TEDGlobal 2009
Dan Pink: The puzzle of motivation
دن پینک: یافته‌های غافلگیر کننده‌ی علم درباره‌ی ایجاد انگیزه
Filmed:
Readability: 4
25,352,736 views
تحلیلگرِ شغل، دن پینک، معمای ایجاد انگیزه را برسی می‌کند. او با حقیقتی شروع می‌کند که دانشمندان علوم اجتماعی از آن اطلاع دارند ولی بیشتر مدیران آن را نمی‌دانند: پاداش‌های سنتی همیشه آنقدر که ما فکر می‌کنیم مؤثر نیستند. به داستان‌ها روشنگر -- و شاید راه پیشرفتِ -- او گوش کنید.
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
اول می‌خوام یه اعترافی بکنم
00:16
A little over 20 years ago
1
4000
3000
یکم بیشتر از ۲۰ سال پیش
00:19
I did something that I regret,
2
7000
2000
کاری کردم که پشیمونم٬
00:21
something that I'm not particularly proud of,
3
9000
4000
کاری که اصلا بهش افتخار نمی‌کنم٬
00:25
something that, in many ways, I wish no one would ever know,
4
13000
3000
کاری که امیدوارم هیچوقت کسی نفهمه ٬
00:28
but here I feel kind of obliged to reveal.
5
16000
4000
اما اینجا احساس می‌کنم که باید اون رو افشا کنم.
00:32
(Laughter)
6
20000
2000
(خنده حاضاران)
00:34
In the late 1980s,
7
22000
2000
اواخر دهه‌ی ۱۹۸۰
00:36
in a moment of youthful indiscretion,
8
24000
3000
در یک لحظه بی‌عقلی جوونی٬
00:39
I went to law school.
9
27000
2000
رفتم به مدرسه‌ی حقوق.
00:41
(Laughter)
10
29000
4000
(خنده حاضران)
00:45
Now, in America law is a professional degree:
11
33000
3000
الان تو آمریکا حقوق یه مدرک حرفه‌ایه
00:48
you get your university degree, then you go on to law school.
12
36000
2000
شما مدرک دانشگاهی‌تان را می‌گیرید. بعد میرین به دانشکده‌ی حقوق
00:50
And when I got to law school,
13
38000
3000
وقتی من رفتم دانشکده‌ی حقوق٬
00:53
I didn't do very well.
14
41000
2000
خیلی موفق نبودم.
00:55
To put it mildly, I didn't do very well.
15
43000
2000
برای اینکه ملایمش کنم میگم خیلی موفق نبودم.
00:57
I, in fact, graduated in the part of my law school class
16
45000
3000
من، در واقع، در بخشی از کلاس حقوقم فارغ‌التحصیل شدم که بالای ۹۰٪ فارغ‌التحصیل می‌کرد.
01:00
that made the top 90 percent possible.
17
48000
4000
من، در واقع، در بخشی از کلاس حقوقم فارغ‌التحصیل شدم که بالای ۹۰٪ فارغ‌التحصیل می‌کرد.
01:04
(Laughter)
18
52000
4000
(خندهی حاضران)
01:08
Thank you.
19
56000
3000
ممنونم.
01:11
I never practiced law a day in my life;
20
59000
3000
تو زندگیم هیچوقت یه روز کار حقوق نکردم؛
01:14
I pretty much wasn't allowed to.
21
62000
2000
بیشتر به خاطر اینکه اجازه نداشتم.
01:16
(Laughter)
22
64000
3000
(خندهی حاضران)
01:19
But today, against my better judgment,
23
67000
3000
اما امروز بر خلاف میلم٬
01:22
against the advice of my own wife,
24
70000
3000
بر خلاف توصیه‌ی همسرم٬
01:25
I want to try to dust off some of those legal skills --
25
73000
4000
می‌خوام اون تواناییهای قانونیم رو برای استفاده مجدد گردگیری کنم --
01:29
what's left of those legal skills.
26
77000
2000
اون چیزی که از تواناییهای حقوقیم باقی مونده.
01:31
I don't want to tell you a story.
27
79000
3000
نمی‌خوام براتون داستان بگم.
01:34
I want to make a case.
28
82000
2000
می خوام یه پرونده باز کنم.
01:36
I want to make a hard-headed, evidence-based,
29
84000
4000
یه پرونده‌ی جدی بر پایه ادله
01:40
dare I say lawyerly case,
30
88000
3000
و بذارین بگم مثل یک وکیل می‌خوام پرونده باز کنم.
01:43
for rethinking how we run our businesses.
31
91000
4000
برای تفکر در اینکه ما چطوری تجارتمون را اداره می‌کنیم.
01:47
So, ladies and gentlemen of the jury, take a look at this.
32
95000
4000
پس خانمها و آقایان هیات ژوری، یه نگاه به این بندازین.
01:51
This is called the candle problem.
33
99000
2000
به این میگن مسئله‌ی شمع.
01:53
Some of you might have seen this before.
34
101000
2000
بعضی از شما ممکنه اینو قبلا دیده باشین.
01:55
It's created in 1945
35
103000
2000
سال ۱۹۴۵ طرح شده
01:57
by a psychologist named Karl Duncker.
36
105000
2000
توسط روانشناسی به نام کارل دانکر.
01:59
Karl Duncker created this experiment
37
107000
2000
کارل دانکر این آزمایش رو درست کرد.
02:01
that is used in a whole variety of experiments in behavioral science.
38
109000
3000
که در تستهای زیادی در علوم رفتاری استفاده میشه.
02:04
And here's how it works. Suppose I'm the experimenter.
39
112000
3000
اینطوری کار می‌کنه : فرض کنید من تست می‌گیرم.
02:07
I bring you into a room. I give you a candle,
40
115000
4000
شما رو می‌برم تو یه اتاق، یه شمع به شما می‌دم، چندتا پونز و کبریت
02:11
some thumbtacks and some matches.
41
119000
2000
شما رو می‌برم تو یه اتاق، یه شمع به شما می‌دم، چندتا پونز و کبریت
02:13
And I say to you, "Your job
42
121000
2000
بعد بهتون میگم کار شما اینه که شمع رو به دیوار وصل کنین
02:15
is to attach the candle to the wall
43
123000
2000
بعد بهتون میگم کار شما اینه که شمع رو به دیوار وصل کنین
02:17
so the wax doesn't drip onto the table." Now what would you do?
44
125000
4000
طوریکه پارافین روی میز نریزه. حالا شما چه کار می‌کنین؟
02:21
Now many people begin trying to thumbtack the candle to the wall.
45
129000
4000
بیشتر افراد سعی می‌کنن که شمع رو با پونز به دیوار وصل کنند.
02:25
Doesn't work.
46
133000
2000
فایده نداره
02:27
Somebody, some people -- and I saw somebody
47
135000
2000
بعضیها ، بعضی افراد، من یه نفرو دیدم
02:29
kind of make the motion over here --
48
137000
2000
که اونجا حرکتشو انجام داد
02:31
some people have a great idea where they
49
139000
2000
ایده‌ی بزرگی دارند که کبریت روشن می‌کنن، یک طرف شمع رو آب می‌کنن و سعی می‌کنن بچسبوننش به دیوار.
02:33
light the match, melt the side of the candle, try to adhere it to the wall.
50
141000
4000
ایده‌ی بزرگی دارند که کبریت روشن می‌کنن، یک طرف شمع رو آب می‌کنن و سعی می‌کنن بچسبوننش به دیوار.
02:37
It's an awesome idea. Doesn't work.
51
145000
3000
ایده فوق العاده‌ایه. ولی کارآمد نیست.
02:40
And eventually, after five or 10 minutes,
52
148000
3000
و نهایتاً، بعد از ۵ یا ۱۰ دقیقه٬
02:43
most people figure out the solution,
53
151000
2000
بیشتر آدما راه حل رو پیدا می‌کنند.
02:45
which you can see here.
54
153000
2000
که اینجا می‌تونین ببینین.
02:47
The key is to overcome what's called functional fixedness.
55
155000
3000
نکته‌ی کلیدی غلبه بر چیزیه که بهش می‌گیم "ثبات عملیاتی"
02:50
You look at that box and you see it only as a receptacle for the tacks.
56
158000
4000
شما جعبه رو می‌بینین اما فقط به عنوان ظرف پونزها.
02:54
But it can also have this other function,
57
162000
2000
اما اون می‌تونه این قابلیت دیگه رو هم داشته باشه، به‌عنوان پایه‌ای برای شمع باشه. مسئله‌ی شمع.
02:56
as a platform for the candle. The candle problem.
58
164000
4000
اما اون می‌تونه این قابلیت دیگه رو هم داشته باشه، به‌عنوان پایه‌ای برای شمع باشه. مسئله‌ی شمع.
03:00
Now I want to tell you about an experiment
59
168000
2000
حالا می‌خوام راجع به یک آزمایش بهتون بگم که از مسئله‌ی شمع استفاده می‌کنیم٬
03:02
using the candle problem,
60
170000
2000
حالا می‌خوام راجع به یک آزمایش بهتون بگم که از مسئله‌ی شمع استفاده می‌کنیم٬
03:04
done by a scientist named Sam Glucksberg,
61
172000
2000
آزمایش رو دانشمندی به نام سام گلاکسبرگ انجام داده که الان تو دانشگاه پرینستون آمریکاست.
03:06
who is now at Princeton University in the U.S.
62
174000
2000
آزمایش رو دانشمندی به نام سام گلاکسبرگ انجام داده که الان تو دانشگاه پرینستون آمریکاست.
03:08
This shows the power of incentives.
63
176000
4000
این آزمایش قدرت مشوّقها رو نشون میده.
03:12
Here's what he did. He gathered his participants.
64
180000
2000
این کاریه که اون انجام داد، شرکت‌کننده‌ها رو جمع کرد.
03:14
And he said, "I'm going to time you. How quickly you can solve this problem?"
65
182000
3000
و گفت، "من زمان می‌گیرم ببینیم با چه سرعتی می‌تونین این مسئله رو حل کنین ؟"
03:17
To one group he said,
66
185000
2000
به یک گروه گفت،
03:19
"I'm going to time you to establish norms,
67
187000
3000
من زمان می‌گیرم که حد متوسط رو بدست بیارم،
03:22
averages for how long it typically takes
68
190000
2000
متوسط برای اینکه معمولا چقدر طول می‌کشه
03:24
someone to solve this sort of problem."
69
192000
2000
که یک نفر یک چنین مسئله ای رو حل کنه."
03:26
To the second group he offered rewards.
70
194000
3000
برای گروه دوم جایزه تعیین کرد.
03:29
He said, "If you're in the top 25 percent of the fastest times,
71
197000
4000
او گفت ، "اگه جزو ۲۵ درصدی باشین که سریعتر از همه حل کردن٬
03:33
you get five dollars.
72
201000
3000
۵ دلار می‌گیرین.
03:36
If you're the fastest of everyone we're testing here today,
73
204000
3000
اگر اون رو زودتر از همه حل کنید٬
03:39
you get 20 dollars."
74
207000
2000
۲۰ دلار می‌گیرین.
03:41
Now this is several years ago. Adjusted for inflation,
75
209000
3000
" این مال سالها پیشه، با تورم حساب کنین،
03:44
it's a decent sum of money for a few minutes of work.
76
212000
2000
برای چند دقیقه کار، پول خوبیه .
03:46
It's a nice motivator.
77
214000
2000
محرک خوبیه.
03:48
Question: How much faster
78
216000
3000
اما سوال: گروه دوم چقدر سریعتر مسئله رو حل کرد؟
03:51
did this group solve the problem?
79
219000
2000
اما سوال: گروه دوم چقدر سریعتر مسئله رو حل کرد؟
03:53
Answer: It took them, on average,
80
221000
3000
جواب : به طور متوسط سه دقیقه و نیم بیشتر طول کشید.
03:56
three and a half minutes longer.
81
224000
4000
جواب : به طور متوسط سه دقیقه و نیم بیشتر طول کشید.
04:00
Three and a half minutes longer. Now this makes no sense right?
82
228000
3000
این سه و نیم دقیقه طولانی‌تره. توجیه ناپذیره، درسته؟
04:03
I mean, I'm an American. I believe in free markets.
83
231000
3000
منظورم اینه که، من آمریکایی هستم، به بازار آزاد اعتقاد دارم.
04:06
That's not how it's supposed to work. Right?
84
234000
3000
نتیجه نباید اینجوری باشه، درسته؟
04:09
(Laughter)
85
237000
1000
(خندهی حاضران)
04:10
If you want people to perform better,
86
238000
2000
اگه می‌خواین افراد بهتر کار انجام بدن،
04:12
you reward them. Right?
87
240000
2000
بهشون جایزه می‌دین، درسته؟
04:14
Bonuses, commissions, their own reality show.
88
242000
3000
پاداش، کمیسیون، حقایق خودشون رو نشون میدن.
04:17
Incentivize them. That's how business works.
89
245000
4000
تشویقشون می‌کنین، توی کسب و کار اینجوریه.
04:21
But that's not happening here.
90
249000
2000
اما اینجا این اتفاق نمی‌افته .
04:23
You've got an incentive designed to
91
251000
2000
مشوق‌ای طراحی شده بود
04:25
sharpen thinking and accelerate creativity,
92
253000
4000
که تفکر را دقیق‌تر و خلاقیت را سریعتر کند٬
04:29
and it does just the opposite.
93
257000
2000
اما درست برعکس عمل کرد.
04:31
It dulls thinking and blocks creativity.
94
259000
3000
تفکر رو کُند کرد و جلوی خلاقیت رو گرفت.
04:34
And what's interesting about this experiment is that it's not an aberration.
95
262000
3000
نکته‌ی جالب در مورد این آزمایش اینه که، اصلا اشتباه نیست.
04:37
This has been replicated over and over
96
265000
3000
این مسئله مدام تکرار شده و نزدیک ۴۰ ساله که تکرار میشه.
04:40
and over again, for nearly 40 years.
97
268000
3000
این مسئله مدام تکرار شده و نزدیک ۴۰ ساله که تکرار میشه.
04:43
These contingent motivators --
98
271000
3000
این محرکهای مشروط---
04:46
if you do this, then you get that --
99
274000
2000
که اگه این کار رو بکنین، اون رو به دست میارین --
04:48
work in some circumstances.
100
276000
2000
در بعضی شرایط کارآمده.
04:50
But for a lot of tasks, they actually either don't work
101
278000
3000
اما برای خیلی کارها، واقعا فایده نداره
04:53
or, often, they do harm.
102
281000
3000
یا بیشتر وقت‌ها، ضرر هم می‌زنه.
04:56
This is one of the most robust findings
103
284000
4000
این یکی از محکم‌ترین دستاوردها در علوم اجتماعی‌ست.
05:00
in social science,
104
288000
3000
این یکی از محکم‌ترین دستاوردها در علوم اجتماعی‌ست.
05:03
and also one of the most ignored.
105
291000
2000
و همینطور یکی از نادیده شده‌ترین‌ها.
05:05
I spent the last couple of years looking at the science of
106
293000
2000
من چند سال اخیر رو صرف بررسی دانش انگیزه‌های بشری٬
05:07
human motivation,
107
295000
2000
من چند سال اخیر رو صرف بررسی دانش انگیزه‌های بشری٬
05:09
particularly the dynamics of extrinsic motivators
108
297000
2000
و بطور خاص بررسی اثر محرکهای خارجی و ذاتی کردم.
05:11
and intrinsic motivators.
109
299000
2000
و بطور خاص بررسی اثر محرکهای خارجی و ذاتی کردم.
05:13
And I'm telling you, it's not even close.
110
301000
2000
و به شما میگم، که این حتی نزدیک هم نیست.
05:15
If you look at the science, there is a mismatch
111
303000
2000
اگه به علم نگاه کنید، یک عدم تناظر بین چیزی که علم می‌دونه و روش‌ها در تجارت هست.
05:17
between what science knows and what business does.
112
305000
4000
اگه به علم نگاه کنید، یک عدم تناظر بین چیزی که علم می‌دونه و روش‌ها در تجارت هست.
05:21
And what's alarming here is that our business operating system --
113
309000
3000
و ممسئله‌ی هشدار دهنده اینه که سیستم کسب و کار --
05:24
think of the set of assumptions and protocols beneath our businesses,
114
312000
3000
یعنی پیش فرض‌ها و قراردادهایی که پایه کسب و کارهای ما هستند٬
05:27
how we motivate people, how we apply our human resources --
115
315000
5000
اینکه چگونه به آدمها انگیزه می‌دیم، منابع انسانی رو چگونه به کار می‌گیریم --
05:32
it's built entirely around these extrinsic motivators,
116
320000
3000
تمام اینها بر پایه محرکهای بیرونی بنا شده‌اند،
05:35
around carrots and sticks.
117
323000
2000
بر پایه قضیه چماق و هویج.
05:37
That's actually fine for many kinds of 20th century tasks.
118
325000
4000
این برای خیلی کارهای قرن بیستمی خوبه.
05:41
But for 21st century tasks,
119
329000
2000
اما برای کارهای قرن بیست و یکم٬
05:43
that mechanistic, reward-and-punishment approach
120
331000
4000
این روش‌های تشویق و تنبیهِ مکانیکی
05:47
doesn't work, often doesn't work, and often does harm.
121
335000
4000
بیشتر مواقع بی فایده است و خیلی وقت‌ها آسیب میرسانند.
05:51
Let me show you what I mean.
122
339000
2000
بگذارید نشون بدم منظورم چیه.
05:53
So Glucksberg did another experiment similar to this
123
341000
3000
گلاکسبرگ یک آزمایش مشابه دیگه هم انجام داد
05:56
where he presented the problem in a slightly different way,
124
344000
2000
البته با اندکی تفاوت در شیوه کار، شبیه این.
05:58
like this up here. Okay?
125
346000
3000
البته با اندکی تفاوت در شیوه کار، شبیه این.
06:01
Attach the candle to the wall so the wax doesn't drip onto the table.
126
349000
2000
شمع رو به دیوار وصل کنید جوری‌که پارافین روی میز نریزه.
06:03
Same deal. You: we're timing for norms.
127
351000
3000
مثل دفعه‌ی قبل، این گروه برای پیدا کردن زمان متوسط.
06:06
You: we're incentivizing.
128
354000
3000
این گروه برای جایزه و تشویق.
06:09
What happened this time?
129
357000
2000
این بار چه اتفاقی افتاد؟
06:11
This time, the incentivized group
130
359000
2000
این بار، گروهی که تشویق می‌شد
06:13
kicked the other group's butt.
131
361000
4000
گروه دیگر رو شکست داد.
06:17
Why? Because when the tacks are out of the box,
132
365000
4000
چرا؟ چون وقتی پونزها از جعبه بیرون باشند
06:21
it's pretty easy isn't it?
133
369000
4000
مسئله خیلی ساده ست، نه؟
06:25
(Laughter)
134
373000
2000
(خندهی حاضران)
06:27
If-then rewards work really well
135
375000
3000
اگر روش جایزه برای این مدل کارها خوب نتیجه بده٬
06:30
for those sorts of tasks,
136
378000
3000
اگر روش جایزه برای این مدل کارها خوب نتیجه بده٬
06:33
where there is a simple set of rules and a clear destination
137
381000
2000
وقتی مجموعه‌ای از قواعد ساده داریم و مقصد مشخصی برای رفتن.
06:35
to go to.
138
383000
2000
وقتی مجموعه‌ای از قواعد ساده داریم و مقصد مشخصی برای رفتن.
06:37
Rewards, by their very nature,
139
385000
2000
جایزه‌ها ذاتاً،
06:39
narrow our focus, concentrate the mind;
140
387000
2000
ذهن رو متمرکز و محدود می‌کنه.
06:41
that's why they work in so many cases.
141
389000
2000
به همین دلیل هست که خیلی وقت‌ها جواب میده.
06:43
And so, for tasks like this,
142
391000
2000
ولی برای کاری شبیه به این،
06:45
a narrow focus, where you just see the goal right there,
143
393000
3000
تمرکز محدود، جایی که شما دقیقاً هدف رو می‌بینید٬
06:48
zoom straight ahead to it,
144
396000
2000
و مستقیم به سمتش می‌روید،
06:50
they work really well.
145
398000
2000
اینها خیلی خوب جواب میدن .
06:52
But for the real candle problem,
146
400000
2000
اما برای شکل اصلی مسئله‌ی شمع٬
06:54
you don't want to be looking like this.
147
402000
2000
نباید اینجوری نگاه کنید.
06:56
The solution is not over here. The solution is on the periphery.
148
404000
2000
جواب، اونجا نیست. حول و حوش اونجاست.
06:58
You want to be looking around.
149
406000
2000
می‌خواهید اطراف رو نگاه کنید.
07:00
That reward actually narrows our focus
150
408000
2000
جوایز، زاویه دید ما رو محدود می‌کنند
07:02
and restricts our possibility.
151
410000
2000
و راه‌های ممکن ما رو کم می‌کنند.
07:04
Let me tell you why this is so important.
152
412000
3000
بگذارید بگم چرا این مسئله اینقدر مهمه.
07:07
In western Europe,
153
415000
2000
در اروپای غربی،
07:09
in many parts of Asia,
154
417000
2000
خیلی جاهای آسیا،
07:11
in North America, in Australia,
155
419000
3000
آمریکای شمالی، استرالیا٬
07:14
white-collar workers are doing less of
156
422000
2000
کارگرهای یقه سفید کمتر از این جور کارها، و بیشتر از این جور کارها می‌کنند.
07:16
this kind of work,
157
424000
2000
کارگرهای یقه سفید کمتر از این جور کارها، و بیشتر از این جور کارها می‌کنند.
07:18
and more of this kind of work.
158
426000
4000
کارگرهای یقه سفید کمتر از این جور کارها، و بیشتر از این جور کارها می‌کنند.
07:22
That routine, rule-based, left-brain work --
159
430000
3000
کارهای روتین، قاعده مند، کارهایی که از نیمکره‌ی چپ مغز استفاده می‌کنند --
07:25
certain kinds of accounting, certain kinds of financial analysis,
160
433000
2000
کارهای حسابداری و مالی خاص،
07:27
certain kinds of computer programming --
161
435000
2000
برنامه نویسی‌های خاص --
07:29
has become fairly easy to outsource,
162
437000
2000
برون سپاری اینها نسبتا آسونه،
07:31
fairly easy to automate.
163
439000
2000
اتوماتیک کردنشون نسبتا آسونه.
07:33
Software can do it faster.
164
441000
3000
نرم افزار می‌تونه سریعتر انجامش بده.
07:36
Low-cost providers around the world can do it cheaper.
165
444000
2000
سرویس دهنده‌های ارزون تویِ دنیا می‌تونند ارزون انجامش بدند.
07:38
So what really matters are the more right-brained
166
446000
4000
پس چیزی که واقعا مهمه فعالیتهای سمت راست مغز هستند.
07:42
creative, conceptual kinds of abilities.
167
450000
3000
تواناییهای خلاقانه و مفهومی.
07:45
Think about your own work.
168
453000
3000
راجع به کار خودتون فکر کنید.
07:48
Think about your own work.
169
456000
3000
راجع به کار خودتون فکر کنید.
07:51
Are the problems that you face, or even the problems
170
459000
2000
آیا مسائلی که شما باهاشون مواجه می‌شید یا حتی مسائلی که اینجا راجع بهشون حرف زدیم٬
07:53
we've been talking about here,
171
461000
2000
آیا مسائلی که شما باهاشون مواجه می‌شید یا حتی مسائلی که اینجا راجع بهشون حرف زدیم٬
07:55
are those kinds of problems -- do they have a clear set of rules,
172
463000
2000
این نوع مسائل- آیا این مسائل مجموعه ای از قوانین شفافند،
07:57
and a single solution? No.
173
465000
3000
و یک راه حل دارند؟ نه.
08:00
The rules are mystifying.
174
468000
2000
این قوانین رمز آلودند.
08:02
The solution, if it exists at all,
175
470000
2000
را ه حل اگر وجود داشته باشه،
08:04
is surprising and not obvious.
176
472000
3000
شگفت و نا واضحه.
08:07
Everybody in this room
177
475000
2000
همه‌ی کسانی که توی این اتاقند
08:09
is dealing with their own version
178
477000
3000
با نسخه‌ای از مسئله‌ی شمع مخصوص خودشون درگیرند.
08:12
of the candle problem.
179
480000
2000
با نسخه‌ای از مسئله‌ی شمع مخصوص خودشون درگیرند.
08:14
And for candle problems of any kind,
180
482000
3000
و برای هر نوعی از مسئله‌ی شمع٬
08:17
in any field,
181
485000
2000
و در هر حوزه‌ای٬
08:19
those if-then rewards,
182
487000
3000
اون جایزه‌های اگر- آنگاه،
08:22
the things around which we've built so many of our businesses,
183
490000
4000
چیزی که ما بسیاری از کسب وکارهامون را حول اونها ساختیم ،
08:26
don't work.
184
494000
2000
کار نمی‌کنند.
08:28
Now, I mean it makes me crazy.
185
496000
2000
منظورم اینه که این من را دیوانه می‌کنه .
08:30
And this is not -- here's the thing.
186
498000
2000
و این فلسفه نیست -- مساله اینه.
08:32
This is not a feeling.
187
500000
3000
این یه احساس نیست.
08:35
Okay? I'm a lawyer; I don't believe in feelings.
188
503000
3000
خوب من وکیلم. به احساس باور ندارم.
08:38
This is not a philosophy.
189
506000
4000
این یک فلسفه نیست.
08:42
I'm an American; I don't believe in philosophy.
190
510000
2000
من آمریکایی هستم؛ به فلسفه اعتقاد ندارم.
08:44
(Laughter)
191
512000
3000
(خندهی تماشاگران)
08:47
This is a fact --
192
515000
3000
این یک حقیقته--
08:50
or, as we say in my hometown of Washington, D.C.,
193
518000
2000
یا اونجوری که تو زادگاه من واشینگتن دی سی ما می‌گیم،
08:52
a true fact.
194
520000
2000
یه حقیقتِ درست.
08:54
(Laughter)
195
522000
2000
(خنده تماشاگران)
08:56
(Applause)
196
524000
4000
(تشویق تماشاگران)
09:00
Let me give you an example of what I mean.
197
528000
2000
اجازه بدین منظورم را با یک مثال نشون بدم.
09:02
Let me marshal the evidence here,
198
530000
2000
بذارین شواهد رو ردیف کنم،
09:04
because I'm not telling you a story, I'm making a case.
199
532000
2000
چونکه من داستان نمی‌گم، دارم پرونده درست می‌کنم.
09:06
Ladies and gentlemen of the jury, some evidence:
200
534000
2000
خانمها و آقایان هیأت ژوری، چند مدرک:
09:08
Dan Ariely, one of the great economists of our time,
201
536000
3000
دن آریلی، یکی از بزرگترین اقتصاددانهای عصر حاضر٬
09:11
he and three colleagues, did a study of some MIT students.
202
539000
4000
با سه تا از همکاراش، مطالعه ای روی چند دانشجوی دانشگاه ام آی تی انجام دادند.
09:15
They gave these MIT students a bunch of games,
203
543000
3000
اونها با این دانشجویان ام‌آی‌تی یک سری بازی دادند٬
09:18
games that involved creativity,
204
546000
2000
بازیهایی که نیاز به خلاقیت، توانایی و تمرکز داشت.
09:20
and motor skills, and concentration.
205
548000
2000
بازیهایی که نیاز به خلاقیت، توانایی و تمرکز داشت.
09:22
And the offered them, for performance,
206
550000
2000
بر اساس کارآیی٬ بهشون سه سطح جایزه پیشنهاد کردند:
09:24
three levels of rewards:
207
552000
2000
بر اساس کارآیی٬ بهشون سه سطح جایزه پیشنهاد کردند:
09:26
small reward, medium reward, large reward.
208
554000
5000
جایزه‌ی کوچک، جایزه‌ی متوسط و جایزه‌ی بزرگ.
09:31
Okay? If you do really well you get the large reward, on down.
209
559000
4000
اگه کارتون رو خوب واقعا انجام بدین جایزه بزرگ رو می‌گیرید و همینطور الی آخر.
09:35
What happened? As long as the task involved only mechanical skill
210
563000
4000
چه اتفاقی افتاد؟ تا جایی که فقط توانایی مکانیکی لازم بود
09:39
bonuses worked as they would be expected:
211
567000
2000
همانطور که انتظار می‌رفت جایزه فایده داشت:
09:41
the higher the pay, the better the performance.
212
569000
4000
جایزه‌ی بیشتر، کارایی بالاتر.
09:45
Okay? But one the task called for
213
573000
2000
اما کارهایی که حتی به اندکی توانایی شناختی نیاز داشتند،
09:47
even rudimentary cognitive skill,
214
575000
4000
اما کارهایی که حتی به اندکی توانایی شناختی نیاز داشتند،
09:51
a larger reward led to poorer performance.
215
579000
5000
جایزه بیشتر، به کارایی کمتر منجر شد.
09:56
Then they said,
216
584000
2000
بعد اونها گفتند،
09:58
"Okay let's see if there's any cultural bias here.
217
586000
2000
"خب بگذارید ببنیم شاید در فرهنگ‌های دیگه قضیه فرق کنه.
10:00
Lets go to Madurai, India and test this."
218
588000
2000
بریم این تست رو در مادوریِ هند انجام بدیم "
10:02
Standard of living is lower.
219
590000
2000
اونجا استانداردهای زندگی پایین‌تر هستند .
10:04
In Madurai, a reward that is modest in North American standards,
220
592000
3000
جایزه‌ای که در آمریکای شمالی باتوجه به استانداردهای زندگی ارزش کمی داره٬
10:07
is more meaningful there.
221
595000
3000
در مادورای ارزش بیشتری داره.
10:10
Same deal. A bunch of games, three levels of rewards.
222
598000
3000
مثل قبل، یک سری بازی و سه سطح جایزه .
10:13
What happens?
223
601000
2000
چه اتفاقی افتاد؟
10:15
People offered the medium level of rewards
224
603000
3000
کسانی که به آنها پیشنهادِ جایزه‌ی سطحِ متوسط داده شده بود،
10:18
did no better than people offered the small rewards.
225
606000
3000
بهتر از کسانی که به آنها جایزه کوچک پیشنهاد شده بود٬ کار نکردند.
10:21
But this time, people offered the highest rewards,
226
609000
4000
اما این بار اونهایی که بزرگترین جایزه به آنها پیشنهاد شده بود، بدتر از همه کار کردند.
10:25
they did the worst of all.
227
613000
4000
اما این بار اونهایی که بزرگترین جایزه به آنها پیشنهاد شده بود، بدتر از همه کار کردند.
10:29
In eight of the nine tasks we examined across three experiments,
228
617000
3000
در هشت کار از نُه کاری که ما در سه آزمایش امتحان کردیم٬
10:32
higher incentives led to worse performance.
229
620000
5000
جایزه‌ی بزرگتر به کارایی بدتر منجر شد.
10:37
Is this some kind of touchy-feely
230
625000
3000
آیا این یه جور توطئه‌ی سوسیالیستی عشقی-عاطفیه؟
10:40
socialist conspiracy going on here?
231
628000
3000
آیا این یه جور توطئه‌ی سوسیالیستی عشقی-عاطفیه؟
10:43
No. These are economists from MIT,
232
631000
3000
نه. اینها اقتصاددانهای ام آی تی،
10:46
from Carnegie Mellon, from the University of Chicago.
233
634000
3000
از دانشگاه کارنیگی ملون و شیکاگو هستند.
10:49
And do you know who sponsored this research?
234
637000
2000
و می‌دونید چه کسی از این تحقیقات پشتیبانی می‌کرد؟
10:51
The Federal Reserve Bank of the United States.
235
639000
4000
بانک مرکزی ایالات متحده آمریکا.
10:55
That's the American experience.
236
643000
2000
این یک تجربه‌ی آمریکایی بود.
10:57
Let's go across the pond to the London School of Economics --
237
645000
3000
حالا بریم به مدرسه‌ی اقتصاد لندن --
11:00
LSE, London School of Economics,
238
648000
3000
ال اس ای، مدرسه اقتصاد لندن٬
11:03
alma mater of 11 Nobel Laureates in economics.
239
651000
3000
خاستگاه ۱۱ برنده‌ی جایزه‌ی نوبلِ اقتصاد.
11:06
Training ground for great economic thinkers
240
654000
3000
مرکز آموزش متفکرین بزرگ اقتصادی
11:09
like George Soros, and Friedrich Hayek,
241
657000
3000
مثل، جرج سوروس و فریدریش هایک٬
11:12
and Mick Jagger. (Laughter)
242
660000
2000
و میک جَگِر (خندهی تماشاگران)
11:14
Last month, just last month,
243
662000
4000
همین ماه پیش،
11:18
economists at LSE looked at 51 studies
244
666000
3000
اقتصاددانان ال اس ای بر روی ۵۱ دانشجو مطالعه‌ای انجام دادند
11:21
of pay-for-performance plans, inside of companies.
245
669000
3000
که برنامه‌های "پرداخت در قبال کارایی" رو در شرکت‌ها بررسی می‌کرد.
11:24
Here's what the economists there said: "We find that financial incentives
246
672000
3000
و به این نتیجه رسیدند: " مشوّق‌های مالی می‌تواند به نتیجه‌ی منفی در کارایی کلی منجر شوند".
11:27
can result in a negative impact on overall performance."
247
675000
6000
و به این نتیجه رسیدند: " مشوّق‌های مالی می‌تواند به نتیجه‌ی منفی در کارایی کلی منجر شوند".
11:33
There is a mismatch between what science knows
248
681000
3000
بین آنچه علم می‌دونه و آنچه در تجارت انجام میشه عدم مطابقت هست.
11:36
and what business does.
249
684000
2000
بین آنچه علم می‌دونه و آنچه در تجارت انجام میشه عدم مطابقت هست.
11:38
And what worries me, as we stand here in the rubble
250
686000
3000
و چیزی که من رو نگران می‌کنه، الان که رو خرابه‌های سقوط اقتصادی ایستادیم٬
11:41
of the economic collapse,
251
689000
2000
و چیزی که من رو نگران می‌کنه، الان که رو خرابه‌های سقوط اقتصادی ایستادیم٬
11:43
is that too many organizations
252
691000
2000
اینه که سازمان‌های زیادی
11:45
are making their decisions,
253
693000
2000
تصمیماتشون و خط مشی‌شان را
11:47
their policies about talent and people,
254
695000
2000
در مورد استعدادها و افراد
11:49
based on assumptions that are outdated, unexamined,
255
697000
6000
بر پایه‌ی تصورات تاریخ گذشته و آزمایش نشده بنا کردند.
11:55
and rooted more in folklore than in science.
256
703000
3000
که بیشتر ریشه در باور عامیانه دارد تا در علم.
11:58
And if we really want to get out of this economic mess,
257
706000
3000
و اگر ما واقعاً می‌خواهیم از این وضع اقتصادی خارج شویم٬
12:01
and if we really want high performance on those
258
709000
2000
و اگر کارایی بالا
12:03
definitional tasks of the 21st century,
259
711000
2000
در کارهای توصیفی قرن ۲۱ می‌خواهیم٬
12:05
the solution is not to do more of the wrong things,
260
713000
6000
راه حل اینه که دیگه کارهای اشتباه نکنیم،
12:11
to entice people with a sweeter carrot,
261
719000
3000
و افراد رو با هویج شیرین تر فریب و
12:14
or threaten them with a sharper stick.
262
722000
2000
با چماق تیز تر تهدید نکنیم.
12:16
We need a whole new approach.
263
724000
2000
یک رهیافت کاملا جدید لازم داریم.
12:18
And the good news about all of this is that the scientists
264
726000
2000
و خبر خوش در این مورد اینه که
12:20
who've been studying motivation have given us this new approach.
265
728000
3000
دانشمندانی که در مورد انگیزه دادن مطالعه کرده‌اند این رهیافت جدید رو به ما دادن.
12:23
It's an approach built much more around intrinsic motivation.
266
731000
3000
این رهیافت بیشتر بر پایه انگیزش ذهنی است.
12:26
Around the desire to do things because they matter,
267
734000
2000
بر پایه اینکه کارها رو انجام بدیم چون لازمه که انجام بشن،
12:28
because we like it, because they're interesting,
268
736000
2000
چون دوستشون داریم، چون سرگرم کننده هستند،
12:30
because they are part of something important.
269
738000
2000
چون بخشی از یک چیز مهم هستند.
12:32
And to my mind, that new operating system for our businesses
270
740000
4000
و در ذهن من این سیستم عامل جدید برای کسب و کارها
12:36
revolves around three elements:
271
744000
2000
حول سه عنصر می‌چرخه:
12:38
autonomy, mastery and purpose.
272
746000
3000
خود مختاری، تسلط و هدف.
12:41
Autonomy: the urge to direct our own lives.
273
749000
3000
خود مختاری، انگیزه‌ی هدایتِ زندگی شخصیِ خودمون.
12:44
Mastery: the desire to get better and better at something that matters.
274
752000
4000
تسلط، تمایل به بهتر و بهتر شدن در زمینه ای که اهمیت دارد.
12:48
Purpose: the yearning to do what we do
275
756000
3000
هدف، اشتیاق به انجام کاری که می‌کنیم
12:51
in the service of something larger than ourselves.
276
759000
3000
در خدمت به چیزی بزرگتر از خودمان.
12:54
These are the building blocks of an entirely new operating system
277
762000
3000
اینها پایه‌های اصلی این سیستم عامل کاملا جدید
12:57
for our businesses.
278
765000
2000
برای کسب و کار ما هستند.
12:59
I want to talk today only about autonomy.
279
767000
4000
امروز می‌خوام فقط راجع به خودمختاری حرف بزنم.
13:03
In the 20th century, we came up with this idea of management.
280
771000
3000
در قرن بیستم، این ایده‌ی مدیریتی به وجود آمد
13:06
Management did not emanate from nature.
281
774000
2000
مدیریت مثل درخت ساخته‌ی طبیعت نیست.
13:08
Management is like -- it's not a tree,
282
776000
2000
مدیریت مثل -- مثل درخت نیست٬
13:10
it's a television set.
283
778000
2000
بله، شبیه دستگاه تلویزیون است.
13:12
Okay? Somebody invented it.
284
780000
2000
یک نفر اختراعش کرده.
13:14
And it doesn't mean it's going to work forever.
285
782000
2000
و این به این معنی نیست که تا ابد کار می‌کنه.
13:16
Management is great.
286
784000
2000
مدیریت گسترده است.
13:18
Traditional notions of management are great
287
786000
2000
اگر نیاز به انطباق دارید٬ اندیشه‌های سنتیِ مدیریت عالی‌اند.
13:20
if you want compliance.
288
788000
2000
اگر نیاز به انطباق دارید٬ اندیشه‌های سنتیِ مدیریت عالی‌اند.
13:22
But if you want engagement, self-direction works better.
289
790000
3000
اما اگر به دنبال تعهد هستید، خودجهت‌دهی مؤثرتره.
13:25
Let me give you some examples of some kind of radical
290
793000
2000
بگذارید به شما چند مثال از نوعی نظریه‌ی افراطیِ خودجهت‌دهی بگم.
13:27
notions of self-direction.
291
795000
2000
بگذارید به شما چند مثال از نوعی نظریه‌ی افراطیِ خودجهت‌دهی بگم.
13:29
What this means -- you don't see a lot of it,
292
797000
3000
این یعنی - شما مثال‌های زیادی از آن نمی‌بینید،
13:32
but you see the first stirrings of something really interesting going on,
293
800000
3000
اما اولین رشته‌های چیزی بسیار جالب که در حال وقوع است را می‌بینید،
13:35
because what it means is paying people adequately
294
803000
2000
چون این یعنی به مردم به مقدار کافی و منصفانه پرداخت کنید، مطمئناً-
13:37
and fairly, absolutely --
295
805000
2000
چون این یعنی به مردم به مقدار کافی و منصفانه پرداخت کنید، مطمئناً-
13:39
getting the issue of money off the table,
296
807000
2000
موضوع پول را کلا حل کنیم،
13:41
and then giving people lots of autonomy.
297
809000
2000
و سپس به مردم خودمختاری دهیم.
13:43
Let me give you some examples.
298
811000
2000
بگذارید براتون چند مثال بزنم.
13:45
How many of you have heard of the company Atlassian?
299
813000
4000
چند نفر از شما اسم شرکت 'اطلسیان' را شنیدید؟
13:49
It looks like less than half.
300
817000
2000
مثل اینکه کمتر از نصف.
13:51
(Laughter)
301
819000
2000
(خندهی حاضران)
13:53
Atlassian is an Australian software company.
302
821000
4000
اطلسیان یک شرکت نرم‌افزاری استرالیایی است.
13:57
And they do something incredibly cool.
303
825000
2000
و اونا کار خیلی باحالی انجام میدن.
13:59
A few times a year they tell their engineers,
304
827000
2000
چند بار در هر سال اونا به مهندس‌هاشون میگن:
14:01
"Go for the next 24 hours and work on anything you want,
305
829000
4000
"برو و برای ۲۴ ساعت آینده روی هر چیزی دوست داری کار کن،
14:05
as long as it's not part of your regular job.
306
833000
2000
هر چیزی که قسمتی از کار روزانه‌ات نیست.
14:07
Work on anything you want."
307
835000
2000
روی هر چیزی می‌خوای کار کن."
14:09
So that engineers use this time to come up with
308
837000
2000
تا مهندس‌ها از این زمان استفاده کنند و
14:11
a cool patch for code, come up with an elegant hack.
309
839000
3000
یک تکه کد باحال بنویسند، یک هک باشکوه درست کنند.
14:14
Then they present all of the stuff that they've developed
310
842000
3000
بعد آنها تمام چیزهایی که درست کردند را برای هم‌تیمی‌هاشون و بقیه‌ی شرکت
14:17
to their teammates, to the rest of the company,
311
845000
3000
بعد آنها تمام چیزهایی که درست کردند را برای هم‌تیمی‌هاشون و بقیه‌ی شرکت
14:20
in this wild and wooly all-hands meeting
312
848000
2000
در جلسه‌ی غیرعادی و به هم ریخته که در آخر آن روز برگزار میشه ارائه می‌کنند.
14:22
at the end of the day.
313
850000
2000
در جلسه‌ی غیرعادی و به هم ریخته که در آخر آن روز برگزار میشه ارائه می‌کنند.
14:24
And then, being Australians, everybody has a beer.
314
852000
2000
و بعد، چون استرالیایی هستند، همه آبجو می‌نوشند.
14:26
They call them FedEx Days.
315
854000
3000
به اونا میگن روزهای فِدِکس.
14:29
Why? Because you have to deliver something overnight.
316
857000
6000
چرا؟ چون شما باید چیزی را در طول یک شب تحویل بدید.
14:35
It's pretty. It's not bad. It's a huge trademark violation,
317
863000
2000
قشنگه. بد نیست. نقض شدید قانون علامت تجاریه،
14:37
but it's pretty clever.
318
865000
2000
اما خیلی هوشمندانه‌ست.
14:39
(Laughter)
319
867000
1000
(خندهی حاضران)
14:40
That one day of intense autonomy
320
868000
2000
آن یک روز خودمختاریِ شَدید
14:42
has produced a whole array of software fixes
321
870000
2000
تعداد زیادی نرم‌افزار تولید کرد که شاید هرگز بوجود نمی‌آمد.
14:44
that might never have existed.
322
872000
2000
تعداد زیادی نرم‌افزار تولید کرد که شاید هرگز بوجود نمی‌آمد.
14:46
And it's worked so well that Atlassian has taken it to the next level
323
874000
2000
و این کار اینقدر مؤثر بود که اطلسیان با طرح "۲۰ درصد زمان" یک مرحله جلوتر رفت-
14:48
with 20 Percent Time --
324
876000
2000
و این کار اینقدر مؤثر بود که اطلسیان با طرح "۲۰ درصد زمان" یک مرحله جلوتر رفت-
14:50
done, famously, at Google --
325
878000
2000
که شهرت داره که در گوگل اجرا شده-
14:52
where engineers can work, spend 20 percent of their time
326
880000
2000
که مهندس‌ها می‌توانند ۲۰ درصد از وقتشان را روی هر چیزی که دوست دارند صرف کنند.
14:54
working on anything they want.
327
882000
2000
که مهندس‌ها می‌توانند ۲۰ درصد از وقتشان را روی هر چیزی که دوست دارند صرف کنند.
14:56
They have autonomy over their time,
328
884000
2000
آنها نسبت به [انتخابِ] زمانشان، کارشان، گروهشان، تکنیکشان خودمختار هستند،
14:58
their task, their team, their technique.
329
886000
2000
آنها نسبت به [انتخابِ] زمانشان، کارشان، گروهشان، تکنیکشان خودمختار هستند،
15:00
Okay? Radical amounts of autonomy.
330
888000
2000
خوب؟ مقدار افراطی از خودمختاری.
15:02
And at Google, as many of you know,
331
890000
4000
و در گوگل، همون طور که خیلی از شما می‌دونید،
15:06
about half of the new products in a typical year
332
894000
2000
در حدود نیمی از تولیدات جدید در یک سال عادی در این ۲۰ درصد زمان متولد شدند:
15:08
are birthed during that 20 Percent Time:
333
896000
3000
در حدود نیمی از تولیدات جدید در یک سال عادی در این ۲۰ درصد زمان متولد شدند:
15:11
things like Gmail, Orkut, Google News.
334
899000
3000
چیزهایی مثل جیمیل، ارکات، اخبار گوگل.
15:14
Let me give you an even more radical example of it:
335
902000
3000
بگذارید برای شما مثالی بزنم که حتی افراطی‌تر است:
15:17
something called the Results Only Work Environment,
336
905000
2000
چیزی به نام "محیطِ کاری‌ِ نتیجه گرا" یا به اختصار 'آر او دبلیو ای'٬
15:19
the ROWE,
337
907000
2000
چیزی به نام "محیطِ کاری‌ِ نتیجه گرا" یا به اختصار 'آر او دبلیو ای'٬
15:21
created by two American consultants, in place
338
909000
2000
که دو مشاور آمریکایی آن را ابداع کردند
15:23
in place at about a dozen companies around North America.
339
911000
2000
و در حدود دوجین شرکت در آمریکای شمالی آن را اجرا می‌کنند.
15:25
In a ROWE people don't have schedules.
340
913000
4000
در [سیستم] 'آر او دبلیو ای' مردم زمانبندی ندارند.
15:29
They show up when they want.
341
917000
2000
هر وقت بخواهند سر کار می‌روند.
15:31
They don't have to be in the office at a certain time,
342
919000
2000
موظف نیستند سر ساعت خاصی در دفترشون باشند، یا اصلاً بروند.
15:33
or any time.
343
921000
2000
موظف نیستند سر ساعت خاصی در دفترشون باشند، یا اصلاً بروند.
15:35
They just have to get their work done.
344
923000
2000
اونا فقط باید کارشان را انجام بدن.
15:37
How they do it, when they do it,
345
925000
2000
چطور این کار را انجام میدن، کی انجام میدن، کجا انجام میدن، کاملاً بستگی به خودشون داره.
15:39
where they do it, is totally up to them.
346
927000
3000
چطور این کار را انجام میدن، کی انجام میدن، کجا انجام میدن، کاملاً بستگی به خودشون داره.
15:42
Meetings in these kinds of environments are optional.
347
930000
4000
جلسات در این نوع محیط‌ها اختیاری است.
15:46
What happens?
348
934000
2000
چه اتفاقی می‌افته؟
15:48
Almost across the board, productivity goes up,
349
936000
3000
تقریباً در همه‌ی زمینه‌ها بازده بالا میره،
15:51
worker engagement goes up,
350
939000
3000
تعهد کارکنان بالا میره،
15:54
worker satisfaction goes up, turnover goes down.
351
942000
3000
رضایت کارکنان بالا میره، تعداد کارمندانی که کمپانی را ترک می‌کنند پایین میاد.
15:57
Autonomy, mastery and purpose,
352
945000
2000
خودمختاری٬ تسلط و هدف.
15:59
These are the building blocks of a new way of doing things.
353
947000
2000
اینها سنگ بنای راه جدیدی برای انجام دادن کارهاست.
16:01
Now some of you might look at this and say,
354
949000
3000
حالا برخی از شما ممکنه به این نگاه کنید و بگید،
16:04
"Hmm, that sounds nice, but it's Utopian."
355
952000
3000
"هوم، به نظر خوب میاد، اما آرمانی است."
16:07
And I say, "Nope. I have proof."
356
955000
5000
و من میگم، "نه. من مدرک دارم."
16:12
The mid-1990s, Microsoft started
357
960000
2000
در میانه‌ی دهه‌ی ۱۹۹۰، مایکروسافت شروع به ایجاد دانشنامه‌ای به نام اِنکارتا کرد.
16:14
an encyclopedia called Encarta.
358
962000
2000
در میانه‌ی دهه‌ی ۱۹۹۰، مایکروسافت شروع به ایجاد دانشنامه‌ای به نام اِنکارتا کرد.
16:16
They had deployed all the right incentives,
359
964000
2000
آنها تمام انگیزه‌های درست را به کار گرفتند،
16:18
all the right incentives. They paid professionals to
360
966000
3000
تمام انگیزه‌های درست را. آنها به متخصصان پول پرداخت می‌کردند
16:21
write and edit thousands of articles.
361
969000
2000
تا هزاران مقاله بنویسند و ویرایش کنند.
16:23
Well-compensated managers oversaw the whole thing
362
971000
2000
مدیرهایی که پاداش‌های خوبی دریافت کرده بودند تمام پروژه را پیش‌بینی کردند
16:25
to make sure it came in on budget and on time.
363
973000
5000
تا مطمئن شوند سر موقع و با بودجه‌ی تعیین شده تمام خواهد شد.
16:30
A few years later another encyclopedia got started.
364
978000
2000
چند سال بعد یک دانشنامه‌ی دیگه شروع شد.
16:32
Different model, right?
365
980000
3000
با الگوی متفاوت، درسته؟
16:35
Do it for fun. No one gets paid a cent, or a Euro or a Yen.
366
983000
4000
برای لذتش این کار را کنید. هیچ کس حتی یک سنت هم نمی‌گیره یا یک یورو یا یک ین.
16:39
Do it because you like to do it.
367
987000
3000
چون دوست دارید روش کار کنید.
16:42
Now if you had, just 10 years ago,
368
990000
3000
حالا اگه ۱۰ سال پیش شما رفته بودید پیش یک اقتصاددان، هر جایی،
16:45
if you had gone to an economist, anywhere,
369
993000
2000
حالا اگه ۱۰ سال پیش شما رفته بودید پیش یک اقتصاددان، هر جایی،
16:47
and said, "Hey, I've got these two different models for creating an encyclopedia.
370
995000
4000
و گفته بودید، "آهای، من این دو الگوی مختلف برای درست کردن یک دانشنامه را دارم.
16:51
If they went head to head, who would win?"
371
999000
3000
اگر این دو تا با هم رقابت کنند، کدام برنده میشه؟"
16:54
10 years ago you could not have found a single sober economist anywhere
372
1002000
4000
۱۰ سال پیش شما نمی‌تونستید حتی یک اقتصاددان هوشیار، هر جایی روی کره‌ی زمین پیدا کنید
16:58
on planet Earth
373
1006000
2000
۱۰ سال پیش شما نمی‌تونستید حتی یک اقتصاددان هوشیار، هر جایی روی کره‌ی زمین پیدا کنید
17:00
who would have predicted the Wikipedia model.
374
1008000
2000
که پیش‌بینی کنه الگوی [دانشنامه‌ی آزادِ] ویکیپدیا برنده میشه.
17:02
This is the titanic battle between these two approaches.
375
1010000
3000
این جنگ عظیم بین این دو رویکرد است.
17:05
This is the Ali-Frazier of motivation. Right?
376
1013000
3000
در جنگ بین روش‌های ایجاد انگیزه این مثل مبارزه‌ی [بوکس] بین محمدعلی کلی و فریزر است٬ درسته؟
17:08
This is the Thrilla' in Manila.
377
1016000
2000
این مثل [مسابقه‌ی بزرگ بوکس در مترو مانیلای] "تریلا این مانیلا" است.
17:10
Alright? Intrinsic motivators versus extrinsic motivators.
378
1018000
3000
انگیزش درونی در برابر انگیزش بیرونی.
17:13
Autonomy, mastery and purpose,
379
1021000
2000
خودمختاری، تخصص و هدف،
17:15
versus carrot and sticks. And who wins?
380
1023000
2000
در برابر هویج و چوب. و کی برنده میشه؟
17:17
Intrinsic motivation, autonomy, mastery and purpose,
381
1025000
3000
انگیزش درونی، خودمختاری، تخصص و هدف، در ضربه فنی. بگذارید جمع‌بندی کنم.
17:20
in a knockout. Let me wrap up.
382
1028000
4000
انگیزش درونی، خودمختاری، تخصص و هدف، در ضربه فنی. بگذارید جمع‌بندی کنم.
17:24
There is a mismatch between what science knows and what business does.
383
1032000
3000
آنچه علم می‌دونه و آنچه در تجارت انجام میشه بر هم منطبق نیستند.
17:27
And here is what science knows.
384
1035000
2000
این چیزی‌ست که علم می‌دونه.
17:29
One: Those 20th century rewards,
385
1037000
2000
یک: پاداش‌های معمول قرن ۲۰،
17:31
those motivators we think are a natural part of business,
386
1039000
3000
آن انگیزش‌هایی که ما فکر می‌کنیم قسمتی طبیعی از تجارتند، مؤثرند
17:34
do work, but only in a surprisingly narrow band of circumstances.
387
1042000
4000
اما تنها در شرایطی که به طرز غافلگیرکننده‌ای محدود اند.
17:38
Two: Those if-then rewards often destroy creativity.
388
1046000
4000
دو: آن پاداش‌های "اگر- آنگاه" اغلب نوآوری را نابود می‌کنند.
17:42
Three: The secret to high performance
389
1050000
2000
سه: راز کارایی بالا در پاداش و جزا نیست،
17:44
isn't rewards and punishments,
390
1052000
2000
سه: راز کارایی بالا در پاداش و جزا نیست،
17:46
but that unseen intrinsic drive --
391
1054000
2000
بلکه در آن محرک درونی است -
17:48
the drive to do things for their own sake.
392
1056000
3000
محرکی که کارها را برای خودمان انجام دهیم.
17:51
The drive to do things cause they matter.
393
1059000
2000
محرکی که کارها را به این علت انجام دهیم که مهمند.
17:53
And here's the best part. Here's the best part.
394
1061000
2000
و حالا بهترین قسمتش اینه.
17:55
We already know this. The science confirms what we know in our hearts.
395
1063000
3000
ما قبلاً این را می‌دونستیم. علم به ما ثابت می‌کنه که در دلهامون این را می‌دونستیم.
17:58
So, if we repair this mismatch
396
1066000
3000
پس، اگر ما این عدم مطابقت بین آنچه علم می‌دونه و آنچه در تجارت انجام میشه را درست کنیم،
18:01
between what science knows and what business does,
397
1069000
2000
پس، اگر ما این عدم مطابقت بین آنچه علم می‌دونه و آنچه در تجارت انجام میشه را درست کنیم،
18:03
if we bring our motivation, notions of motivation
398
1071000
3000
اگر ما انگیزه‌هایمان، منظورمان از انگیزه را به قرن ۲۱ بیاریم،
18:06
into the 21st century,
399
1074000
2000
اگر ما انگیزه‌هایمان، منظورمان از انگیزه را به قرن ۲۱ بیاریم،
18:08
if we get past this lazy, dangerous, ideology
400
1076000
4000
اگر از این طرز تفکر تنبلانه و خطرناکِ هویج و چوب بگذریم،
18:12
of carrots and sticks,
401
1080000
2000
اگر از این طرز تفکر تنبلانه و خطرناکِ هویج و چوب بگذریم،
18:14
we can strengthen our businesses,
402
1082000
3000
می‌تونیم تجارت‌هایمان را تقویت کنیم،
18:17
we can solve a lot of those candle problems,
403
1085000
3000
ما می‌تونیم بسیاری از آن مسئله‌های شمع را حل کنیم،
18:20
and maybe, maybe, maybe
404
1088000
4000
و شاید، شاید، شاید
18:24
we can change the world.
405
1092000
2000
بتونیم دنیا را عوض کنیم.
18:26
I rest my case.
406
1094000
2000
صحبت من تمام شد.
18:28
(Applause)
407
1096000
3000
(تشویق حاضران)
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