TEDGlobal 2009
Dan Pink: The puzzle of motivation
Dan Pink a motiváció tudományának meglepő oldaláról.
Filmed:
Readability: 4
25,352,736 views
Dan Pink, karrier-elemző a motiváció építőelemeit vizsgálja, kezdve azzal a ténnyel, amit a társadalomtudósok tudnak, de a legtöbb menedzser nem: A hagyományos jutalmak nem mindig olyan hatékonyak, ahogyan azt gondoljuk. Hallgassa meg, hogy világos legyen ön előtt is, és talán előrébb léphet az előadás segítségével.
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
Egy vallomással kell kezdenem.
00:16
A little over 20 years ago
1
4000
3000
Kicsivel több, mint 20 éve
00:19
I did something that I regret,
2
7000
2000
tettem valamit, amit megbántam,
00:21
something that I'm not particularly proud of,
3
9000
4000
valamit, amire nem igazán vagyok büszke,
00:25
something that, in many ways, I wish no one would ever know,
4
13000
3000
olyasmit, amiről bárcsak senki sem tudna,
00:28
but here I feel kind of obliged to reveal.
5
16000
4000
és amit be kell valljak itt Önöknek.
00:32
(Laughter)
6
20000
2000
(Nevetés)
00:34
In the late 1980s,
7
22000
2000
Az 1980-as évek végén,
00:36
in a moment of youthful indiscretion,
8
24000
3000
fiatalkori baklövésként,
00:39
I went to law school.
9
27000
2000
jogi egyetemre mentem.
00:41
(Laughter)
10
29000
4000
(Nevetés)
00:45
Now, in America law is a professional degree:
11
33000
3000
Amerikában ez doktori fokozatnak számít.
00:48
you get your university degree, then you go on to law school.
12
36000
2000
Megszerzed az egyetemi végzettséget. Aztán elmész jogi képzésre.
00:50
And when I got to law school,
13
38000
3000
És amikor elmentem jogra,
00:53
I didn't do very well.
14
41000
2000
nem voltam valami jó.
00:55
To put it mildly, I didn't do very well.
15
43000
2000
Hogy finoman fogalmazzak, nem teljesítettem nagyon jól.
00:57
I, in fact, graduated in the part of my law school class
16
45000
3000
Valójában, az osztályom azon részében végeztem,
01:00
that made the top 90 percent possible.
17
48000
4000
akik az elvárt szintet 90%-osan érték el.
01:04
(Laughter)
18
52000
4000
(Nevetés)
01:08
Thank you.
19
56000
3000
Köszönöm.
01:11
I never practiced law a day in my life;
20
59000
3000
Egy napig sem dolgoztam jogi területen.
01:14
I pretty much wasn't allowed to.
21
62000
2000
Pláne, mert nem is engedtek volna.
01:16
(Laughter)
22
64000
3000
(Nevetés)
01:19
But today, against my better judgment,
23
67000
3000
De ma, legjobb belátásom ellenére,
01:22
against the advice of my own wife,
24
70000
3000
saját feleségem tanácsa ellenére,
01:25
I want to try to dust off some of those legal skills --
25
73000
4000
le akarom porolni néhány ott szerzett képességemet,
01:29
what's left of those legal skills.
26
77000
2000
már ami megmaradt belőlük.
01:31
I don't want to tell you a story.
27
79000
3000
Nem csupán történetet akarok mesélni.
01:34
I want to make a case.
28
82000
2000
Jogi esetként fogom kezelni a kérdést.
01:36
I want to make a hard-headed, evidence-based,
29
84000
4000
Egy keményfejű, bizonyíték-alapú,
01:40
dare I say lawyerly case,
30
88000
3000
mondhatni, jogászi esetként
01:43
for rethinking how we run our businesses.
31
91000
4000
gondoljuk hát újra a cégvezetésről alkotott felfogásunkat.
01:47
So, ladies and gentlemen of the jury, take a look at this.
32
95000
4000
Szóval, tisztelt bíróság, nézzék meg ezt.
01:51
This is called the candle problem.
33
99000
2000
Ez az ún. gyertya-probléma.
01:53
Some of you might have seen this before.
34
101000
2000
Talán már látták korábban.
01:55
It's created in 1945
35
103000
2000
1945-ben készült
01:57
by a psychologist named Karl Duncker.
36
105000
2000
Karl Duncker nevű pszichológus feladványa.
01:59
Karl Duncker created this experiment
37
107000
2000
Karl Duncker kísérlete ez,
02:01
that is used in a whole variety of experiments in behavioral science.
38
109000
3000
amit a viselkedéstudomány területén több változatban is használnak.
02:04
And here's how it works. Suppose I'm the experimenter.
39
112000
3000
A következőképpen működik. Tegyük fel, én vagyok a kísérletvezető.
02:07
I bring you into a room. I give you a candle,
40
115000
4000
Beviszlek egy szobába. Adok egy gyertyát,
02:11
some thumbtacks and some matches.
41
119000
2000
pár rajzszöget és pár gyufát.
02:13
And I say to you, "Your job
42
121000
2000
És azt mondom, "Az a dolgod,
02:15
is to attach the candle to the wall
43
123000
2000
hogy rögzítsd a gyertyát a falhoz úgy
02:17
so the wax doesn't drip onto the table." Now what would you do?
44
125000
4000
hogy a viasz ne csöpögjön az asztalra." Most mihez kezdesz?
02:21
Now many people begin trying to thumbtack the candle to the wall.
45
129000
4000
Sok ember megpróbálja odaszögezni a gyertyát a falhoz.
02:25
Doesn't work.
46
133000
2000
Nem megy.
02:27
Somebody, some people -- and I saw somebody
47
135000
2000
Pár embernek, láttam ilyeneket
02:29
kind of make the motion over here --
48
137000
2000
tényleg megfordult a fejében.
02:31
some people have a great idea where they
49
139000
2000
Néhányuknak az az ötlete támadt, hogy
02:33
light the match, melt the side of the candle, try to adhere it to the wall.
50
141000
4000
meggyújtják a gyufát, megolvasztják és megpróbálják odaragasztani a falhoz.
02:37
It's an awesome idea. Doesn't work.
51
145000
3000
Remek ötlet, de nem működik.
02:40
And eventually, after five or 10 minutes,
52
148000
3000
És végül, 5 vagy 10 perc múlva,
02:43
most people figure out the solution,
53
151000
2000
a legtöbb ember rájön a megoldásra,
02:45
which you can see here.
54
153000
2000
ami itt látható.
02:47
The key is to overcome what's called functional fixedness.
55
155000
3000
A kulcs az, ha átlépünk az ún. funkcionális fixáción.
02:50
You look at that box and you see it only as a receptacle for the tacks.
56
158000
4000
A dobozt csak a rajzszögek tárolási helyeként látod.
02:54
But it can also have this other function,
57
162000
2000
Ugyanakkor van egy másik funkciója is,
02:56
as a platform for the candle. The candle problem.
58
164000
4000
mégpedig mint gyertyatartó. Ez a gyertya probléma.
03:00
Now I want to tell you about an experiment
59
168000
2000
Most pedig egy kísérletről akarok beszélni,
03:02
using the candle problem,
60
170000
2000
ami a gyertya problémát vette alapul,
03:04
done by a scientist named Sam Glucksberg,
61
172000
2000
és egy Sam Glucksberg nevű fickó végezte el,
03:06
who is now at Princeton University in the U.S.
62
174000
2000
aki most a Princeton Egyetemen tanít.
03:08
This shows the power of incentives.
63
176000
4000
Ez a kísérlet az ösztönzők hatásosságát mutatja be.
03:12
Here's what he did. He gathered his participants.
64
180000
2000
A következőt csinálta. Összegyűjtötte a résztvevőket.
03:14
And he said, "I'm going to time you. How quickly you can solve this problem?"
65
182000
3000
És azt mondta, "Mérni fogom az időtöket. Milyen gyorsan tudjátok megoldani ezt a problémát?"
03:17
To one group he said,
66
185000
2000
Az egyik csoportnak ezt mondta:
03:19
"I'm going to time you to establish norms,
67
187000
3000
"Mérni fogom az időt azért, hogy felmérjük
03:22
averages for how long it typically takes
68
190000
2000
átlagosan mennyi ideig tart valakinek
03:24
someone to solve this sort of problem."
69
192000
2000
megoldani egy ilyen problémát.
03:26
To the second group he offered rewards.
70
194000
3000
A második csoportnak jutalmat ajánlott fel.
03:29
He said, "If you're in the top 25 percent of the fastest times,
71
197000
4000
Azt mondta: "Ha a leggyorsabb felső 25%-ba kerültök,
03:33
you get five dollars.
72
201000
3000
kaptok öt dollárt.
03:36
If you're the fastest of everyone we're testing here today,
73
204000
3000
Ha ma mindenki közül a leggyorsabbak lesztek,
03:39
you get 20 dollars."
74
207000
2000
kaptok húsz dollárt."
03:41
Now this is several years ago. Adjusted for inflation,
75
209000
3000
Ez régen történt, vegyük figyelembe az inflációt.
03:44
it's a decent sum of money for a few minutes of work.
76
212000
2000
Rendes összeg ez egy néhány perces munkáért.
03:46
It's a nice motivator.
77
214000
2000
Remek ösztönző.
03:48
Question: How much faster
78
216000
3000
A kérdés: Mennyivel gyorsabban
03:51
did this group solve the problem?
79
219000
2000
oldotta meg ez a csoport a problémát?
03:53
Answer: It took them, on average,
80
221000
3000
A válasz: Átlagosan három és fél perccel
03:56
three and a half minutes longer.
81
224000
4000
hosszabb idő kellett a feladathoz.
04:00
Three and a half minutes longer. Now this makes no sense right?
82
228000
3000
Három és fél perccel több. Ennek semmi értelme, igaz?
04:03
I mean, I'm an American. I believe in free markets.
83
231000
3000
Mármint, én ugye amerikai vagyok. Hiszek a szabad piacban.
04:06
That's not how it's supposed to work. Right?
84
234000
3000
Ennek nem így kellett volna történnie, igaz?
04:09
(Laughter)
85
237000
1000
(Nevetés)
04:10
If you want people to perform better,
86
238000
2000
Ha azt akarjuk, hogy az emberek jobban teljesítsenek,
04:12
you reward them. Right?
87
240000
2000
jutalmazzuk őket, nem?
04:14
Bonuses, commissions, their own reality show.
88
242000
3000
Bónuszokkal, jutalékokkal, saját elvárásaik szerint.
04:17
Incentivize them. That's how business works.
89
245000
4000
Ösztönözzük őket. Ilyen az üzlet világa.
04:21
But that's not happening here.
90
249000
2000
De itt nem ez történt.
04:23
You've got an incentive designed to
91
251000
2000
Itt egy ösztönzőt alkalmaztunk, azért, hogy
04:25
sharpen thinking and accelerate creativity,
92
253000
4000
élesítse az elmét és felpörgesse a kreativitást.
04:29
and it does just the opposite.
93
257000
2000
És pont az ellenkezőjét érte el.
04:31
It dulls thinking and blocks creativity.
94
259000
3000
Elhomályosítja a gondolkodást, és blokkolja a kreativitást.
04:34
And what's interesting about this experiment is that it's not an aberration.
95
262000
3000
És ami az érdekes ebben a kísérletben, hogy ez nem tévedés.
04:37
This has been replicated over and over
96
265000
3000
Újra és újra megismételték,
04:40
and over again, for nearly 40 years.
97
268000
3000
közel negyven éve, többször is.
04:43
These contingent motivators --
98
271000
3000
Ezek a feltételes ösztönzők,
04:46
if you do this, then you get that --
99
274000
2000
- ha megcsinálod ezt, akkor ezt kapod -
04:48
work in some circumstances.
100
276000
2000
Ezek csak bizonyos feltételek esetén működnek.
04:50
But for a lot of tasks, they actually either don't work
101
278000
3000
De sok feladatnál nemhogy nem működnek,
04:53
or, often, they do harm.
102
281000
3000
hanem gyakran károsan is hatnak.
04:56
This is one of the most robust findings
103
284000
4000
Ez az egyik legmarkánsabb felfedezés
05:00
in social science,
104
288000
3000
a társadalomtudományok területén.
05:03
and also one of the most ignored.
105
291000
2000
És az egyik leginkább semmibe vett.
05:05
I spent the last couple of years looking at the science of
106
293000
2000
Az utóbbi pár évben az ember ösztönzésének
05:07
human motivation,
107
295000
2000
kutatásával foglalkoztam.
05:09
particularly the dynamics of extrinsic motivators
108
297000
2000
Leginkább a külső és a belső ösztönzők
05:11
and intrinsic motivators.
109
299000
2000
dinamikáját vizsgáltam.
05:13
And I'm telling you, it's not even close.
110
301000
2000
Mondhatom, egymás közelében sincsenek.
05:15
If you look at the science, there is a mismatch
111
303000
2000
Ha a tudomány oldaláról nézzük:
05:17
between what science knows and what business does.
112
305000
4000
ellentmondás van a tudományos tények és az üzleti világ gyakorlata közt.
05:21
And what's alarming here is that our business operating system --
113
309000
3000
És ami ebben az ijesztő: az üzleti gyakorlat
05:24
think of the set of assumptions and protocols beneath our businesses,
114
312000
3000
-gondoljunk csak az üzleti élet számos feltevésére és eljárására,
05:27
how we motivate people, how we apply our human resources --
115
315000
5000
és arra, hogyan ösztönözzük az embereket és hogyan használjuk az emberi erőforrásokat -
05:32
it's built entirely around these extrinsic motivators,
116
320000
3000
nos ezek teljesen a külső motivátorok köré épültek,
05:35
around carrots and sticks.
117
323000
2000
az ostor és a mézesmadzag köré.
05:37
That's actually fine for many kinds of 20th century tasks.
118
325000
4000
Ez alkalmas sok, a 20.századra jellemző feladat elvégzéséhez.
05:41
But for 21st century tasks,
119
329000
2000
De a 21. század feladataihoz,
05:43
that mechanistic, reward-and-punishment approach
120
331000
4000
ez a gépies jutalom-büntetés alapú megközelítés
05:47
doesn't work, often doesn't work, and often does harm.
121
335000
4000
már nem illik, gyakran nem működik, sőt gyakran árt is.
05:51
Let me show you what I mean.
122
339000
2000
Hadd mutassam meg, mire is gondolok.
05:53
So Glucksberg did another experiment similar to this
123
341000
3000
Glucksbert végzett egy ehhez hasonló másik kísérletet is,
05:56
where he presented the problem in a slightly different way,
124
344000
2000
amiben a problémát egy kicsit másképp vezette elő.
05:58
like this up here. Okay?
125
346000
3000
Így, ahogyan a képen látszik. Rendben?
06:01
Attach the candle to the wall so the wax doesn't drip onto the table.
126
349000
2000
Rögzítse a gyertyát a falra, hogy a viasz ne csöpögjön az asztalra.
06:03
Same deal. You: we're timing for norms.
127
351000
3000
Ugyanaz a cél. A ti időtöket vesszük alapul.
06:06
You: we're incentivizing.
128
354000
3000
Titeket pedig ösztönzünk.
06:09
What happened this time?
129
357000
2000
Mi történt ezúttal?
06:11
This time, the incentivized group
130
359000
2000
Ezúttal, az ösztönzött csoport
06:13
kicked the other group's butt.
131
361000
4000
alaposan rávert a másik csoportra.
06:17
Why? Because when the tacks are out of the box,
132
365000
4000
Miért? Mert a rajzszögek nem a dobozban voltak,
06:21
it's pretty easy isn't it?
133
369000
4000
ja, hogy így könnyű, nem?
06:25
(Laughter)
134
373000
2000
(Nevetés)
06:27
If-then rewards work really well
135
375000
3000
A "ha-akkor" típusú jutalmazás remekül működik
06:30
for those sorts of tasks,
136
378000
3000
azoknál a feladatoknál,
06:33
where there is a simple set of rules and a clear destination
137
381000
2000
ahol pár egyszerű szabály van és a cél
06:35
to go to.
138
383000
2000
világosan látható.
06:37
Rewards, by their very nature,
139
385000
2000
A jutalmak, természetüknél fogva,
06:39
narrow our focus, concentrate the mind;
140
387000
2000
csőlátást okoznak, rájuk koncentrál az agyunk.
06:41
that's why they work in so many cases.
141
389000
2000
Pont ezért működnek jól sok esetben.
06:43
And so, for tasks like this,
142
391000
2000
És az ilyen feladatoknál, mint ez,
06:45
a narrow focus, where you just see the goal right there,
143
393000
3000
a csőlátás, ahol csak a célt látod,
06:48
zoom straight ahead to it,
144
396000
2000
egyenesen rá fókuszálsz,
06:50
they work really well.
145
398000
2000
nagyon jól működik.
06:52
But for the real candle problem,
146
400000
2000
De az igazi gyertya problémánál
06:54
you don't want to be looking like this.
147
402000
2000
nem így akarsz nekilátni.
06:56
The solution is not over here. The solution is on the periphery.
148
404000
2000
A megoldás nem itt van. A megoldás nem kézenfekvő.
06:58
You want to be looking around.
149
406000
2000
Tágabb körben akarsz vizsgálódni.
07:00
That reward actually narrows our focus
150
408000
2000
A jutalom tulajdonképpen csőlátást okoz,
07:02
and restricts our possibility.
151
410000
2000
és korlátozza a lehetőségeinket.
07:04
Let me tell you why this is so important.
152
412000
3000
Hadd mondjam el, miért is olyan fontos ez.
07:07
In western Europe,
153
415000
2000
Nyugat-Európában,
07:09
in many parts of Asia,
154
417000
2000
Ázsia számos részén,
07:11
in North America, in Australia,
155
419000
3000
Észak-Amerikában, Ausztráliában,
07:14
white-collar workers are doing less of
156
422000
2000
a szellemi munkások kevés
07:16
this kind of work,
157
424000
2000
ilyen típusú munkát végeznek,
07:18
and more of this kind of work.
158
426000
4000
és több ilyen fajta munkát végeznek.
07:22
That routine, rule-based, left-brain work --
159
430000
3000
Ez a rutin, a szabály-alapú, a bal agyfélteke munka,
07:25
certain kinds of accounting, certain kinds of financial analysis,
160
433000
2000
bizonyos fajta számolások, pénzügyi analízisek,
07:27
certain kinds of computer programming --
161
435000
2000
számítógépes programozás,
07:29
has become fairly easy to outsource,
162
437000
2000
ezek könnyen kiszervezhetőek lettek,
07:31
fairly easy to automate.
163
439000
2000
és könnyen automatizálhatók.
07:33
Software can do it faster.
164
441000
3000
A szoftver gyorsabban elvégzi.
07:36
Low-cost providers around the world can do it cheaper.
165
444000
2000
Olcsó szolgáltatók világszerte megcsinálják olcsóbban.
07:38
So what really matters are the more right-brained
166
446000
4000
Szóval ami igazán számít, az a jobb agyfélteke,
07:42
creative, conceptual kinds of abilities.
167
450000
3000
a kreatív, koncepció alapú képességek.
07:45
Think about your own work.
168
453000
3000
Gondolj a saját munkádra.
07:48
Think about your own work.
169
456000
3000
Gondolj csak a saját munkádra.
07:51
Are the problems that you face, or even the problems
170
459000
2000
A problémák, amikkel szembe nézel, vagy azok
07:53
we've been talking about here,
171
461000
2000
amikről itt beszélünk,
07:55
are those kinds of problems -- do they have a clear set of rules,
172
463000
2000
olyanok, melyeknek tiszta szabályai vannak,
07:57
and a single solution? No.
173
465000
3000
és csak egyetlen megoldás van? Nem.
08:00
The rules are mystifying.
174
468000
2000
A szabályok ködösek.
08:02
The solution, if it exists at all,
175
470000
2000
A megoldás, ha egyáltalán létezik,
08:04
is surprising and not obvious.
176
472000
3000
meglepő és nem nyilvánvaló.
08:07
Everybody in this room
177
475000
2000
Ebben a teremben mindenki
08:09
is dealing with their own version
178
477000
3000
a saját egyedi módján oldaná meg
08:12
of the candle problem.
179
480000
2000
a gyertya problémát.
08:14
And for candle problems of any kind,
180
482000
3000
És bármilyen gyertya probléma esetén,
08:17
in any field,
181
485000
2000
bármilyen területen,
08:19
those if-then rewards,
182
487000
3000
azok a "ha-akkor" jutalmak,
08:22
the things around which we've built so many of our businesses,
183
490000
4000
melyek köré számos üzletünket építettük,
08:26
don't work.
184
494000
2000
nem működnek.
08:28
Now, I mean it makes me crazy.
185
496000
2000
Nos, ez őrjítő.
08:30
And this is not -- here's the thing.
186
498000
2000
És ez nem - ez nem valami ...
08:32
This is not a feeling.
187
500000
3000
Ez nem egy érzés.
08:35
Okay? I'm a lawyer; I don't believe in feelings.
188
503000
3000
Oké? Ügyvéd vagyok. Nem hiszek az érzelmekben.
08:38
This is not a philosophy.
189
506000
4000
Ez nem filozófia.
08:42
I'm an American; I don't believe in philosophy.
190
510000
2000
Amerikai vagyok. Nem hiszek a filozófiában.
08:44
(Laughter)
191
512000
3000
(Nevetés)
08:47
This is a fact --
192
515000
3000
Ez egy tény.
08:50
or, as we say in my hometown of Washington, D.C.,
193
518000
2000
Vagy, ahogy szülővárosomban, Washington D.C-ben mondjuk,
08:52
a true fact.
194
520000
2000
egy igaz tény.
08:54
(Laughter)
195
522000
2000
(Nevetés)
08:56
(Applause)
196
524000
4000
(Taps)
09:00
Let me give you an example of what I mean.
197
528000
2000
Hadd mondjak egy példát arról, mire gondolok.
09:02
Let me marshal the evidence here,
198
530000
2000
Hadd sorakoztassam fel a bizonyítékokat.
09:04
because I'm not telling you a story, I'm making a case.
199
532000
2000
Én nem csak mesélek, én egy jogi ügyet képviselek.
09:06
Ladies and gentlemen of the jury, some evidence:
200
534000
2000
Hölgyeim és uraim, tisztelt bíróság! Néhány bizonyíték:
09:08
Dan Ariely, one of the great economists of our time,
201
536000
3000
Dan Ariely, korunk egyik legnagyobb közgazdásza,
09:11
he and three colleagues, did a study of some MIT students.
202
539000
4000
ő és három kollégája, néhány MIT egyetemi hallgatót vizsgált.
09:15
They gave these MIT students a bunch of games,
203
543000
3000
Ezeknek az MIT-s hallgatóknak adtak egy csomó játékot.
09:18
games that involved creativity,
204
546000
2000
Játékokat, amikhez szükség volt kreativitásra,
09:20
and motor skills, and concentration.
205
548000
2000
ügyességre és koncentrációra.
09:22
And the offered them, for performance,
206
550000
2000
És felajánlottak nekik, a teljesítmény alapján,
09:24
three levels of rewards:
207
552000
2000
három, eltérő értékű jutalmat.
09:26
small reward, medium reward, large reward.
208
554000
5000
Kis jutalom, közepes jutalom, nagy jutalom.
09:31
Okay? If you do really well you get the large reward, on down.
209
559000
4000
Oké? Ha nagyon jól teljesítesz, megkapod a nagy jutalmat, és így lefelé.
09:35
What happened? As long as the task involved only mechanical skill
210
563000
4000
Mi történt? Amíg a feladat csak mechanikus képességre alapult,
09:39
bonuses worked as they would be expected:
211
567000
2000
a jutalmak az elvárt módon működtek:
09:41
the higher the pay, the better the performance.
212
569000
4000
minél magasabb a jutalom, annál jobb a teljesítmény.
09:45
Okay? But one the task called for
213
573000
2000
Oké? De amint a feladathoz szükség volt
09:47
even rudimentary cognitive skill,
214
575000
4000
akár csak alapvető kognitív képességre,
09:51
a larger reward led to poorer performance.
215
579000
5000
a nagyobb jutalom gyengébb teljesítményhez vezetett.
09:56
Then they said,
216
584000
2000
Aztán ezt mondták,
09:58
"Okay let's see if there's any cultural bias here.
217
586000
2000
"Oké, nézzük, hátha kulturális eltérésről van szó.
10:00
Lets go to Madurai, India and test this."
218
588000
2000
Menjünk Maduraiba, Indiába, és teszteljük ott."
10:02
Standard of living is lower.
219
590000
2000
Az életszínvonal ott alacsonyabb.
10:04
In Madurai, a reward that is modest in North American standards,
220
592000
3000
Ami Észak-Amerikában középes jutalom,
10:07
is more meaningful there.
221
595000
3000
az Maduraiban jelentős jutalomnak számít.
10:10
Same deal. A bunch of games, three levels of rewards.
222
598000
3000
Ugyanaz a történet. Egy csomó játék, három szintű jutalmazás.
10:13
What happens?
223
601000
2000
Mi történt?
10:15
People offered the medium level of rewards
224
603000
3000
Azok, akiknek középes jutalmat ajánlottak,
10:18
did no better than people offered the small rewards.
225
606000
3000
nem végeztek jobb munkát, mint azok akiknek keveset.
10:21
But this time, people offered the highest rewards,
226
609000
4000
De ezúttal, azok, akiknek a legmagasabb jutalmat ajánlották,
10:25
they did the worst of all.
227
613000
4000
mind közül a legrosszabbul teljesítettek.
10:29
In eight of the nine tasks we examined across three experiments,
228
617000
3000
9 feladatból nyolcat végigpróbáltunk három kísérleten,
10:32
higher incentives led to worse performance.
229
620000
5000
a magasabb ösztönzők rosszabb teljesítményhez vezettek.
10:37
Is this some kind of touchy-feely
230
625000
3000
Itt valami alattomos
10:40
socialist conspiracy going on here?
231
628000
3000
szocialista összeesküvés zajlik?
10:43
No. These are economists from MIT,
232
631000
3000
Nem. Ők itt az MIT közgazdászai,
10:46
from Carnegie Mellon, from the University of Chicago.
233
634000
3000
a Carnegie Mellonról, a Chicago-i Egyetemről.
10:49
And do you know who sponsored this research?
234
637000
2000
És tudják, ki támogatta ezt a kutatást?
10:51
The Federal Reserve Bank of the United States.
235
639000
4000
Az Egyesült Államok Szövetségi Megtakarítási Bankja.
10:55
That's the American experience.
236
643000
2000
Ez az amerikai tapasztalat.
10:57
Let's go across the pond to the London School of Economics --
237
645000
3000
Keljünk át a nagy vízen, a Londoni Közgazdasági Iskolába.
11:00
LSE, London School of Economics,
238
648000
3000
LSE, Londoni Közgazdasági Iskola.
11:03
alma mater of 11 Nobel Laureates in economics.
239
651000
3000
11 Nobel-díjas közgazdász alma matere.
11:06
Training ground for great economic thinkers
240
654000
3000
Olyan nagy közgazdász gondolkodók tanultak itt,
11:09
like George Soros, and Friedrich Hayek,
241
657000
3000
mint George Soros, és Friedrich Hayek,
11:12
and Mick Jagger. (Laughter)
242
660000
2000
és Mick Jagger.
11:14
Last month, just last month,
243
662000
4000
A múlt hónapban,
11:18
economists at LSE looked at 51 studies
244
666000
3000
LSE-s közgazdászok 51 tanulmányt néztek át
11:21
of pay-for-performance plans, inside of companies.
245
669000
3000
melyek a cégek teljesítmény-alapú jutalmairól szóltak.
11:24
Here's what the economists there said: "We find that financial incentives
246
672000
3000
A közgazdászok szerint: "Úgy találtuk, hogy a pénzügyi ösztönzők
11:27
can result in a negative impact on overall performance."
247
675000
6000
negatív hatást váltanak ki a teljesítmény egészére nézve."
11:33
There is a mismatch between what science knows
248
681000
3000
Ellentmondás van tehát a között, amit a tudomány tud,
11:36
and what business does.
249
684000
2000
és amit az üzleti világ tesz.
11:38
And what worries me, as we stand here in the rubble
250
686000
3000
És ami aggaszt, miközben a gazdasági összeomlás
11:41
of the economic collapse,
251
689000
2000
törmelékei között állunk,
11:43
is that too many organizations
252
691000
2000
hogy túl sok szervezet
11:45
are making their decisions,
253
693000
2000
hoz olyan döntést és szabályokat
11:47
their policies about talent and people,
254
695000
2000
a tehetségről és az emberekről
11:49
based on assumptions that are outdated, unexamined,
255
697000
6000
melyek elavult feltevéseken és ellenőrizettlen véleményeken alapulnak,
11:55
and rooted more in folklore than in science.
256
703000
3000
melyek inkább a népmesékben, mintsem a tudományban gyökereznek.
11:58
And if we really want to get out of this economic mess,
257
706000
3000
És ha tényleg ki akarunk mászni ebből a gazdasági válságból,
12:01
and if we really want high performance on those
258
709000
2000
és ha tényleg magas teljesítményt akarunk
12:03
definitional tasks of the 21st century,
259
711000
2000
melyek megfelelnek a 21.század kihívásainak,
12:05
the solution is not to do more of the wrong things,
260
713000
6000
a megoldás az, ha abbahagyjuk a helytelen dolgok erőltetését.
12:11
to entice people with a sweeter carrot,
261
719000
3000
Ha nem csábítgatjuk az embereket édesebb mézesmadzaggal,
12:14
or threaten them with a sharper stick.
262
722000
2000
vagy nem fenyegetjük őket élesebb ostorral.
12:16
We need a whole new approach.
263
724000
2000
Teljesen új felfogásra van szükségünk.
12:18
And the good news about all of this is that the scientists
264
726000
2000
A jó hír, hogy a motivációt vizsgáló tudósok,
12:20
who've been studying motivation have given us this new approach.
265
728000
3000
kezünkbe adták az új megközelítést.
12:23
It's an approach built much more around intrinsic motivation.
266
731000
3000
Ez a felfogás inkább a belső motivációk köré épül.
12:26
Around the desire to do things because they matter,
267
734000
2000
A vágy köré, hogy azért csináljunk valamit, mert az számít,
12:28
because we like it, because they're interesting,
268
736000
2000
mert szeretjük őket, mert érdekesek,
12:30
because they are part of something important.
269
738000
2000
mert valami fontos dolog részesei vagyunk.
12:32
And to my mind, that new operating system for our businesses
270
740000
4000
Úgy vélem, hogy az új üzleti gyakorlat három
12:36
revolves around three elements:
271
744000
2000
alkotóelem köré épül majd:
12:38
autonomy, mastery and purpose.
272
746000
3000
önállóság, kiválóság és cél.
12:41
Autonomy: the urge to direct our own lives.
273
749000
3000
Önállóság: a vágy, hogy saját életünket magunk irányítsuk.
12:44
Mastery: the desire to get better and better at something that matters.
274
752000
4000
Kiválóság: a vágy, hogy egyre jobbak és jobbak legyünk valamiben, ami számít.
12:48
Purpose: the yearning to do what we do
275
756000
3000
Cél: a vágy, hogy olyasvalami érdekében cselekedjünk,
12:51
in the service of something larger than ourselves.
276
759000
3000
ami túlmutat önmagunkon.
12:54
These are the building blocks of an entirely new operating system
277
762000
3000
Ezek egy teljesen új modell építőkövei,
12:57
for our businesses.
278
765000
2000
melyekre az új üzleti felfogás épülhet.
12:59
I want to talk today only about autonomy.
279
767000
4000
Ma csak az önállóságról akarok beszélni.
13:03
In the 20th century, we came up with this idea of management.
280
771000
3000
A 20.század találmánya a menedzsment.
13:06
Management did not emanate from nature.
281
774000
2000
A menedzsment nem a természet szülötte.
13:08
Management is like -- it's not a tree,
282
776000
2000
A menedzsment nem olyan, mint egy fa.
13:10
it's a television set.
283
778000
2000
Ez egy tévé készülék.
13:12
Okay? Somebody invented it.
284
780000
2000
Oké? Valaki feltalálta.
13:14
And it doesn't mean it's going to work forever.
285
782000
2000
Ez nem azt jelenti, hogy örökké működni fog.
13:16
Management is great.
286
784000
2000
A menedzsment nagyszerű.
13:18
Traditional notions of management are great
287
786000
2000
A menedzsment hagyományos elvei nagyszerűek,
13:20
if you want compliance.
288
788000
2000
akkor, ha a megfelelés a cél.
13:22
But if you want engagement, self-direction works better.
289
790000
3000
De ha elkötelezettséget akarunk, az önirányítás jobban működik.
13:25
Let me give you some examples of some kind of radical
290
793000
2000
Hadd mutassak pár példát ezekre a radikális
13:27
notions of self-direction.
291
795000
2000
önirányítási elvekre.
13:29
What this means -- you don't see a lot of it,
292
797000
3000
Ez azt jelenti - bár nem sok ilyennel találkozni,
13:32
but you see the first stirrings of something really interesting going on,
293
800000
3000
hogy már láthatóak az első csírái valami fontos dolognak.
13:35
because what it means is paying people adequately
294
803000
2000
Mert eszerint az embereket kellően megfizetik,
13:37
and fairly, absolutely --
295
805000
2000
méghozzá teljesen tisztességesen.
13:39
getting the issue of money off the table,
296
807000
2000
A pénz kérdése ezután lekerül a napirendről.
13:41
and then giving people lots of autonomy.
297
809000
2000
Majd sok önállóságot adunk nekik.
13:43
Let me give you some examples.
298
811000
2000
Hadd mondjak pár példát.
13:45
How many of you have heard of the company Atlassian?
299
813000
4000
Hányan hallottak már az Atlassian nevű cégről?
13:49
It looks like less than half.
300
817000
2000
Úgy tűnik, kevesebb, mint a terem fele.
13:51
(Laughter)
301
819000
2000
(Nevetés)
13:53
Atlassian is an Australian software company.
302
821000
4000
Az Atlassian egy ausztrál szoftver cég.
13:57
And they do something incredibly cool.
303
825000
2000
És valami hihetetlenül király dolgot csinálnak.
13:59
A few times a year they tell their engineers,
304
827000
2000
Pár éve azt mondták a mérnökeiknek,
14:01
"Go for the next 24 hours and work on anything you want,
305
829000
4000
"A következő 24 órában menjetek, és dolgozzatok azon, amin csak akartok,
14:05
as long as it's not part of your regular job.
306
833000
2000
bármit, ami nem része a szokásos munkátoknak.
14:07
Work on anything you want."
307
835000
2000
Dolgozzatok akármin, amin szeretnétek."
14:09
So that engineers use this time to come up with
308
837000
2000
A mérnökök pedig arra használták az időt, hogy
14:11
a cool patch for code, come up with an elegant hack.
309
839000
3000
pompás kódjavítással és elegáns szoftver-feltöréssel álljanak elő.
14:14
Then they present all of the stuff that they've developed
310
842000
3000
Ezután bemutatták a fejlesztéseiket
14:17
to their teammates, to the rest of the company,
311
845000
3000
a munkatársaiknak, a cég többi részének,
14:20
in this wild and wooly all-hands meeting
312
848000
2000
egy egyszerű és keresetlen találkozó keretében
14:22
at the end of the day.
313
850000
2000
a nap lezárásaként.
14:24
And then, being Australians, everybody has a beer.
314
852000
2000
Ezután, Ausztrálok lévén, mindenki sört ivott.
14:26
They call them FedEx Days.
315
854000
3000
Úgy hívják az eseményt, hogy FedEx Napok.
14:29
Why? Because you have to deliver something overnight.
316
857000
6000
Miért? Mert egy nap alatt elő kell állniuk valamivel.
14:35
It's pretty. It's not bad. It's a huge trademark violation,
317
863000
2000
Ez tetszik, nem rossz. Hatalmas márkanév sértés.
14:37
but it's pretty clever.
318
865000
2000
De igazán okos.
14:39
(Laughter)
319
867000
1000
(Nevetés)
14:40
That one day of intense autonomy
320
868000
2000
Az igazi önállóság egyetlen napján
14:42
has produced a whole array of software fixes
321
870000
2000
annyi szoftverhiba kijavítása történt,
14:44
that might never have existed.
322
872000
2000
amennyi talán nem is létezett előtte.
14:46
And it's worked so well that Atlassian has taken it to the next level
323
874000
2000
Olyan jól ment, hogy az Atlassian továbblépett,
14:48
with 20 Percent Time --
324
876000
2000
és a munkaidő 20% -ra alkalmazta.
14:50
done, famously, at Google --
325
878000
2000
Hasonlóan, mint a híres Google esetében.
14:52
where engineers can work, spend 20 percent of their time
326
880000
2000
Ahol a mérnökök idejük 20%-át
14:54
working on anything they want.
327
882000
2000
arra fordíthatják, amire akarják.
14:56
They have autonomy over their time,
328
884000
2000
Önállóan döntenek az idejükről,
14:58
their task, their team, their technique.
329
886000
2000
a feladataikról, a csapataikról, a technikáikról.
15:00
Okay? Radical amounts of autonomy.
330
888000
2000
Oké? Radikális mennyiségű önállóság,
15:02
And at Google, as many of you know,
331
890000
4000
és a Google-nél, ahogy sokan tudják is,
15:06
about half of the new products in a typical year
332
894000
2000
az új termékek közel fele
15:08
are birthed during that 20 Percent Time:
333
896000
3000
abban a bizonyos 20% időben születik.
15:11
things like Gmail, Orkut, Google News.
334
899000
3000
Olyan termékek mint a Gmail, Orkut, Google News.
15:14
Let me give you an even more radical example of it:
335
902000
3000
Hadd mondjak egy még radikálisabb példát.
15:17
something called the Results Only Work Environment,
336
905000
2000
Ez a "Csak az Eredmény Számit Munkakörnyezet" néven ismert.
15:19
the ROWE,
337
907000
2000
A ROWE.
15:21
created by two American consultants, in place
338
909000
2000
Két amerikai tanácsadó találta ki,
15:23
in place at about a dozen companies around North America.
339
911000
2000
közel tucatnyi Észak-Amerikai cégnél alkalmazzák.
15:25
In a ROWE people don't have schedules.
340
913000
4000
A ROWE-ban az embereknek nincs időbeosztásuk.
15:29
They show up when they want.
341
917000
2000
Akkor mennek dolgozni, amikor akarnak.
15:31
They don't have to be in the office at a certain time,
342
919000
2000
Nem kell meghatározott időt az irodában tölteniük,
15:33
or any time.
343
921000
2000
akár semennyit sem kell.
15:35
They just have to get their work done.
344
923000
2000
Csak a munkájukat kell elvégezniük.
15:37
How they do it, when they do it,
345
925000
2000
Hogyan csinálják, mikor csinálják,
15:39
where they do it, is totally up to them.
346
927000
3000
hol csinálják, teljesen rájuk van bízva.
15:42
Meetings in these kinds of environments are optional.
347
930000
4000
A megbeszélések ebben a környezetben szabadon alakulnak.
15:46
What happens?
348
934000
2000
És mi történik?
15:48
Almost across the board, productivity goes up,
349
936000
3000
Majdnem mindenhol, a termelékenység emelkedik,
15:51
worker engagement goes up,
350
939000
3000
dolgozók elkötelezettsége nő,
15:54
worker satisfaction goes up, turnover goes down.
351
942000
3000
a dolgozói elégedettség emelkedik, a ciklusidő csökken.
15:57
Autonomy, mastery and purpose,
352
945000
2000
Önállóság, kiválóság és cél.
15:59
These are the building blocks of a new way of doing things.
353
947000
2000
Ezek egy újfajta megközelítés építőelemei.
16:01
Now some of you might look at this and say,
354
949000
3000
Erre most páran azt mondhatják,
16:04
"Hmm, that sounds nice, but it's Utopian."
355
952000
3000
"Aha, jól hangzik. De ez utópia."
16:07
And I say, "Nope. I have proof."
356
955000
5000
Én erre azt mondom "Nem. Bizonyítékom van rá."
16:12
The mid-1990s, Microsoft started
357
960000
2000
Az 1990-es évek közepén a Microsoft
16:14
an encyclopedia called Encarta.
358
962000
2000
egy Encarta nevű enciklopédiát kezdett készíteni.
16:16
They had deployed all the right incentives,
359
964000
2000
Bevetették az összes ismert ösztönzőt.
16:18
all the right incentives. They paid professionals to
360
966000
3000
Az összes jó ösztönzőt. Hivatásos szakembereket alkalmaztak,
16:21
write and edit thousands of articles.
361
969000
2000
hogy cikkek ezreit írják és szerkesszék meg.
16:23
Well-compensated managers oversaw the whole thing
362
971000
2000
Jól megfizetett menedzserek felügyelték az egészet,
16:25
to make sure it came in on budget and on time.
363
973000
5000
hogy biztosan a pénzügyi kereten belül, és időben készen legyenek.
16:30
A few years later another encyclopedia got started.
364
978000
2000
Pár évvel később egy másik enciklopédia indult.
16:32
Different model, right?
365
980000
3000
Egészen más elven.
16:35
Do it for fun. No one gets paid a cent, or a Euro or a Yen.
366
983000
4000
Csináld a móka kedvéért. Semmit se fizetnek érte, se eurót, se yent.
16:39
Do it because you like to do it.
367
987000
3000
Csináld csak azért, mert szereted.
16:42
Now if you had, just 10 years ago,
368
990000
3000
Ha mondjuk 10 évvel ezelőtt
16:45
if you had gone to an economist, anywhere,
369
993000
2000
elmentél volna egy közgazdászhoz, akárhová,
16:47
and said, "Hey, I've got these two different models for creating an encyclopedia.
370
995000
4000
és azt mondtad volna, "Két teljesen különböző modellem van egy enciklopédia elkészítéséhez.
16:51
If they went head to head, who would win?"
371
999000
3000
Vajon melyik lenne a nyerő?"
16:54
10 years ago you could not have found a single sober economist anywhere
372
1002000
4000
10 évvel ezelőtt egyetlen árva közgazdászt sem találtál volna
16:58
on planet Earth
373
1006000
2000
sehol ezen a Földön, aki a
17:00
who would have predicted the Wikipedia model.
374
1008000
2000
Wikipedia-modellt jósolta volna győztesnek.
17:02
This is the titanic battle between these two approaches.
375
1010000
3000
Ez egy gigászi csata a két megközelítés közt.
17:05
This is the Ali-Frazier of motivation. Right?
376
1013000
3000
Ez a motivációk nehézsúlyú boxmeccse. Ali - Frazier ellen. Értik?
17:08
This is the Thrilla' in Manila.
377
1016000
2000
Ez a végső összecsapás.
17:10
Alright? Intrinsic motivators versus extrinsic motivators.
378
1018000
3000
Értik? Belső ösztönzők a külső ösztönzők ellen.
17:13
Autonomy, mastery and purpose,
379
1021000
2000
Egyik sarokban: Önállóság, kiválóság és cél,
17:15
versus carrot and sticks. And who wins?
380
1023000
2000
A másikban: mézesmadzag és ostor. És ki nyer?
17:17
Intrinsic motivation, autonomy, mastery and purpose,
381
1025000
3000
A belső motiváció: az önállóság, kiválóság és a cél ... kiütéssel
17:20
in a knockout. Let me wrap up.
382
1028000
4000
győz. Összefoglalom tehát.
17:24
There is a mismatch between what science knows and what business does.
383
1032000
3000
Eltérés van a között, amit a tudomány tud, és amit az üzleti világ tesz.
17:27
And here is what science knows.
384
1035000
2000
És most jön, amit a tudomány tud.
17:29
One: Those 20th century rewards,
385
1037000
2000
Egy: A 20. századi jutalmak,
17:31
those motivators we think are a natural part of business,
386
1039000
3000
azok a motivátorok, amiket az üzlet természetes részének gondolunk,
17:34
do work, but only in a surprisingly narrow band of circumstances.
387
1042000
4000
működnek ugyan, de csak meglepően szűk körülmények között.
17:38
Two: Those if-then rewards often destroy creativity.
388
1046000
4000
Kettő: A "ha-akkor" típusú jutalmazás gyakran megöli a kreativitást.
17:42
Three: The secret to high performance
389
1050000
2000
Három: A kiugró teljesítmény titka
17:44
isn't rewards and punishments,
390
1052000
2000
nem a jutalom és a büntetés,
17:46
but that unseen intrinsic drive --
391
1054000
2000
hanem a láthatatlan belső hajtóerő.
17:48
the drive to do things for their own sake.
392
1056000
3000
A hajtóerő, hogy a dolgokat önmagukért tegyük.
17:51
The drive to do things cause they matter.
393
1059000
2000
A hajtóerő, hogy azért cselekedjünk, mert fontos.
17:53
And here's the best part. Here's the best part.
394
1061000
2000
És itt jön a legjobb rész. A legjobb rész.
17:55
We already know this. The science confirms what we know in our hearts.
395
1063000
3000
Mi már tudjuk mindezt. A tudomány alátámasztja, amit a szívünkben már tudunk.
17:58
So, if we repair this mismatch
396
1066000
3000
Ha kijavítjuk ezt az ellentmondást
18:01
between what science knows and what business does,
397
1069000
2000
tudomány tudása, és az üzleti világ gyakorlata közt
18:03
if we bring our motivation, notions of motivation
398
1071000
3000
ha áthozzuk a motivációnkat, a motiváció fogalmát
18:06
into the 21st century,
399
1074000
2000
át, a 21.századba,
18:08
if we get past this lazy, dangerous, ideology
400
1076000
4000
ha megszabadulunk ettől a lusta, veszélyes
18:12
of carrots and sticks,
401
1080000
2000
"mézesmadzag és ostor" ideológiától,
18:14
we can strengthen our businesses,
402
1082000
3000
megerősíthetjük az üzleti gyakorlatunkat,
18:17
we can solve a lot of those candle problems,
403
1085000
3000
rengetek gyertya problémát megoldhatunk,
18:20
and maybe, maybe, maybe
404
1088000
4000
és talán, talán, talán
18:24
we can change the world.
405
1092000
2000
megváltoztathatjuk a világot.
18:26
I rest my case.
406
1094000
2000
Zárom beszédemet.
18:28
(Applause)
407
1096000
3000
(Taps)
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