TEDGlobal 2009
Dan Pink: The puzzle of motivation
Dan Pink sulla sorprendente scienza della motivazione
Filmed:
Readability: 4
25,352,736 views
Dan Pink, analista di percorsi professionali, esamina il complesso problema della motivazione, cominciando da un fatto che gli esperti di scienze sociali conoscono ma che la maggior parte dei manager ignora. Le ricompense di tipo tradizionale non sono sempre così efficienti come si pensa. Ascoltate queste storie illuminanti -- e magari fatene tesoro.
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
Devo farvi subito una confessione.
00:16
A little over 20 years ago
1
4000
3000
Poco più di vent'anni fa
00:19
I did something that I regret,
2
7000
2000
Ho fatto qualcosa di cui mi rammarico,
00:21
something that I'm not particularly proud of,
3
9000
4000
qualcosa di cui non sono particolarmente fiero,
00:25
something that, in many ways, I wish no one would ever know,
4
13000
3000
qualcosa che, per molti versi, vorrei che nessuno sapesse mai,
00:28
but here I feel kind of obliged to reveal.
5
16000
4000
ma che qui mi sento come costretto a rivelare.
00:32
(Laughter)
6
20000
2000
(Risate)
00:34
In the late 1980s,
7
22000
2000
Era la fine degli anni '80,
00:36
in a moment of youthful indiscretion,
8
24000
3000
in un momento di sconsideratezza giovanile,
00:39
I went to law school.
9
27000
2000
mi sono iscritto a Legge.
00:41
(Laughter)
10
29000
4000
(Risate)
00:45
Now, in America law is a professional degree:
11
33000
3000
Ora, in America Legge è un'abilitazione post lauream.
00:48
you get your university degree, then you go on to law school.
12
36000
2000
Ottieni la laurea di primo grado. Poi ti iscrivi a Legge.
00:50
And when I got to law school,
13
38000
3000
E quando ho frequentato Legge,
00:53
I didn't do very well.
14
41000
2000
non sono andato molto bene.
00:55
To put it mildly, I didn't do very well.
15
43000
2000
A dir poco, non sono andato molto bene.
00:57
I, in fact, graduated in the part of my law school class
16
45000
3000
In effetti mi sono laureato in quella fascia di studenti
01:00
that made the top 90 percent possible.
17
48000
4000
grazie alla quale tutti gli altri rientrano nei migliori 9/10.
01:04
(Laughter)
18
52000
4000
(Risate)
01:08
Thank you.
19
56000
3000
Grazie.
01:11
I never practiced law a day in my life;
20
59000
3000
Non ho mai praticato legge in vita mia.
01:14
I pretty much wasn't allowed to.
21
62000
2000
Diciamo pure che non me lo avrebbero permesso.
01:16
(Laughter)
22
64000
3000
(Risate)
01:19
But today, against my better judgment,
23
67000
3000
Eppure oggi, contro ogni mia previsione,
01:22
against the advice of my own wife,
24
70000
3000
contro i consigli di mia moglie,
01:25
I want to try to dust off some of those legal skills --
25
73000
4000
Voglio rispolverare le mie capacità giuridiche,
01:29
what's left of those legal skills.
26
77000
2000
ciò che resta delle mie capacità giuridiche.
01:31
I don't want to tell you a story.
27
79000
3000
Non voglio raccontarvi una storia.
01:34
I want to make a case.
28
82000
2000
Voglio presentarvi un caso.
01:36
I want to make a hard-headed, evidence-based,
29
84000
4000
Voglio presentarvi un caso difficile, circostanziato,
01:40
dare I say lawyerly case,
30
88000
3000
oserei dire un vero e proprio caso da tribunale,
01:43
for rethinking how we run our businesses.
31
91000
4000
per ripensare a come gestiamo le aziende.
01:47
So, ladies and gentlemen of the jury, take a look at this.
32
95000
4000
Perciò, signore e signori giurati, date uno sguardo a questo.
01:51
This is called the candle problem.
33
99000
2000
È chiamato il problema della candela.
01:53
Some of you might have seen this before.
34
101000
2000
Alcuni di voi magari lo conoscono già.
01:55
It's created in 1945
35
103000
2000
È stato ideato nel 1945
01:57
by a psychologist named Karl Duncker.
36
105000
2000
da uno psicologo di nome Karl Duncker.
01:59
Karl Duncker created this experiment
37
107000
2000
Karl Dunker ha creato questo test
02:01
that is used in a whole variety of experiments in behavioral science.
38
109000
3000
che è usato in un gran numero di prove nella scienza del comportamento.
02:04
And here's how it works. Suppose I'm the experimenter.
39
112000
3000
Ecco come funziona. Supponiamo che io diriga l'esperimento.
02:07
I bring you into a room. I give you a candle,
40
115000
4000
Vi porto in una stanza. Vi do una candela,
02:11
some thumbtacks and some matches.
41
119000
2000
alcune puntine da disegno e dei fiammiferi.
02:13
And I say to you, "Your job
42
121000
2000
E vi dico: "Quello che dovete fare
02:15
is to attach the candle to the wall
43
123000
2000
è attaccare la candela al muro
02:17
so the wax doesn't drip onto the table." Now what would you do?
44
125000
4000
in modo che la cera non coli sul tavolo". Come procedete?
02:21
Now many people begin trying to thumbtack the candle to the wall.
45
129000
4000
Beh, molti cominciano a pinzare la candela sul muro con le puntine.
02:25
Doesn't work.
46
133000
2000
Non va.
02:27
Somebody, some people -- and I saw somebody
47
135000
2000
Alcuni, una certa parte del campione,
02:29
kind of make the motion over here --
48
137000
2000
- ho visto qualcuno mimare il gesto, qui in sala -
02:31
some people have a great idea where they
49
139000
2000
alcuni hanno una grande idea:
02:33
light the match, melt the side of the candle, try to adhere it to the wall.
50
141000
4000
accendono un fiammifero, sciolgono un lato della candela, cercano di farla aderire al muro.
02:37
It's an awesome idea. Doesn't work.
51
145000
3000
È un'idea grandiosa. Non funziona.
02:40
And eventually, after five or 10 minutes,
52
148000
3000
E alla fine, dopo cinque o dieci minuti
02:43
most people figure out the solution,
53
151000
2000
la maggior parte delle persone trova la soluzione,
02:45
which you can see here.
54
153000
2000
che potete vedere qui.
02:47
The key is to overcome what's called functional fixedness.
55
155000
3000
La chiave è superare quella che si chiama fissità funzionale.
02:50
You look at that box and you see it only as a receptacle for the tacks.
56
158000
4000
Voi guardate la scatola e la vedete solo come un contenitore per puntine.
02:54
But it can also have this other function,
57
162000
2000
Ma può avere anche un'altra funzione,
02:56
as a platform for the candle. The candle problem.
58
164000
4000
quella di ripiano per la candela. Questo è il problema della candela.
03:00
Now I want to tell you about an experiment
59
168000
2000
Ora vi voglio parlare di un esperimento
03:02
using the candle problem,
60
170000
2000
basato sul problema della candela,
03:04
done by a scientist named Sam Glucksberg,
61
172000
2000
realizzato da uno scienziato di nome Sam Glucksberg,
03:06
who is now at Princeton University in the U.S.
62
174000
2000
che è adesso alla Princeton University negli USA.
03:08
This shows the power of incentives.
63
176000
4000
Mostra il potere degli incentivi.
03:12
Here's what he did. He gathered his participants.
64
180000
2000
Ecco che cosa ha fatto. Ha riunito i partecipanti.
03:14
And he said, "I'm going to time you. How quickly you can solve this problem?"
65
182000
3000
E ha detto: "Adesso vi cronometro. Voglio vedere quanto ci mettete".
03:17
To one group he said,
66
185000
2000
A un gruppo ha detto:
03:19
"I'm going to time you to establish norms,
67
187000
3000
"Vi cronometro per creare un riferimento,
03:22
averages for how long it typically takes
68
190000
2000
il tempo medio che tipicamente richiede
03:24
someone to solve this sort of problem."
69
192000
2000
la soluzione di questo tipo di problema."
03:26
To the second group he offered rewards.
70
194000
3000
Al secondo gruppo ha offerto premi.
03:29
He said, "If you're in the top 25 percent of the fastest times,
71
197000
4000
Ha detto: "Chi finisce nel 25 percento dei più veloci,
03:33
you get five dollars.
72
201000
3000
avrà cinque dollari.
03:36
If you're the fastest of everyone we're testing here today,
73
204000
3000
Chi di voi sarà il più veloce di tutti quelli testati oggi
03:39
you get 20 dollars."
74
207000
2000
avrà 20 dollari".
03:41
Now this is several years ago. Adjusted for inflation,
75
209000
3000
La cosa è di molti anni fa. Alla luce dell'inflazione
03:44
it's a decent sum of money for a few minutes of work.
76
212000
2000
è una discreta somma per pochi minuti di lavoro.
03:46
It's a nice motivator.
77
214000
2000
Si tratta di un buon incentivo.
03:48
Question: How much faster
78
216000
3000
Domanda: quanto più veloce
03:51
did this group solve the problem?
79
219000
2000
è stato questo gruppo nel risolvere il problema?
03:53
Answer: It took them, on average,
80
221000
3000
Risposta: ci hanno messo, in media,
03:56
three and a half minutes longer.
81
224000
4000
tre minuti e mezzo in più.
04:00
Three and a half minutes longer. Now this makes no sense right?
82
228000
3000
Tre minuti e mezzo in più. Ora questo non ha senso, vero?
04:03
I mean, I'm an American. I believe in free markets.
83
231000
3000
Voglio dire, sono americano. Credo nel libero mercato.
04:06
That's not how it's supposed to work. Right?
84
234000
3000
Non è così che dovrebbe funzionare. Giusto?
04:09
(Laughter)
85
237000
1000
(Risate)
04:10
If you want people to perform better,
86
238000
2000
Se volete che le persone rendano di più,
04:12
you reward them. Right?
87
240000
2000
le premiate. Giusto?
04:14
Bonuses, commissions, their own reality show.
88
242000
3000
Bonus, percentuali, il loro reality show.
04:17
Incentivize them. That's how business works.
89
245000
4000
Date loro incentivi. È così che funziona il mercato.
04:21
But that's not happening here.
90
249000
2000
Ma qui non funziona.
04:23
You've got an incentive designed to
91
251000
2000
C'è un incentivo diretto
04:25
sharpen thinking and accelerate creativity,
92
253000
4000
ad affinare il pensiero e accelerare la creatività.
04:29
and it does just the opposite.
93
257000
2000
E funziona esattamente all'opposto.
04:31
It dulls thinking and blocks creativity.
94
259000
3000
Offusca il pensiero e blocca la creatività.
04:34
And what's interesting about this experiment is that it's not an aberration.
95
262000
3000
E la cosa interessante di questo esperimento è che non è un caso anomalo.
04:37
This has been replicated over and over
96
265000
3000
È stato ripetuto più e più volte
04:40
and over again, for nearly 40 years.
97
268000
3000
e ancora, per quasi 40 anni.
04:43
These contingent motivators --
98
271000
3000
Questi incentivi condizionati,
04:46
if you do this, then you get that --
99
274000
2000
- se tu fai questo ottieni quest'altro -
04:48
work in some circumstances.
100
276000
2000
funzionano in alcune circostanze.
04:50
But for a lot of tasks, they actually either don't work
101
278000
3000
Ma in realtà, per molti incarichi, o non funzionano
04:53
or, often, they do harm.
102
281000
3000
oppure, spesso, sono controproducenti.
04:56
This is one of the most robust findings
103
284000
4000
Si tratta di una delle scoperte più solide
05:00
in social science,
104
288000
3000
delle scienze sociali.
05:03
and also one of the most ignored.
105
291000
2000
E anche di una delle più ignorate.
05:05
I spent the last couple of years looking at the science of
106
293000
2000
Ho speso gli ultimi due anni a considerare la scienza della
05:07
human motivation,
107
295000
2000
motivazione umana.
05:09
particularly the dynamics of extrinsic motivators
108
297000
2000
In particolare, la dinamica delle motivazioni esterne
05:11
and intrinsic motivators.
109
299000
2000
e di quelle interne.
05:13
And I'm telling you, it's not even close.
110
301000
2000
E vi dichiaro che siamo in alto mare.
05:15
If you look at the science, there is a mismatch
111
303000
2000
Se prendete la scienza, c'è un disallineamento
05:17
between what science knows and what business does.
112
305000
4000
tra ciò che la scienza sa e ciò che le imprese fanno.
05:21
And what's alarming here is that our business operating system --
113
309000
3000
E ciò che è allarmante è che il sistema operativo del nostro mercato
05:24
think of the set of assumptions and protocols beneath our businesses,
114
312000
3000
-- pensate al complesso di assunti e di protocolli alla base del nostro mercato,
05:27
how we motivate people, how we apply our human resources --
115
315000
5000
a come motiviamo la gente, a come applichiamo le risorse umane --
05:32
it's built entirely around these extrinsic motivators,
116
320000
3000
è costruito integralmente sopra questi motivatori esterni,
05:35
around carrots and sticks.
117
323000
2000
il bastone e la carota.
05:37
That's actually fine for many kinds of 20th century tasks.
118
325000
4000
In realtà la cosa va bene in molti tipi di attività del 20° secolo.
05:41
But for 21st century tasks,
119
329000
2000
Ma per le attività del 21° secolo,
05:43
that mechanistic, reward-and-punishment approach
120
331000
4000
questo approccio meccanicistico di ricompensa e punizione
05:47
doesn't work, often doesn't work, and often does harm.
121
335000
4000
non funziona. Spesso non funziona, e tante volte produce danni.
05:51
Let me show you what I mean.
122
339000
2000
Voglio mostrarvi che cosa intendo.
05:53
So Glucksberg did another experiment similar to this
123
341000
3000
Glucksberg realizzò un altro esperimento simile a questo
05:56
where he presented the problem in a slightly different way,
124
344000
2000
in cui presentava il problema in modo leggermente diverso,
05:58
like this up here. Okay?
125
346000
3000
come qui sopra. Vedete?
06:01
Attach the candle to the wall so the wax doesn't drip onto the table.
126
349000
2000
Fissate la candela al muro in maniera che la cera non coli sul tavolo.
06:03
Same deal. You: we're timing for norms.
127
351000
3000
Stessa cosa. Agli uni: vi cronometriamo per riferimento.
06:06
You: we're incentivizing.
128
354000
3000
Agli altri: vi diamo incentivi.
06:09
What happened this time?
129
357000
2000
Che cosa è accaduto stavolta?
06:11
This time, the incentivized group
130
359000
2000
Stavolta il gruppo con gli incentivi
06:13
kicked the other group's butt.
131
361000
4000
ha stracciato l'altro gruppo.
06:17
Why? Because when the tacks are out of the box,
132
365000
4000
Perché? Perché quando le puntine sono fuori dalla scatola
06:21
it's pretty easy isn't it?
133
369000
4000
è abbastanza facile, no?
06:25
(Laughter)
134
373000
2000
(Risata)
06:27
If-then rewards work really well
135
375000
3000
Gli incentivi "se... allora..." funzionano benissimo
06:30
for those sorts of tasks,
136
378000
3000
per questo genere di attività
06:33
where there is a simple set of rules and a clear destination
137
381000
2000
in cui ci sono regole semplici e un chiaro traguardo
06:35
to go to.
138
383000
2000
da raggiungere.
06:37
Rewards, by their very nature,
139
385000
2000
Le ricompense, per loro stessa natura,
06:39
narrow our focus, concentrate the mind;
140
387000
2000
concentrano l'attenzione, restringono il pensiero.
06:41
that's why they work in so many cases.
141
389000
2000
Ecco perché funzionano in tanti casi.
06:43
And so, for tasks like this,
142
391000
2000
E così, in attività come questa,
06:45
a narrow focus, where you just see the goal right there,
143
393000
3000
l'attenzione concentrata, l'obiettivo là davanti a te,
06:48
zoom straight ahead to it,
144
396000
2000
su cui fare zoom diretto,
06:50
they work really well.
145
398000
2000
funzionano ottimamente.
06:52
But for the real candle problem,
146
400000
2000
Ma con il vero problema della candela,
06:54
you don't want to be looking like this.
147
402000
2000
sapete che non dovete guardare così.
06:56
The solution is not over here. The solution is on the periphery.
148
404000
2000
La soluzione non ce l'avete davanti. La soluzione è alla periferia.
06:58
You want to be looking around.
149
406000
2000
Volete guardare attorno a voi.
07:00
That reward actually narrows our focus
150
408000
2000
La ricompensa in realtà restringe l'attenzione.
07:02
and restricts our possibility.
151
410000
2000
e riduce le nostre possibilità.
07:04
Let me tell you why this is so important.
152
412000
3000
Voglio spiegarvi perché questo è così importante.
07:07
In western Europe,
153
415000
2000
Nell'Europa occidentale,
07:09
in many parts of Asia,
154
417000
2000
in molte parti dell'Asia,
07:11
in North America, in Australia,
155
419000
3000
in Nordamerica, in Australia,
07:14
white-collar workers are doing less of
156
422000
2000
gli impiegati svolgono meno
07:16
this kind of work,
157
424000
2000
questo tipo di lavoro,
07:18
and more of this kind of work.
158
426000
4000
e di più questo tipo di lavoro.
07:22
That routine, rule-based, left-brain work --
159
430000
3000
Il lavoro da emisfero sinistro, di routine, normato,
07:25
certain kinds of accounting, certain kinds of financial analysis,
160
433000
2000
certi tipi di contabilità, certi tipi di analisi finanziaria,
07:27
certain kinds of computer programming --
161
435000
2000
certi tipi di programmazione al computer,
07:29
has become fairly easy to outsource,
162
437000
2000
sono diventati abbastanza facili da subappaltare,
07:31
fairly easy to automate.
163
439000
2000
abbastanza facili da automatizzare.
07:33
Software can do it faster.
164
441000
3000
Un software è più veloce.
07:36
Low-cost providers around the world can do it cheaper.
165
444000
2000
I fornitori low cost nel mondo lo fanno per meno.
07:38
So what really matters are the more right-brained
166
446000
4000
Insomma, sono piuttosto le abilità dell'emisfero destro a contare,
07:42
creative, conceptual kinds of abilities.
167
450000
3000
quelle di tipo creativo, concettuale.
07:45
Think about your own work.
168
453000
3000
Pensate al vostro lavoro.
07:48
Think about your own work.
169
456000
3000
Pensate al vostro lavoro.
07:51
Are the problems that you face, or even the problems
170
459000
2000
I problemi che affrontate, o perfino i problemi
07:53
we've been talking about here,
171
461000
2000
di cui abbiamo parlato qui,
07:55
are those kinds of problems -- do they have a clear set of rules,
172
463000
2000
sono per caso di questo tipo? Hanno un chiaro insieme di regole?
07:57
and a single solution? No.
173
465000
3000
e un'unica soluzione? No.
08:00
The rules are mystifying.
174
468000
2000
Le regole portano fuori strada.
08:02
The solution, if it exists at all,
175
470000
2000
E la soluzione, ammesso che ci sia,
08:04
is surprising and not obvious.
176
472000
3000
è imprevista e non scontata.
08:07
Everybody in this room
177
475000
2000
Ognuno in questa stanza
08:09
is dealing with their own version
178
477000
3000
è alle prese con una sua personale versione
08:12
of the candle problem.
179
480000
2000
del problema della candela.
08:14
And for candle problems of any kind,
180
482000
3000
E in ogni variante del problema della candela,
08:17
in any field,
181
485000
2000
in qualsiasi ambito,
08:19
those if-then rewards,
182
487000
3000
questi incentivi "se... allora...",
08:22
the things around which we've built so many of our businesses,
183
490000
4000
il sistema su cui abbiamo costruito tanta parte dei nostri affari,
08:26
don't work.
184
494000
2000
non funzionano.
08:28
Now, I mean it makes me crazy.
185
496000
2000
Ora, a me questa cosa fa impazzire.
08:30
And this is not -- here's the thing.
186
498000
2000
Non è -- ecco il punto --
08:32
This is not a feeling.
187
500000
3000
non è una sensazione.
08:35
Okay? I'm a lawyer; I don't believe in feelings.
188
503000
3000
Okay? Sono avvocato. Non credo a quello che uno sente.
08:38
This is not a philosophy.
189
506000
4000
Non è filosofia.
08:42
I'm an American; I don't believe in philosophy.
190
510000
2000
Sono Americano. Non credo nella filosofia.
08:44
(Laughter)
191
512000
3000
(Risate)
08:47
This is a fact --
192
515000
3000
Questo è un fatto.
08:50
or, as we say in my hometown of Washington, D.C.,
193
518000
2000
O, come diciamo noi a Washington D.C.,
08:52
a true fact.
194
520000
2000
Un fatto vero.
08:54
(Laughter)
195
522000
2000
(Risate)
08:56
(Applause)
196
524000
4000
(Applausi)
09:00
Let me give you an example of what I mean.
197
528000
2000
Permettetemi di darvi un esempio di ciò che intendo.
09:02
Let me marshal the evidence here,
198
530000
2000
Lasciatemi esporre le prove qui.
09:04
because I'm not telling you a story, I'm making a case.
199
532000
2000
Perché non vi racconto storielle. Vi sottopongo un caso.
09:06
Ladies and gentlemen of the jury, some evidence:
200
534000
2000
Signore e signori della giuria, qualche prova:
09:08
Dan Ariely, one of the great economists of our time,
201
536000
3000
Dan Ariely, uno dei grandi economisti del nostro tempo,
09:11
he and three colleagues, did a study of some MIT students.
202
539000
4000
insieme a tre colleghi ha esaminato alcuni studenti del MIT.
09:15
They gave these MIT students a bunch of games,
203
543000
3000
Hanno dato loro degli esercizi.
09:18
games that involved creativity,
204
546000
2000
Giochi che coinvolgevano la creatività,
09:20
and motor skills, and concentration.
205
548000
2000
le abilità motorie e la concentrazione.
09:22
And the offered them, for performance,
206
550000
2000
E hanno offerto loro, in base ai risultati,
09:24
three levels of rewards:
207
552000
2000
tre livelli di ricompensa.
09:26
small reward, medium reward, large reward.
208
554000
5000
Premio piccolo, medio, grande.
09:31
Okay? If you do really well you get the large reward, on down.
209
559000
4000
Intesi? Se fai veramente bene prendi il premio maggiore, e così a scendere.
09:35
What happened? As long as the task involved only mechanical skill
210
563000
4000
Cosa è successo? Finché l'attività richiedeva soltanto abilità meccanica,
09:39
bonuses worked as they would be expected:
211
567000
2000
i bonus hanno funzionato come previsto:
09:41
the higher the pay, the better the performance.
212
569000
4000
maggiore il premio, migliore il risultato.
09:45
Okay? But one the task called for
213
573000
2000
Bene. Ma quando l'attività richiedeva
09:47
even rudimentary cognitive skill,
214
575000
4000
anche solo rudimentali abilità cognitive,
09:51
a larger reward led to poorer performance.
215
579000
5000
un premio più alto ha portato ad un risultato peggiore.
09:56
Then they said,
216
584000
2000
Allora hanno detto:
09:58
"Okay let's see if there's any cultural bias here.
217
586000
2000
"Bene, verifichiamo che non ci sia un pregiudizio culturale".
10:00
Lets go to Madurai, India and test this."
218
588000
2000
Andiamo a Madurai, in India e facciamo il test".
10:02
Standard of living is lower.
219
590000
2000
La vita media costa meno.
10:04
In Madurai, a reward that is modest in North American standards,
220
592000
3000
A Madurai, una ricompensa che per i nordamericani è modesta
10:07
is more meaningful there.
221
595000
3000
là è molto più significativa.
10:10
Same deal. A bunch of games, three levels of rewards.
222
598000
3000
Stesso schema. Un gruppo di giochi, tre gradi di ricompensa.
10:13
What happens?
223
601000
2000
Che succede?
10:15
People offered the medium level of rewards
224
603000
3000
Le persone a cui avevano offerto il premio medio
10:18
did no better than people offered the small rewards.
225
606000
3000
non hanno fatto meglio di quelli a cui avevano offerto quello minore.
10:21
But this time, people offered the highest rewards,
226
609000
4000
Ma stavolta quelli a cui avevano offerto il premio più alto
10:25
they did the worst of all.
227
613000
4000
sono andati peggio di tutti.
10:29
In eight of the nine tasks we examined across three experiments,
228
617000
3000
In otto delle nove prove che abbiamo esaminato attraverso tre esperimenti,
10:32
higher incentives led to worse performance.
229
620000
5000
incentivi maggiori hanno condotto ad esiti peggiori.
10:37
Is this some kind of touchy-feely
230
625000
3000
Non è che qui per caso c'è sotto
10:40
socialist conspiracy going on here?
231
628000
3000
del buonismo melenso da cospirazione socialista?
10:43
No. These are economists from MIT,
232
631000
3000
No. Questi sono economisti del MIT,
10:46
from Carnegie Mellon, from the University of Chicago.
233
634000
3000
della Carnegie Mellon, dell'Università di Chicago.
10:49
And do you know who sponsored this research?
234
637000
2000
E sapete chi ha sponsorizzato questa ricerca?
10:51
The Federal Reserve Bank of the United States.
235
639000
4000
La Federal Reserve Bank degli Stati Uniti.
10:55
That's the American experience.
236
643000
2000
Questa è la tradizione americana.
10:57
Let's go across the pond to the London School of Economics --
237
645000
3000
Ma saltiamo sull'altra sponda, alla London School of Economics.
11:00
LSE, London School of Economics,
238
648000
3000
LSE, London School of Economics.
11:03
alma mater of 11 Nobel Laureates in economics.
239
651000
3000
Alma mater di 11 premi Nobel in economia.
11:06
Training ground for great economic thinkers
240
654000
3000
Palestra di giganti del pensiero economico,
11:09
like George Soros, and Friedrich Hayek,
241
657000
3000
come George Soros e Friedrich Hayek,
11:12
and Mick Jagger. (Laughter)
242
660000
2000
e Mick Jagger. (Risate)
11:14
Last month, just last month,
243
662000
4000
Il mese scorso, giusto il mese scorso,
11:18
economists at LSE looked at 51 studies
244
666000
3000
gli economisti della LSE hanno esaminato 51 studi
11:21
of pay-for-performance plans, inside of companies.
245
669000
3000
di piani d'incentivazione per risultati, all'interno di società.
11:24
Here's what the economists there said: "We find that financial incentives
246
672000
3000
Ecco cosa hanno detto: "Troviamo che gli incentivi economici
11:27
can result in a negative impact on overall performance."
247
675000
6000
possono produrre un impatto negativo sul risultato globale."
11:33
There is a mismatch between what science knows
248
681000
3000
C'è un disallineamento tra quanto la scienza sa
11:36
and what business does.
249
684000
2000
e ciò che le imprese praticano.
11:38
And what worries me, as we stand here in the rubble
250
686000
3000
E quello che mi preoccupa, mentre siamo tra le macerie
11:41
of the economic collapse,
251
689000
2000
del collasso economico,
11:43
is that too many organizations
252
691000
2000
è che fin troppe organizzazioni
11:45
are making their decisions,
253
693000
2000
continuano a basare le loro decisioni,
11:47
their policies about talent and people,
254
695000
2000
le loro direttive su persone e talenti,
11:49
based on assumptions that are outdated, unexamined,
255
697000
6000
su assunti obsoleti, non provati,
11:55
and rooted more in folklore than in science.
256
703000
3000
e fondati più sulla tradizione popolare che sulla scienza.
11:58
And if we really want to get out of this economic mess,
257
706000
3000
E se vogliamo davvero saltare fuori da questo caos economico,
12:01
and if we really want high performance on those
258
709000
2000
se davvero vogliamo ottenere risultati di alto livello
12:03
definitional tasks of the 21st century,
259
711000
2000
nelle attività tipiche del 21° secolo,
12:05
the solution is not to do more of the wrong things,
260
713000
6000
la soluzione non è perseverare nelle cose sbagliate.
12:11
to entice people with a sweeter carrot,
261
719000
3000
Allettando le persone con una carota più dolce
12:14
or threaten them with a sharper stick.
262
722000
2000
o minacciandole con un bastone più appuntito.
12:16
We need a whole new approach.
263
724000
2000
Noi abbiamo bisogno di un approccio totalmente nuovo.
12:18
And the good news about all of this is that the scientists
264
726000
2000
E la buona notizia in tutto ciò è che gli scienziati
12:20
who've been studying motivation have given us this new approach.
265
728000
3000
che studiano la motivazione ce lo hanno trovato.
12:23
It's an approach built much more around intrinsic motivation.
266
731000
3000
È un approccio molto più basato sulla motivazione interna.
12:26
Around the desire to do things because they matter,
267
734000
2000
Sul desiderio di fare cose perché hanno senso,
12:28
because we like it, because they're interesting,
268
736000
2000
perché ci piacciono, perché sono interessanti,
12:30
because they are part of something important.
269
738000
2000
perché fanno parte di qualcosa di importante.
12:32
And to my mind, that new operating system for our businesses
270
740000
4000
Per come la vedo io, questo nuovo sistema operativo del fare impresa
12:36
revolves around three elements:
271
744000
2000
gira attorno a tre elementi:
12:38
autonomy, mastery and purpose.
272
746000
3000
autonomia, padronanza e scopo.
12:41
Autonomy: the urge to direct our own lives.
273
749000
3000
Autonomia, l'esigenza di dirigere la nostra vita.
12:44
Mastery: the desire to get better and better at something that matters.
274
752000
4000
Padronanza, il desiderio di migliorarci costantemente in qualcosa che conta.
12:48
Purpose: the yearning to do what we do
275
756000
3000
Scopo, la pulsione a perseguire ciò che facciamo
12:51
in the service of something larger than ourselves.
276
759000
3000
per servire qualcosa di più grande rispetto a noi.
12:54
These are the building blocks of an entirely new operating system
277
762000
3000
Sono queste le pietre angolari di un sistema operativo totalmente nuovo
12:57
for our businesses.
278
765000
2000
per le nostre imprese.
12:59
I want to talk today only about autonomy.
279
767000
4000
Oggi io voglio parlare solo dell'autonomia.
13:03
In the 20th century, we came up with this idea of management.
280
771000
3000
Il 20° secolo ha partorito questa idea del management.
13:06
Management did not emanate from nature.
281
774000
2000
Il management non viene dalla natura.
13:08
Management is like -- it's not a tree,
282
776000
2000
Il management è come... non è un albero.
13:10
it's a television set.
283
778000
2000
È un televisore.
13:12
Okay? Somebody invented it.
284
780000
2000
Chiaro? Qualcuno l'ha inventato.
13:14
And it doesn't mean it's going to work forever.
285
782000
2000
E questo non vuol dire che funzionerà per sempre.
13:16
Management is great.
286
784000
2000
Il management è una gran cosa.
13:18
Traditional notions of management are great
287
786000
2000
I principi classici del management sono una gran cosa
13:20
if you want compliance.
288
788000
2000
se il vostro obiettivo è la diligenza.
13:22
But if you want engagement, self-direction works better.
289
790000
3000
Ma se volete coinvolgimento, l'autodeterminazione funziona meglio.
13:25
Let me give you some examples of some kind of radical
290
793000
2000
Vi illustro alcuni modelli piuttosto decisi
13:27
notions of self-direction.
291
795000
2000
di autonomia di gestione.
13:29
What this means -- you don't see a lot of it,
292
797000
3000
Il che vuol dire... di esempi ce n'è ancora pochi,
13:32
but you see the first stirrings of something really interesting going on,
293
800000
3000
ma ci sono i primi segnali che qualcosa di molto interessante bolle in pentola.
13:35
because what it means is paying people adequately
294
803000
2000
Perché bisogna retribuire le persone in maniera adeguata
13:37
and fairly, absolutely --
295
805000
2000
e corretta, senza dubbio.
13:39
getting the issue of money off the table,
296
807000
2000
E togliere dal tavolo il discorso dei soldi.
13:41
and then giving people lots of autonomy.
297
809000
2000
Poi si dà alla gente molta autonomia.
13:43
Let me give you some examples.
298
811000
2000
Voglio farvi qualche esempio.
13:45
How many of you have heard of the company Atlassian?
299
813000
4000
Quanti di voi hanno sentito parlare della società Atlassian?
13:49
It looks like less than half.
300
817000
2000
Direi meno della metà.
13:51
(Laughter)
301
819000
2000
(Risata)
13:53
Atlassian is an Australian software company.
302
821000
4000
Atlassian è una società di software australiana.
13:57
And they do something incredibly cool.
303
825000
2000
Che fa qualcosa di incredibilmente figo.
13:59
A few times a year they tell their engineers,
304
827000
2000
Alcune volte all'anno dicono ai loro tecnici:
14:01
"Go for the next 24 hours and work on anything you want,
305
829000
4000
"Nelle prossime 24 ore lavorate a quello che vi pare,
14:05
as long as it's not part of your regular job.
306
833000
2000
purché non faccia parte del vostro normale lavoro.
14:07
Work on anything you want."
307
835000
2000
Lavorate a ciò che vi piace."
14:09
So that engineers use this time to come up with
308
837000
2000
Per cui gli ingegneri usano questo tempo
14:11
a cool patch for code, come up with an elegant hack.
309
839000
3000
per creare un bell'applicativo, qualche finezza informatica.
14:14
Then they present all of the stuff that they've developed
310
842000
3000
Poi presentano tutte le cose che hanno sviluppato
14:17
to their teammates, to the rest of the company,
311
845000
3000
ai loro colleghi di reparto e all'intera azienda,
14:20
in this wild and wooly all-hands meeting
312
848000
2000
in un incontro collettivo informale
14:22
at the end of the day.
313
850000
2000
alla fine della giornata.
14:24
And then, being Australians, everybody has a beer.
314
852000
2000
E poi, siccome sono australiani, si fanno tutti una birra.
14:26
They call them FedEx Days.
315
854000
3000
Li chiamano i giorni del FedEx.
14:29
Why? Because you have to deliver something overnight.
316
857000
6000
Perché? Perché bisogna presentare qualcosa al volo.
14:35
It's pretty. It's not bad. It's a huge trademark violation,
317
863000
2000
Carino. Niente male. È una plateale violazione del marchio.
14:37
but it's pretty clever.
318
865000
2000
Ma piuttosto furba.
14:39
(Laughter)
319
867000
1000
(Risate)
14:40
That one day of intense autonomy
320
868000
2000
Quella giornata di intensa autonomia
14:42
has produced a whole array of software fixes
321
870000
2000
ha prodotto un'intera serie di soluzioni software
14:44
that might never have existed.
322
872000
2000
che forse non sarebbero mai esistite.
14:46
And it's worked so well that Atlassian has taken it to the next level
323
874000
2000
E ha funzionato così bene che Atlassian ha fatto il passo successivo
14:48
with 20 Percent Time --
324
876000
2000
con il "20 Percent Time".
14:50
done, famously, at Google --
325
878000
2000
Cosa fatta, com'è noto, da Google.
14:52
where engineers can work, spend 20 percent of their time
326
880000
2000
Dove i tecnici possono impiegare il 20% del loro tempo
14:54
working on anything they want.
327
882000
2000
per lavorare su qualsiasi cosa piaccia a loro.
14:56
They have autonomy over their time,
328
884000
2000
Hanno autonomia sul loro tempo,
14:58
their task, their team, their technique.
329
886000
2000
sui loro obiettivi, sulla squadra, sulla tecnica.
15:00
Okay? Radical amounts of autonomy.
330
888000
2000
Chiaro? Una quantità sostanziale di autonomia,
15:02
And at Google, as many of you know,
331
890000
4000
e da Google, come molti di voi sanno,
15:06
about half of the new products in a typical year
332
894000
2000
circa la metà dei prodotti nuovi in un'annata tipica
15:08
are birthed during that 20 Percent Time:
333
896000
3000
sono partoriti durante il "20 Percent Time".
15:11
things like Gmail, Orkut, Google News.
334
899000
3000
Cose come Gmail, Orkut, Google News.
15:14
Let me give you an even more radical example of it:
335
902000
3000
Voglio farvi un esempio ancora più estremo.
15:17
something called the Results Only Work Environment,
336
905000
2000
Qualcosa chiamato "Ambiente di Lavoro
15:19
the ROWE,
337
907000
2000
di Soli Risultati". Il ROWE.
15:21
created by two American consultants, in place
338
909000
2000
Creato da due consulenti americani, implementato
15:23
in place at about a dozen companies around North America.
339
911000
2000
in circa una dozzina di società del nordamerica.
15:25
In a ROWE people don't have schedules.
340
913000
4000
Nel ROWE la gente non ha impegni pianificati.
15:29
They show up when they want.
341
917000
2000
Si fanno vedere quando vogliono.
15:31
They don't have to be in the office at a certain time,
342
919000
2000
Non devono essere in ufficio a una certa ora,
15:33
or any time.
343
921000
2000
o a qualsiasi ora.
15:35
They just have to get their work done.
344
923000
2000
Devono solo terminare il loro lavoro.
15:37
How they do it, when they do it,
345
925000
2000
Come fanno, quando lo fanno,
15:39
where they do it, is totally up to them.
346
927000
3000
dove lo fanno, è del tutto affar loro.
15:42
Meetings in these kinds of environments are optional.
347
930000
4000
Le riunioni, in questo tipo di contesto, sono libere.
15:46
What happens?
348
934000
2000
Che succede?
15:48
Almost across the board, productivity goes up,
349
936000
3000
In quasi tutti i comparti, la produttività cresce,
15:51
worker engagement goes up,
350
939000
3000
l'impegno dei lavoratori cresce,
15:54
worker satisfaction goes up, turnover goes down.
351
942000
3000
la loro soddisfazione cresce, il turnover diminuisce.
15:57
Autonomy, mastery and purpose,
352
945000
2000
Autonomia, padronanza e scopo,
15:59
These are the building blocks of a new way of doing things.
353
947000
2000
Sono queste le pietre angolari di un nuovo modo di fare le cose.
16:01
Now some of you might look at this and say,
354
949000
3000
Ora magari qualcuno di voi guarda la cosa e dice:
16:04
"Hmm, that sounds nice, but it's Utopian."
355
952000
3000
"Uhm, sembra bello. Ma è un'utopia."
16:07
And I say, "Nope. I have proof."
356
955000
5000
E io gli rispondo: "Per niente. Ho le prove."
16:12
The mid-1990s, Microsoft started
357
960000
2000
A metà degli anni '90, Microsoft ha dato avvio
16:14
an encyclopedia called Encarta.
358
962000
2000
a un'enciclopedia chiamata Encarta.
16:16
They had deployed all the right incentives,
359
964000
2000
Avevano messo in campo ogni tipo di incentivi.
16:18
all the right incentives. They paid professionals to
360
966000
3000
Quelli giusti. Pagavano professionisti per
16:21
write and edit thousands of articles.
361
969000
2000
scrivere e rivedere migliaia di articoli.
16:23
Well-compensated managers oversaw the whole thing
362
971000
2000
Manager ben retribuiti sovrintendevano all'intero processo
16:25
to make sure it came in on budget and on time.
363
973000
5000
per assicurare che rispettasse parametri economici e consegne.
16:30
A few years later another encyclopedia got started.
364
978000
2000
Alcuni anni dopo un'altra enciclopedia ebbe inizio.
16:32
Different model, right?
365
980000
3000
Un modello differente, d'accordo?
16:35
Do it for fun. No one gets paid a cent, or a Euro or a Yen.
366
983000
4000
Lo fai per divertimento. Nessuno prende un cent, un euro o uno yen.
16:39
Do it because you like to do it.
367
987000
3000
Lo fai perché ti piace farlo.
16:42
Now if you had, just 10 years ago,
368
990000
3000
Ebbene, se giusto 10 anni fa foste andati,
16:45
if you had gone to an economist, anywhere,
369
993000
2000
se foste andati da un economista, da qualsiasi parte,
16:47
and said, "Hey, I've got these two different models for creating an encyclopedia.
370
995000
4000
e gli aveste detto: "Ehi, ho questi due modelli per creare un'enciclopedia.
16:51
If they went head to head, who would win?"
371
999000
3000
Se facessero un testa a testa chi vincerebbe?"
16:54
10 years ago you could not have found a single sober economist anywhere
372
1002000
4000
10 anni fa non avreste trovato un solo economista sobrio in nessun luogo
16:58
on planet Earth
373
1006000
2000
del pianeta terra,
17:00
who would have predicted the Wikipedia model.
374
1008000
2000
disposto a scommettere sul modello Wikipedia.
17:02
This is the titanic battle between these two approaches.
375
1010000
3000
Si tratta di uno scontro titanico tra questi due approcci.
17:05
This is the Ali-Frazier of motivation. Right?
376
1013000
3000
C'è la stessa motivazione dell'incontro Ali-Frazier. No?
17:08
This is the Thrilla' in Manila.
377
1016000
2000
È il "Thrilla in Manila".
17:10
Alright? Intrinsic motivators versus extrinsic motivators.
378
1018000
3000
Giusto? Motivatori interni contro motivatori esterni.
17:13
Autonomy, mastery and purpose,
379
1021000
2000
Autonomia, padronanza e scopo
17:15
versus carrot and sticks. And who wins?
380
1023000
2000
contro carote e bastoni. E chi vince?
17:17
Intrinsic motivation, autonomy, mastery and purpose,
381
1025000
3000
Le motivazioni interne, l'autonomia, la padronanza e lo scopo,
17:20
in a knockout. Let me wrap up.
382
1028000
4000
con un KO. Lasciatemi concludere.
17:24
There is a mismatch between what science knows and what business does.
383
1032000
3000
C'è uno scollamento tra quello che la scienza sa e quello che le imprese fanno.
17:27
And here is what science knows.
384
1035000
2000
Rivediamo ciò che sa la scienza.
17:29
One: Those 20th century rewards,
385
1037000
2000
Uno: i premi tipici del 20° secolo,
17:31
those motivators we think are a natural part of business,
386
1039000
3000
questi motivatori che pensiamo siano la parte naturale del mercato
17:34
do work, but only in a surprisingly narrow band of circumstances.
387
1042000
4000
funzionano, sì, ma solo in casi sorprendentemente limitati.
17:38
Two: Those if-then rewards often destroy creativity.
388
1046000
4000
Due: questi incentivi "se... allora..." spesso distruggono la creatività.
17:42
Three: The secret to high performance
389
1050000
2000
Tre: il segreto per risultati di alto livello
17:44
isn't rewards and punishments,
390
1052000
2000
non sta nei premi o nelle punizioni,
17:46
but that unseen intrinsic drive --
391
1054000
2000
ma nella pulsione interna che non si vede.
17:48
the drive to do things for their own sake.
392
1056000
3000
La pulsione a fare le cose per il loro valore.
17:51
The drive to do things cause they matter.
393
1059000
2000
La spinta a fare le cose perché hanno senso.
17:53
And here's the best part. Here's the best part.
394
1061000
2000
E qui viene il meglio. Qui viene il meglio.
17:55
We already know this. The science confirms what we know in our hearts.
395
1063000
3000
Lo sappiamo già. La scienza conferma ciò che conosciamo nel nostro cuore.
17:58
So, if we repair this mismatch
396
1066000
3000
Perciò, se rimediamo a questo disallineamento
18:01
between what science knows and what business does,
397
1069000
2000
tra ciò che la scienza sa e ciò che l'impresa pratica,
18:03
if we bring our motivation, notions of motivation
398
1071000
3000
se portiamo la nostra motivazione, il concetto di motivazione
18:06
into the 21st century,
399
1074000
2000
nel 21° secolo,
18:08
if we get past this lazy, dangerous, ideology
400
1076000
4000
se ci liberiamo di questa ideologia pigra e pericolosa
18:12
of carrots and sticks,
401
1080000
2000
della carota e del bastone,
18:14
we can strengthen our businesses,
402
1082000
3000
possiamo rafforzare le nostre imprese,
18:17
we can solve a lot of those candle problems,
403
1085000
3000
possiamo risolvere una quantità di problemi della candela,
18:20
and maybe, maybe, maybe
404
1088000
4000
e forse, forse, forse
18:24
we can change the world.
405
1092000
2000
possiamo cambiare il mondo.
18:26
I rest my case.
406
1094000
2000
Ecco, chiudo l'arringa.
18:28
(Applause)
407
1096000
3000
(Applausi)
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