TEDGlobal 2009
Dan Pink: The puzzle of motivation
Dens Pinks par pārsteidzošo motivācijas zinātni
Filmed:
Readability: 4
25,352,736 views
Karjeras analītiķis Dens Pinks pievēršas motivācijas mīklai, iesākot ar faktu, kas zināms sociālajiem zinātniekiem, bet ko nezina vairums menedžeru. Ierastās atlīdzības ne vienmēr ir tik iedarbīgas, kā domājam. Ieklausieties apgaismojošos stāstos un, iespējams, rodiet ceļu tālāk.
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
Man jau pašā iesākumā jāatzīstas.
00:16
A little over 20 years ago
1
4000
3000
Nedaudz vairāk kā pirms 20 gadiem
00:19
I did something that I regret,
2
7000
2000
es izdarīju ko tādu, ko nožēloju,
00:21
something that I'm not particularly proud of,
3
9000
4000
ko tādu, ar ko īpaši nelepojos,
00:25
something that, in many ways, I wish no one would ever know,
4
13000
3000
ko daudzējādā ziņā gribētu noklusēt,
00:28
but here I feel kind of obliged to reveal.
5
16000
4000
taču šeit jūtos spiests atklāt.
00:32
(Laughter)
6
20000
2000
(Smiekli)
00:34
In the late 1980s,
7
22000
2000
1980-to gadu nogalē
00:36
in a moment of youthful indiscretion,
8
24000
3000
jauneklīgas neapdomības mirklī
00:39
I went to law school.
9
27000
2000
es uzsāku tieslietu studijas.
00:41
(Laughter)
10
29000
4000
(Smiekli)
00:45
Now, in America law is a professional degree:
11
33000
3000
Amerikā tieslietas ir profesionālas studijas.
00:48
you get your university degree, then you go on to law school.
12
36000
2000
Pabeidz universitāti. Tad stājies tieslietu skolā.
00:50
And when I got to law school,
13
38000
3000
Kad biju iestājies tieslietu skolā,
00:53
I didn't do very well.
14
41000
2000
man diez kā neveicās.
00:55
To put it mildly, I didn't do very well.
15
43000
2000
Maigi izsakoties, man diez kā neveicās.
00:57
I, in fact, graduated in the part of my law school class
16
45000
3000
Patiesībā pabeidzu skolu tikai viena priekšmeta dēļ,
01:00
that made the top 90 percent possible.
17
48000
4000
kas sastādīja 90% no iespējamajiem.
01:04
(Laughter)
18
52000
4000
(Smiekli)
01:08
Thank you.
19
56000
3000
Paldies.
01:11
I never practiced law a day in my life;
20
59000
3000
Neesmu praktizējis tieslietas ne dienu.
01:14
I pretty much wasn't allowed to.
21
62000
2000
Man tā kā nebija atļauts.
01:16
(Laughter)
22
64000
3000
(Smiekli)
01:19
But today, against my better judgment,
23
67000
3000
Taču šodien, par spīti saviem apsvērumiem,
01:22
against the advice of my own wife,
24
70000
3000
par spīti paša sievas padomam,
01:25
I want to try to dust off some of those legal skills --
25
73000
4000
gribu mēģināt nopūst putekļus no tieslietu prasmēm,
01:29
what's left of those legal skills.
26
77000
2000
kas nu no tām vairs atlicis.
01:31
I don't want to tell you a story.
27
79000
3000
Nestāstīšu jums stāstu.
01:34
I want to make a case.
28
82000
2000
Ierosināšu lietu.
01:36
I want to make a hard-headed, evidence-based,
29
84000
4000
Vēlos ierosināt pārdomātu, uz pierādījumiem balstītu,
01:40
dare I say lawyerly case,
30
88000
3000
uzdrošinos teikt, advokāta lietu,
01:43
for rethinking how we run our businesses.
31
91000
4000
lai apdomātu, kā vadām savus uzņēmumus.
01:47
So, ladies and gentlemen of the jury, take a look at this.
32
95000
4000
Tātad, dāmas un kungi zvērinātie, aplūkojiet šo.
01:51
This is called the candle problem.
33
99000
2000
To sauc par sveču problēmu.
01:53
Some of you might have seen this before.
34
101000
2000
Daži no jums to, iespējams, jau redzējuši.
01:55
It's created in 1945
35
103000
2000
To 1945. gadā iesāka
01:57
by a psychologist named Karl Duncker.
36
105000
2000
psihologs vārdā Karls Dunkers.
01:59
Karl Duncker created this experiment
37
107000
2000
Karls Dunkers radīja šo eksperimentu,
02:01
that is used in a whole variety of experiments in behavioral science.
38
109000
3000
kas tiek izmantots dažādos biheivorālās zinātnes izmēģinājumos.
02:04
And here's how it works. Suppose I'm the experimenter.
39
112000
3000
Rau, kā tas darbojas. Pieņemsim, es veicu eksperimentu.
02:07
I bring you into a room. I give you a candle,
40
115000
4000
Ievedu jūs telpā, iedodu jums svecīti,
02:11
some thumbtacks and some matches.
41
119000
2000
dažas spraudītes un sērkociņus.
02:13
And I say to you, "Your job
42
121000
2000
Un saku jums: "Jūsu uzdevums
02:15
is to attach the candle to the wall
43
123000
2000
ir piestiprināt svecīti pie sienas tā,
02:17
so the wax doesn't drip onto the table." Now what would you do?
44
125000
4000
lai vasks nepilētu uz galda." Ko jūs darītu?
02:21
Now many people begin trying to thumbtack the candle to the wall.
45
129000
4000
Daudzi sākumā mēģina piespraust sveci pie sienas.
02:25
Doesn't work.
46
133000
2000
Nedarbojas.
02:27
Somebody, some people -- and I saw somebody
47
135000
2000
Kāds, daži cilvēki, un es kādu ievēroju
02:29
kind of make the motion over here --
48
137000
2000
tā kā sakustamies.
02:31
some people have a great idea where they
49
139000
2000
Dažiem rodas lieliska ideja - viņi
02:33
light the match, melt the side of the candle, try to adhere it to the wall.
50
141000
4000
aizdedzina sērkociņu, izkausē sveces sānu, pūlas to piestiprināt pie sienas.
02:37
It's an awesome idea. Doesn't work.
51
145000
3000
Lieliska doma. Taču nedarbojas.
02:40
And eventually, after five or 10 minutes,
52
148000
3000
Un beidzot pēc 5 vai 10 minūtēm
02:43
most people figure out the solution,
53
151000
2000
vairums ļaužu nonāk pie risinājuma,
02:45
which you can see here.
54
153000
2000
ko redzat šeit.
02:47
The key is to overcome what's called functional fixedness.
55
155000
3000
Galvenais ir pārvarēt, tā dēvēto, funkcionālo nelokāmību.
02:50
You look at that box and you see it only as a receptacle for the tacks.
56
158000
4000
Ieskatāties kastē un to redzat vienīgi kā saspraužu tvertni.
02:54
But it can also have this other function,
57
162000
2000
Taču tā var kalpot vēl kam citam -
02:56
as a platform for the candle. The candle problem.
58
164000
4000
kā sveces platforma. Sveces problēma.
03:00
Now I want to tell you about an experiment
59
168000
2000
Vēlos jums pastāstīt par šo eksperimentu,
03:02
using the candle problem,
60
170000
2000
pievēršoties sveces problēmai,
03:04
done by a scientist named Sam Glucksberg,
61
172000
2000
kā to risinājis zinātnieks Sems Gluksbergs,
03:06
who is now at Princeton University in the U.S.
62
174000
2000
kurš tagad strādā ASV Prinstonas universitātē.
03:08
This shows the power of incentives.
63
176000
4000
Tas parāda stimulu spēku.
03:12
Here's what he did. He gathered his participants.
64
180000
2000
Lūk, ko viņš paveica. Viņš sapulcināja dalībniekus.
03:14
And he said, "I'm going to time you. How quickly you can solve this problem?"
65
182000
3000
Un teica: "Uzņemšu laiku. Cik ātri jūs spējat atrisināt šo problēmu?"
03:17
To one group he said,
66
185000
2000
Vienai grupai viņš sacīja,
03:19
"I'm going to time you to establish norms,
67
187000
3000
ka uzņems laiku, lai noteiktu normas,
03:22
averages for how long it typically takes
68
190000
2000
vidējos rādītājus, cik ilgs laiks parasti vajadzīgs,
03:24
someone to solve this sort of problem."
69
192000
2000
lai šāda veida problēmu atrisinātu.
03:26
To the second group he offered rewards.
70
194000
3000
Otrai grupai viņš piedāvāja atlīdzību,
03:29
He said, "If you're in the top 25 percent of the fastest times,
71
197000
4000
sakot: "Ja būsiet starp 25 ātrākajiem,
03:33
you get five dollars.
72
201000
3000
saņemsiet 5 dolārus.
03:36
If you're the fastest of everyone we're testing here today,
73
204000
3000
Ja būsiet ātrākais no visiem šīsdienas dalībniekiem,
03:39
you get 20 dollars."
74
207000
2000
saņemsiet 20 dolārus."
03:41
Now this is several years ago. Adjusted for inflation,
75
209000
3000
Tas bija pirms vairākiem gadiem. Pielāgojums inflācijai.
03:44
it's a decent sum of money for a few minutes of work.
76
212000
2000
Pieklājīga naudas summiņa par pāris minūtēm darba.
03:46
It's a nice motivator.
77
214000
2000
Jauks pamudinājums.
03:48
Question: How much faster
78
216000
3000
Jautājums: par cik ātrāk
03:51
did this group solve the problem?
79
219000
2000
šī grupa uzdevumu atrisināja?
03:53
Answer: It took them, on average,
80
221000
3000
Atbilde: Vidēji
03:56
three and a half minutes longer.
81
224000
4000
par trīs ar pus minūtēm ilgāk.
04:00
Three and a half minutes longer. Now this makes no sense right?
82
228000
3000
Trīs ar pus minūtēm ilgāk. Tas nešķiet loģiski, vai ne?
04:03
I mean, I'm an American. I believe in free markets.
83
231000
3000
Proti, esmu amerikānis. Es ticu brīvajam tirgum.
04:06
That's not how it's supposed to work. Right?
84
234000
3000
Tā tam nevajadzētu notikt. Vai ne tā?
04:09
(Laughter)
85
237000
1000
(Smiekli)
04:10
If you want people to perform better,
86
238000
2000
Ja vēlaties panākt veiksmīgāku sniegumu,
04:12
you reward them. Right?
87
240000
2000
piedāvājat atalgojumu. Pareizi?
04:14
Bonuses, commissions, their own reality show.
88
242000
3000
Prēmijas, pielikumi, pašu realitātes šovs.
04:17
Incentivize them. That's how business works.
89
245000
4000
Dodiet stimulu. Tā darbojas bizness.
04:21
But that's not happening here.
90
249000
2000
Taču ne šeit.
04:23
You've got an incentive designed to
91
251000
2000
Tiek piedāvāts stimuls, kam
04:25
sharpen thinking and accelerate creativity,
92
253000
4000
jāveicina domāšana un jāraisa radošums.
04:29
and it does just the opposite.
93
257000
2000
Un notiek tieši pretējais.
04:31
It dulls thinking and blocks creativity.
94
259000
3000
Tas aptumšo domāšanu un bloķē radošumu.
04:34
And what's interesting about this experiment is that it's not an aberration.
95
262000
3000
Interesanti, ka šis eksperiments neuzrāda novirzi.
04:37
This has been replicated over and over
96
265000
3000
Tas vairākkārt atkārtots
04:40
and over again, for nearly 40 years.
97
268000
3000
jau teju 40 gadus.
04:43
These contingent motivators --
98
271000
3000
Šis stimulu veids -
04:46
if you do this, then you get that --
99
274000
2000
ja paveiksi šo, tad iegūsi to -
04:48
work in some circumstances.
100
276000
2000
dažos apstākļos nostrādā..
04:50
But for a lot of tasks, they actually either don't work
101
278000
3000
Taču daudzos uzdevumos tas vai nu nestrādā,
04:53
or, often, they do harm.
102
281000
3000
vai nereti kaitē.
04:56
This is one of the most robust findings
103
284000
4000
Tas ir viens no iespaidīgākajiem atklājumiem
05:00
in social science,
104
288000
3000
sociālajā zinātnē.
05:03
and also one of the most ignored.
105
291000
2000
Un arī viens no neievērotākajiem.
05:05
I spent the last couple of years looking at the science of
106
293000
2000
Pēdējos gadus esmu pavadījis, pievēršoties cilvēku
05:07
human motivation,
107
295000
2000
motivācijas zinātnei.
05:09
particularly the dynamics of extrinsic motivators
108
297000
2000
Īpaši, ārēju stimulu un iekšēju stimulu
05:11
and intrinsic motivators.
109
299000
2000
dinamikai.
05:13
And I'm telling you, it's not even close.
110
301000
2000
Es jums saku, tie ne tuvu nelīdzinās viens otram.
05:15
If you look at the science, there is a mismatch
111
303000
2000
Zinātnes ainā paveras nesaderība starp to,
05:17
between what science knows and what business does.
112
305000
4000
kas zināms zinātnei un ko dara uzņēmēji.
05:21
And what's alarming here is that our business operating system --
113
309000
3000
Satraucoši ir tas, ka mūsu uzņēmumu darbības sistēma --
05:24
think of the set of assumptions and protocols beneath our businesses,
114
312000
3000
padomājiet par biznesa pamatā esošajiem pieņēmumiem un protokoliem,
05:27
how we motivate people, how we apply our human resources --
115
315000
5000
kā cilvēki tiek motivēti, kā izmantoti cilvēkresursi --
05:32
it's built entirely around these extrinsic motivators,
116
320000
3000
ir būvēta vienīgi uz šiem ārējiem stimuliem,
05:35
around carrots and sticks.
117
323000
2000
burkāniem un žagariem.
05:37
That's actually fine for many kinds of 20th century tasks.
118
325000
4000
Daudziem 20. gadsimta uzdevumiem tas netraucē.
05:41
But for 21st century tasks,
119
329000
2000
Taču 21. gadsimta uzdevumiem
05:43
that mechanistic, reward-and-punishment approach
120
331000
4000
šī mehāniskā atalgojuma un soda pieeja
05:47
doesn't work, often doesn't work, and often does harm.
121
335000
4000
nav piemērota, nereti nedarbojas un bieži kaitē.
05:51
Let me show you what I mean.
122
339000
2000
Ļaujiet man ilustrēt sacīto.
05:53
So Glucksberg did another experiment similar to this
123
341000
3000
Tā nu Gluksbergs veica citu, līdzīgu eksperimentu,
05:56
where he presented the problem in a slightly different way,
124
344000
2000
kurā ar uzdevumu iepazīstināja visai atšķirīgā veidā,
05:58
like this up here. Okay?
125
346000
3000
kā šeit. Skaidrs?
06:01
Attach the candle to the wall so the wax doesn't drip onto the table.
126
349000
2000
Piestipriniet sveci sienai, lai vasks nepilētu uz galda.
06:03
Same deal. You: we're timing for norms.
127
351000
3000
Tas pats. Jums: uzņemam laiku normām.
06:06
You: we're incentivizing.
128
354000
3000
Jums: piedāvājam stimulus.
06:09
What happened this time?
129
357000
2000
Kas notika šoreiz?
06:11
This time, the incentivized group
130
359000
2000
Šoreiz stimulētā grupa
06:13
kicked the other group's butt.
131
361000
4000
sadeva otrai pa pakaļu.
06:17
Why? Because when the tacks are out of the box,
132
365000
4000
Kāpēc? Kad spraudītes ir ārpus kastes,
06:21
it's pretty easy isn't it?
133
369000
4000
uzdevums nav grūts, vai ne?
06:25
(Laughter)
134
373000
2000
(Smiekli)
06:27
If-then rewards work really well
135
375000
3000
Ja-tad atlīdzība tiešām veiksmīgi darbojas
06:30
for those sorts of tasks,
136
378000
3000
šāda veida uzdevumos,
06:33
where there is a simple set of rules and a clear destination
137
381000
2000
kuros ir vienkārši noteikumi un skaidrs sasniedzamais
06:35
to go to.
138
383000
2000
mērķis.
06:37
Rewards, by their very nature,
139
385000
2000
Atlīdzība pēc savas dabas
06:39
narrow our focus, concentrate the mind;
140
387000
2000
sašaurina uzmanību, koncentrē prātu.
06:41
that's why they work in so many cases.
141
389000
2000
Tādēļ tā nostrādā pietiekoši daudzos gadījumos.
06:43
And so, for tasks like this,
142
391000
2000
Un tāpēc, šāda veida uzdevumiem,
06:45
a narrow focus, where you just see the goal right there,
143
393000
3000
šauram fokusam, skaidri saskatāmam mērķim,
06:48
zoom straight ahead to it,
144
396000
2000
uz kuru jātiecas,
06:50
they work really well.
145
398000
2000
tai nav ne vainas.
06:52
But for the real candle problem,
146
400000
2000
Taču īstajam sveces uzdevumam
06:54
you don't want to be looking like this.
147
402000
2000
jūs nevēlaties redzēt šādus rezultātus.
06:56
The solution is not over here. The solution is on the periphery.
148
404000
2000
Risinājums ir citviet. Risinājums ir perifērijā.
06:58
You want to be looking around.
149
406000
2000
Jūs vēlaties lūkoties visapkārt.
07:00
That reward actually narrows our focus
150
408000
2000
Atlīdzība patiesībā sašaurina uzmanību
07:02
and restricts our possibility.
151
410000
2000
un ierobežo mūsu iespējas.
07:04
Let me tell you why this is so important.
152
412000
3000
Ļaujiet pastāstīt, kādēļ tas ir tik būtiski.
07:07
In western Europe,
153
415000
2000
Rietumeiropā,
07:09
in many parts of Asia,
154
417000
2000
daudzviet Āzijā,
07:11
in North America, in Australia,
155
419000
3000
Ziemeļamerikā, Austrālijā
07:14
white-collar workers are doing less of
156
422000
2000
balto apkaklīšu strādnieki veic mazāk
07:16
this kind of work,
157
424000
2000
šāda veida darba
07:18
and more of this kind of work.
158
426000
4000
un vairāk šāda darba.
07:22
That routine, rule-based, left-brain work --
159
430000
3000
Nemainīgs, uz noteikumiem balstīts kreisās smadzeņu puslodes darbs,
07:25
certain kinds of accounting, certain kinds of financial analysis,
160
433000
2000
noteikti grāmatvedības un finanšu analīzes veidi,
07:27
certain kinds of computer programming --
161
435000
2000
datorprogrammēšanas veidi
07:29
has become fairly easy to outsource,
162
437000
2000
viegli aizstājami ar ārpuspakalpojumiem,
07:31
fairly easy to automate.
163
439000
2000
viegli automatizējami.
07:33
Software can do it faster.
164
441000
3000
Programmatūra to paveic ātrāk.
07:36
Low-cost providers around the world can do it cheaper.
165
444000
2000
Pasaulē atrodami avoti, kas to paveiks lētāk.
07:38
So what really matters are the more right-brained
166
446000
4000
Tādēļ patiesi būtiskas ir labās smadzeņu puslodes,
07:42
creative, conceptual kinds of abilities.
167
450000
3000
radošās, konceptuālā veida spējas.
07:45
Think about your own work.
168
453000
3000
Padomājiet par savu darbu.
07:48
Think about your own work.
169
456000
3000
Padomājiet par savu darbu.
07:51
Are the problems that you face, or even the problems
170
459000
2000
Vai uzdevumi, ar kuriem saskaraties, vai pat tie,
07:53
we've been talking about here,
171
461000
2000
par kuriem runājam šeit,
07:55
are those kinds of problems -- do they have a clear set of rules,
172
463000
2000
tāda veida uzdevumi -- vai tiem ir skaidri noteikumi
07:57
and a single solution? No.
173
465000
3000
un viens risinājums? Nē.
08:00
The rules are mystifying.
174
468000
2000
To noteikumi ir mulsinoši.
08:02
The solution, if it exists at all,
175
470000
2000
Risinājums, ja tas vispār pastāv,
08:04
is surprising and not obvious.
176
472000
3000
ir pārsteidzošs un neparedzams.
08:07
Everybody in this room
177
475000
2000
Ikviens šajā telpā
08:09
is dealing with their own version
178
477000
3000
risina pats savu sveces
08:12
of the candle problem.
179
480000
2000
uzdevuma versiju.
08:14
And for candle problems of any kind,
180
482000
3000
Un jebkāda veida sveču uzdevumiem
08:17
in any field,
181
485000
2000
jebkurā nozarē
08:19
those if-then rewards,
182
487000
3000
šādas ja-tad atlīdzības,
08:22
the things around which we've built so many of our businesses,
183
490000
4000
kas ir tik daudzu uzņēmumu pamatā,
08:26
don't work.
184
494000
2000
nedarbojas.
08:28
Now, I mean it makes me crazy.
185
496000
2000
Nu, mani tas dara traku.
08:30
And this is not -- here's the thing.
186
498000
2000
Un tās nav -- tur tā lieta.
08:32
This is not a feeling.
187
500000
3000
Tās nav jūtas.
08:35
Okay? I'm a lawyer; I don't believe in feelings.
188
503000
3000
Skaidrs? Esmu advokāts. Neticu jūtām.
08:38
This is not a philosophy.
189
506000
4000
Tā nav filosofija.
08:42
I'm an American; I don't believe in philosophy.
190
510000
2000
Esmu amerikānis. Neticu filosofijai.
08:44
(Laughter)
191
512000
3000
(Smiekli)
08:47
This is a fact --
192
515000
3000
Tas ir fakts.
08:50
or, as we say in my hometown of Washington, D.C.,
193
518000
2000
Vai, kā saka manā dzimtajā pilsētā Vašingtonas apgabalā,
08:52
a true fact.
194
520000
2000
patiess fakts.
08:54
(Laughter)
195
522000
2000
(Smiekli)
08:56
(Applause)
196
524000
4000
(Aplausi)
09:00
Let me give you an example of what I mean.
197
528000
2000
Ļaujiet man jums sniegt piemēru.
09:02
Let me marshal the evidence here,
198
530000
2000
Ļaujiet iepazīstināt ar pierādījumiem.
09:04
because I'm not telling you a story, I'm making a case.
199
532000
2000
Jo šis nav stāsts. Šī ir lietas izskatīšana.
09:06
Ladies and gentlemen of the jury, some evidence:
200
534000
2000
Dāmas un kungi, zvērinātie, pierādījumi:
09:08
Dan Ariely, one of the great economists of our time,
201
536000
3000
Dens Arielijs, viens no mūslaiku dižākajiem ekonomistiem
09:11
he and three colleagues, did a study of some MIT students.
202
539000
4000
kopā ar 3 kolēģiem pētīja dažus MTI studentus.
09:15
They gave these MIT students a bunch of games,
203
543000
3000
Viņi iedeva šiem studentiem vairākas spēles.
09:18
games that involved creativity,
204
546000
2000
Spēles, kas saistītas ar radošumu,
09:20
and motor skills, and concentration.
205
548000
2000
kustību prasmēm un koncentrēšanos.
09:22
And the offered them, for performance,
206
550000
2000
Par sniegumu viņiem tika piedāvātas
09:24
three levels of rewards:
207
552000
2000
trīs līmeņu atlīdzības.
09:26
small reward, medium reward, large reward.
208
554000
5000
Mazā, vidējā un lielā atlīdzība.
09:31
Okay? If you do really well you get the large reward, on down.
209
559000
4000
Skaidrs? Ja jums veicas ļoti labi, saņemat lielo atlīdzību utt.
09:35
What happened? As long as the task involved only mechanical skill
210
563000
4000
Kas notika? Kamēr uzdevums saistījās tikai ar mehāniskām prasmēm,
09:39
bonuses worked as they would be expected:
211
567000
2000
atalgojums darbojās, kā to varēja sagaidīt:
09:41
the higher the pay, the better the performance.
212
569000
4000
jo augstāka atlīdzība, jo labāks sniegums.
09:45
Okay? But one the task called for
213
573000
2000
Skaidrs? Taču, ja uzdevums prasīja
09:47
even rudimentary cognitive skill,
214
575000
4000
kaut vai elementārākās kognitīvās spējas,
09:51
a larger reward led to poorer performance.
215
579000
5000
lielāka atlīdzība izraisīja švakāku sniegumu.
09:56
Then they said,
216
584000
2000
Tad viņi teica:
09:58
"Okay let's see if there's any cultural bias here.
217
586000
2000
"Labs ir, paraudzīsim, vai te nav kāds kultūras aizspriedums.
10:00
Lets go to Madurai, India and test this."
218
588000
2000
Dosimies uz Maduraju Indijā un pārbaudīsim."
10:02
Standard of living is lower.
219
590000
2000
Dzīves līmenis zemāks.
10:04
In Madurai, a reward that is modest in North American standards,
220
592000
3000
Madurajā pēc Ziemeļamerikas standartiem zema atlīdzība
10:07
is more meaningful there.
221
595000
3000
ir daudz vērtīgāka.
10:10
Same deal. A bunch of games, three levels of rewards.
222
598000
3000
Tas pats uzdevums. Dažas spēles, 3 līmeņu atlīdzības.
10:13
What happens?
223
601000
2000
Kas notiek?
10:15
People offered the medium level of rewards
224
603000
3000
Cilvēki, kuriem piedāvāja vidējā līmeņa atlīdzību,
10:18
did no better than people offered the small rewards.
225
606000
3000
nebija par mata tiesu sekmīgāki kā ļaudis ar mazo atlīdzību.
10:21
But this time, people offered the highest rewards,
226
609000
4000
Taču šoreiz tiem, kuriem piedāvāja lielāko atlīdzību,
10:25
they did the worst of all.
227
613000
4000
sekmējās vissliktāk.
10:29
In eight of the nine tasks we examined across three experiments,
228
617000
3000
8 no 9 uzdevumiem, ko pārbaudījām eksperimentos,
10:32
higher incentives led to worse performance.
229
620000
5000
augstāka atlīdzība izraisīja sliktāku sniegumu.
10:37
Is this some kind of touchy-feely
230
625000
3000
Vai tā ir kāda jūtelīga
10:40
socialist conspiracy going on here?
231
628000
3000
sociālistiska sazvērestība?
10:43
No. These are economists from MIT,
232
631000
3000
Nē. Tie ir MTI ekonomisti
10:46
from Carnegie Mellon, from the University of Chicago.
233
634000
3000
no "Carnegie Mellon", Čikāgas universitātes.
10:49
And do you know who sponsored this research?
234
637000
2000
Vai zināt, kas šo pētījumu sponsorēja?
10:51
The Federal Reserve Bank of the United States.
235
639000
4000
ASV Federālo rezervju banka.
10:55
That's the American experience.
236
643000
2000
Amerikāņu pieredze.
10:57
Let's go across the pond to the London School of Economics --
237
645000
3000
Šķērsosim dīķi, dodoties uz Londonas Ekonomikas skolu.
11:00
LSE, London School of Economics,
238
648000
3000
LES, Londonas Ekonomikas skola.
11:03
alma mater of 11 Nobel Laureates in economics.
239
651000
3000
11 Nobela laureātu ekonomikā alma mater.
11:06
Training ground for great economic thinkers
240
654000
3000
Mācību lauks tādiem dižiem ekonomikas domātājiem
11:09
like George Soros, and Friedrich Hayek,
241
657000
3000
kā Džordžs Soross, Frīdrihs Haijeks
11:12
and Mick Jagger. (Laughter)
242
660000
2000
un Miks Džegers.
11:14
Last month, just last month,
243
662000
4000
Vēl pēdējā mēneša laikā
11:18
economists at LSE looked at 51 studies
244
666000
3000
LES ekonomisti aplūkoja 51 "maksā par sniegumu"
11:21
of pay-for-performance plans, inside of companies.
245
669000
3000
plānu pētījumus uzņēmumos.
11:24
Here's what the economists there said: "We find that financial incentives
246
672000
3000
Lūk, ko viņi teica: "Atklājām, ka finansiāli stimuli
11:27
can result in a negative impact on overall performance."
247
675000
6000
var negatīvi ietekmēt vispārējo sniegumu."
11:33
There is a mismatch between what science knows
248
681000
3000
Zinātnes informācija nesakrīt ar to,
11:36
and what business does.
249
684000
2000
kas tiek piekopts uzņēmumos.
11:38
And what worries me, as we stand here in the rubble
250
686000
3000
Mani satrauc tas, ka, stāvot ekonomiska
11:41
of the economic collapse,
251
689000
2000
sabrukuma gruvešos,
11:43
is that too many organizations
252
691000
2000
pārāk daudz uzņēmumu
11:45
are making their decisions,
253
693000
2000
savus lēmumus,
11:47
their policies about talent and people,
254
695000
2000
rīcības plānus par talantu un cilvēkiem
11:49
based on assumptions that are outdated, unexamined,
255
697000
6000
pieņem, balstoties uz novecojušiem, nepārbaudītiem atzinumiem,
11:55
and rooted more in folklore than in science.
256
703000
3000
kas vairāk sakņojas folklorā, nekā zinātnē.
11:58
And if we really want to get out of this economic mess,
257
706000
3000
Ja patiešām gribam izkulties no šīs ekonomikas putras
12:01
and if we really want high performance on those
258
709000
2000
un ja tiešām vēlamies augstu sniegumu
12:03
definitional tasks of the 21st century,
259
711000
2000
21. gadsimta raksturīgajos uzdevumos,
12:05
the solution is not to do more of the wrong things,
260
713000
6000
risinājums ir neturpināt pieļaut kļūdas.
12:11
to entice people with a sweeter carrot,
261
719000
3000
Iekārdināt ļaudis ar saldāku burkānu
12:14
or threaten them with a sharper stick.
262
722000
2000
vai baidīt ar šmaugākiem žagariem.
12:16
We need a whole new approach.
263
724000
2000
Nepieciešama jauna pieeja.
12:18
And the good news about all of this is that the scientists
264
726000
2000
Labā ziņa tāda, ka zinātnieki,
12:20
who've been studying motivation have given us this new approach.
265
728000
3000
kuri pētījuši motivāciju, piedāvā šo jauno pieeju.
12:23
It's an approach built much more around intrinsic motivation.
266
731000
3000
Pieeju, kas lielākā mērā balstīta uz iekšējo motivāciju.
12:26
Around the desire to do things because they matter,
267
734000
2000
Uz vēlmi veikt darbības, jo tās ir nozīmīgas,
12:28
because we like it, because they're interesting,
268
736000
2000
jo mums tās patīk, jo tās ir interesantas,
12:30
because they are part of something important.
269
738000
2000
jo tās ir daļa no kā būtiska.
12:32
And to my mind, that new operating system for our businesses
270
740000
4000
Manuprāt, šāda jauna uzņēmumu darbības sistēma
12:36
revolves around three elements:
271
744000
2000
riņķo ap 3 elementiem:
12:38
autonomy, mastery and purpose.
272
746000
3000
autonomiju, prasmīgumu un mērķi.
12:41
Autonomy: the urge to direct our own lives.
273
749000
3000
Autonomija, tieksme vadīt savu dzīvi.
12:44
Mastery: the desire to get better and better at something that matters.
274
752000
4000
Meistarība, vēlme pilnveidoties būtiskā jomā.
12:48
Purpose: the yearning to do what we do
275
756000
3000
Mērķis, ilgas darīt savu darbu,
12:51
in the service of something larger than ourselves.
276
759000
3000
kalpojot kam par sevi lielākam.
12:54
These are the building blocks of an entirely new operating system
277
762000
3000
Šie ir pavisam jaunas darbības sistēmas stūrakmeņi
12:57
for our businesses.
278
765000
2000
mūsu uzņēmumiem.
12:59
I want to talk today only about autonomy.
279
767000
4000
Šodien gribu apspriest vienīgi autonomiju.
13:03
In the 20th century, we came up with this idea of management.
280
771000
3000
20. gadsimtā radās menedžmenta ideja.
13:06
Management did not emanate from nature.
281
774000
2000
Menedžments nav dabisks.
13:08
Management is like -- it's not a tree,
282
776000
2000
Menedžments ir kā -- tas nav koks.
13:10
it's a television set.
283
778000
2000
Tas ir televizors.
13:12
Okay? Somebody invented it.
284
780000
2000
Skaidrs? Kāds to izgudroja.
13:14
And it doesn't mean it's going to work forever.
285
782000
2000
Tas nebūt nedarbosies mūžīgi.
13:16
Management is great.
286
784000
2000
Menedžments ir lielisks.
13:18
Traditional notions of management are great
287
786000
2000
Tradicionālās menedžmenta idejas ir lieliskas,
13:20
if you want compliance.
288
788000
2000
ja vēlaties pakļautību.
13:22
But if you want engagement, self-direction works better.
289
790000
3000
Ja vēlaties iesaistīšanos, labāk strādā patstāvīga vadība.
13:25
Let me give you some examples of some kind of radical
290
793000
2000
Lūk, jums daži radikālu patstāvīgas vadības ideju
13:27
notions of self-direction.
291
795000
2000
piemēri.
13:29
What this means -- you don't see a lot of it,
292
797000
3000
Tas nozīmē -- tas nav pārāk manāmi,
13:32
but you see the first stirrings of something really interesting going on,
293
800000
3000
taču gaisā jūtams patiešām interesantas vēsmas.
13:35
because what it means is paying people adequately
294
803000
2000
Tas nozīmē adekvātu, taisnīgu un absolūtu
13:37
and fairly, absolutely --
295
805000
2000
atalgojumu.
13:39
getting the issue of money off the table,
296
807000
2000
Naudas jautājuma atrisināšanu.
13:41
and then giving people lots of autonomy.
297
809000
2000
Un tad autonomijas piešķiršanu ļaudīm.
13:43
Let me give you some examples.
298
811000
2000
Daži piemēri.
13:45
How many of you have heard of the company Atlassian?
299
813000
4000
Cik daudzi no jums dzirdējuši par uzņēmumu "Atlassian"?
13:49
It looks like less than half.
300
817000
2000
Šķiet, mazāk nekā puse.
13:51
(Laughter)
301
819000
2000
(Smiekli)
13:53
Atlassian is an Australian software company.
302
821000
4000
"Atlassian" ir Austrālijas programmatūras uzņēmums.
13:57
And they do something incredibly cool.
303
825000
2000
Viņi veic ko tiešām satriecošu.
13:59
A few times a year they tell their engineers,
304
827000
2000
Dažas reizes gadā viņi saviem inženieriem saka:
14:01
"Go for the next 24 hours and work on anything you want,
305
829000
4000
"Turpmākās 24 stundas strādājiet, pie kā vēlaties,
14:05
as long as it's not part of your regular job.
306
833000
2000
tikai lai tas nebūtu jūsu ierastā darba ietvaros.
14:07
Work on anything you want."
307
835000
2000
Strādājiet pie jebkā."
14:09
So that engineers use this time to come up with
308
837000
2000
Tā nu inženieri izmanto šo laiku, lai radītu
14:11
a cool patch for code, come up with an elegant hack.
309
839000
3000
stilīgu kodu vai elegantu risinājumu.
14:14
Then they present all of the stuff that they've developed
310
842000
3000
Tad viņi iepazīstina komandas biedrus un pārējo uzņēmumu
14:17
to their teammates, to the rest of the company,
311
845000
3000
ar to, ko ir izstrādājuši,
14:20
in this wild and wooly all-hands meeting
312
848000
2000
mežonīgā un haotiskā pilnsapulcē
14:22
at the end of the day.
313
850000
2000
dienas beigās.
14:24
And then, being Australians, everybody has a beer.
314
852000
2000
Tad, kā Austrālijā pieņemts, visi iedzer pa aliņam.
14:26
They call them FedEx Days.
315
854000
3000
Viņi tās dēvē par "FedEx" dienām.
14:29
Why? Because you have to deliver something overnight.
316
857000
6000
Kāpēc? Jo jāuzražo kas vienas diennakts laikā.
14:35
It's pretty. It's not bad. It's a huge trademark violation,
317
863000
2000
Jauki. Nepavisam ne slikti. Milzīgs prečzīmes pārkāpums.
14:37
but it's pretty clever.
318
865000
2000
Taču visai prātīgi.
14:39
(Laughter)
319
867000
1000
(Smiekli)
14:40
That one day of intense autonomy
320
868000
2000
Viena intensīvas autonomijas diena
14:42
has produced a whole array of software fixes
321
870000
2000
rada veselu gūzmu programmatūras labojumu,
14:44
that might never have existed.
322
872000
2000
kas citādi nebūtu radušies.
14:46
And it's worked so well that Atlassian has taken it to the next level
323
874000
2000
Panākumu dēļ "Atlassian" pārgāja uz nākamo līmeni -
14:48
with 20 Percent Time --
324
876000
2000
20% laika.
14:50
done, famously, at Google --
325
878000
2000
To, kā izslavēts, praktizēja 'Google".
14:52
where engineers can work, spend 20 percent of their time
326
880000
2000
Inženieri var strādāt, pavadot 20% sava laika,
14:54
working on anything they want.
327
882000
2000
darbodamies, pie kā vēlas.
14:56
They have autonomy over their time,
328
884000
2000
Viņi paši nosaka savu laiku,
14:58
their task, their team, their technique.
329
886000
2000
savu uzdevumu, komandu, tehniku.
15:00
Okay? Radical amounts of autonomy.
330
888000
2000
Skaidrs? Radikāls autonomijas apjoms.
15:02
And at Google, as many of you know,
331
890000
4000
"Google", kā daudziem no jums zināms,
15:06
about half of the new products in a typical year
332
894000
2000
aptuveni puse jauno produktu parasta gada laikā
15:08
are birthed during that 20 Percent Time:
333
896000
3000
rodas šī 20% laika periodā.
15:11
things like Gmail, Orkut, Google News.
334
899000
3000
Tādi jaunumi kā Gmail, Orkut, Google News.
15:14
Let me give you an even more radical example of it:
335
902000
3000
Lūk, jums vēl radikālāks piemērs.
15:17
something called the Results Only Work Environment,
336
905000
2000
To dēvē par "Tikai rezultātu darba vidi".
15:19
the ROWE,
337
907000
2000
TRDV.
15:21
created by two American consultants, in place
338
909000
2000
To radīja divi amerikāņu konsultanti
15:23
in place at about a dozen companies around North America.
339
911000
2000
aptuveni ducim uzņēmumu visā Ziemeļamerikā.
15:25
In a ROWE people don't have schedules.
340
913000
4000
TRDV cilvēkiem nav grafiku.
15:29
They show up when they want.
341
917000
2000
Viņi ierodas, kad vēlas.
15:31
They don't have to be in the office at a certain time,
342
919000
2000
Viņiem noteiktā laikā nav jābūt birojā,
15:33
or any time.
343
921000
2000
vispār nav jābūt.
15:35
They just have to get their work done.
344
923000
2000
Vienkārši jāpaveic savs darbs.
15:37
How they do it, when they do it,
345
925000
2000
Kā viņi to dara, kad viņi to dara,
15:39
where they do it, is totally up to them.
346
927000
3000
kur viņi to dara, atkarīgs no pašiem.
15:42
Meetings in these kinds of environments are optional.
347
930000
4000
Sanāksmes šāda veida vidē nav obligātas.
15:46
What happens?
348
934000
2000
Kas notiek?
15:48
Almost across the board, productivity goes up,
349
936000
3000
Gandrīz visās jomās aug produktivitāte,
15:51
worker engagement goes up,
350
939000
3000
palielinās darbinieku iesaistīšanās,
15:54
worker satisfaction goes up, turnover goes down.
351
942000
3000
darbinieku apmierinātība, kadru maiņa samazinās.
15:57
Autonomy, mastery and purpose,
352
945000
2000
Autonomija, meistarība un mērķis.
15:59
These are the building blocks of a new way of doing things.
353
947000
2000
Tie ir jaunās kārtības stūrakmeņi.
16:01
Now some of you might look at this and say,
354
949000
3000
Daži no jums varētu iebilst:
16:04
"Hmm, that sounds nice, but it's Utopian."
355
952000
3000
"Hmm, izklausās jauki. Taču utopiski."
16:07
And I say, "Nope. I have proof."
356
955000
5000
Es saku: "Nē, man ir pierādījumi."
16:12
The mid-1990s, Microsoft started
357
960000
2000
1990-to gadu vidū "Microsoft" iesāka
16:14
an encyclopedia called Encarta.
358
962000
2000
enciklopēdiju, ko sauca "Encarta".
16:16
They had deployed all the right incentives,
359
964000
2000
Viņi izmantoja visus pareizos stimulus.
16:18
all the right incentives. They paid professionals to
360
966000
3000
Visus pareizos stimulus. Maksāja profesionāļiem,
16:21
write and edit thousands of articles.
361
969000
2000
lai viņi radītu un rediģētu tūkstošiem rakstu.
16:23
Well-compensated managers oversaw the whole thing
362
971000
2000
Labi atalgoti menedžeri uzraudzīja procesu,
16:25
to make sure it came in on budget and on time.
363
973000
5000
lai pārliecinātos, ka iekļaujas budžetā un laikā.
16:30
A few years later another encyclopedia got started.
364
978000
2000
Pēc dažiem gadiem sāka veidot jaunu enciklopēdiju.
16:32
Different model, right?
365
980000
3000
Atšķirīgu modeli, vai ne?
16:35
Do it for fun. No one gets paid a cent, or a Euro or a Yen.
366
983000
4000
Prieka pēc. Nevienam nemaksā ne centa, ne eiro vai jēnas.
16:39
Do it because you like to do it.
367
987000
3000
Dariet tādēļ, ka jums tas patīk.
16:42
Now if you had, just 10 years ago,
368
990000
3000
Ja vēl pirms 10 gadiem jūs būtu
16:45
if you had gone to an economist, anywhere,
369
993000
2000
devušies pie ekonomista jebkurā vietā
16:47
and said, "Hey, I've got these two different models for creating an encyclopedia.
370
995000
4000
un teikuši: "Klau, man ir šie divi dažādie enciklopēdijas veidošanas modeļi.
16:51
If they went head to head, who would win?"
371
999000
3000
Ja tiem konkurētu, kurš uzvarētu?"
16:54
10 years ago you could not have found a single sober economist anywhere
372
1002000
4000
Pirms 10 gadiem uz planētas Zeme nekur neatrastos neviens skaidrā
16:58
on planet Earth
373
1006000
2000
esošs ekonomists,
17:00
who would have predicted the Wikipedia model.
374
1008000
2000
kurš pareģotu, ka tas būs Vikipēdijas modelis.
17:02
This is the titanic battle between these two approaches.
375
1010000
3000
Tā ir titāniska cīņa starp šīm divām pieejām.
17:05
This is the Ali-Frazier of motivation. Right?
376
1013000
3000
Tas ir motivācijas Ali-Freizers. Skaidrs?
17:08
This is the Thrilla' in Manila.
377
1016000
2000
Tas ir "Thrilla" Manilā.
17:10
Alright? Intrinsic motivators versus extrinsic motivators.
378
1018000
3000
Ja? Iekšējie stimuli pret ārējiem.
17:13
Autonomy, mastery and purpose,
379
1021000
2000
Autonomija, meistarība un mērķis
17:15
versus carrot and sticks. And who wins?
380
1023000
2000
pret burkāniem un žagariem. Kurš uzvar?
17:17
Intrinsic motivation, autonomy, mastery and purpose,
381
1025000
3000
Iekšējā motivācija, autonomija, meistarība un mērķis
17:20
in a knockout. Let me wrap up.
382
1028000
4000
ir īstais āķis. Īss kopsavilkums.
17:24
There is a mismatch between what science knows and what business does.
383
1032000
3000
Zinātnes informācija nesakrīt ar uzņēmumu rīcību.
17:27
And here is what science knows.
384
1035000
2000
Lūk, kas zināms zinātnei.
17:29
One: Those 20th century rewards,
385
1037000
2000
Pirmkārt: 20. gadsimta atlīdzības,
17:31
those motivators we think are a natural part of business,
386
1039000
3000
stimuli, ko uzskatām par dabisku biznesa daļu,
17:34
do work, but only in a surprisingly narrow band of circumstances.
387
1042000
4000
darbojas, taču tikai šaurā apstākļu lokā.
17:38
Two: Those if-then rewards often destroy creativity.
388
1046000
4000
Otrkārt: šādas ja-tad atlīdzības nereti grauj radošumu.
17:42
Three: The secret to high performance
389
1050000
2000
Treškārt: veiksmīga snieguma noslēpums
17:44
isn't rewards and punishments,
390
1052000
2000
nav atlīdzībā un sodā,
17:46
but that unseen intrinsic drive --
391
1054000
2000
bet neredzamajā iekšējā dzinulī.
17:48
the drive to do things for their own sake.
392
1056000
3000
Dzinulī darīt kaut ko darīšanas pēc.
17:51
The drive to do things cause they matter.
393
1059000
2000
Dzinulī darīt lietas, jo tām ir jēga.
17:53
And here's the best part. Here's the best part.
394
1061000
2000
Lūk, labākā daļa. Labākā daļa.
17:55
We already know this. The science confirms what we know in our hearts.
395
1063000
3000
Mēs to jau zinām. Zinātne apstiprina to, kas zināms sirdīs.
17:58
So, if we repair this mismatch
396
1066000
3000
Tā nu, ja mēs izlabojam šo nesakritību
18:01
between what science knows and what business does,
397
1069000
2000
starp zinātnes informāciju un biznesa rīcību,
18:03
if we bring our motivation, notions of motivation
398
1071000
3000
ja stimulus, stimulu idejas pārnesam uz
18:06
into the 21st century,
399
1074000
2000
21. gadsimtu,
18:08
if we get past this lazy, dangerous, ideology
400
1076000
4000
ja atmetam šo bīstamo burkānu un žagaru
18:12
of carrots and sticks,
401
1080000
2000
slinkuma ideoloģiju,
18:14
we can strengthen our businesses,
402
1082000
3000
varam nostiprināt uzņēmumus,
18:17
we can solve a lot of those candle problems,
403
1085000
3000
atrisināt daudz sveču problēmu
18:20
and maybe, maybe, maybe
404
1088000
4000
un, iespējams, iespējams, iespējams,
18:24
we can change the world.
405
1092000
2000
varam mainīt pasauli.
18:26
I rest my case.
406
1094000
2000
Aizstāvību beidzu.
18:28
(Applause)
407
1096000
3000
(Aplausi)
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