TEDGlobal 2009
Dan Pink: The puzzle of motivation
Dan Pink en la sorprendente ciencia de la motivación
Filmed:
Readability: 4
25,352,736 views
El analista laboral Dan Pink examina el problema de la motivación, empezando con un hecho que los sociólogos conocen pero no así la mayoría de los gerentes : Los métodos tradicionales de recompensas no siempre son tan efectivos como pensamos. Ponga atención a historias brillantes... que pueden ser, un paso hacia adelante.
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
Necesito hacer una confesión aquí, al comenzar.
00:16
A little over 20 years ago
1
4000
3000
Hace poco más de 20 años,
00:19
I did something that I regret,
2
7000
2000
hice algo que hoy me arrepiento,
00:21
something that I'm not particularly proud of,
3
9000
4000
algo de lo que no estoy particularmente orgulloso,
00:25
something that, in many ways, I wish no one would ever know,
4
13000
3000
algo que, de muchas maneras, deseo que nadie sepa nunca,
00:28
but here I feel kind of obliged to reveal.
5
16000
4000
pero que acá me siento en la obligación de revelar.
00:32
(Laughter)
6
20000
2000
(Risas)
00:34
In the late 1980s,
7
22000
2000
A finales de los ochenta,
00:36
in a moment of youthful indiscretion,
8
24000
3000
en un momento de indiscreción juvenil,
00:39
I went to law school.
9
27000
2000
fui a la Escuela de Leyes.
00:41
(Laughter)
10
29000
4000
(Risas)
00:45
Now, in America law is a professional degree:
11
33000
3000
En EE.UU. Leyes es un grado profesional.
00:48
you get your university degree, then you go on to law school.
12
36000
2000
Te gradúas en la universidad. Luego continúas en la Escuela de Leyes.
00:50
And when I got to law school,
13
38000
3000
Y cuando llegué a la Escuela de Leyes,
00:53
I didn't do very well.
14
41000
2000
no me fue muy bien.
00:55
To put it mildly, I didn't do very well.
15
43000
2000
Por no decir algo peor, no me fue muy bien.
00:57
I, in fact, graduated in the part of my law school class
16
45000
3000
De hecho, me gradué dentro del grupo de mi escuela
01:00
that made the top 90 percent possible.
17
48000
4000
que logró el 90 por ciento más alto posible.
01:04
(Laughter)
18
52000
4000
(Risas)
01:08
Thank you.
19
56000
3000
Gracias.
01:11
I never practiced law a day in my life;
20
59000
3000
Nunca he ejercido Leyes en mi vida.
01:14
I pretty much wasn't allowed to.
21
62000
2000
Casi no me lo permitieron.
01:16
(Laughter)
22
64000
3000
(Risas)
01:19
But today, against my better judgment,
23
67000
3000
Pero hoy, contra mis propios principios,
01:22
against the advice of my own wife,
24
70000
3000
contra los consejos de mi propia esposa,
01:25
I want to try to dust off some of those legal skills --
25
73000
4000
quiero desempolvar algo de esas habilidades legales,
01:29
what's left of those legal skills.
26
77000
2000
lo que queda de esas habilidades legales.
01:31
I don't want to tell you a story.
27
79000
3000
No quiero contarles una historia.
01:34
I want to make a case.
28
82000
2000
Quiero presentar un caso.
01:36
I want to make a hard-headed, evidence-based,
29
84000
4000
Quiero presentar un caso complicado, basado en evidencias,
01:40
dare I say lawyerly case,
30
88000
3000
me atrevo a decir caso legal,
01:43
for rethinking how we run our businesses.
31
91000
4000
para replantear cómo manejamos nuestros negocios.
01:47
So, ladies and gentlemen of the jury, take a look at this.
32
95000
4000
Por lo tanto, señoras y señores del jurado, echen un vistazo a esto.
01:51
This is called the candle problem.
33
99000
2000
Esto se llama el problema de la vela.
01:53
Some of you might have seen this before.
34
101000
2000
Alguno de ustedes podrían haberlo visto antes.
01:55
It's created in 1945
35
103000
2000
Fue creado en 1945
01:57
by a psychologist named Karl Duncker.
36
105000
2000
por un psicólogo llamado Karl Duncker.
01:59
Karl Duncker created this experiment
37
107000
2000
Karl Duncker creó este experimento
02:01
that is used in a whole variety of experiments in behavioral science.
38
109000
3000
que se usa en una gran variedad de experimentos en la ciencia del comportamiento.
02:04
And here's how it works. Suppose I'm the experimenter.
39
112000
3000
Y así es como funciona. Supongan que yo soy el experimentador.
02:07
I bring you into a room. I give you a candle,
40
115000
4000
Lo llevo a una sala. Le doy una vela,
02:11
some thumbtacks and some matches.
41
119000
2000
algunas tachuelas y algunos fósforos.
02:13
And I say to you, "Your job
42
121000
2000
Y le digo, "Su trabajo
02:15
is to attach the candle to the wall
43
123000
2000
es fijar la vela a la pared
02:17
so the wax doesn't drip onto the table." Now what would you do?
44
125000
4000
de forma que la cera no gotee en la mesa". ¿Qué haría usted?
02:21
Now many people begin trying to thumbtack the candle to the wall.
45
129000
4000
Mucha gente empieza a clavar la vela a la pared con las tachuelas.
02:25
Doesn't work.
46
133000
2000
No funciona.
02:27
Somebody, some people -- and I saw somebody
47
135000
2000
Alguien, algunas personas, vi a alguien aquí
02:29
kind of make the motion over here --
48
137000
2000
como haciendo el movimiento.
02:31
some people have a great idea where they
49
139000
2000
Algunas personas tienen la gran idea de
02:33
light the match, melt the side of the candle, try to adhere it to the wall.
50
141000
4000
encender el fósforo, derretir el lado de la vela, tratar de adherirla a la pared.
02:37
It's an awesome idea. Doesn't work.
51
145000
3000
Es una estupenda idea. No funciona.
02:40
And eventually, after five or 10 minutes,
52
148000
3000
Y finalmente, después de 5 o 10 minutos,
02:43
most people figure out the solution,
53
151000
2000
la mayoría de las personas llegan a la solución,
02:45
which you can see here.
54
153000
2000
que pueden ver aquí.
02:47
The key is to overcome what's called functional fixedness.
55
155000
3000
La clave es sobreponerse a lo que se llama fijación funcional.
02:50
You look at that box and you see it only as a receptacle for the tacks.
56
158000
4000
Miras esa caja y la ves sólo como un receptáculo para las tachuelas.
02:54
But it can also have this other function,
57
162000
2000
Pero puede tener también esta otra función,
02:56
as a platform for the candle. The candle problem.
58
164000
4000
como plataforma para la vela. El problema de la vela.
03:00
Now I want to tell you about an experiment
59
168000
2000
Ahora quiero contarles un experimento
03:02
using the candle problem,
60
170000
2000
usando el problema de la vela,
03:04
done by a scientist named Sam Glucksberg,
61
172000
2000
hecho por un científico llamado Sam Gluckberg,
03:06
who is now at Princeton University in the U.S.
62
174000
2000
quien está ahora en la Universidad de Princeton en los EE.UU.
03:08
This shows the power of incentives.
63
176000
4000
Demuestra el poder de los incentivos.
03:12
Here's what he did. He gathered his participants.
64
180000
2000
Esto es lo que hizo. Reunió a sus participantes.
03:14
And he said, "I'm going to time you. How quickly you can solve this problem?"
65
182000
3000
Y dijo: "Les voy a cronometrar. ¿Con qué rapidez pueden resolver este problema?"
03:17
To one group he said,
66
185000
2000
Le dijo a un grupo,
03:19
"I'm going to time you to establish norms,
67
187000
3000
"les voy a cronometrar para establecer normas,
03:22
averages for how long it typically takes
68
190000
2000
promedios de cuanto tiempo tardan normalmente
03:24
someone to solve this sort of problem."
69
192000
2000
en resolver esta clase de problema".
03:26
To the second group he offered rewards.
70
194000
3000
Al segundo grupo le ofreció incentivos.
03:29
He said, "If you're in the top 25 percent of the fastest times,
71
197000
4000
Les dijo: "Si están dentro del 25 por ciento de los más rápidos
03:33
you get five dollars.
72
201000
3000
obtienen cinco dólares.
03:36
If you're the fastest of everyone we're testing here today,
73
204000
3000
Si están entre los más rápidos de los que están participando hoy aquí
03:39
you get 20 dollars."
74
207000
2000
obtienen 20 dólares"
03:41
Now this is several years ago. Adjusted for inflation,
75
209000
3000
Esto, hace varios años, ajustado por la inflación,
03:44
it's a decent sum of money for a few minutes of work.
76
212000
2000
es una buena suma de dinero para unos pocos minutos de trabajo.
03:46
It's a nice motivator.
77
214000
2000
Es un buen motivador.
03:48
Question: How much faster
78
216000
3000
Pregunta: ¿Con qué rapidez
03:51
did this group solve the problem?
79
219000
2000
este grupo resolvió el problema?
03:53
Answer: It took them, on average,
80
221000
3000
Respuesta: Tardaron, en promedio,
03:56
three and a half minutes longer.
81
224000
4000
tres minutos y medio más.
04:00
Three and a half minutes longer. Now this makes no sense right?
82
228000
3000
Tres minutos y medio más. No tiene sentido, ¿ verdad?
04:03
I mean, I'm an American. I believe in free markets.
83
231000
3000
Quiero decir, soy estadounidense, creo en el libre mercado.
04:06
That's not how it's supposed to work. Right?
84
234000
3000
Así no es como debe funcionar ¿verdad?
04:09
(Laughter)
85
237000
1000
(Risas)
04:10
If you want people to perform better,
86
238000
2000
Si quiere que la gente rinda mejor,
04:12
you reward them. Right?
87
240000
2000
los recompensa, ¿verdad?
04:14
Bonuses, commissions, their own reality show.
88
242000
3000
Bonos, comisiones, su propio reality show.
04:17
Incentivize them. That's how business works.
89
245000
4000
Incentívelos. Así es como los negocios funcionan.
04:21
But that's not happening here.
90
249000
2000
Pero eso no sucedió en este caso.
04:23
You've got an incentive designed to
91
251000
2000
Usted tiene un incentivo designado a
04:25
sharpen thinking and accelerate creativity,
92
253000
4000
agudizar el pensamiento y acelerar la creatividad.
04:29
and it does just the opposite.
93
257000
2000
Y hace justo lo contrario,
04:31
It dulls thinking and blocks creativity.
94
259000
3000
entorpece el pensamiento y bloquea la creatividad.
04:34
And what's interesting about this experiment is that it's not an aberration.
95
262000
3000
Y lo que es interesante en este experimento es que no es una aberración.
04:37
This has been replicated over and over
96
265000
3000
Ha sido reproducido repetidas veces
04:40
and over again, for nearly 40 years.
97
268000
3000
y vuelto a repetir, durante casi 40 años.
04:43
These contingent motivators --
98
271000
3000
Estos motivadores condicionantes,
04:46
if you do this, then you get that --
99
274000
2000
si hace esto, entonces consigue esto otro,
04:48
work in some circumstances.
100
276000
2000
funcionan en algunas circunstancias.
04:50
But for a lot of tasks, they actually either don't work
101
278000
3000
Pero para un grupo de tareas, no funcionan
04:53
or, often, they do harm.
102
281000
3000
o, a menudo, perjudican.
04:56
This is one of the most robust findings
103
284000
4000
Esto es uno de los más contundentes hallazgos
05:00
in social science,
104
288000
3000
en ciencias sociales.
05:03
and also one of the most ignored.
105
291000
2000
Y también uno de los más ignorados.
05:05
I spent the last couple of years looking at the science of
106
293000
2000
Pasé el último par de años examinando la ciencia de
05:07
human motivation,
107
295000
2000
la motivación humana.
05:09
particularly the dynamics of extrinsic motivators
108
297000
2000
Particularmente la dinámica de motivadores extrínsecos
05:11
and intrinsic motivators.
109
299000
2000
y motivadores intrínsecos.
05:13
And I'm telling you, it's not even close.
110
301000
2000
Y les digo, no está ni siquiera cerca.
05:15
If you look at the science, there is a mismatch
111
303000
2000
Si examinan la ciencia, hay una discordancia
05:17
between what science knows and what business does.
112
305000
4000
entre lo que la ciencia dice y lo que las empresas hacen.
05:21
And what's alarming here is that our business operating system --
113
309000
3000
Y lo que es alarmante aquí, es que el sistema operativo de nuestras empresas
05:24
think of the set of assumptions and protocols beneath our businesses,
114
312000
3000
consideran el grupo de presunciones y protocolos bajo los negocios,
05:27
how we motivate people, how we apply our human resources --
115
315000
5000
como motivamos a la gente, como aplicamos nuestros recursos humanos
05:32
it's built entirely around these extrinsic motivators,
116
320000
3000
está construido enteramente alrededor de estos motivadores extrínsecos,
05:35
around carrots and sticks.
117
323000
2000
alrededor de recompensas y castigos.
05:37
That's actually fine for many kinds of 20th century tasks.
118
325000
4000
Eso, la verdad, está bien para muchas clases de tareas del siglo XX.
05:41
But for 21st century tasks,
119
329000
2000
Pero para las tareas del siglo XXI,
05:43
that mechanistic, reward-and-punishment approach
120
331000
4000
ese enfoque mecanicista de recompensa-y-castigo
05:47
doesn't work, often doesn't work, and often does harm.
121
335000
4000
no funciona, a menudo no funciona, y muchas veces perjudica.
05:51
Let me show you what I mean.
122
339000
2000
Déjenme mostrarles lo que quiero decir.
05:53
So Glucksberg did another experiment similar to this
123
341000
3000
Entonces, GLucksberg hizo otro experimento similar a éste
05:56
where he presented the problem in a slightly different way,
124
344000
2000
en el que presentaba el problema en una forma ligeramente diferente,
05:58
like this up here. Okay?
125
346000
3000
como éste aquí. ¿De acuerdo?
06:01
Attach the candle to the wall so the wax doesn't drip onto the table.
126
349000
2000
Fije la vela a la pared de tal forma que la cera no gotee sobre la mesa.
06:03
Same deal. You: we're timing for norms.
127
351000
3000
Lo mismo. Ustedes: Cronometraremos las normas.
06:06
You: we're incentivizing.
128
354000
3000
Ustedes: Nosotros incentivaremos.
06:09
What happened this time?
129
357000
2000
¿Qué pasó esta vez?
06:11
This time, the incentivized group
130
359000
2000
Esta vez, el grupo incentivado
06:13
kicked the other group's butt.
131
361000
4000
le ganó de lejos al otro grupo.
06:17
Why? Because when the tacks are out of the box,
132
365000
4000
¿Por qué? Porque cuando las tachuelas están fuera de la caja
06:21
it's pretty easy isn't it?
133
369000
4000
es más fácil ¿cierto?
06:25
(Laughter)
134
373000
2000
(Risas)
06:27
If-then rewards work really well
135
375000
3000
Las recompensas condicionadas funcionan muy bien
06:30
for those sorts of tasks,
136
378000
3000
para ese tipo de tareas,
06:33
where there is a simple set of rules and a clear destination
137
381000
2000
donde hay reglas sencillas y un claro objetivo
06:35
to go to.
138
383000
2000
que cumplir.
06:37
Rewards, by their very nature,
139
385000
2000
Las recompensas, por su propia naturaleza,
06:39
narrow our focus, concentrate the mind;
140
387000
2000
estrechan nuestro punto focal, concentran la mente.
06:41
that's why they work in so many cases.
141
389000
2000
Es por eso que funcionan en muchos casos.
06:43
And so, for tasks like this,
142
391000
2000
Y por lo tanto, para tareas como éstas,
06:45
a narrow focus, where you just see the goal right there,
143
393000
3000
un estrecho punto focal, donde sólo se ve el objetivo justo ahí,
06:48
zoom straight ahead to it,
144
396000
2000
lo acerca directamente a él,
06:50
they work really well.
145
398000
2000
funcionan realmente bien.
06:52
But for the real candle problem,
146
400000
2000
Respecto al verdadero problema de la vela,
06:54
you don't want to be looking like this.
147
402000
2000
usted no quiere verlo así.
06:56
The solution is not over here. The solution is on the periphery.
148
404000
2000
La solución no está aquí. La solución está en la periferia.
06:58
You want to be looking around.
149
406000
2000
Quiere mirar alrededor.
07:00
That reward actually narrows our focus
150
408000
2000
Esa recompensa estrecha nuestro punto focal
07:02
and restricts our possibility.
151
410000
2000
y restringe nuestra posibilidad.
07:04
Let me tell you why this is so important.
152
412000
3000
Déjenme decirles porqué esto es tan importante.
07:07
In western Europe,
153
415000
2000
En Europa Occidental,
07:09
in many parts of Asia,
154
417000
2000
en muchas partes de Asia,
07:11
in North America, in Australia,
155
419000
3000
en Norteamérica, en Australia,
07:14
white-collar workers are doing less of
156
422000
2000
los empleados de oficinas están haciendo menos de
07:16
this kind of work,
157
424000
2000
esta clase de trabajo,
07:18
and more of this kind of work.
158
426000
4000
y más de esta clase de trabajo.
07:22
That routine, rule-based, left-brain work --
159
430000
3000
Esa rutina, basada en reglas, de trabajo analítico,
07:25
certain kinds of accounting, certain kinds of financial analysis,
160
433000
2000
ciertos tipos de contabilidad, ciertos tipos de análisis financiero,
07:27
certain kinds of computer programming --
161
435000
2000
ciertos tipos de programación de computadores,
07:29
has become fairly easy to outsource,
162
437000
2000
han llegado a ser muy fácil subcontratarlos,
07:31
fairly easy to automate.
163
439000
2000
y muy fácil automatizarlos.
07:33
Software can do it faster.
164
441000
3000
El software puede hacerlo más rápido.
07:36
Low-cost providers around the world can do it cheaper.
165
444000
2000
Los proveedores a bajo costo de todo el mundo pueden hacerlo más barato.
07:38
So what really matters are the more right-brained
166
446000
4000
Entonces, lo que realmente importa son
07:42
creative, conceptual kinds of abilities.
167
450000
3000
las habilidades conceptuales, creativas e intuitivas.
07:45
Think about your own work.
168
453000
3000
Piensen en su propio trabajo.
07:48
Think about your own work.
169
456000
3000
Piensen en su propio trabajo.
07:51
Are the problems that you face, or even the problems
170
459000
2000
¿Son los problemas que usted enfrenta, o aun los problemas
07:53
we've been talking about here,
171
461000
2000
que hemos estado hablando aquí?,
07:55
are those kinds of problems -- do they have a clear set of rules,
172
463000
2000
¿son esas clases de problemas?¿tienen un conjunto claro de reglas,
07:57
and a single solution? No.
173
465000
3000
y una única solución? No.
08:00
The rules are mystifying.
174
468000
2000
Las reglas son confusas.
08:02
The solution, if it exists at all,
175
470000
2000
La solución, si es que existe,
08:04
is surprising and not obvious.
176
472000
3000
es sorprendente y no obvia.
08:07
Everybody in this room
177
475000
2000
Todos en esta sala
08:09
is dealing with their own version
178
477000
3000
están lidiando con su propia versión
08:12
of the candle problem.
179
480000
2000
del problema de la vela.
08:14
And for candle problems of any kind,
180
482000
3000
En cuanto a los problemas de velas de cualquier índole,
08:17
in any field,
181
485000
2000
en cualquier campo,
08:19
those if-then rewards,
182
487000
3000
esas recompensas condicionadas,
08:22
the things around which we've built so many of our businesses,
183
490000
4000
las cosas alrededor de las cuales hemos construido muchos de nuestros negocios,
08:26
don't work.
184
494000
2000
no funcionan.
08:28
Now, I mean it makes me crazy.
185
496000
2000
Quiero decir que me vuelve loco.
08:30
And this is not -- here's the thing.
186
498000
2000
Y esto no es ... la cuestión es ésta.
08:32
This is not a feeling.
187
500000
3000
Esto no es un sentimiento.
08:35
Okay? I'm a lawyer; I don't believe in feelings.
188
503000
3000
¿De acuerdo? Soy abogado. No creo en sentimientos.
08:38
This is not a philosophy.
189
506000
4000
Esto no es una filosofía.
08:42
I'm an American; I don't believe in philosophy.
190
510000
2000
Soy norteamericano. No creo en la Filosofía.
08:44
(Laughter)
191
512000
3000
(Risas)
08:47
This is a fact --
192
515000
3000
Es un hecho.
08:50
or, as we say in my hometown of Washington, D.C.,
193
518000
2000
O, como decimos en mi tierra natal de Washington D.C.,
08:52
a true fact.
194
520000
2000
un hecho verdadero.
08:54
(Laughter)
195
522000
2000
(Risas)
08:56
(Applause)
196
524000
4000
(Aplausos)
09:00
Let me give you an example of what I mean.
197
528000
2000
Déjenme darles un ejemplo de lo que quiero decir.
09:02
Let me marshal the evidence here,
198
530000
2000
Déjenme ordenar las evidencias aquí.
09:04
because I'm not telling you a story, I'm making a case.
199
532000
2000
Porque no estoy contándoles un historia. Estoy presentando un caso.
09:06
Ladies and gentlemen of the jury, some evidence:
200
534000
2000
Señoras y señores del jurado, una evidencia:
09:08
Dan Ariely, one of the great economists of our time,
201
536000
3000
Dan Ariely, uno de los grandes economistas de nuestro tiempo,
09:11
he and three colleagues, did a study of some MIT students.
202
539000
4000
él y tres colegas, hicieron un estudio de algunos estudiantes del MIT.
09:15
They gave these MIT students a bunch of games,
203
543000
3000
Les dieron a estos estudiantes del MIT un grupo de juegos.
09:18
games that involved creativity,
204
546000
2000
Juegos que involucraban creatividad,
09:20
and motor skills, and concentration.
205
548000
2000
destrezas motoras, y concentración.
09:22
And the offered them, for performance,
206
550000
2000
Y les ofrecieron, por desempeño,
09:24
three levels of rewards:
207
552000
2000
tres niveles de recompensas.
09:26
small reward, medium reward, large reward.
208
554000
5000
Pequeña recompensa, mediana recompensa, gran recompensa.
09:31
Okay? If you do really well you get the large reward, on down.
209
559000
4000
¿De acuerdo? Si lo hace muy bien obtiene la mayor recompensa, mínimo.
09:35
What happened? As long as the task involved only mechanical skill
210
563000
4000
¿Que pasó? Mientras la tarea involucró solamente destreza mecánica
09:39
bonuses worked as they would be expected:
211
567000
2000
los bonos funcionaron como se esperaba:
09:41
the higher the pay, the better the performance.
212
569000
4000
cuanto mayor es el pago, mejor desempeño.
09:45
Okay? But one the task called for
213
573000
2000
¿De acuerdo? Pero una de la tareas requirió
09:47
even rudimentary cognitive skill,
214
575000
4000
incluso mínima destreza mental,
09:51
a larger reward led to poorer performance.
215
579000
5000
una recompensa mayor llevó a un desempeño peor.
09:56
Then they said,
216
584000
2000
Entonces dijeron,
09:58
"Okay let's see if there's any cultural bias here.
217
586000
2000
"De acuerdo, veamos si hay algún prejuicio cultural aquí.
10:00
Lets go to Madurai, India and test this."
218
588000
2000
Vamos a Madurai, India y probemos ésto."
10:02
Standard of living is lower.
219
590000
2000
El estándar de vida es más bajo.
10:04
In Madurai, a reward that is modest in North American standards,
220
592000
3000
En Madurai, una recompensa que es modesta en Norteamérica,
10:07
is more meaningful there.
221
595000
3000
es más significativa allí.
10:10
Same deal. A bunch of games, three levels of rewards.
222
598000
3000
Lo mismo. Un grupo de juegos , tres niveles de recompensas.
10:13
What happens?
223
601000
2000
¿Qué pasó?
10:15
People offered the medium level of rewards
224
603000
3000
Las personas a las que le ofrecieron el nivel medio de recompensa
10:18
did no better than people offered the small rewards.
225
606000
3000
no lo hizo mejor que las que le ofrecieron la recompensa más baja.
10:21
But this time, people offered the highest rewards,
226
609000
4000
Pero, esta vez, las personas con más altas recompensas
10:25
they did the worst of all.
227
613000
4000
lo hicieron peor que todas.
10:29
In eight of the nine tasks we examined across three experiments,
228
617000
3000
En ocho de las nueve tareas que examinamos a través de tres experimentos,
10:32
higher incentives led to worse performance.
229
620000
5000
los más altos incentivos llevaron al peor desempeño.
10:37
Is this some kind of touchy-feely
230
625000
3000
¿Es esto alguna forma de manipulada
10:40
socialist conspiracy going on here?
231
628000
3000
conspiración socialista que está sucediendo aquí?
10:43
No. These are economists from MIT,
232
631000
3000
No. Estos son economistas del MIT,
10:46
from Carnegie Mellon, from the University of Chicago.
233
634000
3000
de Carnegie Mellon, de la Universidad de Chicago.
10:49
And do you know who sponsored this research?
234
637000
2000
¿Y saben quién auspició esta investigación?
10:51
The Federal Reserve Bank of the United States.
235
639000
4000
El Banco de la Reserva Federal de los Estados Unidos.
10:55
That's the American experience.
236
643000
2000
Eso es la experiencia americana.
10:57
Let's go across the pond to the London School of Economics --
237
645000
3000
Vamos al otro lado del océano al London School of Economics.
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
Alma mater de 11 Premios Nobel en Economía.
11:06
Training ground for great economic thinkers
240
654000
3000
Centro de formación de grandes pensadores de la economía
11:09
like George Soros, and Friedrich Hayek,
241
657000
3000
como George Soros y Friedrick Hayek,
11:12
and Mick Jagger. (Laughter)
242
660000
2000
y Mick Jagger. (Risas)
11:14
Last month, just last month,
243
662000
4000
El mes pasado, tan sólo el mes pasado,
11:18
economists at LSE looked at 51 studies
244
666000
3000
los economistas de LSE analizaron 51 estudios
11:21
of pay-for-performance plans, inside of companies.
245
669000
3000
de programas que pagaban bonos por desempeño dentro de las compañías.
11:24
Here's what the economists there said: "We find that financial incentives
246
672000
3000
Los economistas dijeron, "Consideramos que los incentivos económicos
11:27
can result in a negative impact on overall performance."
247
675000
6000
pueden resultar en un impacto negativo sobre el desempeño general".
11:33
There is a mismatch between what science knows
248
681000
3000
Hay una discordancia entre lo que la ciencia dice
11:36
and what business does.
249
684000
2000
y lo que las empresas hacen.
11:38
And what worries me, as we stand here in the rubble
250
686000
3000
Y lo que me preocupa, mientras estamos junto a los escombros
11:41
of the economic collapse,
251
689000
2000
del colapso de la economía,
11:43
is that too many organizations
252
691000
2000
es que muchas organizaciones
11:45
are making their decisions,
253
693000
2000
están tomando sus decisiones,
11:47
their policies about talent and people,
254
695000
2000
sus políticas acerca del talento y la gente,
11:49
based on assumptions that are outdated, unexamined,
255
697000
6000
basadas en presunciones que están obsoletas, sin analizar,
11:55
and rooted more in folklore than in science.
256
703000
3000
y enraizadas más en el folklore que en la ciencia.
11:58
And if we really want to get out of this economic mess,
257
706000
3000
Y si realmente queremos salir de este desorden económico,
12:01
and if we really want high performance on those
258
709000
2000
y si realmente queremos alto desempeño en esas
12:03
definitional tasks of the 21st century,
259
711000
2000
tareas esenciales del siglo XXI,
12:05
the solution is not to do more of the wrong things,
260
713000
6000
la solución no es más de las cosas equivocadas.
12:11
to entice people with a sweeter carrot,
261
719000
3000
Atraer a las personas con una zanahoria más dulce,
12:14
or threaten them with a sharper stick.
262
722000
2000
o amenazarlas con un palo afilado.
12:16
We need a whole new approach.
263
724000
2000
Necesitamos una perspectiva completamente nueva.
12:18
And the good news about all of this is that the scientists
264
726000
2000
Y las buenas noticias acerca de todo esto es que los científicos
12:20
who've been studying motivation have given us this new approach.
265
728000
3000
que han estudiado la motivación, nos la han ofrecido.
12:23
It's an approach built much more around intrinsic motivation.
266
731000
3000
Es una perspectiva construida sobre todo en la motivación intrínseca,
12:26
Around the desire to do things because they matter,
267
734000
2000
alrededor del deseo de hacer cosas porque importan,
12:28
because we like it, because they're interesting,
268
736000
2000
porque nos gustan, porque son interesantes,
12:30
because they are part of something important.
269
738000
2000
porque son parte de algo importante.
12:32
And to my mind, that new operating system for our businesses
270
740000
4000
Y en mi opinión, ese nuevo sistema operativo de nuestros negocios
12:36
revolves around three elements:
271
744000
2000
gira en torno a tres elementos:
12:38
autonomy, mastery and purpose.
272
746000
3000
autonomía, maestría y propósito.
12:41
Autonomy: the urge to direct our own lives.
273
749000
3000
Autonomía, el impulso que dirige nuestras propias vidas.
12:44
Mastery: the desire to get better and better at something that matters.
274
752000
4000
Maestría, el deseo de ser mejor y mejor en algo que importa.
12:48
Purpose: the yearning to do what we do
275
756000
3000
Propósito, la intención de hacer lo que hacemos
12:51
in the service of something larger than ourselves.
276
759000
3000
al servicio de algo más grande que nosotros mismos.
12:54
These are the building blocks of an entirely new operating system
277
762000
3000
Estos son los ladrillos de un sistema operativo completamente nuevo
12:57
for our businesses.
278
765000
2000
para nuestros negocios.
12:59
I want to talk today only about autonomy.
279
767000
4000
Hoy quiero hablar solamente de la autonomía.
13:03
In the 20th century, we came up with this idea of management.
280
771000
3000
El siglo XX trajo esta idea de gerencia.
13:06
Management did not emanate from nature.
281
774000
2000
La gerencia no emanó de la naturaleza.
13:08
Management is like -- it's not a tree,
282
776000
2000
La gerencia es como... no es un árbol.
13:10
it's a television set.
283
778000
2000
Es un televisor.
13:12
Okay? Somebody invented it.
284
780000
2000
¿De acuerdo? alguien la inventó.
13:14
And it doesn't mean it's going to work forever.
285
782000
2000
Y no significa que va a funcionar para siempre.
13:16
Management is great.
286
784000
2000
La gerencia es excelente.
13:18
Traditional notions of management are great
287
786000
2000
Las nociones tradicionales de administración son excelentes
13:20
if you want compliance.
288
788000
2000
si usted quiere conformidad.
13:22
But if you want engagement, self-direction works better.
289
790000
3000
Pero si usted quiere compromiso, la iniciativa funciona mejor.
13:25
Let me give you some examples of some kind of radical
290
793000
2000
Déjenme darles algunos ejemplos de algunas nociones
13:27
notions of self-direction.
291
795000
2000
fundamentales de iniciativa.
13:29
What this means -- you don't see a lot of it,
292
797000
3000
Lo que significa... no ve mucho,
13:32
but you see the first stirrings of something really interesting going on,
293
800000
3000
pero ve los primeros movimientos de que algo realmente interesante está sucediendo.
13:35
because what it means is paying people adequately
294
803000
2000
Pues lo que significa es pagar a la gente de forma adecuada
13:37
and fairly, absolutely --
295
805000
2000
y justa, por supuesto.
13:39
getting the issue of money off the table,
296
807000
2000
Dejar a un lado el tema del dinero.
13:41
and then giving people lots of autonomy.
297
809000
2000
Y luego dar a la gente mucha autonomía.
13:43
Let me give you some examples.
298
811000
2000
Déjenme darles algunos ejemplos.
13:45
How many of you have heard of the company Atlassian?
299
813000
4000
¿Cuantos de ustedes han oido hablar de la compañía Atlassian?
13:49
It looks like less than half.
300
817000
2000
Se ve que menos de la mitad.
13:51
(Laughter)
301
819000
2000
(Risas)
13:53
Atlassian is an Australian software company.
302
821000
4000
Atlassian es una compañía de software de Australia.
13:57
And they do something incredibly cool.
303
825000
2000
Y hacen algo increiblemente innovador.
13:59
A few times a year they tell their engineers,
304
827000
2000
Unas cuantas veces al año les dicen a sus ingenieros,
14:01
"Go for the next 24 hours and work on anything you want,
305
829000
4000
"Durante las próximas 24 horas van a trabajar en lo que quieran,
14:05
as long as it's not part of your regular job.
306
833000
2000
con tal que no sea parte de su trabajo regular.
14:07
Work on anything you want."
307
835000
2000
Trabajen en lo que quieran".
14:09
So that engineers use this time to come up with
308
837000
2000
Entonces los ingenieros usan ese tiempo y desarrollan
14:11
a cool patch for code, come up with an elegant hack.
309
839000
3000
un moderno código de parche, desarrollan una modificación elegante.
14:14
Then they present all of the stuff that they've developed
310
842000
3000
Luego presentan todas las cosas que han desarrollado
14:17
to their teammates, to the rest of the company,
311
845000
3000
a sus compañeros, y al resto de la compañía,
14:20
in this wild and wooly all-hands meeting
312
848000
2000
en esta distendida e informal reunión
14:22
at the end of the day.
313
850000
2000
al final del día.
14:24
And then, being Australians, everybody has a beer.
314
852000
2000
Y entonces, como son australianos, se toman una cerveza.
14:26
They call them FedEx Days.
315
854000
3000
Ellos les llaman los dias FedEx.
14:29
Why? Because you have to deliver something overnight.
316
857000
6000
¿Por qué? Porque tienes que entregar algo al día siguiente.
14:35
It's pretty. It's not bad. It's a huge trademark violation,
317
863000
2000
Es bonito. No es malo. Es una tremenda infracción a la marca.
14:37
but it's pretty clever.
318
865000
2000
Pero es muy inteligente.
14:39
(Laughter)
319
867000
1000
(Risas)
14:40
That one day of intense autonomy
320
868000
2000
Ese dia sólo de intensa autonomía
14:42
has produced a whole array of software fixes
321
870000
2000
ha producido un perfeccionamiento del software muy amplio
14:44
that might never have existed.
322
872000
2000
que nunca podrían haber existido.
14:46
And it's worked so well that Atlassian has taken it to the next level
323
874000
2000
Y ha resultado tan bién que Atlassian lo ha llevado al próximo nivel
14:48
with 20 Percent Time --
324
876000
2000
con 20 Por ciento de su Tiempo.
14:50
done, famously, at Google --
325
878000
2000
Hecho, famosamente, en Google.
14:52
where engineers can work, spend 20 percent of their time
326
880000
2000
Donde los ingenieros pueden trabajar, pasar el 20 por ciento de su tiempo
14:54
working on anything they want.
327
882000
2000
trabajando en algo que quieran.
14:56
They have autonomy over their time,
328
884000
2000
Tienen autonomía sobre su tiempo,
14:58
their task, their team, their technique.
329
886000
2000
su tarea, su equipo, su técnica.
15:00
Okay? Radical amounts of autonomy.
330
888000
2000
¿De acuerdo? Cantidades extremas de autonomía,
15:02
And at Google, as many of you know,
331
890000
4000
Y en Google, como muchos de ustedes saben,
15:06
about half of the new products in a typical year
332
894000
2000
cerca de la mitad de los nuevos productos en un año normal
15:08
are birthed during that 20 Percent Time:
333
896000
3000
han nacido durante ese 20 por ciento de su Tiempo.
15:11
things like Gmail, Orkut, Google News.
334
899000
3000
Productos como Gmail, Orkut, Google News.
15:14
Let me give you an even more radical example of it:
335
902000
3000
Déjenme darles un ejemplo más extremo aún.
15:17
something called the Results Only Work Environment,
336
905000
2000
Algo llamado "Resultados en el Ámbito del Trabajo Exclusivamente ".
15:19
the ROWE,
337
907000
2000
El ROWE.
15:21
created by two American consultants, in place
338
909000
2000
Creado por dos consultores norteamericanos, vigente
15:23
in place at about a dozen companies around North America.
339
911000
2000
vigente en cerca de una docena de compañías en Norteamérica.
15:25
In a ROWE people don't have schedules.
340
913000
4000
En un ROWE la gente no tiene horario.
15:29
They show up when they want.
341
917000
2000
Se presentan cuando quieren.
15:31
They don't have to be in the office at a certain time,
342
919000
2000
No tienen que estar en la oficina en un cierto momento,
15:33
or any time.
343
921000
2000
o a cierta hora.
15:35
They just have to get their work done.
344
923000
2000
Sólo tienen que hacer su trabajo.
15:37
How they do it, when they do it,
345
925000
2000
¿Cómo lo hacen?, ¿cuándo lo hacen?
15:39
where they do it, is totally up to them.
346
927000
3000
¿dónde lo hacen?, depende totalmente de ellos.
15:42
Meetings in these kinds of environments are optional.
347
930000
4000
Las reuniones en estas clases de ambientes son opcionales.
15:46
What happens?
348
934000
2000
¿Qué es lo que pasa?
15:48
Almost across the board, productivity goes up,
349
936000
3000
Casi en todas las categorías, la productividad sube,
15:51
worker engagement goes up,
350
939000
3000
el compromiso de los trabajadores sube,
15:54
worker satisfaction goes up, turnover goes down.
351
942000
3000
la satisfacción del trabajador sube, y la rotación baja.
15:57
Autonomy, mastery and purpose,
352
945000
2000
Autonomía, Maestría y Propósito.
15:59
These are the building blocks of a new way of doing things.
353
947000
2000
Estos son los ladrillos de una nueva forma de hacer las cosas.
16:01
Now some of you might look at this and say,
354
949000
3000
Ahora algunos de ustedes podría mirar esto y decir,
16:04
"Hmm, that sounds nice, but it's Utopian."
355
952000
3000
"Mmm, eso suena bonito. Pero es una utopía"
16:07
And I say, "Nope. I have proof."
356
955000
5000
Y yo digo, "No. Tengo pruebas"
16:12
The mid-1990s, Microsoft started
357
960000
2000
A mediados de los Noventa, Microsoft empezó
16:14
an encyclopedia called Encarta.
358
962000
2000
una enciclopedia llamada Encarta.
16:16
They had deployed all the right incentives,
359
964000
2000
Habian implantado todos los incentivos correctos.
16:18
all the right incentives. They paid professionals to
360
966000
3000
Todos los incentivos correctos. Pagaron a profesionales
16:21
write and edit thousands of articles.
361
969000
2000
para escribir y editar miles de artículos.
16:23
Well-compensated managers oversaw the whole thing
362
971000
2000
Gerentes bien pagados lo supervisaron todo
16:25
to make sure it came in on budget and on time.
363
973000
5000
para asegurarse que saliera a tiempo y dentro del presupuesto.
16:30
A few years later another encyclopedia got started.
364
978000
2000
Unos años mas tarde se empezó otra enciclopedia.
16:32
Different model, right?
365
980000
3000
¿Diferente modelo, cierto?
16:35
Do it for fun. No one gets paid a cent, or a Euro or a Yen.
366
983000
4000
Hágalo por diversión. A nadie se le paga un céntimo, o un euro o un yen.
16:39
Do it because you like to do it.
367
987000
3000
Hágalo porque a usted le gusta hacerlo.
16:42
Now if you had, just 10 years ago,
368
990000
3000
Ahora si usted hubiera, hace 10 años,
16:45
if you had gone to an economist, anywhere,
369
993000
2000
si usted hubiera ido a un economista , a cualquier parte,
16:47
and said, "Hey, I've got these two different models for creating an encyclopedia.
370
995000
4000
y hubiera dicho,"Mira, tengo estos dos modelos para crear una enciclopedia.
16:51
If they went head to head, who would win?"
371
999000
3000
Si ellos fueran cabeza con cabeza, ¿quién ganaría?"
16:54
10 years ago you could not have found a single sober economist anywhere
372
1002000
4000
Hace 10 años no hubiera encontrado un sólo economista serio en ninguna parte
16:58
on planet Earth
373
1006000
2000
en el planeta Tierra,
17:00
who would have predicted the Wikipedia model.
374
1008000
2000
que hubiese pronosticado el modelo Wikipedia.
17:02
This is the titanic battle between these two approaches.
375
1010000
3000
Ésta es la batalla titánica entre estas dos perspectivas.
17:05
This is the Ali-Frazier of motivation. Right?
376
1013000
3000
Esto es el Ali-Frazier de la motivación. ¿Verdad?
17:08
This is the Thrilla' in Manila.
377
1016000
2000
Esto es el Thrilla' en Manila.
17:10
Alright? Intrinsic motivators versus extrinsic motivators.
378
1018000
3000
¿Correcto? Motivadores intrínsecos versus motivadores extrínsecos.
17:13
Autonomy, mastery and purpose,
379
1021000
2000
Autonomía, Maestría y Propósito,
17:15
versus carrot and sticks. And who wins?
380
1023000
2000
versus recompensa y castigo. Y ¿quién gana?
17:17
Intrinsic motivation, autonomy, mastery and purpose,
381
1025000
3000
Motivación intrínseca, autonomía, maestría y propósito,
17:20
in a knockout. Let me wrap up.
382
1028000
4000
por noqueo. Déjenme concluir.
17:24
There is a mismatch between what science knows and what business does.
383
1032000
3000
Hay una discordancia entre lo que la ciencia dice y lo que las empresas hacen.
17:27
And here is what science knows.
384
1035000
2000
Y esto es lo que la ciencia dice.
17:29
One: Those 20th century rewards,
385
1037000
2000
Uno: Esas recompensas del siglo XX,
17:31
those motivators we think are a natural part of business,
386
1039000
3000
esos motivadores que creemos son parte natural de los negocios,
17:34
do work, but only in a surprisingly narrow band of circumstances.
387
1042000
4000
funcionan pero sólo en una sorprendente y estrecha franja de circunstancias.
17:38
Two: Those if-then rewards often destroy creativity.
388
1046000
4000
Dos: Esas recompensas condicionadas a menudo destruyen la creatividad.
17:42
Three: The secret to high performance
389
1050000
2000
Tres: El secreto del alto desempeño
17:44
isn't rewards and punishments,
390
1052000
2000
no está en recompensas y castigos,
17:46
but that unseen intrinsic drive --
391
1054000
2000
sino en una fuerza intrínseca invisible.
17:48
the drive to do things for their own sake.
392
1056000
3000
La fuerza de hacer las cosas por su propio interés.
17:51
The drive to do things cause they matter.
393
1059000
2000
La fuerza para hacer cosas porque importan.
17:53
And here's the best part. Here's the best part.
394
1061000
2000
Y aquí está la mejor parte . Aquí está la mejor parte.
17:55
We already know this. The science confirms what we know in our hearts.
395
1063000
3000
Nosotros ya lo sabemos. La ciencia confirma lo que ya sabemos.
17:58
So, if we repair this mismatch
396
1066000
3000
Entonces, si reparamos esta discordancia
18:01
between what science knows and what business does,
397
1069000
2000
entre lo que la ciencia dice y lo que las empresas hacen,
18:03
if we bring our motivation, notions of motivation
398
1071000
3000
si traemos nuestra motivación , nociones de motivación
18:06
into the 21st century,
399
1074000
2000
al siglo XXI,
18:08
if we get past this lazy, dangerous, ideology
400
1076000
4000
si dejamos atrás esta ideología floja y peligrosa
18:12
of carrots and sticks,
401
1080000
2000
de recompensas y castigos,
18:14
we can strengthen our businesses,
402
1082000
3000
podemos fortalecer nuestros negocios,
18:17
we can solve a lot of those candle problems,
403
1085000
3000
podemos resolver muchos de esos problemas de la vela,
18:20
and maybe, maybe, maybe
404
1088000
4000
y puede ser, puede ser, puede ser
18:24
we can change the world.
405
1092000
2000
que podamos cambiar el mundo.
18:26
I rest my case.
406
1094000
2000
Concluyo mi alegato.
18:28
(Applause)
407
1096000
3000
(Aplausos)
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