TEDGlobal 2009
Dan Pink: The puzzle of motivation
دان پینک: زانستی سەرسوڕەێنەر بۆ هاندان
Filmed:
Readability: 4
25,352,736 views
توێژەرەوەی پسپۆڕ، دان پینک وەڵامی مەتەڵی "هاندان" دەداتەوە ، بەو ڕاستی یە دەستپێدەکات کە زانا کۆمەڵایەتییەکان دەیزانن و زۆرینەی بەڕێوبەرەکان نایزانن، ئەویش ئەوەیە: ئەو شێوازە باوەی خەڵاتکردنە بەو ئەندازەیە کاریگەر نی یە کە ئێمە بیری لێ دەکەینەوە. گوێ لەو چیرۆکە ڕۆشنگەرییانە بگرن... کە لەوانەیە ڕێگەیەک بێت بۆ بەرەوپێشچونمان
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
دەبێ دان بەوەدا بنێم کە
00:16
A little over 20 years ago
1
4000
3000
پێش ٢٠ ساڵ تۆزێ زیاتر
00:19
I did something that I regret,
2
7000
2000
شتێکم کرد کە زۆر لێی پەشیمانم
00:21
something that I'm not particularly proud of,
3
9000
4000
شتێک، کە سەربەرز نیم پێی
00:25
something that, in many ways, I wish no one would ever know,
4
13000
3000
شتێک کە تەمەنا ئەکەم کەس نەیزانیبێت
00:28
but here I feel kind of obliged to reveal.
5
16000
4000
بەڵام وا هەست دەکەم کە ناچاربم بیڵێم
00:32
(Laughter)
6
20000
2000
(پێکەنین)
00:34
In the late 1980s,
7
22000
2000
لە کۆتای ٨٠ کاندا
00:36
in a moment of youthful indiscretion,
8
24000
3000
وە لە ساتێکی سەرکێشی تەمەنی لاوێتیمدا
00:39
I went to law school.
9
27000
2000
چومە کۆلێژی یاسا
00:41
(Laughter)
10
29000
4000
(پێکەنین)
00:45
Now, in America law is a professional degree:
11
33000
3000
ئێستا، پارێزەری داد لە ئەمریکا بڕوانامەیەکی پیشەییە:
00:48
you get your university degree, then you go on to law school.
12
36000
2000
ئەبێ بڕوانامەی زانکۆ وەربگریت پاشان دەچیتە کۆلێژی پارێزەری
00:50
And when I got to law school,
13
38000
3000
وە کاتێک چومە کۆلێژی یاسا
00:53
I didn't do very well.
14
41000
2000
زۆر باش نەبووم
00:55
To put it mildly, I didn't do very well.
15
43000
2000
مەوقیفێکی خۆش نیە بڵێم، زۆر باش نەبووم
00:57
I, in fact, graduated in the part of my law school class
16
45000
3000
لە ڕاستیدا لەگەڵ کۆمەڵێک لە پۆلەکەم دەرچوم لە کۆلێژی یاسا
01:00
that made the top 90 percent possible.
17
48000
4000
کە وایکرد %٩٠ بۆسەرەوە ئاسای بێت
01:04
(Laughter)
18
52000
4000
(پێکەنین)
01:08
Thank you.
19
56000
3000
سوپاس
01:11
I never practiced law a day in my life;
20
59000
3000
هەرگیز پارێزەریم نەکردوە لە ژیانمدا
01:14
I pretty much wasn't allowed to.
21
62000
2000
لە ڕاستیدا هەر ڕێگەی ئەوەم پێ نەدرا
01:16
(Laughter)
22
64000
3000
(پێکەنین)
01:19
But today, against my better judgment,
23
67000
3000
بەڵام ئەمڕۆ، بە پێچەوانەی ئەوەی خۆم دەمویست
01:22
against the advice of my own wife,
24
70000
3000
بە پێچەوانەی ئامۆژگاری هاوسەرەکەم
01:25
I want to try to dust off some of those legal skills --
25
73000
4000
دەمەوێت پەردە لابدەم لەسەر هەندێ لەو توانا یاساییانەی کە هەمە
01:29
what's left of those legal skills.
26
77000
2000
یاخود ئەوەی کە ماوە
01:31
I don't want to tell you a story.
27
79000
3000
نامەوێت چیرۆکەکەتان بۆ بگێڕمەوە
01:34
I want to make a case.
28
82000
2000
دەمەوێت حاڵەتێک بخەمە ڕوو
01:36
I want to make a hard-headed, evidence-based,
29
84000
4000
دەمەوێت حاڵەتێکی بەهێز پێشکەش بکەم، کە دروست کراوە لەسەر ڕاستی
01:40
dare I say lawyerly case,
30
88000
3000
با بوێرتریین کەس بم کە کارێک بکەم گیانی پارێزەری تێدابێت
01:43
for rethinking how we run our businesses.
31
91000
4000
با جارێکیتر بیر لە چۆنیەتی بەڕێوەبردنی کارەکانمان بکەینەوە
01:47
So, ladies and gentlemen of the jury, take a look at this.
32
95000
4000
کەواتە ئەی ژنان و پیاوانی دەستەی سوێند خۆران چاوێک بەمەدا بخشێنن
01:51
This is called the candle problem.
33
99000
2000
ئەمە بە مەتەڵی مۆم ناسراوە
01:53
Some of you might have seen this before.
34
101000
2000
ڕەنگە هەندێکتان ئەم ئەزمونە بزانن
01:55
It's created in 1945
35
103000
2000
کە لە ساڵی ١٩٤٥ دروست کراوە
01:57
by a psychologist named Karl Duncker.
36
105000
2000
زانایەکی دەرون ناسی بە ناوی (کارل دنکر) دەستی پێکرد
01:59
Karl Duncker created this experiment
37
107000
2000
کارل دنکر ئەم ئەزمونەی هێنایە کایەوە
02:01
that is used in a whole variety of experiments in behavioral science.
38
109000
3000
ئەوەی بەکار هاتووە لە چەند تاقیکردنەوەیەک لە زانستی ڕەوشت
02:04
And here's how it works. Suppose I'm the experimenter.
39
112000
3000
با پێتان بڵێم چۆنە، با بڵێین من ئەو کەسەم کە هەڵدەستم بە ئەنجام دانی ئەم ئەزمونە
02:07
I bring you into a room. I give you a candle,
40
115000
4000
ئەتان خەمە ژورێکەوە و مۆمێکتان ئەدەمێ
02:11
some thumbtacks and some matches.
41
119000
2000
هەندێ کەتیرەو هەندێ شقارتەش
02:13
And I say to you, "Your job
42
121000
2000
پاشان پێتان دەڵێم '' ئەوەی پێویستە بیکەن
02:15
is to attach the candle to the wall
43
123000
2000
بۆ وەستانی مۆمەکە لەسەر دیوارەکە
02:17
so the wax doesn't drip onto the table." Now what would you do?
44
125000
4000
بە شێوەیەک کە مۆمەکە دڵۆپە نەکاتە سەر مێزەکە'' چی ئەکەن؟
02:21
Now many people begin trying to thumbtack the candle to the wall.
45
129000
4000
زۆرینەی خەڵکەکە دەست دەکەن بە هەوڵدان بۆ نوساندنی مۆمەکە بە دیوارەکەوە بە هۆی کەتیرەکەوە
02:25
Doesn't work.
46
133000
2000
بەڵام سەرکەوتو نابن
02:27
Somebody, some people -- and I saw somebody
47
135000
2000
کەسێک هەیە، و هەندێکم بینیوە
02:29
kind of make the motion over here --
48
137000
2000
جوڵەیەک ئەکەن لێرەیا
02:31
some people have a great idea where they
49
139000
2000
هەندێکیتر بیرۆکەی جوانیان هەیە بە شێوەیەک
02:33
light the match, melt the side of the candle, try to adhere it to the wall.
50
141000
4000
دەنکە شقارتەکە دادەگیرسێنن و چواردەوری مۆمەکە دەتوێننەوە و پاشان هەوڵی نوسانی دەدەن بە دیوارەکەوە
02:37
It's an awesome idea. Doesn't work.
51
145000
3000
ئەمە بیرۆکەیەکی زۆر نایابە، بەڵام سەرناگریت
02:40
And eventually, after five or 10 minutes,
52
148000
3000
لە کۆتایدا، دوای پێنج بۆ دە خولەک
02:43
most people figure out the solution,
53
151000
2000
زۆرینەی خەڵکەکە ڕێگە چارە دەدۆزنەوە
02:45
which you can see here.
54
153000
2000
وەک دەتوانیت لێرەدا بیبینیت
02:47
The key is to overcome what's called functional fixedness.
55
155000
3000
ڕێگە چارەی جێگیربوون
02:50
You look at that box and you see it only as a receptacle for the tacks.
56
158000
4000
تەماشای قوتوەکە ئەکەن کە وەک کەتیرە یاخود لەزگەیەک دەیبینن
02:54
But it can also have this other function,
57
162000
2000
بەڵام ڕەنگە کارێکی تری هەبێت
02:56
as a platform for the candle. The candle problem.
58
164000
4000
کە ئەویش وەک بناخەیەکە بۆ مۆمەکە، ئەوەش مەتەڵی مۆمەکەیە
03:00
Now I want to tell you about an experiment
59
168000
2000
ئێستا دەمەوێت باسی ئەزمونێکتان بۆ بکەم
03:02
using the candle problem,
60
170000
2000
کە مەتەڵی مۆمەکە لە خۆ دەگرێت
03:04
done by a scientist named Sam Glucksberg,
61
172000
2000
کە زانایەک کردی بە ناوی (سام گڵۆکسبێرد)
03:06
who is now at Princeton University in the U.S.
62
174000
2000
کە ئێستا لە زانکۆی برنستۆنە لە ویلایەتە ئەکگرتوەکانی ئەمریکا
03:08
This shows the power of incentives.
63
176000
4000
ئەم ئەزموونە هێزی هاندان روون دەکاتەوە
03:12
Here's what he did. He gathered his participants.
64
180000
2000
ئەمەی کرد، هەموو بەشداربووەکانی کۆکردەوە
03:14
And he said, "I'm going to time you. How quickly you can solve this problem?"
65
182000
3000
وتی '' کاتتان بۆ دیاری دەکەم، چەنێک بە خێرای دەتوانن ئەو مەتەڵە چارەبکەن؟
03:17
To one group he said,
66
185000
2000
بە کۆمەڵەیەکیانی وت
03:19
"I'm going to time you to establish norms,
67
187000
3000
'' کاتتان بۆ دیاری دەکەم هەتا بتوانم پێوەر دیاری بکەم
03:22
averages for how long it typically takes
68
190000
2000
تێکڕاییەک بۆی بزانم چەنی پێدەچێت
03:24
someone to solve this sort of problem."
69
192000
2000
هەتا کەسێک مەتەڵێکی ئاوا هەڵبهێنێت
03:26
To the second group he offered rewards.
70
194000
3000
وە بۆ کۆمەڵەیەکی تریان لەو بەشدار بوانە وتی خەڵاتتان دەدەمێ
03:29
He said, "If you're in the top 25 percent of the fastest times,
71
197000
4000
وتی '' ئەگەر لە ٢٥ خێراترین کات بوون
03:33
you get five dollars.
72
201000
3000
ئەوا ٥ دۆلار وەردەگرن
03:36
If you're the fastest of everyone we're testing here today,
73
204000
3000
وە ئەگەر خێراترین بەشداربوو بوون لە تاقیکردنەوەکەی ئەمڕۆ
03:39
you get 20 dollars."
74
207000
2000
٢٠ دۆلار وەردەگرن
03:41
Now this is several years ago. Adjusted for inflation,
75
209000
3000
ئەمە پێش چەند ساڵێک بوو، هەستاین بە چاک کردن و زیاد کردنی
03:44
it's a decent sum of money for a few minutes of work.
76
212000
2000
بڕە پارەیەکی ڕێک و پێک بەرامبەر بە چەند خولەکێک لە کارکردن
03:46
It's a nice motivator.
77
214000
2000
هاندەرێکی باشە
03:48
Question: How much faster
78
216000
3000
پرسیار : چەند خێراتر بوو
03:51
did this group solve the problem?
79
219000
2000
ئەم گروپە لە شیکار کردنی مەتەڵی مۆمەکە؟
03:53
Answer: It took them, on average,
80
221000
3000
وەڵام : بە نزیکەی
03:56
three and a half minutes longer.
81
224000
4000
سێ دەقەو نیو درێژتر
04:00
Three and a half minutes longer. Now this makes no sense right?
82
228000
3000
درێژتر بە سێ دەقەو نیو ! ، ئەمە باوەڕپێنەکراوە وانیە؟
04:03
I mean, I'm an American. I believe in free markets.
83
231000
3000
مەبەستم، من ئەمریکیم باوەڕم بە بازاری ئازاد هەیە
04:06
That's not how it's supposed to work. Right?
84
234000
3000
بەڵام نابێت بەم شێوەیە کاربکات وانیە؟
04:09
(Laughter)
85
237000
1000
(پێکەنین)
04:10
If you want people to perform better,
86
238000
2000
ئەگەر بتەوێت خەڵک بە شێوەیەکی باشتر کار بکات
04:12
you reward them. Right?
87
240000
2000
خەڵاتیان دەکەیت. وانیە؟
04:14
Bonuses, commissions, their own reality show.
88
242000
3000
بەرزکردنەوە لە کارەکانیاندا، بەخشینی پارە، بەرنامەیەکی تایبەت بە خۆیان
04:17
Incentivize them. That's how business works.
89
245000
4000
هەروەها هانیان دەدەیت، ئاوا کار سەرکەوتوو دەبێت
04:21
But that's not happening here.
90
249000
2000
بەڵام ئەوە ڕووینەدا لێرە
04:23
You've got an incentive designed to
91
251000
2000
هاندەرێکی تووشکەرمان هەیە
04:25
sharpen thinking and accelerate creativity,
92
253000
4000
کە بیرۆکەکان پێکەوە بنێت و داهێنان خێراتر بکات
04:29
and it does just the opposite.
93
257000
2000
بەڵام ئەمە بە پێچەوانەوە بوو بەتاواوی
04:31
It dulls thinking and blocks creativity.
94
259000
3000
بیرکردنەوە لە ناو ئەبات و داهێنان دوادەخات
04:34
And what's interesting about this experiment is that it's not an aberration.
95
262000
3000
ئەوەی زۆر سەرنج ڕاکێشە لەم ئەزموونەدا ئەوەیە کە حاڵەتێکی تایبەت نیە
04:37
This has been replicated over and over
96
265000
3000
هەروەها دووبارە کرایەوە جار لە دوای جار
04:40
and over again, for nearly 40 years.
97
268000
3000
لە دوای جار، بۆ ماوەی ٤٠ ساڵ
04:43
These contingent motivators --
98
271000
3000
ئەو پاڵنەرە بە پەلەیە
04:46
if you do this, then you get that --
99
274000
2000
ئەگەر ئەوە بکەیت، ئەوە وەردەگریت
04:48
work in some circumstances.
100
276000
2000
لە چەند کاتێکدا کار دەکەیت
04:50
But for a lot of tasks, they actually either don't work
101
278000
3000
بەڵام لە زۆر کاتی گرنگدا کار ناکات
04:53
or, often, they do harm.
102
281000
3000
یاخود زۆربری جار زەرەر دەدات
04:56
This is one of the most robust findings
103
284000
4000
ئەمە یەکێکە لە گرنگترین دۆزراوەکان
05:00
in social science,
104
288000
3000
لە زانستی کۆمەڵگادا
05:03
and also one of the most ignored.
105
291000
2000
هەروەها زیاتر پشتگوێ خراوترینە
05:05
I spent the last couple of years looking at the science of
106
293000
2000
دوو ساڵی ڕابردووم تەرخان کرد بۆ زانستی
05:07
human motivation,
107
295000
2000
پاڵنانی مرۆڤ
05:09
particularly the dynamics of extrinsic motivators
108
297000
2000
بەتایبەتی هێزە هێزە پاڵنەرە جوڵێنەرە دەرەکیەکان
05:11
and intrinsic motivators.
109
299000
2000
وە پاڵنەرە خۆییەکان
05:13
And I'm telling you, it's not even close.
110
301000
2000
پێتان بڵێم، ئەمە تەنانەت نزیکیش نیە
05:15
If you look at the science, there is a mismatch
111
303000
2000
ئەگەر تەماشای زانست بکەن ئەوا کەم و کوڕیەک دەبینن
05:17
between what science knows and what business does.
112
305000
4000
لە نێوان زانست ئەڵێت و چی ڕوودەدات
05:21
And what's alarming here is that our business operating system --
113
309000
3000
هەروەها ترسناکترین لێرەدا ئەوەیە کە سیستەمی بەڕێوە بردنی کار لای ئێمە
05:24
think of the set of assumptions and protocols beneath our businesses,
114
312000
3000
بیرتان لە چەند گریمانەو پڕۆتۆکۆڵ کردۆتەوە کە کاری لەسەر دروست دەبێت لای ئێمە
05:27
how we motivate people, how we apply our human resources --
115
315000
5000
چۆن مرۆڤ پاڵبنێین و چۆن دەسکەوتە مرۆییەکان بچەسپێنین
05:32
it's built entirely around these extrinsic motivators,
116
320000
3000
چونکە هەمووی بەندە بە پاڵنەرە مرۆییەکانەوە
05:35
around carrots and sticks.
117
323000
2000
دەربارەی گوێزەر و گۆچان
05:37
That's actually fine for many kinds of 20th century tasks.
118
325000
4000
ئەمەش خراپ نیە بۆ زۆرێک لە کارەکانی سەدەی بیستەم
05:41
But for 21st century tasks,
119
329000
2000
بەڵام بۆ کارەکانی سەدەی ٢١
05:43
that mechanistic, reward-and-punishment approach
120
331000
4000
ئەو ڕێگا میکانیکیەی بەبێ بەخشین و سزادان
05:47
doesn't work, often doesn't work, and often does harm.
121
335000
4000
سەرکەوتوو نابێت، زۆربەی کات سەرکەوتوو نابێت، زۆربەی کاتیش زیان دەدات
05:51
Let me show you what I mean.
122
339000
2000
یارمەتیم بدەن با نیشانتان بدەم چۆن
05:53
So Glucksberg did another experiment similar to this
123
341000
3000
کەواتە، گلاکسبیرگ تاقیکردنەوەیەکی هاوشێوەی ئەنجام دا
05:56
where he presented the problem in a slightly different way,
124
344000
2000
بە شێوەیەک تاقیکردنەوەکە بەڕێگەیەکی تۆزێک جیاواز بوو
05:58
like this up here. Okay?
125
346000
3000
بەم شێوەیەی سەرەوە، باشە؟
06:01
Attach the candle to the wall so the wax doesn't drip onto the table.
126
349000
2000
مۆمەکە بەشێوەیەک بە دیوارەکەوە جێگیر بکەن کە دڵۆپی مۆمەکە نەکەوێتە سەرمێزەکە
06:03
Same deal. You: we're timing for norms.
127
351000
3000
بە هەمان شێوە . ئێوە: کات ئەگرین بۆ پێوانی بەردەوامی
06:06
You: we're incentivizing.
128
354000
3000
ئێوەش: پاڵنەرتان دەدەینێ
06:09
What happened this time?
129
357000
2000
ئەم جارە چی ڕویدا؟
06:11
This time, the incentivized group
130
359000
2000
ئەم جارە، کۆمەڵە پاڵنراوەکە
06:13
kicked the other group's butt.
131
361000
4000
بردنەوەیەکی بێوێنەیان بە دەست هێنا
06:17
Why? Because when the tacks are out of the box,
132
365000
4000
لەبەر ئەوەی کاتێک کەتیرەکە لە پاکەتەکە دەردەهێنرا
06:21
it's pretty easy isn't it?
133
369000
4000
ئەمە شتێکی زر ئاسانە وانیە؟
06:25
(Laughter)
134
373000
2000
(پێکەنین)
06:27
If-then rewards work really well
135
375000
3000
کەواتە بە بەخشین سەرکەوتوو دەبێت
06:30
for those sorts of tasks,
136
378000
3000
بۆ ئەم جۆرە کارانە
06:33
where there is a simple set of rules and a clear destination
137
381000
2000
شیوە کۆمەڵە یاسایەکی ئاسان و ئەنجامێکی ڕوون هەیە
06:35
to go to.
138
383000
2000
کە پێی بگەیت
06:37
Rewards, by their very nature,
139
385000
2000
پێ بەخشینی پارە خۆی
06:39
narrow our focus, concentrate the mind;
140
387000
2000
کار دەکاتە سەر بیرکردنەوە و دیاری کردنی ناوچەی بیرکردنەوە
06:41
that's why they work in so many cases.
141
389000
2000
لەبەر ئەوەیە ئەم ڕێگەیە سەرکەوتووە لە زۆر لە کارەکاندا
06:43
And so, for tasks like this,
142
391000
2000
کەواتە بۆ ئەم جۆرە کارانە
06:45
a narrow focus, where you just see the goal right there,
143
393000
3000
جەخت کردنەوەی دواریکراو، بە شێوەیەک کە ئەنجامەکە لەبەر چاوت ببینیت
06:48
zoom straight ahead to it,
144
396000
2000
ئەکسەر بەرەو ڕوی بڕۆ
06:50
they work really well.
145
398000
2000
بە شێوەیەکی کارایانە کار دەکات
06:52
But for the real candle problem,
146
400000
2000
بەڵام لە مەتەڵی مۆمی ڕاستەقینەدا
06:54
you don't want to be looking like this.
147
402000
2000
ئێوە ناتانەوێت بەو شێوەیە بێت
06:56
The solution is not over here. The solution is on the periphery.
148
404000
2000
چارەسەر لەوێدا نیە، چارەسەر لە دەورو بەردایە
06:58
You want to be looking around.
149
406000
2000
پێویست بەوەیە سەیری دەورو بەرت بکەیت
07:00
That reward actually narrows our focus
150
408000
2000
ئەو پێبەخشینانە لە ڕاستیدا ئەو سوربونە دیاری دەکات
07:02
and restricts our possibility.
151
410000
2000
هەروەها تواناکانمان دیاری دەکات
07:04
Let me tell you why this is so important.
152
412000
3000
ڕێگە بدەن با پێتان بڵێم بۆچی زۆر گرنگە
07:07
In western Europe,
153
415000
2000
لە ئەوروپای ڕۆژئاوا
07:09
in many parts of Asia,
154
417000
2000
، وە لە زۆربەی ناوچەکانی ئاسیا
07:11
in North America, in Australia,
155
419000
3000
، لە ئەمریکای باکوروو و ئوستڕالیا
07:14
white-collar workers are doing less of
156
422000
2000
کارمەنەندی ئۆفیسەکان کارێکی کەمتر دەکەن
07:16
this kind of work,
157
424000
2000
لەم جۆرە کارانەدا
07:18
and more of this kind of work.
158
426000
4000
هەروەها کارێکی زیاتر لە جۆرەکانی تر
07:22
That routine, rule-based, left-brain work --
159
430000
3000
ئەم جۆرە کارە ڕۆتینیانە، بە جۆرە یاسایەک بەڕێوە دەچێت کە لە ژێر دەسەڵاتی مۆخی چەپدایە
07:25
certain kinds of accounting, certain kinds of financial analysis,
160
433000
2000
وەک هەندێک جۆر لە کاری ژمێریاری و هەندێک جۆر لە لێکدانەوەی سەرمایەداری
07:27
certain kinds of computer programming --
161
435000
2000
وە هەندێ بەرنامەی ئەلکترۆنی
07:29
has become fairly easy to outsource,
162
437000
2000
کە ئێستا زۆر ئاسان دەست دەکەوێت
07:31
fairly easy to automate.
163
439000
2000
زۆر بە ئاسانی و ئۆتۆماتیکی بەڕێوە دەچێت
07:33
Software can do it faster.
164
441000
3000
بەرنامەکان دەتوانن خێراتر بیبەن بە ڕێوە
07:36
Low-cost providers around the world can do it cheaper.
165
444000
2000
ئەو کەسانەی خزمەت ئەبەخشن لە جیهاندا، ئەتوانن بە پارەیەکی کەمتر بیبەن بە ڕێوە
07:38
So what really matters are the more right-brained
166
446000
4000
کەواتە، زۆر گرنگە کارەکانی مۆخی ڕاست
07:42
creative, conceptual kinds of abilities.
167
450000
3000
ئەو توانایانەی داوای تێگەیاندن ە داهێنان دەکات
07:45
Think about your own work.
168
453000
3000
ئێوە بیر لە کارەکەتان بکەنەوە
07:48
Think about your own work.
169
456000
3000
بیر لە کارەکەتان بکەنەوە
07:51
Are the problems that you face, or even the problems
170
459000
2000
ئایا ئەو کێشانەی ڕووبە ڕووتان دەبێتەوە یاخود ئەو کێشانەی
07:53
we've been talking about here,
171
461000
2000
کە لێرە باسمان لێوە کرد
07:55
are those kinds of problems -- do they have a clear set of rules,
172
463000
2000
ئایا ئەم جۆرە کێشانە ، یاسایەکی ڕوونی هەیە ؟
07:57
and a single solution? No.
173
465000
3000
هەروەها چارەسەرێکی یەکتا ؟، نەخێر
08:00
The rules are mystifying.
174
468000
2000
یاساکان سەرلێشێواون
08:02
The solution, if it exists at all,
175
470000
2000
و چارەسەر، ئەگەر هات و دۆزرایەوە
08:04
is surprising and not obvious.
176
472000
3000
ئەوا سەرسوڕهێبەر و ڕوون نیە
08:07
Everybody in this room
177
475000
2000
هەموو کەسێ لەم ژوورەدا
08:09
is dealing with their own version
178
477000
3000
کاردەکات لەگەڵ کۆپییەکی تایبەتی خۆی
08:12
of the candle problem.
179
480000
2000
لە مەتەڵی مۆمدا
08:14
And for candle problems of any kind,
180
482000
3000
هەروەها کێشەکانی مۆم لە هەر جۆرێک
08:17
in any field,
181
485000
2000
لە هەر مەجالێکدا
08:19
those if-then rewards,
182
487000
3000
ئەو پێبەخشراوانە لە شێوازێک کە
08:22
the things around which we've built so many of our businesses,
183
490000
4000
زۆرینەی کار و بازرگانیەکانمان لەسەر دامەزراندووە
08:26
don't work.
184
494000
2000
سەرکەوتوو نەبوو
08:28
Now, I mean it makes me crazy.
185
496000
2000
ئێستا، مەبەستم ئەوەیە کە ئەمە توشی شێتیم دەکات
08:30
And this is not -- here's the thing.
186
498000
2000
ئەمەش ئەوە نیە... ئەمەش بیرۆکەکەیە
08:32
This is not a feeling.
187
500000
3000
ئەمە هەست نیە
08:35
Okay? I'm a lawyer; I don't believe in feelings.
188
503000
3000
باشە، من پارێزەرم من بڕوام بە هەست نیە
08:38
This is not a philosophy.
189
506000
4000
ئەمەش فەلسەفە نیە
08:42
I'm an American; I don't believe in philosophy.
190
510000
2000
من ئەمریکیم، بروام بە فەلسەفە نیە
08:44
(Laughter)
191
512000
3000
(پێکەنین)
08:47
This is a fact --
192
515000
3000
ئەمە ڕاستیە
08:50
or, as we say in my hometown of Washington, D.C.,
193
518000
2000
یاخود، چۆن لە شاڕەکەم دەڵێین واشنتۆن دی سی
08:52
a true fact.
194
520000
2000
ئەمە ڕاستیەکی ڕوونە
08:54
(Laughter)
195
522000
2000
(پێکەنین)
08:56
(Applause)
196
524000
4000
(چەپڵە)
09:00
Let me give you an example of what I mean.
197
528000
2000
با نموونەیەکتان پێبڵێم بۆ ڕوون کردنەوەی وتەکانم
09:02
Let me marshal the evidence here,
198
530000
2000
ڕێگە بدەن بەڵگەکان کۆنکەمەوە
09:04
because I'm not telling you a story, I'm making a case.
199
532000
2000
لەبەر ئەوەی من چیرۆکتان بۆ باس باکەم، بەڵکو ڕاستیەکتان بۆ دەسەلمێنم
09:06
Ladies and gentlemen of the jury, some evidence:
200
534000
2000
خانمان و بەڕێزانی دەستەی سوێند خۆران، فەرمون ئێوە و چەند بەڵگەیەک
09:08
Dan Ariely, one of the great economists of our time,
201
536000
3000
دان ئەرلی، یەکێکە لە ناودارترین کەسە ئابوری ناسەکانی ئەمڕۆ
09:11
he and three colleagues, did a study of some MIT students.
202
539000
4000
لەگەڵ سی لە هاوڕێکانی تاقیکردنەوەیەکیان لەسەر کۆمەڵەی خوێندکارانی MIT کرد
09:15
They gave these MIT students a bunch of games,
203
543000
3000
کۆمەڵێ یاریان دا بە خوێندکارانی MIT
09:18
games that involved creativity,
204
546000
2000
کە پێویستی بە داهێنان بوو
09:20
and motor skills, and concentration.
205
548000
2000
هەروەها توانای جوڵان و چەخت کردنەوە
09:22
And the offered them, for performance,
206
550000
2000
وە بەرامبەر ئەوەی بەشداری لە تاقیکردنەوەکە بکەن پێشنیاری
09:24
three levels of rewards:
207
552000
2000
سی جۆر بەخشینیان بۆ کردن
09:26
small reward, medium reward, large reward.
208
554000
5000
بەخشینی بچوک، مامناوەند، گەورە
09:31
Okay? If you do really well you get the large reward, on down.
209
559000
4000
باشە؟، ئەگەر توانایەکی باش هەبوو ئەوە لە بەرامبەردا بەخشیەکی باش وەردەگریت
09:35
What happened? As long as the task involved only mechanical skill
210
563000
4000
چی ڕویدا؟، لە کاتێکدا ئەنجام دانی کارەکە تەنها توانای میکانیکی دەوێت
09:39
bonuses worked as they would be expected:
211
567000
2000
بەخشینەکان کاریخۆی کرد وەک چۆن چاوەڕوان کراو بوو
09:41
the higher the pay, the better the performance.
212
569000
4000
هەتا پاڵنەر زۆربوایە، کارکردن باش دەبوو
09:45
Okay? But one the task called for
213
573000
2000
باشە، یەکێ لە کارە گرنگەکان پێویستی بە
09:47
even rudimentary cognitive skill,
214
575000
4000
توانای عەقڵیە، هەرچەندە سەرەکیە
09:51
a larger reward led to poorer performance.
215
579000
5000
بەخشینی گەورە بۆ خراپترین کار بوو
09:56
Then they said,
216
584000
2000
پاشان وتیان
09:58
"Okay let's see if there's any cultural bias here.
217
586000
2000
'' باشە بابزانین هیچ پاڵنەرێکی ڕۆشنبیری هەیە لێرەدا
10:00
Lets go to Madurai, India and test this."
218
588000
2000
با بڕۆین لە مادورای لە هندستان تاقیبکەینەوە ''
10:02
Standard of living is lower.
219
590000
2000
توانای ژیان کەمترە
10:04
In Madurai, a reward that is modest in North American standards,
220
592000
3000
لە مادورای، بەخشینی مامناوەند لە باکوری ئەمریکا
10:07
is more meaningful there.
221
595000
3000
شوێن پێی گەورەتری هەیە
10:10
Same deal. A bunch of games, three levels of rewards.
222
598000
3000
هەمان بابەت، کۆمەڵێک یاری و سێ جۆر بەخشین
10:13
What happens?
223
601000
2000
چی ڕویدا؟
10:15
People offered the medium level of rewards
224
603000
3000
ئەو کەسانەی مەکافەئە مامناوەندەکەیان پێبەخشرا
10:18
did no better than people offered the small rewards.
225
606000
3000
هیچ کارێکی باشتریان ئەنجام نەدا لەوانەی کە بەخشییە بچوکەکەیان وەرگرت
10:21
But this time, people offered the highest rewards,
226
609000
4000
بەڵام ئەمجارە، ئەو کەسانەی باخشیە گەورەکەیان پێدرا
10:25
they did the worst of all.
227
613000
4000
خراپترین کاریان ئەنجام دا
10:29
In eight of the nine tasks we examined across three experiments,
228
617000
3000
لە هەشت لە نۆ لێکۆڵینەوەمان تیاکردوە، لە سێ دانە تاقیکردنەوەمان کردوە
10:32
higher incentives led to worse performance.
229
620000
5000
لە پاڵنەری زۆرەوە خراپترین کاریان کردوە
10:37
Is this some kind of touchy-feely
230
625000
3000
ئایا هیچ جۆرە موئامەرەیەکی کۆمەڵی
10:40
socialist conspiracy going on here?
231
628000
3000
هەستیار ڕودەدات؟
10:43
No. These are economists from MIT,
232
631000
3000
نەخێر، ئەو ئابوریناسانەی کە لە MIT ین
10:46
from Carnegie Mellon, from the University of Chicago.
233
634000
3000
لە کارنجی ملیون لە زانکۆی شیکاگۆ
10:49
And do you know who sponsored this research?
234
637000
2000
ئایا دەزانن کێ ئەم لێکۆڵینەوانە بەڕێوە دەبات ؟
10:51
The Federal Reserve Bank of the United States.
235
639000
4000
بانکی فیدڕاڵی یەدەکی ویلایەتە یاکگرتوەکانی ئەمریکا
10:55
That's the American experience.
236
643000
2000
ئەوە شارەزای ئەمریکیە
10:57
Let's go across the pond to the London School of Economics --
237
645000
3000
با لە زەریاوە بپەڕێنەوە بۆ لەندەن بۆ قوتانخانەی ئابوری
11:00
LSE, London School of Economics,
238
648000
3000
LSE قوتابخانەی ئابوری لەندەن
11:03
alma mater of 11 Nobel Laureates in economics.
239
651000
3000
ئەو قوتابخانەی ١١ خەڵاتی نۆبڵی وەرگرتوە لە ئابوریدا
11:06
Training ground for great economic thinkers
240
654000
3000
شوێنی مەشق کردنی زۆرێک لە زانا ئابوری ناسەکان بووە
11:09
like George Soros, and Friedrich Hayek,
241
657000
3000
وەک جۆرج سۆرۆس هاروەها فریدێرک جایک
11:12
and Mick Jagger. (Laughter)
242
660000
2000
مایک جاگر (پێکەنین)
11:14
Last month, just last month,
243
662000
4000
مانگی پێشوو، تەنها لە مانگی پێشودا
11:18
economists at LSE looked at 51 studies
244
666000
3000
ئابوری ناسان لە ٥١ ئاڕاستەوە ڕوانگەیان هەبووە بۆ ئەم قوتابخانەیە
11:21
of pay-for-performance plans, inside of companies.
245
669000
3000
لەسەر پلانی بەخشین بۆ هاندانی کارکردن لە ناو کۆمپانیاکان
11:24
Here's what the economists there said: "We find that financial incentives
246
672000
3000
ئابوڕی ناسەکان وتیان '' ئێمە هەست دەکەین پاڵنەرە پارەییەکان
11:27
can result in a negative impact on overall performance."
247
675000
6000
دەورێکی خراپی دەبێت لەسەر کاری هەموان ''
11:33
There is a mismatch between what science knows
248
681000
3000
کەموو کورتی هەیە لە نێوان ئەوەی زانست دەیزانێت
11:36
and what business does.
249
684000
2000
و ئەوەی لە کاتی کاردا ڕوودەدات
11:38
And what worries me, as we stand here in the rubble
250
686000
3000
ئەوەی کە قەلەقم دەکات ئەوەیە کە ئێمە لە کاولیەکدا وەستاوین
11:41
of the economic collapse,
251
689000
2000
لە داڕوخانی ئابوری
11:43
is that too many organizations
252
691000
2000
زۆریک لە ڕێکخراوەکان
11:45
are making their decisions,
253
693000
2000
بڕیاری خۆیان دەر دەدەن
11:47
their policies about talent and people,
254
695000
2000
هەروەها ڕێساکانیان دەربارەی هەڵسو کەوتی کەسەکان
11:49
based on assumptions that are outdated, unexamined,
255
697000
6000
لەسەر چەند بنەمایەکی دیاری کراو کە لێکۆڵینەوەی لەسەر نەکراوە
11:55
and rooted more in folklore than in science.
256
703000
3000
زیاتر لە فۆلکلۆرەوە نزیکە وەک لە زانست
11:58
And if we really want to get out of this economic mess,
257
706000
3000
ئەگەر بە ڕاستی بمانەوێت لەم شڵەژاویە ئابوریە دەربچین
12:01
and if we really want high performance on those
258
709000
2000
وە ئەگەر بە ڕاستی کارێکی باشمان بوێت لەو
12:03
definitional tasks of the 21st century,
259
711000
2000
کارە کێشوەرییانەی سەدەی ٢١
12:05
the solution is not to do more of the wrong things,
260
713000
6000
چارەسەرمان ئەوەیە چیتی شتی هەڵە نەکەین
12:11
to entice people with a sweeter carrot,
261
719000
3000
وەک بەرچاو ڕش کردنی خەڵک بە گێزەرێکی شیرین
12:14
or threaten them with a sharper stick.
262
722000
2000
یاخود ترساندنیان بە دارێک
12:16
We need a whole new approach.
263
724000
2000
پێویستمان بە شێوازێکی تازە هەیە
12:18
And the good news about all of this is that the scientists
264
726000
2000
هەواڵی خۆش لێرادا ئەوەیە کە هەموو زاناکان
12:20
who've been studying motivation have given us this new approach.
265
728000
3000
ئەوانەی کە زانستی پاڵنانیان خوێندوە شتی تازەیان پێشکەش کردین
12:23
It's an approach built much more around intrinsic motivation.
266
731000
3000
بریتیە لە شێوازی پاڵنانی خۆیەتی
12:26
Around the desire to do things because they matter,
267
734000
2000
پێکهاتووە لە حەزی کار بۆ تەواو کردنی کارەکانیان
12:28
because we like it, because they're interesting,
268
736000
2000
لەبەر ئەوەی خۆشحاڵین بەمە ، لەبەر ئەوەی سەرنج ڕاکێسە
12:30
because they are part of something important.
269
738000
2000
لەبەرئەوەی بەشێکە لە شتێکی گرنگ
12:32
And to my mind, that new operating system for our businesses
270
740000
4000
ئەوەی کە من ئەیبینم لێرەدا لە شێوازی کارکردن
12:36
revolves around three elements:
271
744000
2000
لە سێ شێوازی کارکردن پێکدێت
12:38
autonomy, mastery and purpose.
272
746000
3000
سەرپشکی، لێهاتویی ، هەبوونی ئارەزوو
12:41
Autonomy: the urge to direct our own lives.
273
749000
3000
سەرپشکی : پاڵنەرە بۆ بەڕێوەبردنی ژیانمان لە لایەن خۆمانەوە
12:44
Mastery: the desire to get better and better at something that matters.
274
752000
4000
لێهاتووی : ئارەزویەکە بۆ ئەوەی ببین بە باشتر و باشترین لە شتی گرنگدا
12:48
Purpose: the yearning to do what we do
275
756000
3000
هەبوونی ئارەزوو: حەزێکە بۆ ئەو کارەی دەیکەین
12:51
in the service of something larger than ourselves.
276
759000
3000
لە ئەنجام دانی کارێک کە لە خۆمان گەورەترە
12:54
These are the building blocks of an entirely new operating system
277
762000
3000
ئەمەش بۆ ئەوەی سیستەمێکی کارای تەواو بخەینە کار
12:57
for our businesses.
278
765000
2000
بۆ کار و بازرگانیەکانمان
12:59
I want to talk today only about autonomy.
279
767000
4000
ئەمڕۆ دەمەوێت باسی سەرپشکی بکەم
13:03
In the 20th century, we came up with this idea of management.
280
771000
3000
لە سەدەی ٢٠ دا بیرۆکەی بەڕوەبردنمان هێنایە کایەوە
13:06
Management did not emanate from nature.
281
774000
2000
بەڕێوەبردن لە سروشتەوە نەهاتوە
13:08
Management is like -- it's not a tree,
282
776000
2000
بەڕێوەبردن وەک ... دڕەخت نیە
13:10
it's a television set.
283
778000
2000
بەڵکو وەک ئامێری تەلەفزێون وایە
13:12
Okay? Somebody invented it.
284
780000
2000
باشە؟، کەسێک دایهێناوە
13:14
And it doesn't mean it's going to work forever.
285
782000
2000
ئەمەش ئەوە ناگەیەنێت کە هەتا سەر دەژی
13:16
Management is great.
286
784000
2000
بەڕێوەبردن شتێکی خۆشە
13:18
Traditional notions of management are great
287
786000
2000
تێگەیشتنە یاساییەکان بۆ بەڕێوەبردن زۆر چاکە
13:20
if you want compliance.
288
788000
2000
ئەگەر یەک ڕەویتان ویست
13:22
But if you want engagement, self-direction works better.
289
790000
3000
بەڵام ئەگەر یەکگرتنتان ویست ئەوا پەیڕەوی کردنی تاکڕەوی باشترە
13:25
Let me give you some examples of some kind of radical
290
793000
2000
تەماشە بکەن با چەند نمونەیەکتان بدەمێ دەربارەی هەندێ
13:27
notions of self-direction.
291
795000
2000
تێگەیشتنی ڕادیکالی کەسی
13:29
What this means -- you don't see a lot of it,
292
797000
3000
ئەمە مانای چیە؟... زۆرتان نەدیوە
13:32
but you see the first stirrings of something really interesting going on,
293
800000
3000
بەڵام سەرەتای شتێکی گرنگ دەبینن کە ڕودەدات
13:35
because what it means is paying people adequately
294
803000
2000
لەبەرئەوەی واتای ئەوەیە کە شتێک بدەیت بە خەلک کە بەس بێت
13:37
and fairly, absolutely --
295
805000
2000
هەروەها بە یەکسانی، بە دڵنیاییەوە
13:39
getting the issue of money off the table,
296
807000
2000
باسی پارە بخەنە لاوە
13:41
and then giving people lots of autonomy.
297
809000
2000
پاشان سەرپشکیەکی زۆر بدە بە خەڵکی
13:43
Let me give you some examples.
298
811000
2000
با چەند نمونەیەکتان بدەمێ
13:45
How many of you have heard of the company Atlassian?
299
813000
4000
چەند کەس لە ئێوە ناوی کۆمپانیای ئەتڵاسیان تان بیستوە؟
13:49
It looks like less than half.
300
817000
2000
ڕەنگە لە نیو کەمتر بێت
13:51
(Laughter)
301
819000
2000
(پێکەنین)
13:53
Atlassian is an Australian software company.
302
821000
4000
ئەتلاسیان کۆمپانیایەکی بەرنامەی ئوستڕالیە
13:57
And they do something incredibly cool.
303
825000
2000
شتێکی زۆر نایاب دەکەن
13:59
A few times a year they tell their engineers,
304
827000
2000
لە ساڵێکدا چەند جارێک بە ئەندازیارەکانیان دەڵێن
14:01
"Go for the next 24 hours and work on anything you want,
305
829000
4000
''لە ٢٤ کاتژمێری داهاتودا بڕۆن چی دەکەن بیکەن
14:05
as long as it's not part of your regular job.
306
833000
2000
کە لە کارە ڕۆتینیەکانتاندا نەبێت
14:07
Work on anything you want."
307
835000
2000
هەرچیەکتان دەوێت بیکەن ''
14:09
So that engineers use this time to come up with
308
837000
2000
کەواتە ئەندازیارەکان سود لەو کاتە وەردەگرن بۆ داهێنان
14:11
a cool patch for code, come up with an elegant hack.
309
839000
3000
کۆدێکی باشە و داهێنانێکی شیاوە
14:14
Then they present all of the stuff that they've developed
310
842000
3000
پاشان هەموو کارەکانیان دەخەنە ڕوو
14:17
to their teammates, to the rest of the company,
311
845000
3000
بۆ هاوڕێکانیان و ئەوانەی لە کۆمپانیاکەدان
14:20
in this wild and wooly all-hands meeting
312
848000
2000
لا کۆبونەوەی گەردەلویدا
14:22
at the end of the day.
313
850000
2000
لە کۆتای رۆژدا
14:24
And then, being Australians, everybody has a beer.
314
852000
2000
پاشان، وەک ئوستڕالیەک، هەمووی بیرە دەخواتەوە
14:26
They call them FedEx Days.
315
854000
3000
ناویان ناوە رۆژی '' فید ئێکس ''
14:29
Why? Because you have to deliver something overnight.
316
857000
6000
بۆ؟ لەبەرئەوەی دەبێت شتێک پێشکەش بکەن لە ماوەی ڕۆژکدا
14:35
It's pretty. It's not bad. It's a huge trademark violation,
317
863000
2000
ناوێکی جوانە، خراپ نیە، بەکارهێنانێکی گەورە بۆ نیسانەی بازرگانی
14:37
but it's pretty clever.
318
865000
2000
بەڵام ناوێکی زۆر زیرەکانەیە
14:39
(Laughter)
319
867000
1000
(پێکەنین)
14:40
That one day of intense autonomy
320
868000
2000
ئەوە ڕۆژێکی سەرپشک کردنی زۆرە
14:42
has produced a whole array of software fixes
321
870000
2000
زۆر بەرهەم و بەرنامەی داهێناوە و یارمەتی بەرنامەکانیدا
14:44
that might never have existed.
322
872000
2000
نەدەبوو ئەگەر نەدۆزرایایەتەوە
14:46
And it's worked so well that Atlassian has taken it to the next level
323
874000
2000
سەرکەوتنێکی گەورەی بەدەست هێناو تەنانەت ئەتڵاسیان بەرەو هەنگاوی دواتر برد
14:48
with 20 Percent Time --
324
876000
2000
بە ڕێژەی %٢٠
14:50
done, famously, at Google --
325
878000
2000
ناودارە لە کۆمپانیای گۆگڵ
14:52
where engineers can work, spend 20 percent of their time
326
880000
2000
بە شێوازێک ئەندازیارەکان ئەتوانن % ٢٠ کاتەکانیان وەربگرن
14:54
working on anything they want.
327
882000
2000
لە کاتی کاردا بۆ هەرشتێک بیانەوێت
14:56
They have autonomy over their time,
328
884000
2000
سەرپشکیان هەیە لە کاتەکانیاندا
14:58
their task, their team, their technique.
329
886000
2000
لە کارەکانیان، لە ستافەکەیان، لە هەڵسوکەوتیان
15:00
Okay? Radical amounts of autonomy.
330
888000
2000
باشە؟ ڕێژەی ڕادیکالیە لە سەرپشکی
15:02
And at Google, as many of you know,
331
890000
4000
لە گوگڵ کە زۆربەتان دەزانن
15:06
about half of the new products in a typical year
332
894000
2000
نیوەی بەرهەمە نوێیەکان بۆ ساڵێکی نمونەیی
15:08
are birthed during that 20 Percent Time:
333
896000
3000
دروست دەبێت بۆ %٢٠ ی ئەو کاتە :
15:11
things like Gmail, Orkut, Google News.
334
899000
3000
( Gmail, Orkut, Google News ) شتەکانی وەکو
15:14
Let me give you an even more radical example of it:
335
902000
3000
با نمونەیەکی ڕادیکالی ڕوون ترتان بدەمێ
15:17
something called the Results Only Work Environment,
336
905000
2000
شتێک پێی دەوترێت سروشتی کار دروست دەکرێت لەسەر ئەنجامی
15:19
the ROWE,
337
907000
2000
( ڕۆی)
15:21
created by two American consultants, in place
338
909000
2000
دوو وتەبێژی ئەمریکی دروستیان کرد
15:23
in place at about a dozen companies around North America.
339
911000
2000
کە بەکار دێت لە ١٢ کۆمپانیا لە ئەمەریکای باکوردا
15:25
In a ROWE people don't have schedules.
340
913000
4000
هیچ خەڵک خشتەی ڕۆی هاتوچۆی نیە
15:29
They show up when they want.
341
917000
2000
کەی ویستیان ئەو کاتە دێن
15:31
They don't have to be in the office at a certain time,
342
919000
2000
پێویست ناکات لە ئۆفیسبن لە کاتی دیاری کراودا
15:33
or any time.
343
921000
2000
وە هیچ کاتێک
15:35
They just have to get their work done.
344
923000
2000
تەنها پێویست دەکات کارەکانیان ئەنجام بدەن
15:37
How they do it, when they do it,
345
925000
2000
چۆن و کەی
15:39
where they do it, is totally up to them.
346
927000
3000
وە لە کوێ دەژین ئەوە پەیوەندی بە خۆیانەوە هەیە
15:42
Meetings in these kinds of environments are optional.
347
930000
4000
کۆبونەوە لەم سیستەمانەدا هەچ کەسەو بە دڵی خۆیەتی
15:46
What happens?
348
934000
2000
باشە چی ڕودەدات؟
15:48
Almost across the board, productivity goes up,
349
936000
3000
لە هەموو بەڕێوە بەرایەتیەکەدا بەرهەم بەرز دەبێتەوە
15:51
worker engagement goes up,
350
939000
3000
هەروەها پەیوەندی کارمەند بە کارەکەیەوە زیاد دەکات
15:54
worker satisfaction goes up, turnover goes down.
351
942000
3000
وە ڕێژەی ڕازی بوون لای کارمەندەکان بەرز دەبێتەوە، زیان کەم دەبێتەوە
15:57
Autonomy, mastery and purpose,
352
945000
2000
سەرپشکی، لێزانین، ئارەزو
15:59
These are the building blocks of a new way of doing things.
353
947000
2000
ئەوە ڕێگەیەکی تازەیە بۆ کار کردن
16:01
Now some of you might look at this and say,
354
949000
3000
ڕەنگە هەندێک سەیری ئەم سیستەمە بکات و بڵێت
16:04
"Hmm, that sounds nice, but it's Utopian."
355
952000
3000
'' باشە ئەوەی ئەیڵێت جوانە بەڵام زۆر تایبەتە''
16:07
And I say, "Nope. I have proof."
356
955000
5000
منیش دەڵێم '' نەخێر بەڵگەم هەیە ''
16:12
The mid-1990s, Microsoft started
357
960000
2000
لە نیوەی نەوەتەکان مایکرۆسۆفت دەستی کرد بە
16:14
an encyclopedia called Encarta.
358
962000
2000
کارێکی گەورە بە ناوی (ئینکارتا)
16:16
They had deployed all the right incentives,
359
964000
2000
هەموو پاڵنەرە ڕێکەکانیان بەکار هێنا
16:18
all the right incentives. They paid professionals to
360
966000
3000
هەموو پاڵنەرە ڕاستەکان یان پارەیان بەخشی بە کەسی تایبەتمەند هەتا
16:21
write and edit thousands of articles.
361
969000
2000
بنوسن و پێداچونەوەی هەزاران نوسراو بکەن
16:23
Well-compensated managers oversaw the whole thing
362
971000
2000
هەروەها چەند بەڕێوبەرێکی پارە پێدراو چاودێری هەموو کارەکانیان کرد
16:25
to make sure it came in on budget and on time.
363
973000
5000
هەتا ئاگاداری پەیوەستی بە کار و بودجە و کاتی دیاری کراو بێت
16:30
A few years later another encyclopedia got started.
364
978000
2000
دوای چەند ساڵێک شتێکیتر دەر کەوت
16:32
Different model, right?
365
980000
3000
شتێکی جیاواز، ڕاستە؟
16:35
Do it for fun. No one gets paid a cent, or a Euro or a Yen.
366
983000
4000
تەنها بۆ خۆشی بەشدار ببە کە نە سەنتێک نە یۆرۆ یەک نە یەن ێک وەرناگرێت
16:39
Do it because you like to do it.
367
987000
3000
بیکە لەبەر ئەوەی ئارەزوو دەکەیت بیکەیت
16:42
Now if you had, just 10 years ago,
368
990000
3000
ئێستا ئەگەر پێش دە ساڵ بچویتایە
16:45
if you had gone to an economist, anywhere,
369
993000
2000
بۆ لای هەر ئابوری ناسێک لە هەر شوێنێک
16:47
and said, "Hey, I've got these two different models for creating an encyclopedia.
370
995000
4000
دەیگوت هێی ئێمە دوو سیستەمی جیاوازمان هەیە بۆ داهێنانی بڵاوکراوە
16:51
If they went head to head, who would win?"
371
999000
3000
ئەگەر پێشبڕکێیان کرد کێ دەیباتەوە؟
16:54
10 years ago you could not have found a single sober economist anywhere
372
1002000
4000
پێش دە ساڵ لەمەو پێش هیچ ئابوری ناسێکت نەدەبینی ئاگای لە خۆی بێت لە هیچ شوێنێک
16:58
on planet Earth
373
1006000
2000
لەسەر زەوی
17:00
who would have predicted the Wikipedia model.
374
1008000
2000
دەیتوانی ئاگاداری بڵاوکراوەی ویکیکیپیدیا بێت
17:02
This is the titanic battle between these two approaches.
375
1010000
3000
ئەوە هەوڵدانی تایتانیکە لە نێوان دوو ڕێگا
17:05
This is the Ali-Frazier of motivation. Right?
376
1013000
3000
شەڕی نێوان محەمەد علی و فرایزەر لەسەر پاڵنەر، وانیە؟
17:08
This is the Thrilla' in Manila.
377
1016000
2000
ئەوە پێداکێشانی کۆتاییە لە مانێلا
17:10
Alright? Intrinsic motivators versus extrinsic motivators.
378
1018000
3000
باشە؟ پاڵنەرە ناوەکیەکان بەرامبەر پاڵنەرە دەرەکیەکان
17:13
Autonomy, mastery and purpose,
379
1021000
2000
سەرپشک بوون و لێزانین و ئامانج
17:15
versus carrot and sticks. And who wins?
380
1023000
2000
بەرامبەر دارو گوێز، کێ دەیباتەوە؟
17:17
Intrinsic motivation, autonomy, mastery and purpose,
381
1025000
3000
پاڵنەری خۆیی، سەرپشکی، لێزانین و ئامانج
17:20
in a knockout. Let me wrap up.
382
1028000
4000
بە خێراییەکی زۆر. ڕێم بدەن با کۆی بکەمەوە
17:24
There is a mismatch between what science knows and what business does.
383
1032000
3000
کەموکورتی هەیە لەوەی کە لە زانست دەیزانین و چی ڕو دەدات لە کاردا
17:27
And here is what science knows.
384
1035000
2000
ئەوەی کە زانست دەیزانێت
17:29
One: Those 20th century rewards,
385
1037000
2000
یەکەم: ئەمانە پاداشتی سەدەی بیستە
17:31
those motivators we think are a natural part of business,
386
1039000
3000
ئەم پاڵنەرانە کە ئێمە واهەست دەکەین بەشێکی سروشتیە لە کار
17:34
do work, but only in a surprisingly narrow band of circumstances.
387
1042000
4000
بەڵام زۆر بە سەیری سەردەکەوێت لە لایەکی زۆر تەسک لە کاتەکان و ساتەکان
17:38
Two: Those if-then rewards often destroy creativity.
388
1046000
4000
دووەم: ئەمانە ئەگەر پاداشتەکان زۆر جار لەناو دەچن و دروست دەبنەوە
17:42
Three: The secret to high performance
389
1050000
2000
سێهەم: نهێنی کارکردنی بەرز
17:44
isn't rewards and punishments,
390
1052000
2000
ئەوە تەنها پاڵنەر و سزادان نیە
17:46
but that unseen intrinsic drive --
391
1054000
2000
بەڵام توانای کەسی نادیارە
17:48
the drive to do things for their own sake.
392
1056000
3000
هاندان بۆ کردنی شتەکان بۆ خۆی
17:51
The drive to do things cause they matter.
393
1059000
2000
ئەو پاڵنەرەیە کە کارەکە گرنگدەکات
17:53
And here's the best part. Here's the best part.
394
1061000
2000
ئەمە باشترین بەشە. ئەمە باشترین بەشە
17:55
We already know this. The science confirms what we know in our hearts.
395
1063000
3000
ئێمە هەموومان ئەمە دەزانین. زانست جەخت لەوە دەکاتەوە کە لە دڵماندایە
17:58
So, if we repair this mismatch
396
1066000
3000
لەبەرئەوەی ئەو کێشەیەمان چاک کرد
18:01
between what science knows and what business does,
397
1069000
2000
لەوەی کە زانست دەیزانێت و کاریش چی دەکات
18:03
if we bring our motivation, notions of motivation
398
1071000
3000
ئەگەر پاڵنەرەکانمان هێنا، بیرۆکەی پاڵنەرەکانمان
18:06
into the 21st century,
399
1074000
2000
لە سەدەی بیست و یەک دا
18:08
if we get past this lazy, dangerous, ideology
400
1076000
4000
ئەگەر لەم ئایدۆلۆجیا ترسناکە تەمبەڵە دەرچوین
18:12
of carrots and sticks,
401
1080000
2000
بۆ گۆچان و گێزەر
18:14
we can strengthen our businesses,
402
1082000
3000
دەتوانین کارەکانمان ڕێک بخەینەوە
18:17
we can solve a lot of those candle problems,
403
1085000
3000
دەتوانی زۆر لەو کێشانە چارەسەر بکەین
18:20
and maybe, maybe, maybe
404
1088000
4000
ڕەنگە، ڕەنگە، ڕەنگە
18:24
we can change the world.
405
1092000
2000
بتوانین جیهان بگۆڕین
18:26
I rest my case.
406
1094000
2000
منیش واز لە داواکەم دەهێنم
18:28
(Applause)
407
1096000
3000
چەپڵە
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