obligedobligado to revealrevelar.
5
16000
4000
pero que acá me siento en la obligación de revelar.
00:32
(LaughterRisa)
6
20000
2000
(Risas)
00:34
In the latetarde 1980s,
7
22000
2000
A finales de los ochenta,
00:36
in a momentmomento of youthfuljuvenil indiscretionindiscreción,
8
24000
3000
en un momento de indiscreción juvenil,
00:39
I wentfuimos to lawley schoolcolegio.
9
27000
2000
fui a la Escuela de Leyes.
00:41
(LaughterRisa)
10
29000
4000
(Risas)
00:45
Now, in AmericaAmerica lawley is a professionalprofesional degreela licenciatura:
11
33000
3000
En EE.UU. Leyes es un grado profesional.
00:48
you get your universityUniversidad degreela licenciatura, then you go on to lawley schoolcolegio.
12
36000
2000
Te gradúas en la universidad. Luego continúas en la Escuela de Leyes.
00:50
And when I got to lawley schoolcolegio,
13
38000
3000
Y cuando llegué a la Escuela de Leyes,
00:53
I didn't do very well.
14
41000
2000
no me fue muy bien.
00:55
To put it mildlylevemente, I didn't do very well.
15
43000
2000
Por no decir algo peor, no me fue muy bien.
00:57
I, in facthecho, graduatedgraduado in the partparte of my lawley schoolcolegio classclase
16
45000
3000
De hecho, me gradué dentro del grupo de mi escuela
01:00
that madehecho the topparte superior 90 percentpor ciento possibleposible.
17
48000
4000
que logró el 90 por ciento más alto posible.
01:04
(LaughterRisa)
18
52000
4000
(Risas)
01:08
Thank you.
19
56000
3000
Gracias.
01:11
I never practicedexperto lawley a day in my life;
20
59000
3000
Nunca he ejercido Leyes en mi vida.
01:14
I prettybonita much wasn'tno fue allowedpermitido to.
21
62000
2000
Casi no me lo permitieron.
01:16
(LaughterRisa)
22
64000
3000
(Risas)
01:19
But todayhoy, againsten contra my better judgmentjuicio,
23
67000
3000
Pero hoy, contra mis propios principios,
01:22
againsten contra the adviceConsejo of my ownpropio wifeesposa,
24
70000
3000
contra los consejos de mi propia esposa,
01:25
I want to try to dustpolvo off some of those legallegal skillshabilidades --
25
73000
4000
quiero desempolvar algo de esas habilidades legales,
01:29
what's left of those legallegal skillshabilidades.
26
77000
2000
lo que queda de esas habilidades legales.
01:31
I don't want to tell you a storyhistoria.
27
79000
3000
No quiero contarles una historia.
01:34
I want to make a casecaso.
28
82000
2000
Quiero presentar un caso.
01:36
I want to make a hard-headedcabeza dura, evidence-basedbasado en evidencia,
29
84000
4000
Quiero presentar un caso complicado, basado en evidencias,
01:40
dareatrevimiento I say lawyerlyabogado casecaso,
30
88000
3000
me atrevo a decir caso legal,
01:43
for rethinkingrepensando how we runcorrer our businessesnegocios.
31
91000
4000
para replantear cómo manejamos nuestros negocios.
01:47
So, ladiesseñoras and gentlemencaballeros of the juryjurado, take a look at this.
32
95000
4000
Por lo tanto, señoras y señores del jurado, echen un vistazo a esto.
01:51
This is calledllamado the candlevela problemproblema.
33
99000
2000
Esto se llama el problema de la vela.
01:53
Some of you mightpodría have seenvisto this before.
34
101000
2000
Alguno de ustedes podrían haberlo visto antes.
01:55
It's createdcreado in 1945
35
103000
2000
Fue creado en 1945
01:57
by a psychologistpsicólogo namedllamado KarlKarl DunckerDuncker.
36
105000
2000
por un psicólogo llamado Karl Duncker.
01:59
KarlKarl DunckerDuncker createdcreado this experimentexperimentar
37
107000
2000
Karl Duncker creó este experimento
02:01
that is used in a wholetodo varietyvariedad of experimentsexperimentos in behavioralcomportamiento scienceciencia.
38
109000
3000
que se usa en una gran variedad de experimentos en la ciencia del comportamiento.
02:04
And here'saquí está how it workstrabajos. SupposeSuponer I'm the experimenterexperimentador.
39
112000
3000
Y así es como funciona. Supongan que yo soy el experimentador.
02:07
I bringtraer you into a roomhabitación. I give you a candlevela,
40
115000
4000
Lo llevo a una sala. Le doy una vela,
02:11
some thumbtackschinchetas and some matchespartidos.
41
119000
2000
algunas tachuelas y algunos fósforos.
02:13
And I say to you, "Your jobtrabajo
42
121000
2000
Y le digo, "Su trabajo
02:15
is to attachadjuntar the candlevela to the wallpared
43
123000
2000
es fijar la vela a la pared
02:17
so the waxcera doesn't dripgoteo ontosobre the tablemesa." Now what would you do?
44
125000
4000
de forma que la cera no gotee en la mesa". ¿Qué haría usted?
02:21
Now manymuchos people beginempezar tryingmolesto to thumbtackchinche the candlevela to the wallpared.
45
129000
4000
Mucha gente empieza a clavar la vela a la pared con las tachuelas.
02:25
Doesn't work.
46
133000
2000
No funciona.
02:27
SomebodyAlguien, some people -- and I saw somebodyalguien
47
135000
2000
Alguien, algunas personas, vi a alguien aquí
02:29
kindtipo of make the motionmovimiento over here --
48
137000
2000
como haciendo el movimiento.
02:31
some people have a great ideaidea where they
49
139000
2000
Algunas personas tienen la gran idea de
02:33
lightligero the matchpartido, meltderretir the sidelado of the candlevela, try to adhereadherirse it to the wallpared.
50
141000
4000
encender el fósforo, derretir el lado de la vela, tratar de adherirla a la pared.
02:37
It's an awesomeincreíble ideaidea. Doesn't work.
51
145000
3000
Es una estupenda idea. No funciona.
02:40
And eventuallyfinalmente, after fivecinco or 10 minutesminutos,
52
148000
3000
Y finalmente, después de 5 o 10 minutos,
02:43
mostmás people figurefigura out the solutionsolución,
53
151000
2000
la mayoría de las personas llegan a la solución,
02:45
whichcual you can see here.
54
153000
2000
que pueden ver aquí.
02:47
The keyllave is to overcomesuperar what's calledllamado functionalfuncional fixednessfijeza.
55
155000
3000
La clave es sobreponerse a lo que se llama fijación funcional.
02:50
You look at that boxcaja and you see it only as a receptaclereceptáculo for the tackstachuelas.
56
158000
4000
Miras esa caja y la ves sólo como un receptáculo para las tachuelas.
02:54
But it can alsoademás have this other functionfunción,
57
162000
2000
Pero puede tener también esta otra función,
02:56
as a platformplataforma for the candlevela. The candlevela problemproblema.
58
164000
4000
como plataforma para la vela. El problema de la vela.
03:00
Now I want to tell you about an experimentexperimentar
59
168000
2000
Ahora quiero contarles un experimento
03:02
usingutilizando the candlevela problemproblema,
60
170000
2000
usando el problema de la vela,
03:04
donehecho by a scientistcientífico namedllamado SamSam GlucksbergGlucksberg,
61
172000
2000
hecho por un científico llamado Sam Gluckberg,
03:06
who is now at PrincetonPrinceton UniversityUniversidad in the U.S.
62
174000
2000
quien está ahora en la Universidad de Princeton en los EE.UU.
03:08
This showsmuestra the powerpoder of incentivesincentivos.
63
176000
4000
Demuestra el poder de los incentivos.
03:12
Here'sAquí está what he did. He gatheredreunido his participantsParticipantes.
64
180000
2000
Esto es lo que hizo. Reunió a sus participantes.
03:14
And he said, "I'm going to time you. How quicklycon rapidez you can solveresolver this problemproblema?"
65
182000
3000
Y dijo: "Les voy a cronometrar. ¿Con qué rapidez pueden resolver este problema?"
03:17
To one groupgrupo he said,
66
185000
2000
Le dijo a un grupo,
03:19
"I'm going to time you to establishestablecer normsnormas,
67
187000
3000
"les voy a cronometrar para establecer normas,
03:22
averagespromedios for how long it typicallytípicamente takes
68
190000
2000
promedios de cuanto tiempo tardan normalmente
03:24
someonealguien to solveresolver this sortordenar of problemproblema."
69
192000
2000
en resolver esta clase de problema".
03:26
To the secondsegundo groupgrupo he offeredOfrecido rewardsrecompensas.
70
194000
3000
Al segundo grupo le ofreció incentivos.
03:29
He said, "If you're in the topparte superior 25 percentpor ciento of the fastestlo más rápido timesveces,
71
197000
4000
Les dijo: "Si están dentro del 25 por ciento de los más rápidos
03:33
you get fivecinco dollarsdólares.
72
201000
3000
obtienen cinco dólares.
03:36
If you're the fastestlo más rápido of everyonetodo el mundo we're testingpruebas here todayhoy,
73
204000
3000
Si están entre los más rápidos de los que están participando hoy aquí
03:39
you get 20 dollarsdólares."
74
207000
2000
obtienen 20 dólares"
03:41
Now this is severalvarios yearsaños agohace. AdjustedEquilibrado for inflationinflación,
75
209000
3000
Esto, hace varios años, ajustado por la inflación,
03:44
it's a decentbueno sumsuma of moneydinero for a fewpocos minutesminutos of work.
76
212000
2000
es una buena suma de dinero para unos pocos minutos de trabajo.
03:46
It's a nicebonito motivatormotivador.
77
214000
2000
Es un buen motivador.
03:48
QuestionPregunta: How much fasterMás rápido
78
216000
3000
Pregunta: ¿Con qué rapidez
03:51
did this groupgrupo solveresolver the problemproblema?
79
219000
2000
este grupo resolvió el problema?
03:53
AnswerResponder: It tooktomó them, on averagepromedio,
80
221000
3000
Respuesta: Tardaron, en promedio,
03:56
threeTres and a halfmitad minutesminutos longermás.
81
224000
4000
tres minutos y medio más.
04:00
ThreeTres and a halfmitad minutesminutos longermás. Now this makeshace no sensesentido right?
82
228000
3000
Tres minutos y medio más. No tiene sentido, ¿ verdad?
04:03
I mean, I'm an Americanamericano. I believe in freegratis marketsmercados.
83
231000
3000
Quiero decir, soy estadounidense, creo en el libre mercado.
04:06
That's not how it's supposedsupuesto to work. Right?
84
234000
3000
Así no es como debe funcionar ¿verdad?
04:09
(LaughterRisa)
85
237000
1000
(Risas)
04:10
If you want people to performrealizar better,
86
238000
2000
Si quiere que la gente rinda mejor,
04:12
you rewardrecompensa them. Right?
87
240000
2000
los recompensa, ¿verdad?
04:14
BonusesBonos, commissionscomisiones, theirsu ownpropio realityrealidad showespectáculo.
88
242000
3000
Bonos, comisiones, su propio reality show.
04:17
IncentivizeIncentivar them. That's how businessnegocio workstrabajos.
89
245000
4000
Incentívelos. Así es como los negocios funcionan.
04:21
But that's not happeningsucediendo here.
90
249000
2000
Pero eso no sucedió en este caso.
04:23
You've got an incentiveincentivo designeddiseñado to
91
251000
2000
Usted tiene un incentivo designado a
04:25
sharpenafilar thinkingpensando and accelerateacelerar creativitycreatividad,
92
253000
4000
agudizar el pensamiento y acelerar la creatividad.
04:29
and it does just the oppositeopuesto.
93
257000
2000
Y hace justo lo contrario,
04:31
It dullsaburrido thinkingpensando and blocksbloques creativitycreatividad.
94
259000
3000
entorpece el pensamiento y bloquea la creatividad.
04:34
And what's interestinginteresante about this experimentexperimentar is that it's not an aberrationaberración.
95
262000
3000
Y lo que es interesante en este experimento es que no es una aberración.
04:37
This has been replicatedreplicado over and over
96
265000
3000
Ha sido reproducido repetidas veces
04:40
and over again, for nearlycasi 40 yearsaños.
97
268000
3000
y vuelto a repetir, durante casi 40 años.
04:43
These contingentcontingente motivatorsmotivadores --
98
271000
3000
Estos motivadores condicionantes,
04:46
if you do this, then you get that --
99
274000
2000
si hace esto, entonces consigue esto otro,
04:48
work in some circumstancescircunstancias.
100
276000
2000
funcionan en algunas circunstancias.
04:50
But for a lot of tasksTareas, they actuallyactualmente eitherya sea don't work
101
278000
3000
Pero para un grupo de tareas, no funcionan
04:53
or, oftena menudo, they do harmdaño.
102
281000
3000
o, a menudo, perjudican.
04:56
This is one of the mostmás robustrobusto findingsrecomendaciones
103
284000
4000
Esto es uno de los más contundentes hallazgos
05:00
in socialsocial scienceciencia,
104
288000
3000
en ciencias sociales.
05:03
and alsoademás one of the mostmás ignoredignorado.
105
291000
2000
Y también uno de los más ignorados.
05:05
I spentgastado the last couplePareja of yearsaños looking at the scienceciencia of
106
293000
2000
Pasé el último par de años examinando la ciencia de
05:07
humanhumano motivationmotivación,
107
295000
2000
la motivación humana.
05:09
particularlyparticularmente the dynamicsdinámica of extrinsicextrínseco motivatorsmotivadores
108
297000
2000
Particularmente la dinámica de motivadores extrínsecos
05:11
and intrinsicintrínseco motivatorsmotivadores.
109
299000
2000
y motivadores intrínsecos.
05:13
And I'm tellingnarración you, it's not even closecerca.
110
301000
2000
Y les digo, no está ni siquiera cerca.
05:15
If you look at the scienceciencia, there is a mismatchdesajuste
111
303000
2000
Si examinan la ciencia, hay una discordancia
05:17
betweenEntre what scienceciencia knowssabe and what businessnegocio does.
112
305000
4000
entre lo que la ciencia dice y lo que las empresas hacen.
05:21
And what's alarmingalarmante here is that our businessnegocio operatingoperando systemsistema --
113
309000
3000
Y lo que es alarmante aquí, es que el sistema operativo de nuestras empresas
05:24
think of the setconjunto of assumptionssuposiciones and protocolsprotocolos beneathdebajo our businessesnegocios,
114
312000
3000
consideran el grupo de presunciones y protocolos bajo los negocios,
05:27
how we motivatemotivar people, how we applyaplicar our humanhumano resourcesrecursos --
115
315000
5000
como motivamos a la gente, como aplicamos nuestros recursos humanos
05:32
it's builtconstruido entirelyenteramente around these extrinsicextrínseco motivatorsmotivadores,
116
320000
3000
está construido enteramente alrededor de estos motivadores extrínsecos,
05:35
around carrotszanahorias and stickspalos.
117
323000
2000
alrededor de recompensas y castigos.
05:37
That's actuallyactualmente fine for manymuchos kindsclases of 20thth centurysiglo tasksTareas.
118
325000
4000
Eso, la verdad, está bien para muchas clases de tareas del siglo XX.
05:41
But for 21stst centurysiglo tasksTareas,
119
329000
2000
Pero para las tareas del siglo XXI,
05:43
that mechanisticmecánico, reward-and-punishmentrecompensa y castigo approachenfoque
120
331000
4000
ese enfoque mecanicista de recompensa-y-castigo
05:47
doesn't work, oftena menudo doesn't work, and oftena menudo does harmdaño.
121
335000
4000
no funciona, a menudo no funciona, y muchas veces perjudica.
05:51
Let me showespectáculo you what I mean.
122
339000
2000
Déjenme mostrarles lo que quiero decir.
05:53
So GlucksbergGlucksberg did anotherotro experimentexperimentar similarsimilar to this
123
341000
3000
Entonces, GLucksberg hizo otro experimento similar a éste
05:56
where he presentedpresentado the problemproblema in a slightlyligeramente differentdiferente way,
124
344000
2000
en el que presentaba el problema en una forma ligeramente diferente,
05:58
like this up here. Okay?
125
346000
3000
como éste aquí. ¿De acuerdo?
06:01
AttachAdjuntar the candlevela to the wallpared so the waxcera doesn't dripgoteo ontosobre the tablemesa.
126
349000
2000
Fije la vela a la pared de tal forma que la cera no gotee sobre la mesa.
06:03
SameMismo dealacuerdo. You: we're timingsincronización for normsnormas.
127
351000
3000
Lo mismo. Ustedes: Cronometraremos las normas.
06:06
You: we're incentivizingincentivando.
128
354000
3000
Ustedes: Nosotros incentivaremos.
06:09
What happenedsucedió this time?
129
357000
2000
¿Qué pasó esta vez?
06:11
This time, the incentivizedincentivado groupgrupo
130
359000
2000
Esta vez, el grupo incentivado
06:13
kickedgolpeado the other group'sgrupo buttextremo.
131
361000
4000
le ganó de lejos al otro grupo.
06:17
Why? Because when the tackstachuelas are out of the boxcaja,
132
365000
4000
¿Por qué? Porque cuando las tachuelas están fuera de la caja
06:21
it's prettybonita easyfácil isn't it?
133
369000
4000
es más fácil ¿cierto?
06:25
(LaughterRisa)
134
373000
2000
(Risas)
06:27
If-thenSi entonces rewardsrecompensas work really well
135
375000
3000
Las recompensas condicionadas funcionan muy bien
06:30
for those sortstipo of tasksTareas,
136
378000
3000
para ese tipo de tareas,
06:33
where there is a simplesencillo setconjunto of rulesreglas and a clearclaro destinationdestino
137
381000
2000
donde hay reglas sencillas y un claro objetivo
06:35
to go to.
138
383000
2000
que cumplir.
06:37
RewardsRecompensas, by theirsu very naturenaturaleza,
139
385000
2000
Las recompensas, por su propia naturaleza,
06:39
narrowestrecho our focusatención, concentrateconcentrado the mindmente;
140
387000
2000
estrechan nuestro punto focal, concentran la mente.
06:41
that's why they work in so manymuchos casescasos.
141
389000
2000
Es por eso que funcionan en muchos casos.
06:43
And so, for tasksTareas like this,
142
391000
2000
Y por lo tanto, para tareas como éstas,
06:45
a narrowestrecho focusatención, where you just see the goalGol right there,
143
393000
3000
un estrecho punto focal, donde sólo se ve el objetivo justo ahí,
06:48
zoomenfocar straightDerecho aheadadelante to it,
144
396000
2000
lo acerca directamente a él,
06:50
they work really well.
145
398000
2000
funcionan realmente bien.
06:52
But for the realreal candlevela problemproblema,
146
400000
2000
Respecto al verdadero problema de la vela,
06:54
you don't want to be looking like this.
147
402000
2000
usted no quiere verlo así.
06:56
The solutionsolución is not over here. The solutionsolución is on the peripheryperiferia.
148
404000
2000
La solución no está aquí. La solución está en la periferia.
06:58
You want to be looking around.
149
406000
2000
Quiere mirar alrededor.
07:00
That rewardrecompensa actuallyactualmente narrowsse estrecha our focusatención
150
408000
2000
Esa recompensa estrecha nuestro punto focal
07:02
and restrictsrestringe our possibilityposibilidad.
151
410000
2000
y restringe nuestra posibilidad.
07:04
Let me tell you why this is so importantimportante.
152
412000
3000
Déjenme decirles porqué esto es tan importante.
07:07
In westernoccidental EuropeEuropa,
153
415000
2000
En Europa Occidental,
07:09
in manymuchos partspartes of AsiaAsia,
154
417000
2000
en muchas partes de Asia,
07:11
in Northnorte AmericaAmerica, in AustraliaAustralia,
155
419000
3000
en Norteamérica, en Australia,
07:14
white-collarde cuello blanco workerstrabajadores are doing lessMenos of
156
422000
2000
los empleados de oficinas están haciendo menos de
07:16
this kindtipo of work,
157
424000
2000
esta clase de trabajo,
07:18
and more of this kindtipo of work.
158
426000
4000
y más de esta clase de trabajo.
07:22
That routinerutina, rule-basedbasado en reglas, left-braincerebro izquierdo work --
159
430000
3000
Esa rutina, basada en reglas, de trabajo analítico,
07:25
certaincierto kindsclases of accountingcontabilidad, certaincierto kindsclases of financialfinanciero analysisanálisis,
160
433000
2000
ciertos tipos de contabilidad, ciertos tipos de análisis financiero,
07:27
certaincierto kindsclases of computercomputadora programmingprogramación --
161
435000
2000
ciertos tipos de programación de computadores,
07:29
has becomevolverse fairlybastante easyfácil to outsourcesubcontratar,
162
437000
2000
han llegado a ser muy fácil subcontratarlos,
07:31
fairlybastante easyfácil to automateautomatizar.
163
439000
2000
y muy fácil automatizarlos.
07:33
SoftwareSoftware can do it fasterMás rápido.
164
441000
3000
El software puede hacerlo más rápido.
07:36
Low-costBajo costo providersproveedores around the worldmundo can do it cheapermás barato.
165
444000
2000
Los proveedores a bajo costo de todo el mundo pueden hacerlo más barato.
07:38
So what really mattersasuntos are the more right-brainedcerebro derecho
166
446000
4000
Entonces, lo que realmente importa son
07:42
creativecreativo, conceptualconceptual kindsclases of abilitieshabilidades.
167
450000
3000
las habilidades conceptuales, creativas e intuitivas.
07:45
Think about your ownpropio work.
168
453000
3000
Piensen en su propio trabajo.
07:48
Think about your ownpropio work.
169
456000
3000
Piensen en su propio trabajo.
07:51
Are the problemsproblemas that you facecara, or even the problemsproblemas
170
459000
2000
¿Son los problemas que usted enfrenta, o aun los problemas
07:53
we'venosotros tenemos been talkinghablando about here,
171
461000
2000
que hemos estado hablando aquí?,
07:55
are those kindsclases of problemsproblemas -- do they have a clearclaro setconjunto of rulesreglas,
172
463000
2000
¿son esas clases de problemas?¿tienen un conjunto claro de reglas,
07:57
and a singlesoltero solutionsolución? No.
173
465000
3000
y una única solución? No.
08:00
The rulesreglas are mystifyingdesconcertante.
174
468000
2000
Las reglas son confusas.
08:02
The solutionsolución, if it existsexiste at all,
175
470000
2000
La solución, si es que existe,
08:04
is surprisingsorprendente and not obviousobvio.
176
472000
3000
es sorprendente y no obvia.
08:07
EverybodyTodos in this roomhabitación
177
475000
2000
Todos en esta sala
08:09
is dealingrelación comercial with theirsu ownpropio versionversión
178
477000
3000
están lidiando con su propia versión
08:12
of the candlevela problemproblema.
179
480000
2000
del problema de la vela.
08:14
And for candlevela problemsproblemas of any kindtipo,
180
482000
3000
En cuanto a los problemas de velas de cualquier índole,
08:17
in any fieldcampo,
181
485000
2000
en cualquier campo,
08:19
those if-thensi-entonces rewardsrecompensas,
182
487000
3000
esas recompensas condicionadas,
08:22
the things around whichcual we'venosotros tenemos builtconstruido so manymuchos of our businessesnegocios,
183
490000
4000
las cosas alrededor de las cuales hemos construido muchos de nuestros negocios,
08:26
don't work.
184
494000
2000
no funcionan.
08:28
Now, I mean it makeshace me crazyloca.
185
496000
2000
Quiero decir que me vuelve loco.
08:30
And this is not -- here'saquí está the thing.
186
498000
2000
Y esto no es ... la cuestión es ésta.
08:32
This is not a feelingsensación.
187
500000
3000
Esto no es un sentimiento.
08:35
Okay? I'm a lawyerabogado; I don't believe in feelingssentimientos.
188
503000
3000
¿De acuerdo? Soy abogado. No creo en sentimientos.
08:38
This is not a philosophyfilosofía.
189
506000
4000
Esto no es una filosofía.
08:42
I'm an Americanamericano; I don't believe in philosophyfilosofía.
190
510000
2000
Soy norteamericano. No creo en la Filosofía.
08:44
(LaughterRisa)
191
512000
3000
(Risas)
08:47
This is a facthecho --
192
515000
3000
Es un hecho.
08:50
or, as we say in my hometownciudad natal of WashingtonWashington, D.C.,
193
518000
2000
O, como decimos en mi tierra natal de Washington D.C.,
08:52
a truecierto facthecho.
194
520000
2000
un hecho verdadero.
08:54
(LaughterRisa)
195
522000
2000
(Risas)
08:56
(ApplauseAplausos)
196
524000
4000
(Aplausos)
09:00
Let me give you an exampleejemplo of what I mean.
197
528000
2000
Déjenme darles un ejemplo de lo que quiero decir.
09:02
Let me marshalmariscal the evidenceevidencia here,
198
530000
2000
Déjenme ordenar las evidencias aquí.
09:04
because I'm not tellingnarración you a storyhistoria, I'm makingfabricación a casecaso.
199
532000
2000
Porque no estoy contándoles un historia. Estoy presentando un caso.
09:06
LadiesSeñoras and gentlemencaballeros of the juryjurado, some evidenceevidencia:
200
534000
2000
Señoras y señores del jurado, una evidencia:
09:08
DanDan ArielyAriely, one of the great economistseconomistas of our time,
201
536000
3000
Dan Ariely, uno de los grandes economistas de nuestro tiempo,
09:11
he and threeTres colleaguescolegas, did a studyestudiar of some MITMIT studentsestudiantes.
202
539000
4000
él y tres colegas, hicieron un estudio de algunos estudiantes del MIT.
09:15
They gavedio these MITMIT studentsestudiantes a bunchmanojo of gamesjuegos,
203
543000
3000
Les dieron a estos estudiantes del MIT un grupo de juegos.
09:18
gamesjuegos that involvedinvolucrado creativitycreatividad,
204
546000
2000
Juegos que involucraban creatividad,
09:20
and motormotor skillshabilidades, and concentrationconcentración.
205
548000
2000
destrezas motoras, y concentración.
09:22
And the offeredOfrecido them, for performanceactuación,
206
550000
2000
Y les ofrecieron, por desempeño,
09:24
threeTres levelsniveles of rewardsrecompensas:
207
552000
2000
tres niveles de recompensas.
09:26
smallpequeña rewardrecompensa, mediummedio rewardrecompensa, largegrande rewardrecompensa.
208
554000
5000
Pequeña recompensa, mediana recompensa, gran recompensa.
09:31
Okay? If you do really well you get the largegrande rewardrecompensa, on down.
209
559000
4000
¿De acuerdo? Si lo hace muy bien obtiene la mayor recompensa, mínimo.
09:35
What happenedsucedió? As long as the tasktarea involvedinvolucrado only mechanicalmecánico skillhabilidad
210
563000
4000
¿Que pasó? Mientras la tarea involucró solamente destreza mecánica
09:39
bonusesbonificaciones workedtrabajó as they would be expectedesperado:
211
567000
2000
los bonos funcionaron como se esperaba:
09:41
the highermayor the paypaga, the better the performanceactuación.
212
569000
4000
cuanto mayor es el pago, mejor desempeño.
09:45
Okay? But one the tasktarea calledllamado for
213
573000
2000
¿De acuerdo? Pero una de la tareas requirió
09:47
even rudimentaryrudimentario cognitivecognitivo skillhabilidad,
214
575000
4000
incluso mínima destreza mental,
09:51
a largermás grande rewardrecompensa led to poorermás pobre performanceactuación.
215
579000
5000
una recompensa mayor llevó a un desempeño peor.
09:56
Then they said,
216
584000
2000
Entonces dijeron,
09:58
"Okay let's see if there's any culturalcultural biasparcialidad here.
217
586000
2000
"De acuerdo, veamos si hay algún prejuicio cultural aquí.
10:00
LetsPermite go to MaduraiMadurai, IndiaIndia and testprueba this."
218
588000
2000
Vamos a Madurai, India y probemos ésto."
10:02
StandardEstándar of livingvivo is lowerinferior.
219
590000
2000
El estándar de vida es más bajo.
10:04
In MaduraiMadurai, a rewardrecompensa that is modestmodesto in Northnorte Americanamericano standardsestándares,
220
592000
3000
En Madurai, una recompensa que es modesta en Norteamérica,
10:07
is more meaningfulsignificativo there.
221
595000
3000
es más significativa allí.
10:10
SameMismo dealacuerdo. A bunchmanojo of gamesjuegos, threeTres levelsniveles of rewardsrecompensas.
222
598000
3000
Lo mismo. Un grupo de juegos , tres niveles de recompensas.
10:13
What happenssucede?
223
601000
2000
¿Qué pasó?
10:15
People offeredOfrecido the mediummedio levelnivel of rewardsrecompensas
224
603000
3000
Las personas a las que le ofrecieron el nivel medio de recompensa
10:18
did no better than people offeredOfrecido the smallpequeña rewardsrecompensas.
225
606000
3000
no lo hizo mejor que las que le ofrecieron la recompensa más baja.
10:21
But this time, people offeredOfrecido the highestmás alto rewardsrecompensas,
226
609000
4000
Pero, esta vez, las personas con más altas recompensas
10:25
they did the worstpeor of all.
227
613000
4000
lo hicieron peor que todas.
10:29
In eightocho of the ninenueve tasksTareas we examinedexaminado acrossa través de threeTres experimentsexperimentos,
228
617000
3000
En ocho de las nueve tareas que examinamos a través de tres experimentos,
10:32
highermayor incentivesincentivos led to worsepeor performanceactuación.
229
620000
5000
los más altos incentivos llevaron al peor desempeño.
10:37
Is this some kindtipo of touchy-feelysensiblero
230
625000
3000
¿Es esto alguna forma de manipulada
10:40
socialistsocialista conspiracyconspiración going on here?
231
628000
3000
conspiración socialista que está sucediendo aquí?
10:43
No. These are economistseconomistas from MITMIT,
232
631000
3000
No. Estos son economistas del MIT,
10:46
from CarnegieCarnegie MellonMellon, from the UniversityUniversidad of ChicagoChicago.
233
634000
3000
de Carnegie Mellon, de la Universidad de Chicago.
10:49
And do you know who sponsoredpatrocinado this researchinvestigación?
234
637000
2000
¿Y saben quién auspició esta investigación?
10:51
The FederalFederal Reservereserva BankBanco of the UnitedUnido StatesEstados.
235
639000
4000
El Banco de la Reserva Federal de los Estados Unidos.
10:55
That's the Americanamericano experienceexperiencia.
236
643000
2000
Eso es la experiencia americana.
10:57
Let's go acrossa través de the pondestanque to the LondonLondres SchoolColegio of EconomicsCiencias económicas --
237
645000
3000
Vamos al otro lado del océano al London School of Economics.
11:00
LSELSE, LondonLondres SchoolColegio of EconomicsCiencias económicas,
238
648000
3000
LSE, London School of Economics.
11:03
almaalma matermater of 11 NobelNobel LaureatesLaureados in economicsciencias económicas.
239
651000
3000
Alma mater de 11 Premios Nobel en Economía.
11:06
TrainingFormación groundsuelo for great economiceconómico thinkerspensadores
240
654000
3000
Centro de formación de grandes pensadores de la economía
11:09
like GeorgeJorge SorosSoros, and FriedrichFriedrich HayekHayek,
241
657000
3000
como George Soros y Friedrick Hayek,
11:12
and MickMick JaggerJagger. (LaughterRisa)
242
660000
2000
y Mick Jagger. (Risas)
11:14
Last monthmes, just last monthmes,
243
662000
4000
El mes pasado, tan sólo el mes pasado,
11:18
economistseconomistas at LSELSE lookedmirado at 51 studiesestudios
244
666000
3000
los economistas de LSE analizaron 51 estudios
11:21
of pay-for-performancepago por rendimiento plansplanes, insidedentro of companiescompañías.
245
669000
3000
de programas que pagaban bonos por desempeño dentro de las compañías.
11:24
Here'sAquí está what the economistseconomistas there said: "We find that financialfinanciero incentivesincentivos
246
672000
3000
Los economistas dijeron, "Consideramos que los incentivos económicos
11:27
can resultresultado in a negativenegativo impactimpacto on overallen general performanceactuación."
247
675000
6000
pueden resultar en un impacto negativo sobre el desempeño general".
11:33
There is a mismatchdesajuste betweenEntre what scienceciencia knowssabe
248
681000
3000
Hay una discordancia entre lo que la ciencia dice
11:36
and what businessnegocio does.
249
684000
2000
y lo que las empresas hacen.
11:38
And what worriespreocupaciones me, as we standestar here in the rubbleescombros
250
686000
3000
Y lo que me preocupa, mientras estamos junto a los escombros
11:41
of the economiceconómico collapsecolapso,
251
689000
2000
del colapso de la economía,
11:43
is that too manymuchos organizationsorganizaciones
252
691000
2000
es que muchas organizaciones
11:45
are makingfabricación theirsu decisionsdecisiones,
253
693000
2000
están tomando sus decisiones,
11:47
theirsu policiespolíticas about talenttalento and people,
254
695000
2000
sus políticas acerca del talento y la gente,
11:49
basedbasado on assumptionssuposiciones that are outdatedanticuado, unexaminedsin examinar,
255
697000
6000
basadas en presunciones que están obsoletas, sin analizar,
11:55
and rootedenraizado more in folklorefolklore than in scienceciencia.
256
703000
3000
y enraizadas más en el folklore que en la ciencia.
11:58
And if we really want to get out of this economiceconómico messlío,
257
706000
3000
Y si realmente queremos salir de este desorden económico,
12:01
and if we really want highalto performanceactuación on those
258
709000
2000
y si realmente queremos alto desempeño en esas
12:03
definitionaldefinición tasksTareas of the 21stst centurysiglo,
259
711000
2000
tareas esenciales del siglo XXI,
12:05
the solutionsolución is not to do more of the wrongincorrecto things,
260
713000
6000
la solución no es más de las cosas equivocadas.
12:11
to enticeatraer people with a sweetermás dulce carrotZanahoria,
261
719000
3000
Atraer a las personas con una zanahoria más dulce,
12:14
or threatenamenazar them with a sharperestafador stickpalo.
262
722000
2000
o amenazarlas con un palo afilado.
12:16
We need a wholetodo newnuevo approachenfoque.
263
724000
2000
Necesitamos una perspectiva completamente nueva.
12:18
And the good newsNoticias about all of this is that the scientistscientíficos
264
726000
2000
Y las buenas noticias acerca de todo esto es que los científicos
12:20
who'vequien ha been studyingestudiando motivationmotivación have givendado us this newnuevo approachenfoque.
265
728000
3000
que han estudiado la motivación, nos la han ofrecido.
12:23
It's an approachenfoque builtconstruido much more around intrinsicintrínseco motivationmotivación.
266
731000
3000
Es una perspectiva construida sobre todo en la motivación intrínseca,
12:26
Around the desiredeseo to do things because they matterimportar,
267
734000
2000
alrededor del deseo de hacer cosas porque importan,
12:28
because we like it, because they're interestinginteresante,
268
736000
2000
porque nos gustan, porque son interesantes,
12:30
because they are partparte of something importantimportante.
269
738000
2000
porque son parte de algo importante.
12:32
And to my mindmente, that newnuevo operatingoperando systemsistema for our businessesnegocios
270
740000
4000
Y en mi opinión, ese nuevo sistema operativo de nuestros negocios
12:36
revolvesgira around threeTres elementselementos:
271
744000
2000
gira en torno a tres elementos:
12:38
autonomyautonomía, masterymaestría and purposepropósito.
272
746000
3000
autonomía, maestría y propósito.
12:41
AutonomyAutonomía: the urgeimpulso to directdirecto our ownpropio livesvive.
273
749000
3000
Autonomía, el impulso que dirige nuestras propias vidas.
12:44
MasteryMaestría: the desiredeseo to get better and better at something that mattersasuntos.
274
752000
4000
Maestría, el deseo de ser mejor y mejor en algo que importa.
12:48
PurposePropósito: the yearninganhelo to do what we do
275
756000
3000
Propósito, la intención de hacer lo que hacemos
12:51
in the serviceServicio of something largermás grande than ourselvesNosotros mismos.
276
759000
3000
al servicio de algo más grande que nosotros mismos.
12:54
These are the buildingedificio blocksbloques of an entirelyenteramente newnuevo operatingoperando systemsistema
277
762000
3000
Estos son los ladrillos de un sistema operativo completamente nuevo
12:57
for our businessesnegocios.
278
765000
2000
para nuestros negocios.
12:59
I want to talk todayhoy only about autonomyautonomía.
279
767000
4000
Hoy quiero hablar solamente de la autonomía.
13:03
In the 20thth centurysiglo, we camevino up with this ideaidea of managementadministración.
280
771000
3000
El siglo XX trajo esta idea de gerencia.
13:06
Managementadministración did not emanateemanar from naturenaturaleza.
281
774000
2000
La gerencia no emanó de la naturaleza.
13:08
Managementadministración is like -- it's not a treeárbol,
282
776000
2000
La gerencia es como... no es un árbol.
13:10
it's a televisiontelevisión setconjunto.
283
778000
2000
Es un televisor.
13:12
Okay? SomebodyAlguien inventedinventado it.
284
780000
2000
¿De acuerdo? alguien la inventó.
13:14
And it doesn't mean it's going to work foreverSiempre.
285
782000
2000
Y no significa que va a funcionar para siempre.
13:16
Managementadministración is great.
286
784000
2000
La gerencia es excelente.
13:18
TraditionalTradicional notionsnociones of managementadministración are great
287
786000
2000
Las nociones tradicionales de administración son excelentes
13:20
if you want complianceconformidad.
288
788000
2000
si usted quiere conformidad.
13:22
But if you want engagementcompromiso, self-directionautodirección workstrabajos better.
289
790000
3000
Pero si usted quiere compromiso, la iniciativa funciona mejor.
13:25
Let me give you some examplesejemplos of some kindtipo of radicalradical
290
793000
2000
Déjenme darles algunos ejemplos de algunas nociones
13:27
notionsnociones of self-directionautodirección.
291
795000
2000
fundamentales de iniciativa.
13:29
What this meansmedio -- you don't see a lot of it,
292
797000
3000
Lo que significa... no ve mucho,
13:32
but you see the first stirringsagitaciones of something really interestinginteresante going on,
293
800000
3000
pero ve los primeros movimientos de que algo realmente interesante está sucediendo.
13:35
because what it meansmedio is payingpago people adequatelyadecuadamente
294
803000
2000
Pues lo que significa es pagar a la gente de forma adecuada
13:37
and fairlybastante, absolutelyabsolutamente --
295
805000
2000
y justa, por supuesto.
13:39
gettingconsiguiendo the issueproblema of moneydinero off the tablemesa,
296
807000
2000
Dejar a un lado el tema del dinero.
13:41
and then givingdando people lots of autonomyautonomía.
297
809000
2000
Y luego dar a la gente mucha autonomía.
13:43
Let me give you some examplesejemplos.
298
811000
2000
Déjenme darles algunos ejemplos.
13:45
How manymuchos of you have heardoído of the companyempresa AtlassianAtlassian?
299
813000
4000
¿Cuantos de ustedes han oido hablar de la compañía Atlassian?
13:49
It looksmiradas like lessMenos than halfmitad.
300
817000
2000
Se ve que menos de la mitad.
13:51
(LaughterRisa)
301
819000
2000
(Risas)
13:53
AtlassianAtlassian is an Australianaustraliano softwaresoftware companyempresa.
302
821000
4000
Atlassian es una compañía de software de Australia.
13:57
And they do something incrediblyincreíblemente coolguay.
303
825000
2000
Y hacen algo increiblemente innovador.
13:59
A fewpocos timesveces a yearaño they tell theirsu engineersingenieros,
304
827000
2000
Unas cuantas veces al año les dicen a sus ingenieros,
14:01
"Go for the nextsiguiente 24 hourshoras and work on anything you want,
305
829000
4000
"Durante las próximas 24 horas van a trabajar en lo que quieran,
14:05
as long as it's not partparte of your regularregular jobtrabajo.
306
833000
2000
con tal que no sea parte de su trabajo regular.
14:07
Work on anything you want."
307
835000
2000
Trabajen en lo que quieran".
14:09
So that engineersingenieros use this time to come up with
308
837000
2000
Entonces los ingenieros usan ese tiempo y desarrollan
14:11
a coolguay patchparche for codecódigo, come up with an elegantelegante hackcortar.
309
839000
3000
un moderno código de parche, desarrollan una modificación elegante.
14:14
Then they presentpresente all of the stuffcosas that they'veellos tienen developeddesarrollado
310
842000
3000
Luego presentan todas las cosas que han desarrollado
14:17
to theirsu teammatescompañeros de equipo, to the restdescanso of the companyempresa,
311
845000
3000
a sus compañeros, y al resto de la compañía,
14:20
in this wildsalvaje and woolylanoso all-handsTodas las manos meetingreunión
312
848000
2000
en esta distendida e informal reunión
14:22
at the endfin of the day.
313
850000
2000
al final del día.
14:24
And then, beingsiendo AustraliansAustralianos, everybodytodos has a beercerveza.
314
852000
2000
Y entonces, como son australianos, se toman una cerveza.
14:26
They call them FedExFedEx DaysDias.
315
854000
3000
Ellos les llaman los dias FedEx.
14:29
Why? Because you have to deliverentregar something overnightdurante la noche.
316
857000
6000
¿Por qué? Porque tienes que entregar algo al día siguiente.
14:35
It's prettybonita. It's not badmalo. It's a hugeenorme trademarkmarca violationviolación,
317
863000
2000
Es bonito. No es malo. Es una tremenda infracción a la marca.
14:37
but it's prettybonita cleverinteligente.
318
865000
2000
Pero es muy inteligente.
14:39
(LaughterRisa)
319
867000
1000
(Risas)
14:40
That one day of intenseintenso autonomyautonomía
320
868000
2000
Ese dia sólo de intensa autonomía
14:42
has producedproducido a wholetodo arrayformación of softwaresoftware fixescorrecciones
321
870000
2000
ha producido un perfeccionamiento del software muy amplio
14:44
that mightpodría never have existedexistió.
322
872000
2000
que nunca podrían haber existido.
14:46
And it's workedtrabajó so well that AtlassianAtlassian has takentomado it to the nextsiguiente levelnivel
323
874000
2000
Y ha resultado tan bién que Atlassian lo ha llevado al próximo nivel
14:48
with 20 PercentPor ciento Time --
324
876000
2000
con 20 Por ciento de su Tiempo.
14:50
donehecho, famouslyfamosamente, at GoogleGoogle --
325
878000
2000
Hecho, famosamente, en Google.
14:52
where engineersingenieros can work, spendgastar 20 percentpor ciento of theirsu time
326
880000
2000
Donde los ingenieros pueden trabajar, pasar el 20 por ciento de su tiempo
14:54
workingtrabajando on anything they want.
327
882000
2000
trabajando en algo que quieran.
14:56
They have autonomyautonomía over theirsu time,
328
884000
2000
Tienen autonomía sobre su tiempo,
14:58
theirsu tasktarea, theirsu teamequipo, theirsu techniquetécnica.
329
886000
2000
su tarea, su equipo, su técnica.
15:00
Okay? RadicalRadical amountscantidades of autonomyautonomía.
330
888000
2000
¿De acuerdo? Cantidades extremas de autonomía,
15:02
And at GoogleGoogle, as manymuchos of you know,
331
890000
4000
Y en Google, como muchos de ustedes saben,
15:06
about halfmitad of the newnuevo productsproductos in a typicaltípico yearaño
332
894000
2000
cerca de la mitad de los nuevos productos en un año normal
15:08
are birthednacido duringdurante that 20 PercentPor ciento Time:
333
896000
3000
han nacido durante ese 20 por ciento de su Tiempo.
15:11
things like GmailGmail, OrkutOrkut, GoogleGoogle NewsNoticias.
334
899000
3000
Productos como Gmail, Orkut, Google News.
15:14
Let me give you an even more radicalradical exampleejemplo of it:
335
902000
3000
Déjenme darles un ejemplo más extremo aún.
15:17
something calledllamado the ResultsResultados Only Work EnvironmentAmbiente,
336
905000
2000
Algo llamado "Resultados en el Ámbito del Trabajo Exclusivamente ".
15:19
the ROWEROWE,
337
907000
2000
El ROWE.
15:21
createdcreado by two Americanamericano consultantsconsultores, in placelugar
338
909000
2000
Creado por dos consultores norteamericanos, vigente
15:23
in placelugar at about a dozendocena companiescompañías around Northnorte AmericaAmerica.
339
911000
2000
vigente en cerca de una docena de compañías en Norteamérica.
15:25
In a ROWEROWE people don't have scheduleshorarios.
340
913000
4000
En un ROWE la gente no tiene horario.
15:29
They showespectáculo up when they want.
341
917000
2000
Se presentan cuando quieren.
15:31
They don't have to be in the officeoficina at a certaincierto time,
342
919000
2000
No tienen que estar en la oficina en un cierto momento,
15:33
or any time.
343
921000
2000
o a cierta hora.
15:35
They just have to get theirsu work donehecho.
344
923000
2000
Sólo tienen que hacer su trabajo.
15:37
How they do it, when they do it,
345
925000
2000
¿Cómo lo hacen?, ¿cuándo lo hacen?
15:39
where they do it, is totallytotalmente up to them.
346
927000
3000
¿dónde lo hacen?, depende totalmente de ellos.
15:42
MeetingsReuniones in these kindsclases of environmentsambientes are optionalOpcional.
347
930000
4000
Las reuniones en estas clases de ambientes son opcionales.
15:46
What happenssucede?
348
934000
2000
¿Qué es lo que pasa?
15:48
AlmostCasi acrossa través de the boardtablero, productivityproductividad goesva up,
349
936000
3000
Casi en todas las categorías, la productividad sube,
15:51
workerobrero engagementcompromiso goesva up,
350
939000
3000
el compromiso de los trabajadores sube,
15:54
workerobrero satisfactionsatisfacción goesva up, turnovervolumen de negocios goesva down.
351
942000
3000
la satisfacción del trabajador sube, y la rotación baja.
15:57
AutonomyAutonomía, masterymaestría and purposepropósito,
352
945000
2000
Autonomía, Maestría y Propósito.
15:59
These are the buildingedificio blocksbloques of a newnuevo way of doing things.
353
947000
2000
Estos son los ladrillos de una nueva forma de hacer las cosas.
16:01
Now some of you mightpodría look at this and say,
354
949000
3000
Ahora algunos de ustedes podría mirar esto y decir,
16:04
"HmmHmm, that soundssonidos nicebonito, but it's Utopianutópico."
355
952000
3000
"Mmm, eso suena bonito. Pero es una utopía"
16:07
And I say, "NopeNope. I have proofprueba."
356
955000
5000
Y yo digo, "No. Tengo pruebas"
16:12
The mid-medio-1990s, MicrosoftMicrosoft startedempezado
357
960000
2000
A mediados de los Noventa, Microsoft empezó
16:14
an encyclopediaenciclopedia calledllamado EncartaEncarta.
358
962000
2000
una enciclopedia llamada Encarta.
16:16
They had deployeddesplegada all the right incentivesincentivos,
359
964000
2000
Habian implantado todos los incentivos correctos.
16:18
all the right incentivesincentivos. They paidpagado professionalsprofesionales to
360
966000
3000
Todos los incentivos correctos. Pagaron a profesionales
16:21
writeescribir and editeditar thousandsmiles of articlesartículos.
361
969000
2000
para escribir y editar miles de artículos.
16:23
Well-compensatedBien compensado managersgerentes oversawsupervisó the wholetodo thing
362
971000
2000
Gerentes bien pagados lo supervisaron todo
16:25
to make sure it camevino in on budgetpresupuesto and on time.
363
973000
5000
para asegurarse que saliera a tiempo y dentro del presupuesto.
16:30
A fewpocos yearsaños laterluego anotherotro encyclopediaenciclopedia got startedempezado.
364
978000
2000
Unos años mas tarde se empezó otra enciclopedia.
16:32
DifferentDiferente modelmodelo, right?
365
980000
3000
¿Diferente modelo, cierto?
16:35
Do it for fundivertido. No one getsse pone paidpagado a centcentavo, or a EuroEuro or a YenYen.
366
983000
4000
Hágalo por diversión. A nadie se le paga un céntimo, o un euro o un yen.
16:39
Do it because you like to do it.
367
987000
3000
Hágalo porque a usted le gusta hacerlo.
16:42
Now if you had, just 10 yearsaños agohace,
368
990000
3000
Ahora si usted hubiera, hace 10 años,
16:45
if you had goneido to an economisteconomista, anywhereen cualquier sitio,
369
993000
2000
si usted hubiera ido a un economista , a cualquier parte,
16:47
and said, "Hey, I've got these two differentdiferente modelsmodelos for creatingcreando an encyclopediaenciclopedia.
370
995000
4000
y hubiera dicho,"Mira, tengo estos dos modelos para crear una enciclopedia.
16:51
If they wentfuimos headcabeza to headcabeza, who would winganar?"
371
999000
3000
Si ellos fueran cabeza con cabeza, ¿quién ganaría?"
16:54
10 yearsaños agohace you could not have foundencontró a singlesoltero sobersobrio economisteconomista anywhereen cualquier sitio
372
1002000
4000
Hace 10 años no hubiera encontrado un sólo economista serio en ninguna parte
16:58
on planetplaneta EarthTierra
373
1006000
2000
en el planeta Tierra,
17:00
who would have predictedpredicho the WikipediaWikipedia modelmodelo.
374
1008000
2000
que hubiese pronosticado el modelo Wikipedia.
17:02
This is the titanictitánico battlebatalla betweenEntre these two approachesenfoques.
375
1010000
3000
Ésta es la batalla titánica entre estas dos perspectivas.
17:05
This is the Ali-FrazierAli-Frazier of motivationmotivación. Right?
376
1013000
3000
Esto es el Ali-Frazier de la motivación. ¿Verdad?
17:08
This is the Thrilla'Thrilla ' in ManilaManila.
377
1016000
2000
Esto es el Thrilla' en Manila.
17:10
AlrightBien? IntrinsicIntrínseco motivatorsmotivadores versusversus extrinsicextrínseco motivatorsmotivadores.
378
1018000
3000
¿Correcto? Motivadores intrínsecos versus motivadores extrínsecos.
17:13
AutonomyAutonomía, masterymaestría and purposepropósito,
379
1021000
2000
Autonomía, Maestría y Propósito,
17:15
versusversus carrotZanahoria and stickspalos. And who winsgana?
380
1023000
2000
versus recompensa y castigo. Y ¿quién gana?
17:17
IntrinsicIntrínseco motivationmotivación, autonomyautonomía, masterymaestría and purposepropósito,
381
1025000
3000
Motivación intrínseca, autonomía, maestría y propósito,
17:20
in a knockoutknockear. Let me wrapenvolver up.
382
1028000
4000
por noqueo. Déjenme concluir.
17:24
There is a mismatchdesajuste betweenEntre what scienceciencia knowssabe and what businessnegocio does.
383
1032000
3000
Hay una discordancia entre lo que la ciencia dice y lo que las empresas hacen.
17:27
And here is what scienceciencia knowssabe.
384
1035000
2000
Y esto es lo que la ciencia dice.
17:29
One: Those 20thth centurysiglo rewardsrecompensas,
385
1037000
2000
Uno: Esas recompensas del siglo XX,
17:31
those motivatorsmotivadores we think are a naturalnatural partparte of businessnegocio,
386
1039000
3000
esos motivadores que creemos son parte natural de los negocios,
17:34
do work, but only in a surprisinglyasombrosamente narrowestrecho bandbanda of circumstancescircunstancias.
387
1042000
4000
funcionan pero sólo en una sorprendente y estrecha franja de circunstancias.
17:38
Two: Those if-thensi-entonces rewardsrecompensas oftena menudo destroydestruir creativitycreatividad.
388
1046000
4000
Dos: Esas recompensas condicionadas a menudo destruyen la creatividad.
17:42
ThreeTres: The secretsecreto to highalto performanceactuación
389
1050000
2000
Tres: El secreto del alto desempeño
17:44
isn't rewardsrecompensas and punishmentscastigos,
390
1052000
2000
no está en recompensas y castigos,
17:46
but that unseeninvisible intrinsicintrínseco drivemanejar --
391
1054000
2000
sino en una fuerza intrínseca invisible.
17:48
the drivemanejar to do things for theirsu ownpropio sakemotivo.
392
1056000
3000
La fuerza de hacer las cosas por su propio interés.
17:51
The drivemanejar to do things causeporque they matterimportar.
393
1059000
2000
La fuerza para hacer cosas porque importan.
17:53
And here'saquí está the bestmejor partparte. Here'sAquí está the bestmejor partparte.
394
1061000
2000
Y aquí está la mejor parte . Aquí está la mejor parte.
17:55
We alreadyya know this. The scienceciencia confirmsconfirma what we know in our heartscopas.
395
1063000
3000
Nosotros ya lo sabemos. La ciencia confirma lo que ya sabemos.
17:58
So, if we repairreparar this mismatchdesajuste
396
1066000
3000
Entonces, si reparamos esta discordancia
18:01
betweenEntre what scienceciencia knowssabe and what businessnegocio does,
397
1069000
2000
entre lo que la ciencia dice y lo que las empresas hacen,
18:03
if we bringtraer our motivationmotivación, notionsnociones of motivationmotivación
398
1071000
3000
si traemos nuestra motivación , nociones de motivación
18:06
into the 21stst centurysiglo,
399
1074000
2000
al siglo XXI,
18:08
if we get pastpasado this lazyperezoso, dangerouspeligroso, ideologyideología
400
1076000
4000
si dejamos atrás esta ideología floja y peligrosa
18:12
of carrotszanahorias and stickspalos,
401
1080000
2000
de recompensas y castigos,
18:14
we can strengthenfortalecer our businessesnegocios,
402
1082000
3000
podemos fortalecer nuestros negocios,
18:17
we can solveresolver a lot of those candlevela problemsproblemas,
403
1085000
3000
podemos resolver muchos de esos problemas de la vela,
18:20
and maybe, maybe, maybe
404
1088000
4000
y puede ser, puede ser, puede ser
18:24
we can changecambio the worldmundo.
405
1092000
2000
que podamos cambiar el mundo.
18:26
I restdescanso my casecaso.
406
1094000
2000
Concluyo mi alegato.
18:28
(ApplauseAplausos)
407
1096000
3000
(Aplausos)
Translated by carmen weitzel
Reviewed by Inma Barrios

▲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