TEDGlobal 2009
Dan Pink: The puzzle of motivation
Dan Pink o překvapivých vědeckých poznatcích o motivaci
Filmed:
Readability: 4
25,352,736 views
Kariérní analytik Dan Pink zkoumá záhady motivace, počínaje faktem, který badatelé společenských věd znají, ale většina manažerů ne: Tradiční odměňování není vždy tak účinné, jako si myslíme. Poslechněte si jeho poučné příběhy - a možná také návod, jak dál.
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. Full bio
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 confession at the outset here.
0
0
4000
Hned na začátku se vám musím k něčemu přiznat.
00:16
A little over 20 years ago
1
4000
3000
Před více než 20 lety
00:19
I did something that I regret,
2
7000
2000
jsem udělal něco, čeho lituji,
00:21
something that I'm not particularly proud of,
3
9000
4000
něco, na co nejsem příliš pyšný
00:25
something that, in many ways, I wish no one would ever know,
4
13000
3000
a něco, co bych si přál, aby se nikdo nikdy nedozvěděl,
00:28
but here I feel kind of obliged to reveal.
5
16000
4000
ale tady cítím povinnost, vám to říct.
00:32
(Laughter)
6
20000
2000
(Smích)
00:34
In the late 1980s,
7
22000
2000
Na konci 80. let,
00:36
in a moment of youthful indiscretion,
8
24000
3000
v době mladické nerozvážnosti
00:39
I went to law school.
9
27000
2000
jsem šel studovat právo.
00:41
(Laughter)
10
29000
4000
(Smích)
00:45
Now, in America law is a professional degree:
11
33000
3000
V Americe se právo studuje jako odborná nástavba.
00:48
you get your university degree, then you go on to law school.
12
36000
2000
Nejprve musíte získat titul a až potom jdete na práva.
00:50
And when I got to law school,
13
38000
3000
A když už jsem se dostal na studium práva,
00:53
I didn't do very well.
14
41000
2000
příliš se mi nedařilo.
00:55
To put it mildly, I didn't do very well.
15
43000
2000
A to je velmi jemně řečeno.
00:57
I, in fact, graduated in the part of my law school class
16
45000
3000
Ve skutečnosti jsem dostudoval jako jeden z těch studentů,
01:00
that made the top 90 percent possible.
17
48000
4000
díky kterým mohli ostatní patřit mezi vrchních 90%.
01:04
(Laughter)
18
52000
4000
(Smích)
01:08
Thank you.
19
56000
3000
Děkuji.
01:11
I never practiced law a day in my life;
20
59000
3000
Právní praxi jsem nevykonával ani den.
01:14
I pretty much wasn't allowed to.
21
62000
2000
Měl jsem to v podstatě zakázané.
01:16
(Laughter)
22
64000
3000
(Smích)
01:19
But today, against my better judgment,
23
67000
3000
Ale dnes, proti svému přesvědčení,
01:22
against the advice of my own wife,
24
70000
3000
proti tomu, co mi radila moje vlastní manželka,
01:25
I want to try to dust off some of those legal skills --
25
73000
4000
se chci pokusit oprášit část mých právnických dovedností,
01:29
what's left of those legal skills.
26
77000
2000
aspoň to, co z nich zůstalo.
01:31
I don't want to tell you a story.
27
79000
3000
Nechci vám vyprávět příběh.
01:34
I want to make a case.
28
82000
2000
Chci vám předložit případ.
01:36
I want to make a hard-headed, evidence-based,
29
84000
4000
Chci předložit realistický, na faktech založený,
01:40
dare I say lawyerly case,
30
88000
3000
řekl bych až právní případ,
01:43
for rethinking how we run our businesses.
31
91000
4000
abychom se zamysleli, jak vedeme naše firmy.
01:47
So, ladies and gentlemen of the jury, take a look at this.
32
95000
4000
Takže, vážené porotkyně, vážení porotci, podívejme se na toto.
01:51
This is called the candle problem.
33
99000
2000
Tohle se nazývá "úloha se svíčkou".
01:53
Some of you might have seen this before.
34
101000
2000
Možná to už někteří z vás viděli.
01:55
It's created in 1945
35
103000
2000
V roce 1945 ji vytvořil
01:57
by a psychologist named Karl Duncker.
36
105000
2000
psycholog Karl Duncker.
01:59
Karl Duncker created this experiment
37
107000
2000
Karl Duncker ja autorem tohoto experimentu,
02:01
that is used in a whole variety of experiments in behavioral science.
38
109000
3000
který se používá jako součást celé řady experimentů ve vědě o chování.
02:04
And here's how it works. Suppose I'm the experimenter.
39
112000
3000
A funguje to takto. Přestavme si, že já jsem experimentátor.
02:07
I bring you into a room. I give you a candle,
40
115000
4000
Přivedu vás do místnosti. Dám vám svíčku,
02:11
some thumbtacks and some matches.
41
119000
2000
nějaké připínáčky a zápalky.
02:13
And I say to you, "Your job
42
121000
2000
A řeknu vám: "Vaší úlohou
02:15
is to attach the candle to the wall
43
123000
2000
je připevnit svíčku na stěnu tak,
02:17
so the wax doesn't drip onto the table." Now what would you do?
44
125000
4000
aby vosk nekapal na stůl". Co byste udělali vy?
02:21
Now many people begin trying to thumbtack the candle to the wall.
45
129000
4000
Mnozí lidé začnou tím, že zkouší připíchnout svíčku na stěnu.
02:25
Doesn't work.
46
133000
2000
To nefunguje.
02:27
Somebody, some people -- and I saw somebody
47
135000
2000
Jiní, a tady sem taky někoho viděl
02:29
kind of make the motion over here --
48
137000
2000
to pohybem naznačovat,
02:31
some people have a great idea where they
49
139000
2000
dostanou fantastický nápad, že
02:33
light the match, melt the side of the candle, try to adhere it to the wall.
50
141000
4000
zapálí sirku, roztopí vosk na boku svíčky a snaží se jí přilepit na stěnu.
02:37
It's an awesome idea. Doesn't work.
51
145000
3000
To je senzační nápad. Jen nefunguje.
02:40
And eventually, after five or 10 minutes,
52
148000
3000
No a nakonec, po 5 až 10 minutách,
02:43
most people figure out the solution,
53
151000
2000
většina lidí přijde na správné řešení,
02:45
which you can see here.
54
153000
2000
které vidíte tady.
02:47
The key is to overcome what's called functional fixedness.
55
155000
3000
Klíčem k řešení je překonat tzv. funkční fixaci.
02:50
You look at that box and you see it only as a receptacle for the tacks.
56
158000
4000
Díváte se na tu krabičku a vnímáte ji pouze jako podnos na připínáčky.
02:54
But it can also have this other function,
57
162000
2000
Ale ona může mít i jinou funkci,
02:56
as a platform for the candle. The candle problem.
58
164000
4000
jako podložka pod svíčku. Tolik úloha se svíčkou.
03:00
Now I want to tell you about an experiment
59
168000
2000
Teď bych vám rád řekl o experimentu
03:02
using the candle problem,
60
170000
2000
založeném na úloze se svíčkou,
03:04
done by a scientist named Sam Glucksberg,
61
172000
2000
který vykonal vědec Sam Glucksberg
03:06
who is now at Princeton University in the U.S.
62
174000
2000
působící v současnosti na univerzitě v Princetonu v USA.
03:08
This shows the power of incentives.
63
176000
4000
Ukazuje nám to sílu motivačních stimulů.
03:12
Here's what he did. He gathered his participants.
64
180000
2000
Udělal následovné. Shromáždil účastníky experimentu,
03:14
And he said, "I'm going to time you. How quickly you can solve this problem?"
65
182000
3000
a řekl: "Budu vám stopovat, jak rychle dokážete vyřešit tuto úlohu".
03:17
To one group he said,
66
185000
2000
Jedné skupině řekl,
03:19
"I'm going to time you to establish norms,
67
187000
3000
budu vám měřit čas, abychom mohli stanovit normy,
03:22
averages for how long it typically takes
68
190000
2000
průměry, jak dlouho lidem obyčejně trvá
03:24
someone to solve this sort of problem."
69
192000
2000
vyřešit takový typ úlohy.
03:26
To the second group he offered rewards.
70
194000
3000
Druhé skupině nabídl odměny.
03:29
He said, "If you're in the top 25 percent of the fastest times,
71
197000
4000
Řekl: "Pokud budete jedním z 25% nejrychlejších
03:33
you get five dollars.
72
201000
3000
dostanete pět dolarů.
03:36
If you're the fastest of everyone we're testing here today,
73
204000
3000
Když budete nejrychlejší ze všech dnešních testovaných,
03:39
you get 20 dollars."
74
207000
2000
dostanete 20 dolarů."
03:41
Now this is several years ago. Adjusted for inflation,
75
209000
3000
Bylo to už před několika lety, takže k tomu připočtěme inflaci.
03:44
it's a decent sum of money for a few minutes of work.
76
212000
2000
Je to slušná suma peněz za pár minut práce.
03:46
It's a nice motivator.
77
214000
2000
Je to přijemná motivace.
03:48
Question: How much faster
78
216000
3000
Otázka: O kolik rychleji
03:51
did this group solve the problem?
79
219000
2000
vyřešila tato skupina danou úlohu?
03:53
Answer: It took them, on average,
80
221000
3000
Odpověď: Trvalo jim to průměrně
03:56
three and a half minutes longer.
81
224000
4000
o tři a půl minuty déle.
04:00
Three and a half minutes longer. Now this makes no sense right?
82
228000
3000
Tři a půl minuty déle. To ale nedává žádný smysl, že?
04:03
I mean, I'm an American. I believe in free markets.
83
231000
3000
Chci říct, já jsem Američan. Je věřím ve volný trh.
04:06
That's not how it's supposed to work. Right?
84
234000
3000
Takže by to tak přece nemělo být, že?
04:09
(Laughter)
85
237000
1000
(Smích)
04:10
If you want people to perform better,
86
238000
2000
Pokud chcete, aby lidé měli větší výkonnost,
04:12
you reward them. Right?
87
240000
2000
dáte jim odměnu. Ne?
04:14
Bonuses, commissions, their own reality show.
88
242000
3000
Prémie, provize, jejich vlastní reality show.
04:17
Incentivize them. That's how business works.
89
245000
4000
Stimulujete je. Tak to v obchodě funguje.
04:21
But that's not happening here.
90
249000
2000
Ale tady se to nefunguje.
04:23
You've got an incentive designed to
91
251000
2000
Máte tady stimul, jeho účelem je
04:25
sharpen thinking and accelerate creativity,
92
253000
4000
zbystřit mysl a podnítit kreativitu.
04:29
and it does just the opposite.
93
257000
2000
Ale výsledkem je pravý opak.
04:31
It dulls thinking and blocks creativity.
94
259000
3000
Otupí myšlení a zablokuje kreativitu.
04:34
And what's interesting about this experiment is that it's not an aberration.
95
262000
3000
Zajímavé je, že v tomto experimentu nejde o nějakou systematickou chybu.
04:37
This has been replicated over and over
96
265000
3000
Tento pokus se opakuje se stejným výsledkem
04:40
and over again, for nearly 40 years.
97
268000
3000
znovu a znovu už skoro 40 let.
04:43
These contingent motivators --
98
271000
3000
Tyto podmíněné motivační stimuly,
04:46
if you do this, then you get that --
99
274000
2000
pokud uděláte toto, dostanete tamto,
04:48
work in some circumstances.
100
276000
2000
v určitých podmínkách fungují.
04:50
But for a lot of tasks, they actually either don't work
101
278000
3000
Ale v mnohých případech buď nefungují,
04:53
or, often, they do harm.
102
281000
3000
nebo, často i uškodí.
04:56
This is one of the most robust findings
103
284000
4000
Toto je jedno z nejzajímavějších zjištění
05:00
in social science,
104
288000
3000
v oblasti společenských věd.
05:03
and also one of the most ignored.
105
291000
2000
A také jedno z nejignorovanějších.
05:05
I spent the last couple of years looking at the science of
106
293000
2000
Posledních několik let jsem se zabýval vědou
05:07
human motivation,
107
295000
2000
o lidské motivaci.
05:09
particularly the dynamics of extrinsic motivators
108
297000
2000
Obzvlášť mě zajímala dynamika vnějších
05:11
and intrinsic motivators.
109
299000
2000
a vnitřních motivačních faktorů.
05:13
And I'm telling you, it's not even close.
110
301000
2000
Říkám vám, je tam obrovský rozdíl.
05:15
If you look at the science, there is a mismatch
111
303000
2000
Když se podíváme na vědecké poznatky, je tu rozpor
05:17
between what science knows and what business does.
112
305000
4000
mezi tím, co zná věda a co dělá podnikatelský svět.
05:21
And what's alarming here is that our business operating system --
113
309000
3000
Alarmující je, že operační systém naší obchodní činnosti -
05:24
think of the set of assumptions and protocols beneath our businesses,
114
312000
3000
t.j. soubor předpokladů a protokolů, na kterých stojí naše firmy,
05:27
how we motivate people, how we apply our human resources --
115
315000
5000
to jak motivujeme lidi, jakým způsobem využíváme lidské zdroje -
05:32
it's built entirely around these extrinsic motivators,
116
320000
3000
je založený výhradně na těchto vnějších motivačních faktorech,
05:35
around carrots and sticks.
117
323000
2000
na cukru a biči.
05:37
That's actually fine for many kinds of 20th century tasks.
118
325000
4000
To je vlastně v pořádku pro mnohé úlohy z 20. století.
05:41
But for 21st century tasks,
119
329000
2000
Ale pro úlohy 21. století,
05:43
that mechanistic, reward-and-punishment approach
120
331000
4000
takový mechanistický přístup typu "odměna a trest"
05:47
doesn't work, often doesn't work, and often does harm.
121
335000
4000
často nefunguje a často je dokonce škodlivý.
05:51
Let me show you what I mean.
122
339000
2000
Ukážu vám, co mám na mysli.
05:53
So Glucksberg did another experiment similar to this
123
341000
3000
Takže Glucksberg udělal další podobný experiment,
05:56
where he presented the problem in a slightly different way,
124
344000
2000
kde zadal úlohu trochu odlišným způsobem,
05:58
like this up here. Okay?
125
346000
3000
jako tady nahoře. OK?
06:01
Attach the candle to the wall so the wax doesn't drip onto the table.
126
349000
2000
Připevnit svíčku ke stěně tak, aby vosk nekapal na stůl.
06:03
Same deal. You: we're timing for norms.
127
351000
3000
Stejně jako předtím. Jedni: měříme čas kvůli stanovení norem.
06:06
You: we're incentivizing.
128
354000
3000
Druzí: dostanete odměnu.
06:09
What happened this time?
129
357000
2000
Co se stalo tentokrát?
06:11
This time, the incentivized group
130
359000
2000
Tentokrát to odměňovaná skupina
06:13
kicked the other group's butt.
131
361000
4000
druhé skupině natřela.
06:17
Why? Because when the tacks are out of the box,
132
365000
4000
Proč? Protože když jsou připínáčky mimo škatulku,
06:21
it's pretty easy isn't it?
133
369000
4000
je to dost lehké, že?
06:25
(Laughter)
134
373000
2000
(Smích)
06:27
If-then rewards work really well
135
375000
3000
Odměna typu "pokud-tak" funguje velmi dobře
06:30
for those sorts of tasks,
136
378000
3000
při takových úlohách,
06:33
where there is a simple set of rules and a clear destination
137
381000
2000
kde je jednoduchý soubor pravidel
06:35
to go to.
138
383000
2000
a jasný cíl.
06:37
Rewards, by their very nature,
139
385000
2000
Už z podstaty odměn vyplývá,
06:39
narrow our focus, concentrate the mind;
140
387000
2000
že zužují naší pozornost, soustředí naší mysl.
06:41
that's why they work in so many cases.
141
389000
2000
Právě proto v takových případech fungují.
06:43
And so, for tasks like this,
142
391000
2000
A tedy, při úlohách podobného charakteru,
06:45
a narrow focus, where you just see the goal right there,
143
393000
3000
při úzkém zaměření, když přímo před sebou vidíte cíl,
06:48
zoom straight ahead to it,
144
396000
2000
když se na něj můžete upřít,
06:50
they work really well.
145
398000
2000
odměny fungují velmi dobře.
06:52
But for the real candle problem,
146
400000
2000
Ale při skutečné úloze se svíčkou,
06:54
you don't want to be looking like this.
147
402000
2000
se na to takhle nechcete dívat.
06:56
The solution is not over here. The solution is on the periphery.
148
404000
2000
Řešení tu není. Je někde na okraji.
06:58
You want to be looking around.
149
406000
2000
Je potřeba, abyste se rozhlédli.
07:00
That reward actually narrows our focus
150
408000
2000
Odměna totiž zužuje naše vnímání
07:02
and restricts our possibility.
151
410000
2000
a omezuje naše možnosti.
07:04
Let me tell you why this is so important.
152
412000
3000
Řeknu vám, proč je to tak důležité.
07:07
In western Europe,
153
415000
2000
V západní Evropě,
07:09
in many parts of Asia,
154
417000
2000
v mnohých částech Asie,
07:11
in North America, in Australia,
155
419000
3000
v Severní Americe, v Austrálii,
07:14
white-collar workers are doing less of
156
422000
2000
duševně pracující dělají méně práce
07:16
this kind of work,
157
424000
2000
tohoto druhu,
07:18
and more of this kind of work.
158
426000
4000
a více práce tohoto druhu.
07:22
That routine, rule-based, left-brain work --
159
430000
3000
Tato rutinní, levo-mozková práce s jasnými pravidly,
07:25
certain kinds of accounting, certain kinds of financial analysis,
160
433000
2000
některé typy účetnictví, finančních analýz,
07:27
certain kinds of computer programming --
161
435000
2000
počítačového programování
07:29
has become fairly easy to outsource,
162
437000
2000
se dnes dají docela snadno outsourcovat,
07:31
fairly easy to automate.
163
439000
2000
nebo automatizovat.
07:33
Software can do it faster.
164
441000
3000
Software to dokáže udělat rychleji.
07:36
Low-cost providers around the world can do it cheaper.
165
444000
2000
Levné pracovní síly ve světě dokáží pracovat levněji.
07:38
So what really matters are the more right-brained
166
446000
4000
Na čem ale opravdu záleží jsou spíše pravo-mozkové,
07:42
creative, conceptual kinds of abilities.
167
450000
3000
kreativní, koncepční schopnosti.
07:45
Think about your own work.
168
453000
3000
Zamyslete se nad vaší vlastní prací.
07:48
Think about your own work.
169
456000
3000
Zamyslete se nad vaší vlastní prací.
07:51
Are the problems that you face, or even the problems
170
459000
2000
Mají problémy, které řešíte, nebo i takové,
07:53
we've been talking about here,
171
461000
2000
o kterých jsme tu mluvili,
07:55
are those kinds of problems -- do they have a clear set of rules,
172
463000
2000
jasně stanovená pravidla
07:57
and a single solution? No.
173
465000
3000
a jediné řešení? Ne.
08:00
The rules are mystifying.
174
468000
2000
Pravidla jsou záhadou.
08:02
The solution, if it exists at all,
175
470000
2000
Řešení, pokud vůbec nějaké existuje,
08:04
is surprising and not obvious.
176
472000
3000
je překvapující a vůbec ne očividné.
08:07
Everybody in this room
177
475000
2000
Každý v tomto sále
08:09
is dealing with their own version
178
477000
3000
řeší svoji vlastní verzi
08:12
of the candle problem.
179
480000
2000
"úlohy se svíčkou".
08:14
And for candle problems of any kind,
180
482000
3000
A pro podobné problémy jakéhokoli charakteru,
08:17
in any field,
181
485000
2000
v každé oblasti,
08:19
those if-then rewards,
182
487000
3000
tyto odměny typu "pokud-tak",
08:22
the things around which we've built so many of our businesses,
183
490000
4000
na kterých jsme vybudovali tolik našich společností,
08:26
don't work.
184
494000
2000
nefungují.
08:28
Now, I mean it makes me crazy.
185
496000
2000
Z toho úplně šílím.
08:30
And this is not -- here's the thing.
186
498000
2000
A to, o čem tu mluvíme,
08:32
This is not a feeling.
187
500000
3000
to není jen pocit.
08:35
Okay? I'm a lawyer; I don't believe in feelings.
188
503000
3000
Jasné? Já jsem právník. Já nevěřím na pocity.
08:38
This is not a philosophy.
189
506000
4000
Tohle není filozofie.
08:42
I'm an American; I don't believe in philosophy.
190
510000
2000
Já jsem Američan. Nevěřím na filozofii.
08:44
(Laughter)
191
512000
3000
(Smích)
08:47
This is a fact --
192
515000
3000
To je fakt.
08:50
or, as we say in my hometown of Washington, D.C.,
193
518000
2000
Nebo, jak říkáme u nás ve Washingtonu D.C.,
08:52
a true fact.
194
520000
2000
opravdový fakt.
08:54
(Laughter)
195
522000
2000
(Smích)
08:56
(Applause)
196
524000
4000
(Potlesk)
09:00
Let me give you an example of what I mean.
197
528000
2000
Dovolte mi uvést příklad, co mám na mysli.
09:02
Let me marshal the evidence here,
198
530000
2000
Dovolte mi tu předložit důkazy.
09:04
because I'm not telling you a story, I'm making a case.
199
532000
2000
Nevyprávím vám příběh, ale předkládám soudní případ.
09:06
Ladies and gentlemen of the jury, some evidence:
200
534000
2000
Vážení členové poroty, tady jsou důkazy:
09:08
Dan Ariely, one of the great economists of our time,
201
536000
3000
Dan Ariely, jeden z významných současných ekonomů,
09:11
he and three colleagues, did a study of some MIT students.
202
539000
4000
spolu s jeho třemi kolegy, udělal studii se studenty MIT.
09:15
They gave these MIT students a bunch of games,
203
543000
3000
Těmto studentům MIT dali hrát několik her.
09:18
games that involved creativity,
204
546000
2000
Hry, které vyžadovaly kreativitu,
09:20
and motor skills, and concentration.
205
548000
2000
motorické dovednosti a koncentraci.
09:22
And the offered them, for performance,
206
550000
2000
A za dosáhnuté výsledky jim nabídli
09:24
three levels of rewards:
207
552000
2000
tři úrovně odměn.
09:26
small reward, medium reward, large reward.
208
554000
5000
Malou odměnu, střední odměnu, vysokou odměnu.
09:31
Okay? If you do really well you get the large reward, on down.
209
559000
4000
Dobře? Pokud se vám bude velmi dobře dařit, dostanete vysokou odměnu, atd.
09:35
What happened? As long as the task involved only mechanical skill
210
563000
4000
Co se stalo? Dokud úloha vyžadovala jenom mechanické dovednosti
09:39
bonuses worked as they would be expected:
211
567000
2000
prémie fungovaly podle očekávání:
09:41
the higher the pay, the better the performance.
212
569000
4000
čím vyšší odměna, tím vyšší byla výkonnost.
09:45
Okay? But one the task called for
213
573000
2000
Dobře? Ale v případě úloh, které vyžadovaly
09:47
even rudimentary cognitive skill,
214
575000
4000
třeba jen základní kognitivní dovednosti,
09:51
a larger reward led to poorer performance.
215
579000
5000
vyšší odměna vedla k horší výkonnosti.
09:56
Then they said,
216
584000
2000
Potom si řekli,
09:58
"Okay let's see if there's any cultural bias here.
217
586000
2000
"Přezkoumejme, jestli to není vlivem kultury.
10:00
Lets go to Madurai, India and test this."
218
588000
2000
Pojďme to vyzkoušet do Madurai v Indii."
10:02
Standard of living is lower.
219
590000
2000
Životní úroveň je tam nižší.
10:04
In Madurai, a reward that is modest in North American standards,
220
592000
3000
To, co je v Severní Americe malá odměna, bude mít v Madurai
10:07
is more meaningful there.
221
595000
3000
větší smysl.
10:10
Same deal. A bunch of games, three levels of rewards.
222
598000
3000
Stejně jako předtím: Několik her, odměny ve třech výškách.
10:13
What happens?
223
601000
2000
Jak to dopadlo?
10:15
People offered the medium level of rewards
224
603000
3000
Lidem, kterým byla nabídnuta střední výška odměny
10:18
did no better than people offered the small rewards.
225
606000
3000
neměli výsledky o nic lepší než ti, kterým byla nabídnuta malá odměna.
10:21
But this time, people offered the highest rewards,
226
609000
4000
Ale tentokrát ti, kterým byla slíbena nejvyšší odměna,
10:25
they did the worst of all.
227
613000
4000
měli nejhorší výsledky ze všech.
10:29
In eight of the nine tasks we examined across three experiments,
228
617000
3000
V osmi z devíti úloh, které byly předmětem experimentu,
10:32
higher incentives led to worse performance.
229
620000
5000
vedly vyšší odměny k horší výkonnosti.
10:37
Is this some kind of touchy-feely
230
625000
3000
Jde tu o nějakou pocitovou, ničím nepodloženou
10:40
socialist conspiracy going on here?
231
628000
3000
socialistickou konspiraci?
10:43
No. These are economists from MIT,
232
631000
3000
Ne. Jsou to ekonomové z MIT,
10:46
from Carnegie Mellon, from the University of Chicago.
233
634000
3000
z Carnegie Mellon, z Chicagské univerzity.
10:49
And do you know who sponsored this research?
234
637000
2000
A víte, kdo sponzoroval tento výzkum?
10:51
The Federal Reserve Bank of the United States.
235
639000
4000
Federální ústřední banka USA.
10:55
That's the American experience.
236
643000
2000
Toto jsou zjištění Američanů.
10:57
Let's go across the pond to the London School of Economics --
237
645000
3000
Pojďme na druhou stranu rybníka do Londýnské školy ekonomie.
11:00
LSE, London School of Economics,
238
648000
3000
LSE, London School of Economics.
11:03
alma mater of 11 Nobel Laureates in economics.
239
651000
3000
Alma mater 11 laureátů na Nobelovu cenu za ekonomii.
11:06
Training ground for great economic thinkers
240
654000
3000
Cvičiště velkých ekonomických myslitelů
11:09
like George Soros, and Friedrich Hayek,
241
657000
3000
jako George Soros a Friedrich Hayek
11:12
and Mick Jagger. (Laughter)
242
660000
2000
a Mick Jagger. (Smích)
11:14
Last month, just last month,
243
662000
4000
Za minulý měsíc, jenom za minulý měsíc,
11:18
economists at LSE looked at 51 studies
244
666000
3000
ekonomové z LSE prozkoumali 51 studií
11:21
of pay-for-performance plans, inside of companies.
245
669000
3000
různých systémů odměňování za výkonnost, používaných ve firmách.
11:24
Here's what the economists there said: "We find that financial incentives
246
672000
3000
Tady je vyjádření těchto ekonomů: "Zjistili jsme, že finanční stimuly
11:27
can result in a negative impact on overall performance."
247
675000
6000
můžou mít negativní dopad na celkovou výkonnost."
11:33
There is a mismatch between what science knows
248
681000
3000
Je tu rozpor mezi poznatky vědy
11:36
and what business does.
249
684000
2000
a tím, co dělají firmy.
11:38
And what worries me, as we stand here in the rubble
250
686000
3000
A co mě znepokojuje, zatímco tady stojíme na troskách
11:41
of the economic collapse,
251
689000
2000
ekonomického kolapsu,
11:43
is that too many organizations
252
691000
2000
je, že příliš mnoho organizací
11:45
are making their decisions,
253
693000
2000
vychází při svých rozhodnutích
11:47
their policies about talent and people,
254
695000
2000
a volbě přístupu k talentu a lidem,
11:49
based on assumptions that are outdated, unexamined,
255
697000
6000
z domněnek, které jsou zastaralé, nepodložené
11:55
and rooted more in folklore than in science.
256
703000
3000
a nepramení z vědeckých poznatků, ale spíš z folklóru.
11:58
And if we really want to get out of this economic mess,
257
706000
3000
A pokud se opravdu chceme vyhrabat z tohoto ekonomického zmatku,
12:01
and if we really want high performance on those
258
709000
2000
a pokud opravdu chceme dosáhnout vysoké vykonnosti
12:03
definitional tasks of the 21st century,
259
711000
2000
v charakteristických úlohách 21. století,
12:05
the solution is not to do more of the wrong things,
260
713000
6000
řešením je nepokračovat v dělání špatných věcí.
12:11
to entice people with a sweeter carrot,
261
719000
3000
Vábit lidi na ještě sladší cukr,
12:14
or threaten them with a sharper stick.
262
722000
2000
nebo vyhrožovat jim ještě tvrdším bičem.
12:16
We need a whole new approach.
263
724000
2000
Potřebujeme úplně nový přístup.
12:18
And the good news about all of this is that the scientists
264
726000
2000
Dobrou zprávou je, že vědci
12:20
who've been studying motivation have given us this new approach.
265
728000
3000
kteří zkoumali motivaci, nám představili tento nový přístup.
12:23
It's an approach built much more around intrinsic motivation.
266
731000
3000
Je to přístup v mnohem větší míře založený na vnitřní motivaci.
12:26
Around the desire to do things because they matter,
267
734000
2000
Na touze dělat věci proto, že na nich záleží,
12:28
because we like it, because they're interesting,
268
736000
2000
nebo je máme rádi, nebo jsou zajímavé,
12:30
because they are part of something important.
269
738000
2000
nebo jsou součástí něčeho důležitého.
12:32
And to my mind, that new operating system for our businesses
270
740000
4000
A podle mého názoru, takový nový operační systém pro naše firmy
12:36
revolves around three elements:
271
744000
2000
se točí okolo tří prvků:
12:38
autonomy, mastery and purpose.
272
746000
3000
autonomie, mistrovství a smysl.
12:41
Autonomy: the urge to direct our own lives.
273
749000
3000
Autonomie - touha určovat směřování vlastního života.
12:44
Mastery: the desire to get better and better at something that matters.
274
752000
4000
Mistrovství - touha neustále se zlepšovat v něčem, na čem záleží.
12:48
Purpose: the yearning to do what we do
275
756000
3000
Smysl - touha dělat to, co děláme
12:51
in the service of something larger than ourselves.
276
759000
3000
jako službu nějakému vyššímu cíli.
12:54
These are the building blocks of an entirely new operating system
277
762000
3000
Toto jsou stavební kameny úplně nového operačního systému
12:57
for our businesses.
278
765000
2000
pro naše firmy.
12:59
I want to talk today only about autonomy.
279
767000
4000
Dnes chci mluvit pouze o autonomii.
13:03
In the 20th century, we came up with this idea of management.
280
771000
3000
Management jako takový vznikl až ve 20. století.
13:06
Management did not emanate from nature.
281
774000
2000
Management není dílem přírody.
13:08
Management is like -- it's not a tree,
282
776000
2000
Management není jako strom.
13:10
it's a television set.
283
778000
2000
Je jako televizor.
13:12
Okay? Somebody invented it.
284
780000
2000
Jasné? Někdo ho vymyslel.
13:14
And it doesn't mean it's going to work forever.
285
782000
2000
To znamená, že nebude fungovat věčně.
13:16
Management is great.
286
784000
2000
Management je vynikající věc.
13:18
Traditional notions of management are great
287
786000
2000
Tradiční způsoby managementu jsou vynikající,
13:20
if you want compliance.
288
788000
2000
když chcete dosáhnout plnění úloh.
13:22
But if you want engagement, self-direction works better.
289
790000
3000
Pokud však chcete angažovanost, "samořízení" funguje lépe.
13:25
Let me give you some examples of some kind of radical
290
793000
2000
Dovolte mi uvést pár příkladů určitých
13:27
notions of self-direction.
291
795000
2000
radikálních představ o "samořízení".
13:29
What this means -- you don't see a lot of it,
292
797000
3000
Zatím se s tím často nesetkáváme,
13:32
but you see the first stirrings of something really interesting going on,
293
800000
3000
ale už jsou vidět první náznaky něčeho velmi zajímavého.
13:35
because what it means is paying people adequately
294
803000
2000
Znamená to, že lidé musí mít řádně
13:37
and fairly, absolutely --
295
805000
2000
zaplaceno, to bez pochyby.
13:39
getting the issue of money off the table,
296
807000
2000
Otázku peněz třeba vyřešit a uklidit z cesty.
13:41
and then giving people lots of autonomy.
297
809000
2000
A potom dát lidem hodně samostatnosti.
13:43
Let me give you some examples.
298
811000
2000
Dovolte mi uvést nějaké příklady.
13:45
How many of you have heard of the company Atlassian?
299
813000
4000
Kdo z vás slyšel o společnosti Atlassian?
13:49
It looks like less than half.
300
817000
2000
Vypadá to, že míň jak polovina.
13:51
(Laughter)
301
819000
2000
(Smích)
13:53
Atlassian is an Australian software company.
302
821000
4000
Atlassian je australská softwarová společnost.
13:57
And they do something incredibly cool.
303
825000
2000
Tato firma dělá něco neuvěřitelně zajímavého.
13:59
A few times a year they tell their engineers,
304
827000
2000
Několikrát ročně řekne svým inženýrům:
14:01
"Go for the next 24 hours and work on anything you want,
305
829000
4000
"Následujících 24 hodin pracujte na čem chcete,
14:05
as long as it's not part of your regular job.
306
833000
2000
jen ne na vašich běžných úlohách.
14:07
Work on anything you want."
307
835000
2000
Pracujte na čemkoliv chcete."
14:09
So that engineers use this time to come up with
308
837000
2000
A tak inženýři využijí čas na vytvoření nějaké
14:11
a cool patch for code, come up with an elegant hack.
309
839000
3000
šikovné záplaty programu, či elegantního hacku.
14:14
Then they present all of the stuff that they've developed
310
842000
3000
Všechny tyto věci, které vyvinuli, pak prezentují
14:17
to their teammates, to the rest of the company,
311
845000
3000
svým kolegům a zbytku společnosti
14:20
in this wild and wooly all-hands meeting
312
848000
2000
na divokém večírku
14:22
at the end of the day.
313
850000
2000
na konci dne.
14:24
And then, being Australians, everybody has a beer.
314
852000
2000
No a potom, protože jsou Australané, si všichni dají pivo.
14:26
They call them FedEx Days.
315
854000
3000
Nazývají to FedExové dny.
14:29
Why? Because you have to deliver something overnight.
316
857000
6000
Proč? Protože musíte doručit něco v průběhu jednoho dne.
14:35
It's pretty. It's not bad. It's a huge trademark violation,
317
863000
2000
Dobrý nápad. Je to sice zneužití ochranné známky,
14:37
but it's pretty clever.
318
865000
2000
ale je to celkem důvtipné.
14:39
(Laughter)
319
867000
1000
(Smích)
14:40
That one day of intense autonomy
320
868000
2000
Tento jeden den intenzivní autonomie
14:42
has produced a whole array of software fixes
321
870000
2000
měl za výsledek celou řadu softwarových oprav,
14:44
that might never have existed.
322
872000
2000
které by jinak nikdy nevznikly.
14:46
And it's worked so well that Atlassian has taken it to the next level
323
874000
2000
A osvědčilo se to natolik, že Atlassian šel ještě o krok dál
14:48
with 20 Percent Time --
324
876000
2000
a rozšířil to na 20% pracovní doby.
14:50
done, famously, at Google --
325
878000
2000
To skvěle využil Google.
14:52
where engineers can work, spend 20 percent of their time
326
880000
2000
Inženýři tam můžou až 20% pracovního času
14:54
working on anything they want.
327
882000
2000
dělat na čemkoli, co uznají za vhodné.
14:56
They have autonomy over their time,
328
884000
2000
Mají autonomii, co se týká jejich času,
14:58
their task, their team, their technique.
329
886000
2000
úloh, týmu a použité techniky.
15:00
Okay? Radical amounts of autonomy.
330
888000
2000
OK? Radikální míra autonomie.
15:02
And at Google, as many of you know,
331
890000
4000
A v Google, jak mnozí víte,
15:06
about half of the new products in a typical year
332
894000
2000
se přibližně polovina nových produktů běžně
15:08
are birthed during that 20 Percent Time:
333
896000
3000
rodí právě v těchto 20 procentech času.
15:11
things like Gmail, Orkut, Google News.
334
899000
3000
Věci jako Gmail, Orkut, Google News.
15:14
Let me give you an even more radical example of it:
335
902000
3000
Dovolte mi uvést ještě radikálnější příklad.
15:17
something called the Results Only Work Environment,
336
905000
2000
Takzvaný Results Only Work Environment.
15:19
the ROWE,
337
907000
2000
ROWE - Pracovní prostředí zaměřené pouze na výsledky.
15:21
created by two American consultants, in place
338
909000
2000
Systém vytvořený dvěma americkými konzultanty,
15:23
in place at about a dozen companies around North America.
339
911000
2000
zavedený asi v desítce firem po celé Severní Americe.
15:25
In a ROWE people don't have schedules.
340
913000
4000
V ROWE lidé nemají harmonogramy.
15:29
They show up when they want.
341
917000
2000
Přichází do práce, kdy chtějí.
15:31
They don't have to be in the office at a certain time,
342
919000
2000
Nemusí být v kanceláři v určitý čas,
15:33
or any time.
343
921000
2000
nemusí tam být vůbec.
15:35
They just have to get their work done.
344
923000
2000
Musí akorát udělat svoji práci.
15:37
How they do it, when they do it,
345
925000
2000
Jak ji udělají, kdy ji udělají,
15:39
where they do it, is totally up to them.
346
927000
3000
kde ji udělají, to je úplně na nich.
15:42
Meetings in these kinds of environments are optional.
347
930000
4000
Porady v takovém typu prostředí jsou dobrovolné.
15:46
What happens?
348
934000
2000
Jaké jsou výsledky?
15:48
Almost across the board, productivity goes up,
349
936000
3000
Téměř celoplošně stoupá produktivita,
15:51
worker engagement goes up,
350
939000
3000
stoupá angažovanost,
15:54
worker satisfaction goes up, turnover goes down.
351
942000
3000
stoupá spokojenost pracovníků a klesá fluktuace.
15:57
Autonomy, mastery and purpose,
352
945000
2000
Autonomie, mistrovství a smysl.
15:59
These are the building blocks of a new way of doing things.
353
947000
2000
To jsou stavební kameny nového způsobu, jak dělat věci.
16:01
Now some of you might look at this and say,
354
949000
3000
No, někteří z vás se na to možná podívají a řeknou si:
16:04
"Hmm, that sounds nice, but it's Utopian."
355
952000
3000
"Hmm, zní to dobře. Ale je to utopie."
16:07
And I say, "Nope. I have proof."
356
955000
5000
Na to vám řeknu: "Ne. Mám důkaz."
16:12
The mid-1990s, Microsoft started
357
960000
2000
V polovině 90. let Microsoft začal pracovat
16:14
an encyclopedia called Encarta.
358
962000
2000
na encyklopedii s názvem Encarta.
16:16
They had deployed all the right incentives,
359
964000
2000
Použili při tom všechny náležité motivační stimuly.
16:18
all the right incentives. They paid professionals to
360
966000
3000
Všechny stimuly. Zaplatili odborníkům,
16:21
write and edit thousands of articles.
361
969000
2000
aby napsali a zredigovali tisíce článků.
16:23
Well-compensated managers oversaw the whole thing
362
971000
2000
Dobře placení manažeři dohlédli
16:25
to make sure it came in on budget and on time.
363
973000
5000
na dodržování rozpočtu a časového plánu.
16:30
A few years later another encyclopedia got started.
364
978000
2000
O pár let později vznikla další encyklopedie.
16:32
Different model, right?
365
980000
3000
Odlišný model, je to tak?
16:35
Do it for fun. No one gets paid a cent, or a Euro or a Yen.
366
983000
4000
Dělejte to pro zábavu. Nikdo nedostane ani cent nebo Euro nebo Jen.
16:39
Do it because you like to do it.
367
987000
3000
Dělejte to proto, že vás to baví.
16:42
Now if you had, just 10 years ago,
368
990000
3000
Kdyby ještě před 10 lety
16:45
if you had gone to an economist, anywhere,
369
993000
2000
zašli za kterýmkoliv ekonomem
16:47
and said, "Hey, I've got these two different models for creating an encyclopedia.
370
995000
4000
a řekli: "Hej, mám tyto dva odlišné modely pro tvorbu encyklopedie.
16:51
If they went head to head, who would win?"
371
999000
3000
Kdyby navzájem soutěžili, který z nich by vyhrál?"
16:54
10 years ago you could not have found a single sober economist anywhere
372
1002000
4000
Před 10 lety byste nenašli ani jediného střízlivého ekonoma
16:58
on planet Earth
373
1006000
2000
na celé zeměkouli,
17:00
who would have predicted the Wikipedia model.
374
1008000
2000
který by předpověděl model Wikipedie.
17:02
This is the titanic battle between these two approaches.
375
1010000
3000
Je to souboj titánů mezi těmito dvěma přistupy.
17:05
This is the Ali-Frazier of motivation. Right?
376
1013000
3000
Je to zápas Ali vs Frazier ve světě motivace. Je to tak?
17:08
This is the Thrilla' in Manila.
377
1016000
2000
Tohle je Manilský trhák.
17:10
Alright? Intrinsic motivators versus extrinsic motivators.
378
1018000
3000
Jasné? Vnitřní motivace versus vnější motivace.
17:13
Autonomy, mastery and purpose,
379
1021000
2000
Autonomie, mistrovství a smysl,
17:15
versus carrot and sticks. And who wins?
380
1023000
2000
versus cukr a bič. A kdo vyhrál?
17:17
Intrinsic motivation, autonomy, mastery and purpose,
381
1025000
3000
Vnitřní motivace, autonomie, mistrovství a smysl
17:20
in a knockout. Let me wrap up.
382
1028000
4000
uštědřením knokautu. Dovolte mi shrnutí.
17:24
There is a mismatch between what science knows and what business does.
383
1032000
3000
Existuje nesoulad mezi poznatky vědy a praktikami firem.
17:27
And here is what science knows.
384
1035000
2000
A poznatky vědy jsou:
17:29
One: Those 20th century rewards,
385
1037000
2000
Za prvé: Systém odměn vymyšlený ve 20. století,
17:31
those motivators we think are a natural part of business,
386
1039000
3000
motivační stimuly, které považujeme za přirozenou součást byznysu,
17:34
do work, but only in a surprisingly narrow band of circumstances.
387
1042000
4000
fungují, ale za okolností, které jsou až překvapivě omezené.
17:38
Two: Those if-then rewards often destroy creativity.
388
1046000
4000
Za druhé: Odměny typu "pokud-tak" často ničí tvořivost.
17:42
Three: The secret to high performance
389
1050000
2000
Za třetí: Tajemství vysoké výkonnosti
17:44
isn't rewards and punishments,
390
1052000
2000
nespočívá v odměně a trestu,
17:46
but that unseen intrinsic drive --
391
1054000
2000
ale v té neviditelné vnitřní hnací síle.
17:48
the drive to do things for their own sake.
392
1056000
3000
V touze dělat věci z vlastních důvodů.
17:51
The drive to do things cause they matter.
393
1059000
2000
V touze dělat věci proto, že na nich záleží.
17:53
And here's the best part. Here's the best part.
394
1061000
2000
A teď přichází to nejlepší.
17:55
We already know this. The science confirms what we know in our hearts.
395
1063000
3000
Věda jen potvrzuje to, co už dávno víme, co cítíme ve svém srdci.
17:58
So, if we repair this mismatch
396
1066000
3000
Takže, když napravíme nesoulad mezi poznatky
18:01
between what science knows and what business does,
397
1069000
2000
vědy a tím, co firmy dělají,
18:03
if we bring our motivation, notions of motivation
398
1071000
3000
když naše způsoby a chápání motivace dostaneme
18:06
into the 21st century,
399
1074000
2000
na úroveň 21. století,
18:08
if we get past this lazy, dangerous, ideology
400
1076000
4000
když překonáme tuto lenivou, nebezpečnou ideologii
18:12
of carrots and sticks,
401
1080000
2000
cukru a biče,
18:14
we can strengthen our businesses,
402
1082000
3000
můžeme posilnit naše firmy,
18:17
we can solve a lot of those candle problems,
403
1085000
3000
dokážeme vyřešit mnohé takové "úlohy se svíčkou",
18:20
and maybe, maybe, maybe
404
1088000
4000
a možná, možná, možná
18:24
we can change the world.
405
1092000
2000
dokážeme změnit svět.
18:26
I rest my case.
406
1094000
2000
Tím končím svojí soudní při.
18:28
(Applause)
407
1096000
3000
(Potlesk)
ABOUT THE SPEAKER
Dan Pink - Career analystBidding 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.
Dan Pink | Speaker | TED.com