TEDGlobal 2009
Dan Pink: The puzzle of motivation
அதிசயிக்கும் ஊக்கவியல் விஞ்ஞானம் பற்றி டண் பிங்க்
Filmed:
Readability: 4
25,352,736 views
ஊக்கவியலில் உள்ள குழப்பம் பற்றி வாழ்க்கைத் தொழில் ஆய்வாளரான டண் பிங்க் விசாரணை செய்கிறார், சமூகவியல் விஞ்ஞானிகளுக்கு தெரிந்த ஆனால் அநேக முகாமையாளர்களுக்கு தெரிந்திருக்காத தகவல்களுடன்: நாங்கள் நினைப்பது போல பாரம்பரிய சனமானங்கள் எப்போதும் பயனளிப்பதில்லை என்பதற்கான தெளிவுபடுத்தும் கதைகளையும் கேளுங்கள் -- இது ஒரு முன்னோக்கிய பாதையாக கூட அமையலாம்.
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
நான் ஒரு ஒப்புதல் வாக்குமூலம் கொடுக்க இங்கு வந்துள்ளேன்.
00:16
A little over 20 years ago
1
4000
3000
சுமார் 20 ஆண்டுகளுக்கு சற்று முன்னதாக
00:19
I did something that I regret,
2
7000
2000
நான் வருத்தப்படுகின்ற ஒன்றை செய்துள்ளேன்.
00:21
something that I'm not particularly proud of,
3
9000
4000
ஏதோ ஒன்று நான் பெருமைப்படக்கூடியதல்ல,
00:25
something that, in many ways, I wish no one would ever know,
4
13000
3000
ஏதோ ஒன்று, பல வழிகளிலும் யாரும் தெரிந்திருக்க கூடாது என நான் விரும்புவது.
00:28
but here I feel kind of obliged to reveal.
5
16000
4000
ஆனால் இங்கு அதை வெளிப்படுத்த கடப்பாடு உள்ளதாக உணர்கிறேன்.
00:32
(Laughter)
6
20000
2000
(சிரிப்பு)
00:34
In the late 1980s,
7
22000
2000
1980 களின் பிற்பகுதியில்,
00:36
in a moment of youthful indiscretion,
8
24000
3000
விவேகமற்ற வாலிப தருணத்தில்
00:39
I went to law school.
9
27000
2000
நான் சட்டக்கல்லூரிக்கு சென்றேன்.
00:41
(Laughter)
10
29000
4000
(சிரிப்பு)
00:45
Now, in America law is a professional degree:
11
33000
3000
இப்போது, அமெரிக்காவில், சட்டம் ஒரு தொழில்சார் பட்டப்படிப்பு.
00:48
you get your university degree, then you go on to law school.
12
36000
2000
நீங்கள் பல்கலைக்கழக படிப்பை முடித்தபின் சட்டக்கல்லூரிக்கு போகிறீர்கள்.
00:50
And when I got to law school,
13
38000
3000
நான் சட்டகல்லூரியில் இருந்த போது,
00:53
I didn't do very well.
14
41000
2000
நான் நன்றாக செய்யவில்லை.
00:55
To put it mildly, I didn't do very well.
15
43000
2000
மென்மையாக சொன்னால், நான் சிறப்பாக செய்யவில்லை.
00:57
I, in fact, graduated in the part of my law school class
16
45000
3000
உண்மையில், சட்டக்கல்வியில் ஒரு பகுதியையே படித்து பட்டம் பெற்றேன்
01:00
that made the top 90 percent possible.
17
48000
4000
அது 90 சதவீதத்துக்கு மேல் சாத்தியமாக்கியது.
01:04
(Laughter)
18
52000
4000
(சிரிப்பு)
01:08
Thank you.
19
56000
3000
உங்களுக்கு நன்றி.
01:11
I never practiced law a day in my life;
20
59000
3000
நான் என் வாழ்வில் ஒரு நாளும் சட்டத்தை பரீட்சித்ததில்லை.
01:14
I pretty much wasn't allowed to.
21
62000
2000
நான் அதை ஒருகாலும் அனுமதித்ததில்லை எனலாம்.
01:16
(Laughter)
22
64000
3000
(சிரிப்பு)
01:19
But today, against my better judgment,
23
67000
3000
ஆனால் இன்று, எனது மேன்மையான தீர்மானத்துக்கு எதிராக,
01:22
against the advice of my own wife,
24
70000
3000
எனது சொந்த மனைவியின் ஆலோசனைக்கு எதிராக,
01:25
I want to try to dust off some of those legal skills --
25
73000
4000
எனது சட்டத்திறமைகளில் சிலவற்றை தூசு தட்ட போகிறேன்,
01:29
what's left of those legal skills.
26
77000
2000
சட்டத்திறமைகளில் மீதமுள்ள சிலவற்றை.
01:31
I don't want to tell you a story.
27
79000
3000
நான் இங்கு கதை சொல்ல வரவில்லை.
01:34
I want to make a case.
28
82000
2000
நான் ஒரு வழக்கை முன்வைக்கப் போகிறேன்.
01:36
I want to make a hard-headed, evidence-based,
29
84000
4000
உறுதியான தலைப்புள்ள, சாட்சிகள் அடிப்படையான,
01:40
dare I say lawyerly case,
30
88000
3000
வழக்கறிஞர்களது வழக்கு என நான் துணிந்து கூறக்கூடியது,
01:43
for rethinking how we run our businesses.
31
91000
4000
எமது தொழில்களை நடாத்துவது எப்படி என்பதை மீள்சிந்திப்பதற்காக.
01:47
So, ladies and gentlemen of the jury, take a look at this.
32
95000
4000
நடுவர்களாகிய சான்றோர்களே பெண்மணிகளே, இங்கே சற்று கவனியுங்கள்.
01:51
This is called the candle problem.
33
99000
2000
இது மெழுகுதிரி புதிர் என அழைக்கப்படுவது.
01:53
Some of you might have seen this before.
34
101000
2000
உங்களில் சிலர் இதை முன்னரே பார்த்திருக்கலாம்.
01:55
It's created in 1945
35
103000
2000
இது 1945 இல்
01:57
by a psychologist named Karl Duncker.
36
105000
2000
கார்ள் டுண்கர் என்ற உளவியலாளரால் உருவாக்கப்பட்டது.
01:59
Karl Duncker created this experiment
37
107000
2000
கார்ள் டுண்கர் உருவாக்கிய இந்த பரிசோதனை
02:01
that is used in a whole variety of experiments in behavioral science.
38
109000
3000
நடத்தை விஞ்ஞானம் சார்ந்த பலவகைப்பட்ட பரிசோதனைகளுக்கு பயன்பட்டது.
02:04
And here's how it works. Suppose I'm the experimenter.
39
112000
3000
இது எப்படி வேலை செய்யும் எனப்பார்போம், இப்ப நான் தான் பரிசோதனையாளர் எனக்கொள்வோமாயின்,
02:07
I bring you into a room. I give you a candle,
40
115000
4000
நான் உங்களை ஒர் அறைக்குள் அழைத்துச்சென்று, ஒரு மெழுகுதிரியும்,
02:11
some thumbtacks and some matches.
41
119000
2000
சில தட்டைதலை ஆணிகளும் சில தீக்குச்சிகளும் தருகிறேன்.
02:13
And I say to you, "Your job
42
121000
2000
உங்கள் வேலை இந்த மெழுகுதிரியை
02:15
is to attach the candle to the wall
43
123000
2000
சுவருடன் பொருத்த வேண்டும்
02:17
so the wax doesn't drip onto the table." Now what would you do?
44
125000
4000
ஆனால் மெழுகு உருகி மேசைமேல் விழக்கூடாது, எனின் நீங்கள் என்ன செய்வீர்கள்.
02:21
Now many people begin trying to thumbtack the candle to the wall.
45
129000
4000
இப்ப பலர் தட்டைதலை ஆணியால் மெழுகுதிரியை சுவருடன் பொருத்த முயல்வார்கள்.
02:25
Doesn't work.
46
133000
2000
அது சரிவரமாட்டாது.
02:27
Somebody, some people -- and I saw somebody
47
135000
2000
யாரோ ஒருவர், சிலர், நான் பார்த்தேன் யாரோ ஒருவர்
02:29
kind of make the motion over here --
48
137000
2000
இதை செய்வது போல் இங்கே பாவணைகளைக் காட்டுகிறார்.
02:31
some people have a great idea where they
49
139000
2000
சிலர் சிறந்த யோசனை வைத்திருப்பார்கள், அவர்கள்
02:33
light the match, melt the side of the candle, try to adhere it to the wall.
50
141000
4000
தீக்குச்சியை பற்ற வைத்து, மெழுகுதிரியை பக்கவாட்டில் உருக்கி சுவருடன் ஒட்ட முயலவார்கள்.
02:37
It's an awesome idea. Doesn't work.
51
145000
3000
இது அருமையான திட்டம். அதுவும் சரிவரமாட்டாது.
02:40
And eventually, after five or 10 minutes,
52
148000
3000
கடைசியில், 5 அல்லது 10 நிமிடங்களில்,
02:43
most people figure out the solution,
53
151000
2000
பலர் ஒரு முடிவுக்கு வந்துவிடுவார்கள்,
02:45
which you can see here.
54
153000
2000
அதை நீங்கள் இங்கே பார்க்கமுடியும்.
02:47
The key is to overcome what's called functional fixedness.
55
155000
3000
இயல்பான செயல் நிலைத்திருத்தல் என்று அழைக்கப்படுவதை வெற்றிகொள்வதற்கான திறவுகோல்.
02:50
You look at that box and you see it only as a receptacle for the tacks.
56
158000
4000
நீங்கள் அந்த பெட்டியை, ஆணிகள் வைப்பதற்கான பெட்டியாகவே பார்க்கிறீர்கள்.
02:54
But it can also have this other function,
57
162000
2000
ஆனால் இது இன்னொரு பாவனையையும் உடையது.
02:56
as a platform for the candle. The candle problem.
58
164000
4000
மெழுகுதிரியை தாங்கும் தட்டாக.
03:00
Now I want to tell you about an experiment
59
168000
2000
இப்போது நான் ஒரு பரிசோதனை பற்றி உங்களுக்கு கூறவேண்டும்
03:02
using the candle problem,
60
170000
2000
இந்த மெழுகுதிரி புதிரை பாவித்து
03:04
done by a scientist named Sam Glucksberg,
61
172000
2000
சாம் குளுக்ஸ்பெர்க் என்ற விஞ்ஞானியால் செய்யப்பட்டது,
03:06
who is now at Princeton University in the U.S.
62
174000
2000
அவர் தற்போது அமெரிக்காவில் பிரின்ஸ்ட்டன் பல்கலைக்கழகத்தில் இருக்கிறார்.
03:08
This shows the power of incentives.
63
176000
4000
இது உற்சாகமூட்டலின் வலுவை காட்டுகிறது.
03:12
Here's what he did. He gathered his participants.
64
180000
2000
அவர் செய்தது இதுதான், பரிசோதனையில் பங்குபற்றுபவர்களை சேர்த்தார்.
03:14
And he said, "I'm going to time you. How quickly you can solve this problem?"
65
182000
3000
அவர்களிடம் சொன்னார், ”எவ்வளவு விரைவாக நீங்கள் இந்த புதிரை தீர்க்கிறீர்கள் என்பதை பார்க்க நான் உங்கள் நேரத்தை கணிக்கப்போறேன்?”
03:17
To one group he said,
66
185000
2000
ஒரு குழுவுக்கு அவர் சொன்னார்,
03:19
"I'm going to time you to establish norms,
67
187000
3000
மாதிரிகளை உருவாக்க நான் உங்கள் நேரத்தை கணிக்கப்போறேன்,
03:22
averages for how long it typically takes
68
190000
2000
சராசரியாக எவ்வளவு நேரம்
03:24
someone to solve this sort of problem."
69
192000
2000
இப்புதிரை தீர்ப்பதற்கு தேவைப்படுகிறது.
03:26
To the second group he offered rewards.
70
194000
3000
இரண்டாவது குழுவுக்கு அவர் சன்மானம் வழங்க முன்வந்தார்.
03:29
He said, "If you're in the top 25 percent of the fastest times,
71
197000
4000
அவர் சொன்னார், ”நீங்கள் குறுகிய நேரத்துக்குள் முடித்தவர்களில் முதல் 25 வீதத்துக்குள் வந்தால்
03:33
you get five dollars.
72
201000
3000
நீங்கள் 5 டொலரை பெறுவீர்கள்.
03:36
If you're the fastest of everyone we're testing here today,
73
204000
3000
நீங்கள் இன்று சோதிக்கப்பட்ட எல்லோரிலும் பார்க்க விரைவாக செய்தால்
03:39
you get 20 dollars."
74
207000
2000
நீங்கள் 20 டொலரை பெறுவீர்கள்.”
03:41
Now this is several years ago. Adjusted for inflation,
75
209000
3000
இது பல வருடங்களுக்கு முன்னையது, இப்ப பணவீக்கத்துக்கமைய மாற்றப்பட்டுள்ளது.
03:44
it's a decent sum of money for a few minutes of work.
76
212000
2000
இது ஒரு சில நிமிடங்களுக்கான வேலைக்கான கண்ணியமான தொகைப்பணம்.
03:46
It's a nice motivator.
77
214000
2000
இது ஒரு அருமையான ஊக்குவிப்பு.
03:48
Question: How much faster
78
216000
3000
கேள்வி: எவ்வளவு விரைவாக
03:51
did this group solve the problem?
79
219000
2000
இந்த குழு புதிருக்கு தீர்வு கண்டிருப்பார்கள்?
03:53
Answer: It took them, on average,
80
221000
3000
விடை: அவர்கள் எடுத்துக்கொண்டது, சராசரியாக,
03:56
three and a half minutes longer.
81
224000
4000
மூன்றரை நிமிடங்கள் அதிகமாக.
04:00
Three and a half minutes longer. Now this makes no sense right?
82
228000
3000
மூன்றரை நிமிடங்கள் அதிகம். இதில் ஏதாவது அர்த்தம் இருக்கிறதா?
04:03
I mean, I'm an American. I believe in free markets.
83
231000
3000
நான் ஒரு அமெரிக்கன். நான் திறந்த பொருளாதரத்தில் நம்பிக்கையுள்ளவன் என்ற வகையில் நான் கருதுவது
04:06
That's not how it's supposed to work. Right?
84
234000
3000
இது இப்படி நடந்திருக்க கூடாது. சரியா?
04:09
(Laughter)
85
237000
1000
(சிரிப்பு)
04:10
If you want people to perform better,
86
238000
2000
உங்கள் வேலை ஆட்கள் நன்றாக செயற்பட வேண்டுமானால்,
04:12
you reward them. Right?
87
240000
2000
நீங்கள் அவர்களுக்கு பரிசளிக்கிறீர்கள் தானே?
04:14
Bonuses, commissions, their own reality show.
88
242000
3000
ஊக்குவிப்பு சம்பளம், தரகு, அவர்களது யதார்த்த நிகழ்ச்சிகள்.
04:17
Incentivize them. That's how business works.
89
245000
4000
என அவர்களை ஊக்கிவிப்பது. அப்படித்தான் தொழில்துறை செயல்படுகிறது.
04:21
But that's not happening here.
90
249000
2000
ஆனால் அது இங்கு நடப்பதில்லை.
04:23
You've got an incentive designed to
91
251000
2000
நீங்கள் கொண்டிருக்க வேண்டிய ஊக்குவிப்புகள்
04:25
sharpen thinking and accelerate creativity,
92
253000
4000
கூரிய சிந்தனைக்கும், விரைவான படைப்பாற்றலுக்கும் வடிவமைக்கப்பட்டிருக்க வேண்டும்.
04:29
and it does just the opposite.
93
257000
2000
இது இங்கு எதிர்மறையாக நடைபெற்றுள்ளது.
04:31
It dulls thinking and blocks creativity.
94
259000
3000
இது சிந்திப்பதை மந்தப்படுத்துவதுடன் படைப்பாற்றலை தடுக்கிறது.
04:34
And what's interesting about this experiment is that it's not an aberration.
95
262000
3000
இந்த பரிசோதனையின் சுவாரசியம் என்னவெனில், இது நேர்மாறான முடிவல்ல.
04:37
This has been replicated over and over
96
265000
3000
இது மீண்டும் மீண்டும் பெறப்பட்டது
04:40
and over again, for nearly 40 years.
97
268000
3000
திரும்பத் திரும்ப, 40 வருடங்களாக.
04:43
These contingent motivators --
98
271000
3000
இந்த உறுதியற்ற ஊக்குவிப்புகள்,
04:46
if you do this, then you get that --
99
274000
2000
நீங்கள் இதைச் செய்தால், அதை பெறமுடியும் என்கிற வகையில்,
04:48
work in some circumstances.
100
276000
2000
சில சந்தர்ப்பங்களில் வேலை செய்தன.
04:50
But for a lot of tasks, they actually either don't work
101
278000
3000
ஆனால் பல பணிகளுக்கு அவைகள் ஒன்றில் வேலை செய்யாது
04:53
or, often, they do harm.
102
281000
3000
அல்லது அநேகமாக தீங்கு ஏற்படுத்துகிறது.
04:56
This is one of the most robust findings
103
284000
4000
இது சமூகவியல் விஞ்ஞானத்தில் உறுதியான
05:00
in social science,
104
288000
3000
கண்டபிடிப்புகளில் ஒன்று
05:03
and also one of the most ignored.
105
291000
2000
மற்றும் அதிகமாக புறக்கணிக்கப்பட்ட விடயங்களில் ஒன்று.
05:05
I spent the last couple of years looking at the science of
106
293000
2000
நான் கடந்த சில வருடங்களாக
05:07
human motivation,
107
295000
2000
மானிட ஊக்குவிப்பு பற்றிய விஞ்ஞானத்தை கவனித்துக்கொண்டிருக்கிறேன்
05:09
particularly the dynamics of extrinsic motivators
108
297000
2000
குறிப்பாக மாற்றமடைகின்ற வெளிப்படையான ஊக்குவிப்புகளையும்
05:11
and intrinsic motivators.
109
299000
2000
உள்ளக ஊக்குவிப்புகளையும்.
05:13
And I'm telling you, it's not even close.
110
301000
2000
நான் உங்களுக்கு சொல்லுகிறேன், இது அருகிலும் இல்லை.
05:15
If you look at the science, there is a mismatch
111
303000
2000
நீங்கள் அறிவியலூடக பார்த்தால், அங்கே ஒரு பொருந்தாமை
05:17
between what science knows and what business does.
112
305000
4000
விஞ்ஞானம் அறிந்ததுக்கும், தொழில்களில் செய்வதற்கும் இடையில் உள்ளது.
05:21
And what's alarming here is that our business operating system --
113
309000
3000
எச்சரிக்கையானது என்னவென்றால், எங்கள் தொழில் நடைமுறை பொறிமுறை
05:24
think of the set of assumptions and protocols beneath our businesses,
114
312000
3000
எங்கள் தொழில்களுக்குள் உள்ள அனுமானங்களையும் நடைமுறைகளையும் பற்றி சிந்தித்தால்,
05:27
how we motivate people, how we apply our human resources --
115
315000
5000
எப்படி நாங்கள் மக்களை ஊக்கப்படுத்துகிறோம், எப்படி மனிதவளத்தை பாவிக்கிறோம் --
05:32
it's built entirely around these extrinsic motivators,
116
320000
3000
இவை முற்றுமுழுதாக வெளிப்படையான ஊக்குவிப்புகளை சுற்றி கட்டியமைக்கப்பட்டுள்ளது,
05:35
around carrots and sticks.
117
323000
2000
கரட்களையும் கம்புகளையும் சூழவுள்ளது.
05:37
That's actually fine for many kinds of 20th century tasks.
118
325000
4000
அது உண்மையில் பலவகைப்பட்ட 20ம் நூற்றாண்டு பணிகளுக்கு சிறந்தது.
05:41
But for 21st century tasks,
119
329000
2000
ஆனால் 21ம் நூற்றாண்டு பணிகளுக்கு,
05:43
that mechanistic, reward-and-punishment approach
120
331000
4000
சன்மானமும் தண்டனையும் அணுகுமுறை அவைற்றை இயந்திரமயமாக்கும்
05:47
doesn't work, often doesn't work, and often does harm.
121
335000
4000
அது வேலை செய்யாது, அனேகமாக வேலை செய்யாது, அனேகமாக தீங்கு ஏற்படுத்தும்.
05:51
Let me show you what I mean.
122
339000
2000
நான் என்ன செல்கிறேன் என்பதை உங்களுக்கு காட்டுகிறேன்.
05:53
So Glucksberg did another experiment similar to this
123
341000
3000
குளுக்ஸ்பேர்க் இதேமாதிரி இன்னொரு பரிசோதனையைச் செய்தார்
05:56
where he presented the problem in a slightly different way,
124
344000
2000
இங்கே அவர் இப்புதிரை சற்று வேறுவிதமாக செய்து காட்டினார்,
05:58
like this up here. Okay?
125
346000
3000
இங்கே மேலே இருப்பதுபோல்.
06:01
Attach the candle to the wall so the wax doesn't drip onto the table.
126
349000
2000
மெழுகு உருகி மேசை மேல் விழாதவாறு மெழுகுதிரியை சுவருடன் பொருத்தவும்.
06:03
Same deal. You: we're timing for norms.
127
351000
3000
அதே ஒப்பந்தம். நாங்கள் உங்கள் நேரத்தை மாதிரிகளுக்காக கணிக்கிறோம்.
06:06
You: we're incentivizing.
128
354000
3000
நாங்கள் உங்களுக்கு சலுகைகள் அளிக்கிறோம்.
06:09
What happened this time?
129
357000
2000
என்ன நடந்தது இந்த முறை?
06:11
This time, the incentivized group
130
359000
2000
இந்த முறை, சலுகையளிக்கப்பட்ட குழு
06:13
kicked the other group's butt.
131
361000
4000
மற்ற குழுவை பின் தள்ளியது.
06:17
Why? Because when the tacks are out of the box,
132
365000
4000
ஏன்? ஏனென்றால் தட்டை ஆணிகள் பெட்டிக்கு வெளியில் இருந்தது.
06:21
it's pretty easy isn't it?
133
369000
4000
இது மிகவும் சுலபமானது அல்லவா?
06:25
(Laughter)
134
373000
2000
(சிரிப்பு)
06:27
If-then rewards work really well
135
375000
3000
அப்படியானால் சலுகையளிப்பது நன்றாக வேலை செய்கிறது
06:30
for those sorts of tasks,
136
378000
3000
இந்த மாதிரியான பணிகளுக்கு,
06:33
where there is a simple set of rules and a clear destination
137
381000
2000
எளிமையான விதிகள் உள்ள மற்றும் விளக்கமான முடிவுகளை
06:35
to go to.
138
383000
2000
அடைய வேண்டிய பணிகளுக்கு.
06:37
Rewards, by their very nature,
139
385000
2000
சலுகைகள் அவற்றின் இயல்புக்கமைய,
06:39
narrow our focus, concentrate the mind;
140
387000
2000
எங்கள் பார்வையை ஒடுக்குகிறது, மனதை ஒருமுகப்படுத்துகிறது.
06:41
that's why they work in so many cases.
141
389000
2000
அதனால் தான் அவை பல விடயங்களில் வேலை செய்கிறது.
06:43
And so, for tasks like this,
142
391000
2000
அப்படியே இந்த மாதிரி பணிகளில்,
06:45
a narrow focus, where you just see the goal right there,
143
393000
3000
நீங்கள் அதில் உள்ள குறிக்கோளை குறுகிய பார்வையால் மட்டுமே பார்க்கிறீர்கள்,
06:48
zoom straight ahead to it,
144
396000
2000
நேராக அதன் முன்னால் பன்முகப்படுத்துதன் மூலம்,
06:50
they work really well.
145
398000
2000
அவை மிக நன்றாக வேலை செய்யும்.
06:52
But for the real candle problem,
146
400000
2000
ஆனால் நிஜ மெழுகுதிரி புதிருக்கு,
06:54
you don't want to be looking like this.
147
402000
2000
நீங்கள் இந்த மாதிரி பார்க்க வேண்டியது இல்லை.
06:56
The solution is not over here. The solution is on the periphery.
148
404000
2000
தீர்வு அதன் மேல் இல்லை. தீர்வு அதை சுற்றி உள்ளது.
06:58
You want to be looking around.
149
406000
2000
நீங்கள் சுற்றுமுற்றும் பார்க்க வேண்டும்.
07:00
That reward actually narrows our focus
150
408000
2000
அந்த சன்மானம் உண்மையில் எங்கள் பார்வையை குறுக்குகிறது.
07:02
and restricts our possibility.
151
410000
2000
மற்றும் சாத்தியக்கூறுகளை கட்டுப்படுத்துகிறது.
07:04
Let me tell you why this is so important.
152
412000
3000
ஏன் இது மிக முக்கியமானது என்பதை சொல்கிறேன்.
07:07
In western Europe,
153
415000
2000
மேற்கு ஐரோப்பாவில்,
07:09
in many parts of Asia,
154
417000
2000
ஆசியாவின் பல பகுதிகளில்,
07:11
in North America, in Australia,
155
419000
3000
வட அமெரிக்காவில், அவுஸ்ரேலியாவில்,
07:14
white-collar workers are doing less of
156
422000
2000
வெண்நிற கொலர் வேலையாட்கள் குறைவாக செய்யும்
07:16
this kind of work,
157
424000
2000
இந்த மாதிரி வேலை,
07:18
and more of this kind of work.
158
426000
4000
அதிகமான இந்த மாதிரி வேலை.
07:22
That routine, rule-based, left-brain work --
159
430000
3000
வழக்கமான, விதி சார்ந்த, இடது மூளை வேலை,
07:25
certain kinds of accounting, certain kinds of financial analysis,
160
433000
2000
நிச்சயமான கணக்கியல் வகைகள், நிச்சயமான கணக்கியல் பகுப்பாய்வுகள்,
07:27
certain kinds of computer programming --
161
435000
2000
கணனி புரோகிராம் வகைகள்,
07:29
has become fairly easy to outsource,
162
437000
2000
இலகுவாக வெளியாட்களிடம் கொடுக்க கூடிய வேலைகள்,
07:31
fairly easy to automate.
163
439000
2000
மிக இலகுவாக தன்னியக்கப்படுத்தலாம்.
07:33
Software can do it faster.
164
441000
3000
மென்பொருளால் விரைவாக செய்யகூடியது.
07:36
Low-cost providers around the world can do it cheaper.
165
444000
2000
உலகில் உள்ள சிக்கன வேலையாட்கள் மலிவாக செய்து முடிப்பார்கள்.
07:38
So what really matters are the more right-brained
166
446000
4000
எனவே என்ன உண்மையில் முக்கியமானது என்றால் அதிக வலது மூளை
07:42
creative, conceptual kinds of abilities.
167
450000
3000
படைப்பாற்றலுள்ள, தத்துவரீதியான திறமைகள்.
07:45
Think about your own work.
168
453000
3000
உங்கள் சொந்த வேலையைப் பற்றி சிந்தியுங்கள்.
07:48
Think about your own work.
169
456000
3000
உங்கள் சொந்த வேலையைப் பற்றி சிந்தியுங்கள்.
07:51
Are the problems that you face, or even the problems
170
459000
2000
நீங்கள் முகம் கொடுப்பது இப்படியான பிரச்சனைகளா, அல்லது பிரச்சனைகள்
07:53
we've been talking about here,
171
461000
2000
நாங்கள் இங்கு கலந்துரையாடியது போலவா,
07:55
are those kinds of problems -- do they have a clear set of rules,
172
463000
2000
இந்த வகையான பிரச்சனைகள் -- அவை விளக்கமான விதிகள் கொண்டவையா,
07:57
and a single solution? No.
173
465000
3000
மற்றும் தனி தீர்வு உண்டா? இல்லை.
08:00
The rules are mystifying.
174
468000
2000
விதிகள் புரியாதவைகளாக இருக்கின்றன.
08:02
The solution, if it exists at all,
175
470000
2000
தீர்வுகள், அப்படி ஏதாவது இருந்தால்,
08:04
is surprising and not obvious.
176
472000
3000
ஆச்சாரியமானதாகவும் தெளிவற்றதாகவும் உள்ளன.
08:07
Everybody in this room
177
475000
2000
இந்த அறையில் இருக்கின்ற எல்லோரும்
08:09
is dealing with their own version
178
477000
3000
அவர்களது சொந்த பதிப்பிலான
08:12
of the candle problem.
179
480000
2000
மெழுகுதிரி புதிரை கையாளுகிறார்கள்.
08:14
And for candle problems of any kind,
180
482000
3000
ஏதாவது ஒரு வகை மெழுகுதிரி புதிர்,
08:17
in any field,
181
485000
2000
ஏதாவது ஒரு களத்தில்,
08:19
those if-then rewards,
182
487000
3000
அப்படி என்றால் இந்த சன்மானங்கள்,
08:22
the things around which we've built so many of our businesses,
183
490000
4000
அதைச் சுற்றி நாங்கள் கட்டியெழுப்பிய பலவகை தொழில்கள்,
08:26
don't work.
184
494000
2000
வேலை செய்யாது.
08:28
Now, I mean it makes me crazy.
185
496000
2000
இப்போது, இது என்னை குழப்புகிறது.
08:30
And this is not -- here's the thing.
186
498000
2000
இது இல்லை -- இங்கே ஒரு விடயம்
08:32
This is not a feeling.
187
500000
3000
இது ஒரு உணர்வல்ல.
08:35
Okay? I'm a lawyer; I don't believe in feelings.
188
503000
3000
சரியா? நான் ஒரு வழக்கறிஞன். நான் உணர்வுகளை நம்புபவனல்ல.
08:38
This is not a philosophy.
189
506000
4000
இது தத்துவம் அல்ல.
08:42
I'm an American; I don't believe in philosophy.
190
510000
2000
நான் அமெரிக்கன். நான் தத்துவத்தை நம்புபவனல்ல.
08:44
(Laughter)
191
512000
3000
(சிரிப்பு)
08:47
This is a fact --
192
515000
3000
இது ஒரு தகவல்.
08:50
or, as we say in my hometown of Washington, D.C.,
193
518000
2000
அல்லது, நாங்கள், எனது நகர் வேசிங்டன் டி.சி. இல் சொல்வது போல,
08:52
a true fact.
194
520000
2000
ஒரு உண்மை தகவல்.
08:54
(Laughter)
195
522000
2000
(சிரிப்பு)
08:56
(Applause)
196
524000
4000
(கைதட்டல்)
09:00
Let me give you an example of what I mean.
197
528000
2000
நான் என்ன சொல்கிறேன் எனபதற்கு ஒரு உதாரணம் சொல்கிறேன்.
09:02
Let me marshal the evidence here,
198
530000
2000
நான் இங்கு சாட்சிகளை ஒழுங்குபடுத்த விரும்புகிறேன்.
09:04
because I'm not telling you a story, I'm making a case.
199
532000
2000
ஏனென்றால் நான் உங்களுக்கு கதை சொல்லவில்லை. நான் ஒரு வழக்கை உருவாக்குகிறேன்.
09:06
Ladies and gentlemen of the jury, some evidence:
200
534000
2000
நடுவர்களாகிய பெண்மணிகளே, சான்றேர்களே, சில சாட்சிகள்:
09:08
Dan Ariely, one of the great economists of our time,
201
536000
3000
டண் அறிலே, எங்கள் காலத்திலுள்ள சிறந்த பொருளியளாலர்களில் ஒருவர்,
09:11
he and three colleagues, did a study of some MIT students.
202
539000
4000
அவரும் ழூன்று சகாக்களும், எம்ஐடி மாணவர்களில் சில ஆய்வுகளை செய்தார்கள்.
09:15
They gave these MIT students a bunch of games,
203
543000
3000
அவர்கள் சில விளையாட்டுகளை அந்த மாணவர்களுக்கு கொடுத்தார்கள்.
09:18
games that involved creativity,
204
546000
2000
அந்த விளையாட்டுகள் படைப்பாற்றலுடனும்,
09:20
and motor skills, and concentration.
205
548000
2000
இயக்க திறமையும், ஒருமுகப்படுத்தலும் சம்பந்த்தமுள்ளவை.
09:22
And the offered them, for performance,
206
550000
2000
அவர்களது செயற்திறனுக்காக
09:24
three levels of rewards:
207
552000
2000
மூன்று நிலைகளில் சன்மானங்கள் வழங்கப்பட்டது.
09:26
small reward, medium reward, large reward.
208
554000
5000
சிறிய, மத்திய தரத்திலான மற்றும் பெரிய சன்மானங்கள்.
09:31
Okay? If you do really well you get the large reward, on down.
209
559000
4000
நீங்கள் உண்மையில் நன்றாக செய்தால், பெரிய சன்மானம், அப்படியே இறங்குமுகமாக. சரியா?
09:35
What happened? As long as the task involved only mechanical skill
210
563000
4000
என்ன நடந்தது? பணிகள் இயந்திரவியல் திறமை சம்பந்தமானதாக இருந்த மட்டும்
09:39
bonuses worked as they would be expected:
211
567000
2000
ஊக்குவிப்பு கொடுப்பனவு எதிர்பார்த்த மாதிரி வேலை செய்தது:
09:41
the higher the pay, the better the performance.
212
569000
4000
கொடுப்பனவு உயர, செயற்திறனும் சிறப்புற்றது.
09:45
Okay? But one the task called for
213
573000
2000
சரியா? ஆனால்
09:47
even rudimentary cognitive skill,
214
575000
4000
ஆரம்ப நிலையிலுள்ள அறிவாற்றலுடன் கூடிய திறமைக்கான பணிக்கு,
09:51
a larger reward led to poorer performance.
215
579000
5000
பெரிய சன்மானம் குறைந்த செயற்திறனுக்கு வழிகோலியது.
09:56
Then they said,
216
584000
2000
பிறகு அவர்கள் சொன்னார்கள்,
09:58
"Okay let's see if there's any cultural bias here.
217
586000
2000
”சரி இது கலாச்சாரம் சார்ந்ததாக இருக்குமா என பார்ப்போம்.
10:00
Lets go to Madurai, India and test this."
218
588000
2000
நாங்கள் இந்தியாவில் மதுரைக்கு போய் பரிசோதிப்போம்.”
10:02
Standard of living is lower.
219
590000
2000
குறைந்த வாழ்க்கைத்தரமுள்ள மதுரையில்.
10:04
In Madurai, a reward that is modest in North American standards,
220
592000
3000
வட அமெரிக்காவில் சாதாரணமான தரத்திலான சன்மானம்
10:07
is more meaningful there.
221
595000
3000
கூடிய அர்த்தமுள்ளதாக இருக்கும்.
10:10
Same deal. A bunch of games, three levels of rewards.
222
598000
3000
அதே ஒப்பந்தம். சில விளையாட்டு தொகுதிகள், மூன்று நிலைகளில் சன்மானங்கள்.
10:13
What happens?
223
601000
2000
என்ன நடந்தது?
10:15
People offered the medium level of rewards
224
603000
3000
மத்திய தர சனமானம் வழங்கப்பட்டவர்கள்
10:18
did no better than people offered the small rewards.
225
606000
3000
சிறிய தர சன்மானம் வழங்கப்பட்டவர்களிலும் எந்த விதத்திலும் சிறப்பாக செய்யவில்லை.
10:21
But this time, people offered the highest rewards,
226
609000
4000
ஆனால் இந்த முறை, பெரிய சன்மானம் வழங்கப்பட்டவர்கள்,
10:25
they did the worst of all.
227
613000
4000
எல்லோரிலும் பார்க்க மிக கீழ்த்தரமாக செய்தார்கள்.
10:29
In eight of the nine tasks we examined across three experiments,
228
617000
3000
நாங்கள் செய்த மூன்று பரிசோதனைகளுள் 9இல் 8 பணிகளில்,
10:32
higher incentives led to worse performance.
229
620000
5000
உயர் சன்மானமே மட்டமான செயற்திறனை வெளிப்படுத்தியது.
10:37
Is this some kind of touchy-feely
230
625000
3000
இது ஏதாவது கோபமுள்ள உணர்வா
10:40
socialist conspiracy going on here?
231
628000
3000
சமூகவியல் சதித்திட்டம் ஏதாவது நடக்கிறதா?
10:43
No. These are economists from MIT,
232
631000
3000
இல்லை. இவர்கள் எம்ஐரி இலிருந்து, கானேகி மெல்லனிலிருந்து,
10:46
from Carnegie Mellon, from the University of Chicago.
233
634000
3000
சிக்காகோ பல்கலைகழகத்திலிருந்து வந்த பொருளியளாலர்கள்.
10:49
And do you know who sponsored this research?
234
637000
2000
மற்றும் யார் இந்த ஆராய்ச்சிக்கு நிதியுதவி அளித்தது என உங்களுக்கு தெரியுமா?
10:51
The Federal Reserve Bank of the United States.
235
639000
4000
ஐக்கிய அமெரிக்காவின் பெடரல் ரிசேவ் வங்கி.
10:55
That's the American experience.
236
643000
2000
அதுதான் அமெரிக்க அனுபவம்.
10:57
Let's go across the pond to the London School of Economics --
237
645000
3000
நாங்கள் கடலுக்கு அப்பால் இலண்டன் பொருளியல் கல்லூரிக்கு போவோம்.
11:00
LSE, London School of Economics,
238
648000
3000
எல்.எஸ்.ஈ இலண்டன் பொருளியல் கல்லூரி.
11:03
alma mater of 11 Nobel Laureates in economics.
239
651000
3000
பொருளியலுக்காக நோபல் பரிசுபெற்ற 11 பேர் கல்வி கற்ற இடம்.
11:06
Training ground for great economic thinkers
240
654000
3000
சிறந்த பொருளியல் சிந்தனையாளர்களுக்கான பயிற்சிக்களம்.
11:09
like George Soros, and Friedrich Hayek,
241
657000
3000
ஜோர்ஜ் சோரஸ், மற்றும் பெரடிர்ச் கயேக் மாதிரி,
11:12
and Mick Jagger. (Laughter)
242
660000
2000
மற்றும் மிக் ஜாக்கர் (சிரிப்பு)
11:14
Last month, just last month,
243
662000
4000
கடந்த மாதம், சரியாக கடந்த மாதம்,
11:18
economists at LSE looked at 51 studies
244
666000
3000
எல்.எஸ்.ஈ இல் பொருளியளாலர்கள் 51 ஆய்வுகளை
11:21
of pay-for-performance plans, inside of companies.
245
669000
3000
செயற்திறனுக்கான கொடுப்பனவு திட்டங்கள் சம்பந்தமாக கம்பனிகளில் செய்தார்கள்.
11:24
Here's what the economists there said: "We find that financial incentives
246
672000
3000
அந்த பொருளியளாலர்கள் சொன்னது இதுதான், ”நாங்கள் கண்டுபிடித்தது, பணசம்பந்தமான ஊக்குவிப்புகள்
11:27
can result in a negative impact on overall performance."
247
675000
6000
ஒட்டுமொத்த செயற்திறனில் எதிர்மறையான விளைவுகளையே ஏற்படுத்தும்.
11:33
There is a mismatch between what science knows
248
681000
3000
அங்கே ஒரு பொருந்தாமை, விஞ்ஞானம் அறிந்ததுக்கும்
11:36
and what business does.
249
684000
2000
தொழிலகங்கள் செய்வதற்கும் உள்ளது.
11:38
And what worries me, as we stand here in the rubble
250
686000
3000
என்னை கவலைக்குள்ளாக்குவது என்னவென்றால், இந்த பொருளாதார
11:41
of the economic collapse,
251
689000
2000
சரிவின் குவியலில் நின்றுகொண்டு
11:43
is that too many organizations
252
691000
2000
அநேகமான நிறுவனங்களில்
11:45
are making their decisions,
253
693000
2000
திறமைகளையும் மக்களையும் பற்றி
11:47
their policies about talent and people,
254
695000
2000
எடுக்கும் தீர்மானங்களும் கொள்கைகளும்
11:49
based on assumptions that are outdated, unexamined,
255
697000
6000
காலம் கடந்த பரீட்சிக்கப்படாத அனுமானஙகளின் அடிப்படையிலும்
11:55
and rooted more in folklore than in science.
256
703000
3000
அறிவியலற்ற கட்டுக் கதைகளின் படியும் எடுக்கப்படுகின்றனவே.
11:58
And if we really want to get out of this economic mess,
257
706000
3000
உண்மையில் இந்தப் பொருளாதாரச் சிக்கலில் இருந்து நாங்கள் மீளவேண்டுமாயின்,
12:01
and if we really want high performance on those
258
709000
2000
மற்றும் 21ஆம் நூற்றாண்டு வரையறுத்த பணிகளில்
12:03
definitional tasks of the 21st century,
259
711000
2000
உயர் செயற்திறன் வேண்டுமாயின்,
12:05
the solution is not to do more of the wrong things,
260
713000
6000
பிழையான செயல்களைத் தொடர்ந்து செய்வதல்ல தீர்வு.
12:11
to entice people with a sweeter carrot,
261
719000
3000
இனிப்பான கரட்டால் ஆட்களை இணங்க வைப்பது
12:14
or threaten them with a sharper stick.
262
722000
2000
அல்லது கடின தடியால் அவர்களை மிரட்டுவது போன்றவை.
12:16
We need a whole new approach.
263
724000
2000
எங்களுக்கு முற்றுமுழுதான புது அணுகுமுறை தேவை.
12:18
And the good news about all of this is that the scientists
264
726000
2000
இவை எல்லாம் பற்றிய நற் செய்தி என்னவெனில்,
12:20
who've been studying motivation have given us this new approach.
265
728000
3000
ஊக்கவியல் பற்றி கற்றுக்கொண்டிருக்கும் விஞ்ஞானிகள் இந்தப் புதுவழிமுறையைத் தந்துள்ளனர்.
12:23
It's an approach built much more around intrinsic motivation.
266
731000
3000
இந்த அணுகுமுறை உள்ளக ஊக்கவியலைச் சுற்றி கட்டியமைக்கப்பட்டுள்ளது.
12:26
Around the desire to do things because they matter,
267
734000
2000
வேலையை செய்வதற்கான விருப்பத்தை சூழ்ந்துள்ளது ஏனென்றால் அவை முக்கியமானவை.
12:28
because we like it, because they're interesting,
268
736000
2000
ஏனென்றால் நாங்கள் அதை விரும்புகிறோம். ஏனென்றால் அவை சுவாரஸ்யமானவை.
12:30
because they are part of something important.
269
738000
2000
ஏனென்றால் அவை முக்கியமான சிலவற்றின் பகுதிகள்.
12:32
And to my mind, that new operating system for our businesses
270
740000
4000
எனது மனத்தில், எங்கள் வர்த்தகத்துக்கான புதிய செயல்முறை.
12:36
revolves around three elements:
271
744000
2000
மூன்று எளிய மூலகங்களைச் சுற்றியுள்ளதாகப்படுகிறது:
12:38
autonomy, mastery and purpose.
272
746000
3000
சுய அதிகாரம், நிபுணத்துவம் மற்றும் நோக்கம்.
12:41
Autonomy: the urge to direct our own lives.
273
749000
3000
சுயஅதிகாரம் எமது வாழ்க்கையை வழிநடத்துவதற்கான ஆர்வம்.
12:44
Mastery: the desire to get better and better at something that matters.
274
752000
4000
நிபுணத்துவம், முக்கியமான விடயங்களில் மேலும் மேன்மையை ஏற்படுத்துவதற்கான விருப்பம்.
12:48
Purpose: the yearning to do what we do
275
756000
3000
நோக்கம், நாம் என்ன செய்கிறோம் என்பதிலுள்ள ஆவல் ஏற்படுத்துவதற்காக
12:51
in the service of something larger than ourselves.
276
759000
3000
எங்களுக்கும் மேலான ஏதேனும் ஒன்றுக்கான சேவைகளுக்காக.
12:54
These are the building blocks of an entirely new operating system
277
762000
3000
இப்புதிய செயல்முறைக்கு இவைகள் முற்றுமுழுதான கட்டுமானங்கள்.
12:57
for our businesses.
278
765000
2000
எமது தொழில்துறைகளுக்காக.
12:59
I want to talk today only about autonomy.
279
767000
4000
இன்று நான் சுய அதிகாரம் பற்றி மட்டுமே பேச உள்ளேன்.
13:03
In the 20th century, we came up with this idea of management.
280
771000
3000
20ஆம் நூற்றாண்டில், நாங்கள் முகாமைத்துவ கருத்துககளை கொண்டுவந்தோம்.
13:06
Management did not emanate from nature.
281
774000
2000
முகாமைத்துவம் இயற்கையிலிருந்து எழவில்லை.
13:08
Management is like -- it's not a tree,
282
776000
2000
முகாமைத்துவம் என்பது ஒரு மரம் போன்றதல்ல.
13:10
it's a television set.
283
778000
2000
அது ஒரு தொலைக்காட்சிப் பெட்டி.
13:12
Okay? Somebody invented it.
284
780000
2000
சரியா? யாரோ அதைக் கண்டுபிடித்தார்கள்.
13:14
And it doesn't mean it's going to work forever.
285
782000
2000
அதன் அர்த்தம், அது எப்போதும் வேலை செய்யுமென்பதல்ல.
13:16
Management is great.
286
784000
2000
முகாமைத்துவம் சிறந்தது.
13:18
Traditional notions of management are great
287
786000
2000
முகாமைத்துவத்தின் பாரம்பரியக் குறியீடுகள் உயர்ந்தது,
13:20
if you want compliance.
288
788000
2000
நீங்கள் அவற்றுடன் இணங்க போக வேண்டுமாயின்.
13:22
But if you want engagement, self-direction works better.
289
790000
3000
ஆனால் உங்களுக்கு ஈடுபாடு வேண்டுமானால், தன்நெறிப்படுத்தல் சிறப்பாக வேலை செய்யும்.
13:25
Let me give you some examples of some kind of radical
290
793000
2000
உங்களுக்கு சில உதாரணங்கள் செல்ல விரும்புகிறேன்
13:27
notions of self-direction.
291
795000
2000
தன்நெறிப்படுத்தல் சம்பந்த சிலவகை தீவிர குறியீடுகள் பற்றி.
13:29
What this means -- you don't see a lot of it,
292
797000
3000
இது எதை சொல்கிறது -- நீங்கள் இதைப்போல் பலவற்றை பார்க்கமாட்டீர்கள்.
13:32
but you see the first stirrings of something really interesting going on,
293
800000
3000
ஆனால் உண்மையில் சுவாரசியமான ஏதோ ஒன்றின் முதல் எழுச்சியை உங்களால் பார்க்க முடியும்.
13:35
because what it means is paying people adequately
294
803000
2000
இது கருதுவது என்னவெனில் ஆட்களுக்கான கொடுப்பனவுகள் போதுமானதாகவும்
13:37
and fairly, absolutely --
295
805000
2000
நியாயமானதகவும் மற்றும் பூரணமானதாகவும் இருக்கும் என்பதை.
13:39
getting the issue of money off the table,
296
807000
2000
பணம் சார்ந்த சிக்கல்களை அகற்றுகிறது.
13:41
and then giving people lots of autonomy.
297
809000
2000
மற்றும் ஆட்களுக்கு கூடிய சுய அதிகாரத்தை வழங்குகிறது.
13:43
Let me give you some examples.
298
811000
2000
உங்களுக்கு சில உதாரணங்களை சொல்கிறேன்.
13:45
How many of you have heard of the company Atlassian?
299
813000
4000
எத்தணை பேர் அட்லாசியான் என்ற கம்பனியைப் பற்றி கேள்விப்பட்டுள்ளீர்கள்?
13:49
It looks like less than half.
300
817000
2000
பார்க்கும் போது அரைவாசிக்கும் குறைவானவர்களே.
13:51
(Laughter)
301
819000
2000
(சிரிப்பு)
13:53
Atlassian is an Australian software company.
302
821000
4000
அட்லாசியன் ஒரு அவுஸ்ரேலியாவின் மென்பொருள் கம்பனி.
13:57
And they do something incredibly cool.
303
825000
2000
அவர்கள் ஆச்சரியப்படகூடிய வகையில் சிலவற்றை செய்கிறார்கள்.
13:59
A few times a year they tell their engineers,
304
827000
2000
வருடத்தில் சில தடவைகள் அவர்களது பொறியியளாலர்களுக்கு சொல்வார்கள்,
14:01
"Go for the next 24 hours and work on anything you want,
305
829000
4000
”அடுத்த 24 மணி நேரத்துக்கு நீங்கள் உங்களுக்கு விரும்பிய ஏதாவது வேலையை செய்யமுடியும்,
14:05
as long as it's not part of your regular job.
306
833000
2000
அவை உங்கள் வழமையான வேலையாக இல்லாமல் இருந்தால் சரி.
14:07
Work on anything you want."
307
835000
2000
உங்களுக்கு வேண்டிய எதையாவது செய்யுங்கள்.”
14:09
So that engineers use this time to come up with
308
837000
2000
எனவே அந்த பொறியியளாலர்கள் அந்த நேரத்தை பாவித்து
14:11
a cool patch for code, come up with an elegant hack.
309
839000
3000
சீர்செய்த மென்பொருள் தொகுப்பு, நேர்த்தியான கக்கிங் போன்றவற்றுடன் வருவார்கள்.
14:14
Then they present all of the stuff that they've developed
310
842000
3000
பிறகு அவர்கள் உருவாக்கியவற்றை அறிமுகப்படுத்துவார்கள்
14:17
to their teammates, to the rest of the company,
311
845000
3000
அவர்களது சகாக்களுக்கும் கம்பனியில் உள்ள மற்றவர்களுக்கும்,
14:20
in this wild and wooly all-hands meeting
312
848000
2000
அந்த நாள் கடைசியில் எல்லோரும் சேர்ந்த இந்த கட்டுபாடற்ற
14:22
at the end of the day.
313
850000
2000
விதிவிலக்கான சந்திப்பு நிகழும்.
14:24
And then, being Australians, everybody has a beer.
314
852000
2000
பிறகு எல்லோரும் அவுஸ்ரேலியர்களாக பீர் குடிப்பார்கள்.
14:26
They call them FedEx Days.
315
854000
3000
அதை அவர்கள் பெடெக்ஸ் நாள் என அழைப்பார்கள்.
14:29
Why? Because you have to deliver something overnight.
316
857000
6000
ஏன்? ஏனென்றால் நீங்கள் இரவுக்குள் ஏதாவது ஒப்படைக்க வேண்டும்.
14:35
It's pretty. It's not bad. It's a huge trademark violation,
317
863000
2000
இது அழகானது. இது கெட்டதல்ல. இது வர்த்தக அடையாளத்தின் பெரிய அத்துமீறல்.
14:37
but it's pretty clever.
318
865000
2000
ஆனால் இது அழகான கெட்டிக்காரத்தனம்.
14:39
(Laughter)
319
867000
1000
(சிரிப்பு)
14:40
That one day of intense autonomy
320
868000
2000
அந்த ஒரு நாள் அதிகமான சுய அதிகாரம்
14:42
has produced a whole array of software fixes
321
870000
2000
முழு அளவிலான மென்பொருள் திருத்தங்களை உருவாக்கியுள்ளது
14:44
that might never have existed.
322
872000
2000
அவை எப்பவுமே இருந்திருக்காதவை.
14:46
And it's worked so well that Atlassian has taken it to the next level
323
874000
2000
அட்லாசியான் அடுத்த நிலைக்கு எடுத்து சென்றமையால் இது மிக நன்றாக வேலை செய்தது.
14:48
with 20 Percent Time --
324
876000
2000
20 வீதமான நேரத்துடன்
14:50
done, famously, at Google --
325
878000
2000
பிரபலமாக குகிலில் செய்ததை.
14:52
where engineers can work, spend 20 percent of their time
326
880000
2000
அங்கே பொறியியளாலர்கள் அவர்களது 20 வீதமான நேரத்தை
14:54
working on anything they want.
327
882000
2000
அவர்களுக்கு விரும்பிய எதையாவது செய்ய செலவிட முடியும்.
14:56
They have autonomy over their time,
328
884000
2000
அவர்களுக்கு அவர்கள் நேரம், அவர்கள் பணிகள், அவர்கள் குழு,
14:58
their task, their team, their technique.
329
886000
2000
அவர்கள் செயல்முறை சார்ந்த சுய அதிகாரம் வழங்கப்பட்டது.
15:00
Okay? Radical amounts of autonomy.
330
888000
2000
சரியா? சுய அதிகாரத்தின் தீவிரமான அளவு,
15:02
And at Google, as many of you know,
331
890000
4000
உங்களில் அதிகமானவர்களுக்கு தெரிந்தது போன்று,
15:06
about half of the new products in a typical year
332
894000
2000
எடுத்துக்காட்டாக ஒரு வருடத்தில் குகிலில், சுமார் அரைவாசியான புதிய பொருட்கள்
15:08
are birthed during that 20 Percent Time:
333
896000
3000
இந்த 20 வீதமான நேரத்திலேயே பிறக்கின்றன.
15:11
things like Gmail, Orkut, Google News.
334
899000
3000
ஜிமெயில், ஓர்குட், குகில் நியுஸ் போன்ற பொருட்கள்.
15:14
Let me give you an even more radical example of it:
335
902000
3000
உங்களுக்கு இதைவிட தீவிரமான உதாரணம் ஒன்றை சொல்ல விரும்புகிறேன்.
15:17
something called the Results Only Work Environment,
336
905000
2000
பலன் மாத்திரமேயான வேலைச் சூழல் என அழைக்கப்படுவது.
15:19
the ROWE,
337
907000
2000
றோ என சுருக்கமாக.
15:21
created by two American consultants, in place
338
909000
2000
இரு அமெரிக்க நிபுணர்களால் உருவாக்கப்பட்டது,
15:23
in place at about a dozen companies around North America.
339
911000
2000
வட அமெரிக்காவில் டசின் கம்பனிகள் சூழவுள்ள இடத்தில்.
15:25
In a ROWE people don't have schedules.
340
913000
4000
றோ ஆட்களுக்கு நேர அட்டவணை இல்லை.
15:29
They show up when they want.
341
917000
2000
அவர்களுக்கு வேண்டிய நேரத்தில் அவர்கள் வரலாம்.
15:31
They don't have to be in the office at a certain time,
342
919000
2000
அவர்கள் வேலை நிலையத்தில் குறித்த நேரத்தில் இருக்கவேண்டும் என்பதில்லை.
15:33
or any time.
343
921000
2000
அல்லது எந்த நேரத்திலும் இருக்கவேண்டியதில்லை.
15:35
They just have to get their work done.
344
923000
2000
அவர்கள் அவர்களது வேலையை முடித்தால் போதும்.
15:37
How they do it, when they do it,
345
925000
2000
எப்படி செய்வது, எப்போது செய்வது,
15:39
where they do it, is totally up to them.
346
927000
3000
எங்கே செய்வது எல்லாம் அவர்களைப் பொறுத்தது.
15:42
Meetings in these kinds of environments are optional.
347
930000
4000
இந்த மாதிரியான் சூழலில் சந்திப்புகள் எல்லாம் அவர்கள் விருப்பம்.
15:46
What happens?
348
934000
2000
என்ன நடக்கிறது?
15:48
Almost across the board, productivity goes up,
349
936000
3000
அநேகமாக எல்லா நிலைகளிலும் உற்பத்தித் திறன் உயர்கிறது,
15:51
worker engagement goes up,
350
939000
3000
வேலையாட்கள் ஈடுபாடு கூடுகிறது,
15:54
worker satisfaction goes up, turnover goes down.
351
942000
3000
வேலையாட்கள் திருப்தி அதிகரிக்கிறது, விலகிச்செல்லல் குறைகிறது.
15:57
Autonomy, mastery and purpose,
352
945000
2000
சுய அதிகாரம், நிபுணத்துவம் மற்றும் நோக்கம்,
15:59
These are the building blocks of a new way of doing things.
353
947000
2000
இவைதான் புதிய வழியில் விடயங்களை செய்வதற்குரிய கட்டுமானங்கள்.
16:01
Now some of you might look at this and say,
354
949000
3000
இதைப் பார்த்து உங்களில் சிலர் சொல்லலாம்,
16:04
"Hmm, that sounds nice, but it's Utopian."
355
952000
3000
”ம்ம், இது நல்லது. ஆனால் கற்பனையானது.”
16:07
And I say, "Nope. I have proof."
356
955000
5000
நான் சொல்வேன், ”இல்லை, என்னிடம் சான்று உள்ளது.”
16:12
The mid-1990s, Microsoft started
357
960000
2000
1990 நடுப்பகுதியில், மைக்கிரொ செவ்ட் நிறுவனத்தால்
16:14
an encyclopedia called Encarta.
358
962000
2000
என்கார்ட்டா என்ற கலைக்களஞ்சியம் தொடங்கப்பட்டது.
16:16
They had deployed all the right incentives,
359
964000
2000
அவர்கள் எல்லா சரியான ஊக்குவிப்புகளையும் ஏற்படுத்தினார்கள்.
16:18
all the right incentives. They paid professionals to
360
966000
3000
எல்லாம் சரியான ஊக்குவிப்புகள். ஆயிரக்கணக்கான கட்டுரைகள் எழுதவும்
16:21
write and edit thousands of articles.
361
969000
2000
பதியவும் நிபுணர்களுக்கு பணக்கொடுப்பனவு செய்தார்கள்.
16:23
Well-compensated managers oversaw the whole thing
362
971000
2000
எல்லாவற்றையும் நல்ல கொடுப்பனவு வழங்காப்பட்ட முகாமையாளர்கள் மேற்பார்வையிட்டார்கள்.
16:25
to make sure it came in on budget and on time.
363
973000
5000
எல்லாம் குறித்த நேரத்தில் குறிப்பிட்ட செலவுக்குள் செய்யப்படுகிறதா என்பதற்காக.
16:30
A few years later another encyclopedia got started.
364
978000
2000
சில வருடங்களுக்கு பிறகு இன்னொரு கலைக்களஞ்கியம் தொடங்கப்பட்டது.
16:32
Different model, right?
365
980000
3000
வித்தியாசமான மாதிரி,
16:35
Do it for fun. No one gets paid a cent, or a Euro or a Yen.
366
983000
4000
வேடிக்கைக்காக செய்வதற்காக. யாருக்கும் எந்த வித பணமும் வழங்கப்படமாட்டாது.
16:39
Do it because you like to do it.
367
987000
3000
உங்களுக்கு இதை செய்ய விருப்பம் என்றால் செய்யுங்கள்.
16:42
Now if you had, just 10 years ago,
368
990000
3000
10 வருடங்களுக்கு முன் இந்த மாதிரியை நீங்கள் வைத்திருந்தால்.
16:45
if you had gone to an economist, anywhere,
369
993000
2000
எங்காவது ஒரு பொருளியளாலரிடம் நீங்கள் அதை எடுத்துச் சென்று,
16:47
and said, "Hey, I've got these two different models for creating an encyclopedia.
370
995000
4000
”நான் ஒரு கலைக்களஞ்சியம் உருவாக்க இரு வித்தியாசமான மாதிரிகளை வைத்திருக்கிறேன்” என்று சொன்னால்,
16:51
If they went head to head, who would win?"
371
999000
3000
”அவைகள் நேருக்கு நேர் மேதினால், யார் வெற்றி பெறுவார்கள்?” என்று கேட்டால்,
16:54
10 years ago you could not have found a single sober economist anywhere
372
1002000
4000
10 வருடங்களுக்கு முன்னால் எந்த ஒரு நிதானமான பொருளியலாளரும் எங்கேயும்,
16:58
on planet Earth
373
1006000
2000
இந்த பூமியில்
17:00
who would have predicted the Wikipedia model.
374
1008000
2000
விக்கிபீடியா மாதிரி தான் வெற்றிபெறும் என எதிர்வு கூறியிருக்கமாட்டார்கள்.
17:02
This is the titanic battle between these two approaches.
375
1010000
3000
இதுதான் இந்த இரு வழிமுறைக்குமான ஒரு மிகப்பெரிய சண்டை.
17:05
This is the Ali-Frazier of motivation. Right?
376
1013000
3000
இதுதான் ஒரு ஊக்கவியலின் அலி-பிரெஸியர் (Ali-Frazier). சரியா?
17:08
This is the Thrilla' in Manila.
377
1016000
2000
இது மனிலாவில் நடந்த திரில்லா (Thrilla' in Manila).
17:10
Alright? Intrinsic motivators versus extrinsic motivators.
378
1018000
3000
எல்லாம் சரி? உள்ளக ஊக்கவியல்கள் எதிர் வெளிப்படை ஊக்கவியல்கள்.
17:13
Autonomy, mastery and purpose,
379
1021000
2000
சுய அதிகாரம், நிபுணத்துவம் மற்றும் நோக்கம்,
17:15
versus carrot and sticks. And who wins?
380
1023000
2000
எதிர் கரட்டும் தடியும். எது வெல்லும்?
17:17
Intrinsic motivation, autonomy, mastery and purpose,
381
1025000
3000
உள்ளக ஊக்கவியல், சுய அதிகாரம், நிபுணத்துவம் மற்றும் நோக்கம்,
17:20
in a knockout. Let me wrap up.
382
1028000
4000
நான் இதை முடித்துக்கொள்ள விரும்புகிறேன்.
17:24
There is a mismatch between what science knows and what business does.
383
1032000
3000
இங்கே விஞ்ஞானத்துக்கு தெரிந்ததுக்கும் தொழிற்துறை செய்வதற்கும் ஒரு பொருந்தாதன்மை உள்ளது.
17:27
And here is what science knows.
384
1035000
2000
இதுதான் விஞ்ஞானம் அறிந்தது,
17:29
One: Those 20th century rewards,
385
1037000
2000
ஒன்று: அந்த 20ம் நூற்றாண்டு சன்மானங்கள்,
17:31
those motivators we think are a natural part of business,
386
1039000
3000
நாங்கள் தொழில்களின் இயற்கை பகுதிகள் என நினைக்கும் ஊக்குவிப்புகள்,
17:34
do work, but only in a surprisingly narrow band of circumstances.
387
1042000
4000
வேலை செய்யும், ஆனால் ஆச்சரியப்படகூடிய வகையில் குறுகிய சூழல்களில் மட்டுமே.
17:38
Two: Those if-then rewards often destroy creativity.
388
1046000
4000
இரண்டு: அப்படியானால் இந்த சன்மானங்கள் படைப்பாற்றலை இல்லாதொழிக்கும்.
17:42
Three: The secret to high performance
389
1050000
2000
மூன்று: உயர் செயற்திறனின் இரகசியம்
17:44
isn't rewards and punishments,
390
1052000
2000
சன்மானங்களும் தண்டனைகளும் அல்ல,
17:46
but that unseen intrinsic drive --
391
1054000
2000
ஆனால் அந்த தெரியாத உள்ளார்ந்த இயக்கம்.
17:48
the drive to do things for their own sake.
392
1056000
3000
அவர்களின் சொந்த தேவையின் பொருட்டு செய்வதற்கான முயற்சி.
17:51
The drive to do things cause they matter.
393
1059000
2000
அவைகள் முக்கியமானவை என்ற காரணத்தால் விடயங்களை செய்வதற்கான முயற்சி.
17:53
And here's the best part. Here's the best part.
394
1061000
2000
உன்னதமான பகுதி இதுதான்.
17:55
We already know this. The science confirms what we know in our hearts.
395
1063000
3000
இது எங்களுக்கு ஏற்கனவே தெரியும். எங்கள் மனதுக்கு தெரிந்ததை விஞ்ஞானம் உறுதிப்படுத்துகிறது.
17:58
So, if we repair this mismatch
396
1066000
3000
எனவே நாங்கள் இந்த பொருந்தாமையை திருத்தியமைத்தால்,
18:01
between what science knows and what business does,
397
1069000
2000
அதாவது விஞ்ஞானம் அறிந்ததுக்கும் தொழில்கள் செய்வதற்கும் இடையேயானதை,
18:03
if we bring our motivation, notions of motivation
398
1071000
3000
எங்களது ஊக்குவிப்புகள், ஊக்குவிப்புகளுக்கான குறிகள் என்பனவற்றை
18:06
into the 21st century,
399
1074000
2000
21ம் நூற்றாண்டுக்கு எடுத்துவந்தால்,
18:08
if we get past this lazy, dangerous, ideology
400
1076000
4000
இந்த கரட்டும் தடியும் என்ற சோம்பேரித்தனமான, ஆபத்தான
18:12
of carrots and sticks,
401
1080000
2000
கருத்தியலை விட்டுச்சென்றால்,
18:14
we can strengthen our businesses,
402
1082000
3000
நாங்கள் எங்கள் வர்த்தகத்தை வலுவாக்க முடியும்,
18:17
we can solve a lot of those candle problems,
403
1085000
3000
எங்களால் நிறைய மெமுகுதிரி புதிர்களை தீர்க்கமுடியும்,
18:20
and maybe, maybe, maybe
404
1088000
4000
சில வேளை, சில வேளை,
18:24
we can change the world.
405
1092000
2000
எங்களால் உலகையும் மாற்ற முடியும்.
18:26
I rest my case.
406
1094000
2000
நான் எனது வழக்கை முடிக்கிறேன்.
18:28
(Applause)
407
1096000
3000
(கைதட்டல்)
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