TEDGlobal 2009
Dan Pink: The puzzle of motivation
Dan Pink: Zagadka motywacji
Filmed:
Readability: 4
25,352,736 views
Zawodowy analityk Dan Pink bada zagadkę motywacji, zaczynając od faktu znanego socjologom, ale nie menedżerom: tradycyjne nagrody nie zawsze są tak skuteczne, jak myślimy. Posłuchaj pouczających historii, a może i sugestii na przyszłość.
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
Muszę się od razu do czegoś przyznać.
00:16
A little over 20 years ago
1
4000
3000
Nieco ponad 20 lat temu
00:19
I did something that I regret,
2
7000
2000
zrobiłem coś, czego żałuję,
00:21
something that I'm not particularly proud of,
3
9000
4000
coś, z czego nie jestem zbyt dumny,
00:25
something that, in many ways, I wish no one would ever know,
4
13000
3000
coś, co pod wieloma względami
chciałbym zachować w sekrecie.
chciałbym zachować w sekrecie.
00:28
but here I feel kind of obliged to reveal.
5
16000
4000
Ale tu czuję się w obowiązku to wyjawić.
00:32
(Laughter)
6
20000
2000
(Śmiech)
00:34
In the late 1980s,
7
22000
2000
Pod koniec lat 80.,
00:36
in a moment of youthful indiscretion,
8
24000
3000
w chwili młodzieńczej nierozwagi,
00:39
I went to law school.
9
27000
2000
poszedłem do szkoły prawniczej.
00:41
(Laughter)
10
29000
4000
(Śmiech)
00:45
Now, in America law is a professional degree:
11
33000
3000
W USA prawo to zawód.
00:48
you get your university degree, then you go on to law school.
12
36000
2000
Po uniwersytecie
idziesz do szkoły prawniczej.
idziesz do szkoły prawniczej.
00:50
And when I got to law school,
13
38000
3000
W szkole prawniczej
00:53
I didn't do very well.
14
41000
2000
nie poszło mi najlepiej
00:55
To put it mildly, I didn't do very well.
15
43000
2000
To delikatnie powiedziane.
00:57
I, in fact, graduated in the part of my law school class
16
45000
3000
Ukończyłem w tej części rocznika,
01:00
that made the top 90 percent possible.
17
48000
4000
która umożliwiła zaistnienie
najlepszym 90% absolwentów.
najlepszym 90% absolwentów.
01:04
(Laughter)
18
52000
4000
(Śmiech)
01:08
Thank you.
19
56000
3000
Dziękuję.
01:11
I never practiced law a day in my life;
20
59000
3000
Nie praktykowałem prawa
nawet przez jeden dzień w życiu,
nawet przez jeden dzień w życiu,
01:14
I pretty much wasn't allowed to.
21
62000
2000
w zasadzie mi nie pozwolili.
01:16
(Laughter)
22
64000
3000
(Śmiech)
01:19
But today, against my better judgment,
23
67000
3000
Ale dziś, wbrew rozsądkowi,
01:22
against the advice of my own wife,
24
70000
3000
wbrew radzie mojej własnej żony,
01:25
I want to try to dust off some of those legal skills --
25
73000
4000
chciałbym odświeżyć niektóre
z prawniczych umiejętności,
z prawniczych umiejętności,
01:29
what's left of those legal skills.
26
77000
2000
to, co z nich zostało.
01:31
I don't want to tell you a story.
27
79000
3000
Nie chcę opowiadać wam historii.
01:34
I want to make a case.
28
82000
2000
Chcę wytoczyć proces.
01:36
I want to make a hard-headed, evidence-based,
29
84000
4000
Solidną, opartą o dowody,
01:40
dare I say lawyerly case,
30
88000
3000
śmiem powiedzieć: prawniczą sprawę,
01:43
for rethinking how we run our businesses.
31
91000
4000
dotyczącą przemyślenia sposobu,
w jaki prowadzimy firmy.
w jaki prowadzimy firmy.
01:47
So, ladies and gentlemen of the jury, take a look at this.
32
95000
4000
Zatem, panie i panowie przysięgli,
przyjrzyjcie się temu.
przyjrzyjcie się temu.
01:51
This is called the candle problem.
33
99000
2000
To tak zwany problem świecy.
01:53
Some of you might have seen this before.
34
101000
2000
Niektórzy może to znają.
01:55
It's created in 1945
35
103000
2000
Został stworzony w roku 1945
01:57
by a psychologist named Karl Duncker.
36
105000
2000
przez psychologa Karla Dunckera.
01:59
Karl Duncker created this experiment
37
107000
2000
Ten eksperyment jest wykorzystywany
02:01
that is used in a whole variety of experiments in behavioral science.
38
109000
3000
w całej gamie
eksperymentów behawioralnych.
eksperymentów behawioralnych.
02:04
And here's how it works. Suppose I'm the experimenter.
39
112000
3000
Oto jak to działa.
Załóżmy, że jestem eksperymentatorem.
02:07
I bring you into a room. I give you a candle,
40
115000
4000
Wprowadzam cię do pokoju.
Daję świeczkę,
kilka pinezek i kilka zapałek.
kilka pinezek i kilka zapałek.
02:11
some thumbtacks and some matches.
41
119000
2000
02:13
And I say to you, "Your job
42
121000
2000
I mówię tak:
"Masz przymocować świeczkę do ściany,
02:15
is to attach the candle to the wall
43
123000
2000
02:17
so the wax doesn't drip onto the table." Now what would you do?
44
125000
4000
ale tak, żeby wosk nie skapywał na stół".
Co zrobisz?
02:21
Now many people begin trying to thumbtack the candle to the wall.
45
129000
4000
Wielu próbuje przyczepić
świeczkę pinezkami do ściany.
świeczkę pinezkami do ściany.
02:25
Doesn't work.
46
133000
2000
Nie działa.
02:27
Somebody, some people -- and I saw somebody
47
135000
2000
Niektórzy, tak jak tu ktoś pokazywał,
02:29
kind of make the motion over here --
48
137000
2000
02:31
some people have a great idea where they
49
139000
2000
wpadają na świetny pomysł,
żeby zapalić zapałkę
żeby zapalić zapałkę
02:33
light the match, melt the side of the candle, try to adhere it to the wall.
50
141000
4000
topią bok świeczki
i próbują przylepić ją do ściany.
i próbują przylepić ją do ściany.
02:37
It's an awesome idea. Doesn't work.
51
145000
3000
To świetny pomysł. Nie działa.
02:40
And eventually, after five or 10 minutes,
52
148000
3000
W końcu po 5 lub 10 minutach
02:43
most people figure out the solution,
53
151000
2000
większość wpada na rozwiązanie,
02:45
which you can see here.
54
153000
2000
które możecie zobaczyć tu.
02:47
The key is to overcome what's called functional fixedness.
55
155000
3000
Kluczem jest pokonanie tak zwanej
fiksacji funkcjonalnej.
fiksacji funkcjonalnej.
02:50
You look at that box and you see it only as a receptacle for the tacks.
56
158000
4000
Patrzysz na pudełko
i widzisz tylko pojemnik na pinezki.
i widzisz tylko pojemnik na pinezki.
02:54
But it can also have this other function,
57
162000
2000
Ale może mieć również inną funkcję,
02:56
as a platform for the candle. The candle problem.
58
164000
4000
jako podstawka pod świeczkę.
Problem świeczki.
Problem świeczki.
03:00
Now I want to tell you about an experiment
59
168000
2000
Opowiem o pewnym eksperymencie,
03:02
using the candle problem,
60
170000
2000
wykorzystującym problem świeczki,
03:04
done by a scientist named Sam Glucksberg,
61
172000
2000
autorstwa naukowca
o nazwisku Sam Glucksberg,
o nazwisku Sam Glucksberg,
03:06
who is now at Princeton University in the U.S.
62
174000
2000
obecnie wykładowcy
na Uniwersytecie Princeton w USA
na Uniwersytecie Princeton w USA
03:08
This shows the power of incentives.
63
176000
4000
Pokazuje on siłę zachęty.
03:12
Here's what he did. He gathered his participants.
64
180000
2000
Oto co zrobił.
Powiedział uczestnikom:
03:14
And he said, "I'm going to time you. How quickly you can solve this problem?"
65
182000
3000
"Będę mierzyć, ile czasu
zajmie wam rozwiązanie problemu".
zajmie wam rozwiązanie problemu".
03:17
To one group he said,
66
185000
2000
Jednej grupie powiedział:
03:19
"I'm going to time you to establish norms,
67
187000
3000
Zmierzę wam czas, żeby ustalić normy,
03:22
averages for how long it typically takes
68
190000
2000
średni czas potrzebny na rozwiązanie
03:24
someone to solve this sort of problem."
69
192000
2000
tego rodzaju problemu.
03:26
To the second group he offered rewards.
70
194000
3000
Drugiej grupie zaproponował nagrody.
03:29
He said, "If you're in the top 25 percent of the fastest times,
71
197000
4000
Powiedział: "Jeśli będziesz
wśród najszybszych 25%,
wśród najszybszych 25%,
03:33
you get five dollars.
72
201000
3000
dostaniesz pięć dolarów.
03:36
If you're the fastest of everyone we're testing here today,
73
204000
3000
Jeśli będziesz najszybszy z wszystkich,
03:39
you get 20 dollars."
74
207000
2000
dostaniesz 20 dolarów".
03:41
Now this is several years ago. Adjusted for inflation,
75
209000
3000
To było wiele lat temu,
więc z poprawką na inflację
więc z poprawką na inflację
03:44
it's a decent sum of money for a few minutes of work.
76
212000
2000
to przyzwoita suma za kilka minut pracy.
03:46
It's a nice motivator.
77
214000
2000
Całkiem miły bodziec.
03:48
Question: How much faster
78
216000
3000
Pytanie: o ile szybciej
03:51
did this group solve the problem?
79
219000
2000
ta grupa rozwiązała problem?
03:53
Answer: It took them, on average,
80
221000
3000
Odpowiedź: przeciętnie, zabrało im to
03:56
three and a half minutes longer.
81
224000
4000
trzy i pół minuty dłużej.
04:00
Three and a half minutes longer. Now this makes no sense right?
82
228000
3000
To bez sensu, prawda?
04:03
I mean, I'm an American. I believe in free markets.
83
231000
3000
Jestem Amerykaninem, wierzę w wolny rynek.
04:06
That's not how it's supposed to work. Right?
84
234000
3000
To nie tak powinno działać. Prawda?
04:09
(Laughter)
85
237000
1000
(Śmiech)
04:10
If you want people to perform better,
86
238000
2000
Chcecie, żeby ludzie pracowali lepiej,
04:12
you reward them. Right?
87
240000
2000
to ich nagradzacie, prawda?
04:14
Bonuses, commissions, their own reality show.
88
242000
3000
Premie, prowizje, własne reality show.
04:17
Incentivize them. That's how business works.
89
245000
4000
Motywuj przez nagrody.
Tak działa biznes.
04:21
But that's not happening here.
90
249000
2000
Ale tu stało się inaczej.
04:23
You've got an incentive designed to
91
251000
2000
Nagrodę zaprojektowano tak,
04:25
sharpen thinking and accelerate creativity,
92
253000
4000
żeby wyostrzyła myślenie
i przyspieszyła kreatywność,
i przyspieszyła kreatywność,
04:29
and it does just the opposite.
93
257000
2000
a ona działa dokładnie na odwrót.
04:31
It dulls thinking and blocks creativity.
94
259000
3000
Spowalnia myślenie i blokuje kreatywność.
04:34
And what's interesting about this experiment is that it's not an aberration.
95
262000
3000
Co interesujące, to nie jest anomalia.
04:37
This has been replicated over and over
96
265000
3000
Ten test powtarzano wiele razy
04:40
and over again, for nearly 40 years.
97
268000
3000
przez prawie 40 lat.
04:43
These contingent motivators --
98
271000
3000
Te standardowe bodźce,
04:46
if you do this, then you get that --
99
274000
2000
"jak zrobisz to, otrzymasz tamto",
04:48
work in some circumstances.
100
276000
2000
działają w pewnych warunkach.
04:50
But for a lot of tasks, they actually either don't work
101
278000
3000
Ale przy wielu zadaniach nie pomagają,
04:53
or, often, they do harm.
102
281000
3000
a często wręcz szkodzą.
04:56
This is one of the most robust findings
103
284000
4000
To jedno z najbardziej solidnych odkryć
05:00
in social science,
104
288000
3000
w naukach społecznych
05:03
and also one of the most ignored.
105
291000
2000
i jedno z najbardziej ignorowanych.
05:05
I spent the last couple of years looking at the science of
106
293000
2000
Spędziłem ostatnie kilka lat,
05:07
human motivation,
107
295000
2000
śledząc naukę o ludzkiej motywacji,
05:09
particularly the dynamics of extrinsic motivators
108
297000
2000
a zwłaszcza o działaniu
bodźców zewnętrznych i wewnętrznych.
05:11
and intrinsic motivators.
109
299000
2000
05:13
And I'm telling you, it's not even close.
110
301000
2000
Mówię wam, to ogromna różnica.
05:15
If you look at the science, there is a mismatch
111
303000
2000
Z punktu widzenia nauki widać rozbieżność
05:17
between what science knows and what business does.
112
305000
4000
między tym co wie nauka,
a tym, co robi biznes.
a tym, co robi biznes.
05:21
And what's alarming here is that our business operating system --
113
309000
3000
Co alarmujące, system operacyjny biznesu
05:24
think of the set of assumptions and protocols beneath our businesses,
114
312000
3000
czyli zestaw założeń i protokołów
u podstaw biznesu,
u podstaw biznesu,
05:27
how we motivate people, how we apply our human resources --
115
315000
5000
sposób motywowania i wykorzystania kadr,
05:32
it's built entirely around these extrinsic motivators,
116
320000
3000
w całości opiera się o zewnętrzne bodźce,
05:35
around carrots and sticks.
117
323000
2000
o kije i marchewki.
05:37
That's actually fine for many kinds of 20th century tasks.
118
325000
4000
To właściwe podejście dla wielu
rodzajów zadań z XX wieku.
rodzajów zadań z XX wieku.
05:41
But for 21st century tasks,
119
329000
2000
Ale dla zadań z XXI wieku
05:43
that mechanistic, reward-and-punishment approach
120
331000
4000
mechanistyczne, oparte o system
nagród i kar podejście
nagród i kar podejście
05:47
doesn't work, often doesn't work, and often does harm.
121
335000
4000
często nie działa, a często szkodzi.
05:51
Let me show you what I mean.
122
339000
2000
Pokażę, o co mi chodzi.
05:53
So Glucksberg did another experiment similar to this
123
341000
3000
Glucksberg zrobił inny,
podobny eksperyment,
podobny eksperyment,
w którym pokazał problem
w nieco inny sposób,
w nieco inny sposób,
05:56
where he presented the problem in a slightly different way,
124
344000
2000
05:58
like this up here. Okay?
125
346000
3000
tak jak tutaj.
[Problem świecy]
06:01
Attach the candle to the wall so the wax doesn't drip onto the table.
126
349000
2000
Przymocuj świecę do ściany,
żeby wosk nie kapał na stół.
żeby wosk nie kapał na stół.
06:03
Same deal. You: we're timing for norms.
127
351000
3000
Wam mierzymy czas dla normy,
06:06
You: we're incentivizing.
128
354000
3000
was motywujemy przez nagrody.
06:09
What happened this time?
129
357000
2000
Co zdarzyło się tym razem?
06:11
This time, the incentivized group
130
359000
2000
Tym razem, grupa nagradzana
06:13
kicked the other group's butt.
131
361000
4000
dokopała tej drugiej.
06:17
Why? Because when the tacks are out of the box,
132
365000
4000
Dlaczego? Bo kiedy pinezki
są poza pudełkiem,
są poza pudełkiem,
06:21
it's pretty easy isn't it?
133
369000
4000
robi się łatwo, prawda?
[Problem świecy dla opornych]
06:25
(Laughter)
134
373000
2000
(Śmiech)
06:27
If-then rewards work really well
135
375000
3000
Nagrody warunkowe działają bardzo dobrze
06:30
for those sorts of tasks,
136
378000
3000
dla tych zadań, gdzie zasady są proste,
06:33
where there is a simple set of rules and a clear destination
137
381000
2000
a cel jest jasno wyznaczony.
06:35
to go to.
138
383000
2000
06:37
Rewards, by their very nature,
139
385000
2000
Nagrody, ze swojej natury,
06:39
narrow our focus, concentrate the mind;
140
387000
2000
zawężają uwagę, koncentrują umysł.
06:41
that's why they work in so many cases.
141
389000
2000
Dlatego działają w tak wielu przypadkach.
06:43
And so, for tasks like this,
142
391000
2000
Dlatego dla zadań typu:
06:45
a narrow focus, where you just see the goal right there,
143
393000
3000
"zawężona uwaga, wyznaczony cel,
06:48
zoom straight ahead to it,
144
396000
2000
prosta droga"
06:50
they work really well.
145
398000
2000
działają bardzo dobrze.
06:52
But for the real candle problem,
146
400000
2000
Ale dla prawdziwego "problemu świeczki",
06:54
you don't want to be looking like this.
147
402000
2000
nie chcesz, by to tak wyglądało.
06:56
The solution is not over here. The solution is on the periphery.
148
404000
2000
Rozwiązanie nie jest tutaj.
Rozwiązanie jest na pograniczu.
Rozwiązanie jest na pograniczu.
06:58
You want to be looking around.
149
406000
2000
Trzeba się rozglądać.
07:00
That reward actually narrows our focus
150
408000
2000
Nagroda zawęża naszą uwagę
07:02
and restricts our possibility.
151
410000
2000
i ogranicza nasze możliwości.
07:04
Let me tell you why this is so important.
152
412000
3000
Wyjaśnię, dlaczego to jest ważne.
07:07
In western Europe,
153
415000
2000
W Zachodniej Europie,
07:09
in many parts of Asia,
154
417000
2000
w wielu częściach Azji,
07:11
in North America, in Australia,
155
419000
3000
w Ameryce Północnej, w Australii,
07:14
white-collar workers are doing less of
156
422000
2000
pracownicy umysłowi
wykonują coraz mniej takich zadań,
07:16
this kind of work,
157
424000
2000
07:18
and more of this kind of work.
158
426000
4000
a coraz więcej takich.
07:22
That routine, rule-based, left-brain work --
159
430000
3000
Rutynową, uregulowaną pracę,
wykorzystującą lewą półkulę,
wykorzystującą lewą półkulę,
07:25
certain kinds of accounting, certain kinds of financial analysis,
160
433000
2000
niektóre rodzaje księgowości,
analizy finansowej
analizy finansowej
07:27
certain kinds of computer programming --
161
435000
2000
lub programowania,
07:29
has become fairly easy to outsource,
162
437000
2000
łatwo zlecić podwykonawcom,
07:31
fairly easy to automate.
163
439000
2000
łatwo zautomatyzować.
07:33
Software can do it faster.
164
441000
3000
Program komputerowy zrobi to szybciej.
07:36
Low-cost providers around the world can do it cheaper.
165
444000
2000
Zagraniczni podwykonawcy
mogą to zrobić taniej.
mogą to zrobić taniej.
07:38
So what really matters are the more right-brained
166
446000
4000
Naprawdę liczą się zadania
wykorzystujące prawą półkulę mózgu,
wykorzystujące prawą półkulę mózgu,
07:42
creative, conceptual kinds of abilities.
167
450000
3000
twórcze, koncepcyjne rodzaje zdolności.
07:45
Think about your own work.
168
453000
3000
Pomyśl o swojej własnej pracy
07:48
Think about your own work.
169
456000
3000
07:51
Are the problems that you face, or even the problems
170
459000
2000
Czy problemy z jakimi się stykasz,
07:53
we've been talking about here,
171
461000
2000
a nawet problemy, o których mówimy tutaj,
07:55
are those kinds of problems -- do they have a clear set of rules,
172
463000
2000
mają jasne zasady i jedno rozwiązanie?
07:57
and a single solution? No.
173
465000
3000
Nie.
08:00
The rules are mystifying.
174
468000
2000
Reguły są mylące.
08:02
The solution, if it exists at all,
175
470000
2000
Rozwiązanie, jeśli w ogóle istnieje,
08:04
is surprising and not obvious.
176
472000
3000
jest zaskakujące i nieoczywiste.
08:07
Everybody in this room
177
475000
2000
Każdy na tej sali
08:09
is dealing with their own version
178
477000
3000
zajmuje się swoją własną wersją
08:12
of the candle problem.
179
480000
2000
problemu świeczki.
08:14
And for candle problems of any kind,
180
482000
3000
A dla problemów świeczki
08:17
in any field,
181
485000
2000
w dowolnej dziedzinie
08:19
those if-then rewards,
182
487000
3000
te warunkowe nagrody,
08:22
the things around which we've built so many of our businesses,
183
490000
4000
wokół których zbudowaliśmy
tak wiele firm,
tak wiele firm,
08:26
don't work.
184
494000
2000
nie działają!
08:28
Now, I mean it makes me crazy.
185
496000
2000
Dostaję od tego szału.
08:30
And this is not -- here's the thing.
186
498000
2000
Oto w czym rzecz.
08:32
This is not a feeling.
187
500000
3000
To nie jest uczucie
08:35
Okay? I'm a lawyer; I don't believe in feelings.
188
503000
3000
Jestem prawnikiem, nie wierzę w uczucia
08:38
This is not a philosophy.
189
506000
4000
To nie jest filozofia.
08:42
I'm an American; I don't believe in philosophy.
190
510000
2000
Jestem Amerykaninem,
nie wierzę w filozofię.
nie wierzę w filozofię.
08:44
(Laughter)
191
512000
3000
(Śmiech)
08:47
This is a fact --
192
515000
3000
To jest fakt.
08:50
or, as we say in my hometown of Washington, D.C.,
193
518000
2000
Jak mawiamy w moim rodzinnym Waszyngtonie:
08:52
a true fact.
194
520000
2000
prawdziwy fakt.
08:54
(Laughter)
195
522000
2000
(Śmiech)
08:56
(Applause)
196
524000
4000
(Oklaski)
09:00
Let me give you an example of what I mean.
197
528000
2000
Podam przykład.
09:02
Let me marshal the evidence here,
198
530000
2000
Przedstawię materiał dowodowy,
bo nie opowiadam historii,
tylko przedstawiam sprawę,
tylko przedstawiam sprawę,
09:04
because I'm not telling you a story, I'm making a case.
199
532000
2000
09:06
Ladies and gentlemen of the jury, some evidence:
200
534000
2000
panie i panowie przysięgli.
Oto dowody:
09:08
Dan Ariely, one of the great economists of our time,
201
536000
3000
Dan Ariely, jeden z wielkich
ekonomistów naszych czasów,
ekonomistów naszych czasów,
09:11
he and three colleagues, did a study of some MIT students.
202
539000
4000
zbadał z trzema kolegami
grupę studentów MIT.
grupę studentów MIT.
09:15
They gave these MIT students a bunch of games,
203
543000
3000
Dali studentom zestaw gier,
09:18
games that involved creativity,
204
546000
2000
które wymagały kreatywności,
09:20
and motor skills, and concentration.
205
548000
2000
umiejętności motorycznych i koncentracji.
09:22
And the offered them, for performance,
206
550000
2000
Zaoferowali im za dobre wyniki
09:24
three levels of rewards:
207
552000
2000
trzy poziomy nagród:
09:26
small reward, medium reward, large reward.
208
554000
5000
małe, średnie i duże.
09:31
Okay? If you do really well you get the large reward, on down.
209
559000
4000
Duży sukces, duża nagroda i tak dalej.
09:35
What happened? As long as the task involved only mechanical skill
210
563000
4000
Co się stało?
Dla zadań wymagających
zdolności czysto mechanicznych
zdolności czysto mechanicznych
09:39
bonuses worked as they would be expected:
211
567000
2000
nagrody działały zgodnie z oczekiwaniem:
09:41
the higher the pay, the better the performance.
212
569000
4000
im większa premia, tym lepsza efektywność.
09:45
Okay? But one the task called for
213
573000
2000
Ale kiedy zadanie wymagało
09:47
even rudimentary cognitive skill,
214
575000
4000
choćby szczątkowych
umiejętności poznawczych,
umiejętności poznawczych,
09:51
a larger reward led to poorer performance.
215
579000
5000
większa nagroda prowadziła
do gorszych wyników.
do gorszych wyników.
09:56
Then they said,
216
584000
2000
Powiedzieli: "Zobaczmy,
czy są tu jakieś zależności kulturowe.
czy są tu jakieś zależności kulturowe.
09:58
"Okay let's see if there's any cultural bias here.
217
586000
2000
10:00
Lets go to Madurai, India and test this."
218
588000
2000
Zbadajmy to w Madurai w Indiach".
10:02
Standard of living is lower.
219
590000
2000
Poziom życia jest niższy.
10:04
In Madurai, a reward that is modest in North American standards,
220
592000
3000
Skromna jak na USA nagroda
10:07
is more meaningful there.
221
595000
3000
w Madurai więcej znaczy.
10:10
Same deal. A bunch of games, three levels of rewards.
222
598000
3000
Ten sam test.
Kilka zadań, 3 poziomy nagród
Kilka zadań, 3 poziomy nagród
10:13
What happens?
223
601000
2000
Co się dzieje?
10:15
People offered the medium level of rewards
224
603000
3000
Ludzie, którym zaoferowano
średni poziom nagród
średni poziom nagród
10:18
did no better than people offered the small rewards.
225
606000
3000
nie prześcignęli tych,
którym oferowano małe nagrody.
którym oferowano małe nagrody.
10:21
But this time, people offered the highest rewards,
226
609000
4000
Ale tym razem badani,
którym zaoferowano najwyższe nagrody,
którym zaoferowano najwyższe nagrody,
10:25
they did the worst of all.
227
613000
4000
wypadli najgorzej z wszystkich.
10:29
In eight of the nine tasks we examined across three experiments,
228
617000
3000
W 8 na 9 zadań w 3 eksperymentach
10:32
higher incentives led to worse performance.
229
620000
5000
wyższe nagrody prowadziły
do mniejszej efektywności.
do mniejszej efektywności.
10:37
Is this some kind of touchy-feely
230
625000
3000
Czy mamy tu do czynienia z jakąś
emocjonalną, socjalistyczną zmową?
10:40
socialist conspiracy going on here?
231
628000
3000
10:43
No. These are economists from MIT,
232
631000
3000
Nie, To ekonomiści z MIT,
10:46
from Carnegie Mellon, from the University of Chicago.
233
634000
3000
z Canergie Mellon,
z Uniwersytetu w Chicago.
z Uniwersytetu w Chicago.
10:49
And do you know who sponsored this research?
234
637000
2000
I wiecie kto sponsorował te badania?
10:51
The Federal Reserve Bank of the United States.
235
639000
4000
Bank Rezerwy Federalnej USA.
10:55
That's the American experience.
236
643000
2000
Oto amerykańskie doświadczenie.
10:57
Let's go across the pond to the London School of Economics --
237
645000
3000
przenieśmy się za morze,
do London School of Economics, LSE,
11:00
LSE, London School of Economics,
238
648000
3000
11:03
alma mater of 11 Nobel Laureates in economics.
239
651000
3000
Alma Mater 11 laureatów
nagrody Nobla z ekonomii
nagrody Nobla z ekonomii
11:06
Training ground for great economic thinkers
240
654000
3000
Miejsce szkolenia
wielkich myślicieli ekonomii,
wielkich myślicieli ekonomii,
11:09
like George Soros, and Friedrich Hayek,
241
657000
3000
jak George Soros i Friedrich Hayek.
11:12
and Mick Jagger. (Laughter)
242
660000
2000
I Mick Jagger. (Śmiech)
11:14
Last month, just last month,
243
662000
4000
Właśnie w zeszłym miesiącu
11:18
economists at LSE looked at 51 studies
244
666000
3000
ekonomiści z LSE przejrzeli 51 badań
11:21
of pay-for-performance plans, inside of companies.
245
669000
3000
programów premiujących
wydajność w firmach.
wydajność w firmach.
11:24
Here's what the economists there said: "We find that financial incentives
246
672000
3000
Oto co powiedzieli:
"Bonusy finansowe mogą mieć
zły wpływ na ogólną wydajność."
zły wpływ na ogólną wydajność."
11:27
can result in a negative impact on overall performance."
247
675000
6000
11:33
There is a mismatch between what science knows
248
681000
3000
Jest rozdźwięk między tym, co wie nauka,
11:36
and what business does.
249
684000
2000
a tym, co robi biznes.
11:38
And what worries me, as we stand here in the rubble
250
686000
3000
Gdy tak stoimy na ruinach
11:41
of the economic collapse,
251
689000
2000
upadłej gospodarki,
11:43
is that too many organizations
252
691000
2000
martwi mnie, że zbyt wiele organizacji
11:45
are making their decisions,
253
693000
2000
podejmuje decyzje,
11:47
their policies about talent and people,
254
695000
2000
kształtuje podejście do talentów i ludzi,
11:49
based on assumptions that are outdated, unexamined,
255
697000
6000
w oparciu o założenia
przestarzałe, niesprawdzone
przestarzałe, niesprawdzone
11:55
and rooted more in folklore than in science.
256
703000
3000
i zakorzenione bardziej
w folklorze niż w nauce.
w folklorze niż w nauce.
11:58
And if we really want to get out of this economic mess,
257
706000
3000
Żeby wyjść z ekonomicznego bałaganu
12:01
and if we really want high performance on those
258
709000
2000
i osiągnąć wysoką skuteczność
12:03
definitional tasks of the 21st century,
259
711000
2000
w tych kluczowych zadaniach XXI wieku,
12:05
the solution is not to do more of the wrong things,
260
713000
6000
trzeba przestać powtarzać błędy,
12:11
to entice people with a sweeter carrot,
261
719000
3000
przestać kusić słodszą marchewką
12:14
or threaten them with a sharper stick.
262
722000
2000
albo grozić większym patykiem.
12:16
We need a whole new approach.
263
724000
2000
Potrzebujemy całkowicie nowego podejścia.
12:18
And the good news about all of this is that the scientists
264
726000
2000
Na szczęście naukowcy badający motywację
12:20
who've been studying motivation have given us this new approach.
265
728000
3000
dali nam to nowe podejście,
12:23
It's an approach built much more around intrinsic motivation.
266
731000
3000
zbudowane głównie
na wewnętrznej motywacji,
na wewnętrznej motywacji,
12:26
Around the desire to do things because they matter,
267
734000
2000
na chęci robienia czegoś,
bo jest istotne,
bo jest istotne,
12:28
because we like it, because they're interesting,
268
736000
2000
bo nas cieszy, bo nas interesuje,
12:30
because they are part of something important.
269
738000
2000
bo jest częścią czegoś ważnego.
12:32
And to my mind, that new operating system for our businesses
270
740000
4000
Moim zdaniem ten system działania
12:36
revolves around three elements:
271
744000
2000
obraca się wokół trzech składników:
12:38
autonomy, mastery and purpose.
272
746000
3000
autonomii, mistrzostwa i celu.
12:41
Autonomy: the urge to direct our own lives.
273
749000
3000
Autonomia: pragnienie,
by kierować własnym życiem.
by kierować własnym życiem.
12:44
Mastery: the desire to get better and better at something that matters.
274
752000
4000
Mistrzostwo: pragnienie doskonalenia
w czymś, co ma znaczenie.
w czymś, co ma znaczenie.
12:48
Purpose: the yearning to do what we do
275
756000
3000
Celu: tęsknota do działania
12:51
in the service of something larger than ourselves.
276
759000
3000
w służbie czegoś większego niż my sami.
12:54
These are the building blocks of an entirely new operating system
277
762000
3000
To są fundamenty całkowicie nowego systemu
12:57
for our businesses.
278
765000
2000
działalności gospodarczej.
12:59
I want to talk today only about autonomy.
279
767000
4000
Chcę dziś mówić tylko o autonomii.
13:03
In the 20th century, we came up with this idea of management.
280
771000
3000
W XX wieku wymyśliliśmy zarządzanie.
13:06
Management did not emanate from nature.
281
774000
2000
Zarządzanie nie wyłoniło się z natury
13:08
Management is like -- it's not a tree,
282
776000
2000
Zarządzanie nie jest jak drzewo,
13:10
it's a television set.
283
778000
2000
jest jak odbiornik telewizyjny.
13:12
Okay? Somebody invented it.
284
780000
2000
Ktoś je wynalazł.
13:14
And it doesn't mean it's going to work forever.
285
782000
2000
Nie będzie działało wiecznie.
13:16
Management is great.
286
784000
2000
Zarządzanie jest świetne.
13:18
Traditional notions of management are great
287
786000
2000
Tradycyjne reguły zarządzania działają,
13:20
if you want compliance.
288
788000
2000
jeśli potrzebujesz podporządkowania.
13:22
But if you want engagement, self-direction works better.
289
790000
3000
Ale jeśli chcesz zaangażowania,
samodzielność działa lepiej.
samodzielność działa lepiej.
13:25
Let me give you some examples of some kind of radical
290
793000
2000
Kilka przykładów
radykalnych pojęć samodzielności.
radykalnych pojęć samodzielności.
13:27
notions of self-direction.
291
795000
2000
13:29
What this means -- you don't see a lot of it,
292
797000
3000
To jeszcze rzadkość,
13:32
but you see the first stirrings of something really interesting going on,
293
800000
3000
ale widać pierwsze objawy
czegoś bardzo interesującego,
czegoś bardzo interesującego,
13:35
because what it means is paying people adequately
294
803000
2000
Mowa o adekwatnej i uczciwej płacy,
13:37
and fairly, absolutely --
295
805000
2000
co usuwa problem pieniędzy,
13:39
getting the issue of money off the table,
296
807000
2000
13:41
and then giving people lots of autonomy.
297
809000
2000
i danie ludziom mnóstwa autonomii.
13:43
Let me give you some examples.
298
811000
2000
Kilka przykładów.
13:45
How many of you have heard of the company Atlassian?
299
813000
4000
Ilu z was słyszało o firmie Atlassian?
13:49
It looks like less than half.
300
817000
2000
Chyba mniej niż połowa.
13:51
(Laughter)
301
819000
2000
(Śmiech)
13:53
Atlassian is an Australian software company.
302
821000
4000
Atlassian to australijska
firma software'owa.
firma software'owa.
13:57
And they do something incredibly cool.
303
825000
2000
Robią coś odlotowego.
13:59
A few times a year they tell their engineers,
304
827000
2000
Kilka razy do roku mówią inżynierom:
14:01
"Go for the next 24 hours and work on anything you want,
305
829000
4000
"Masz 24 godziny, pracuj nad czym chcesz,
byle nie nad tym, co w pracy.
14:05
as long as it's not part of your regular job.
306
833000
2000
14:07
Work on anything you want."
307
835000
2000
Cokolwiek innego".
14:09
So that engineers use this time to come up with
308
837000
2000
Inżynierowie wykorzystują
ten czas na wymyślenie
ten czas na wymyślenie
14:11
a cool patch for code, come up with an elegant hack.
309
839000
3000
fajnej łatki do kodu, eleganckiego skrótu.
14:14
Then they present all of the stuff that they've developed
310
842000
3000
Przedstawiają to, co zrobili
14:17
to their teammates, to the rest of the company,
311
845000
3000
kolegom z zespołu, reszcie firmy,
14:20
in this wild and wooly all-hands meeting
312
848000
2000
podczas zakręconych spotkań
pod koniec dnia.
pod koniec dnia.
14:22
at the end of the day.
313
850000
2000
14:24
And then, being Australians, everybody has a beer.
314
852000
2000
I, jak to Australijczycy,
strzelają po piwku.
strzelają po piwku.
14:26
They call them FedEx Days.
315
854000
3000
Nazywają to Dniami FedEx,
14:29
Why? Because you have to deliver something overnight.
316
857000
6000
bo musisz dostarczyć coś w jeden dzień.
14:35
It's pretty. It's not bad. It's a huge trademark violation,
317
863000
2000
Fajna rzecz.
Wielkie naruszenie
znaku towarowego, ale zmyślne.
znaku towarowego, ale zmyślne.
14:37
but it's pretty clever.
318
865000
2000
14:39
(Laughter)
319
867000
1000
(Śmiech)
14:40
That one day of intense autonomy
320
868000
2000
Jeden dzień intensywnej autonomii
14:42
has produced a whole array of software fixes
321
870000
2000
obrodził mnóstwem poprawek do programów,
14:44
that might never have existed.
322
872000
2000
które mogły nigdy nie powstać.
14:46
And it's worked so well that Atlassian has taken it to the next level
323
874000
2000
Sprawdziło się tak dobrze,
że Atlassian poszli o krok dalej
że Atlassian poszli o krok dalej
14:48
with 20 Percent Time --
324
876000
2000
z 20% czasu.
14:50
done, famously, at Google --
325
878000
2000
Robi to też Google,
14:52
where engineers can work, spend 20 percent of their time
326
880000
2000
gdzie programiści mogą spędzić 20% czasu
14:54
working on anything they want.
327
882000
2000
na pracy nad czym tylko chcą.
14:56
They have autonomy over their time,
328
884000
2000
Mogą decydować o swoim czasie,
14:58
their task, their team, their technique.
329
886000
2000
zadaniach, zespole, technice.
15:00
Okay? Radical amounts of autonomy.
330
888000
2000
Radykalnie dużo autonomii.
15:02
And at Google, as many of you know,
331
890000
4000
Jak wielu z was wie,
15:06
about half of the new products in a typical year
332
894000
2000
co roku połowa nowych produktów Google
15:08
are birthed during that 20 Percent Time:
333
896000
3000
pochodzi z tych 20% czasu:
15:11
things like Gmail, Orkut, Google News.
334
899000
3000
Gmail, Orkut, Google News.
15:14
Let me give you an even more radical example of it:
335
902000
3000
Oto jeszcze bardziej radykalny przykład:
15:17
something called the Results Only Work Environment,
336
905000
2000
Środowisko pracy zorientowane na rezultat
15:19
the ROWE,
337
907000
2000
po angielsku ROWE,
15:21
created by two American consultants, in place
338
909000
2000
stworzone przez dwóch konsultantów z USA,
15:23
in place at about a dozen companies around North America.
339
911000
2000
wdrożone w 12 firmach w Ameryce Północnej.
15:25
In a ROWE people don't have schedules.
340
913000
4000
Personel nie ma harmonogramów pracy.
15:29
They show up when they want.
341
917000
2000
Przychodzą, kiedy chcą.
15:31
They don't have to be in the office at a certain time,
342
919000
2000
Nie muszą przyjść o określonej godzinie,
15:33
or any time.
343
921000
2000
a nawet wcale.
15:35
They just have to get their work done.
344
923000
2000
Mają wykonać pracę.
15:37
How they do it, when they do it,
345
925000
2000
Jak, kiedy i gdzie to robią,
15:39
where they do it, is totally up to them.
346
927000
3000
zależy tylko od nich.
15:42
Meetings in these kinds of environments are optional.
347
930000
4000
Narady są opcjonalne.
15:46
What happens?
348
934000
2000
Co się dzieje?
15:48
Almost across the board, productivity goes up,
349
936000
3000
Prawie wszędzie wydajność rośnie,
15:51
worker engagement goes up,
350
939000
3000
zaangażowanie rośnie,
15:54
worker satisfaction goes up, turnover goes down.
351
942000
3000
satysfakcja rośnie, fluktuacja kadr spada.
15:57
Autonomy, mastery and purpose,
352
945000
2000
Autonomia, mistrzostwo, cel.
15:59
These are the building blocks of a new way of doing things.
353
947000
2000
To kamienie węgielne
nowego sposobu działania.
nowego sposobu działania.
16:01
Now some of you might look at this and say,
354
949000
3000
Ktoś może stwierdzić, że to utopia.
16:04
"Hmm, that sounds nice, but it's Utopian."
355
952000
3000
Odpowiadam, że mam dowody.
16:07
And I say, "Nope. I have proof."
356
955000
5000
16:12
The mid-1990s, Microsoft started
357
960000
2000
Połowa lat 90., Microsoft rozpoczyna
16:14
an encyclopedia called Encarta.
358
962000
2000
tworzenie encyklopedii o nazwie Encarta.
16:16
They had deployed all the right incentives,
359
964000
2000
Wprowadzili odpowiednie bodźce,
16:18
all the right incentives. They paid professionals to
360
966000
3000
opłacili zawodowców,
16:21
write and edit thousands of articles.
361
969000
2000
by napisali i poddali edycji
tysiące artykułów.
tysiące artykułów.
16:23
Well-compensated managers oversaw the whole thing
362
971000
2000
Dobrze wynagradzani menedżerowie
nadzorowali projekt,
nadzorowali projekt,
16:25
to make sure it came in on budget and on time.
363
973000
5000
żeby powstał o czasie i w ramach budżetu.
16:30
A few years later another encyclopedia got started.
364
978000
2000
Kilka lat później rozpoczęto
tworzenie innej encyklopedii.
tworzenie innej encyklopedii.
16:32
Different model, right?
365
980000
3000
Inny model.
16:35
Do it for fun. No one gets paid a cent, or a Euro or a Yen.
366
983000
4000
Piszcie dla zabawy.
Nikt nie dostanie ani centa,
ani euro, ani jena.
ani euro, ani jena.
16:39
Do it because you like to do it.
367
987000
3000
Zróbcie to, bo lubicie.
16:42
Now if you had, just 10 years ago,
368
990000
3000
Ledwie 10 lat temu,
16:45
if you had gone to an economist, anywhere,
369
993000
2000
gdybyście zapytali dowolnego ekonomistę,
16:47
and said, "Hey, I've got these two different models for creating an encyclopedia.
370
995000
4000
który z tych dwóch modeli wygra,
16:51
If they went head to head, who would win?"
371
999000
3000
16:54
10 years ago you could not have found a single sober economist anywhere
372
1002000
4000
ani jeden trzeźwy ekonomista na Ziemi
16:58
on planet Earth
373
1006000
2000
17:00
who would have predicted the Wikipedia model.
374
1008000
2000
nie przewidziałby Wikipedii.
17:02
This is the titanic battle between these two approaches.
375
1010000
3000
Te dwa podejścia to walka Tytanów.
17:05
This is the Ali-Frazier of motivation. Right?
376
1013000
3000
To Muhammad Ali kontra Frazier
17:08
This is the Thrilla' in Manila.
377
1016000
2000
podczas walki w Manili.
17:10
Alright? Intrinsic motivators versus extrinsic motivators.
378
1018000
3000
Wewnętrzne bodźce
kontra zewnętrzne bodźce.
kontra zewnętrzne bodźce.
17:13
Autonomy, mastery and purpose,
379
1021000
2000
Autonomia, mistrzostwo, cel
17:15
versus carrot and sticks. And who wins?
380
1023000
2000
przeciw kijom i marchewkom.
I kto wygrywa?
17:17
Intrinsic motivation, autonomy, mastery and purpose,
381
1025000
3000
Wewnętrzna motywacja,
autonomia, mistrzostwo i cel,
autonomia, mistrzostwo i cel,
17:20
in a knockout. Let me wrap up.
382
1028000
4000
i to przez nokaut.
Podsumujmy.
17:24
There is a mismatch between what science knows and what business does.
383
1032000
3000
Istnieje rozdźwięk między tym,
co wie nauka,
co wie nauka,
a tym co robią firmy.
17:27
And here is what science knows.
384
1035000
2000
I oto co wie nauka.
17:29
One: Those 20th century rewards,
385
1037000
2000
Po pierwsze XX-wieczne nagrody,
17:31
those motivators we think are a natural part of business,
386
1039000
3000
bodźce, które uważamy
za naturalną część biznesu,
za naturalną część biznesu,
17:34
do work, but only in a surprisingly narrow band of circumstances.
387
1042000
4000
działają, ale tylko
w wąskiej grupie sytuacji.
w wąskiej grupie sytuacji.
17:38
Two: Those if-then rewards often destroy creativity.
388
1046000
4000
2. Nagrody warunkowe
często niszczą kreatywność.
często niszczą kreatywność.
17:42
Three: The secret to high performance
389
1050000
2000
3. Tajemnica wysokiej wydajności
17:44
isn't rewards and punishments,
390
1052000
2000
nie tkwi w nagrodach i karach,
17:46
but that unseen intrinsic drive --
391
1054000
2000
ale w niewidocznym, wewnętrznym dążeniu,
17:48
the drive to do things for their own sake.
392
1056000
3000
by robić rzeczy dla nich samych.
17:51
The drive to do things cause they matter.
393
1059000
2000
By robić coś, co ma znaczenie.
17:53
And here's the best part. Here's the best part.
394
1061000
2000
I teraz najlepsza część.
17:55
We already know this. The science confirms what we know in our hearts.
395
1063000
3000
My już to wiemy.
Nauka potwierdza to, co wiemy w sercach.
17:58
So, if we repair this mismatch
396
1066000
3000
Jeśli naprawimy rozdźwięk
18:01
between what science knows and what business does,
397
1069000
2000
między tym, co wie nauka,
a tym, co robią firmy,
a tym, co robią firmy,
18:03
if we bring our motivation, notions of motivation
398
1071000
3000
jeśli wniesiemy znajomość motywacji
18:06
into the 21st century,
399
1074000
2000
w XXI wiek,
18:08
if we get past this lazy, dangerous, ideology
400
1076000
4000
jeśli zwalczymy tę leniwą,
niebezpieczną ideologię
niebezpieczną ideologię
18:12
of carrots and sticks,
401
1080000
2000
kija i marchewki,
18:14
we can strengthen our businesses,
402
1082000
3000
możemy wzmocnić firmy,
18:17
we can solve a lot of those candle problems,
403
1085000
3000
możemy rozwiązać
wiele problemów świeczki
wiele problemów świeczki
18:20
and maybe, maybe, maybe
404
1088000
4000
i może
18:24
we can change the world.
405
1092000
2000
możemy zmienić świat
18:26
I rest my case.
406
1094000
2000
Nie mam nic więcej do dodania.
18:28
(Applause)
407
1096000
3000
(Brawa)
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