ABOUT THE SPEAKER
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.

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.

More profile about the speaker
Dan Pink | Speaker | TED.com
TEDGlobal 2009

Dan Pink: The puzzle of motivation

Dan Pink sur la surprenante science de la motivation

Filmed:
25,352,736 views

Dan Pink, conseiller en carrière, examine les méandres de la motivation en partant d'un fait que les sociologues connaissent mais que la plupart des managers ignorent : les récompenses traditionnelles ne sont pas toujours aussi efficaces que l'on croit. Écoutez ses histoires éclairantes et peut-être en avance sur leur temps.
- 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

Double-click the English transcript below to play the video.

00:12
I need to make a confessionconfession at the outsettout d’abord here.
0
0
4000
Je dois commencer par faire un aveu.
00:16
A little over 20 yearsannées agodepuis
1
4000
3000
Il y a un peu plus de 20 ans,
00:19
I did something that I regretle regret,
2
7000
2000
j'ai fait quelque chose que je regrette,
00:21
something that I'm not particularlyparticulièrement proudfier of,
3
9000
4000
quelque chose dont je ne suis pas particulièrement fier,
00:25
something that, in manybeaucoup waysfaçons, I wishsouhait no one would ever know,
4
13000
3000
et que, pour plusieurs raisons, je voulais que tout le monde ignore à jamais
00:28
but here I feel kindgentil of obligedl’obligation to revealrévéler.
5
16000
4000
mais que je me sens obligé de révéler ici.
00:32
(LaughterRires)
6
20000
2000
(Rires)
00:34
In the lateen retard 1980s,
7
22000
2000
À la fin des années 1980,
00:36
in a momentmoment of youthfuljeune indiscretionindiscrétion,
8
24000
3000
dans l'inconscience de la jeunesse,
00:39
I wentest allé to lawloi schoolécole.
9
27000
2000
je suis allé en école de droit.
00:41
(LaughterRires)
10
29000
4000
(Rires)
00:45
Now, in AmericaL’Amérique lawloi is a professionalprofessionnel degreedegré:
11
33000
3000
Aux États-Unis, le droit est une spécialisation professionnelle :
00:48
you get your universityUniversité degreedegré, then you go on to lawloi schoolécole.
12
36000
2000
Vous obtenez un diplôme universitaire, puis vous allez en école de droit.
00:50
And when I got to lawloi schoolécole,
13
38000
3000
Et quand je suis allé en école de droit,
00:53
I didn't do very well.
14
41000
2000
je ne m'en suis pas bien sorti.
00:55
To put it mildlydoucement, I didn't do very well.
15
43000
2000
Je ne m'en suis pas bien sorti du tout.
00:57
I, in factfait, graduateddiplômé in the partpartie of my lawloi schoolécole classclasse
16
45000
3000
En fait, j'ai obtenu mon diplôme parmi ceux de la classe
01:00
that madefabriqué the topHaut 90 percentpour cent possiblepossible.
17
48000
4000
qui font des autres 90%... les meilleurs.
01:04
(LaughterRires)
18
52000
4000
(Rires)
01:08
Thank you.
19
56000
3000
Merci.
01:11
I never practicedpratiqué lawloi a day in my life;
20
59000
3000
Je n'ai pas pratiqué le droit un seul jour de ma vie.
01:14
I prettyjoli much wasn'tn'était pas allowedpermis to.
21
62000
2000
On ne me l'a pas trop permis.
01:16
(LaughterRires)
22
64000
3000
(Rires)
01:19
But todayaujourd'hui, againstcontre my better judgmentjugement,
23
67000
3000
Mais aujourd'hui, malgré ce que la raison me dicte
01:22
againstcontre the adviceConseil of my ownposséder wifefemme,
24
70000
3000
et contre l'avis de ma propre femme,
01:25
I want to try to dustpoussière off some of those legallégal skillscompétences --
25
73000
4000
je vais dépoussiérer mes talents d'avocat,
01:29
what's left of those legallégal skillscompétences.
26
77000
2000
ou du moins ce qu'il en reste.
01:31
I don't want to tell you a storyrécit.
27
79000
3000
Je ne vais pas vous faire une plaidoirie.
01:34
I want to make a caseCas.
28
82000
2000
Je veux soutenir une cause.
01:36
I want to make a hard-headedtête dure, evidence-basedfondées sur des preuves,
29
84000
4000
Je vais présenter des faits solides, prouvés,
01:40
dareoser I say lawyerlyjuridiques caseCas,
30
88000
3000
à la façon d'une cause judiciaire,
01:43
for rethinkingrepenser how we runcourir our businessesentreprises.
31
91000
4000
pour repenser la façon dont nous gérons nos entreprises.
01:47
So, ladiesDames and gentlemenmessieurs of the juryjury, take a look at this.
32
95000
4000
Donc, mesdames et messieurs du jury, veuillez examiner ceci.
01:51
This is calledappelé the candlebougie problemproblème.
33
99000
2000
Cela s'appelle le "problème de la bougie".
01:53
Some of you mightpourrait have seenvu this before.
34
101000
2000
Certains le connaissent peut-être déjà.
01:55
It's createdcréé in 1945
35
103000
2000
Il a été créé en 1945
01:57
by a psychologistpsychologue namednommé KarlKarl DunckerDuncker.
36
105000
2000
par un psychologue nommé Karl Duncker.
01:59
KarlKarl DunckerDuncker createdcréé this experimentexpérience
37
107000
2000
Karl Duncker a imaginé cette expérience
02:01
that is used in a wholeentier varietyvariété of experimentsexpériences in behavioralcomportementale sciencescience.
38
109000
3000
utilisée dans une grande variété d'études en sciences du comportement.
02:04
And here'svoici how it workstravaux. SupposeSupposons que I'm the experimenterexpérimentateur.
39
112000
3000
Voilà comment ça marche. Supposez que je suis l'expérimentateur.
02:07
I bringapporter you into a roomchambre. I give you a candlebougie,
40
115000
4000
Je vous fais entrer dans une pièce. Je vous donne une bougie,
02:11
some thumbtackspunaises and some matchescorrespond à.
41
119000
2000
quelques punaises et quelques allumettes.
02:13
And I say to you, "Your jobemploi
42
121000
2000
Et je vous dis : "Votre boulot
02:15
is to attachattacher the candlebougie to the wallmur
43
123000
2000
est de fixer la bougie au mur
02:17
so the waxcire doesn't dripgoutte à goutte ontosur the tabletable." Now what would you do?
44
125000
4000
de sorte à ce que la cire ne coule pas sur la table." Que feriez-vous ?
02:21
Now manybeaucoup people begincommencer tryingen essayant to thumbtackpunaise the candlebougie to the wallmur.
45
129000
4000
Beaucoup de personnes essaient de punaiser la bougie au mur.
02:25
Doesn't work.
46
133000
2000
Ça ne marche pas.
02:27
SomebodyQuelqu'un, some people -- and I saw somebodyquelqu'un
47
135000
2000
Quelqu'un... certains... j'ai vu quelqu'un
02:29
kindgentil of make the motionmouvement over here --
48
137000
2000
qui vient d'esquisser le geste là-bas...
02:31
some people have a great ideaidée where they
49
139000
2000
Certains ont une grande idée :
02:33
lightlumière the matchrencontre, meltfaire fondre the sidecôté of the candlebougie, try to adhereadhérer it to the wallmur.
50
141000
4000
ils frottent une allumette et fondent le côté de la bougie pour la souder au mur.
02:37
It's an awesomeimpressionnant ideaidée. Doesn't work.
51
145000
3000
C'est une idée fantastique. Qui ne marche pas.
02:40
And eventuallyfinalement, after fivecinq or 10 minutesminutes,
52
148000
3000
Finalement, après cinq ou dix minutes,
02:43
mostles plus people figurefigure out the solutionSolution,
53
151000
2000
la plupart des gens trouvent la solution
02:45
whichlequel you can see here.
54
153000
2000
que vous pouvez voir ici.
02:47
The keyclé is to overcomesurmonter what's calledappelé functionalfonctionnel fixednessnon sans fixité.
55
155000
3000
La clé de la réussite est de dépasser la "fixité fonctionnelle".
02:50
You look at that boxboîte and you see it only as a receptacleprise de courant for the tackspunaises.
56
158000
4000
Vous regardez cette boîte et vous n'y voyez que l'emballage des punaises.
02:54
But it can alsoaussi have this other functionfonction,
57
162000
2000
Mais elle peut aussi avoir une autre fonction
02:56
as a platformPlate-forme for the candlebougie. The candlebougie problemproblème.
58
164000
4000
comme plateforme pour la bougie. Le problème de la bougie.
03:00
Now I want to tell you about an experimentexpérience
59
168000
2000
Maintenant je vais vous parler d'une expérience
03:02
usingen utilisant the candlebougie problemproblème,
60
170000
2000
qui se base sur le problème de la bougie,
03:04
doneterminé by a scientistscientifique namednommé SamSam GlucksbergGlucksberg,
61
172000
2000
effectuée par un scientifique du nom de Sam Glucksberg,
03:06
who is now at PrincetonPrinceton UniversityUniversité in the U.S.
62
174000
2000
qui est maintenant à l'Université de Princeton aux États-Unis.
03:08
This showsmontre the powerPuissance of incentivesmesures incitatives.
63
176000
4000
Elle montre la puissance des incitations.
03:12
Here'sVoici what he did. He gatheredrecueillies his participantsparticipants.
64
180000
2000
Voilà ce qu'il a fait. Il a rassemblé les participants
03:14
And he said, "I'm going to time you. How quicklyrapidement you can solverésoudre this problemproblème?"
65
182000
3000
et leur a dit : "Je vais vous chronométrer. À quelle vitesse pouvez-vous résoudre ce problème?"
03:17
To one groupgroupe he said,
66
185000
2000
Il a dit au premier groupe :
03:19
"I'm going to time you to establishétablir normsnormes,
67
187000
3000
"Je vais vous chronométrer pour établir des normes,
03:22
averagesmoyennes for how long it typicallytypiquement takes
68
190000
2000
les moyennes de temps qu'il faut typiquement
03:24
someoneQuelqu'un to solverésoudre this sortTrier of problemproblème."
69
192000
2000
à quelqu'un pour résoudre ce type de problème."
03:26
To the secondseconde groupgroupe he offeredoffert rewardsrécompenses.
70
194000
3000
Au second groupe, il a offert des récompenses.
03:29
He said, "If you're in the topHaut 25 percentpour cent of the fastestle plus rapide timesfois,
71
197000
4000
Il a dit : "Si vous êtes parmi les 25% les plus rapides
03:33
you get fivecinq dollarsdollars.
72
201000
3000
vous recevrez cinq dollars.
03:36
If you're the fastestle plus rapide of everyonetoutes les personnes we're testingessai here todayaujourd'hui,
73
204000
3000
Si vous êtes le plus rapide de ceux que nous testons aujourd'hui
03:39
you get 20 dollarsdollars."
74
207000
2000
vous recevrez 20 dollars."
03:41
Now this is severalnombreuses yearsannées agodepuis. AdjustedAjusté for inflationinflation,
75
209000
3000
C'était il y a plusieurs années. J'ai pris en compte l'inflation.
03:44
it's a decentdécent sumsomme of moneyargent for a fewpeu minutesminutes of work.
76
212000
2000
C'est une somme correcte pour quelques minutes de travail.
03:46
It's a niceagréable motivatorsource de motivation.
77
214000
2000
C'est une bonne motivation.
03:48
QuestionQuestion: How much fasterPlus vite
78
216000
3000
Question : combien de fois plus vite
03:51
did this groupgroupe solverésoudre the problemproblème?
79
219000
2000
ce groupe a-t-il résolu le problème ?
03:53
AnswerRéponse: It tooka pris them, on averagemoyenne,
80
221000
3000
Réponse : ça leur a pris, en moyenne
03:56
threeTrois and a halfmoitié minutesminutes longerplus long.
81
224000
4000
trois minutes et demie... de plus.
04:00
ThreeTrois and a halfmoitié minutesminutes longerplus long. Now this makesfait du no sensesens right?
82
228000
3000
Trois minutes et demie de plus. Ça n'a aucun sens, n'est-ce pas ?
04:03
I mean, I'm an AmericanAméricain. I believe in freegratuit marketsles marchés.
83
231000
3000
Je veux dire : je suis un Américain! Je crois aux marchés libres.
04:06
That's not how it's supposedsupposé to work. Right?
84
234000
3000
C'est comme ça que c'est sensé marcher, n'est-ce pas ?
04:09
(LaughterRires)
85
237000
1000
(Rires)
04:10
If you want people to performeffectuer better,
86
238000
2000
Si vous voulez que les gens soient plus performants,
04:12
you rewardrécompense them. Right?
87
240000
2000
vous les récompensez, non ?
04:14
BonusesBonus, commissionscommissions, theirleur ownposséder realityréalité showmontrer.
88
242000
3000
Gratifications, commissions, leur propre reality show.
04:17
IncentivizeInciter les them. That's how businessEntreprise workstravaux.
89
245000
4000
Incitez-les. C'est comme ça que marchent les affaires.
04:21
But that's not happeningévénement here.
90
249000
2000
Mais ce n'est pas ce qui se passe ici.
04:23
You've got an incentivemotivation designedconçu to
91
251000
2000
Vous recevez une incitation conçue pour
04:25
sharpenaiguiser thinkingen pensant and accelerateaccélérer creativityla créativité,
92
253000
4000
vous concentrer et accélérer la créativité.
04:29
and it does just the oppositecontraire.
93
257000
2000
Et ça fait juste le contraire.
04:31
It dullsternit thinkingen pensant and blocksblocs creativityla créativité.
94
259000
3000
Ça engourdit la pensée et bloque la créativité.
04:34
And what's interestingintéressant about this experimentexpérience is that it's not an aberrationaberration.
95
262000
3000
Et ce qui est intéressant avec cette expérience, c'est que ce n'est pas un artéfact.
04:37
This has been replicatedrépliquées over and over
96
265000
3000
Ceci a été reproduit encore et encore
04:40
and over again, for nearlypresque 40 yearsannées.
97
268000
3000
et encore depuis près de 40 ans.
04:43
These contingentcontingent motivatorsfacteurs de motivation --
98
271000
3000
Ces "motivations contingentes",
04:46
if you do this, then you get that --
99
274000
2000
si vous faites ceci, alors vous aurez cela,
04:48
work in some circumstancesconditions.
100
276000
2000
marchent dans certaines circonstances.
04:50
But for a lot of tasksles tâches, they actuallyréellement eithernon plus don't work
101
278000
3000
Mais pour beaucoup de tâches, soit elles ne marchent pas,
04:53
or, oftensouvent, they do harmnuire.
102
281000
3000
soit, souvent, elles sont néfastes .
04:56
This is one of the mostles plus robustrobuste findingsrésultats
103
284000
4000
Ceci est l'une des découvertes les plus robustes
05:00
in socialsocial sciencescience,
104
288000
3000
des sciences sociales.
05:03
and alsoaussi one of the mostles plus ignoredignoré.
105
291000
2000
Et c'est aussi l'une des plus ignorées.
05:05
I spentdépensé the last couplecouple of yearsannées looking at the sciencescience of
106
293000
2000
J'ai passé les deux dernières années à examiner la science
05:07
humanHumain motivationmotivation,
107
295000
2000
de la motivation humaine.
05:09
particularlyparticulièrement the dynamicsdynamique of extrinsicextrinsèques motivatorsfacteurs de motivation
108
297000
2000
Particulièrement la dynamique des motivations extrinsèques
05:11
and intrinsicintrinsèques motivatorsfacteurs de motivation.
109
299000
2000
et des motivations intrinsèques.
05:13
And I'm tellingrécit you, it's not even closeFermer.
110
301000
2000
Et je vous assure : ça ne colle pas.
05:15
If you look at the sciencescience, there is a mismatchincompatibilité de
111
303000
2000
Si vous considérez les études, il y a une divergence
05:17
betweenentre what sciencescience knowssait and what businessEntreprise does.
112
305000
4000
entre ce que la science sait et ce que le monde des affaires fait.
05:21
And what's alarmingalarmant here is that our businessEntreprise operatingen fonctionnement systemsystème --
113
309000
3000
Et ce qui est inquiétant, c'est que le système de fonctionnement des entreprises
05:24
think of the setensemble of assumptionshypothèses and protocolsprotocoles beneathsous our businessesentreprises,
114
312000
3000
- pensez à l'ensemble des hypothèses et protocoles sous-jascents,
05:27
how we motivatemotiver people, how we applyappliquer our humanHumain resourcesRessources --
115
315000
5000
comment nous motivons les personnes, comment nous utilisons nos ressources humaines -
05:32
it's builtconstruit entirelyentièrement around these extrinsicextrinsèques motivatorsfacteurs de motivation,
116
320000
3000
est construit entièrement sur ces motivateurs extrinsèques,
05:35
around carrotscarottes and sticksbâtons.
117
323000
2000
les carottes et les bâtons.
05:37
That's actuallyréellement fine for manybeaucoup kindssortes of 20thth centurysiècle tasksles tâches.
118
325000
4000
En fait, ça marche pour beaucoup de tâches du 20ème siècle.
05:41
But for 21stst centurysiècle tasksles tâches,
119
329000
2000
Mais pour les tâches du 21ème siècle,
05:43
that mechanisticmécaniste, reward-and-punishmentrécompense et châtiment approachapproche
120
331000
4000
cette approche mécaniste de récompense-et-punition
05:47
doesn't work, oftensouvent doesn't work, and oftensouvent does harmnuire.
121
335000
4000
ne marche pas. Souvent ça ne marche pas, et souvent ça nuit.
05:51
Let me showmontrer you what I mean.
122
339000
2000
Laissez-moi vous montrer ce que je veux dire.
05:53
So GlucksbergGlucksberg did anotherun autre experimentexpérience similarsimilaire to this
123
341000
3000
Glucksberg a fait une autre expérience similaire
05:56
where he presentedprésenté the problemproblème in a slightlylégèrement differentdifférent way,
124
344000
2000
où il a présenté le problème d'une autre façon,
05:58
like this up here. Okay?
125
346000
3000
comme sur cette image. OK ?
06:01
AttachFixez the candlebougie to the wallmur so the waxcire doesn't dripgoutte à goutte ontosur the tabletable.
126
349000
2000
Fixez la bougie au mur de façon à ce que la cire ne coule pas sur la table.
06:03
SameMême dealtraiter. You: we're timingtiming for normsnormes.
127
351000
3000
Même histoire. Vous, on vous chronomètre pour des moyennes.
06:06
You: we're incentivizingmotivant.
128
354000
3000
Vous, on vous incite.
06:09
What happenedarrivé this time?
129
357000
2000
Que s'est-il passé cette fois?
06:11
This time, the incentivizedincités groupgroupe
130
359000
2000
Cette fois, le groupe motivé
06:13
kickedbotté the other group'sdu groupe buttbout à bout.
131
361000
4000
a botté le cul de l'autre groupe.
06:17
Why? Because when the tackspunaises are out of the boxboîte,
132
365000
4000
Pourquoi ? Parce que lorsque les punaises sont hors de la boîte,
06:21
it's prettyjoli easyfacile isn't it?
133
369000
4000
ça devient étonnamment simple, non ?
06:25
(LaughterRires)
134
373000
2000
"Le problème de la bougie... pour les nuls." (Rires)
06:27
If-thenSi-alors rewardsrécompenses work really well
135
375000
3000
Les récompenses "si, alors" marchent vraiment bien
06:30
for those sortssortes of tasksles tâches,
136
378000
3000
pour ce type de tâches,
06:33
where there is a simplesimple setensemble of rulesrègles and a clearclair destinationdestination
137
381000
2000
où il y a des règles simples et un but clair
06:35
to go to.
138
383000
2000
à atteindre.
06:37
RewardsRécompenses, by theirleur very naturela nature,
139
385000
2000
Les récompenses, de par leur nature,
06:39
narrowétroit our focusconcentrer, concentrateconcentrer the mindesprit;
140
387000
2000
restreignent notre vision, concentrent la pensée.
06:41
that's why they work in so manybeaucoup casescas.
141
389000
2000
C'est pourquoi elles marchent dans tellement de cas.
06:43
And so, for tasksles tâches like this,
142
391000
2000
Et donc, pour des tâches comme ça,
06:45
a narrowétroit focusconcentrer, where you just see the goalobjectif right there,
143
393000
3000
une vision limitée où vous ne voyez que le but droit devant vous,
06:48
zoomZoom straighttout droit aheaddevant to it,
144
396000
2000
et on fonce tout droit,
06:50
they work really well.
145
398000
2000
les récompenses marchent vraiment bien.
06:52
But for the realréal candlebougie problemproblème,
146
400000
2000
Mais pour le vrai problème de la bougie,
06:54
you don't want to be looking like this.
147
402000
2000
vous ne voulez pas cette approche.
06:56
The solutionSolution is not over here. The solutionSolution is on the peripherypériphérie.
148
404000
2000
La solution n'est pas là. La solution est à la périphérie.
06:58
You want to be looking around.
149
406000
2000
Vous devez explorer les alentours.
07:00
That rewardrécompense actuallyréellement narrowsNarrows our focusconcentrer
150
408000
2000
Et cette récompense limite en réalité notre vision
07:02
and restrictsrestreint our possibilitypossibilité.
151
410000
2000
et restreint nos possibilités.
07:04
Let me tell you why this is so importantimportant.
152
412000
3000
Laissez-moi vous dire pourquoi c'est si important.
07:07
In westernoccidental EuropeL’Europe,
153
415000
2000
En Europe de l'Ouest,
07:09
in manybeaucoup partsles pièces of AsiaL’Asie,
154
417000
2000
dans une bonne partie de l'Asie,
07:11
in NorthNord AmericaL’Amérique, in AustraliaAustralie,
155
419000
3000
an Amérique du Nord, en Australie,
07:14
white-collarcols blancs workersouvriers are doing lessMoins of
156
422000
2000
les cols blancs font moins de
07:16
this kindgentil of work,
157
424000
2000
ce genre de travail,
07:18
and more of this kindgentil of work.
158
426000
4000
et plus de ce genre de travail-là.
07:22
That routineroutine, rule-basedfondé sur des règles, left-braincerveau gauche work --
159
430000
3000
Cette routine basée sur des règles, pour notre cerveau gauche,
07:25
certaincertain kindssortes of accountingcomptabilité, certaincertain kindssortes of financialfinancier analysisune analyse,
160
433000
2000
certains travaux de comptabilité ou d'analyse financière
07:27
certaincertain kindssortes of computerordinateur programmingla programmation --
161
435000
2000
certains travaux de programmation informatique,
07:29
has becomedevenir fairlyéquitablement easyfacile to outsourceexternaliser,
162
437000
2000
sont devenus assez faciles à externaliser,
07:31
fairlyéquitablement easyfacile to automateautomatiser.
163
439000
2000
assez faciles à automatiser.
07:33
SoftwareLogiciel can do it fasterPlus vite.
164
441000
3000
Le logiciel peut le faire plus vite.
07:36
Low-costFaible coût providersfournisseurs de around the worldmonde can do it cheapermoins cher.
165
444000
2000
Les fournisseurs à bas coût autour du monde peuvent le faire moins cher.
07:38
So what really mattersimporte are the more right-brainedcerveau droit
166
446000
4000
Donc ce qui compte, ce sont plutôt les compétences
07:42
creativeCréatif, conceptualconceptuel kindssortes of abilitiescapacités.
167
450000
3000
créatives et conceptuelles pour notre cerveau droit.
07:45
Think about your ownposséder work.
168
453000
3000
Pensez à votre propre travail.
07:48
Think about your ownposséder work.
169
456000
3000
Pensez à votre propre travail.
07:51
Are the problemsproblèmes that you facevisage, or even the problemsproblèmes
170
459000
2000
Est-ce que les problèmes que vous rencontrez, ou même les problèmes
07:53
we'venous avons been talkingparlant about here,
171
461000
2000
dont nous parlons ici,
07:55
are those kindssortes of problemsproblèmes -- do they have a clearclair setensemble of rulesrègles,
172
463000
2000
est-ce que ces problèmes ont un ensemble de règles claires
07:57
and a singleunique solutionSolution? No.
173
465000
3000
et une solution unique ? Non!
08:00
The rulesrègles are mystifyingmystificateur.
174
468000
2000
Les règles sont mystifiantes.
08:02
The solutionSolution, if it existsexiste at all,
175
470000
2000
La solution, pour autant qu'il en existe une,
08:04
is surprisingsurprenant and not obviousévident.
176
472000
3000
est surprenante et pas évidente.
08:07
EverybodyTout le monde in this roomchambre
177
475000
2000
Chacun dans cette salle
08:09
is dealingtransaction with theirleur ownposséder versionversion
178
477000
3000
est confronté à sa propre version
08:12
of the candlebougie problemproblème.
179
480000
2000
du problème de la bougie.
08:14
And for candlebougie problemsproblèmes of any kindgentil,
180
482000
3000
Et pour tout type de "problème de la bougie"
08:17
in any fieldchamp,
181
485000
2000
dans n'importe quel domaine,
08:19
those if-thenSi-alors rewardsrécompenses,
182
487000
3000
ces récompenses "si, alors",
08:22
the things around whichlequel we'venous avons builtconstruit so manybeaucoup of our businessesentreprises,
183
490000
4000
les choses autour desquelles nous avons construit tant d'entreprises,
08:26
don't work.
184
494000
2000
ne marchent pas.
08:28
Now, I mean it makesfait du me crazyfou.
185
496000
2000
Ça me rend dingue!
08:30
And this is not -- here'svoici the thing.
186
498000
2000
Et ce n'est pas... voilà la chose :
08:32
This is not a feelingsentiment.
187
500000
3000
Ce n'est pas un sentiment.
08:35
Okay? I'm a lawyeravocat; I don't believe in feelingssentiments.
188
503000
3000
OK ? Je suis un avocat. Je ne crois pas aux sentiments.
08:38
This is not a philosophyphilosophie.
189
506000
4000
Ce n'est pas une philosophie.
08:42
I'm an AmericanAméricain; I don't believe in philosophyphilosophie.
190
510000
2000
Je suis un Américain. Je ne crois pas à la philosophie.
08:44
(LaughterRires)
191
512000
3000
(Rires)
08:47
This is a factfait --
192
515000
3000
C'est un fait.
08:50
or, as we say in my hometownville natale of WashingtonWashington, D.C.,
193
518000
2000
Ou comme on dit chez moi à Washington D.C.,
08:52
a truevrai factfait.
194
520000
2000
un vrai fait.
08:54
(LaughterRires)
195
522000
2000
(Rires)
08:56
(ApplauseApplaudissements)
196
524000
4000
(Applaudissements)
09:00
Let me give you an exampleExemple of what I mean.
197
528000
2000
Laissez-moi vous donner un exemple de ce que je veux dire.
09:02
Let me marshalmaréchal the evidencepreuve here,
198
530000
2000
Laissez-moi marteler la preuve ici.
09:04
because I'm not tellingrécit you a storyrécit, I'm makingfabrication a caseCas.
199
532000
2000
Parce que je ne vous raconte pas une histoire. Je soutiens une cause.
09:06
LadiesMesdames and gentlemenmessieurs of the juryjury, some evidencepreuve:
200
534000
2000
Mesdames et messieurs du jury, quelques preuves :
09:08
DanDan ArielyAriely, one of the great economistséconomistes of our time,
201
536000
3000
Dan Ariely, l'un des plus grands économistes contemporains,
09:11
he and threeTrois colleaguescollègues, did a studyétude of some MITMIT studentsélèves.
202
539000
4000
et trois de ses collègues ont effectué une étude sur certains étudiants du MIT.
09:15
They gavea donné these MITMIT studentsélèves a bunchbouquet of gamesJeux,
203
543000
3000
Ils ont donné à ces étudiants du MIT un tas de jeux.
09:18
gamesJeux that involvedimpliqué creativityla créativité,
204
546000
2000
Des jeux qui impliquent la créativité,
09:20
and motormoteur skillscompétences, and concentrationconcentration.
205
548000
2000
et la motricité, et la concentration.
09:22
And the offeredoffert them, for performanceperformance,
206
550000
2000
Et ils leur ont proposé pour leurs performances
09:24
threeTrois levelsles niveaux of rewardsrécompenses:
207
552000
2000
trois niveaux de récompenses.
09:26
smallpetit rewardrécompense, mediummoyen rewardrécompense, largegrand rewardrécompense.
208
554000
5000
Petite récompense, moyenne récompense, grosse récompense.
09:31
Okay? If you do really well you get the largegrand rewardrécompense, on down.
209
559000
4000
OK ? Si vous réussissez vraiment bien, vous recevez la grosse récompense, etc.
09:35
What happenedarrivé? As long as the tasktâche involvedimpliqué only mechanicalmécanique skillcompétence
210
563000
4000
Que s'est-il passé ? Tant que la tâche n'impliquait qu'un talent mécanique
09:39
bonusesbonus workedtravaillé as they would be expectedattendu:
211
567000
2000
les bonus ont marché comme attendu :
09:41
the higherplus haute the payPayer, the better the performanceperformance.
212
569000
4000
plus la paie était haute, meilleure était la performance.
09:45
Okay? But one the tasktâche calledappelé for
213
573000
2000
OK ? Mais dès qu'une tâche demandait
09:47
even rudimentaryrudimentaire cognitivecognitif skillcompétence,
214
575000
4000
un talent cognitif, même rudimentaire,
09:51
a largerplus grand rewardrécompense led to poorerles plus pauvres performanceperformance.
215
579000
5000
une plus grosse récompense conduisait à de moins bonnes performances.
09:56
Then they said,
216
584000
2000
Puis ils ont dit :
09:58
"Okay let's see if there's any culturalculturel biasbiais here.
217
586000
2000
"OK, voyons si nous avons une influence culturel ici.
10:00
LetsPermet de go to MaduraiMadurai, IndiaInde and testtester this."
218
588000
2000
Allons à Madurai en Inde, et refaisons le test."
10:02
StandardNorme of livingvivant is lowerinférieur.
219
590000
2000
Le niveau de vie est plus bas.
10:04
In MaduraiMadurai, a rewardrécompense that is modestmodeste in NorthNord AmericanAméricain standardsnormes,
220
592000
3000
À Madurai, une récompense modeste en Amérique du Nord
10:07
is more meaningfulsignificatif there.
221
595000
3000
est plus significative.
10:10
SameMême dealtraiter. A bunchbouquet of gamesJeux, threeTrois levelsles niveaux of rewardsrécompenses.
222
598000
3000
Même chose. Un tas de jeux, trois niveaux de récompenses.
10:13
What happensarrive?
223
601000
2000
Qu'est-ce qui se passe?
10:15
People offeredoffert the mediummoyen levelniveau of rewardsrécompenses
224
603000
3000
Les gens à qui l'on a proposé les récompenses moyennes
10:18
did no better than people offeredoffert the smallpetit rewardsrécompenses.
225
606000
3000
n'ont pas fait mieux que ceux à qui l'on a proposé les petites récompenses.
10:21
But this time, people offeredoffert the highestle plus élevé rewardsrécompenses,
226
609000
4000
Mais cette fois, ceux à qui l'on a proposé les plus grosses récompenses...
10:25
they did the worstpire of all.
227
613000
4000
ont fait pire que tous.
10:29
In eighthuit of the nineneuf tasksles tâches we examinedexaminé acrossà travers threeTrois experimentsexpériences,
228
617000
3000
"Dans huit des neuf tâches examinées au cours de trois expériences,
10:32
higherplus haute incentivesmesures incitatives led to worsepire performanceperformance.
229
620000
5000
les incitations les plus hautes ont conduit aux pires performances."
10:37
Is this some kindgentil of touchy-feelycopain-copain
230
625000
3000
Dis donc, n'y aurait-il pas
10:40
socialistsocialiste conspiracyconspiration going on here?
231
628000
3000
une conspiration socialiste là-dessous ?
10:43
No. These are economistséconomistes from MITMIT,
232
631000
3000
Non. Ce sont des économistes du MIT,
10:46
from CarnegieCarnegie MellonMellon, from the UniversityUniversité of ChicagoChicago.
233
634000
3000
de Carnegie Mellon, de l'Université de Chicago.
10:49
And do you know who sponsoredparrainé par this researchrecherche?
234
637000
2000
Et savez-vous qui a financé cette recherche ?
10:51
The FederalFédéral ReserveRéserve BankBanque of the UnitedUnie StatesÉtats.
235
639000
4000
La Réserve Fédérale des États-Unis.
10:55
That's the AmericanAméricain experienceexpérience.
236
643000
2000
C'est une expérience américaine.
10:57
Let's go acrossà travers the pondétang to the LondonLondres SchoolÉcole of EconomicsEconomie --
237
645000
3000
Traversons l'étang jusqu'à l'École d'Économie de Londres.
11:00
LSELSE, LondonLondres SchoolÉcole of EconomicsEconomie,
238
648000
3000
LSE, London School of Economics.
11:03
almaAlma materMater of 11 NobelPrix Nobel LaureatesLauréats du in economicséconomie.
239
651000
3000
L'alma mater de 11 lauréats du prix Nobel d'économie.
11:06
TrainingFormation groundsol for great economicéconomique thinkerspenseurs
240
654000
3000
Lieu de formation de grands penseurs économiques
11:09
like GeorgeGeorge SorosSoros, and FriedrichFriedrich HayekHayek,
241
657000
3000
comme George Soros, et Friedrich Hayek,
11:12
and MickMick JaggerJagger. (LaughterRires)
242
660000
2000
et Mick Jagger. (Rires)
11:14
Last monthmois, just last monthmois,
243
662000
4000
Le mois dernier, juste le mois dernier,
11:18
economistséconomistes at LSELSE lookedregardé at 51 studiesétudes
244
666000
3000
les économistes de la LSE ont examiné 50 études
11:21
of pay-for-performancerémunération au rendement plansdes plans, insideà l'intérieur of companiesentreprises.
245
669000
3000
de systèmes de rémunération à la performance dans des entreprises.
11:24
Here'sVoici what the economistséconomistes there said: "We find that financialfinancier incentivesmesures incitatives
246
672000
3000
Voilà ce que ces économistes ont dit: "Nous avons trouvé que les incitations financières
11:27
can resultrésultat in a negativenégatif impactimpact on overallglobal performanceperformance."
247
675000
6000
peuvent causer un impact négatif sur la performance globale."
11:33
There is a mismatchincompatibilité de betweenentre what sciencescience knowssait
248
681000
3000
Il y a une divergence entre ce que la science sait
11:36
and what businessEntreprise does.
249
684000
2000
et ce que le monde des affaires fait.
11:38
And what worriesdes soucis me, as we standsupporter here in the rubbledécombres
250
686000
3000
Et ce qui m'inquiète, alors que nous sommes dans les décombres
11:41
of the economicéconomique collapseeffondrer,
251
689000
2000
d'une économie effondrée,
11:43
is that too manybeaucoup organizationsorganisations
252
691000
2000
c'est que trop d'organisations
11:45
are makingfabrication theirleur decisionsles décisions,
253
693000
2000
prennent leurs décisions,
11:47
theirleur policiespolitiques about talentTalent and people,
254
695000
2000
leurs politiques sur le talent et les gens,
11:49
basedbasé on assumptionshypothèses that are outdatedpérimée, unexaminednon examinée,
255
697000
6000
en se basant sur des hypothèses dépassées, non vérifiées,
11:55
and rootedenraciné more in folklorefolklore than in sciencescience.
256
703000
3000
et enracinées plutôt dans le folklore que dans la science.
11:58
And if we really want to get out of this economicéconomique messdésordre,
257
706000
3000
Et si nous voulons vraiment sortir de cette pagaille économique,
12:01
and if we really want highhaute performanceperformance on those
258
709000
2000
et si nous voulons vraiment de hautes performances
12:03
definitionalpour la définition tasksles tâches of the 21stst centurysiècle,
259
711000
2000
sur les tâches propres au 21ème siècle,
12:05
the solutionSolution is not to do more of the wrongfaux things,
260
713000
6000
la solution n'est pas de faire plus des mauvaises choses.
12:11
to enticeinciter les people with a sweeterplus doux carrotcarotte,
261
719000
3000
D'attirer les gens avec des carottes plus douces
12:14
or threatenmenacer them with a sharperplus nette stickbâton.
262
722000
2000
ou de les menacer avec un bâton plus pointu.
12:16
We need a wholeentier newNouveau approachapproche.
263
724000
2000
Il nous faut une approche entièrement nouvelle.
12:18
And the good newsnouvelles about all of this is that the scientistsscientifiques
264
726000
2000
Et les bonnes nouvelles à ce sujet sont que les scientifiques
12:20
who'vequi a been studyingen train d'étudier motivationmotivation have givendonné us this newNouveau approachapproche.
265
728000
3000
qui ont étudié la motivation nous ont donné cette nouvelle approche.
12:23
It's an approachapproche builtconstruit much more around intrinsicintrinsèques motivationmotivation.
266
731000
3000
C'est une approche plutôt basée sur la motivation intrinsèque.
12:26
Around the desireenvie to do things because they mattermatière,
267
734000
2000
Sur l'envie de faire des choses parce qu'elles importent,
12:28
because we like it, because they're interestingintéressant,
268
736000
2000
parce que nous les aimons, parce que c'est intéressant,
12:30
because they are partpartie of something importantimportant.
269
738000
2000
parce que ça fait partie de quelque chose d'important.
12:32
And to my mindesprit, that newNouveau operatingen fonctionnement systemsystème for our businessesentreprises
270
740000
4000
Et à mon avis, ce nouveau système de fonctionnement de nos entreprises
12:36
revolvestourne around threeTrois elementséléments:
271
744000
2000
tourne autour de trois éléments :
12:38
autonomyautonomie, masterymaîtrise and purposeobjectif.
272
746000
3000
l'autonomie, la maîtrise et la pertinence.
12:41
AutonomyAutonomie: the urgeexhorter to directdirect our ownposséder livesvies.
273
749000
3000
L'autonomie : le désir de diriger nos propres vies.
12:44
MasteryMaîtrise: the desireenvie to get better and better at something that mattersimporte.
274
752000
4000
La maîtrise : l'aspiration de se surpasser sur quelque chose qui compte.
12:48
PurposeObjectif: the yearningdésir ardent to do what we do
275
756000
3000
La pertinence : l'envie de faire ce que nous faisons
12:51
in the serviceun service of something largerplus grand than ourselvesnous-mêmes.
276
759000
3000
au service de quelque chose qui nous dépasse.
12:54
These are the buildingbâtiment blocksblocs of an entirelyentièrement newNouveau operatingen fonctionnement systemsystème
277
762000
3000
Ce sont les briques d'un système de fonctionnement entièrement nouveau
12:57
for our businessesentreprises.
278
765000
2000
pour nos entreprises.
12:59
I want to talk todayaujourd'hui only about autonomyautonomie.
279
767000
4000
Aujourd'hui, je ne vais vous parler que de l'autonomie.
13:03
In the 20thth centurysiècle, we camevenu up with this ideaidée of managementla gestion.
280
771000
3000
Au 20ème siècle est apparue l'idée du management.
13:06
ManagementGestion did not emanateémaner from naturela nature.
281
774000
2000
Le management n'a pas surgi de la nature.
13:08
ManagementGestion is like -- it's not a treearbre,
282
776000
2000
Le management, c'est comme... ce n'est pas un arbre.
13:10
it's a televisiontélévision setensemble.
283
778000
2000
C'est comme une télévision.
13:12
Okay? SomebodyQuelqu'un inventeda inventé it.
284
780000
2000
OK ? Quelqu'un l'a inventé.
13:14
And it doesn't mean it's going to work foreverpour toujours.
285
782000
2000
Ce n'est donc pas censé marcher éternellement.
13:16
ManagementGestion is great.
286
784000
2000
Le management, c'est génial.
13:18
TraditionalTraditionnel notionsnotions of managementla gestion are great
287
786000
2000
Les notions traditionnelles du management sont géniales
13:20
if you want complianceCompliance.
288
788000
2000
si vous voulez l'obéissance.
13:22
But if you want engagementengagement, self-directionauto-direction workstravaux better.
289
790000
3000
Mais si vous voulez de l'engagement, l'autonomie marche mieux.
13:25
Let me give you some examplesexemples of some kindgentil of radicalradical
290
793000
2000
Laissez-moi vous donner quelques exemples de notions
13:27
notionsnotions of self-directionauto-direction.
291
795000
2000
fondamentales d'autonomie.
13:29
What this meansveux dire -- you don't see a lot of it,
292
797000
3000
Ce que ça signifie... vous n'en voyez pas beaucoup,
13:32
but you see the first stirringsfrémissements of something really interestingintéressant going on,
293
800000
3000
mais vous voyez les premières tendances de quelque chose de vraiment intéressant.
13:35
because what it meansveux dire is payingpayant people adequatelyadéquatement
294
803000
2000
Parce que ça implique de payer les gens adéquatement
13:37
and fairlyéquitablement, absolutelyabsolument --
295
805000
2000
et équitablement, absolument.
13:39
gettingobtenir the issueproblème of moneyargent off the tabletable,
296
807000
2000
Soustraire la question de l'argent de l'équation,
13:41
and then givingdonnant people lots of autonomyautonomie.
297
809000
2000
et puis confier aux gens beaucoup d'autonomie.
13:43
Let me give you some examplesexemples.
298
811000
2000
Laissez-moi vous donner quelques exemples.
13:45
How manybeaucoup of you have heardentendu of the companycompagnie AtlassianAtlassian?
299
813000
4000
Combien d'entre vous ont entendu parler de l'entreprise Atlassian ?
13:49
It looksregards like lessMoins than halfmoitié.
300
817000
2000
Moins de la moitié, apparemment.
13:51
(LaughterRires)
301
819000
2000
(Rires)
13:53
AtlassianAtlassian is an AustralianAustralien softwareLogiciel companycompagnie.
302
821000
4000
Atlassian est une entreprise australienne de logiciels.
13:57
And they do something incrediblyincroyablement coolcool.
303
825000
2000
Et ils font quelque chose d'absolument génial.
13:59
A fewpeu timesfois a yearan they tell theirleur engineersingénieurs,
304
827000
2000
Quelques fois par année, ils disent à leurs ingénieurs :
14:01
"Go for the nextprochain 24 hoursheures and work on anything you want,
305
829000
4000
"Partez les prochaines 24 heures et travaillez sur ce que vous voulez,
14:05
as long as it's not partpartie of your regularordinaire jobemploi.
306
833000
2000
tant que ce n'est pas votre tâche habituelle.
14:07
Work on anything you want."
307
835000
2000
Travaillez sur ce que vous voulez."
14:09
So that engineersingénieurs use this time to come up with
308
837000
2000
Ainsi ces ingénieurs utilisent ce temps pour pondre
14:11
a coolcool patchpièce for codecode, come up with an elegantélégant hackpirater.
309
839000
3000
un bout de code génial, ou trouver une astuce élégante.
14:14
Then they presentprésent all of the stuffdes trucs that they'veils ont developeddéveloppé
310
842000
3000
Ensuite ils présentent tout ce qu'ils ont développé
14:17
to theirleur teammatesses coéquipiers, to the restdu repos of the companycompagnie,
311
845000
3000
à leurs collègues et au reste de l'entreprise,
14:20
in this wildsauvage and woolyWooly all-handsAll-mains meetingréunion
312
848000
2000
dans un meeting sauvage et déjanté
14:22
at the endfin of the day.
313
850000
2000
à la fin de la journée.
14:24
And then, beingétant AustraliansAustraliens, everybodyTout le monde has a beerBière.
314
852000
2000
Puis, comme ce sont des Australiens, tout le monde boit une bière.
14:26
They call them FedExFedEx DaysJours.
315
854000
3000
Ils appellent ça les "jours FedEx".
14:29
Why? Because you have to deliverlivrer something overnightpendant la nuit.
316
857000
6000
Pourquoi ? Parce que vous devez livrer quelque chose le lendemain.
14:35
It's prettyjoli. It's not badmal. It's a hugeénorme trademarkmarque de commerce violationviolation,
317
863000
2000
C'est plutôt... c'est pas mal. C'est une énorme violation de marque déposée...
14:37
but it's prettyjoli cleverintelligent.
318
865000
2000
Mais c'est assez intelligent.
14:39
(LaughterRires)
319
867000
1000
(Rires)
14:40
That one day of intenseintense autonomyautonomie
320
868000
2000
Ce jour d'autonomie intense
14:42
has producedproduit a wholeentier arraytableau of softwareLogiciel fixescorrectifs
321
870000
2000
a produit un ensemble complet de corrections des logiciels
14:44
that mightpourrait never have existedexisté.
322
872000
2000
qui auraient pu ne jamais exister.
14:46
And it's workedtravaillé so well that AtlassianAtlassian has takenpris it to the nextprochain levelniveau
323
874000
2000
Et ça a si bien marché qu'Atlassian est passé au niveau suivant
14:48
with 20 PercentPour cent Time --
324
876000
2000
avec les 20% de temps
14:50
doneterminé, famouslyfameusement, at GoogleGoogle --
325
878000
2000
si célèbres chez Google
14:52
where engineersingénieurs can work, spenddépenser 20 percentpour cent of theirleur time
326
880000
2000
où les ingénieurs peuvent travailler, passer 20% de leur temps
14:54
workingtravail on anything they want.
327
882000
2000
à travailler sur n'importe quel sujet.
14:56
They have autonomyautonomie over theirleur time,
328
884000
2000
Ils ont de l'autonomie sur leur temps,
14:58
theirleur tasktâche, theirleur teaméquipe, theirleur techniquetechnique.
329
886000
2000
sur leur tâche, leur équipe, leur méthode.
15:00
Okay? RadicalRadical amountsles montants of autonomyautonomie.
330
888000
2000
OK ? Énormément d'autonomie.
15:02
And at GoogleGoogle, as manybeaucoup of you know,
331
890000
4000
Et chez Google, comme beaucoup d'entre vous le savent,
15:06
about halfmoitié of the newNouveau productsdes produits in a typicaltypique yearan
332
894000
2000
à peu près la moitié de leurs nouveaux produits chaque année
15:08
are birthed duringpendant that 20 PercentPour cent Time:
333
896000
3000
sont nés pendant ces "20% de temps".
15:11
things like GmailGmail, OrkutOrkut, GoogleGoogle NewsNouvelles.
334
899000
3000
Des produits comme Gmail, Orkut, Google News.
15:14
Let me give you an even more radicalradical exampleExemple of it:
335
902000
3000
Laissez-moi vous montrer un exemple encore plus radical.
15:17
something calledappelé the ResultsRésultats Only Work EnvironmentEnvironnement,
336
905000
2000
L'environnement de travail axé uniquement sur les résultats.
15:19
the ROWEROWE,
337
907000
2000
Le ROWE (Results Only Work Environment).
15:21
createdcréé by two AmericanAméricain consultantsconsultants, in placeendroit
338
909000
2000
Créé par deux consultants américains
15:23
in placeendroit at about a dozendouzaine companiesentreprises around NorthNord AmericaL’Amérique.
339
911000
2000
et en place dans une douzaine d'entreprises en Amérique du Nord.
15:25
In a ROWEROWE people don't have scheduleshoraires.
340
913000
4000
Dans un ROWE, les employés n'ont pas d'horaires.
15:29
They showmontrer up when they want.
341
917000
2000
Ils viennent quand ils veulent.
15:31
They don't have to be in the officeBureau at a certaincertain time,
342
919000
2000
Ils ne doivent pas être au bureau à des heures précises,
15:33
or any time.
343
921000
2000
ou même pas du tout.
15:35
They just have to get theirleur work doneterminé.
344
923000
2000
Ils doivent juste faire leur boulot.
15:37
How they do it, when they do it,
345
925000
2000
Comment ils le font, quand il le font,
15:39
where they do it, is totallytotalement up to them.
346
927000
3000
où ils le font, ça dépend entièrement d'eux.
15:42
MeetingsRencontres in these kindssortes of environmentsenvironnements are optionalen option.
347
930000
4000
Les réunions sont optionnelles dans ce type d'environnement.
15:46
What happensarrive?
348
934000
2000
Qu'est-ce qui se passe ?
15:48
AlmostPresque acrossà travers the boardplanche, productivityproductivité goesva up,
349
936000
3000
Presque pour tout le monde, la productivité augmente,
15:51
workerouvrier engagementengagement goesva up,
350
939000
3000
l'engagement des employés augmente,
15:54
workerouvrier satisfactionla satisfaction goesva up, turnoverchiffre d’affaires goesva down.
351
942000
3000
la satisfaction des employés augmente, le renouvellement du personnel diminue.
15:57
AutonomyAutonomie, masterymaîtrise and purposeobjectif,
352
945000
2000
Autonomie, maîtrise et pertinence.
15:59
These are the buildingbâtiment blocksblocs of a newNouveau way of doing things.
353
947000
2000
Ce sont là les briques d'une nouvelle manière de faire les choses.
16:01
Now some of you mightpourrait look at this and say,
354
949000
3000
Maintenant vous pouvez regarder tout ça et dire :
16:04
"HmmHmm, that soundsdes sons niceagréable, but it's UtopianUtopique."
355
952000
3000
"Hm, ça a l'air bien. Mais c'est utopique."
16:07
And I say, "NopeNope. I have proofpreuve."
356
955000
5000
Sur quoi je réponds : "Non. J'ai la preuve."
16:12
The mid-milieu-1990s, MicrosoftMicrosoft startedcommencé
357
960000
2000
Au milieu des années 1990, Microsoft a lancé
16:14
an encyclopediaencyclopédie calledappelé EncartaEncarta.
358
962000
2000
une encyclopédie appelée Encarta.
16:16
They had deployeddéployé all the right incentivesmesures incitatives,
359
964000
2000
Ils ont développé toutes les bonnes incitations.
16:18
all the right incentivesmesures incitatives. They paidpayé professionalsprofessionnels to
360
966000
3000
Toutes les bonnes incitations. Ils ont payé des professionnels pour
16:21
writeécrire and editmodifier thousandsmilliers of articlesdes articles.
361
969000
2000
écrire et éditer des milliers d'articles.
16:23
Well-compensatedBien rémunérés managersles gestionnaires oversawa supervisé the wholeentier thing
362
971000
2000
Des managers bien payés supervisaient tout ça
16:25
to make sure it camevenu in on budgetbudget and on time.
363
973000
5000
pour assurer que ce serait prêt à temps et dans le budget.
16:30
A fewpeu yearsannées laterplus tard anotherun autre encyclopediaencyclopédie got startedcommencé.
364
978000
2000
Quelques années plus tard, une autre encyclopédie est sortie.
16:32
DifferentDifférentes modelmaquette, right?
365
980000
3000
Avec un autre modèle, n'est-ce pas ?
16:35
Do it for funamusement. No one getsobtient paidpayé a centcent, or a EuroEuro or a YenYen.
366
983000
4000
Faites-le pour le plaisir. Personne n'est payé un cent, un Euro ou un Yen.
16:39
Do it because you like to do it.
367
987000
3000
Faites-le parce que vous aimez le faire.
16:42
Now if you had, just 10 yearsannées agodepuis,
368
990000
3000
Si vous aviez demandé il y a 10 ans,
16:45
if you had gonedisparu to an economistéconomiste, anywherenulle part,
369
993000
2000
si vous aviez rencontré un économiste, n'importe où,
16:47
and said, "Hey, I've got these two differentdifférent modelsdes modèles for creatingcréer an encyclopediaencyclopédie.
370
995000
4000
et dit : "Voilà, j'ai ces deux différents modèles pour créer une encyclopédie.
16:51
If they wentest allé headtête to headtête, who would wingagner?"
371
999000
3000
S'ils entraient en compétition, lequel gagnerait ?"
16:54
10 yearsannées agodepuis you could not have founda trouvé a singleunique sobersobre economistéconomiste anywherenulle part
372
1002000
4000
Il y a 10 ans, vous n'auriez pas trouvé un seul économiste sobre
16:58
on planetplanète EarthTerre
373
1006000
2000
n'importe où sur la planète Terre
17:00
who would have predictedprédit the WikipediaWikipedia modelmaquette.
374
1008000
2000
qui aurait voté pour le modèle de Wikipédia.
17:02
This is the titanictitanesque battlebataille betweenentre these two approachesapproches.
375
1010000
3000
Il y a une titanesque bataille entre ces deux approches.
17:05
This is the Ali-FrazierAli-Frazier of motivationmotivation. Right?
376
1013000
3000
C'est le match Ali-Frazier de la motivation, n'est-ce pas ?
17:08
This is the Thrilla'Thrilla' in ManilaManille.
377
1016000
2000
C'est le "Thrilla' in Manila".
17:10
AlrightAlright? IntrinsicIntrinsèques motivatorsfacteurs de motivation versuscontre extrinsicextrinsèques motivatorsfacteurs de motivation.
378
1018000
3000
D'accord ? Motivateurs intrinsèques contre motivateurs extrinsèques.
17:13
AutonomyAutonomie, masterymaîtrise and purposeobjectif,
379
1021000
2000
Autonomie, maîtrise et pertinence
17:15
versuscontre carrotcarotte and sticksbâtons. And who winsgagne?
380
1023000
2000
contre carottes et bâtons. Et qui gagne ?
17:17
IntrinsicIntrinsèques motivationmotivation, autonomyautonomie, masterymaîtrise and purposeobjectif,
381
1025000
3000
Motivation intrinsèque, autonomie, maîtrise et pertinence,
17:20
in a knockoutKnockout. Let me wrapemballage up.
382
1028000
4000
par K.O. Je résume :
17:24
There is a mismatchincompatibilité de betweenentre what sciencescience knowssait and what businessEntreprise does.
383
1032000
3000
il y a une divergence entre ce que la science sait et ce que le monde des affaires fait.
17:27
And here is what sciencescience knowssait.
384
1035000
2000
Et voici ce que la science sait.
17:29
One: Those 20thth centurysiècle rewardsrécompenses,
385
1037000
2000
Un : les récompenses du 20ème siècle,
17:31
those motivatorsfacteurs de motivation we think are a naturalNaturel partpartie of businessEntreprise,
386
1039000
3000
ces motivateurs que nous croyons être naturels du business
17:34
do work, but only in a surprisinglyétonnamment narrowétroit bandB: et of circumstancesconditions.
387
1042000
4000
marchent, mais seulement dans un spectre étroit de situations.
17:38
Two: Those if-thenSi-alors rewardsrécompenses oftensouvent destroydétruire creativityla créativité.
388
1046000
4000
Deux : ces récompenses "si, alors" détruisent la créativité.
17:42
ThreeTrois: The secretsecret to highhaute performanceperformance
389
1050000
2000
Trois : le secret de hautes performances
17:44
isn't rewardsrécompenses and punishmentspunitions,
390
1052000
2000
n'est pas dans les récompenses et punitions
17:46
but that unseeninvisible intrinsicintrinsèques driveconduire --
391
1054000
2000
mais dans cette pulsion intrinsèque et invisible.
17:48
the driveconduire to do things for theirleur ownposséder sakeSaké.
392
1056000
3000
L'aspiration à faire les choses pour les faire.
17:51
The driveconduire to do things causecause they mattermatière.
393
1059000
2000
L'envie de faire les choses parce qu'elles ont du sens.
17:53
And here'svoici the bestmeilleur partpartie. Here'sVoici the bestmeilleur partpartie.
394
1061000
2000
Et voilà la meilleure... voilà la meilleure :
17:55
We alreadydéjà know this. The sciencescience confirmsconfirme what we know in our heartscœurs.
395
1063000
3000
Nous le savons déjà. La science confirme ce que nous savons dans nos coeurs.
17:58
So, if we repairréparation this mismatchincompatibilité de
396
1066000
3000
Donc, si nous réparons cette divergence
18:01
betweenentre what sciencescience knowssait and what businessEntreprise does,
397
1069000
2000
entre ce que la science sait et ce que le business fait,
18:03
if we bringapporter our motivationmotivation, notionsnotions of motivationmotivation
398
1071000
3000
Si nous apportons notre motivation, nos notions de motivation
18:06
into the 21stst centurysiècle,
399
1074000
2000
dans le 21ème siècle,
18:08
if we get pastpassé this lazyparesseux, dangerousdangereux, ideologyidéologie
400
1076000
4000
si nous dépassons cette idéologie paresseuse et dangereuse
18:12
of carrotscarottes and sticksbâtons,
401
1080000
2000
des carottes et des bâtons,
18:14
we can strengthenrenforcer our businessesentreprises,
402
1082000
3000
nous pourrons renforcer nos entreprises,
18:17
we can solverésoudre a lot of those candlebougie problemsproblèmes,
403
1085000
3000
nous pourrons résoudre un tas de ces problèmes de la bougie,
18:20
and maybe, maybe, maybe
404
1088000
4000
et peut-être, peut-être, peut-être...
18:24
we can changechangement the worldmonde.
405
1092000
2000
pourrons-nous changer le monde.
18:26
I restdu repos my caseCas.
406
1094000
2000
J'en ai fini pour ma cause.
18:28
(ApplauseApplaudissements)
407
1096000
3000
(Applaudissements)
Translated by Philippe Guglielmetti
Reviewed by Daniel Winter

▲Back to top

ABOUT THE SPEAKER
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.

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.

More profile about the speaker
Dan Pink | Speaker | TED.com