TEDGlobal 2009
Dan Pink: The puzzle of motivation
دان بينك: أحجية التحفيز
Filmed:
Readability: 4
25,352,736 views
يستعرض المحلل المهني دان بينك لغز التحفيز مبتدئاً بحقيقة يعرفها علماء الاجتماع ويجهلها معظم المدراء: المكافآت التقليدية ليست فعالة كما نعتقد. استمعوا لقصص مؤثرة وربما لطريق نحو الأمام.
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
علي أن أبدأ باعتراف
00:16
A little over 20 years ago
1
4000
3000
قبل أكثر من عشرين سنة بقليل
00:19
I did something that I regret,
2
7000
2000
قمت بشيء ندمت عليه،
00:21
something that I'm not particularly proud of,
3
9000
4000
شيء لست فخوراً به،
00:25
something that, in many ways, I wish no one would ever know,
4
13000
3000
شيئ أتمنى أن لا يعرفه أحد أبداً،
00:28
but here I feel kind of obliged to reveal.
5
16000
4000
لكني أشعر هنا بأني مجبر أن أفشي به.
00:32
(Laughter)
6
20000
2000
(ضحك)
00:34
In the late 1980s,
7
22000
2000
في أواخر الثمانينات
00:36
in a moment of youthful indiscretion,
8
24000
3000
وفي لحظة من طيشان الشباب
00:39
I went to law school.
9
27000
2000
دخلت كلية المحاماة.
00:41
(Laughter)
10
29000
4000
(ضحك)
00:45
Now, in America law is a professional degree:
11
33000
3000
الآن، المحاماة/القانون في أمريكا هي شهادة مهنية.
00:48
you get your university degree, then you go on to law school.
12
36000
2000
يجب أن تحصل على شهادة جامعية ثم تذهب إلى كلية المحاماة.
00:50
And when I got to law school,
13
38000
3000
وعندما أصبحت في كلية المحاماة،
00:53
I didn't do very well.
14
41000
2000
لم أبلي بلاء حسنآ.
00:55
To put it mildly, I didn't do very well.
15
43000
2000
لأُلطف الموقف أقول، لم أبلي بلاء حسناً.
00:57
I, in fact, graduated in the part of my law school class
16
45000
3000
في الواقع، تخرجت مع الجزء من صفي في كلية المحاماة
01:00
that made the top 90 percent possible.
17
48000
4000
الذي جعل التسعين بالمائة فوقه ممكنة.
01:04
(Laughter)
18
52000
4000
(ضحك)
01:08
Thank you.
19
56000
3000
شكراً.
01:11
I never practiced law a day in my life;
20
59000
3000
لم أمارس المحاماة يوماً في حياتي.
01:14
I pretty much wasn't allowed to.
21
62000
2000
الحقيقة أنه لم أعطى الصلاحية.
01:16
(Laughter)
22
64000
3000
(ضحك)
01:19
But today, against my better judgment,
23
67000
3000
لكن اليوم، خلافاً لما تمليه علي نفسي،
01:22
against the advice of my own wife,
24
70000
3000
وخلافاً لنصيحة زوجتي،
01:25
I want to try to dust off some of those legal skills --
25
73000
4000
أريد أن أزيل الغبار عن بعض تلك المهارات القانونية،
01:29
what's left of those legal skills.
26
77000
2000
أو ما تبقى منها.
01:31
I don't want to tell you a story.
27
79000
3000
لا أريد أن أروي لكم قصة.
01:34
I want to make a case.
28
82000
2000
أريد أن أثبت حالة.
01:36
I want to make a hard-headed, evidence-based,
29
84000
4000
أريد أن أقدم حالة قوية، مبنية على أدلة،
01:40
dare I say lawyerly case,
30
88000
3000
وإن كنت أجرؤ حالة تتسم بروح المحاماة،
01:43
for rethinking how we run our businesses.
31
91000
4000
لنعيد التفكير بكيفية إدارة أعمالنا.
01:47
So, ladies and gentlemen of the jury, take a look at this.
32
95000
4000
إذاً، يا نساء ورجال هيئة المحلفين، فلتلقوا نظرة على التالي.
01:51
This is called the candle problem.
33
99000
2000
يعرف هذا بلغز الشمعة.
01:53
Some of you might have seen this before.
34
101000
2000
ربما يعرف بعضكم هذه التجربة.
01:55
It's created in 1945
35
103000
2000
صُنعت في ١٩٤٥
01:57
by a psychologist named Karl Duncker.
36
105000
2000
بدأها عالم نفس يدعى كارل دنكر.
01:59
Karl Duncker created this experiment
37
107000
2000
ابتكر كارل دنكر هذه التجربة
02:01
that is used in a whole variety of experiments in behavioral science.
38
109000
3000
التي استعملت في مجموعة من التجارب في علم السلوك.
02:04
And here's how it works. Suppose I'm the experimenter.
39
112000
3000
وإليكم كيفيتها. فلنفرض أني الذي أقوم بالتجربة.
02:07
I bring you into a room. I give you a candle,
40
115000
4000
فأجلبكم إلى غرفة وأعطيكم شمعة
02:11
some thumbtacks and some matches.
41
119000
2000
وبعض المعجون اللاصق وبعض أعواد الثقاب.
02:13
And I say to you, "Your job
42
121000
2000
ثم أقول لكم، "ما يجب عليكم فعله
02:15
is to attach the candle to the wall
43
123000
2000
هو تثبيت الشمعة على الجدار
02:17
so the wax doesn't drip onto the table." Now what would you do?
44
125000
4000
بحيث أن الشمع لا ينقط على الطاولة." ماذا ستفعلون؟
02:21
Now many people begin trying to thumbtack the candle to the wall.
45
129000
4000
يبدأ الكثير من الناس بمحاولة إلصاق الشمعة على الجدار بالمعجون.
02:25
Doesn't work.
46
133000
2000
لن ينجح ذلك.
02:27
Somebody, some people -- and I saw somebody
47
135000
2000
هناك شخص، ورأيت البعض
02:29
kind of make the motion over here --
48
137000
2000
يقومون بالحركة هنا.
02:31
some people have a great idea where they
49
139000
2000
لدى بعض الأشخاص فكرة رائعة حيث
02:33
light the match, melt the side of the candle, try to adhere it to the wall.
50
141000
4000
يشعلون الثقاب ويذيبون طرف الشمعة ثم يحاولون إلصاقها بالجدار.
02:37
It's an awesome idea. Doesn't work.
51
145000
3000
فكرة ممتازة لكنها لا تنجح.
02:40
And eventually, after five or 10 minutes,
52
148000
3000
وبالنهاية، بعد خمس أو عشر دقائق،
02:43
most people figure out the solution,
53
151000
2000
يكتشف أغلب الناس الحل،
02:45
which you can see here.
54
153000
2000
والذي يمكنكم رؤيته هنا.
02:47
The key is to overcome what's called functional fixedness.
55
155000
3000
المفتاح لتخطي ما يسمى الثبات الوظيفي.
02:50
You look at that box and you see it only as a receptacle for the tacks.
56
158000
4000
تنظرون إلى العلبة وترونها كوعاء للمعجون اللاصق فقط.
02:54
But it can also have this other function,
57
162000
2000
ولكن قد يكون لديها وظيفة أخرى،
02:56
as a platform for the candle. The candle problem.
58
164000
4000
وهي منصّة للشمعة. هاهو لغز الشمعة.
03:00
Now I want to tell you about an experiment
59
168000
2000
أريد أن أخبركم الآن عن تجربة
03:02
using the candle problem,
60
170000
2000
تتضمن لغز الشمعة،
03:04
done by a scientist named Sam Glucksberg,
61
172000
2000
قام بها عالم يدعى سام جلاكسبيرغ،
03:06
who is now at Princeton University in the U.S.
62
174000
2000
وهو حالياً في جامعة برنستون في الولايات المتحدة.
03:08
This shows the power of incentives.
63
176000
4000
توضح هذه التجربة قوة التحفيز.
03:12
Here's what he did. He gathered his participants.
64
180000
2000
إليكم ما قام به. جمع كل المشاركين
03:14
And he said, "I'm going to time you. How quickly you can solve this problem?"
65
182000
3000
وقال: "سأحسب لكم الوقت. ماهي السرعة التي يمكنكم حل اللغز بها؟"
03:17
To one group he said,
66
185000
2000
قال لمجموعة منهما:
03:19
"I'm going to time you to establish norms,
67
187000
3000
سأحسب لكم الوقت حتى أحدد معيار،
03:22
averages for how long it typically takes
68
190000
2000
معدل الوقت المطلوب عادة
03:24
someone to solve this sort of problem."
69
192000
2000
حتى يحل شخص مثل هذا اللغز.
03:26
To the second group he offered rewards.
70
194000
3000
وللمجموعة الأخرى قام بتقديم مكافآت.
03:29
He said, "If you're in the top 25 percent of the fastest times,
71
197000
4000
فقال:. "إن كنتم من ضمن الخمس والعشرين بالمائة من الأسرع وقتاً
03:33
you get five dollars.
72
201000
3000
ستحصلون على خمسة دولارات.
03:36
If you're the fastest of everyone we're testing here today,
73
204000
3000
إن كنتم أسرع المشاركين في التجربة اليوم
03:39
you get 20 dollars."
74
207000
2000
ستحصلون على عشرين دولاراً."
03:41
Now this is several years ago. Adjusted for inflation,
75
209000
3000
كان هذا قبل عدة سنوات، قمنا بتعديلها مع التضخم.
03:44
it's a decent sum of money for a few minutes of work.
76
212000
2000
مبلغ محترم مقابل بضع دقائق من العمل.
03:46
It's a nice motivator.
77
214000
2000
إنه محفز جيد.
03:48
Question: How much faster
78
216000
3000
سؤال: بكم سبقت
03:51
did this group solve the problem?
79
219000
2000
هذه المجموعة في حل اللغز؟
03:53
Answer: It took them, on average,
80
221000
3000
الجواب: استغرقوا تقريباً
03:56
three and a half minutes longer.
81
224000
4000
ثلاث دقائق ونصف الدقيقة أطول.
04:00
Three and a half minutes longer. Now this makes no sense right?
82
228000
3000
أطول بثلاث دقائق ونصف. لا يعقل ذلك الآن، أليس كذلك؟
04:03
I mean, I'm an American. I believe in free markets.
83
231000
3000
قصدي، أنا أمريكي، أؤمن بالسوق الحرة.
04:06
That's not how it's supposed to work. Right?
84
234000
3000
لكنها لا ينبغي أن تعمل هكذا، أليس كذلك؟
04:09
(Laughter)
85
237000
1000
(ضحك)
04:10
If you want people to perform better,
86
238000
2000
إن كنت تريد أن يقوم الناس بأداء أفضل،
04:12
you reward them. Right?
87
240000
2000
فإنك تكافئهم، صحيح؟
04:14
Bonuses, commissions, their own reality show.
88
242000
3000
علاوات وعمولات أو برنامج واقع خاص بهم.
04:17
Incentivize them. That's how business works.
89
245000
4000
قم بتحفيزهم، هكذا يسير العمل.
04:21
But that's not happening here.
90
249000
2000
لكن ليس هذا الذي يجري هنا.
04:23
You've got an incentive designed to
91
251000
2000
لدينا محفز معد
04:25
sharpen thinking and accelerate creativity,
92
253000
4000
ليصقل التفكير ويعجل الإبداع.
04:29
and it does just the opposite.
93
257000
2000
لكنه يقوم بالعكس تماماً.
04:31
It dulls thinking and blocks creativity.
94
259000
3000
يبلد التفكير ويعيق الإبداع.
04:34
And what's interesting about this experiment is that it's not an aberration.
95
262000
3000
والمثير في هذه التجربة أنها ليست حالة شاذة.
04:37
This has been replicated over and over
96
265000
3000
فقد تم تكرارها مرة بعد مرة
04:40
and over again, for nearly 40 years.
97
268000
3000
بعد مرة، ولمدة أربعين سنة.
04:43
These contingent motivators --
98
271000
3000
تلك المحفزت الطارئة،
04:46
if you do this, then you get that --
99
274000
2000
إن فعلت كذا فستحصل على كذا،
04:48
work in some circumstances.
100
276000
2000
تعمل في بعض الظروف.
04:50
But for a lot of tasks, they actually either don't work
101
278000
3000
لكن في العديد من المهام فهي إما لا تعمل
04:53
or, often, they do harm.
102
281000
3000
أو-غالباً- فهي تضر.
04:56
This is one of the most robust findings
103
284000
4000
هذه أحد أهم الاكتشافات
05:00
in social science,
104
288000
3000
في علم الاجتماع.
05:03
and also one of the most ignored.
105
291000
2000
وأيضاً، الأكثرها تجاهلاً.
05:05
I spent the last couple of years looking at the science of
106
293000
2000
قضيت السنتين الأخيرتين أبحث في علم
05:07
human motivation,
107
295000
2000
تحفيز الإنسان.
05:09
particularly the dynamics of extrinsic motivators
108
297000
2000
وبالتحديد في القوى المحركة للمحفزات الخارجية
05:11
and intrinsic motivators.
109
299000
2000
والمحفزات الذاتية.
05:13
And I'm telling you, it's not even close.
110
301000
2000
وأنا أخبركم، إنها ليست قريبة حتى.
05:15
If you look at the science, there is a mismatch
111
303000
2000
إذا نظرتم إلى العلم فستجدون تناقضاً
05:17
between what science knows and what business does.
112
305000
4000
بين ما يقول العلم وبين ما يحدث في العمل.
05:21
And what's alarming here is that our business operating system --
113
309000
3000
والخطير هنا هو أن نظام إدارة العمل لدينا--
05:24
think of the set of assumptions and protocols beneath our businesses,
114
312000
3000
فكروا بمجموعة الافتراضات والبروتوكولات التي يبنى عليها العمل لدينا،
05:27
how we motivate people, how we apply our human resources --
115
315000
5000
كيف نحفز الناس وكيف نطبق مواردنا البشرية--
05:32
it's built entirely around these extrinsic motivators,
116
320000
3000
فهو مبني كلياً حول المحفزات الخارجية،
05:35
around carrots and sticks.
117
323000
2000
حول الجزر والعصي.
05:37
That's actually fine for many kinds of 20th century tasks.
118
325000
4000
وذلك لا بأس به في الواقع لكثير من مهمات القرن العشرين.
05:41
But for 21st century tasks,
119
329000
2000
لكن لمهمات القرن الواحد والعشرين،
05:43
that mechanistic, reward-and-punishment approach
120
331000
4000
تلك الطريقة الميكانيكية ذات المكافأة والعقاب
05:47
doesn't work, often doesn't work, and often does harm.
121
335000
4000
لا تنجح، غالباً لا تنجح وفي الغالب أيضاً تضر.
05:51
Let me show you what I mean.
122
339000
2000
دعوني أريكم ماذا أقصد.
05:53
So Glucksberg did another experiment similar to this
123
341000
3000
إذاً قام جلاكسبيرغ بتجربة أخرى شبيهة بهذه
05:56
where he presented the problem in a slightly different way,
124
344000
2000
حيث قدم التجربة بطريقة مختلفة قليلاً،
05:58
like this up here. Okay?
125
346000
3000
كالمعروضة هنا في الأعلى. حسناً؟
06:01
Attach the candle to the wall so the wax doesn't drip onto the table.
126
349000
2000
ثبتوا الشمعة علـى الجدار بحيث لا ينقط الشمع على الطاولة.
06:03
Same deal. You: we're timing for norms.
127
351000
3000
نفس التعليمات. أنتم هنا: نحن نحسب الوقت لقياس المعدل.
06:06
You: we're incentivizing.
128
354000
3000
وأنتم هناك: نحن نعطيكم محفز.
06:09
What happened this time?
129
357000
2000
ماذا حدث هذه المرة؟
06:11
This time, the incentivized group
130
359000
2000
هذه المرة، قامت المجموعة المحفزة
06:13
kicked the other group's butt.
131
361000
4000
بالفوز فوزا ساحقاً .
06:17
Why? Because when the tacks are out of the box,
132
365000
4000
لماذا؟ لأنه عندما نخرج المعجون اللاصق من العلبة
06:21
it's pretty easy isn't it?
133
369000
4000
يصبح الأمر سهلا وواضحاً، صحيح؟
06:25
(Laughter)
134
373000
2000
(ضحك)
06:27
If-then rewards work really well
135
375000
3000
إذاً فالمكافآت تنجح
06:30
for those sorts of tasks,
136
378000
3000
لهذا النوع من المهمات،
06:33
where there is a simple set of rules and a clear destination
137
381000
2000
حيث هناك مجموعة قوانين بسيطة وهدف واضح
06:35
to go to.
138
383000
2000
يتم الوصول إليه.
06:37
Rewards, by their very nature,
139
385000
2000
المكافآت بطبيعتها
06:39
narrow our focus, concentrate the mind;
140
387000
2000
تركز التفكير وتحدد مجال التركيز
06:41
that's why they work in so many cases.
141
389000
2000
ولذلك فهي تنجح في الكثير من الحالات.
06:43
And so, for tasks like this,
142
391000
2000
إذاً فلمهمات مثل هذه،
06:45
a narrow focus, where you just see the goal right there,
143
393000
3000
التركيز المحدد، حيث ترى الهدف أمامك،
06:48
zoom straight ahead to it,
144
396000
2000
وتنطلق رأساً نحوه
06:50
they work really well.
145
398000
2000
فهي تعمل بفعالية.
06:52
But for the real candle problem,
146
400000
2000
لكن في حالة لغز الشمعة الحقيقي،
06:54
you don't want to be looking like this.
147
402000
2000
فأنتم لا تريدون أن تبدوا هكذا.
06:56
The solution is not over here. The solution is on the periphery.
148
404000
2000
فالحل ليس هناك. الحل هو في المحيط الخارجي.
06:58
You want to be looking around.
149
406000
2000
تحتاج أن تنظر حولك.
07:00
That reward actually narrows our focus
150
408000
2000
تلك المكافأة في الواقع تحدد التركيز
07:02
and restricts our possibility.
151
410000
2000
وتقيد إمكانياتنا.
07:04
Let me tell you why this is so important.
152
412000
3000
دعوني أقول لكم لماذا ذلك مهم جداً.
07:07
In western Europe,
153
415000
2000
في أوروبا الغربية،
07:09
in many parts of Asia,
154
417000
2000
وفي الكثير من مناطق آسيا،
07:11
in North America, in Australia,
155
419000
3000
وفي أمريكا الشمالية وأستراليا،
07:14
white-collar workers are doing less of
156
422000
2000
يقوم موظفوا المكاتب بعمل أقل
07:16
this kind of work,
157
424000
2000
من هذا النوع،
07:18
and more of this kind of work.
158
426000
4000
وعمل أكثر من النوع الآخر.
07:22
That routine, rule-based, left-brain work --
159
430000
3000
ذلك العمل الروتيني المحكوم بالقوانين الذي يسيره المخ الأيسر:
07:25
certain kinds of accounting, certain kinds of financial analysis,
160
433000
2000
مثل بعض أنواع المحاسبة وبعض أنواع التحليل المالي،
07:27
certain kinds of computer programming --
161
435000
2000
وبعض أنواع البرمجة الالكترونية،
07:29
has become fairly easy to outsource,
162
437000
2000
أصبح من السهل توكيله
07:31
fairly easy to automate.
163
439000
2000
ومن السهل أن يجرى أتوماتيكياً
07:33
Software can do it faster.
164
441000
3000
تستطيع البرامج أن تقوم به أسرع.
07:36
Low-cost providers around the world can do it cheaper.
165
444000
2000
يستطيع مزودون خدمات القيام به حول العالم بقيمة أقل.
07:38
So what really matters are the more right-brained
166
446000
4000
إذاً فالمهم حقاً هي وظائف المخ الأيمن:
07:42
creative, conceptual kinds of abilities.
167
450000
3000
المهارات التي تتطلب مفاهيم وابتكار.
07:45
Think about your own work.
168
453000
3000
فكروا بعملكم أنتم.
07:48
Think about your own work.
169
456000
3000
فكروا بعملكم أنتم.
07:51
Are the problems that you face, or even the problems
170
459000
2000
هل المشكلات التي تواجهونها أو حتى المشاكل
07:53
we've been talking about here,
171
461000
2000
التي كنا نتحدث عنها هنا،
07:55
are those kinds of problems -- do they have a clear set of rules,
172
463000
2000
هل هذا النوع من المشاكل، هل لديها قوانين واضحة،
07:57
and a single solution? No.
173
465000
3000
وحل منفرد؟ لا.
08:00
The rules are mystifying.
174
468000
2000
القوانين محيرة.
08:02
The solution, if it exists at all,
175
470000
2000
والحل، إن وجد على الإطلاق،
08:04
is surprising and not obvious.
176
472000
3000
مفاجئ وليس واضحاً.
08:07
Everybody in this room
177
475000
2000
كل شخص في هذه الغرفة
08:09
is dealing with their own version
178
477000
3000
يتعامل مع نسخته الخاصة
08:12
of the candle problem.
179
480000
2000
من لغز الشمعة.
08:14
And for candle problems of any kind,
180
482000
3000
ولمشاكل الشمع من أي نوع،
08:17
in any field,
181
485000
2000
وفي أي مجال،
08:19
those if-then rewards,
182
487000
3000
تلك المكافآت على صيغة إذا-فسوف،
08:22
the things around which we've built so many of our businesses,
183
490000
4000
التي بنينى العديد من مشاريعنا عليها،
08:26
don't work.
184
494000
2000
لا تعمل.
08:28
Now, I mean it makes me crazy.
185
496000
2000
الآن، أنا أعني أن هذا يصيبني بالجنون.
08:30
And this is not -- here's the thing.
186
498000
2000
وهذا ليس -- ها هي الفكرة.
08:32
This is not a feeling.
187
500000
3000
إنه ليس شعور.
08:35
Okay? I'm a lawyer; I don't believe in feelings.
188
503000
3000
حسناً؟ أنا محامي. أنا لا أؤمن بالمشاعر.
08:38
This is not a philosophy.
189
506000
4000
وهذه ليست فلسفة.
08:42
I'm an American; I don't believe in philosophy.
190
510000
2000
أنا أمريكي. أنا لا أؤمن بالفلسفة.
08:44
(Laughter)
191
512000
3000
(ضحك)
08:47
This is a fact --
192
515000
3000
هذه حقيقة.
08:50
or, as we say in my hometown of Washington, D.C.,
193
518000
2000
أو كما نقول في مدينتي، واشنطن دي-سي
08:52
a true fact.
194
520000
2000
حقيقة صحيحة.
08:54
(Laughter)
195
522000
2000
(ضحك)
08:56
(Applause)
196
524000
4000
(تصفيق)
09:00
Let me give you an example of what I mean.
197
528000
2000
دعوني أعطيكم مثالاً يوضح ما أقصد.
09:02
Let me marshal the evidence here,
198
530000
2000
دعوني أجمع الأدلة هنا.
09:04
because I'm not telling you a story, I'm making a case.
199
532000
2000
لأنني لا أخبركم قصة، بل أثبت قضية.
09:06
Ladies and gentlemen of the jury, some evidence:
200
534000
2000
سيدات وسادة هيئة المحلفين، إليكم بعض الدلائل:
09:08
Dan Ariely, one of the great economists of our time,
201
536000
3000
دان آريلي، أحد أعظم الاقتصاديين اليوم،
09:11
he and three colleagues, did a study of some MIT students.
202
539000
4000
قام مع ثلاثة من زملائه بدراسة على بعض طلبة الإم. آي. تي
09:15
They gave these MIT students a bunch of games,
203
543000
3000
قاموا بإعطاء طلبة الإم.آي.تي مجموعة من الألعاب
09:18
games that involved creativity,
204
546000
2000
التي تتطلب ابتكاراً،
09:20
and motor skills, and concentration.
205
548000
2000
ومهارات حركية وتركيز.
09:22
And the offered them, for performance,
206
550000
2000
وقدموا لهم مقابل اشتراكهم
09:24
three levels of rewards:
207
552000
2000
ثلاث درجات من المكافآت.
09:26
small reward, medium reward, large reward.
208
554000
5000
مكافأة صغيرة، مكافأة متوسطة، مكافأة كبيرة.
09:31
Okay? If you do really well you get the large reward, on down.
209
559000
4000
حسنا؟ إن قمت بأداء جيد جداً تحصل على المكافأة الكبيرة، وهكذا.
09:35
What happened? As long as the task involved only mechanical skill
210
563000
4000
ماذا حصل؟ طالما تتطلب المهمة مهارات ميكانيكية فقط
09:39
bonuses worked as they would be expected:
211
567000
2000
فالمكافآت قامت بالتحفيز كما هو متوقع:
09:41
the higher the pay, the better the performance.
212
569000
4000
كلما ارتفع الدفع، ارتفع الأداء.
09:45
Okay? But one the task called for
213
573000
2000
جيد؟ لكن أحد المهام تتطلب
09:47
even rudimentary cognitive skill,
214
575000
4000
قدرة عقلية، رغم أنها أساسية
09:51
a larger reward led to poorer performance.
215
579000
5000
أدت المكافآة الأكبر لأداء أسوء.
09:56
Then they said,
216
584000
2000
ثم قالوا،
09:58
"Okay let's see if there's any cultural bias here.
217
586000
2000
"حسناً. فلنرى إن كان هناك أي تحيز ثقافي هنا.
10:00
Lets go to Madurai, India and test this."
218
588000
2000
فلنذهب إلى مادوراي في الهند ونختبر ذلك."
10:02
Standard of living is lower.
219
590000
2000
مستوى المعيشة أقل
10:04
In Madurai, a reward that is modest in North American standards,
220
592000
3000
في مادوراي، المكافأة المتواضعة في معايير شمال أمريكا،
10:07
is more meaningful there.
221
595000
3000
لها أثر أكبر هنا.
10:10
Same deal. A bunch of games, three levels of rewards.
222
598000
3000
نفس الموضوع. مجموعة من الألعاب وثلاث درجات من المكافآت.
10:13
What happens?
223
601000
2000
ماذا حدث؟
10:15
People offered the medium level of rewards
224
603000
3000
الأشخاص الذين قدم إليهم المكافأة المتوسطة
10:18
did no better than people offered the small rewards.
225
606000
3000
لم يقوموا بعمل أفضل من الذين قدم إليهم المكافأة الصغيرة.
10:21
But this time, people offered the highest rewards,
226
609000
4000
لكن هذه المرة، الأشخاص الذين قدم إليهم المكافآت الكبرى،
10:25
they did the worst of all.
227
613000
4000
قاموا بأسوء أداء من الجميع.
10:29
In eight of the nine tasks we examined across three experiments,
228
617000
3000
في ثماني من تسع مهمات درسناها في الثلاث تجارب،
10:32
higher incentives led to worse performance.
229
620000
5000
المحفزات الأعلى أدت إلى أداء أسوء.
10:37
Is this some kind of touchy-feely
230
625000
3000
هل هناك نوع من المؤامرات الاشتراكية
10:40
socialist conspiracy going on here?
231
628000
3000
الحساسة تحدث هنا؟
10:43
No. These are economists from MIT,
232
631000
3000
لا. هؤلاء اقتصاديون من الإم. آي. تي،
10:46
from Carnegie Mellon, from the University of Chicago.
233
634000
3000
من كارنيجي ميلون، من جامعة شيكاغو.
10:49
And do you know who sponsored this research?
234
637000
2000
وهل تعرفون من يرعى هذا البحث؟
10:51
The Federal Reserve Bank of the United States.
235
639000
4000
البنك الفيديرالي الاحتياطي للولايات المتحدة.
10:55
That's the American experience.
236
643000
2000
تلك هي الخبرة الأمريكية
10:57
Let's go across the pond to the London School of Economics --
237
645000
3000
فلنذهب عبر المحيط إلى مدرسة لندن للاقتصاد.
11:00
LSE, London School of Economics,
238
648000
3000
(إيل، إس، إي) مدرسة لندن للاقتصاد.
11:03
alma mater of 11 Nobel Laureates in economics.
239
651000
3000
المدرسة التي خرّجت 11 فائز بجائزة نوبل في الاقتصاد.
11:06
Training ground for great economic thinkers
240
654000
3000
مركز تدريب لمفكرين اقتصاديين عظماء
11:09
like George Soros, and Friedrich Hayek,
241
657000
3000
مثل جورج سوروس وفريدريك حايك
11:12
and Mick Jagger. (Laughter)
242
660000
2000
ومايك جاغر. (ضحك)
11:14
Last month, just last month,
243
662000
4000
في الشهر الماضي، في الشهر الماضي فقط،
11:18
economists at LSE looked at 51 studies
244
666000
3000
نظر الاقتصاديون في هذه المدرسة إلى ٥١ دراسة
11:21
of pay-for-performance plans, inside of companies.
245
669000
3000
على خطط المكافآت لرفع الأداء داخل الشركات.
11:24
Here's what the economists there said: "We find that financial incentives
246
672000
3000
وهذا ما قاله الاقتصاديون هناك. "نحن نجد أن المحفزات المالية
11:27
can result in a negative impact on overall performance."
247
675000
6000
قد تؤدي إلى أثر سلبي على الأداء الكلي."
11:33
There is a mismatch between what science knows
248
681000
3000
هناك تناقض بين ما يعرفه العلم
11:36
and what business does.
249
684000
2000
وبين ما يحدث في العمل.
11:38
And what worries me, as we stand here in the rubble
250
686000
3000
والذي يقلقلني ونحن نقف هنا في خراب
11:41
of the economic collapse,
251
689000
2000
الانهيار الاقتصادي،
11:43
is that too many organizations
252
691000
2000
أن الكثير من المنظمات
11:45
are making their decisions,
253
693000
2000
تصنع قراراتها
11:47
their policies about talent and people,
254
695000
2000
وسياساتها عن الموهبة والأشخاص،
11:49
based on assumptions that are outdated, unexamined,
255
697000
6000
بناءً على افتراضات عتيقة غير مدروسة
11:55
and rooted more in folklore than in science.
256
703000
3000
متأصلة في الفولكلور أكثر من العلم.
11:58
And if we really want to get out of this economic mess,
257
706000
3000
وإن كنا نريد حقاً الخروج من هذه الفوضى الاقتصادية،
12:01
and if we really want high performance on those
258
709000
2000
وإن كنا حقاً نريد أداء عالي في تلك
12:03
definitional tasks of the 21st century,
259
711000
2000
المهمات المحورية للقرن الواحد والعشرين،
12:05
the solution is not to do more of the wrong things,
260
713000
6000
الحل هو أن لا نقوم بالمزيد من الأشياء الخاطئة.
12:11
to entice people with a sweeter carrot,
261
719000
3000
كإغراء الناس بجزرة أكثر حلاوة،
12:14
or threaten them with a sharper stick.
262
722000
2000
أو تهديدهم بعصى أغلظ.
12:16
We need a whole new approach.
263
724000
2000
نحتاج أسلوب جديد بأكمله.
12:18
And the good news about all of this is that the scientists
264
726000
2000
والخبر الجيد في كل هذا هو أن العلماء
12:20
who've been studying motivation have given us this new approach.
265
728000
3000
الذين كانوا يدرسون علم التحفيز قدموا إلينا هذا الأسلوب الجديد.
12:23
It's an approach built much more around intrinsic motivation.
266
731000
3000
هو أسلوب مبني حول التحفيز الذاتي أكثر.
12:26
Around the desire to do things because they matter,
267
734000
2000
مبني حول الرغبة في إنجاز المهمات لأنها مهمة
12:28
because we like it, because they're interesting,
268
736000
2000
لأننا نستمتع بذلك، لأنها مشوقة
12:30
because they are part of something important.
269
738000
2000
ولأنها جزء من شيء مهم.
12:32
And to my mind, that new operating system for our businesses
270
740000
4000
وكما أراه فنظام التشغيل هذا في العمل
12:36
revolves around three elements:
271
744000
2000
يدور حول ثلاثة عناصر:
12:38
autonomy, mastery and purpose.
272
746000
3000
الاستقلالية والبراعة ووجود غاية.
12:41
Autonomy: the urge to direct our own lives.
273
749000
3000
الاستقلالية، الدافع لإدارة حياتنا بأنفسنا.
12:44
Mastery: the desire to get better and better at something that matters.
274
752000
4000
البراعة، الرغبة في أن نصبح أحسن وأحسن في شيء مهم.
12:48
Purpose: the yearning to do what we do
275
756000
3000
ووجود الغاية: الشوق لفعل ما نقوم به
12:51
in the service of something larger than ourselves.
276
759000
3000
في خدمة شئ أكبر من أنفسنا.
12:54
These are the building blocks of an entirely new operating system
277
762000
3000
تلك لبنات بناء نظام تشغيل جديد كلية
12:57
for our businesses.
278
765000
2000
لأعمالنا وتجارتنا.
12:59
I want to talk today only about autonomy.
279
767000
4000
أريد أن أتحدث اليوم عن الاستقلالية فقط.
13:03
In the 20th century, we came up with this idea of management.
280
771000
3000
في القرن العشرين، أتينا بفكرة الإدارة.
13:06
Management did not emanate from nature.
281
774000
2000
لم تنبثق الإدارة من الطبيعة.
13:08
Management is like -- it's not a tree,
282
776000
2000
الإدارة مثل--ليس شجرة
13:10
it's a television set.
283
778000
2000
بل مثل جهاز التلفزيون.
13:12
Okay? Somebody invented it.
284
780000
2000
جيد؟ اخترعه شخص ما.
13:14
And it doesn't mean it's going to work forever.
285
782000
2000
وذلك لا يعني أنه سيعيش للأبد.
13:16
Management is great.
286
784000
2000
الإدارة شيء رائع.
13:18
Traditional notions of management are great
287
786000
2000
المفاهيم التقليدية للإدارة ممتازة
13:20
if you want compliance.
288
788000
2000
إن كنتم تريدون الإذعان.
13:22
But if you want engagement, self-direction works better.
289
790000
3000
لكن إن أردتم الاندماج فإن الحكم الذاتي يعمل أفضل.
13:25
Let me give you some examples of some kind of radical
290
793000
2000
دعوني أعطيكم بعض الأمثلة عن بعض
13:27
notions of self-direction.
291
795000
2000
المفاهيم الراديكالية للحكم الذاتي.
13:29
What this means -- you don't see a lot of it,
292
797000
3000
ما يعنيه ذلك--أنه لن تروا الكثير،
13:32
but you see the first stirrings of something really interesting going on,
293
800000
3000
لكن سترون بدايات شيء جدير بالاهتمام تحدث.
13:35
because what it means is paying people adequately
294
803000
2000
لأن ما تعنيه هو أن يعطى الناس ما يكفي
13:37
and fairly, absolutely --
295
805000
2000
وباعتدال، نعم.
13:39
getting the issue of money off the table,
296
807000
2000
أن توضع مسألة المال جانباً.
13:41
and then giving people lots of autonomy.
297
809000
2000
ثم إعطاء الناس الكثير من الاستقلالية.
13:43
Let me give you some examples.
298
811000
2000
دعوني أعطيكم بعض الأمثلة.
13:45
How many of you have heard of the company Atlassian?
299
813000
4000
كم منكم سمعوا عن شركة آتلاسيان؟
13:49
It looks like less than half.
300
817000
2000
يبدوا أنه أقل من النصف.
13:51
(Laughter)
301
819000
2000
(ضحك)
13:53
Atlassian is an Australian software company.
302
821000
4000
آتلاسيان هي شركة برامج أسترالية.
13:57
And they do something incredibly cool.
303
825000
2000
ويقومون بشىء رائع.
13:59
A few times a year they tell their engineers,
304
827000
2000
بضع مرات في السنة يقولون لمهندسيهم،
14:01
"Go for the next 24 hours and work on anything you want,
305
829000
4000
"اذهبوا في ال 24 ساعة القادمة واعملوا على أي شيء تريدونه،
14:05
as long as it's not part of your regular job.
306
833000
2000
طالما أنه ليس جزء من علمكم الروتيني.
14:07
Work on anything you want."
307
835000
2000
اعملوا على أي شيء تريدونه."
14:09
So that engineers use this time to come up with
308
837000
2000
حتى يستفيد المهندسين من هذا الوقت في ابتكار
14:11
a cool patch for code, come up with an elegant hack.
309
839000
3000
شيفرة جيدة أو اختراق أنيق.
14:14
Then they present all of the stuff that they've developed
310
842000
3000
ثم يقدمون كل الأشياء الذي طوروها
14:17
to their teammates, to the rest of the company,
311
845000
3000
إلى زملائهم وإلى بقية الشركة،
14:20
in this wild and wooly all-hands meeting
312
848000
2000
في ذلك الاجتماع العاصف
14:22
at the end of the day.
313
850000
2000
في نهاية اليوم.
14:24
And then, being Australians, everybody has a beer.
314
852000
2000
وبعدها، كونهم أستراليون، الكل يحتسي البيرة.
14:26
They call them FedEx Days.
315
854000
3000
يسمونها أيام (فيد إيكس).
14:29
Why? Because you have to deliver something overnight.
316
857000
6000
لماذا؟ لأنه يتوجب عليهم تقديم شيء في يوم واحد.
14:35
It's pretty. It's not bad. It's a huge trademark violation,
317
863000
2000
اسم جميل. ليس سيئ. انتهاك عظيم للعلامة التجارية.
14:37
but it's pretty clever.
318
865000
2000
لكنها تسمية ذكية.
14:39
(Laughter)
319
867000
1000
(ضحك)
14:40
That one day of intense autonomy
320
868000
2000
ذلك اليوم الواحد من الاستقلالية المكثفة
14:42
has produced a whole array of software fixes
321
870000
2000
أنتج مجموعة كبيرة من مساعدات البرامج
14:44
that might never have existed.
322
872000
2000
لم تكن أن وجدت
14:46
And it's worked so well that Atlassian has taken it to the next level
323
874000
2000
ونجحت نجاحاً عظيما حتى أن آتلاسيان أخذتها إلى الخطوة التالية
14:48
with 20 Percent Time --
324
876000
2000
ب20 ٪ من الوقت.
14:50
done, famously, at Google --
325
878000
2000
مطبقة بشهرة في شركة جوجل.
14:52
where engineers can work, spend 20 percent of their time
326
880000
2000
حيث يستطيع المهندسين العمل وإعطاء 20 ٪ من وقتهم
14:54
working on anything they want.
327
882000
2000
في العمل على أي شيء يريدون.
14:56
They have autonomy over their time,
328
884000
2000
لديهم استقلالية في وقتهم،
14:58
their task, their team, their technique.
329
886000
2000
وفي مهمتهم وفي فريقهم وفي أسلوبهم.
15:00
Okay? Radical amounts of autonomy.
330
888000
2000
حسنا؟ كميات راديكالية من الاستقلالية،
15:02
And at Google, as many of you know,
331
890000
4000
وفي جوجل، كما يعرف الكثير منكم،
15:06
about half of the new products in a typical year
332
894000
2000
نصف المنتجات الجديدة تقريباً في سنة نموذجية
15:08
are birthed during that 20 Percent Time:
333
896000
3000
تولد في ال20 ٪ من الوقت تلك.
15:11
things like Gmail, Orkut, Google News.
334
899000
3000
أشياء مثل (جي ميل)، (أوركت)، و(أخبار جوجل ).
15:14
Let me give you an even more radical example of it:
335
902000
3000
دعوني أعطيكم مثالاً أكثر راديكالية.
15:17
something called the Results Only Work Environment,
336
905000
2000
شيء يسمى بيئة العمل المبنية على النتائج
15:19
the ROWE,
337
907000
2000
ال ROWE
15:21
created by two American consultants, in place
338
909000
2000
ابتكره استشاريان أمريكيان
15:23
in place at about a dozen companies around North America.
339
911000
2000
وهو يستعمل في ما يقارب الاثنا عشر شركة حول أمريكا الشمالية.
15:25
In a ROWE people don't have schedules.
340
913000
4000
في نظام (ROWE) ليس لدى الناس أي جداول.
15:29
They show up when they want.
341
917000
2000
يأتون متى أرادوا.
15:31
They don't have to be in the office at a certain time,
342
919000
2000
ولا يجب عليهم أن يكونوا في المكتب في وقت معين،
15:33
or any time.
343
921000
2000
ولا أي وقت.
15:35
They just have to get their work done.
344
923000
2000
عليهم فقط أن ينجزوا أعمالهم.
15:37
How they do it, when they do it,
345
925000
2000
كيف ومتى
15:39
where they do it, is totally up to them.
346
927000
3000
وأين يقومون به أمر راجع إليهم كلياً.
15:42
Meetings in these kinds of environments are optional.
347
930000
4000
الاجتماعات في مثل هذه الأنظمة اختيارية.
15:46
What happens?
348
934000
2000
مذا يحدث إذاً؟
15:48
Almost across the board, productivity goes up,
349
936000
3000
في كل الإدارة تقريباً ترتفع الانتاجية،
15:51
worker engagement goes up,
350
939000
3000
كما يرتفع ارتباط الموظف بالعمل
15:54
worker satisfaction goes up, turnover goes down.
351
942000
3000
ومستوى الرضى يرتفع أيضاً لدى الموظفين، وتقل الخسارة.
15:57
Autonomy, mastery and purpose,
352
945000
2000
الإستقلالية، الإتقان والهدف،
15:59
These are the building blocks of a new way of doing things.
353
947000
2000
تلك هي لبنات بناء طريقة جديدة للقيام بالأعمال.
16:01
Now some of you might look at this and say,
354
949000
3000
الآن قد ينظر البعض إلى هذا ويقولون،
16:04
"Hmm, that sounds nice, but it's Utopian."
355
952000
3000
"حسناً، يبدو ما تقول جميلا لكنه مثالي."
16:07
And I say, "Nope. I have proof."
356
955000
5000
وأقول أنا، "كلا. لدي إثبات."
16:12
The mid-1990s, Microsoft started
357
960000
2000
في منتصف التسعينات، بدأت مايكروسوفت
16:14
an encyclopedia called Encarta.
358
962000
2000
مشروع موسوعة تسمى إنكارتا.
16:16
They had deployed all the right incentives,
359
964000
2000
لقد استخدموا كل المحفزات الصحيحة.
16:18
all the right incentives. They paid professionals to
360
966000
3000
كل المحفزات الصحيحة أي دفعوا للمختصين حتى
16:21
write and edit thousands of articles.
361
969000
2000
يكتبوا ويقوموا بمراجعة آلاف المقالات.
16:23
Well-compensated managers oversaw the whole thing
362
971000
2000
كما قام مدراء مدفوع لهم بمراقبة المشروع كاملاً
16:25
to make sure it came in on budget and on time.
363
973000
5000
حتى يتأكدوا من التزامه بحدود الميزانية والوقت المطلوبين.
16:30
A few years later another encyclopedia got started.
364
978000
2000
بعد بضع سنوات ظهرت موسوعة أخرى.
16:32
Different model, right?
365
980000
3000
موديل آخر، صحيح؟
16:35
Do it for fun. No one gets paid a cent, or a Euro or a Yen.
366
983000
4000
شارك لمجرد المتعة. لا أحد يحصل على سنت أو يورو أو ين.
16:39
Do it because you like to do it.
367
987000
3000
قم به لأنك تحب القيام بذلك.
16:42
Now if you had, just 10 years ago,
368
990000
3000
الآن إن ذهبت قبل عشر سنوات فقط
16:45
if you had gone to an economist, anywhere,
369
993000
2000
إلى أي اقتصادي، في أي مكان
16:47
and said, "Hey, I've got these two different models for creating an encyclopedia.
370
995000
4000
وقلت له، "لدي نظامين مختلفين لابتكار موسوعة.
16:51
If they went head to head, who would win?"
371
999000
3000
إن تنافسا فأيهما سينجح؟"
16:54
10 years ago you could not have found a single sober economist anywhere
372
1002000
4000
قبل 10 سنوات لم تكن لتجد اقتصادي واحد بكامل وعيه في أي مكان
16:58
on planet Earth
373
1006000
2000
على كوكب الأرض،
17:00
who would have predicted the Wikipedia model.
374
1008000
2000
كان بإمكانه التنبأ بموسوعة ويكيبيديا.
17:02
This is the titanic battle between these two approaches.
375
1010000
3000
ذلك هو صراع التيتانك بين الطريقتين.
17:05
This is the Ali-Frazier of motivation. Right?
376
1013000
3000
صراع محمد علي وفرايزر على الدافع. صحيح؟
17:08
This is the Thrilla' in Manila.
377
1016000
2000
هذا هو الضربة القاضية في مانيلا.
17:10
Alright? Intrinsic motivators versus extrinsic motivators.
378
1018000
3000
حسناً؟ المحفزات الداخلية مقابل المحفزات الخارجية.
17:13
Autonomy, mastery and purpose,
379
1021000
2000
الإستقلالية، الإتقان والهدف،
17:15
versus carrot and sticks. And who wins?
380
1023000
2000
مقابل الجزر والعصي، ومن الذي يفوز؟
17:17
Intrinsic motivation, autonomy, mastery and purpose,
381
1025000
3000
الدافع الذاتي، الإستقلالية، الإتقان والهدف،
17:20
in a knockout. Let me wrap up.
382
1028000
4000
بسرعة خاطفة. دعوني أستجمعها.
17:24
There is a mismatch between what science knows and what business does.
383
1032000
3000
هناك تناقض بين ما يعرفه العلم وما يحدث في العمل.
17:27
And here is what science knows.
384
1035000
2000
وإليكم ما يعرفه العلم.
17:29
One: Those 20th century rewards,
385
1037000
2000
واحد: مكافآت القرن العشرين،
17:31
those motivators we think are a natural part of business,
386
1039000
3000
تلك المحفزات التي نعتقد أنها جزء طبيعي من العمل،
17:34
do work, but only in a surprisingly narrow band of circumstances.
387
1042000
4000
تنجح، لكنها بكل غرابة تنتج في إطار ضيق جداً من الظروف.
17:38
Two: Those if-then rewards often destroy creativity.
388
1046000
4000
ثانياً: محفزات "إذا فسوف" تلك دائماً تدمّر الإبداع.
17:42
Three: The secret to high performance
389
1050000
2000
ثالثاً: سرّ الأداء العالي
17:44
isn't rewards and punishments,
390
1052000
2000
ليس هو المحفزات والعقوبات،
17:46
but that unseen intrinsic drive --
391
1054000
2000
لكنه القوى الذاتية غير المرئية.
17:48
the drive to do things for their own sake.
392
1056000
3000
الدافع لفعل الأشياء لذاتها هي.
17:51
The drive to do things cause they matter.
393
1059000
2000
الدافع لفعل الأشياء يجعلها مهمة.
17:53
And here's the best part. Here's the best part.
394
1061000
2000
وها هو الجزء الأفضل. ها هو الجزء الأفضل.
17:55
We already know this. The science confirms what we know in our hearts.
395
1063000
3000
كلنا نعرف هذا بالفعل. العلم يؤكد صحة ما نعرفه في قلوبنا.
17:58
So, if we repair this mismatch
396
1066000
3000
لذا، إذا قمنا بإصلاح هذا الخلل
18:01
between what science knows and what business does,
397
1069000
2000
بين ما يعرفه العلم وما تفعله الأعمال،
18:03
if we bring our motivation, notions of motivation
398
1071000
3000
إذا قمنا بجلب دوافعنا ، فكرة دوافعنا
18:06
into the 21st century,
399
1074000
2000
الى القرن الحادي والعشرين،
18:08
if we get past this lazy, dangerous, ideology
400
1076000
4000
إذا قمنا بتجاوز هذه الإيدلوجيا الخطرة والكسولة
18:12
of carrots and sticks,
401
1080000
2000
للعصى والجزرة،
18:14
we can strengthen our businesses,
402
1082000
3000
يمكننا تعزيز أعمالنا،
18:17
we can solve a lot of those candle problems,
403
1085000
3000
يمكننا حلحلة الكثير من تلك المشاكل القائمة،
18:20
and maybe, maybe, maybe
404
1088000
4000
وربما، ربما، ربما
18:24
we can change the world.
405
1092000
2000
يمكننا تغيير العالم.
18:26
I rest my case.
406
1094000
2000
لقد تنازلت عن قضيتي.
18:28
(Applause)
407
1096000
3000
(تصفيق)
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