TEDGlobal 2009
Dan Pink: The puzzle of motivation
Dan Pink über die überraschende Wissenschaft der Motivation
Filmed:
Readability: 4
25,352,736 views
Der Karriereberater Dan Pink untersucht das Rätsel der Motivation, wobei er mit einer Tatsache beginnt, die Sozialwissenschaftler kennen, die meisten Manager jedoch nicht: Herkömmliche Belohnungen sind nicht immer so effektiv wie wir meinen. Lauschen Sie den aufschlussreichen Geschichten -- und vielleicht einem Weg nach vorne.
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
Ich muss gleich zu Beginn ein Geständnis ablegen.
00:16
A little over 20 years ago
1
4000
3000
Vor etwas mehr als 20 Jahren
00:19
I did something that I regret,
2
7000
2000
habe ich etwas getan, das ich bedauere,
00:21
something that I'm not particularly proud of,
3
9000
4000
etwas, auf das ich nicht besonders stolz bin,
00:25
something that, in many ways, I wish no one would ever know,
4
13000
3000
etwas, von dem ich in vielerlei Hinsicht wünschte, dass es keiner wüsste.
00:28
but here I feel kind of obliged to reveal.
5
16000
4000
Aber hier fühle ich mich irgendwie verpflichtet, es zu offenbaren.
00:32
(Laughter)
6
20000
2000
(Gelächter)
00:34
In the late 1980s,
7
22000
2000
Spät in den 1980ern,
00:36
in a moment of youthful indiscretion,
8
24000
3000
in einem Momemt jugendlicher Unbesonnenheit,
00:39
I went to law school.
9
27000
2000
bin ich zur Law School (juristische Fakultät) gegangen.
00:41
(Laughter)
10
29000
4000
(Gelächter)
00:45
Now, in America law is a professional degree:
11
33000
3000
In Amerika ist die Rechtswissenschaft ein beruflicher Abschluss.
00:48
you get your university degree, then you go on to law school.
12
36000
2000
Man erhält seinen Universitätabschluss. Dann geht man weiter zur Law School.
00:50
And when I got to law school,
13
38000
3000
Und als ich zur Law School ging,
00:53
I didn't do very well.
14
41000
2000
schnitt ich nicht so gut ab.
00:55
To put it mildly, I didn't do very well.
15
43000
2000
Gelinde gesagt, ich schnitt nicht so gut ab.
00:57
I, in fact, graduated in the part of my law school class
16
45000
3000
Tatsächlich schloss ich gemeinsam mit dem Teil meiner Klasse ab,
01:00
that made the top 90 percent possible.
17
48000
4000
der die Top 90 Prozent -- ermöglicht hatte.
01:04
(Laughter)
18
52000
4000
(Gelächter)
01:08
Thank you.
19
56000
3000
Vielen Dank.
01:11
I never practiced law a day in my life;
20
59000
3000
Ich habe keinen einzigen Tag in meinem Leben als Anwalt praktiziert.
01:14
I pretty much wasn't allowed to.
21
62000
2000
Ich wurde nicht zugelassen.
01:16
(Laughter)
22
64000
3000
(Gelächter)
01:19
But today, against my better judgment,
23
67000
3000
Heute jedoch, wider besseren Wissens,
01:22
against the advice of my own wife,
24
70000
3000
gegen den Rat meiner eigenen Frau,
01:25
I want to try to dust off some of those legal skills --
25
73000
4000
möchte ich versuchen, einige dieser juristischen Fähigkeiten zu entstauben --
01:29
what's left of those legal skills.
26
77000
2000
das, was noch davon übrig ist.
01:31
I don't want to tell you a story.
27
79000
3000
Ich möchte Ihnen keine Geschichte erzählen.
01:34
I want to make a case.
28
82000
2000
Ich möchte Beweise vortragen.
01:36
I want to make a hard-headed, evidence-based,
29
84000
4000
Ich möchte einen sachlichen, auf Beweisen beruhenden,
01:40
dare I say lawyerly case,
30
88000
3000
ich möchte sagen anwaltlichen Fall über
01:43
for rethinking how we run our businesses.
31
91000
4000
das Umdenken, wie wir unsere Geschäfte führen, vortragen.
01:47
So, ladies and gentlemen of the jury, take a look at this.
32
95000
4000
Also, meine Damen und Herren aus der Jury, schauen Sie sich das hier an.
01:51
This is called the candle problem.
33
99000
2000
Dies ist das Kerzen-Problem.
01:53
Some of you might have seen this before.
34
101000
2000
Einige von Ihnen haben das vielleicht schon mal gesehen.
01:55
It's created in 1945
35
103000
2000
Es wurde 1945
01:57
by a psychologist named Karl Duncker.
36
105000
2000
von einem Psychologen namens Karl Duncker geschaffen.
01:59
Karl Duncker created this experiment
37
107000
2000
Karl Duncker erschuf dieses Experiment,
02:01
that is used in a whole variety of experiments in behavioral science.
38
109000
3000
welches als eines vieler Experimente in der Verhaltensforschung angewendet wird.
02:04
And here's how it works. Suppose I'm the experimenter.
39
112000
3000
Und so funktioniert es. Nehmen Sie an, ich bin der Experimentator.
02:07
I bring you into a room. I give you a candle,
40
115000
4000
Ich bringe Sie in einen Raum. Ich gebe Ihnen eine Kerze,
02:11
some thumbtacks and some matches.
41
119000
2000
einige Heftzwecken und ein paar Streichhölzer.
02:13
And I say to you, "Your job
42
121000
2000
Und ich sage Ihnen: "Ihre Aufgabe
02:15
is to attach the candle to the wall
43
123000
2000
ist es, die Kerze so an der Wand zu befestigen,
02:17
so the wax doesn't drip onto the table." Now what would you do?
44
125000
4000
dass der Wachs nicht auf den Tisch tropft." Was würden Sie jetzt tun?
02:21
Now many people begin trying to thumbtack the candle to the wall.
45
129000
4000
Viele Leute versuchen nun, die Kerze mit den Heftzwecken an der Wand zu befestigen.
02:25
Doesn't work.
46
133000
2000
Funktioniert nicht.
02:27
Somebody, some people -- and I saw somebody
47
135000
2000
Einige Leute -- und ich habe jemanden hier im Publikum gesehen,
02:29
kind of make the motion over here --
48
137000
2000
der diese Bewegung gemacht hat.
02:31
some people have a great idea where they
49
139000
2000
Einige Leute haben die großartige Idee,
02:33
light the match, melt the side of the candle, try to adhere it to the wall.
50
141000
4000
das Streichholz anzuzünden, die Seite der Kerze damit zu schmelzen und sie an der Wand zu befestigen versuchen.
02:37
It's an awesome idea. Doesn't work.
51
145000
3000
Das ist eine tolle Idee. Funktioniert nicht.
02:40
And eventually, after five or 10 minutes,
52
148000
3000
Und schließlich, nach fünf oder zehn Minuten,
02:43
most people figure out the solution,
53
151000
2000
kommen die meisten Leute auf die Lösung,
02:45
which you can see here.
54
153000
2000
die Sie hier sehen können.
02:47
The key is to overcome what's called functional fixedness.
55
155000
3000
Der Schlüssel liegt darin, die so genannte funktionale Gebundenheit zu überwinden.
02:50
You look at that box and you see it only as a receptacle for the tacks.
56
158000
4000
Sie sehen die Schachtel und betrachten sie lediglich als einen Behälter für die Heftzwecken.
02:54
But it can also have this other function,
57
162000
2000
Sie kann aber auch eine andere Funktion haben --
02:56
as a platform for the candle. The candle problem.
58
164000
4000
als eine Standfläche für die Kerze. Das Kerzen-Problem.
03:00
Now I want to tell you about an experiment
59
168000
2000
Nun möchte ich Ihnen von einem Experiment erzählen,
03:02
using the candle problem,
60
170000
2000
das auf dem Kerzen-Problem aufbaut.
03:04
done by a scientist named Sam Glucksberg,
61
172000
2000
Es wurde von einem Wissenschaftler namens Sam Glucksberg durchgeführt,
03:06
who is now at Princeton University in the U.S.
62
174000
2000
der nun an der Princeton-Universität in den USA ist.
03:08
This shows the power of incentives.
63
176000
4000
Es zeigt die Macht von Anreizen.
03:12
Here's what he did. He gathered his participants.
64
180000
2000
Hier ist, was er getan hat. Er hat seine Teilnehmer versammelt
03:14
And he said, "I'm going to time you. How quickly you can solve this problem?"
65
182000
3000
und sagte: "Ich werde Ihre Zeit messen, wie schnell Sie dieses Problem lösen können."
03:17
To one group he said,
66
185000
2000
Einer Gruppe sagte er:
03:19
"I'm going to time you to establish norms,
67
187000
3000
"Ich werde Ihre Zeit messen, um eine Norm zu ermitteln,
03:22
averages for how long it typically takes
68
190000
2000
wie lange es typischerweise dauert,
03:24
someone to solve this sort of problem."
69
192000
2000
um diese Art von Problem zu lösen."
03:26
To the second group he offered rewards.
70
194000
3000
Der zweiten Gruppe bot er Belohnungen an.
03:29
He said, "If you're in the top 25 percent of the fastest times,
71
197000
4000
Er sagte: "Wenn Sie zu den 25 Prozent der Schnellsten gehören,
03:33
you get five dollars.
72
201000
3000
erhalten Sie fünf Dollar.
03:36
If you're the fastest of everyone we're testing here today,
73
204000
3000
Wenn Sie der Schnellste von allen heute sind,
03:39
you get 20 dollars."
74
207000
2000
erhalten Sie 20 Dollar."
03:41
Now this is several years ago. Adjusted for inflation,
75
209000
3000
Das ist nun einige Jahre her, inflationsbereinigt.
03:44
it's a decent sum of money for a few minutes of work.
76
212000
2000
Es ist eine ordentliche Summe an Geld für wenige Minuten Arbeit.
03:46
It's a nice motivator.
77
214000
2000
Es ist ein netter Motivator.
03:48
Question: How much faster
78
216000
3000
Frage: Wie viel schneller
03:51
did this group solve the problem?
79
219000
2000
löste diese Gruppe das Problem?
03:53
Answer: It took them, on average,
80
221000
3000
Antwort: Sie brauchte durchschnittlich
03:56
three and a half minutes longer.
81
224000
4000
3,5 Minuten länger.
04:00
Three and a half minutes longer. Now this makes no sense right?
82
228000
3000
3,5 Minuten länger. Das ergibt keinen Sinn, oder?
04:03
I mean, I'm an American. I believe in free markets.
83
231000
3000
Ich meine, ich bin Amerikaner. Ich glaube an freie Märkte.
04:06
That's not how it's supposed to work. Right?
84
234000
3000
So sollte es nicht laufen, oder?
04:09
(Laughter)
85
237000
1000
(Gelächter)
04:10
If you want people to perform better,
86
238000
2000
Wenn Sie möchten, dass Menschen bessere Leistungen erbringen,
04:12
you reward them. Right?
87
240000
2000
belohnen Sie diese. Richtig?
04:14
Bonuses, commissions, their own reality show.
88
242000
3000
Boni, Provisionen, ihre eigene Reality-Show.
04:17
Incentivize them. That's how business works.
89
245000
4000
Schaffen Sie ihnen Anreize. So funktioniert das Geschäft.
04:21
But that's not happening here.
90
249000
2000
Aber das passiert hier nicht.
04:23
You've got an incentive designed to
91
251000
2000
Man hat einen Anreiz geschaffen,
04:25
sharpen thinking and accelerate creativity,
92
253000
4000
um das Denken zu schärfen und die Kreativität zu beschleunigen.
04:29
and it does just the opposite.
93
257000
2000
Und es passiert genau das Gegenteil.
04:31
It dulls thinking and blocks creativity.
94
259000
3000
Es beschränkt das Denken und blockiert die Kreativität.
04:34
And what's interesting about this experiment is that it's not an aberration.
95
262000
3000
Und das Interessante an diesem Experiment ist, dass es kein Ausreißer ist.
04:37
This has been replicated over and over
96
265000
3000
Dies konnte immer wieder und wieder nachgestellt werden --
04:40
and over again, for nearly 40 years.
97
268000
3000
seit fast 40 Jahren.
04:43
These contingent motivators --
98
271000
3000
Diese bedingten Motivatoren --
04:46
if you do this, then you get that --
99
274000
2000
wenn Sie dies tun, dann erhalten Sie jenes --
04:48
work in some circumstances.
100
276000
2000
funktionieren unter gewissen Umständen.
04:50
But for a lot of tasks, they actually either don't work
101
278000
3000
Für viele Aufgaben jedoch funktionieren sie entweder nicht
04:53
or, often, they do harm.
102
281000
3000
oder richten oftmals Schaden an.
04:56
This is one of the most robust findings
103
284000
4000
Dies ist eines der stabilsten Forschungsergebnisse
05:00
in social science,
104
288000
3000
in der Sozialwissenschaft.
05:03
and also one of the most ignored.
105
291000
2000
Und ebenfalls eines der am meisten ignorierten.
05:05
I spent the last couple of years looking at the science of
106
293000
2000
Ich habe die letzten Jahre damit verbracht, die Wissenschaft
05:07
human motivation,
107
295000
2000
menschlicher Motivation zu untersuchen.
05:09
particularly the dynamics of extrinsic motivators
108
297000
2000
Insbesondere das Kräftespiel von extrinsischen Motivatoren
05:11
and intrinsic motivators.
109
299000
2000
und intrinsischen Motivatoren.
05:13
And I'm telling you, it's not even close.
110
301000
2000
Und ich kann Ihnen sagen, dass es nicht einmal ansatzweise so ist.
05:15
If you look at the science, there is a mismatch
111
303000
2000
Wenn Sie sich die Wissenschaft ansehen, gibt es ein Ungleichgewicht
05:17
between what science knows and what business does.
112
305000
4000
zwischen dem, was die Wissenschaft weiß und was die Geschäftswelt tut.
05:21
And what's alarming here is that our business operating system --
113
309000
3000
Und es ist besorgniserregend, dass unser Geschäftsbetrieb --
05:24
think of the set of assumptions and protocols beneath our businesses,
114
312000
3000
denken Sie an die Reihe von Annahmen und Protokollen in unseren Betrieben,
05:27
how we motivate people, how we apply our human resources --
115
315000
5000
wie wir Menschen motivieren, wie wir unser Personal einsetzen --
05:32
it's built entirely around these extrinsic motivators,
116
320000
3000
gänzlich auf extrinsischen Motivatoren beruht,
05:35
around carrots and sticks.
117
323000
2000
auf Zuckerbrot und Peitsche.
05:37
That's actually fine for many kinds of 20th century tasks.
118
325000
4000
Das ist in der Tat gut für viele Arten von Aufgaben des 20. Jahrhunderts.
05:41
But for 21st century tasks,
119
329000
2000
Für Aufgaben des 21. Jahrhunderts jedoch
05:43
that mechanistic, reward-and-punishment approach
120
331000
4000
funktioniert dieser mechanistische, Belohnung-und-Strafe-Ansatz
05:47
doesn't work, often doesn't work, and often does harm.
121
335000
4000
nicht -- funktioniert oftmals nicht und richtet häufig Schaden an.
05:51
Let me show you what I mean.
122
339000
2000
Lassen Sie mich Ihnen zeigen, was ich meine.
05:53
So Glucksberg did another experiment similar to this
123
341000
3000
Glucksberg hat also ein weiteres, ähnliches Experiment durchgeführt,
05:56
where he presented the problem in a slightly different way,
124
344000
2000
bei dem er das Problem in einer etwas anderen Weise dargestellt hat,
05:58
like this up here. Okay?
125
346000
3000
wie hier oben zu sehen ist. Okay?
06:01
Attach the candle to the wall so the wax doesn't drip onto the table.
126
349000
2000
Bringen Sie die Kerze an der Wand an, so dass der Wachs nicht auf den Tisch tropft.
06:03
Same deal. You: we're timing for norms.
127
351000
3000
Gleiche Abmachung. Eure Zeit wird gestoppt für Normen.
06:06
You: we're incentivizing.
128
354000
3000
Euch wird ein Anreiz geboten.
06:09
What happened this time?
129
357000
2000
Was passierte dieses Mal?
06:11
This time, the incentivized group
130
359000
2000
Dieses Mal besiegte die Gruppe mit den Anreizen
06:13
kicked the other group's butt.
131
361000
4000
die andere Gruppe deutlich.
06:17
Why? Because when the tacks are out of the box,
132
365000
4000
Warum? Wenn die Heftzwecken nicht in der Schachtel sind,
06:21
it's pretty easy isn't it?
133
369000
4000
ist es ziemlich einfach, oder?
06:25
(Laughter)
134
373000
2000
(Gelächter)
06:27
If-then rewards work really well
135
375000
3000
Wenn-dann-Belohungen funktionieren wirklich gut
06:30
for those sorts of tasks,
136
378000
3000
für die Arten von Aufgaben,
06:33
where there is a simple set of rules and a clear destination
137
381000
2000
bei denen es ein einfaches Regelwerk und ein klares Ziel
06:35
to go to.
138
383000
2000
gibt.
06:37
Rewards, by their very nature,
139
385000
2000
Belohnungen begrenzen naturgemäß
06:39
narrow our focus, concentrate the mind;
140
387000
2000
unser Blickfeld, konzentrieren unsere Gedanken.
06:41
that's why they work in so many cases.
141
389000
2000
Deshalb funktionieren sie in so vielen Fällen.
06:43
And so, for tasks like this,
142
391000
2000
Für Aufgaben wie diese also
06:45
a narrow focus, where you just see the goal right there,
143
393000
3000
funktioniert ein begrenztes Blickfeld, bei dem man nur das Ziel vor Augen hat
06:48
zoom straight ahead to it,
144
396000
2000
und es geradewegs fokussiert,
06:50
they work really well.
145
398000
2000
wirklich gut.
06:52
But for the real candle problem,
146
400000
2000
Für das echte Kerzen-Problem jedoch
06:54
you don't want to be looking like this.
147
402000
2000
sollte man nicht auf diese Art schauen.
06:56
The solution is not over here. The solution is on the periphery.
148
404000
2000
Die Lösung liegt nicht auf der Hand. Die Lösung ist im Umfeld.
06:58
You want to be looking around.
149
406000
2000
Man sollte sich umsehen.
07:00
That reward actually narrows our focus
150
408000
2000
Diese Belohnung begrenzt tatsächlich unser Blickfeld
07:02
and restricts our possibility.
151
410000
2000
und beschränkt unsere Möglichkeiten.
07:04
Let me tell you why this is so important.
152
412000
3000
Lassen Sie mich Ihnen erklären, warum das so wichtig ist.
07:07
In western Europe,
153
415000
2000
In Westeuropa,
07:09
in many parts of Asia,
154
417000
2000
in vielen Teilen Asiens,
07:11
in North America, in Australia,
155
419000
3000
in Nordamerika, in Australien
07:14
white-collar workers are doing less of
156
422000
2000
verrichten Büroangestellte weniger von
07:16
this kind of work,
157
424000
2000
dieser Art von Arbeit
07:18
and more of this kind of work.
158
426000
4000
und mehr von dieser Art von Arbeit.
07:22
That routine, rule-based, left-brain work --
159
430000
3000
Diese routinemäßige, regelbasierte Arbeit der linken Gehirnhälfte --
07:25
certain kinds of accounting, certain kinds of financial analysis,
160
433000
2000
bestimmte Arten der Buchführung, der Finanzanalyse,
07:27
certain kinds of computer programming --
161
435000
2000
der Computerprogrammierung --
07:29
has become fairly easy to outsource,
162
437000
2000
lässt sich inzwischen sehr leicht outsourcen,
07:31
fairly easy to automate.
163
439000
2000
sehr leicht automatisieren.
07:33
Software can do it faster.
164
441000
3000
Software kann es schneller erledigen.
07:36
Low-cost providers around the world can do it cheaper.
165
444000
2000
Billiganbieter auf der ganzen Welt können es günstiger erledigen.
07:38
So what really matters are the more right-brained
166
446000
4000
Worauf es wirklich ankommt, sind die Fähigkeiten der rechten Gehirnhälfte,
07:42
creative, conceptual kinds of abilities.
167
450000
3000
die eher kreativer und konzeptioneller Natur sind.
07:45
Think about your own work.
168
453000
3000
Denken Sie an Ihre eigene Arbeit.
07:48
Think about your own work.
169
456000
3000
Denken Sie an Ihre eigene Arbeit.
07:51
Are the problems that you face, or even the problems
170
459000
2000
Sind die Probleme, denen Sie begegnen, oder sogar die Probleme,
07:53
we've been talking about here,
171
461000
2000
über die wir hier reden,
07:55
are those kinds of problems -- do they have a clear set of rules,
172
463000
2000
diese Art von Problemen -- haben sie ein klares Regelwerk
07:57
and a single solution? No.
173
465000
3000
und eine einzige Lösung? Nein.
08:00
The rules are mystifying.
174
468000
2000
Die Regeln sind verwirrend.
08:02
The solution, if it exists at all,
175
470000
2000
Die Lösung, wenn es überhaupt eine gibt,
08:04
is surprising and not obvious.
176
472000
3000
ist überraschend und nicht offensichtlich.
08:07
Everybody in this room
177
475000
2000
Jeder in diesem Raum
08:09
is dealing with their own version
178
477000
3000
hat mit seiner eigenen Version
08:12
of the candle problem.
179
480000
2000
des Kerzen-Problems zu tun.
08:14
And for candle problems of any kind,
180
482000
3000
Und für Kerzen-Probleme jeglicher Art,
08:17
in any field,
181
485000
2000
in jedem Bereich,
08:19
those if-then rewards,
182
487000
3000
funktionieren diese Wenn-dann-Belohnungen,
08:22
the things around which we've built so many of our businesses,
183
490000
4000
um die wir so viele unserer Geschäfte aufgebaut haben,
08:26
don't work.
184
494000
2000
nicht.
08:28
Now, I mean it makes me crazy.
185
496000
2000
Ich meine, das macht mich wahnsinnig.
08:30
And this is not -- here's the thing.
186
498000
2000
Und es ist nicht -- jetzt kommt's.
08:32
This is not a feeling.
187
500000
3000
Dies ist kein Gefühl.
08:35
Okay? I'm a lawyer; I don't believe in feelings.
188
503000
3000
Okay? Ich bin Anwalt. Ich glaube nicht an Gefühle.
08:38
This is not a philosophy.
189
506000
4000
Dies ist keine Philosophie.
08:42
I'm an American; I don't believe in philosophy.
190
510000
2000
Ich bin Amerikaner. Ich glaube nicht an Philosophie.
08:44
(Laughter)
191
512000
3000
(Gelächter)
08:47
This is a fact --
192
515000
3000
Dies ist eine Tatsache.
08:50
or, as we say in my hometown of Washington, D.C.,
193
518000
2000
Oder wie wir in meiner Heimatstadt in Washington D.C. sagen,
08:52
a true fact.
194
520000
2000
eine wahre Tatsache.
08:54
(Laughter)
195
522000
2000
(Gelächter)
08:56
(Applause)
196
524000
4000
(Applaus)
09:00
Let me give you an example of what I mean.
197
528000
2000
Lassen Sie mich Ihnen einen Beispiel geben.
09:02
Let me marshal the evidence here,
198
530000
2000
Lassen Sie mich die Beweise sammeln.
09:04
because I'm not telling you a story, I'm making a case.
199
532000
2000
Ich erzähle Ihnen keine Geschichte. Ich möchte Beweise vortragen.
09:06
Ladies and gentlemen of the jury, some evidence:
200
534000
2000
Meine Damen und Herren der Jury, einige Beweise:
09:08
Dan Ariely, one of the great economists of our time,
201
536000
3000
Dan Ariely, einer der großartigen Ökonomen unserer Zeit --
09:11
he and three colleagues, did a study of some MIT students.
202
539000
4000
er und drei Kollegen haben eine Studie an MIT-Studenten durchgeführt.
09:15
They gave these MIT students a bunch of games,
203
543000
3000
Sie haben diesen MIT-Studenten einen Haufen Spiele gegeben.
09:18
games that involved creativity,
204
546000
2000
Spiele, die Kreativität beinhalteten,
09:20
and motor skills, and concentration.
205
548000
2000
genauso wie motorische Fähigkeiten und Konzentration.
09:22
And the offered them, for performance,
206
550000
2000
Und gegen Leistung haben sie ihnen
09:24
three levels of rewards:
207
552000
2000
drei Stufen von Belohungen angeboten.
09:26
small reward, medium reward, large reward.
208
554000
5000
Kleine Belohnung, mittlere Belohnung, große Belohnung.
09:31
Okay? If you do really well you get the large reward, on down.
209
559000
4000
Okay? Wenn man wirklich gut abschneidet, erhält man die große Belohnung und so weiter.
09:35
What happened? As long as the task involved only mechanical skill
210
563000
4000
Was passierte? Solange die Aufgabe nur routinemäßige Fähigkeiten beinhaltete,
09:39
bonuses worked as they would be expected:
211
567000
2000
funktionierten die Boni wie erwartet:
09:41
the higher the pay, the better the performance.
212
569000
4000
je höher die Bezahlung, desto besser die Leistung.
09:45
Okay? But one the task called for
213
573000
2000
Okay? Aber sobald die Aufgabe
09:47
even rudimentary cognitive skill,
214
575000
4000
auch nur ansatzweise kognitive Fähigkeiten verlangte,
09:51
a larger reward led to poorer performance.
215
579000
5000
führte eine größere Belohnung zu schlechterer Leistung.
09:56
Then they said,
216
584000
2000
Anschließend sagten sie:
09:58
"Okay let's see if there's any cultural bias here.
217
586000
2000
"Okay, lassen Sie uns sehen, ob es hier irgendeine kulturelle Befangenheit gibt.
10:00
Lets go to Madurai, India and test this."
218
588000
2000
Lassen Sie uns nach Madurai in Indien gehen und es ausprobieren."
10:02
Standard of living is lower.
219
590000
2000
Der Lebensstandard ist geringer.
10:04
In Madurai, a reward that is modest in North American standards,
220
592000
3000
In Madurai ist eine in Nordamerika mäßige Belohnung
10:07
is more meaningful there.
221
595000
3000
bedeutungsvoller.
10:10
Same deal. A bunch of games, three levels of rewards.
222
598000
3000
Gleiche Abmachung. Ein Haufen Spiele, drei Stufen an Belohnungen.
10:13
What happens?
223
601000
2000
Was passiert?
10:15
People offered the medium level of rewards
224
603000
3000
Die Leute, denen die mittlere Belohnung angeboten wurde,
10:18
did no better than people offered the small rewards.
225
606000
3000
haben nicht besser abgeschitten als die Leute mit kleinen Belohnungen.
10:21
But this time, people offered the highest rewards,
226
609000
4000
Dieses Mal haben jedoch die Leute mit den höchsten Belohnungen
10:25
they did the worst of all.
227
613000
4000
am schlechtesten von allen abgeschnitten.
10:29
In eight of the nine tasks we examined across three experiments,
228
617000
3000
Bei acht von neun Aufgaben, die wir in drei Experimenten untersucht haben,
10:32
higher incentives led to worse performance.
229
620000
5000
führten höhere Anreize zu schlechterer Leistung.
10:37
Is this some kind of touchy-feely
230
625000
3000
Ist dies eine Art gefühlsduseliger,
10:40
socialist conspiracy going on here?
231
628000
3000
sozialistischer Verschwörung?
10:43
No. These are economists from MIT,
232
631000
3000
Nein. Dies sind Ökonomen vom MIT,
10:46
from Carnegie Mellon, from the University of Chicago.
233
634000
3000
von der Carnegie Mellon, von der Universität von Chicago.
10:49
And do you know who sponsored this research?
234
637000
2000
Und wissen Sie, wer diese Untersuchung gefördert hat?
10:51
The Federal Reserve Bank of the United States.
235
639000
4000
Die Notenbank der Vereinigten Staaten.
10:55
That's the American experience.
236
643000
2000
Das ist die amerikanische Erfahrung.
10:57
Let's go across the pond to the London School of Economics --
237
645000
3000
Lassen Sie uns über den Teich zur London School of Economics gehen.
11:00
LSE, London School of Economics,
238
648000
3000
LSE, London School of Economics.
11:03
alma mater of 11 Nobel Laureates in economics.
239
651000
3000
Die Universität mit 11 Nobelpreisträgern in Ökonomie.
11:06
Training ground for great economic thinkers
240
654000
3000
Das Trainingsgelände großer ökonomischen Vordenker
11:09
like George Soros, and Friedrich Hayek,
241
657000
3000
wie George Soros, Friedrich von Hayek
11:12
and Mick Jagger. (Laughter)
242
660000
2000
und Mick Jagger. (Gelächter)
11:14
Last month, just last month,
243
662000
4000
Letzten Monat, erst letzten Monat
11:18
economists at LSE looked at 51 studies
244
666000
3000
haben Ökonomen der LSE 51 Studien
11:21
of pay-for-performance plans, inside of companies.
245
669000
3000
über Betriebsstätten mit leistungsabhäniger Bezahlung innerhalb von Unternehmen untersucht.
11:24
Here's what the economists there said: "We find that financial incentives
246
672000
3000
Hier ist, was die Ökonomen herausfanden: "Wir stellen fest, dass finanzielle Anreize
11:27
can result in a negative impact on overall performance."
247
675000
6000
einen negativen Einfluss auf die Gesamtleistung haben können."
11:33
There is a mismatch between what science knows
248
681000
3000
Es gibt ein Ungleichgewicht zwischen dem, was die Wissenschaft weiß,
11:36
and what business does.
249
684000
2000
und dem, was die Geschäftswelt tut.
11:38
And what worries me, as we stand here in the rubble
250
686000
3000
Und was mich am meisten besorgt, während ich hier im Schutt
11:41
of the economic collapse,
251
689000
2000
des wirtschaftlichen Kollaps stehe, ist,
11:43
is that too many organizations
252
691000
2000
dass zu viele Organisationen
11:45
are making their decisions,
253
693000
2000
ihre Entscheidungen treffen,
11:47
their policies about talent and people,
254
695000
2000
ihre Grundsätze über Talent und Menschen aufstellen,
11:49
based on assumptions that are outdated, unexamined,
255
697000
6000
basierend auf überholten und ungeprüften Annahmen,
11:55
and rooted more in folklore than in science.
256
703000
3000
die mehr im Volkstum als in der Wissenschaft begründet sind.
11:58
And if we really want to get out of this economic mess,
257
706000
3000
Und wenn wir wirklich diesem ökonomischen Durcheinander entfliehen wollen,
12:01
and if we really want high performance on those
258
709000
2000
und wenn wir wirklich hohe Leistung bei diesen
12:03
definitional tasks of the 21st century,
259
711000
2000
definitorischen Aufgaben des 21. Jahrhunderts möchten,
12:05
the solution is not to do more of the wrong things,
260
713000
6000
ist es keine Lösung, noch mehr Falsches zu tun --
12:11
to entice people with a sweeter carrot,
261
719000
3000
die Menschen mit einem süßeren Zuckerbrot zu locken
12:14
or threaten them with a sharper stick.
262
722000
2000
oder ihnen mit einer schärferen Peitsche zu drohen.
12:16
We need a whole new approach.
263
724000
2000
Wir benötigen einen völlig neuen Denkansatz.
12:18
And the good news about all of this is that the scientists
264
726000
2000
Und die gute Nachricht über all das ist, dass die Wissenschaftler,
12:20
who've been studying motivation have given us this new approach.
265
728000
3000
die die Motivation erforschen, uns einen neuen Denkansatz gegeben haben.
12:23
It's an approach built much more around intrinsic motivation.
266
731000
3000
Es ist ein Denkansatz, der viel mehr von der intrinsischen Motivation Gebrauch macht --
12:26
Around the desire to do things because they matter,
267
734000
2000
Gebrauch vom Wunsch danach, Dinge zu tun, weil sie von Bedeutung sind,
12:28
because we like it, because they're interesting,
268
736000
2000
weil wir sie mögen, weil sie interessant sind,
12:30
because they are part of something important.
269
738000
2000
weil sie Teil von etwas Wichtigem sind.
12:32
And to my mind, that new operating system for our businesses
270
740000
4000
Und meiner Meinung nach dreht sich dieses neue Betriebssystem für unsere Geschäfte
12:36
revolves around three elements:
271
744000
2000
um drei Elemente:
12:38
autonomy, mastery and purpose.
272
746000
3000
Autonomie, Überlegenheit und Bestimmung.
12:41
Autonomy: the urge to direct our own lives.
273
749000
3000
Autonomie: der Drang, unser Leben eigenständig zu lenken.
12:44
Mastery: the desire to get better and better at something that matters.
274
752000
4000
Überlegenheit: der Wunsch, besser und besser bei etwas Bedeutungsvollem zu werden.
12:48
Purpose: the yearning to do what we do
275
756000
3000
Bestimmung: die Sehnsucht zu tun, was wir
12:51
in the service of something larger than ourselves.
276
759000
3000
im Dienste von etwas Größerem als wir selbst tun.
12:54
These are the building blocks of an entirely new operating system
277
762000
3000
Dies sind die Bausteine eines völlig neuen Betriebssystems
12:57
for our businesses.
278
765000
2000
für unsere Geschäfte.
12:59
I want to talk today only about autonomy.
279
767000
4000
Ich möchte heute nur über Autonomie sprechen.
13:03
In the 20th century, we came up with this idea of management.
280
771000
3000
Im 20. Jahrhundert erfanden wir das Management.
13:06
Management did not emanate from nature.
281
774000
2000
Management ging nicht aus der Natur hervor.
13:08
Management is like -- it's not a tree,
282
776000
2000
Management ist wie -- es ist kein Baum,
13:10
it's a television set.
283
778000
2000
es ist ein Fernseher.
13:12
Okay? Somebody invented it.
284
780000
2000
Okay? Jemand hat es erfunden.
13:14
And it doesn't mean it's going to work forever.
285
782000
2000
Und es heißt nicht, dass es für immer funktionieren wird.
13:16
Management is great.
286
784000
2000
Management ist großartig.
13:18
Traditional notions of management are great
287
786000
2000
Traditionelle Vorstellungen von Management sind großartig,
13:20
if you want compliance.
288
788000
2000
wenn man Befolgung wünscht.
13:22
But if you want engagement, self-direction works better.
289
790000
3000
Wenn man jedoch Engagement wünscht, funktioniert Eigenregie besser.
13:25
Let me give you some examples of some kind of radical
290
793000
2000
Lassen Sie mich Ihnen einige Beispiele von drastischen
13:27
notions of self-direction.
291
795000
2000
Vorstellungen von Eigenregie geben.
13:29
What this means -- you don't see a lot of it,
292
797000
3000
Was das bedeutet -- man sieht nicht viel davon,
13:32
but you see the first stirrings of something really interesting going on,
293
800000
3000
aber man sieht die ersten Anzeichen von etwas wirklich Interessantem.
13:35
because what it means is paying people adequately
294
803000
2000
Was es bedeutet, ist, die Menschen durchaus angemessen
13:37
and fairly, absolutely --
295
805000
2000
und gerecht zu bezahlen,
13:39
getting the issue of money off the table,
296
807000
2000
die Geldfrage vom Tisch zu bekommen
13:41
and then giving people lots of autonomy.
297
809000
2000
und den Menschen dann viel Autonomie zu geben.
13:43
Let me give you some examples.
298
811000
2000
Lassen Sie mich Ihnen einige Beispiele geben.
13:45
How many of you have heard of the company Atlassian?
299
813000
4000
Wie viele von Ihnen haben von der Firma Atlassian gehört?
13:49
It looks like less than half.
300
817000
2000
Das sieht nach weniger als der Hälfte aus.
13:51
(Laughter)
301
819000
2000
(Gelächter)
13:53
Atlassian is an Australian software company.
302
821000
4000
Atlassian ist ein australisches Software-Unternehmen.
13:57
And they do something incredibly cool.
303
825000
2000
Und sie machen etwas unglaublich Cooles.
13:59
A few times a year they tell their engineers,
304
827000
2000
Ein paar Mal im Jahr sagen sie ihren Entwicklern:
14:01
"Go for the next 24 hours and work on anything you want,
305
829000
4000
"Arbeitet die nächsten 24 Stunden an was auch immer ihr möchtet,
14:05
as long as it's not part of your regular job.
306
833000
2000
solange es nicht Teil eurer täglichen Arbeit ist.
14:07
Work on anything you want."
307
835000
2000
Arbeitet an was auch immer ihr möchtet."
14:09
So that engineers use this time to come up with
308
837000
2000
Die Entwickler verwenden diese Zeit also, um sich
14:11
a cool patch for code, come up with an elegant hack.
309
839000
3000
einen coolen Code-Patch oder einen eleganten Hack auszudenken.
14:14
Then they present all of the stuff that they've developed
310
842000
3000
Dann präsentieren sie alles, was sie entwickelt haben,
14:17
to their teammates, to the rest of the company,
311
845000
3000
ihren Teamkollegen und dem Rest der Firma
14:20
in this wild and wooly all-hands meeting
312
848000
2000
in diesem ausgelassenen und wirren Treffen mit allen Mitarbeitern
14:22
at the end of the day.
313
850000
2000
am Ende des Tages.
14:24
And then, being Australians, everybody has a beer.
314
852000
2000
Und danach, sie sind schließlich Australier, gehen sie alle ein Bier trinken.
14:26
They call them FedEx Days.
315
854000
3000
Sie nennen es FedEx Days.
14:29
Why? Because you have to deliver something overnight.
316
857000
6000
Warum? Weil man etwas über Nacht abliefern muss.
14:35
It's pretty. It's not bad. It's a huge trademark violation,
317
863000
2000
Es ist schön. Es ist nicht schlecht. Es ist eine riesige Markenrechtsverletzung.
14:37
but it's pretty clever.
318
865000
2000
Aber es ist ziemlich raffiniert.
14:39
(Laughter)
319
867000
1000
(Gelächter)
14:40
That one day of intense autonomy
320
868000
2000
Dieser eine Tag intensiver Autonomie
14:42
has produced a whole array of software fixes
321
870000
2000
hat zu einer ganzen Reihe an Software-Fehlerbehebungen geführt,
14:44
that might never have existed.
322
872000
2000
die es vielleicht niemals gegeben hätte.
14:46
And it's worked so well that Atlassian has taken it to the next level
323
874000
2000
Und es hat so gut funktioniert, dass es Atlassian auf die nächste Ebene
14:48
with 20 Percent Time --
324
876000
2000
mit 20 Prozent Zeit geführt hat.
14:50
done, famously, at Google --
325
878000
2000
Genauso wie bekannterweise bei Google --
14:52
where engineers can work, spend 20 percent of their time
326
880000
2000
wo Entwickler 20 Prozent ihrer Zeit
14:54
working on anything they want.
327
882000
2000
an allem arbeiten können, was sie möchten.
14:56
They have autonomy over their time,
328
884000
2000
Sie haben Autonomie über ihre Zeit,
14:58
their task, their team, their technique.
329
886000
2000
ihre Aufgaben, ihr Team, ihre Technik.
15:00
Okay? Radical amounts of autonomy.
330
888000
2000
Okay? Drastische Mengen an Autonomie.
15:02
And at Google, as many of you know,
331
890000
4000
Und bei Google, wie viele von Ihnen wissen,
15:06
about half of the new products in a typical year
332
894000
2000
wird ungefähr die Hälfte aller neuen Produkte innerhalb eines Jahres
15:08
are birthed during that 20 Percent Time:
333
896000
3000
während dieser 20 Prozent Zeit geboren.
15:11
things like Gmail, Orkut, Google News.
334
899000
3000
Dinge wie Gmail, Orkut, Google News.
15:14
Let me give you an even more radical example of it:
335
902000
3000
Lassen Sie mich Ihnen ein sogar noch drastischeres Beispiel geben.
15:17
something called the Results Only Work Environment,
336
905000
2000
Das so genannte 'Results-Only Work Environment' --
15:19
the ROWE,
337
907000
2000
das ROWE.
15:21
created by two American consultants, in place
338
909000
2000
Erschaffen von zwei amerikanischen Beratern und
15:23
in place at about a dozen companies around North America.
339
911000
2000
im Einsatz bei etwa einem Dutzend Unternehmen in Nordamerika.
15:25
In a ROWE people don't have schedules.
340
913000
4000
In einem ROWE haben die Menschen keine Zeitpläne.
15:29
They show up when they want.
341
917000
2000
Sie erscheinen, wann sie möchten.
15:31
They don't have to be in the office at a certain time,
342
919000
2000
Sie müssen nicht zu einer bestimmten Zeit im Büro sein
15:33
or any time.
343
921000
2000
oder zu irgendeiner Zeit.
15:35
They just have to get their work done.
344
923000
2000
Sie müssen einfach ihre Arbeit erledigen.
15:37
How they do it, when they do it,
345
925000
2000
Wie sie es tun, wann sie es tun,
15:39
where they do it, is totally up to them.
346
927000
3000
wo sie es tun, bleibt allein ihnen überlassen.
15:42
Meetings in these kinds of environments are optional.
347
930000
4000
Besprechungen in dieser Art von Umgebungen sind optional.
15:46
What happens?
348
934000
2000
Was passiert?
15:48
Almost across the board, productivity goes up,
349
936000
3000
Fast durchgängig erhöht sich die Produktivität,
15:51
worker engagement goes up,
350
939000
3000
das Engagement der Mitarbeiter erhöht sich,
15:54
worker satisfaction goes up, turnover goes down.
351
942000
3000
die Zufriedenheit der Mitarbeiter erhöht sich, die Fluktuation nimmt ab.
15:57
Autonomy, mastery and purpose,
352
945000
2000
Autonomie, Überlegenheit und Bestimmung.
15:59
These are the building blocks of a new way of doing things.
353
947000
2000
Dies sind die Bausteine einer neuen Art, Dinge zu tun.
16:01
Now some of you might look at this and say,
354
949000
3000
Einige von Ihnen sagen nun vielleicht:
16:04
"Hmm, that sounds nice, but it's Utopian."
355
952000
3000
"Hmm, das klingt gut. Aber es ist utopisch."
16:07
And I say, "Nope. I have proof."
356
955000
5000
Und ich sage: "Nein, ich habe Beweise."
16:12
The mid-1990s, Microsoft started
357
960000
2000
Mitte der 1990er startete Microsoft
16:14
an encyclopedia called Encarta.
358
962000
2000
eine Enzyklopädie names Encarta.
16:16
They had deployed all the right incentives,
359
964000
2000
Sie hatten die richtigen Anreize eingesetzt.
16:18
all the right incentives. They paid professionals to
360
966000
3000
Die richtigen Anreize. Sie haben Fachleute bezahlt, um
16:21
write and edit thousands of articles.
361
969000
2000
tausende von Artikeln zu schreiben und aufzubereiten.
16:23
Well-compensated managers oversaw the whole thing
362
971000
2000
Gut bezahlte Manager haben die ganze Sache beaufsichtigt,
16:25
to make sure it came in on budget and on time.
363
973000
5000
um sicherzustellen, dass es rechtzeitig mit vorhandenem Budget fertig wurde.
16:30
A few years later another encyclopedia got started.
364
978000
2000
Wenige Jahre später startete eine weitere Enzyklopädie.
16:32
Different model, right?
365
980000
3000
Anderes Modell, nicht wahr?
16:35
Do it for fun. No one gets paid a cent, or a Euro or a Yen.
366
983000
4000
Mach es zum Spaß. Keiner bekommt einen Cent, einen Euro oder Yen.
16:39
Do it because you like to do it.
367
987000
3000
Mach es, weil du es gerne machst.
16:42
Now if you had, just 10 years ago,
368
990000
3000
Wenn man vor zehn Jahren
16:45
if you had gone to an economist, anywhere,
369
993000
2000
irgendwo zu einem Ökonomen gegangen wäre
16:47
and said, "Hey, I've got these two different models for creating an encyclopedia.
370
995000
4000
und gesagt hätte: "Hey, ich habe diese zwei verschiedenen Modelle, um eine Enzyklopädie zu erstellen.
16:51
If they went head to head, who would win?"
371
999000
3000
Wenn sie gegeneinander antreten würden, wer würde gewinnen?"
16:54
10 years ago you could not have found a single sober economist anywhere
372
1002000
4000
Vor zehn Jahren hätten Sie nicht einen einzigen, ernsthaften Ökonomen irgendwo
16:58
on planet Earth
373
1006000
2000
auf der Welt gefunden,
17:00
who would have predicted the Wikipedia model.
374
1008000
2000
der auf das Wikipedia-Modell gesetzt hätte.
17:02
This is the titanic battle between these two approaches.
375
1010000
3000
Dies ist der titanische Kampf zwischen diesen beiden Ansätzen.
17:05
This is the Ali-Frazier of motivation. Right?
376
1013000
3000
Dies ist der Ali-Frazier-Kampf der Motivation, nicht wahr?
17:08
This is the Thrilla' in Manila.
377
1016000
2000
Dies ist der Thrilla in Manila.
17:10
Alright? Intrinsic motivators versus extrinsic motivators.
378
1018000
3000
Okay? Intrinsische Motivatoren gegen extrinsische Motivatoren.
17:13
Autonomy, mastery and purpose,
379
1021000
2000
Autonomie, Überlegenheit und Bestimmung
17:15
versus carrot and sticks. And who wins?
380
1023000
2000
gegen Zuckerbrot und Peitsche. Und wer gewinnt?
17:17
Intrinsic motivation, autonomy, mastery and purpose,
381
1025000
3000
Intrinsische Motivation, Autonomie, Überlegenheit und Bestimmung
17:20
in a knockout. Let me wrap up.
382
1028000
4000
durch K.O. Lassen Sie mich zusammenfassen.
17:24
There is a mismatch between what science knows and what business does.
383
1032000
3000
Es gibt ein Ungleichgewicht zwischen dem, was die Wissenschaft weiß und was die Geschäftswelt tut.
17:27
And here is what science knows.
384
1035000
2000
Hier ist, was die Wissenschaft weiß.
17:29
One: Those 20th century rewards,
385
1037000
2000
Erstens: Diese Belohnungen aus dem 20. Jahrhundert,
17:31
those motivators we think are a natural part of business,
386
1039000
3000
diese Motivatoren, von denen wir glauben, sie seien ein natürlicher Teil unserer Geschäftswelt
17:34
do work, but only in a surprisingly narrow band of circumstances.
387
1042000
4000
funktionieren, allerdings nur unter überraschend wenigen Umständen.
17:38
Two: Those if-then rewards often destroy creativity.
388
1046000
4000
Zweitens: Diese Wenn-dann-Belohnungen zerstören oftmals die Kreativität.
17:42
Three: The secret to high performance
389
1050000
2000
Drittens: Das Geheimnis hoher Leistung
17:44
isn't rewards and punishments,
390
1052000
2000
liegt nicht in Belohnungen und Bestrafungen,
17:46
but that unseen intrinsic drive --
391
1054000
2000
sondern im unsichtbaren intrinsischen Antrieb.
17:48
the drive to do things for their own sake.
392
1056000
3000
Der Antrieb, Dinge um einer Sache willen zu tun.
17:51
The drive to do things cause they matter.
393
1059000
2000
Der Antrieb, um Dinge zu tun, weil sie von Bedeutung sind.
17:53
And here's the best part. Here's the best part.
394
1061000
2000
Und hier kommt das Beste. Hier kommt das Beste.
17:55
We already know this. The science confirms what we know in our hearts.
395
1063000
3000
Wir wissen das bereits. Die Wissenschaft bestätigt, was wir bereits in unseren Herzen wissen.
17:58
So, if we repair this mismatch
396
1066000
3000
Wenn wir also dieses Ungleichgewicht
18:01
between what science knows and what business does,
397
1069000
2000
zwischen dem, was die Wissenschaft weiß und die Geschäftswelt tut, ausbessern,
18:03
if we bring our motivation, notions of motivation
398
1071000
3000
wenn wir unsere Motivation, unsere Vorstellungen von Motivation
18:06
into the 21st century,
399
1074000
2000
ins 21. Jahrhundert tragen,
18:08
if we get past this lazy, dangerous, ideology
400
1076000
4000
wenn wir diese träge, gefährliche Ideologie
18:12
of carrots and sticks,
401
1080000
2000
von Zuckerbrot und Peitsche überwinden,
18:14
we can strengthen our businesses,
402
1082000
3000
können wir unsere Unternehmen stärken,
18:17
we can solve a lot of those candle problems,
403
1085000
3000
können wir viele dieser Kerzen-Probleme lösen,
18:20
and maybe, maybe, maybe
404
1088000
4000
und vielleicht, vielleicht, vielleicht
18:24
we can change the world.
405
1092000
2000
können wir die Welt ändern.
18:26
I rest my case.
406
1094000
2000
Ich schließe mein Plädoyer ab.
18:28
(Applause)
407
1096000
3000
(Applaus)
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