TEDGlobal 2009
Dan Pink: The puzzle of motivation
Νταν Πινκ: O γρίφος των κινήτρων
Filmed:
Readability: 4
25,352,736 views
Ο αναλυτής καριέρων Νταν Πινκ εξετάζει τον γρίφο των κινήτρων, με αφετηρία μια αλήθεια που οι κοινωνικοί επιστήμονες γνωρίζουν αλλά οι περισσότεροι μάνατζερ αγνοούν: Οι καθιερωμένες ανταμοιβές δεν είναι όσο αποτελεσματικές νομίζουμε. Ακούστε διαφωτιστικές ιστορίες -- και ίσως, έναν τρόπο να πάμε μπροστά.
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
Ξεκινώντας, θέλω να εξομολογηθώ κάτι.
00:16
A little over 20 years ago
1
4000
3000
Πριν από 20 και κάτι χρόνια,
00:19
I did something that I regret,
2
7000
2000
έκανα κάτι που έχω μετανιώσει,
00:21
something that I'm not particularly proud of,
3
9000
4000
κάτι για το οποίο δεν είμαι ιδιαίτερα περήφανος,
00:25
something that, in many ways, I wish no one would ever know,
4
13000
3000
κάτι που, από πολλές απόψεις,
εύχομαι να μην μάθαινε ποτέ κανείς,
εύχομαι να μην μάθαινε ποτέ κανείς,
00:28
but here I feel kind of obliged to reveal.
5
16000
4000
αλλά εδώ αισθάνομαι κάπως
υποχρεωμένος να αποκαλύψω.
υποχρεωμένος να αποκαλύψω.
00:32
(Laughter)
6
20000
2000
(Γέλια)
00:34
In the late 1980s,
7
22000
2000
Στα τέλη της δεκαετίας του 1980,
00:36
in a moment of youthful indiscretion,
8
24000
3000
σε στιγμή νεανικής απερισκεψίας,
00:39
I went to law school.
9
27000
2000
μπήκα στη Νομική.
00:41
(Laughter)
10
29000
4000
(Γέλια)
00:45
Now, in America law is a professional degree:
11
33000
3000
Στην Αμερική το πτυχίο Νομικής
είναι επαγγελματικό.
είναι επαγγελματικό.
00:48
you get your university degree, then you go on to law school.
12
36000
2000
Παίρνεις το πανεπιστημιακό σου πτυχίο.
Μετά συνεχίζεις στη Νομική.
Μετά συνεχίζεις στη Νομική.
00:50
And when I got to law school,
13
38000
3000
Και όταν πήγα στη Νομική,
00:53
I didn't do very well.
14
41000
2000
δεν τα πήγα πολύ καλά.
00:55
To put it mildly, I didn't do very well.
15
43000
2000
Για να το θέσω ήπια,
δεν τα πήγα πολύ καλά.
δεν τα πήγα πολύ καλά.
00:57
I, in fact, graduated in the part of my law school class
16
45000
3000
Για την ακρίβεια, αποφοίτησα
στη χρονιά μου με σειρά
στη χρονιά μου με σειρά
01:00
that made the top 90 percent possible.
17
48000
4000
από αυτές που βοηθούν
να οριστεί το άνω 90 τοις εκατό.
να οριστεί το άνω 90 τοις εκατό.
01:04
(Laughter)
18
52000
4000
(Γέλια)
01:08
Thank you.
19
56000
3000
Ευχαριστώ.
01:11
I never practiced law a day in my life;
20
59000
3000
Δεν εξάσκησα τη δικηγορία
ούτε μέρα στη ζωή μου.
ούτε μέρα στη ζωή μου.
01:14
I pretty much wasn't allowed to.
21
62000
2000
Καλά-καλά δεν μου επιτρέπονταν.
01:16
(Laughter)
22
64000
3000
(Γέλια)
01:19
But today, against my better judgment,
23
67000
3000
Σήμερα όμως, παρότι κρίνω ότι δεν πρέπει,
01:22
against the advice of my own wife,
24
70000
3000
παρά τη συμβουλή της ίδιας μου της συζύγου,
01:25
I want to try to dust off some of those legal skills --
25
73000
4000
θέλω να προσπαθήσω να ξαναθυμηθώ
κάποιες από εκείνες τις νομικές δεξιότητες,
κάποιες από εκείνες τις νομικές δεξιότητες,
01:29
what's left of those legal skills.
26
77000
2000
ό,τι έχει απομείνει από αυτές.
01:31
I don't want to tell you a story.
27
79000
3000
Δεν θέλω να σας πω κάποια ιστορία.
01:34
I want to make a case.
28
82000
2000
Θέλω να αγορεύσω.
01:36
I want to make a hard-headed, evidence-based,
29
84000
4000
Θέλω να αγορεύσω με πείσμα, με αποδείξεις,
01:40
dare I say lawyerly case,
30
88000
3000
νομικά, τολμώ να πω,
01:43
for rethinking how we run our businesses.
31
91000
4000
υπέρ μιας αναθεώρησης του
πώς διοικούμε τις επιχειρήσεις μας.
πώς διοικούμε τις επιχειρήσεις μας.
01:47
So, ladies and gentlemen of the jury, take a look at this.
32
95000
4000
Κυρίες και κύριοι ένορκοι,
λοιπόν, δείτε αυτό.
λοιπόν, δείτε αυτό.
01:51
This is called the candle problem.
33
99000
2000
Λέγεται το πρόβλημα του κεριού.
01:53
Some of you might have seen this before.
34
101000
2000
Κάποιοι από σας ίσως το έχετε ξαναδεί.
01:55
It's created in 1945
35
103000
2000
Επινοήθηκε το 1945
01:57
by a psychologist named Karl Duncker.
36
105000
2000
από έναν ψυχολόγο ονόματι Καρλ Ντούνκερ.
01:59
Karl Duncker created this experiment
37
107000
2000
Ο Καρλ Ντούνκερ επινόησε αυτό το πείραμα
02:01
that is used in a whole variety of experiments in behavioral science.
38
109000
3000
που χρησιμοποιείται σε μεγάλη ποικιλία
πειραμάτων στην επιστήμη συμπεριφοράς.
πειραμάτων στην επιστήμη συμπεριφοράς.
02:04
And here's how it works. Suppose I'm the experimenter.
39
112000
3000
Και να πώς λειτουργεί.
Έστω ότι εγώ κάνω το πείραμα.
Έστω ότι εγώ κάνω το πείραμα.
02:07
I bring you into a room. I give you a candle,
40
115000
4000
Σας βάζω σε ένα δωμάτιο.
Σας δίνω ένα κερί,
Σας δίνω ένα κερί,
02:11
some thumbtacks and some matches.
41
119000
2000
μερικές πινέζες και μερικά σπίρτα.
02:13
And I say to you, "Your job
42
121000
2000
Και σας λέω: «Σκοπός σας
02:15
is to attach the candle to the wall
43
123000
2000
είναι να στερεώσετε το κερί στον τοίχο
02:17
so the wax doesn't drip onto the table." Now what would you do?
44
125000
4000
ώστε να μην στάζει στο τραπέζι».
Λοιπόν, τι θα κάνατε;
Λοιπόν, τι θα κάνατε;
02:21
Now many people begin trying to thumbtack the candle to the wall.
45
129000
4000
Πολλοί αρχίζουν προσπαθώντας
να καρφιτσώσουν το κερί στον τοίχο.
να καρφιτσώσουν το κερί στον τοίχο.
02:25
Doesn't work.
46
133000
2000
Δεν γίνεται.
02:27
Somebody, some people -- and I saw somebody
47
135000
2000
Κάποιος, κάποιοι, και είδα κάποιον
02:29
kind of make the motion over here --
48
137000
2000
εδώ που σαν να έκανε την κίνηση.
02:31
some people have a great idea where they
49
139000
2000
Κάποιοι έχουν την περίφημη ιδέα να
02:33
light the match, melt the side of the candle, try to adhere it to the wall.
50
141000
4000
ανάψουν το σπίρτο, να λιώσουν το κερί
στο πλάι, ώστε να το κολλήσουν στον τοίχο.
στο πλάι, ώστε να το κολλήσουν στον τοίχο.
02:37
It's an awesome idea. Doesn't work.
51
145000
3000
Φοβερή ιδέα. Αποτυγχάνει.
02:40
And eventually, after five or 10 minutes,
52
148000
3000
Και τελικά, μετά από πέντε-δέκα λεπτά,
02:43
most people figure out the solution,
53
151000
2000
οι περισσότεροι βρίσκουν τη λύση,
02:45
which you can see here.
54
153000
2000
που βλέπετε εδώ.
02:47
The key is to overcome what's called functional fixedness.
55
155000
3000
Το κλειδί είναι να υπερβούμε
τη λεγόμενη λειτουργική ακαμψία.
τη λεγόμενη λειτουργική ακαμψία.
02:50
You look at that box and you see it only as a receptacle for the tacks.
56
158000
4000
Κοιτάμε το κουτί και το βλέπουμε
μόνο ως δοχείο για τις πινέζες.
μόνο ως δοχείο για τις πινέζες.
02:54
But it can also have this other function,
57
162000
2000
Όμως μπορεί να έχει κι άλλη λειτουργία,
02:56
as a platform for the candle. The candle problem.
58
164000
4000
ως βάση για το κερί.
Το πρόβλημα του κεριού.
Το πρόβλημα του κεριού.
03:00
Now I want to tell you about an experiment
59
168000
2000
Τώρα θέλω να σας μιλήσω για ένα πείραμα
03:02
using the candle problem,
60
170000
2000
που χρησιμοποιεί το πρόβλημα του κεριού,
03:04
done by a scientist named Sam Glucksberg,
61
172000
2000
και έγινε από έναν επιστήμονα
ονόματι Σαμ Γκλάξμπεργκ,
ονόματι Σαμ Γκλάξμπεργκ,
03:06
who is now at Princeton University in the U.S.
62
174000
2000
που τώρα βρίσκεται
στο Πανεπιστήμιο Πρίνστον στις ΗΠΑ.
στο Πανεπιστήμιο Πρίνστον στις ΗΠΑ.
03:08
This shows the power of incentives.
63
176000
4000
Δείχνει τη δύναμη των κινήτρων.
03:12
Here's what he did. He gathered his participants.
64
180000
2000
Έκανε το εξής. Μάζεψε τους συμμετέχοντες.
03:14
And he said, "I'm going to time you. How quickly you can solve this problem?"
65
182000
3000
Και είπε: «Θα σας χρονομετρήσω, πόσο
γρήγορα μπορείτε να λύσετε το πρόβλημα».
γρήγορα μπορείτε να λύσετε το πρόβλημα».
03:17
To one group he said,
66
185000
2000
Σε μια ομάδα είπε:
03:19
"I'm going to time you to establish norms,
67
187000
3000
Θα σας χρονομετρήσω
για να υπολογίσω στατιστικά στοιχεία,
για να υπολογίσω στατιστικά στοιχεία,
03:22
averages for how long it typically takes
68
190000
2000
μέσους όρους για το πόσο χρόνο
χρειάζεται συνήθως
χρειάζεται συνήθως
03:24
someone to solve this sort of problem."
69
192000
2000
κάποιος για να λύσει προβλήματα
τέτοιου είδους.
τέτοιου είδους.
03:26
To the second group he offered rewards.
70
194000
3000
Στη δεύτερη ομάδα προσέφερε ανταμοιβές.
03:29
He said, "If you're in the top 25 percent of the fastest times,
71
197000
4000
Είπε: «Αν είστε στο άνω
25 τοις εκατό των ταχύτερων χρόνων
25 τοις εκατό των ταχύτερων χρόνων
03:33
you get five dollars.
72
201000
3000
κερδίζετε πέντε δολάρια.
03:36
If you're the fastest of everyone we're testing here today,
73
204000
3000
Αν είστε ο ταχύτερος από όλους
όσους εξετάζουμε σήμερα εδώ
όσους εξετάζουμε σήμερα εδώ
03:39
you get 20 dollars."
74
207000
2000
κερδίζετε 20 δολάρια».
03:41
Now this is several years ago. Adjusted for inflation,
75
209000
3000
Αυτό συνέβη αρκετά χρόνια πριν,
διορθώστε το με τον πληθωρισμό.
διορθώστε το με τον πληθωρισμό.
03:44
it's a decent sum of money for a few minutes of work.
76
212000
2000
Είναι αξιοπρεπές ποσό
για δουλειά λίγων λεπτών.
για δουλειά λίγων λεπτών.
03:46
It's a nice motivator.
77
214000
2000
Είναι καλό κίνητρο.
03:48
Question: How much faster
78
216000
3000
Ερώτηση: Πόσο ταχύτερα
03:51
did this group solve the problem?
79
219000
2000
έλυσε το πρόβλημα αυτή η ομάδα;
03:53
Answer: It took them, on average,
80
221000
3000
Απάντηση: Τους πήρε, κατά μέσο όρο,
03:56
three and a half minutes longer.
81
224000
4000
τρεισήμισι λεπτά περισσότερο.
04:00
Three and a half minutes longer. Now this makes no sense right?
82
228000
3000
Τρεισήμισι λεπτά περισσότερο.
Αυτό δεν είναι λογικό, σωστά;
Αυτό δεν είναι λογικό, σωστά;
04:03
I mean, I'm an American. I believe in free markets.
83
231000
3000
Θέλω να πω, είμαι Αμερικανός.
Πιστεύω στην ελεύθερη αγορά.
Πιστεύω στην ελεύθερη αγορά.
04:06
That's not how it's supposed to work. Right?
84
234000
3000
Υποτίθεται ότι δεν λειτουργεί έτσι. Σωστά;
04:09
(Laughter)
85
237000
1000
(Γέλια)
04:10
If you want people to perform better,
86
238000
2000
Αν θέλουμε κάποιος να αποδώσει καλύτερα,
04:12
you reward them. Right?
87
240000
2000
τον ανταμείβουμε. Σωστά;
04:14
Bonuses, commissions, their own reality show.
88
242000
3000
Μπόνους, προμήθειες,
το δικό του ριάλιτι σόου.
το δικό του ριάλιτι σόου.
04:17
Incentivize them. That's how business works.
89
245000
4000
Του δίνουμε κίνητρα.
Έτσι λειτουργούν οι επιχειρήσεις.
Έτσι λειτουργούν οι επιχειρήσεις.
04:21
But that's not happening here.
90
249000
2000
Όμως αυτό δεν συμβαίνει εδώ.
04:23
You've got an incentive designed to
91
251000
2000
Έχουμε ένα κίνητρο σχεδιασμένο να
04:25
sharpen thinking and accelerate creativity,
92
253000
4000
οξύνει τη σκέψη
και να επιταχύνει τη δημιουργικότητα.
και να επιταχύνει τη δημιουργικότητα.
04:29
and it does just the opposite.
93
257000
2000
Και κάνει το ακριβώς αντίθετο.
04:31
It dulls thinking and blocks creativity.
94
259000
3000
Αμβλύνει τη σκέψη
και παρεμποδίζει τη δημιουργικότητα.
και παρεμποδίζει τη δημιουργικότητα.
04:34
And what's interesting about this experiment is that it's not an aberration.
95
262000
3000
Το ενδιαφέρον με αυτό το πείραμα
είναι ότι δεν αποτελεί παρέκκλιση.
είναι ότι δεν αποτελεί παρέκκλιση.
04:37
This has been replicated over and over
96
265000
3000
Επιβεβαιώνεται ξανά και ξανά
04:40
and over again, for nearly 40 years.
97
268000
3000
και ξανά, εδώ και σχεδόν 40 χρόνια.
04:43
These contingent motivators --
98
271000
3000
Αυτά τα εξαρτημένα κίνητρα --
04:46
if you do this, then you get that --
99
274000
2000
αν κάνεις αυτό, τότε θα πάρεις αυτό --
04:48
work in some circumstances.
100
276000
2000
λειτουργούν σε κάποιες περιπτώσεις.
04:50
But for a lot of tasks, they actually either don't work
101
278000
3000
Όμως για πολλές εργασίες,
στην πραγματικότητα είτε δεν λειτουργούν
στην πραγματικότητα είτε δεν λειτουργούν
04:53
or, often, they do harm.
102
281000
3000
ή, συχνά, βλάπτουν.
04:56
This is one of the most robust findings
103
284000
4000
Πρόκειται για ένα
από τα ανθεκτικότερα ευρήματα
από τα ανθεκτικότερα ευρήματα
05:00
in social science,
104
288000
3000
στις κοινωνικές επιστήμες.
05:03
and also one of the most ignored.
105
291000
2000
Και επίσης ένα από
τα πλέον παραγνωρισμένα.
τα πλέον παραγνωρισμένα.
05:05
I spent the last couple of years looking at the science of
106
293000
2000
Ξόδεψα τα τελευταία δύο χρόνια
μελετώντας την επιστήμη των
μελετώντας την επιστήμη των
05:07
human motivation,
107
295000
2000
ανθρώπινων κινήτρων.
05:09
particularly the dynamics of extrinsic motivators
108
297000
2000
Ειδικά τη δυναμική των εξωτερικών κινήτρων
05:11
and intrinsic motivators.
109
299000
2000
και εσωτερικών κινήτρων.
05:13
And I'm telling you, it's not even close.
110
301000
2000
Και σας το λέω, απέχει παρασάγγας.
05:15
If you look at the science, there is a mismatch
111
303000
2000
Αν δείτε τα επιστημονικά ευρήματα,
υπάρχει αναντιστοιχία
υπάρχει αναντιστοιχία
05:17
between what science knows and what business does.
112
305000
4000
ανάμεσα στο τι ξέρει η επιστήμη
και το τι κάνουν οι επιχειρήσεις.
και το τι κάνουν οι επιχειρήσεις.
05:21
And what's alarming here is that our business operating system --
113
309000
3000
Το ανησυχητικό εδώ είναι ότι το
επιχειρηματικό λειτουργικό μας σύστημα --
επιχειρηματικό λειτουργικό μας σύστημα --
05:24
think of the set of assumptions and protocols beneath our businesses,
114
312000
3000
σκεφτείτε τις παραδοχές και τα πρωτόκολλα
στη βάση των επιχειρήσεών μας,
στη βάση των επιχειρήσεών μας,
05:27
how we motivate people, how we apply our human resources --
115
315000
5000
πώς δίνουμε κίνητρα, πώς χρησιμοποιούμε
το ανθρώπινο δυναμικό μας --
το ανθρώπινο δυναμικό μας --
05:32
it's built entirely around these extrinsic motivators,
116
320000
3000
βασίζεται εξ ολοκλήρου
σε εξωτερικά κίνητρα,
σε εξωτερικά κίνητρα,
05:35
around carrots and sticks.
117
323000
2000
σε καρότα και ραβδιά.
05:37
That's actually fine for many kinds of 20th century tasks.
118
325000
4000
Αυτό είναι πράγματι καλό
σε πολλά είδη εργασιών του 20ού αιώνα.
σε πολλά είδη εργασιών του 20ού αιώνα.
05:41
But for 21st century tasks,
119
329000
2000
Αλλά σε εργασίες του 21ου αιώνα,
05:43
that mechanistic, reward-and-punishment approach
120
331000
4000
η μηχανιστική προσέγγιση
ανταμοιβών και ποινών
ανταμοιβών και ποινών
05:47
doesn't work, often doesn't work, and often does harm.
121
335000
4000
δεν λειτουργεί -- συχνά
δεν λειτουργεί, και συχνά βλάπτει.
δεν λειτουργεί, και συχνά βλάπτει.
05:51
Let me show you what I mean.
122
339000
2000
Θα σας δείξω τι εννοώ.
05:53
So Glucksberg did another experiment similar to this
123
341000
3000
Ο Γκλάξμπεργκ έκανε ένα άλλο,
παρόμοιο πείραμα
παρόμοιο πείραμα
05:56
where he presented the problem in a slightly different way,
124
344000
2000
όπου παρουσίασε το πρόβλημα
ελαφρώς διαφορετικά,
ελαφρώς διαφορετικά,
05:58
like this up here. Okay?
125
346000
3000
όπως φαίνεται εδώ. Εντάξει;
06:01
Attach the candle to the wall so the wax doesn't drip onto the table.
126
349000
2000
Στερεώστε το κερί στον τοίχο
ώστε να μην στάζει στο τραπέζι.
ώστε να μην στάζει στο τραπέζι.
06:03
Same deal. You: we're timing for norms.
127
351000
3000
Ίδια ιστορία. Εσείς:
Χρονομετρούμε για στατιστικά στοιχεία.
Χρονομετρούμε για στατιστικά στοιχεία.
06:06
You: we're incentivizing.
128
354000
3000
Εσείς: Δίνουμε κίνητρα.
06:09
What happened this time?
129
357000
2000
Τι συνέβη αυτή τη φορά;
06:11
This time, the incentivized group
130
359000
2000
Αυτή τη φορά, η ομάδα που είχε κίνητρα
06:13
kicked the other group's butt.
131
361000
4000
άλλαξε τα φώτα στην άλλη ομάδα.
06:17
Why? Because when the tacks are out of the box,
132
365000
4000
Γιατί; Διότι όταν οι πινέζες
είναι έξω από το κουτί
είναι έξω από το κουτί
06:21
it's pretty easy isn't it?
133
369000
4000
είναι πολύ εύκολο, ε;
06:25
(Laughter)
134
373000
2000
ΤΟ ΠΡΟΒΛΗΜΑ ΤΟΥ ΚΕΡΙΟΥ
ΓΙΑ ΠΡΩΤΑΡΗΔΕΣ (Γέλια)
ΓΙΑ ΠΡΩΤΑΡΗΔΕΣ (Γέλια)
06:27
If-then rewards work really well
135
375000
3000
Ανταμοιβές τύπου
"αν-τότε" λειτουργούν πολύ καλά
"αν-τότε" λειτουργούν πολύ καλά
06:30
for those sorts of tasks,
136
378000
3000
για τέτοιες εργασίες,
06:33
where there is a simple set of rules and a clear destination
137
381000
2000
όπου υπάρχουν απλοί κανόνες
και σαφής προορισμός
και σαφής προορισμός
06:35
to go to.
138
383000
2000
προς τον οποίον να κινηθούμε.
06:37
Rewards, by their very nature,
139
385000
2000
Οι ανταμοιβές, από την ίδια τη φύση τους,
06:39
narrow our focus, concentrate the mind;
140
387000
2000
περιορίζουν την προσοχή μας,
συγκεντρώνουν τον νου.
συγκεντρώνουν τον νου.
06:41
that's why they work in so many cases.
141
389000
2000
Για αυτό επιτυγχάνουν
σε τόσες πολλές περιπτώσεις.
σε τόσες πολλές περιπτώσεις.
06:43
And so, for tasks like this,
142
391000
2000
Σε εργασίες σαν κι αυτή, λοιπόν,
06:45
a narrow focus, where you just see the goal right there,
143
393000
3000
περιορισμένης προσοχής, όπου
βλέπουμε τον στόχο καθαρά μπροστά μας,
βλέπουμε τον στόχο καθαρά μπροστά μας,
06:48
zoom straight ahead to it,
144
396000
2000
και εστιάζουμε κατευθείαν πάνω του,
06:50
they work really well.
145
398000
2000
λειτουργούν πραγματικά καλά.
06:52
But for the real candle problem,
146
400000
2000
Όμως στο αυθεντικό πρόβλημα του κεριού,
06:54
you don't want to be looking like this.
147
402000
2000
δεν θέλουμε να κοιτάμε έτσι.
06:56
The solution is not over here. The solution is on the periphery.
148
404000
2000
Η λύση δεν είναι εδώ.
Είναι στην περιφέρεια.
Είναι στην περιφέρεια.
06:58
You want to be looking around.
149
406000
2000
Θέλουμε να κοιτάμε τριγύρω.
07:00
That reward actually narrows our focus
150
408000
2000
Στην πραγματικότητα,
η ανταμοιβή περιορίζει την προσοχή μας
η ανταμοιβή περιορίζει την προσοχή μας
07:02
and restricts our possibility.
151
410000
2000
και περιστέλλει τις δυνατότητές μας.
07:04
Let me tell you why this is so important.
152
412000
3000
Θα σας πω γιατί αυτό είναι τόσο σημαντικό.
07:07
In western Europe,
153
415000
2000
Στη Δυτική Ευρώπη,
07:09
in many parts of Asia,
154
417000
2000
σε πολλά μέρη της Ασίας,
07:11
in North America, in Australia,
155
419000
3000
στη Βόρεια Αμερική, στην Αυστραλία,
07:14
white-collar workers are doing less of
156
422000
2000
η υπαλληλική τάξη εκτελεί λιγότερο
07:16
this kind of work,
157
424000
2000
δουλειές αυτού του είδους,
07:18
and more of this kind of work.
158
426000
4000
και περισσότερο δουλειές αυτού του είδους.
07:22
That routine, rule-based, left-brain work --
159
430000
3000
Εργασίες ρουτίνας, που έχουν κανόνες
και απευθύνονται στο αριστερό ημισφαίριο,
και απευθύνονται στο αριστερό ημισφαίριο,
07:25
certain kinds of accounting, certain kinds of financial analysis,
160
433000
2000
κάποια είδη λογιστικής,
κάποια είδη οικονομικής ανάλυσης,
κάποια είδη οικονομικής ανάλυσης,
07:27
certain kinds of computer programming --
161
435000
2000
κάποια είδη προγραμματισμού υπολογιστών,
07:29
has become fairly easy to outsource,
162
437000
2000
είναι πλέον αρκετά εύκολο
να ανατίθενται σε εξωτερικούς συνεργάτες,
να ανατίθενται σε εξωτερικούς συνεργάτες,
07:31
fairly easy to automate.
163
439000
2000
αρκετά εύκολο να αυτοματοποιούνται.
07:33
Software can do it faster.
164
441000
3000
Το λογισμικό τις εκτελεί ταχύτερα.
07:36
Low-cost providers around the world can do it cheaper.
165
444000
2000
Πάροχοι χαμηλού κόστους
ανά τον κόσμο τις εκτελούν φθηνότερα.
ανά τον κόσμο τις εκτελούν φθηνότερα.
07:38
So what really matters are the more right-brained
166
446000
4000
Άρα πραγματική σημασία
έχουν οι πιο πολύ δεξιού ημισφαιρίου
έχουν οι πιο πολύ δεξιού ημισφαιρίου
07:42
creative, conceptual kinds of abilities.
167
450000
3000
δημιουργικές, εννοιολογικές ικανότητες.
07:45
Think about your own work.
168
453000
3000
Σκεφτείτε τη δική σας δουλειά.
07:48
Think about your own work.
169
456000
3000
Σκεφτείτε τη δική σας δουλειά.
07:51
Are the problems that you face, or even the problems
170
459000
2000
Τα προβλήματα που αντιμετωπίζετε,
ή ακόμη αυτά
ή ακόμη αυτά
07:53
we've been talking about here,
171
461000
2000
που συζητάμε εδώ,
07:55
are those kinds of problems -- do they have a clear set of rules,
172
463000
2000
είναι τέτοια προβλήματα --
έχουν σαφείς κανόνες,
έχουν σαφείς κανόνες,
07:57
and a single solution? No.
173
465000
3000
και μοναδική λύση; Όχι.
08:00
The rules are mystifying.
174
468000
2000
Οι κανόνες είναι αινιγματικοί.
08:02
The solution, if it exists at all,
175
470000
2000
Η λύση, αν υπάρχει καν,
08:04
is surprising and not obvious.
176
472000
3000
είναι απρόσμενη και μη προφανής.
08:07
Everybody in this room
177
475000
2000
Ο καθένας σε αυτή την αίθουσα
08:09
is dealing with their own version
178
477000
3000
αντιμετωπίζει τη δική του εκδοχή
08:12
of the candle problem.
179
480000
2000
του προβλήματος του κεριού.
08:14
And for candle problems of any kind,
180
482000
3000
Και στο πρόβλημα του κεριού
σε κάθε μορφή
σε κάθε μορφή
08:17
in any field,
181
485000
2000
σε κάθε τομέα,
08:19
those if-then rewards,
182
487000
3000
οι ανταμοιβές τύπου "αν-τότε"
08:22
the things around which we've built so many of our businesses,
183
490000
4000
στις οποίες βασίζονται
τόσες πολλές επιχειρήσεις μας,
τόσες πολλές επιχειρήσεις μας,
08:26
don't work.
184
494000
2000
δεν λειτουργούν.
08:28
Now, I mean it makes me crazy.
185
496000
2000
Λοιπόν, αυτό με τρελαίνει.
08:30
And this is not -- here's the thing.
186
498000
2000
Και δεν πρόκειται -- προσέξτε με.
08:32
This is not a feeling.
187
500000
3000
Δεν πρόκειται για προαίσθημα.
08:35
Okay? I'm a lawyer; I don't believe in feelings.
188
503000
3000
Εντάξει; Δικηγόρος είμαι.
Δεν πιστεύω στις αισθήσεις.
Δεν πιστεύω στις αισθήσεις.
08:38
This is not a philosophy.
189
506000
4000
Ούτε πρόκειται για φιλοσοφία.
08:42
I'm an American; I don't believe in philosophy.
190
510000
2000
Αμερικανός είμαι.
Δεν πιστεύω στη φιλοσοφία.
Δεν πιστεύω στη φιλοσοφία.
08:44
(Laughter)
191
512000
3000
(Γέλια)
08:47
This is a fact --
192
515000
3000
Πρόκειται για την αλήθεια.
08:50
or, as we say in my hometown of Washington, D.C.,
193
518000
2000
Ή, όπως λέμε στην πόλη μου,
την Ουάσινγκτον,
την Ουάσινγκτον,
08:52
a true fact.
194
520000
2000
για την πραγματική αλήθεια.
08:54
(Laughter)
195
522000
2000
(Γέλια)
08:56
(Applause)
196
524000
4000
(Χειροκροτήματα)
09:00
Let me give you an example of what I mean.
197
528000
2000
Ας σας δώσω ένα παράδειγμα του τι εννοώ.
09:02
Let me marshal the evidence here,
198
530000
2000
Ας οργανώσω εδώ τα πειστήρια.
09:04
because I'm not telling you a story, I'm making a case.
199
532000
2000
Διότι δεν σας λέω κάποια ιστορία. Αγορεύω.
09:06
Ladies and gentlemen of the jury, some evidence:
200
534000
2000
Κυρίες και κύριοι ένορκοι,
μερικά πειστήρια:
μερικά πειστήρια:
09:08
Dan Ariely, one of the great economists of our time,
201
536000
3000
Ο Νταν Αριέλι,
μεγάλος οικονομολόγος της εποχής μας,
μεγάλος οικονομολόγος της εποχής μας,
09:11
he and three colleagues, did a study of some MIT students.
202
539000
4000
και τρεις συνάδελφοί του,
έκαναν μια μελέτη σε φοιτητές του ΜΙΤ.
έκαναν μια μελέτη σε φοιτητές του ΜΙΤ.
09:15
They gave these MIT students a bunch of games,
203
543000
3000
Έδωσαν στους φοιτητές κάποια παιχνίδια.
09:18
games that involved creativity,
204
546000
2000
Παιχνίδια που απαιτούσαν δημιουργικότητα,
09:20
and motor skills, and concentration.
205
548000
2000
και κινητικές δεξιότητες,
και αυτοσυγκέντρωση.
και αυτοσυγκέντρωση.
09:22
And the offered them, for performance,
206
550000
2000
Και τους προσέφεραν, για την επίδοσή τους,
09:24
three levels of rewards:
207
552000
2000
τρία επίπεδα ανταμοιβών.
09:26
small reward, medium reward, large reward.
208
554000
5000
Μικρή ανταμοιβή, μεσαία ανταμοιβή,
μεγάλη ανταμοιβή.
μεγάλη ανταμοιβή.
09:31
Okay? If you do really well you get the large reward, on down.
209
559000
4000
Εντάξει; Αν τα πας πολύ καλά, κερδίζεις τη
μεγάλη ανταμοιβή, και ομοίως προς τα κάτω.
μεγάλη ανταμοιβή, και ομοίως προς τα κάτω.
09:35
What happened? As long as the task involved only mechanical skill
210
563000
4000
Τι συνέβη; Όσο η εργασία
απαιτούσε μόνο κινητική δεξιότητα
απαιτούσε μόνο κινητική δεξιότητα
09:39
bonuses worked as they would be expected:
211
567000
2000
τα μπόνους λειτούργησαν
όπως θα περιμέναμε:
όπως θα περιμέναμε:
09:41
the higher the pay, the better the performance.
212
569000
4000
όσο μεγαλύτερη η ανταμοιβή,
τόσο καλύτερη η επίδοση.
τόσο καλύτερη η επίδοση.
09:45
Okay? But one the task called for
213
573000
2000
Εντάξει; Όμως μόλις η εργασία απαιτούσε
09:47
even rudimentary cognitive skill,
214
575000
4000
έστω και στοιχειώδη νοητική δεξιότητα,
09:51
a larger reward led to poorer performance.
215
579000
5000
η μεγαλύτερη ανταμοιβή
οδήγησε σε χειρότερη επίδοση.
οδήγησε σε χειρότερη επίδοση.
09:56
Then they said,
216
584000
2000
Έπειτα είπαν:
09:58
"Okay let's see if there's any cultural bias here.
217
586000
2000
«Εντάξει, ας δούμε μήπως εδώ
υπάρχουν τυχόν πολιτισμικές προδιαθέσεις.
υπάρχουν τυχόν πολιτισμικές προδιαθέσεις.
10:00
Lets go to Madurai, India and test this."
218
588000
2000
Ας πάμε στο Μαντουράι,
στην Ινδία, να το ελέγξουμε».
στην Ινδία, να το ελέγξουμε».
10:02
Standard of living is lower.
219
590000
2000
Το βιοτικό επίπεδο είναι χαμηλότερο.
10:04
In Madurai, a reward that is modest in North American standards,
220
592000
3000
Στο Μαντουράι, μια ανταμοιβή μέτρια
με δεδομένα Βόρειας Αμερικής
με δεδομένα Βόρειας Αμερικής
10:07
is more meaningful there.
221
595000
3000
είναι πιο σημαντική εκεί.
10:10
Same deal. A bunch of games, three levels of rewards.
222
598000
3000
Ίδια ιστορία. Κάποια παιχνίδια,
τρία επίπεδα ανταμοιβών.
τρία επίπεδα ανταμοιβών.
10:13
What happens?
223
601000
2000
Τι συνέβη;
10:15
People offered the medium level of rewards
224
603000
3000
Όσοι δέχθηκαν το μεσαίο επίπεδο ανταμοιβών
10:18
did no better than people offered the small rewards.
225
606000
3000
τα πήγαν το ίδιο καλά
με όσους δέχθηκαν μικρές ανταμοιβές.
με όσους δέχθηκαν μικρές ανταμοιβές.
10:21
But this time, people offered the highest rewards,
226
609000
4000
Αλλά τώρα, όσοι έλαβαν
τις υψηλότερες ανταμοιβές,
τις υψηλότερες ανταμοιβές,
10:25
they did the worst of all.
227
613000
4000
τα πήγαν χειρότερα από όλους.
10:29
In eight of the nine tasks we examined across three experiments,
228
617000
3000
Σε οχτώ από τις εννιά εργασίες
που εξετάσαμε συνολικά σε τρία πειράματα,
που εξετάσαμε συνολικά σε τρία πειράματα,
10:32
higher incentives led to worse performance.
229
620000
5000
τα ισχυρότερα κίνητρα οδήγησαν
σε χειρότερη επίδοση.
σε χειρότερη επίδοση.
10:37
Is this some kind of touchy-feely
230
625000
3000
Μήπως πρόκειται
για κάποια συναισθηματικούλικη
για κάποια συναισθηματικούλικη
10:40
socialist conspiracy going on here?
231
628000
3000
σοσιαλιστική συνομωσία εδώ πέρα;
10:43
No. These are economists from MIT,
232
631000
3000
Όχι. Πρόκειται
για οικονομολόγους από το ΜΙΤ,
για οικονομολόγους από το ΜΙΤ,
10:46
from Carnegie Mellon, from the University of Chicago.
233
634000
3000
το Κάρνεγκι Μέλον,
το Πανεπιστήμιο του Σικάγο.
το Πανεπιστήμιο του Σικάγο.
10:49
And do you know who sponsored this research?
234
637000
2000
Και ξέρετε ποιος χρηματοδότησε
αυτή την έρευνα;
αυτή την έρευνα;
10:51
The Federal Reserve Bank of the United States.
235
639000
4000
Η Ομοσπονδιακή Τράπεζα
των Ηνωμένων Πολιτειών.
των Ηνωμένων Πολιτειών.
10:55
That's the American experience.
236
643000
2000
Αυτή είναι η αμερικανική εμπειρία.
10:57
Let's go across the pond to the London School of Economics --
237
645000
3000
Ας διασχίσουμε το ποτάμι,
προς την Οικονομική Σχολή του Λονδίνου.
προς την Οικονομική Σχολή του Λονδίνου.
11:00
LSE, London School of Economics,
238
648000
3000
LSE, η Οικονομική Σχολή του Λονδίνου.
11:03
alma mater of 11 Nobel Laureates in economics.
239
651000
3000
Εκεί όπου σπούδασαν 11 κάτοχοι
του Βραβείου Νόμπελ Οικονομικών.
του Βραβείου Νόμπελ Οικονομικών.
11:06
Training ground for great economic thinkers
240
654000
3000
Εκπαιδευτήριο σπουδαίων
οικονομικών διανοητών
οικονομικών διανοητών
11:09
like George Soros, and Friedrich Hayek,
241
657000
3000
όπως ο Τζορτζ Σόρος,
και ο Φρίντριχ Χάγιεκ,
και ο Φρίντριχ Χάγιεκ,
11:12
and Mick Jagger. (Laughter)
242
660000
2000
και ο Μικ Τζάγκερ.
(Γέλια)
(Γέλια)
11:14
Last month, just last month,
243
662000
4000
Τον προηγούμενο μήνα,
μόλις τον προηγούμενο μήνα,
μόλις τον προηγούμενο μήνα,
11:18
economists at LSE looked at 51 studies
244
666000
3000
οικονομολόγοι στην LSE εξέτασαν 51 μελέτες
11:21
of pay-for-performance plans, inside of companies.
245
669000
3000
επιχειρήσεων
που αμείβουν με βάση την επίδοση.
που αμείβουν με βάση την επίδοση.
11:24
Here's what the economists there said: "We find that financial incentives
246
672000
3000
Οι οικονομολόγοι εκεί είπαν:
«Διαπιστώνουμε ότι τα οικονομικά κίνητρα
«Διαπιστώνουμε ότι τα οικονομικά κίνητρα
11:27
can result in a negative impact on overall performance."
247
675000
6000
μπορούν να έχουν αρνητικό αντίκτυπο
στη συνολική επίδοση».
στη συνολική επίδοση».
11:33
There is a mismatch between what science knows
248
681000
3000
Υπάρχει αναντιστοιχία ανάμεσα
στο τι ξέρει η επιστήμη
στο τι ξέρει η επιστήμη
11:36
and what business does.
249
684000
2000
και το τι κάνουν οι επιχειρήσεις.
11:38
And what worries me, as we stand here in the rubble
250
686000
3000
Και αυτό που με ανησυχεί,
καθώς στεκόμαστε εδώ στα ερείπια
καθώς στεκόμαστε εδώ στα ερείπια
11:41
of the economic collapse,
251
689000
2000
της οικονομικής κατάρρευσης,
11:43
is that too many organizations
252
691000
2000
είναι ότι υπερβολικά πολλοί οργανισμοί
11:45
are making their decisions,
253
693000
2000
παίρνουν τις αποφάσεις τους,
11:47
their policies about talent and people,
254
695000
2000
επιλέγουν τις στρατηγικές τους
για ταλέντα και ανθρώπους,
για ταλέντα και ανθρώπους,
11:49
based on assumptions that are outdated, unexamined,
255
697000
6000
βασισμένοι σε παραδοχές
απαρχαιωμένες, ανέλεγκτες,
απαρχαιωμένες, ανέλεγκτες,
11:55
and rooted more in folklore than in science.
256
703000
3000
ριζωμένες περισσότερο
στην παράδοση παρά στην επιστήμη.
στην παράδοση παρά στην επιστήμη.
11:58
And if we really want to get out of this economic mess,
257
706000
3000
Αν πράγματι θέλουμε
να βγούμε από αυτό το οικονομικό χάλι,
να βγούμε από αυτό το οικονομικό χάλι,
12:01
and if we really want high performance on those
258
709000
2000
αν πράγματι θέλουμε υψηλή επίδοση στις
12:03
definitional tasks of the 21st century,
259
711000
2000
προσδιοριστικές εργασίες του 21ου αιώνα,
12:05
the solution is not to do more of the wrong things,
260
713000
6000
η λύση δεν είναι
να συνεχίσουμε τα ίδια λάθη.
να συνεχίσουμε τα ίδια λάθη.
12:11
to entice people with a sweeter carrot,
261
719000
3000
Να δελεάζουμε τους εργαζόμενους
με πιο μυρωδάτα καρότα,
με πιο μυρωδάτα καρότα,
12:14
or threaten them with a sharper stick.
262
722000
2000
ή να τους απειλούμε με πιο μυτερά ραβδιά.
12:16
We need a whole new approach.
263
724000
2000
Χρειαζόμαστε εντελώς νέα προσέγγιση.
12:18
And the good news about all of this is that the scientists
264
726000
2000
Και τα ευχάριστα νέα της υπόθεσης
είναι ότι οι επιστήμονες
είναι ότι οι επιστήμονες
12:20
who've been studying motivation have given us this new approach.
265
728000
3000
που μελετούν τα κίνητρα
μάς έχουν δώσει τη νέα προσέγγιση.
μάς έχουν δώσει τη νέα προσέγγιση.
12:23
It's an approach built much more around intrinsic motivation.
266
731000
3000
Μια προσέγγιση στηριγμένη
πολύ περισσότερο στα εσωτερικά κίνητρα.
πολύ περισσότερο στα εσωτερικά κίνητρα.
12:26
Around the desire to do things because they matter,
267
734000
2000
Στην επιθυμία να κάνουμε
πράγματα επειδή είναι σημαντικά,
πράγματα επειδή είναι σημαντικά,
12:28
because we like it, because they're interesting,
268
736000
2000
επειδή μας αρέσουν,
επειδή είναι ενδιαφέροντα,
επειδή είναι ενδιαφέροντα,
12:30
because they are part of something important.
269
738000
2000
επειδή αποτελούν τμήμα
κάποιου σημαντικότερου όλου.
κάποιου σημαντικότερου όλου.
12:32
And to my mind, that new operating system for our businesses
270
740000
4000
Κατά την άποψή μου, το νέο λειτουργικό
σύστημα για τις επιχειρήσεις μας
σύστημα για τις επιχειρήσεις μας
12:36
revolves around three elements:
271
744000
2000
περιστρέφεται γύρω από τρία στοιχεία:
12:38
autonomy, mastery and purpose.
272
746000
3000
την αυτονομία, την τελείωση και τον σκοπό.
12:41
Autonomy: the urge to direct our own lives.
273
749000
3000
Αυτονομία, η παρόρμηση
να διευθύνουμε τις ίδιες μας τις ζωές.
να διευθύνουμε τις ίδιες μας τις ζωές.
12:44
Mastery: the desire to get better and better at something that matters.
274
752000
4000
Τελείωση, η επιθυμία να γινόμαστε
όλο και καλύτεροι σε κάτι σημαντικό.
όλο και καλύτεροι σε κάτι σημαντικό.
12:48
Purpose: the yearning to do what we do
275
756000
3000
Σκοπός, η λαχτάρα να κάνουμε ό,τι κάνουμε
12:51
in the service of something larger than ourselves.
276
759000
3000
υπηρετώντας κάτι σπουδαιότερο από μας.
12:54
These are the building blocks of an entirely new operating system
277
762000
3000
Αυτά είναι τα δομικά στοιχεία ενός
ολοκαίνουργιου λειτουργικού συστήματος
ολοκαίνουργιου λειτουργικού συστήματος
12:57
for our businesses.
278
765000
2000
για τις επιχειρήσεις μας.
12:59
I want to talk today only about autonomy.
279
767000
4000
Σήμερα θέλω να μιλήσω
μόνο για την αυτονομία.
μόνο για την αυτονομία.
13:03
In the 20th century, we came up with this idea of management.
280
771000
3000
Ο 20ός αιώνας παρήγαγε
την έννοια της διοίκησης των επιχειρήσεων.
την έννοια της διοίκησης των επιχειρήσεων.
13:06
Management did not emanate from nature.
281
774000
2000
Η διοίκηση δεν προήλθε από τη φύση.
13:08
Management is like -- it's not a tree,
282
776000
2000
Η διοίκηση είναι όπως -- δεν είναι δέντρο.
13:10
it's a television set.
283
778000
2000
Είναι συσκευή τηλεόρασης.
13:12
Okay? Somebody invented it.
284
780000
2000
Εντάξει; Κάποιος την επινόησε.
13:14
And it doesn't mean it's going to work forever.
285
782000
2000
Και δεν υπάρχει εγγύηση
ότι θα λειτουργεί σωστά για πάντα.
ότι θα λειτουργεί σωστά για πάντα.
13:16
Management is great.
286
784000
2000
Η διοίκηση είναι σημαντική.
13:18
Traditional notions of management are great
287
786000
2000
Οι παραδοσιακές έννοιες
διοίκησης είναι σημαντικές
διοίκησης είναι σημαντικές
13:20
if you want compliance.
288
788000
2000
αν θέλουμε συμμόρφωση.
13:22
But if you want engagement, self-direction works better.
289
790000
3000
Αν όμως θέλουμε συμμετοχή,
η αυτοεποπτεία λειτουργεί καλύτερα.
η αυτοεποπτεία λειτουργεί καλύτερα.
13:25
Let me give you some examples of some kind of radical
290
793000
2000
Θα σας δώσω μερικά παραδείγματα
κάποιων ριζοσπαστικών
κάποιων ριζοσπαστικών
13:27
notions of self-direction.
291
795000
2000
εννοιών αυτοεποπτείας.
13:29
What this means -- you don't see a lot of it,
292
797000
3000
Το τι σημαίνει αυτό --
δεν συναντάται συχνά
δεν συναντάται συχνά
13:32
but you see the first stirrings of something really interesting going on,
293
800000
3000
αν και υπάρχουν οι πρώτες ενδείξεις
ότι κάτι πολύ ενδιαφέρον συμβαίνει.
ότι κάτι πολύ ενδιαφέρον συμβαίνει.
13:35
because what it means is paying people adequately
294
803000
2000
Διότι σημαίνει να πληρώνουμε
τους εργαζόμενους επαρκώς
τους εργαζόμενους επαρκώς
13:37
and fairly, absolutely --
295
805000
2000
και δίκαια, απολύτως.
13:39
getting the issue of money off the table,
296
807000
2000
Ώστε το οικονομικό ζήτημα
να φύγει από το τραπέζι.
να φύγει από το τραπέζι.
13:41
and then giving people lots of autonomy.
297
809000
2000
Και μετά να τους δίνουμε πολλή αυτονομία.
13:43
Let me give you some examples.
298
811000
2000
Θα σας δώσω μερικά παραδείγματα.
13:45
How many of you have heard of the company Atlassian?
299
813000
4000
Πόσοι από σας έχουν ακουστά
την εταιρία Ατλάσιαν;
την εταιρία Ατλάσιαν;
13:49
It looks like less than half.
300
817000
2000
Μάλλον λιγότεροι από τους μισούς.
13:51
(Laughter)
301
819000
2000
(Γέλια)
13:53
Atlassian is an Australian software company.
302
821000
4000
Η Ατλάσιαν
είναι αυστραλιανή εταιρία λογισμικού.
είναι αυστραλιανή εταιρία λογισμικού.
13:57
And they do something incredibly cool.
303
825000
2000
Και κάνουν κάτι απίστευτα φοβερό.
13:59
A few times a year they tell their engineers,
304
827000
2000
Κάποιες φορές
τον χρόνο λένε στους μηχανικούς τους:
τον χρόνο λένε στους μηχανικούς τους:
14:01
"Go for the next 24 hours and work on anything you want,
305
829000
4000
«Για τις επόμενες 24 ώρες,
δουλέψετε σε ό,τι θέλετε,
δουλέψετε σε ό,τι θέλετε,
14:05
as long as it's not part of your regular job.
306
833000
2000
αρκεί να μην είναι μέρος
της κανονικής σας δουλειάς.
της κανονικής σας δουλειάς.
14:07
Work on anything you want."
307
835000
2000
Δουλέψετε σε ό,τι θέλετε».
14:09
So that engineers use this time to come up with
308
837000
2000
Έτσι, οι μηχανικοί χρησιμοποιούν
αυτόν τον χρόνο για να παραγάγουν
αυτόν τον χρόνο για να παραγάγουν
14:11
a cool patch for code, come up with an elegant hack.
309
839000
3000
περίτεχνες συρραφές κώδικα,
κομψό διορθωτικό λογισμικό.
κομψό διορθωτικό λογισμικό.
14:14
Then they present all of the stuff that they've developed
310
842000
3000
Έπειτα παρουσιάζουν όλα όσα ανάπτυξαν
14:17
to their teammates, to the rest of the company,
311
845000
3000
στους συναδέλφους τους,
στην υπόλοιπη εταιρία,
στην υπόλοιπη εταιρία,
14:20
in this wild and wooly all-hands meeting
312
848000
2000
σε μια ακανόνιστη συνάντηση
που έχουν όλοι μαζί
που έχουν όλοι μαζί
14:22
at the end of the day.
313
850000
2000
στο τέλος της μέρας.
14:24
And then, being Australians, everybody has a beer.
314
852000
2000
Και μετά, Αυστραλοί είναι αυτοί,
το ρίχνουν στη μπίρα.
το ρίχνουν στη μπίρα.
14:26
They call them FedEx Days.
315
854000
3000
Τις λένε Μέρες Φεντ-Εξ.
14:29
Why? Because you have to deliver something overnight.
316
857000
6000
Γιατί; Επειδή πρέπει κάτι
να παραδώσουν ως την επομένη.
να παραδώσουν ως την επομένη.
14:35
It's pretty. It's not bad. It's a huge trademark violation,
317
863000
2000
Είναι ωραίο. Όχι κακό. Μια εξώφθαλμη
κατάχρηση του σήματος της Φεντ-Εξ.
κατάχρηση του σήματος της Φεντ-Εξ.
14:37
but it's pretty clever.
318
865000
2000
Αλλά πολύ έξυπνο.
14:39
(Laughter)
319
867000
1000
(Γέλια)
14:40
That one day of intense autonomy
320
868000
2000
Αυτή η μία ημέρα μεγάλης αυτονομίας
14:42
has produced a whole array of software fixes
321
870000
2000
έχει παραγάγει μια ολόκληρη
συλλογή διορθωτικού λογισμικού
συλλογή διορθωτικού λογισμικού
14:44
that might never have existed.
322
872000
2000
που ίσως να μην είχε δημιουργηθεί ποτέ.
14:46
And it's worked so well that Atlassian has taken it to the next level
323
874000
2000
Και λειτούργησε τόσο καλά,
που η Ατλάσιαν το αναβάθμισε
που η Ατλάσιαν το αναβάθμισε
14:48
with 20 Percent Time --
324
876000
2000
με το πρόγραμμα 20 Τοις Εκατό του Χρόνου.
14:50
done, famously, at Google --
325
878000
2000
Το οποίο, διασήμως,
εφαρμόστηκε στη Γκουγκλ.
εφαρμόστηκε στη Γκουγκλ.
14:52
where engineers can work, spend 20 percent of their time
326
880000
2000
Όπου οι μηχανικοί μπορούν
να ξοδεύουν 20 τοις εκατό του χρόνου τους
να ξοδεύουν 20 τοις εκατό του χρόνου τους
14:54
working on anything they want.
327
882000
2000
δουλεύοντας σε οτιδήποτε θέλουν.
14:56
They have autonomy over their time,
328
884000
2000
Έχουν αυτονομία στον χρόνο τους,
14:58
their task, their team, their technique.
329
886000
2000
στο έργο τους, στην ομάδα τους,
στην τεχνική τους.
στην τεχνική τους.
15:00
Okay? Radical amounts of autonomy.
330
888000
2000
Εντάξει; Ριζοσπαστικές δόσεις αυτονομίας.
15:02
And at Google, as many of you know,
331
890000
4000
Και στη Γκουγκλ,
όπως πολλοί από σας γνωρίζετε,
όπως πολλοί από σας γνωρίζετε,
15:06
about half of the new products in a typical year
332
894000
2000
περίπου τα μισά από τα νέα προϊόντα
κάθε συνηθισμένης χρονιάς
κάθε συνηθισμένης χρονιάς
15:08
are birthed during that 20 Percent Time:
333
896000
3000
γεννιούνται σε αυτό
το 20 τοις εκατό του χρόνου.
το 20 τοις εκατό του χρόνου.
15:11
things like Gmail, Orkut, Google News.
334
899000
3000
Προϊόντα όπως το Τζι-Μέιλ,
το Όρκουτ, το Γκουγκλ Ειδήσεις.
το Όρκουτ, το Γκουγκλ Ειδήσεις.
15:14
Let me give you an even more radical example of it:
335
902000
3000
Θα σας δώσω ακόμη
πιο ριζοσπαστικό παράδειγμα.
πιο ριζοσπαστικό παράδειγμα.
15:17
something called the Results Only Work Environment,
336
905000
2000
Κάτι που λέγεται Περιβάλλον
Εργασίας Μόνο για Αποτελέσματα.
Εργασίας Μόνο για Αποτελέσματα.
15:19
the ROWE,
337
907000
2000
Το ΠΕΜΑ.
15:21
created by two American consultants, in place
338
909000
2000
Δημιουργημένο
από δύο Αμερικανούς συμβούλους,
από δύο Αμερικανούς συμβούλους,
15:23
in place at about a dozen companies around North America.
339
911000
2000
εφαρμόζεται σε καμιά δεκαριά
εταιρίες ανά τη Βόρεια Αμερική.
εταιρίες ανά τη Βόρεια Αμερική.
15:25
In a ROWE people don't have schedules.
340
913000
4000
Σε ένα ΠΕΜΑ οι εργαζόμενοι
δεν έχουν πρόγραμμα.
δεν έχουν πρόγραμμα.
15:29
They show up when they want.
341
917000
2000
Έρχονται όποτε θέλουν.
15:31
They don't have to be in the office at a certain time,
342
919000
2000
Δεν υποχρεούνται να είναι
στο γραφείο συγκεκριμένη ώρα,
στο γραφείο συγκεκριμένη ώρα,
15:33
or any time.
343
921000
2000
ή οποιαδήποτε ώρα.
15:35
They just have to get their work done.
344
923000
2000
Υποχρεούνται απλώς
να τελειώνουν τη δουλειά τους.
να τελειώνουν τη δουλειά τους.
15:37
How they do it, when they do it,
345
925000
2000
Το πώς το κάνουν αυτό, πότε το κάνουν,
15:39
where they do it, is totally up to them.
346
927000
3000
πού το κάνουν,
επαφίεται εξ ολοκλήρου σε αυτούς.
επαφίεται εξ ολοκλήρου σε αυτούς.
15:42
Meetings in these kinds of environments are optional.
347
930000
4000
Σε τέτοια περιβάλλοντα,
οι συσκέψεις είναι προαιρετικές.
οι συσκέψεις είναι προαιρετικές.
15:46
What happens?
348
934000
2000
Το αποτέλεσμα;
15:48
Almost across the board, productivity goes up,
349
936000
3000
Σχεδόν παντού,
η παραγωγικότητα αυξάνει,
η παραγωγικότητα αυξάνει,
15:51
worker engagement goes up,
350
939000
3000
η συμμετοχή του προσωπικού αυξάνει,
15:54
worker satisfaction goes up, turnover goes down.
351
942000
3000
η ικανοποίησή του αυξάνει,
ο ρυθμός αντικατάστασής του μειώνεται.
ο ρυθμός αντικατάστασής του μειώνεται.
15:57
Autonomy, mastery and purpose,
352
945000
2000
Αυτονομία, τελείωση και σκοπός,
15:59
These are the building blocks of a new way of doing things.
353
947000
2000
είναι τα δομικά στοιχεία
ενός νέου τρόπου εργασίας.
ενός νέου τρόπου εργασίας.
16:01
Now some of you might look at this and say,
354
949000
3000
Βεβαίως, κάποιοι μπορεί
να τα βλέπετε αυτά και να λέτε:
να τα βλέπετε αυτά και να λέτε:
16:04
"Hmm, that sounds nice, but it's Utopian."
355
952000
3000
«Χμμμ, ωραίο ακούγεται. Αλλά είναι ουτοπικό».
16:07
And I say, "Nope. I have proof."
356
955000
5000
Κι εγώ λέω: «Κάθε άλλο. Έχω απόδειξη».
16:12
The mid-1990s, Microsoft started
357
960000
2000
Μέσα της δεκαετίας του 1990,
η Μάικροσοφτ ξεκίνησε
η Μάικροσοφτ ξεκίνησε
16:14
an encyclopedia called Encarta.
358
962000
2000
μια εγκυκλοπαίδεια ονόματι Ενκάρτα.
16:16
They had deployed all the right incentives,
359
964000
2000
Είχαν αναπτύξει όλα τα σωστά κίνητρα.
16:18
all the right incentives. They paid professionals to
360
966000
3000
Όλα τα σωστά κίνητρα.
Πλήρωσαν επαγγελματίες για να
Πλήρωσαν επαγγελματίες για να
16:21
write and edit thousands of articles.
361
969000
2000
γράψουν και να επιμεληθούν χιλιάδες άρθρα.
16:23
Well-compensated managers oversaw the whole thing
362
971000
2000
Καλοπληρωμένοι μάνατζερ
επίβλεψαν την όλη διαδικασία
επίβλεψαν την όλη διαδικασία
16:25
to make sure it came in on budget and on time.
363
973000
5000
ώστε να εξασφαλιστεί η τήρηση
προϋπολογισμού και χρονοδιαγράμματος.
προϋπολογισμού και χρονοδιαγράμματος.
16:30
A few years later another encyclopedia got started.
364
978000
2000
Λίγα χρόνια μετά, ξεκίνησε
μια άλλη εγκυκλοπαίδεια.
μια άλλη εγκυκλοπαίδεια.
16:32
Different model, right?
365
980000
3000
Διαφορετικό μοντέλο, σωστά;
16:35
Do it for fun. No one gets paid a cent, or a Euro or a Yen.
366
983000
4000
Κάντε το για διασκέδαση. Κανείς
δεν παίρνει ούτε σεντ, ή ευρώ, ή γιεν.
δεν παίρνει ούτε σεντ, ή ευρώ, ή γιεν.
16:39
Do it because you like to do it.
367
987000
3000
Κάντε το επειδή σας αρέσει να το κάνετε.
16:42
Now if you had, just 10 years ago,
368
990000
3000
Αν πριν από μόλις 10 χρόνια,
16:45
if you had gone to an economist, anywhere,
369
993000
2000
αν είχατε πάει σε οικονομολόγο,
οπουδήποτε,
οπουδήποτε,
16:47
and said, "Hey, I've got these two different models for creating an encyclopedia.
370
995000
4000
και είχατε πει: «Γεια, έχω δύο διαφορετικά
μοντέλα για τη σύνταξη εγκυκλοπαίδειας.
μοντέλα για τη σύνταξη εγκυκλοπαίδειας.
16:51
If they went head to head, who would win?"
371
999000
3000
Αν παράβγαιναν, ποιο θα κέρδιζε;»
16:54
10 years ago you could not have found a single sober economist anywhere
372
1002000
4000
10 χρόνια πριν, δεν θα είχατε βρει
ούτε έναν ξεμέθυστο οικονομολόγο
ούτε έναν ξεμέθυστο οικονομολόγο
16:58
on planet Earth
373
1006000
2000
οπουδήποτε στον πλανήτη Γη,
17:00
who would have predicted the Wikipedia model.
374
1008000
2000
που να προέβλεπε
ως νικητή το μοντέλο της Βικιπαίδεια.
ως νικητή το μοντέλο της Βικιπαίδεια.
17:02
This is the titanic battle between these two approaches.
375
1010000
3000
Πρόκειται για την τιτανομαχία
μεταξύ των δύο προσεγγίσεων.
μεταξύ των δύο προσεγγίσεων.
17:05
This is the Ali-Frazier of motivation. Right?
376
1013000
3000
Είναι το Αργεντινή-Γερμανία
της θεωρίας κινήτρων. Σωστά;
της θεωρίας κινήτρων. Σωστά;
17:08
This is the Thrilla' in Manila.
377
1016000
2000
Είναι ο τελικός του μουντιάλ του Μεξικού.
17:10
Alright? Intrinsic motivators versus extrinsic motivators.
378
1018000
3000
Έτσι; Εσωτερικά κίνητρα
εναντίον εξωτερικών κινήτρων.
εναντίον εξωτερικών κινήτρων.
17:13
Autonomy, mastery and purpose,
379
1021000
2000
Αυτονομία, τελείωση και σκοπός,
17:15
versus carrot and sticks. And who wins?
380
1023000
2000
εναντίον καρώτων και μαστιγίων. Και ποιος νίκησε;
17:17
Intrinsic motivation, autonomy, mastery and purpose,
381
1025000
3000
Τα εσωτερικά κίνητρα, η αυτονομία,
η τελείωση και ο σκοπός,
η τελείωση και ο σκοπός,
17:20
in a knockout. Let me wrap up.
382
1028000
4000
με γκολ στο 83'. Ας ολοκληρώσω.
17:24
There is a mismatch between what science knows and what business does.
383
1032000
3000
Υπάρχει αναντιστοιχία ανάμεσα στο τι ξέρει
η επιστήμη και το τι κάνουν οι επιχειρήσεις.
η επιστήμη και το τι κάνουν οι επιχειρήσεις.
17:27
And here is what science knows.
384
1035000
2000
Και να τι ξέρει η επιστήμη.
17:29
One: Those 20th century rewards,
385
1037000
2000
Πρώτον: Οι ανταμοιβές του 20ού αιώνα,
17:31
those motivators we think are a natural part of business,
386
1039000
3000
τα κίνητρα, που τα θεωρούμε
φυσικό χαρακτηριστικό των επιχειρήσεων,
φυσικό χαρακτηριστικό των επιχειρήσεων,
17:34
do work, but only in a surprisingly narrow band of circumstances.
387
1042000
4000
λειτουργούν πράγματι, αλλά μόνο
σε απρόσμενα στενό εύρος καταστάσεων.
σε απρόσμενα στενό εύρος καταστάσεων.
17:38
Two: Those if-then rewards often destroy creativity.
388
1046000
4000
Δεύτερον: Συχνά, οι ανταμοιβές τύπου
«αν-τότε» σκοτώνουν τη δημιουργικότητα.
«αν-τότε» σκοτώνουν τη δημιουργικότητα.
17:42
Three: The secret to high performance
389
1050000
2000
Τρίτον: Το μυστικό για υψηλή απόδοση
17:44
isn't rewards and punishments,
390
1052000
2000
δεν είναι οι ανταμοιβές και ποινές,
17:46
but that unseen intrinsic drive --
391
1054000
2000
αλλά η αόρατη εσωτερική παρόρμηση.
17:48
the drive to do things for their own sake.
392
1056000
3000
Η παρόρμηση να κάνουμε
πράγματα ως αυτοσκοπό.
πράγματα ως αυτοσκοπό.
17:51
The drive to do things cause they matter.
393
1059000
2000
Η παρόρμηση να κάνουμε
πράγματα επειδή είναι σημαντικά.
πράγματα επειδή είναι σημαντικά.
17:53
And here's the best part. Here's the best part.
394
1061000
2000
Και το καλύτερο είναι το εξής.
Το καλύτερο είναι το εξής.
Το καλύτερο είναι το εξής.
17:55
We already know this. The science confirms what we know in our hearts.
395
1063000
3000
Αυτά τα ξέραμε ήδη. Η επιστήμη
επιβεβαιώνει όσα ξέραμε στην καρδιά μας.
επιβεβαιώνει όσα ξέραμε στην καρδιά μας.
17:58
So, if we repair this mismatch
396
1066000
3000
Αν λοιπόν διορθώσουμε
αυτή την αναντιστοιχία
αυτή την αναντιστοιχία
18:01
between what science knows and what business does,
397
1069000
2000
ανάμεσα στο τι ξέρει η επιστήμη
και το τι κάνουν οι επιχειρήσεις,
και το τι κάνουν οι επιχειρήσεις,
18:03
if we bring our motivation, notions of motivation
398
1071000
3000
αν φέρουμε τα κίνητρά μας,
τις έννοιες των κινήτρων
τις έννοιες των κινήτρων
18:06
into the 21st century,
399
1074000
2000
στον 21ο αιώνα,
18:08
if we get past this lazy, dangerous, ideology
400
1076000
4000
αν προσπεράσουμε την τεμπέλικη,
επικίνδυνη ιδεολογία
επικίνδυνη ιδεολογία
18:12
of carrots and sticks,
401
1080000
2000
των καρότων και ραβδιών,
18:14
we can strengthen our businesses,
402
1082000
3000
μπορούμε να ενισχύσουμε
τις επιχειρήσεις μας,
τις επιχειρήσεις μας,
18:17
we can solve a lot of those candle problems,
403
1085000
3000
να λύσουμε πολλά προβλήματα του κεριού,
18:20
and maybe, maybe, maybe
404
1088000
4000
και ίσως, ίσως, ίσως
18:24
we can change the world.
405
1092000
2000
να αλλάξουμε τον κόσμο.
18:26
I rest my case.
406
1094000
2000
Δεν έχω να προσθέσω τίποτε άλλο,
κύριε Πρόεδρε.
κύριε Πρόεδρε.
18:28
(Applause)
407
1096000
3000
(Χειροκρότημα)
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