TEDGlobal 2009
Dan Pink: The puzzle of motivation
Dan Pink apie stebinantį motyvacijos mokslą
Filmed:
Readability: 4
25,352,736 views
Karjeros analitikas Dan Pink tiria motyvacijos galvosūkį, pradėdamas faktu, kurį sociologai žino, tačiau dauguma vadybininkų ne: tradiciniai atlygiai nebūtinai visada yra tokie veiksmingi, kaip mes galvojame. Paklausykite nušviečiančios istorijos - ir, galbūt, jums kažkas paaiškės.
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
Visų pirma turiu prisipažinti.
00:16
A little over 20 years ago
1
4000
3000
Šiek tiek seniau nei prieš 20 metų
00:19
I did something that I regret,
2
7000
2000
padariau kai ką, dėl ko gailiuosi,
00:21
something that I'm not particularly proud of,
3
9000
4000
kai ką, dėl ko ypatingai nesididžiuoju,
00:25
something that, in many ways, I wish no one would ever know,
4
13000
3000
kai ką, ko, daugeliu atveju, norėčiau, kad niekas niekada nesužinotų,
00:28
but here I feel kind of obliged to reveal.
5
16000
4000
bet čia aš jaučiu pareigą tai atskleisti.
00:32
(Laughter)
6
20000
2000
(Juokas)
00:34
In the late 1980s,
7
22000
2000
9-ojo dešimtmečio pabaigoje,
00:36
in a moment of youthful indiscretion,
8
24000
3000
kai buvau jaunatviškai neapdairus,
00:39
I went to law school.
9
27000
2000
lankiau teisės mokyklą.
00:41
(Laughter)
10
29000
4000
(Juokas)
00:45
Now, in America law is a professional degree:
11
33000
3000
Šiandien Amerikoje teisė yra profesinis laipsnis.
00:48
you get your university degree, then you go on to law school.
12
36000
2000
Tu įgyji savo universitetinį laipsnį. Tada tu tęsi mokslus teisės mokykloje.
00:50
And when I got to law school,
13
38000
3000
O kai aš ėjau į teisės mokyklą,
00:53
I didn't do very well.
14
41000
2000
nebuvau pats geriausias studentas.
00:55
To put it mildly, I didn't do very well.
15
43000
2000
Švelniai tariant nebuvau pats geriausias.
00:57
I, in fact, graduated in the part of my law school class
16
45000
3000
Aš, iš tikrųjų, baigiau dalį teisės mokyklos kurso
01:00
that made the top 90 percent possible.
17
48000
4000
ir patekau tarp 90 procentų geriausių.
01:04
(Laughter)
18
52000
4000
(Juokas)
01:08
Thank you.
19
56000
3000
Dėkoju.
01:11
I never practiced law a day in my life;
20
59000
3000
Aš niekada savo gyvenime nedalyvavau teisinėje veikloje.
01:14
I pretty much wasn't allowed to.
21
62000
2000
Aš netgi nebuvau prileidžiamas prie jos.
01:16
(Laughter)
22
64000
3000
(Juokas)
01:19
But today, against my better judgment,
23
67000
3000
Bet šiandien, nepaisant mano sveiko proto,
01:22
against the advice of my own wife,
24
70000
3000
nepaisant mano žmonos patarimų,
01:25
I want to try to dust off some of those legal skills --
25
73000
4000
aš noriu pabandyti pritaikyti iš naujo kai kuriuos iš tų teisinių įgūdžių,
01:29
what's left of those legal skills.
26
77000
2000
kas yra likę iš tų teisinių įgūdžių.
01:31
I don't want to tell you a story.
27
79000
3000
Aš nenoriu jums pasakoti istorijos.
01:34
I want to make a case.
28
82000
2000
Aš noriu pateikti argumentus.
01:36
I want to make a hard-headed, evidence-based,
29
84000
4000
Aš noriu pateikti praktišką, įrodymais patvirtintą,
01:40
dare I say lawyerly case,
30
88000
3000
drįstu sakyti, teisinį argumentą,
01:43
for rethinking how we run our businesses.
31
91000
4000
kad pergalvotume, kaip mes valdome savo verslą.
01:47
So, ladies and gentlemen of the jury, take a look at this.
32
95000
4000
Taigi, ponios ir ponai prisiekusieji, pažvelkite į štai ką.
01:51
This is called the candle problem.
33
99000
2000
Tai yra vadinamoji žvakės problema.
01:53
Some of you might have seen this before.
34
101000
2000
Kai kurie iš jūsų esate matę tai anksčiau.
01:55
It's created in 1945
35
103000
2000
Tai sukurta 1945 metais
01:57
by a psychologist named Karl Duncker.
36
105000
2000
psichologo vardu Karl Duncker.
01:59
Karl Duncker created this experiment
37
107000
2000
Karl Duncker atliko šį eksperimentą,
02:01
that is used in a whole variety of experiments in behavioral science.
38
109000
3000
kuris yra naudojamas įvairiuose elgsenos tyrimuose.
02:04
And here's how it works. Suppose I'm the experimenter.
39
112000
3000
Ir štai ką jis sako. Įsivaizduokite, kad aš esu eksperimentuotojas.
02:07
I bring you into a room. I give you a candle,
40
115000
4000
Aš jus atvedu į kambarį. Aš duodu jums žvakę,
02:11
some thumbtacks and some matches.
41
119000
2000
kelis smeigtukus ir keletą degtukų.
02:13
And I say to you, "Your job
42
121000
2000
Ir sakau jums: "Jūsų užduotis
02:15
is to attach the candle to the wall
43
123000
2000
yra pritvirtinti žvakę prie sienos
02:17
so the wax doesn't drip onto the table." Now what would you do?
44
125000
4000
taip, kad vaškas nelašėtų ant stalo". Ką jūs darytumėte?
02:21
Now many people begin trying to thumbtack the candle to the wall.
45
129000
4000
Daugelis žmonių pradeda bandydami prisegti žvakę prie sienos.
02:25
Doesn't work.
46
133000
2000
Tačau tai neveikia.
02:27
Somebody, some people -- and I saw somebody
47
135000
2000
Kai kas, kai kurie žmonės, ir aš mačiau kai kuriuos
02:29
kind of make the motion over here --
48
137000
2000
iš jūsų rodančius tai.
02:31
some people have a great idea where they
49
139000
2000
Kai kurie žmonės puikiai sugalvoja, jie
02:33
light the match, melt the side of the candle, try to adhere it to the wall.
50
141000
4000
uždega degtuką, išlydo žvakės kraštą ir bando prilipdyti ją prie sienos.
02:37
It's an awesome idea. Doesn't work.
51
145000
3000
Tai nuostabi idėja. Ir ji neveikia.
02:40
And eventually, after five or 10 minutes,
52
148000
3000
Ir galų gale, po 5 ar 10 minučių,
02:43
most people figure out the solution,
53
151000
2000
dauguma žmonių sugalvoja sprendimą,
02:45
which you can see here.
54
153000
2000
kurį jūs galite matyti čia.
02:47
The key is to overcome what's called functional fixedness.
55
155000
3000
Esmė yra įveikti vadinamąjį funkcinį pastovumą.
02:50
You look at that box and you see it only as a receptacle for the tacks.
56
158000
4000
Jūs žiūrite į dėžutę ir matote ją tik kaip smeigtukų indą.
02:54
But it can also have this other function,
57
162000
2000
Bet ji taip pat gali turėti kitą funkciją,
02:56
as a platform for the candle. The candle problem.
58
164000
4000
kaip platforma žvakei. Žvakės problema.
03:00
Now I want to tell you about an experiment
59
168000
2000
Dabar noriu jums papasakoti apie eksperimentą,
03:02
using the candle problem,
60
170000
2000
naudojantį žvakės problemą,
03:04
done by a scientist named Sam Glucksberg,
61
172000
2000
kurį atliko mokslininkas, vardu Sam Glucksberg,
03:06
who is now at Princeton University in the U.S.
62
174000
2000
kuris dabar dirba Prinstono universitete Amerikoje.
03:08
This shows the power of incentives.
63
176000
4000
Jis parodo paskatinimų galią.
03:12
Here's what he did. He gathered his participants.
64
180000
2000
Štai ką jis padarė. Jis surinko savo dalyvius.
03:14
And he said, "I'm going to time you. How quickly you can solve this problem?"
65
182000
3000
Ir pasakė: "Aš ketinu matuoti jūsų laiką. Kaip greitai jūs išspręsite šią problemą?"
03:17
To one group he said,
66
185000
2000
Vienai grupei jis pasakė,
03:19
"I'm going to time you to establish norms,
67
187000
3000
aš ketinu matuoti jūsų laiką, kad nustatyčiau standartą,
03:22
averages for how long it typically takes
68
190000
2000
per kiek laiko vidutiniškai
03:24
someone to solve this sort of problem."
69
192000
2000
galima išspręsti tokią problemą.
03:26
To the second group he offered rewards.
70
194000
3000
Antrai grupei jis pasiūlė atlygį.
03:29
He said, "If you're in the top 25 percent of the fastest times,
71
197000
4000
Jis pasakė: "Jei jūs būsite tarp 25 procentų greičiausiai atlikusiųjų,
03:33
you get five dollars.
72
201000
3000
jūs gausite 5 dolerius.
03:36
If you're the fastest of everyone we're testing here today,
73
204000
3000
Jei jūs būsite pats greičiausias šiandien,
03:39
you get 20 dollars."
74
207000
2000
jūs gausite 20 dolerių".
03:41
Now this is several years ago. Adjusted for inflation,
75
209000
3000
Tai buvo prieš keletą metų. Pritaikykite infliaciją.
03:44
it's a decent sum of money for a few minutes of work.
76
212000
2000
Tai nemaža suma pinigų už kelias minutes darbo.
03:46
It's a nice motivator.
77
214000
2000
Tai puikus motyvatorius.
03:48
Question: How much faster
78
216000
3000
Klausimas: Kaip greičiau
03:51
did this group solve the problem?
79
219000
2000
ši grupė išsprendė problemą?
03:53
Answer: It took them, on average,
80
221000
3000
Atsakymas: tai užtruko, vidutiniškai,
03:56
three and a half minutes longer.
81
224000
4000
trimis su puse minutės ilgiau.
04:00
Three and a half minutes longer. Now this makes no sense right?
82
228000
3000
Trimis su puse minutės ilgiau. Juk tai nelogiška, tiesa?
04:03
I mean, I'm an American. I believe in free markets.
83
231000
3000
Turiu galvoje, aš amerikietis. Aš tikiu laisva rinka.
04:06
That's not how it's supposed to work. Right?
84
234000
3000
Tai ne taip, kaip ji turėtų dirbti. Tiesa?
04:09
(Laughter)
85
237000
1000
(Juokas)
04:10
If you want people to perform better,
86
238000
2000
Jei nori, kad žmonės pasirodytų geriau,
04:12
you reward them. Right?
87
240000
2000
tu juos skatini. Tiesa?
04:14
Bonuses, commissions, their own reality show.
88
242000
3000
Premijos, komisiniai, jų pačių realybės šou.
04:17
Incentivize them. That's how business works.
89
245000
4000
Paskatinkite juos. Štai taip verslas dirba.
04:21
But that's not happening here.
90
249000
2000
Bet čia nutiko kitaip.
04:23
You've got an incentive designed to
91
251000
2000
Tu gavai paskatinimą, kuris turėtų
04:25
sharpen thinking and accelerate creativity,
92
253000
4000
paaštrinti mąstymą ir pagreitinti kūrybą.
04:29
and it does just the opposite.
93
257000
2000
Tačiau jis padaro priešingai.
04:31
It dulls thinking and blocks creativity.
94
259000
3000
Tai sulėtina mąstymą ir užblokuoja kūrybą.
04:34
And what's interesting about this experiment is that it's not an aberration.
95
262000
3000
Ir šis eksperimentas įdomus tuo, kad tai nėra išimtis.
04:37
This has been replicated over and over
96
265000
3000
Jis buvo kartojamas daugybę kartų,
04:40
and over again, for nearly 40 years.
97
268000
3000
beveik 40 metų.
04:43
These contingent motivators --
98
271000
3000
Ši grupė motyvatorių,
04:46
if you do this, then you get that --
99
274000
2000
jei tu darai taip, tu gauni tą,
04:48
work in some circumstances.
100
276000
2000
veikia esant tam tikromis sąlygomis.
04:50
But for a lot of tasks, they actually either don't work
101
278000
3000
Bet daugybei užduočių, jie tiesą sakant arba visai neveikia,
04:53
or, often, they do harm.
102
281000
3000
arba, dažniau, daro žalą.
04:56
This is one of the most robust findings
103
284000
4000
Tai vienas iš tvirčiausių atradimų
05:00
in social science,
104
288000
3000
sociologijoje.
05:03
and also one of the most ignored.
105
291000
2000
Ir taip pat vienas labiausiai ignoruojamų.
05:05
I spent the last couple of years looking at the science of
106
293000
2000
Aš praleidau paskutiniuosius pora metų tyrinėdamas
05:07
human motivation,
107
295000
2000
žmonių motyvaciją.
05:09
particularly the dynamics of extrinsic motivators
108
297000
2000
Tiksliau išorinių bei
05:11
and intrinsic motivators.
109
299000
2000
vidinių motyvatorių dinamiką.
05:13
And I'm telling you, it's not even close.
110
301000
2000
Ir aš jums sakau, tai net nepanašu.
05:15
If you look at the science, there is a mismatch
111
303000
2000
Jei žiūrėsite į mokslą, yra nesutapimas
05:17
between what science knows and what business does.
112
305000
4000
tarp to, ką žino mokslas ir ką daro verslas.
05:21
And what's alarming here is that our business operating system --
113
309000
3000
Ypač jaudina tai, kad mūsų verslo operacinė sistema --
05:24
think of the set of assumptions and protocols beneath our businesses,
114
312000
3000
pagalvokite apie prielaidas ir taisykles mūsų versle,
05:27
how we motivate people, how we apply our human resources --
115
315000
5000
kaip mes skatiname žmones, kaip panaudojame žmogiškuosius išteklius --
05:32
it's built entirely around these extrinsic motivators,
116
320000
3000
yra pastatyta remiantis šiais išoriniais motyvatoriais,
05:35
around carrots and sticks.
117
323000
2000
remiantis "pažadu ir rimbu".
05:37
That's actually fine for many kinds of 20th century tasks.
118
325000
4000
Tai iš tikrųjų tinka daugeliui 20-ojo amžiaus užduočių.
05:41
But for 21st century tasks,
119
329000
2000
Bet 21-ojo amžiaus užduotims
05:43
that mechanistic, reward-and-punishment approach
120
331000
4000
mechaninis, atpildo ir bausmės požiūris
05:47
doesn't work, often doesn't work, and often does harm.
121
335000
4000
neveikia, dažnai neveikia ir dažnai daro žalą.
05:51
Let me show you what I mean.
122
339000
2000
Leiskite man paaiškinti, ką turiu galvoje.
05:53
So Glucksberg did another experiment similar to this
123
341000
3000
Taigi Glucksberg atliko kitą panašų eksperimentą,
05:56
where he presented the problem in a slightly different way,
124
344000
2000
kuriame jis nagrinėjo problemą šiek tiek kitokiu požiūriu,
05:58
like this up here. Okay?
125
346000
3000
kaip parodyta čia. Matote?
06:01
Attach the candle to the wall so the wax doesn't drip onto the table.
126
349000
2000
Pritvirtinkite žvakę prie sienos taip, kad vaškas nevarvėtų ant stalo.
06:03
Same deal. You: we're timing for norms.
127
351000
3000
Ta pati užduotis. Jūs: mes matuosime standartą.
06:06
You: we're incentivizing.
128
354000
3000
Jūs: mes jus skatinsime.
06:09
What happened this time?
129
357000
2000
Kas nutiko dabar?
06:11
This time, the incentivized group
130
359000
2000
Šį kartą skatinama grupė
06:13
kicked the other group's butt.
131
361000
4000
pralenkė kitą grupę.
06:17
Why? Because when the tacks are out of the box,
132
365000
4000
Kodėl? Nes kai smeigtukai yra ne dėžutėje,
06:21
it's pretty easy isn't it?
133
369000
4000
tai gana paprasta, ar ne?
06:25
(Laughter)
134
373000
2000
(Juokas)
06:27
If-then rewards work really well
135
375000
3000
Jei taip, tada atpildas dirba labai gerai,
06:30
for those sorts of tasks,
136
378000
3000
toms užduotims,
06:33
where there is a simple set of rules and a clear destination
137
381000
2000
kur yra paprastos taisyklės ir aiškus tikslas,
06:35
to go to.
138
383000
2000
kurio reikia siekti.
06:37
Rewards, by their very nature,
139
385000
2000
Atpildas iš prigimties
06:39
narrow our focus, concentrate the mind;
140
387000
2000
susiaurina mūsų dėmesį, sukoncentruoja mintis.
06:41
that's why they work in so many cases.
141
389000
2000
Štai kodėl atpildas veikia taip dažnai.
06:43
And so, for tasks like this,
142
391000
2000
Ir todėl tokioms užduotims, kaip ši,
06:45
a narrow focus, where you just see the goal right there,
143
393000
3000
susiaurintas dėmesys, kur jūs galite matyti tikslą visai šalia,
06:48
zoom straight ahead to it,
144
396000
2000
ir keliauti tiesiai link jo,
06:50
they work really well.
145
398000
2000
atpildas dirba tikrai gerai.
06:52
But for the real candle problem,
146
400000
2000
Bet nagrinėjant tikrą žvakės problemą,
06:54
you don't want to be looking like this.
147
402000
2000
jums niekas nesuteikia galimybės žiūrėti taip.
06:56
The solution is not over here. The solution is on the periphery.
148
404000
2000
Sprendimas nėra taip arti. Sprendimas yra kažkur kitur.
06:58
You want to be looking around.
149
406000
2000
Jūs turite žiūrėti aplinkui.
07:00
That reward actually narrows our focus
150
408000
2000
Atpildas, tiesą sakant, susiaurina mūsų dėmesį
07:02
and restricts our possibility.
151
410000
2000
ir apriboja mūsų galimybes.
07:04
Let me tell you why this is so important.
152
412000
3000
Leiskite man papasakoti, kodėl tai yra taip svarbu.
07:07
In western Europe,
153
415000
2000
Vakarų Europoje,
07:09
in many parts of Asia,
154
417000
2000
daugelyje Azijos šalių,
07:11
in North America, in Australia,
155
419000
3000
Šiaurės Amerikoje, Australijoje,
07:14
white-collar workers are doing less of
156
422000
2000
įmonių tarnautojai dirba mažiau
07:16
this kind of work,
157
424000
2000
šios rūšies darbo,
07:18
and more of this kind of work.
158
426000
4000
ir daugiau šios rūšies darbo.
07:22
That routine, rule-based, left-brain work --
159
430000
3000
Šį rutininį, taisyklėmis pagrįstą, kairiosios smegenų dalies darbą -
07:25
certain kinds of accounting, certain kinds of financial analysis,
160
433000
2000
tam tikra apskaitos veikla, tam tikra finansų analizė,
07:27
certain kinds of computer programming --
161
435000
2000
tam tikras kompiuterių programavimas -
07:29
has become fairly easy to outsource,
162
437000
2000
tapo gana paprasta perkelti kitur,
07:31
fairly easy to automate.
163
439000
2000
gana paprasta automatizuoti.
07:33
Software can do it faster.
164
441000
3000
Programinė įranga gali tai padaryti greičiau.
07:36
Low-cost providers around the world can do it cheaper.
165
444000
2000
Žemų kaštų tiekėjai visame pasaulyje gali tai padaryti pigiau.
07:38
So what really matters are the more right-brained
166
446000
4000
Taigi, kas yra tikrai svarbu, tai daugiau dešiniosios smegenų dalies
07:42
creative, conceptual kinds of abilities.
167
450000
3000
kūryba, abstraktūs sugebėjimai.
07:45
Think about your own work.
168
453000
3000
Pagalvokite apie savo pačių darbus.
07:48
Think about your own work.
169
456000
3000
Pagalvokite apie savo pačių darbus.
07:51
Are the problems that you face, or even the problems
170
459000
2000
Ar problemos, su kuriomis susiduriate, arba tos problemos,
07:53
we've been talking about here,
171
461000
2000
apie kurias kalbame čia,
07:55
are those kinds of problems -- do they have a clear set of rules,
172
463000
2000
yra tos rūšies prolemos: ar jos turi aiškias taisykles,
07:57
and a single solution? No.
173
465000
3000
ir vieną sprendimą? Ne.
08:00
The rules are mystifying.
174
468000
2000
Taisyklės yra miglotos.
08:02
The solution, if it exists at all,
175
470000
2000
Sprendimai, jei jie išvis egzistuoja,
08:04
is surprising and not obvious.
176
472000
3000
yra stebinantys ir neakivaizdūs.
08:07
Everybody in this room
177
475000
2000
Visi šioje salėje
08:09
is dealing with their own version
178
477000
3000
susiduriame su mūsų pačių
08:12
of the candle problem.
179
480000
2000
žvakės problemos versija.
08:14
And for candle problems of any kind,
180
482000
3000
Ir bet kuriai žvakės problemai
08:17
in any field,
181
485000
2000
bet kurioje srityje,
08:19
those if-then rewards,
182
487000
3000
šis tiesioginis atpildas,
08:22
the things around which we've built so many of our businesses,
183
490000
4000
aplink kurį sukūrėme tiek mūsų verslų,
08:26
don't work.
184
494000
2000
neveikia.
08:28
Now, I mean it makes me crazy.
185
496000
2000
Aš sakau, tai mane varo iš proto.
08:30
And this is not -- here's the thing.
186
498000
2000
Ir tai ne -- štai dalykas.
08:32
This is not a feeling.
187
500000
3000
Tai ne nuojauta.
08:35
Okay? I'm a lawyer; I don't believe in feelings.
188
503000
3000
Suprantate? Aš teisininkas. Aš netikiu nuojauta.
08:38
This is not a philosophy.
189
506000
4000
Tai ne filosofija.
08:42
I'm an American; I don't believe in philosophy.
190
510000
2000
Aš amerikietis. Aš netikiu filosofija.
08:44
(Laughter)
191
512000
3000
(Juokas)
08:47
This is a fact --
192
515000
3000
Tai faktas.
08:50
or, as we say in my hometown of Washington, D.C.,
193
518000
2000
Arba, kaip sakoma mano gimtajame mieste Vašingtone D. C.,
08:52
a true fact.
194
520000
2000
tikras faktas.
08:54
(Laughter)
195
522000
2000
(Juokas)
08:56
(Applause)
196
524000
4000
(Plojimai)
09:00
Let me give you an example of what I mean.
197
528000
2000
Leiskite man pateikti pavyzdį, ką aš turiu galvoje.
09:02
Let me marshal the evidence here,
198
530000
2000
Leiskite man čia išdėstyti įrodymus.
09:04
because I'm not telling you a story, I'm making a case.
199
532000
2000
Kadangi aš nepasakoju jums istorijos. Aš pateikiu argumentą.
09:06
Ladies and gentlemen of the jury, some evidence:
200
534000
2000
Ponios ir ponai prisiekusieji, štai įrodymai:
09:08
Dan Ariely, one of the great economists of our time,
201
536000
3000
Dan Ariel, vienas geriausių mūsų laikų ekonomistų,
09:11
he and three colleagues, did a study of some MIT students.
202
539000
4000
kartu su trimis kolegomis tyrė MIT studentų elgesį.
09:15
They gave these MIT students a bunch of games,
203
543000
3000
Jie davė MIT studentams keletą žaidimų.
09:18
games that involved creativity,
204
546000
2000
Žaidimų, kuriuose reikalingas kūrybingumas,
09:20
and motor skills, and concentration.
205
548000
2000
motoriniai įgūdžiai ir koncentracija.
09:22
And the offered them, for performance,
206
550000
2000
Ir pasiūlė jiems už atlikimą
09:24
three levels of rewards:
207
552000
2000
trijų pakopų atlygį:
09:26
small reward, medium reward, large reward.
208
554000
5000
mažą atlygį, vidutinį atlygį, didelį atlygį.
09:31
Okay? If you do really well you get the large reward, on down.
209
559000
4000
Suprantate? Jei jūs atliekate tikrai gerai, gaunate didelį atlygį už tai.
09:35
What happened? As long as the task involved only mechanical skill
210
563000
4000
Kas nutiko? Tol, kol užduotys apėmė tik mechaninius įgūdžius,
09:39
bonuses worked as they would be expected:
211
567000
2000
premijos veikė, kaip buvo tikėtasi:
09:41
the higher the pay, the better the performance.
212
569000
4000
Kuo daugiau jie mokėjo, tuo geresnis buvo atlikimas.
09:45
Okay? But one the task called for
213
573000
2000
Suprantate? Bet kai užduotis reikalavo
09:47
even rudimentary cognitive skill,
214
575000
4000
bent jau elementarių pažintinių įgūdžių,
09:51
a larger reward led to poorer performance.
215
579000
5000
didesnis atpildas lėmė prastesnį atlikimą.
09:56
Then they said,
216
584000
2000
Tada jie sakė,
09:58
"Okay let's see if there's any cultural bias here.
217
586000
2000
"Gerai, pažiūrėkime, ar čia yra kokia nors kultūrinė įtaka.
10:00
Lets go to Madurai, India and test this."
218
588000
2000
Keliaukime į Madurajų, Indiją ir atlikime bandymą ten."
10:02
Standard of living is lower.
219
590000
2000
Gyvenimo lygis žemesnis.
10:04
In Madurai, a reward that is modest in North American standards,
220
592000
3000
Madurajuje, atpildas, kuris gana kuklus pagal Šiaurės Amerikos standartus,
10:07
is more meaningful there.
221
595000
3000
yra daug svarbesnis čia.
10:10
Same deal. A bunch of games, three levels of rewards.
222
598000
3000
Ta pati užduotis. Keletas žaidimų, trys atpildo lygiai.
10:13
What happens?
223
601000
2000
Kas nutinka?
10:15
People offered the medium level of rewards
224
603000
3000
Žmonės, kuriems buvo siūlomas vidutinis atpildo lygis,
10:18
did no better than people offered the small rewards.
225
606000
3000
nepasirodė geriau nei žmonės, kuriems buvo siūlomas mažiausias atpildo lygis.
10:21
But this time, people offered the highest rewards,
226
609000
4000
Bet šį kartą, žmonės, kuriems buvo siūlomas aukščiausias atpildas,
10:25
they did the worst of all.
227
613000
4000
pasirodė prasčiausiai.
10:29
In eight of the nine tasks we examined across three experiments,
228
617000
3000
Aštuoniose iš devynių užduočių, kurias mes tyrėme per tris ekperimentus,
10:32
higher incentives led to worse performance.
229
620000
5000
aukštesnis paskatinimas lėmė prastesnį atlikimą.
10:37
Is this some kind of touchy-feely
230
625000
3000
Ar čia vyksta kažkoks meilus
10:40
socialist conspiracy going on here?
231
628000
3000
socialistų sąmokslas?
10:43
No. These are economists from MIT,
232
631000
3000
Ne. Štai ekonomistai iš MIT,
10:46
from Carnegie Mellon, from the University of Chicago.
233
634000
3000
iš Carnegie Melon, iš Čikagos universiteto.
10:49
And do you know who sponsored this research?
234
637000
2000
Ir ar jūs žinote kas rėmė šiuos tyrimus?
10:51
The Federal Reserve Bank of the United States.
235
639000
4000
Amerikos Federalinis Rezervų Bankas.
10:55
That's the American experience.
236
643000
2000
Tai Amerikos patirtis.
10:57
Let's go across the pond to the London School of Economics --
237
645000
3000
Keliaukime anapus vandenyno į Londono Ekonomikos mokyklą.
11:00
LSE, London School of Economics,
238
648000
3000
LEM, Londono Ekonomikos mokykla.
11:03
alma mater of 11 Nobel Laureates in economics.
239
651000
3000
11 ekonomikos Nobelio laureatų alma mater.
11:06
Training ground for great economic thinkers
240
654000
3000
Didžiųjų ekonomikos mąstytojų arena,
11:09
like George Soros, and Friedrich Hayek,
241
657000
3000
tokių kaip George Soros ir Friedrich Hayek,
11:12
and Mick Jagger. (Laughter)
242
660000
2000
ir Mick Jagger. (Juokas)
11:14
Last month, just last month,
243
662000
4000
Paskutinį mėnesį, tik paskutinį mėnesį,
11:18
economists at LSE looked at 51 studies
244
666000
3000
LEM ekonomistai nagrinėjo 51 tyrimą
11:21
of pay-for-performance plans, inside of companies.
245
669000
3000
apie "mokėjimo už atlikimą" planus kompanijose.
11:24
Here's what the economists there said: "We find that financial incentives
246
672000
3000
Štai ką ekonomistai sakė: "Mes ištyrėme, kad finansinis paskatinimas
11:27
can result in a negative impact on overall performance."
247
675000
6000
gali padaryti neigiamą įtaką visam atlikimui".
11:33
There is a mismatch between what science knows
248
681000
3000
Yra nesutapimas tarp to, ką mokslas žino,
11:36
and what business does.
249
684000
2000
ir ką verslas daro.
11:38
And what worries me, as we stand here in the rubble
250
686000
3000
Ir mane liūdina tai, kad mes stovime čia prie
11:41
of the economic collapse,
251
689000
2000
ekonomikos griuvėsių,
11:43
is that too many organizations
252
691000
2000
ir yra per daug organizacijų,
11:45
are making their decisions,
253
693000
2000
priimančių sprendimus
11:47
their policies about talent and people,
254
695000
2000
dėl talentų ir žmonių valdymo,
11:49
based on assumptions that are outdated, unexamined,
255
697000
6000
pagrįstus prielaidomis, kurios yra pasenusios, neištirtos,
11:55
and rooted more in folklore than in science.
256
703000
3000
ir įsišaknijusiose daugiau folklore nei moksle.
11:58
And if we really want to get out of this economic mess,
257
706000
3000
Ir jei mes išties norime išeiti iš šios ekonominės betvarkės,
12:01
and if we really want high performance on those
258
709000
2000
ir jei išties norime geresnio tų
12:03
definitional tasks of the 21st century,
259
711000
2000
apibrėžtų 21-ojo amžiaus užduočių atlikimo,
12:05
the solution is not to do more of the wrong things,
260
713000
6000
sprendimas yra nebedaryti klaidingų dalykų.
12:11
to entice people with a sweeter carrot,
261
719000
3000
Suvilioti žmones saldesniais atpildais,
12:14
or threaten them with a sharper stick.
262
722000
2000
ar gąsdinti juos skaudesniu rimbu.
12:16
We need a whole new approach.
263
724000
2000
Mums reikalingas visai naujas požiūris.
12:18
And the good news about all of this is that the scientists
264
726000
2000
Ir gera žinia yra tai, kad mokslininkai,
12:20
who've been studying motivation have given us this new approach.
265
728000
3000
kurie studijuoja motyvaciją, parodo mums šį požiūrį.
12:23
It's an approach built much more around intrinsic motivation.
266
731000
3000
Tai požiūris, paremtas labiau vidine motyvacija.
12:26
Around the desire to do things because they matter,
267
734000
2000
Noru daryti darbus, nes jie kažką reiškia,
12:28
because we like it, because they're interesting,
268
736000
2000
nes mes juos mėgstame, nes jie yra įdomūs,
12:30
because they are part of something important.
269
738000
2000
nes jie yra kažko svarbaus dalis.
12:32
And to my mind, that new operating system for our businesses
270
740000
4000
Ir man atrodo, kad nauja operacinė mūsų verslo sistema
12:36
revolves around three elements:
271
744000
2000
sukasi aplink tris elementus:
12:38
autonomy, mastery and purpose.
272
746000
3000
autonomiją, meistriškumą ir tikslą.
12:41
Autonomy: the urge to direct our own lives.
273
749000
3000
Autonomija - potraukis valdyti savo pačių gyvenimus.
12:44
Mastery: the desire to get better and better at something that matters.
274
752000
4000
Meistriškumas - noras būti geresniems ir geresniems tuose dalykuose, kurie mums rūpi.
12:48
Purpose: the yearning to do what we do
275
756000
3000
Tikslas - troškimas daryti tai, ką mes darome
12:51
in the service of something larger than ourselves.
276
759000
3000
dėl kažko didesnio nei mes patys.
12:54
These are the building blocks of an entirely new operating system
277
762000
3000
Tai yra statybiniai blokai visiškai naujai operacinei sistemai
12:57
for our businesses.
278
765000
2000
mūsų verslui.
12:59
I want to talk today only about autonomy.
279
767000
4000
Aš norėčiau pakalbėti šiandien tik apie autonomiją.
13:03
In the 20th century, we came up with this idea of management.
280
771000
3000
20-ame amžiuje mes sugalvojome šią valdymo idėją.
13:06
Management did not emanate from nature.
281
774000
2000
Vadyba neatsirado iš gamtos.
13:08
Management is like -- it's not a tree,
282
776000
2000
Vadyba yra kaip -- tai ne medis.
13:10
it's a television set.
283
778000
2000
Tai televizijos komplektas.
13:12
Okay? Somebody invented it.
284
780000
2000
Suprantate? Kažkas jį sugalvojo.
13:14
And it doesn't mean it's going to work forever.
285
782000
2000
Ir tai nereiškia, kad jis veiks visada.
13:16
Management is great.
286
784000
2000
Valdymas yra galingas.
13:18
Traditional notions of management are great
287
786000
2000
Tradicinis valdymo supratimas yra tinkamas,
13:20
if you want compliance.
288
788000
2000
jei nori paklusnumo.
13:22
But if you want engagement, self-direction works better.
289
790000
3000
Tačiau jei nori įsitraukimo, savikontrolė veikia geriau.
13:25
Let me give you some examples of some kind of radical
290
793000
2000
Leiskite man pateikti keletą pavyzdžių apie radikalų
13:27
notions of self-direction.
291
795000
2000
savikontrolės supratimą.
13:29
What this means -- you don't see a lot of it,
292
797000
3000
Ką tai reiškia -- jūs nesutiksite to dažnai,
13:32
but you see the first stirrings of something really interesting going on,
293
800000
3000
bet jūs pajusite pirmuosius požymius kažko tikrai įdomaus.
13:35
because what it means is paying people adequately
294
803000
2000
Nes tai reiškia mokėti žmonėms pakankamai
13:37
and fairly, absolutely --
295
805000
2000
ir visiškai sąžiningai.
13:39
getting the issue of money off the table,
296
807000
2000
Patraukime pinigų klausimą.
13:41
and then giving people lots of autonomy.
297
809000
2000
Ir suteikime žmonėms didelę dalį autonomijos.
13:43
Let me give you some examples.
298
811000
2000
Leiskite man pateikti keletą pavyzdžių.
13:45
How many of you have heard of the company Atlassian?
299
813000
4000
Kiek iš jūsų esate girdėję apie kompaniją "Atlassian"?
13:49
It looks like less than half.
300
817000
2000
Atrodo mažiau nei pusė.
13:51
(Laughter)
301
819000
2000
(Juokas)
13:53
Atlassian is an Australian software company.
302
821000
4000
"Atlassian" yra Australijos programinės įrangos gamintoja.
13:57
And they do something incredibly cool.
303
825000
2000
Ir jie daro kai ką neįtikėtinai šaunaus.
13:59
A few times a year they tell their engineers,
304
827000
2000
Keletą kartų per metus jie pasako savo inžinieriams:
14:01
"Go for the next 24 hours and work on anything you want,
305
829000
4000
"Kitas 24 valandas dirbkite bet ką, ką tik norite,
14:05
as long as it's not part of your regular job.
306
833000
2000
kas nėra susiję su jūsų reguliariu darbu.
14:07
Work on anything you want."
307
835000
2000
Dirbkite tai, ką norite."
14:09
So that engineers use this time to come up with
308
837000
2000
Taigi inžinieriai išnaudoja šį laiką ieškodami
14:11
a cool patch for code, come up with an elegant hack.
309
839000
3000
nuostabių kodų pataisų, elegantiškų sprendimų.
14:14
Then they present all of the stuff that they've developed
310
842000
3000
Tada jie pristato kolegoms tai, ką jie sukūrė,
14:17
to their teammates, to the rest of the company,
311
845000
3000
visai likusiai kompanijos daliai
14:20
in this wild and wooly all-hands meeting
312
848000
2000
per šiuos pašėlusius ir atvirus susirinkimus
14:22
at the end of the day.
313
850000
2000
pačioje dienos pabaigoje.
14:24
And then, being Australians, everybody has a beer.
314
852000
2000
Ir tada, kaip australams ir priklauso, visi geria alų.
14:26
They call them FedEx Days.
315
854000
3000
Jie vadina tai FedEx dienomis.
14:29
Why? Because you have to deliver something overnight.
316
857000
6000
Kodėl? Todėl, kad turi kažką pristatyti per naktį.
14:35
It's pretty. It's not bad. It's a huge trademark violation,
317
863000
2000
Tai žavu. Tai nėra blogai. Tai neteisėtas prekės ženklo panaudojimas.
14:37
but it's pretty clever.
318
865000
2000
Bet tai yra gana išmintinga.
14:39
(Laughter)
319
867000
1000
(Juokas)
14:40
That one day of intense autonomy
320
868000
2000
Per vieną intensyvios autonomijos dieną
14:42
has produced a whole array of software fixes
321
870000
2000
jie sukūrė visą pluoštą programinės įrangos pataisymų,
14:44
that might never have existed.
322
872000
2000
kurių galėjo niekada nebūti.
14:46
And it's worked so well that Atlassian has taken it to the next level
323
874000
2000
Ir tai taip gerai veikia, kad "Atlassian" iškėlė tai į visai kitą lygį,
14:48
with 20 Percent Time --
324
876000
2000
vadinamą "20 procentų laiko".
14:50
done, famously, at Google --
325
878000
2000
Žymiausiai tai pritaikė Google kompanija.
14:52
where engineers can work, spend 20 percent of their time
326
880000
2000
Kai inžinieriai praleidžia 20 procentų savo darbo laiko
14:54
working on anything they want.
327
882000
2000
dirbdami bet ką, ką tik nori.
14:56
They have autonomy over their time,
328
884000
2000
Jie savarankiškai valdo savo laiką,
14:58
their task, their team, their technique.
329
886000
2000
savo užduotis, savo komandą, savo techniką.
15:00
Okay? Radical amounts of autonomy.
330
888000
2000
Suprantate? Didžiulis autonomijos kiekis,
15:02
And at Google, as many of you know,
331
890000
4000
ir Google kompanijoje, kaip jūs ir žinote,
15:06
about half of the new products in a typical year
332
894000
2000
apie pusę naujų produktų per metus
15:08
are birthed during that 20 Percent Time:
333
896000
3000
yra sukuriami per tuos 20 procentų laiko.
15:11
things like Gmail, Orkut, Google News.
334
899000
3000
Tokie dalykai kaip Gmail, Orkut, Google naujienos.
15:14
Let me give you an even more radical example of it:
335
902000
3000
Leiskite jums pateikti dar radikalesnį pavyzdį.
15:17
something called the Results Only Work Environment,
336
905000
2000
Kažką, kas vadinama "Darbinė Aplinka Svarbu Rezultatas" (Results Only Work Environment).
15:19
the ROWE,
337
907000
2000
ROWE
15:21
created by two American consultants, in place
338
909000
2000
Sukurta dviejų amerikiečių konsultantų, įdiegta
15:23
in place at about a dozen companies around North America.
339
911000
2000
maždaug tuzine kompanijų visoje Šiaurės Amerikoje.
15:25
In a ROWE people don't have schedules.
340
913000
4000
ROWE sistemoje žmonės neturi dienotvarkės.
15:29
They show up when they want.
341
917000
2000
Jie pasirodo, kada jie nori.
15:31
They don't have to be in the office at a certain time,
342
919000
2000
Jie neturi būti ofise tam tikru laiku,
15:33
or any time.
343
921000
2000
ar bet kuriuo laiku.
15:35
They just have to get their work done.
344
923000
2000
Jie tiesiog turi atlikti savo darbus.
15:37
How they do it, when they do it,
345
925000
2000
Kaip jie juos atlieka, kada jie juos daro,
15:39
where they do it, is totally up to them.
346
927000
3000
kur jie juos daro, tai priklauso tik nuo jų.
15:42
Meetings in these kinds of environments are optional.
347
930000
4000
Susitikimai šioje sistemoje yra pasirinktiniai.
15:46
What happens?
348
934000
2000
Kas nutinka?
15:48
Almost across the board, productivity goes up,
349
936000
3000
Beveik visais atvejais produktyvumas išauga,
15:51
worker engagement goes up,
350
939000
3000
susidomėjimas darbu išauga,
15:54
worker satisfaction goes up, turnover goes down.
351
942000
3000
pasitenkinimas darbu išauga, darbuotojų kaita mažėja.
15:57
Autonomy, mastery and purpose,
352
945000
2000
Autonomija, meistriškumas ir tikslas.
15:59
These are the building blocks of a new way of doing things.
353
947000
2000
Tai yra esminiai blokai naujoviškame darbo procese.
16:01
Now some of you might look at this and say,
354
949000
3000
Dabar dalis jūsų gali žiūrėti į tai ir sakyti:
16:04
"Hmm, that sounds nice, but it's Utopian."
355
952000
3000
"Hmm, tai skamba gražiai. Bet tai utopija".
16:07
And I say, "Nope. I have proof."
356
955000
5000
Ir aš atsakysiu, "Ne, aš turiu įrodymų".
16:12
The mid-1990s, Microsoft started
357
960000
2000
10-ojo dešimtmečio viduryje, Microsoft pradėjo
16:14
an encyclopedia called Encarta.
358
962000
2000
rašyti enciklopediją, pavadintą Encarta.
16:16
They had deployed all the right incentives,
359
964000
2000
Jie naudojo visus teisingus paskatinimus.
16:18
all the right incentives. They paid professionals to
360
966000
3000
Visus teisingus paskatinimus. Jie mokėjo profesionalams už
16:21
write and edit thousands of articles.
361
969000
2000
tūkstančių straipsnių rašymą ir redagavimą.
16:23
Well-compensated managers oversaw the whole thing
362
971000
2000
Gerai apmokami vadybininkai prižiūrėjo visa tai,
16:25
to make sure it came in on budget and on time.
363
973000
5000
kad būtų užtikrinta, jog tai bus įvykdyta neviršijant biudžeto ir laiku.
16:30
A few years later another encyclopedia got started.
364
978000
2000
Po kelių metų buvo pradėta leisti kita enciklopedija.
16:32
Different model, right?
365
980000
3000
Skirtingas modelis, suprantate?
16:35
Do it for fun. No one gets paid a cent, or a Euro or a Yen.
366
983000
4000
Tai buvo daroma iš idėjos. Nei vienas negauna nei cento, ar euro, ar jenos.
16:39
Do it because you like to do it.
367
987000
3000
Darai tai, nes tau patinka tai daryti.
16:42
Now if you had, just 10 years ago,
368
990000
3000
Jei jūs galite įsivaizduoti, prieš 10 metų,
16:45
if you had gone to an economist, anywhere,
369
993000
2000
jei būtumėte nuėję bet kur pas ekonomistą
16:47
and said, "Hey, I've got these two different models for creating an encyclopedia.
370
995000
4000
ir sakytumėte, "Sveikas, aš turiu du skirtingus modelius enciklopedijai kurti.
16:51
If they went head to head, who would win?"
371
999000
3000
Jei jie būtų naudojami vienodai, kuris laimėtų?"
16:54
10 years ago you could not have found a single sober economist anywhere
372
1002000
4000
Prieš 10 metų jūs nebūtumėte radę nei vieno ekonomisto niekur
16:58
on planet Earth
373
1006000
2000
Žemės planetoje,
17:00
who would have predicted the Wikipedia model.
374
1008000
2000
kuris būtų nuspėjęs Vikipedijos modelį.
17:02
This is the titanic battle between these two approaches.
375
1010000
3000
Tai milžiniška kova tarp šių dviejų požiūrių.
17:05
This is the Ali-Frazier of motivation. Right?
376
1013000
3000
Tai motyvacijos "Ali prieš Frazier". Suprantate?
17:08
This is the Thrilla' in Manila.
377
1016000
2000
Tai "trileris Maniloje".
17:10
Alright? Intrinsic motivators versus extrinsic motivators.
378
1018000
3000
Suprantate? Vidinė motyvacija prieš išorinę motyvaciją.
17:13
Autonomy, mastery and purpose,
379
1021000
2000
Autonomija, meistriškumas ir tikslas
17:15
versus carrot and sticks. And who wins?
380
1023000
2000
prieš rimbą ir pažadus. Ir kas laimi?
17:17
Intrinsic motivation, autonomy, mastery and purpose,
381
1025000
3000
Vidinė motyvacija, autonomija, meistriškumas ir tikslas
17:20
in a knockout. Let me wrap up.
382
1028000
4000
laimi nokautu. Leiskite man užbaigti.
17:24
There is a mismatch between what science knows and what business does.
383
1032000
3000
Yra nesutapimas tarp to, ką žino mokslas ir kaip elgiasi verslas.
17:27
And here is what science knows.
384
1035000
2000
Ir štai ką žino mokslas.
17:29
One: Those 20th century rewards,
385
1037000
2000
Pirma: Tie 20-ojo amžiaus atlygiai,
17:31
those motivators we think are a natural part of business,
386
1039000
3000
tie motyvatoriai, kuriuos laikome natūralia verslo dalimi,
17:34
do work, but only in a surprisingly narrow band of circumstances.
387
1042000
4000
veikia, tačiau tik stebėtinai specifinėmis aplinkybėmis.
17:38
Two: Those if-then rewards often destroy creativity.
388
1046000
4000
Antra: Šis "atlygis už konkretų darbą" dažnai sunaikina kūrybingumą.
17:42
Three: The secret to high performance
389
1050000
2000
Trečia: Puikaus atlikimo paslaptis
17:44
isn't rewards and punishments,
390
1052000
2000
nėra atpildas ir bausmė,
17:46
but that unseen intrinsic drive --
391
1054000
2000
bet ta nematoma vidinė jėga.
17:48
the drive to do things for their own sake.
392
1056000
3000
Jėga kurti dalykus dėl jų pačių.
17:51
The drive to do things cause they matter.
393
1059000
2000
Jėga kurti dalykus, nes jie svarbūs.
17:53
And here's the best part. Here's the best part.
394
1061000
2000
Ir štai geriausia dalis. Štai geriausia dalis.
17:55
We already know this. The science confirms what we know in our hearts.
395
1063000
3000
Mes tai jau žinome. Mokslas patvirtino tai, ką žinome savo širdyse.
17:58
So, if we repair this mismatch
396
1066000
3000
Taigi, jei mes sutvarkysime šį nesutapimą
18:01
between what science knows and what business does,
397
1069000
2000
tarp to, ką žino mokslas ir to, ką daro verslas,
18:03
if we bring our motivation, notions of motivation
398
1071000
3000
jei mes nusinešime savo motyvaciją, motyvacijos supratimą
18:06
into the 21st century,
399
1074000
2000
į 21-ąjį amžių,
18:08
if we get past this lazy, dangerous, ideology
400
1076000
4000
jei mes atsikratysime šios tingios, pavojingos
18:12
of carrots and sticks,
401
1080000
2000
rimbo ir pažadų ideologijos,
18:14
we can strengthen our businesses,
402
1082000
3000
mes galime sustiprinti savo verslą,
18:17
we can solve a lot of those candle problems,
403
1085000
3000
mes galime išspręsti labai daug šių žvakės problemų,
18:20
and maybe, maybe, maybe
404
1088000
4000
ir galbūt, galbūt, galbūt
18:24
we can change the world.
405
1092000
2000
mes galime pakeisti pasaulį.
18:26
I rest my case.
406
1094000
2000
Toks mano argumentas.
18:28
(Applause)
407
1096000
3000
(Plojimai)
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