TEDGlobal 2009
Dan Pink: The puzzle of motivation
Dan Pink e a surpreendente ciência da motivação
Filmed:
Readability: 4
25,352,736 views
Analista de carreira Dan Pink examina o quebra-cabeça da motivação, começando pelo fato que cientistas sociais sabem mas a maioria dos gerentes não: recompensas tradicionais não são tão eficientes quanto pensamos. Escute histórias iluminadoras -- e talvez, um caminho a trilhar.
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
Preciso fazer uma confissão para vocês.
00:16
A little over 20 years ago
1
4000
3000
Um pouco mais de 20 anos atrás
00:19
I did something that I regret,
2
7000
2000
Fiz algo de que me arrependo,
00:21
something that I'm not particularly proud of,
3
9000
4000
algo que não estou particularmente orgulhoso,
00:25
something that, in many ways, I wish no one would ever know,
4
13000
3000
algo que, de muitas formas, gostaria que ninguém soubesse,
00:28
but here I feel kind of obliged to reveal.
5
16000
4000
mas me sinto obrigado a revelar.
00:32
(Laughter)
6
20000
2000
(Risos)
00:34
In the late 1980s,
7
22000
2000
No final da década de 1980,
00:36
in a moment of youthful indiscretion,
8
24000
3000
em um momento de indiscrição juvenil,
00:39
I went to law school.
9
27000
2000
entrei para uma faculdade de Direito.
00:41
(Laughter)
10
29000
4000
(Risos)
00:45
Now, in America law is a professional degree:
11
33000
3000
Agora, na América direito é um diploma profissional.
00:48
you get your university degree, then you go on to law school.
12
36000
2000
Você pega o seu diploma universitário. E vai para para faculdade de direito.
00:50
And when I got to law school,
13
38000
3000
E quando cheguei na faculdade de direito,
00:53
I didn't do very well.
14
41000
2000
Não me saí bem.
00:55
To put it mildly, I didn't do very well.
15
43000
2000
Para amenizar, não fui muito bem.
00:57
I, in fact, graduated in the part of my law school class
16
45000
3000
Eu, na verdade, formei na parte da faculdade de direito
01:00
that made the top 90 percent possible.
17
48000
4000
que fez os top 90 por cento possível.
01:04
(Laughter)
18
52000
4000
(Risos)
01:08
Thank you.
19
56000
3000
Obrigado.
01:11
I never practiced law a day in my life;
20
59000
3000
Nunca advoguei um dia na minha vida.
01:14
I pretty much wasn't allowed to.
21
62000
2000
Na verdade nunca me foi permitido.
01:16
(Laughter)
22
64000
3000
(Risos)
01:19
But today, against my better judgment,
23
67000
3000
Mas hoje, contra meu bom senso,
01:22
against the advice of my own wife,
24
70000
3000
contra o conselho de minha própria esposa,
01:25
I want to try to dust off some of those legal skills --
25
73000
4000
quero tentar tirar a poeira de algumas dessas habilidades jurídicas,
01:29
what's left of those legal skills.
26
77000
2000
ou o que sobrou delas.
01:31
I don't want to tell you a story.
27
79000
3000
Não quero lhes contar um história.
01:34
I want to make a case.
28
82000
2000
Quero apresentar um caso.
01:36
I want to make a hard-headed, evidence-based,
29
84000
4000
Quero apresentar um caso envolvente, prático e baseado em evidências,
01:40
dare I say lawyerly case,
30
88000
3000
ouso dizer um caso legal,
01:43
for rethinking how we run our businesses.
31
91000
4000
por repensar como conduzimos nossos negócios.
01:47
So, ladies and gentlemen of the jury, take a look at this.
32
95000
4000
Então, senhoras e senhores do júri, olhem isso.
01:51
This is called the candle problem.
33
99000
2000
Isso é chamado de o problema da vela.
01:53
Some of you might have seen this before.
34
101000
2000
Alguns de vocês podem ter visto isso antes.
01:55
It's created in 1945
35
103000
2000
Foi criado em 1945
01:57
by a psychologist named Karl Duncker.
36
105000
2000
por um psicólogo chamado Karl Dunker.
01:59
Karl Duncker created this experiment
37
107000
2000
Karl Duncher criou esse experimento
02:01
that is used in a whole variety of experiments in behavioral science.
38
109000
3000
que é usado em uma enorme variedade de experimentos na ciência comportamental.
02:04
And here's how it works. Suppose I'm the experimenter.
39
112000
3000
E funciona assim. Suponha que eu seja o experimentador.
02:07
I bring you into a room. I give you a candle,
40
115000
4000
Te levo para uma sala. Te dou uma vela,
02:11
some thumbtacks and some matches.
41
119000
2000
algumas tachinhas e alguns fósforos.
02:13
And I say to you, "Your job
42
121000
2000
E te digo,"Seu trabalho
02:15
is to attach the candle to the wall
43
123000
2000
é prender a vela na parede
02:17
so the wax doesn't drip onto the table." Now what would you do?
44
125000
4000
para que a cera não pingue na mesa." E agora o que você faz?
02:21
Now many people begin trying to thumbtack the candle to the wall.
45
129000
4000
Agora muitas pessoas começam a tentar usar as tachinhas para prender a vela na parede.
02:25
Doesn't work.
46
133000
2000
Não funciona.
02:27
Somebody, some people -- and I saw somebody
47
135000
2000
Alguém, alguma pessoas, e vi alguém
02:29
kind of make the motion over here --
48
137000
2000
tentando fazer o movimento por aqui.
02:31
some people have a great idea where they
49
139000
2000
Algumas pessoas têm a ótima ideia e
02:33
light the match, melt the side of the candle, try to adhere it to the wall.
50
141000
4000
acendem um fósforo, derretem o lado da vela e tentam aderi-la na parede.
02:37
It's an awesome idea. Doesn't work.
51
145000
3000
É uma excelente ideia. Não funciona.
02:40
And eventually, after five or 10 minutes,
52
148000
3000
E eventualmente, após cinco ou 10 minutos,
02:43
most people figure out the solution,
53
151000
2000
A maior parte das pessoas resolvem o problema,
02:45
which you can see here.
54
153000
2000
Que você pode ver aqui.
02:47
The key is to overcome what's called functional fixedness.
55
155000
3000
A chave para superar o que é chamado de funcionalidade fixa.
02:50
You look at that box and you see it only as a receptacle for the tacks.
56
158000
4000
Você vê a caixa somente como um compartimento para as tachinhas.
02:54
But it can also have this other function,
57
162000
2000
Mas ela também pode ter outra função,
02:56
as a platform for the candle. The candle problem.
58
164000
4000
como uma plataforma para a vela. O problema da vela.
03:00
Now I want to tell you about an experiment
59
168000
2000
Agora quero lhes contar sobre um experimento
03:02
using the candle problem,
60
170000
2000
usando o problema da vela,
03:04
done by a scientist named Sam Glucksberg,
61
172000
2000
feito por um cientista chamado Sam Glucksberg,
03:06
who is now at Princeton University in the U.S.
62
174000
2000
que está agora na Universidade de Princeton nos Estados Unidos.
03:08
This shows the power of incentives.
63
176000
4000
Isto mostra o poder dos incentivos.
03:12
Here's what he did. He gathered his participants.
64
180000
2000
Aqui está o que ele fez. Ele juntou participantes.
03:14
And he said, "I'm going to time you. How quickly you can solve this problem?"
65
182000
3000
E disse, "Vou cronometrá-los. Quão rápido resolvem esse problema?"
03:17
To one group he said,
66
185000
2000
Para um grupo ele disse,
03:19
"I'm going to time you to establish norms,
67
187000
3000
vou cronometrá-los para estabelecer normas,
03:22
averages for how long it typically takes
68
190000
2000
médias de quanto tempo leva normalmente
03:24
someone to solve this sort of problem."
69
192000
2000
para alguém resolver esse problema.
03:26
To the second group he offered rewards.
70
194000
3000
Para o segundo grupo ele ofereceu recompensas.
03:29
He said, "If you're in the top 25 percent of the fastest times,
71
197000
4000
Ele disse, "Se estiverem entre os 25 por cento mais rápidos
03:33
you get five dollars.
72
201000
3000
ganharão cinco dólares.
03:36
If you're the fastest of everyone we're testing here today,
73
204000
3000
Se for o mais rápido de todos que estamos testando hoje
03:39
you get 20 dollars."
74
207000
2000
ganha 20 dólares."
03:41
Now this is several years ago. Adjusted for inflation,
75
209000
3000
Agora isso aconteceu alguns anos atrás, ajuste a inflação.
03:44
it's a decent sum of money for a few minutes of work.
76
212000
2000
É uma quantia decente de dinheiro por alguns minutos de trabalho.
03:46
It's a nice motivator.
77
214000
2000
É um bom motivador.
03:48
Question: How much faster
78
216000
3000
Pergunta: Quão mais rápido
03:51
did this group solve the problem?
79
219000
2000
este grupo resolveu o problema?
03:53
Answer: It took them, on average,
80
221000
3000
Resposta: Eles demoraram na média,
03:56
three and a half minutes longer.
81
224000
4000
três minutos e meio mais.
04:00
Three and a half minutes longer. Now this makes no sense right?
82
228000
3000
Três minutos e meio mais. Agora isso não faz sentido, certo?
04:03
I mean, I'm an American. I believe in free markets.
83
231000
3000
Quero dizer, sou Americano. Acredito no livre mercado.
04:06
That's not how it's supposed to work. Right?
84
234000
3000
Não era para funcionar assim. Certo?
04:09
(Laughter)
85
237000
1000
(Risos)
04:10
If you want people to perform better,
86
238000
2000
Se quiser que as pessoas se saiam melhor,
04:12
you reward them. Right?
87
240000
2000
você as recompensa. Certo?
04:14
Bonuses, commissions, their own reality show.
88
242000
3000
Bônus, comissões, o próprio reality show.
04:17
Incentivize them. That's how business works.
89
245000
4000
Incentive-os. É assim que os negócios funcionam.
04:21
But that's not happening here.
90
249000
2000
Mas isso não está acontecendo aqui.
04:23
You've got an incentive designed to
91
251000
2000
Você tem um incentivo feito para
04:25
sharpen thinking and accelerate creativity,
92
253000
4000
afiar o pensamento e acelerar a criatividade.
04:29
and it does just the opposite.
93
257000
2000
E ele faz justamente o oposto.
04:31
It dulls thinking and blocks creativity.
94
259000
3000
Ele cega o pensamento e bloqueia a criatividade.
04:34
And what's interesting about this experiment is that it's not an aberration.
95
262000
3000
E o que é interessante sobre esse experimento é que não é uma aberração.
04:37
This has been replicated over and over
96
265000
3000
Já foi reproduzido várias e várias
04:40
and over again, for nearly 40 years.
97
268000
3000
e várias vezes, por quase 40 anos.
04:43
These contingent motivators --
98
271000
3000
Esses contingentes motivadores,
04:46
if you do this, then you get that --
99
274000
2000
se fizer isso, receberá aquilo,
04:48
work in some circumstances.
100
276000
2000
funcionam em algumas circustâncias.
04:50
But for a lot of tasks, they actually either don't work
101
278000
3000
Mas para muitas tarefas, eles realmente não funcionam
04:53
or, often, they do harm.
102
281000
3000
ou, frequentemente, eles prejudicam.
04:56
This is one of the most robust findings
103
284000
4000
Essa é uma das descobertas mais robustas
05:00
in social science,
104
288000
3000
em ciência social.
05:03
and also one of the most ignored.
105
291000
2000
E também uma das mais ignoradas.
05:05
I spent the last couple of years looking at the science of
106
293000
2000
Passei os últimos dois anos estudando essa ciência da
05:07
human motivation,
107
295000
2000
motivação humana.
05:09
particularly the dynamics of extrinsic motivators
108
297000
2000
Particularmente a dinâmica dos motivadores extrínsicos
05:11
and intrinsic motivators.
109
299000
2000
e motivadores intrísicos.
05:13
And I'm telling you, it's not even close.
110
301000
2000
E te digo, não está nem perto.
05:15
If you look at the science, there is a mismatch
111
303000
2000
Se olhar para a ciência, há um desencontro
05:17
between what science knows and what business does.
112
305000
4000
entre o que a ciência sabe e o que fazemos nos negócios.
05:21
And what's alarming here is that our business operating system --
113
309000
3000
E o que é alarmante é que nosso sistema operacional de negócios --
05:24
think of the set of assumptions and protocols beneath our businesses,
114
312000
3000
pense no conjunto de suposições e protocolos por baixo de nossos negócios,
05:27
how we motivate people, how we apply our human resources --
115
315000
5000
como motivamos pessoas, como usamos nossos recursos humanos --
05:32
it's built entirely around these extrinsic motivators,
116
320000
3000
foi construido completamente sobre estes motivadores extrínsicos,
05:35
around carrots and sticks.
117
323000
2000
sobre bater e assoprar.
05:37
That's actually fine for many kinds of 20th century tasks.
118
325000
4000
Isto funciona bem para muitos tipos de atividades no século 20.
05:41
But for 21st century tasks,
119
329000
2000
Mas para tarefas no século 21,
05:43
that mechanistic, reward-and-punishment approach
120
331000
4000
aquela mecanicista abordagem da recompensa e punição
05:47
doesn't work, often doesn't work, and often does harm.
121
335000
4000
não funciona, frequentemente não funciona, e geralmente causa danos.
05:51
Let me show you what I mean.
122
339000
2000
Deixe-me mostrar o que quero dizer.
05:53
So Glucksberg did another experiment similar to this
123
341000
3000
Glucksberg fez outro experimento semelhante a esse
05:56
where he presented the problem in a slightly different way,
124
344000
2000
onde ele apresentou o problema de uma forma ligeiramente differente,
05:58
like this up here. Okay?
125
346000
3000
como isso aqui.Ok?
06:01
Attach the candle to the wall so the wax doesn't drip onto the table.
126
349000
2000
Prender a vela na parede para que a cera não caia sobre a mesa.
06:03
Same deal. You: we're timing for norms.
127
351000
3000
Mesma coisa.Você: Estamos cronometrando para normas.
06:06
You: we're incentivizing.
128
354000
3000
Você: Estamos incentivando.
06:09
What happened this time?
129
357000
2000
O que aconteceu dessa vez?
06:11
This time, the incentivized group
130
359000
2000
Dessa vez, o grupo incentivado
06:13
kicked the other group's butt.
131
361000
4000
deu uma surra no outro grupo.
06:17
Why? Because when the tacks are out of the box,
132
365000
4000
Por que? Porque quando as tachinhas estão fora da caixa
06:21
it's pretty easy isn't it?
133
369000
4000
é bem fácil não é?
06:25
(Laughter)
134
373000
2000
(Risos)
06:27
If-then rewards work really well
135
375000
3000
Se-então recompensas funcionam bem
06:30
for those sorts of tasks,
136
378000
3000
para esses tipos de tarefas,
06:33
where there is a simple set of rules and a clear destination
137
381000
2000
onde há um grupo simples de regras e um objetivo claro
06:35
to go to.
138
383000
2000
para alcançar.
06:37
Rewards, by their very nature,
139
385000
2000
Recompensas, por natureza,
06:39
narrow our focus, concentrate the mind;
140
387000
2000
estreita nosso foco, concentra a mente.
06:41
that's why they work in so many cases.
141
389000
2000
Por isso funciona em tantos casos.
06:43
And so, for tasks like this,
142
391000
2000
E então, para tarefas assim,
06:45
a narrow focus, where you just see the goal right there,
143
393000
3000
um foco estreito, onde você enxerga somente o objetivo a sua frente,
06:48
zoom straight ahead to it,
144
396000
2000
e faz um zoom em sua direção,
06:50
they work really well.
145
398000
2000
funcionam muito bem.
06:52
But for the real candle problem,
146
400000
2000
Mas para o problema da vela
06:54
you don't want to be looking like this.
147
402000
2000
você não quer ficar olhando dessa forma.
06:56
The solution is not over here. The solution is on the periphery.
148
404000
2000
A solução não está lá. A solução está na visão periférica.
06:58
You want to be looking around.
149
406000
2000
Você precisa olhar em volta.
07:00
That reward actually narrows our focus
150
408000
2000
Aquela recompensa na verdade estreita seu foco
07:02
and restricts our possibility.
151
410000
2000
e restringe nossas possibilidades.
07:04
Let me tell you why this is so important.
152
412000
3000
Deixe me lhe dizer porque isso é tão importante.
07:07
In western Europe,
153
415000
2000
Na Europa ocidental.
07:09
in many parts of Asia,
154
417000
2000
em muitas partes da Ásia,
07:11
in North America, in Australia,
155
419000
3000
na América do Norte, na Austrália,
07:14
white-collar workers are doing less of
156
422000
2000
trabalhadores especializados estão fazendo menos
07:16
this kind of work,
157
424000
2000
desse tipo de trabalho,
07:18
and more of this kind of work.
158
426000
4000
e mais deste tipo de trabalho.
07:22
That routine, rule-based, left-brain work --
159
430000
3000
Aquela rotina, baseada em regras, trabalho do lado esquerdo do cérebro,
07:25
certain kinds of accounting, certain kinds of financial analysis,
160
433000
2000
certos tipos de contabilidade, certos tipos de análises finaceiras
07:27
certain kinds of computer programming --
161
435000
2000
certos tipos de programação de computadores,
07:29
has become fairly easy to outsource,
162
437000
2000
têm se tornado muito fácil de tercerizar,
07:31
fairly easy to automate.
163
439000
2000
bem fácil de automatizar.
07:33
Software can do it faster.
164
441000
3000
Software pode fazer isso mais rápido.
07:36
Low-cost providers around the world can do it cheaper.
165
444000
2000
Provedores com baixo custo pelo mundo podem oferecer mais barato.
07:38
So what really matters are the more right-brained
166
446000
4000
Então o que realmente interessa são os cérebros-direitos
07:42
creative, conceptual kinds of abilities.
167
450000
3000
criativos, habilidades do tipo conceituais.
07:45
Think about your own work.
168
453000
3000
Pense sobre seu própio trabalho.
07:48
Think about your own work.
169
456000
3000
Pense sobre seu própio trabalho.
07:51
Are the problems that you face, or even the problems
170
459000
2000
Os problemas que você encara, ou até mesmo os problemas que
07:53
we've been talking about here,
171
461000
2000
estamos falando aqui,
07:55
are those kinds of problems -- do they have a clear set of rules,
172
463000
2000
estes tipos de problemas -- eles têm regras claras,
07:57
and a single solution? No.
173
465000
3000
e uma única solução? Não.
08:00
The rules are mystifying.
174
468000
2000
As regras são misteriosas.
08:02
The solution, if it exists at all,
175
470000
2000
A solução, se existir para começar,
08:04
is surprising and not obvious.
176
472000
3000
é surpreendente e nada óbvia.
08:07
Everybody in this room
177
475000
2000
Todos nessa sala
08:09
is dealing with their own version
178
477000
3000
estão lidando com sua própia versão
08:12
of the candle problem.
179
480000
2000
do problema da vela.
08:14
And for candle problems of any kind,
180
482000
3000
E para problemas da vela de todos os tipos,
08:17
in any field,
181
485000
2000
em qualquer área,
08:19
those if-then rewards,
182
487000
3000
aquelas se-então recompensas,
08:22
the things around which we've built so many of our businesses,
183
490000
4000
as coisas nas quais construimos nossos negócios em volta,
08:26
don't work.
184
494000
2000
não funcionam.
08:28
Now, I mean it makes me crazy.
185
496000
2000
Agora, isso me deixa louco.
08:30
And this is not -- here's the thing.
186
498000
2000
E isto não é -- a coisa é o seguinte.
08:32
This is not a feeling.
187
500000
3000
Isso não é um sentimento.
08:35
Okay? I'm a lawyer; I don't believe in feelings.
188
503000
3000
Ok? Sou um advogado. Não acredito em sentimentos.
08:38
This is not a philosophy.
189
506000
4000
Isso não é filosofia.
08:42
I'm an American; I don't believe in philosophy.
190
510000
2000
Sou Americano. Não acredito em filosofia.
08:44
(Laughter)
191
512000
3000
(Risos)
08:47
This is a fact --
192
515000
3000
Isso é fato.
08:50
or, as we say in my hometown of Washington, D.C.,
193
518000
2000
ou, como dizemos em minha terra natal Washington D.C,
08:52
a true fact.
194
520000
2000
um fato verdadeiro.
08:54
(Laughter)
195
522000
2000
(Risos)
08:56
(Applause)
196
524000
4000
(Aplausos)
09:00
Let me give you an example of what I mean.
197
528000
2000
Deixe-me dar um exemplo do que quero dizer.
09:02
Let me marshal the evidence here,
198
530000
2000
Deixe me defender a evidência aqui.
09:04
because I'm not telling you a story, I'm making a case.
199
532000
2000
Porque não estou lhes contando uma história. Estou apresentando um caso.
09:06
Ladies and gentlemen of the jury, some evidence:
200
534000
2000
Senhoras e senhores do júri, algumas evidências:
09:08
Dan Ariely, one of the great economists of our time,
201
536000
3000
Dan Ariely, um dos maiores economistas de nossos tempos,
09:11
he and three colleagues, did a study of some MIT students.
202
539000
4000
ele e três colegas fizeram um estudo com alunos do MIT.
09:15
They gave these MIT students a bunch of games,
203
543000
3000
Eles deram para os alunos do MIT um monte de jogos.
09:18
games that involved creativity,
204
546000
2000
Jogos que envolviam criatividade,
09:20
and motor skills, and concentration.
205
548000
2000
habilidades motora e concentração.
09:22
And the offered them, for performance,
206
550000
2000
E eles ofereceram aos alunos, por performance,
09:24
three levels of rewards:
207
552000
2000
três níveis de recompensas.
09:26
small reward, medium reward, large reward.
208
554000
5000
pequena recompensa, média recompensa e grande recompensa.
09:31
Okay? If you do really well you get the large reward, on down.
209
559000
4000
Ok? Se você se sair muito bem ganha a grande recompensa e assim por diante.
09:35
What happened? As long as the task involved only mechanical skill
210
563000
4000
O que aconteceu? Enquanto as tarefas envolviam somente habilidades mecânicas
09:39
bonuses worked as they would be expected:
211
567000
2000
bônus funcionaram como esperado:
09:41
the higher the pay, the better the performance.
212
569000
4000
quanto maior o pagamento, melhor a performance.
09:45
Okay? But one the task called for
213
573000
2000
Ok? Mas uma tarefa pedia por
09:47
even rudimentary cognitive skill,
214
575000
4000
uma habilidade cognitiva até rudimentar,
09:51
a larger reward led to poorer performance.
215
579000
5000
uma recompensa maior os levou para uma performace mais fraca.
09:56
Then they said,
216
584000
2000
E eles disseram,
09:58
"Okay let's see if there's any cultural bias here.
217
586000
2000
"Vamos ver se existe um elemento cultural aqui.
10:00
Lets go to Madurai, India and test this."
218
588000
2000
Vamos para Madurai, Índia testar isso,"
10:02
Standard of living is lower.
219
590000
2000
Padrão de vida é mais baixo.
10:04
In Madurai, a reward that is modest in North American standards,
220
592000
3000
Em Madurai, uma recompensa que é modesta nos padrões Norte Americanos,
10:07
is more meaningful there.
221
595000
3000
é mais significativa lá.
10:10
Same deal. A bunch of games, three levels of rewards.
222
598000
3000
Mesma coisa. Montes de jogos, três níveis de recompensas.
10:13
What happens?
223
601000
2000
O que aconteceu?
10:15
People offered the medium level of rewards
224
603000
3000
Pessoas a quem se ofereceu recompensas de nível médio
10:18
did no better than people offered the small rewards.
225
606000
3000
não se sairam melhor que as que foram oferecidas pequenas recompensas.
10:21
But this time, people offered the highest rewards,
226
609000
4000
Mas dessa vez, as pessoas que foram oferecidas as maiores recompensas,
10:25
they did the worst of all.
227
613000
4000
tiveram os piores resultados.
10:29
In eight of the nine tasks we examined across three experiments,
228
617000
3000
Em oito das nove tarefas que examinamos através dos três experimentos,
10:32
higher incentives led to worse performance.
229
620000
5000
incentivos mais altos levaram a resultados piores.
10:37
Is this some kind of touchy-feely
230
625000
3000
É algum tipo de frescura
10:40
socialist conspiracy going on here?
231
628000
3000
conspiração socialista acontecendo aqui?
10:43
No. These are economists from MIT,
232
631000
3000
Não. Eles são economistas do MIT,
10:46
from Carnegie Mellon, from the University of Chicago.
233
634000
3000
da Carnegie Mellon, da Universidade de Chicago.
10:49
And do you know who sponsored this research?
234
637000
2000
E sabe quem finaciou essa pesquisa?
10:51
The Federal Reserve Bank of the United States.
235
639000
4000
O Banco Central dos Estados Unidos.
10:55
That's the American experience.
236
643000
2000
Essa é a experiência Americana.
10:57
Let's go across the pond to the London School of Economics --
237
645000
3000
Vamos até a Faculdade de Economia de Londres.
11:00
LSE, London School of Economics,
238
648000
3000
LSE, Faculdade de Economia de Londres.
11:03
alma mater of 11 Nobel Laureates in economics.
239
651000
3000
Alma mater (universidade de origem) de 11 laureados do prêmio Nobel em Economia
11:06
Training ground for great economic thinkers
240
654000
3000
Local de treinamento para grandes pensadores em economia
11:09
like George Soros, and Friedrich Hayek,
241
657000
3000
como George Soros, e Friedrich Hayek,
11:12
and Mick Jagger. (Laughter)
242
660000
2000
e Mick Jagger. (Risos)
11:14
Last month, just last month,
243
662000
4000
Mês passado, somente mês passado,
11:18
economists at LSE looked at 51 studies
244
666000
3000
economistas da LSE olharam 51 estudos
11:21
of pay-for-performance plans, inside of companies.
245
669000
3000
de planos que pagam por performance, dentro das companhias.
11:24
Here's what the economists there said: "We find that financial incentives
246
672000
3000
Aqui está o que os economistas de lá falaram,"Nós achamos que incentivos finaceiros
11:27
can result in a negative impact on overall performance."
247
675000
6000
podem resultar em um impacto negativo na performance como um todo."
11:33
There is a mismatch between what science knows
248
681000
3000
Há um desencontro entre o que a ciência sabe
11:36
and what business does.
249
684000
2000
e o que negócios fazem.
11:38
And what worries me, as we stand here in the rubble
250
686000
3000
E o que me preocupa, enquanto ficamos de pé aqui nos destroços
11:41
of the economic collapse,
251
689000
2000
do colapso econômico,
11:43
is that too many organizations
252
691000
2000
é que muitas organizações
11:45
are making their decisions,
253
693000
2000
estão tomando suas decisões,
11:47
their policies about talent and people,
254
695000
2000
suas políticas sobre talento e pessoas,
11:49
based on assumptions that are outdated, unexamined,
255
697000
6000
baseado em suposições desatualizadas, sem verificação,
11:55
and rooted more in folklore than in science.
256
703000
3000
e baseadas mais em folclore que em ciência.
11:58
And if we really want to get out of this economic mess,
257
706000
3000
E se realmente queremos sair dessa bagunça econômica,
12:01
and if we really want high performance on those
258
709000
2000
e se realmente queremos alta performance naquelas
12:03
definitional tasks of the 21st century,
259
711000
2000
tarefas definitivas do século 21,
12:05
the solution is not to do more of the wrong things,
260
713000
6000
a solução não é fazer mais das coisas erradas.
12:11
to entice people with a sweeter carrot,
261
719000
3000
Atiçar as pessoas com recompensas melhores,
12:14
or threaten them with a sharper stick.
262
722000
2000
ou ameaçá-las com punições mais severas.
12:16
We need a whole new approach.
263
724000
2000
Precisamos de uma abordagem nova.
12:18
And the good news about all of this is that the scientists
264
726000
2000
E a boa notícia sobre isso é que os cientistas
12:20
who've been studying motivation have given us this new approach.
265
728000
3000
que têm estudado motivação nos deram uma nova abordagem.
12:23
It's an approach built much more around intrinsic motivation.
266
731000
3000
É uma forma construida mais em torno da motivação intrínseca.
12:26
Around the desire to do things because they matter,
267
734000
2000
Em torno de uma vontade de fazer as coisas porque elas importam,
12:28
because we like it, because they're interesting,
268
736000
2000
porque nós gostamos, porque elas são interessantes,
12:30
because they are part of something important.
269
738000
2000
porque são parte de algo importante.
12:32
And to my mind, that new operating system for our businesses
270
740000
4000
E em minha mente, aquele novo sistema operacional para nossos negócios
12:36
revolves around three elements:
271
744000
2000
gira em torno de três elementos:
12:38
autonomy, mastery and purpose.
272
746000
3000
autonomia, domínio e propósito.
12:41
Autonomy: the urge to direct our own lives.
273
749000
3000
Autonomia, o desejo de direcionar nossas própias vidas.
12:44
Mastery: the desire to get better and better at something that matters.
274
752000
4000
Domínio, o desejo de melhorar cada vez mais fazendo algo que importa.
12:48
Purpose: the yearning to do what we do
275
756000
3000
Propósito, o desejo de fazer o que fazemos
12:51
in the service of something larger than ourselves.
276
759000
3000
para que sirva a algo maior que nós mesmos.
12:54
These are the building blocks of an entirely new operating system
277
762000
3000
Estas são as peças para um sistema operacional completamente novo
12:57
for our businesses.
278
765000
2000
para nossos negócios.
12:59
I want to talk today only about autonomy.
279
767000
4000
Quero falar hoje apenas sobre autonomia.
13:03
In the 20th century, we came up with this idea of management.
280
771000
3000
O século 20 chegou com essa ideia de gerenciamento.
13:06
Management did not emanate from nature.
281
774000
2000
Gerenciamento não emanou da natureza.
13:08
Management is like -- it's not a tree,
282
776000
2000
Gerenciamento é como -- não é uma árvore.
13:10
it's a television set.
283
778000
2000
É como uma tv.
13:12
Okay? Somebody invented it.
284
780000
2000
Ok? Alguém o inventou.
13:14
And it doesn't mean it's going to work forever.
285
782000
2000
E não significa que vai funcionar para sempre.
13:16
Management is great.
286
784000
2000
Gerenciamento é ótimo.
13:18
Traditional notions of management are great
287
786000
2000
Noções tradicionais de gerenciamento são ótimas
13:20
if you want compliance.
288
788000
2000
Se quiser conformidade.
13:22
But if you want engagement, self-direction works better.
289
790000
3000
Mas se quiser engajamento, auto-direcionamento funciona melhor.
13:25
Let me give you some examples of some kind of radical
290
793000
2000
Deixe-me dar alguns exemplos um pouco radicais
13:27
notions of self-direction.
291
795000
2000
de noções de auto-direção.
13:29
What this means -- you don't see a lot of it,
292
797000
3000
O que isso significa -- não se vê muito disso,
13:32
but you see the first stirrings of something really interesting going on,
293
800000
3000
mas você vê o início de algo bem interessante acontecendo.
13:35
because what it means is paying people adequately
294
803000
2000
Porque o que significa é pagar as pessoas adequadamente
13:37
and fairly, absolutely --
295
805000
2000
e de uma forma justa, absolutamente.
13:39
getting the issue of money off the table,
296
807000
2000
Tirando a questão do dinheiro da frente.
13:41
and then giving people lots of autonomy.
297
809000
2000
E então dando muita autonomia para as pessoas.
13:43
Let me give you some examples.
298
811000
2000
Deixe-me dar alguns exemplos.
13:45
How many of you have heard of the company Atlassian?
299
813000
4000
Quantos de vocês ouviram falar da companhia Atlassian?
13:49
It looks like less than half.
300
817000
2000
Parece que menos da metade.
13:51
(Laughter)
301
819000
2000
(Risos)
13:53
Atlassian is an Australian software company.
302
821000
4000
Atlassian é uma firma Australiana de software.
13:57
And they do something incredibly cool.
303
825000
2000
E ele fazem algo incrivelmente bacana.
13:59
A few times a year they tell their engineers,
304
827000
2000
Algumas vezes ao ano eles dizem para seus engenheiros,
14:01
"Go for the next 24 hours and work on anything you want,
305
829000
4000
"Vá e trabalhe nas próximas 24 horas em qualquer coisa que quiser,
14:05
as long as it's not part of your regular job.
306
833000
2000
contanto que não seja em algo que é parte de seu trabalho regular.
14:07
Work on anything you want."
307
835000
2000
Trabalhe em qualquer coisa que quiser."
14:09
So that engineers use this time to come up with
308
837000
2000
Assim os engenheiros usam esse tempo para pensarem
14:11
a cool patch for code, come up with an elegant hack.
309
839000
3000
em uma forma legal de códigos, inventam uma estante elegante.
14:14
Then they present all of the stuff that they've developed
310
842000
3000
Depois eles apresentam tudo que desenvolveram
14:17
to their teammates, to the rest of the company,
311
845000
3000
para seus colegas e para o resto da companhia,
14:20
in this wild and wooly all-hands meeting
312
848000
2000
nessa atmosfera vigorosa todas as mãos se encontram
14:22
at the end of the day.
313
850000
2000
ao final do dia.
14:24
And then, being Australians, everybody has a beer.
314
852000
2000
E então, sendo Australinos, todos tomam cerveja.
14:26
They call them FedEx Days.
315
854000
3000
Eles chamam de Dias FedEx.
14:29
Why? Because you have to deliver something overnight.
316
857000
6000
Por que? Porque têm de entregar algo de um dia para outro.
14:35
It's pretty. It's not bad. It's a huge trademark violation,
317
863000
2000
É lindo. Nada mal. É uma grande violação de marca.
14:37
but it's pretty clever.
318
865000
2000
Mas é muito inteligente.
14:39
(Laughter)
319
867000
1000
(Risos)
14:40
That one day of intense autonomy
320
868000
2000
Esse um dia de intensa autonomia
14:42
has produced a whole array of software fixes
321
870000
2000
produziu uma gama de soluções para software
14:44
that might never have existed.
322
872000
2000
que talvez nunca existissem.
14:46
And it's worked so well that Atlassian has taken it to the next level
323
874000
2000
E funciona tão bem que Atlassian levou a idéia para um próximo nível
14:48
with 20 Percent Time --
324
876000
2000
para 20% do tempo.
14:50
done, famously, at Google --
325
878000
2000
Feito, conhecidamente, na Google.
14:52
where engineers can work, spend 20 percent of their time
326
880000
2000
Onde engenheiros podem trabalhar 20% de seu tempo
14:54
working on anything they want.
327
882000
2000
trabalhando no que quiserem.
14:56
They have autonomy over their time,
328
884000
2000
Eles têm autonomia sobre seu próprio tempo,
14:58
their task, their team, their technique.
329
886000
2000
suas tarefas, seus times, suas técnicas.
15:00
Okay? Radical amounts of autonomy.
330
888000
2000
Ok? Quantidades radicais de autonomia,
15:02
And at Google, as many of you know,
331
890000
4000
E na Google, como muitos sabem,
15:06
about half of the new products in a typical year
332
894000
2000
cerca da metade de seus produtos em um ano típico
15:08
are birthed during that 20 Percent Time:
333
896000
3000
nasceram durante os 20% do tempo.
15:11
things like Gmail, Orkut, Google News.
334
899000
3000
Coisas como Gmail, Orkut, Google News.
15:14
Let me give you an even more radical example of it:
335
902000
3000
Deixe-me dar um exemplo ainda mais radical.
15:17
something called the Results Only Work Environment,
336
905000
2000
Algo chamado "Somente Resultados no Ambiente de Trabalho".
15:19
the ROWE,
337
907000
2000
O ROWE.
15:21
created by two American consultants, in place
338
909000
2000
Criado por duas consultoras Americanas,
15:23
in place at about a dozen companies around North America.
339
911000
2000
em operação em cerca de uma dúzia de companhias pela América do Norte.
15:25
In a ROWE people don't have schedules.
340
913000
4000
Em ROWE as pessoas não têm horários.
15:29
They show up when they want.
341
917000
2000
Chegam quando querem.
15:31
They don't have to be in the office at a certain time,
342
919000
2000
Eles não têm de estar no escritório em um horário específico
15:33
or any time.
343
921000
2000
ou a qualquer hora.
15:35
They just have to get their work done.
344
923000
2000
Eles têm que simplesmente fazer o trabalho.
15:37
How they do it, when they do it,
345
925000
2000
Como fazem isso, quando fazem,
15:39
where they do it, is totally up to them.
346
927000
3000
onde fazem é escolha deles.
15:42
Meetings in these kinds of environments are optional.
347
930000
4000
Reuniões em ambientes desse tipo são opcionais.
15:46
What happens?
348
934000
2000
O que acontece?
15:48
Almost across the board, productivity goes up,
349
936000
3000
Quase que no geral, a produtividade cresce.
15:51
worker engagement goes up,
350
939000
3000
o engajamento dos trabalhadores cresce,
15:54
worker satisfaction goes up, turnover goes down.
351
942000
3000
sua satisfação cresce, a rotatividade de empregados cai.
15:57
Autonomy, mastery and purpose,
352
945000
2000
Autonomia, domínio e propósito,
15:59
These are the building blocks of a new way of doing things.
353
947000
2000
Essas são as peças de uma nova forma de se fazer as coisas.
16:01
Now some of you might look at this and say,
354
949000
3000
Agora alguns de vocês podem olhar e dizer,
16:04
"Hmm, that sounds nice, but it's Utopian."
355
952000
3000
"Hmm, isso soa bem. Mas é utópico."
16:07
And I say, "Nope. I have proof."
356
955000
5000
E eu digo, "Não. Eu tenho a prova."
16:12
The mid-1990s, Microsoft started
357
960000
2000
Em meados dos anos 90, a Microsoft iniciou
16:14
an encyclopedia called Encarta.
358
962000
2000
uma enciclopédia chamada Encarta.
16:16
They had deployed all the right incentives,
359
964000
2000
Eles deram todos os incentivos corretos.
16:18
all the right incentives. They paid professionals to
360
966000
3000
Todos os incentivos corretos. Pagaram profissionais para
16:21
write and edit thousands of articles.
361
969000
2000
escreverem e editarem milhares de artigos.
16:23
Well-compensated managers oversaw the whole thing
362
971000
2000
Bem pagos gerentes supervisavam a coisa toda
16:25
to make sure it came in on budget and on time.
363
973000
5000
para terem certeza que tudo acontecia de acordo com o orçamento e tempo.
16:30
A few years later another encyclopedia got started.
364
978000
2000
Alguns anos mais tarde uma outra enciclopéida começava.
16:32
Different model, right?
365
980000
3000
Modelo diferente, certo?
16:35
Do it for fun. No one gets paid a cent, or a Euro or a Yen.
366
983000
4000
Faça por diversão. Ninguém recebe um centavo, ou Euro ou Yen.
16:39
Do it because you like to do it.
367
987000
3000
Faça porque você gosta de fazer.
16:42
Now if you had, just 10 years ago,
368
990000
3000
Agora se fosse, somente 10 anos atrás,
16:45
if you had gone to an economist, anywhere,
369
993000
2000
se você encontrasse um economista, em qualquer lugar,
16:47
and said, "Hey, I've got these two different models for creating an encyclopedia.
370
995000
4000
E disesse, "Oi, tenho dois modelos para criar enciclopédias.
16:51
If they went head to head, who would win?"
371
999000
3000
Se apostassem cabeça a cabeça, quem ganharia?"
16:54
10 years ago you could not have found a single sober economist anywhere
372
1002000
4000
10 anos atrás você não conseguiria achar um único economista sóbrio em lugar algum
16:58
on planet Earth
373
1006000
2000
no planeta Terra,
17:00
who would have predicted the Wikipedia model.
374
1008000
2000
que previsse o modelo da Wikipédia.
17:02
This is the titanic battle between these two approaches.
375
1010000
3000
É uma batalha titânica entre esses dois modelos.
17:05
This is the Ali-Frazier of motivation. Right?
376
1013000
3000
É o Ali-Frazier da motivação. Certo?
17:08
This is the Thrilla' in Manila.
377
1016000
2000
Isso é a batalha final, o Thrilla' in Manila.
17:10
Alright? Intrinsic motivators versus extrinsic motivators.
378
1018000
3000
Tudo bem? Motivadores intrínsecos versus motivadores extrínsecos.
17:13
Autonomy, mastery and purpose,
379
1021000
2000
Autonomia, domínio e propósito,
17:15
versus carrot and sticks. And who wins?
380
1023000
2000
Versus recompensa e castigo. E quem ganha?
17:17
Intrinsic motivation, autonomy, mastery and purpose,
381
1025000
3000
Motivação intrínseca, autonomia, domínio e propósito,
17:20
in a knockout. Let me wrap up.
382
1028000
4000
por knockout. Deixe-me terminar.
17:24
There is a mismatch between what science knows and what business does.
383
1032000
3000
Há um desencontro entre o que a ciência sabe e o que os negócios fazem.
17:27
And here is what science knows.
384
1035000
2000
E aqui está o que a ciência sabe.
17:29
One: Those 20th century rewards,
385
1037000
2000
Um: Aquelas recompensas do século 20,
17:31
those motivators we think are a natural part of business,
386
1039000
3000
aquele motivadores que pensamos ser parte natural dos negócios,
17:34
do work, but only in a surprisingly narrow band of circumstances.
387
1042000
4000
funcionam, mas somente em uma faixa surpreendentemente estreita de circunstâncias.
17:38
Two: Those if-then rewards often destroy creativity.
388
1046000
4000
Dois: Esse tipo de recompensa frequentemente destrói a criatividade.
17:42
Three: The secret to high performance
389
1050000
2000
Três: O segredo para alta performance
17:44
isn't rewards and punishments,
390
1052000
2000
não é recompensas e punições,
17:46
but that unseen intrinsic drive --
391
1054000
2000
mas aquele desejo invísivel intrínseco.
17:48
the drive to do things for their own sake.
392
1056000
3000
O desejo de fazer as coisas por si.
17:51
The drive to do things cause they matter.
393
1059000
2000
O desejo de fazer as coisas que importam.
17:53
And here's the best part. Here's the best part.
394
1061000
2000
E aqui está a melhor parte. Aqui está a melhor parte.
17:55
We already know this. The science confirms what we know in our hearts.
395
1063000
3000
Já sabemos disso. A ciência confirma o que sabemos em nossos corações.
17:58
So, if we repair this mismatch
396
1066000
3000
Então, se repararmos esse desencontro
18:01
between what science knows and what business does,
397
1069000
2000
entre o que a ciência sabe e o que os negócios fazem,
18:03
if we bring our motivation, notions of motivation
398
1071000
3000
se nós trouxermos nossa motivação, noções de motivação
18:06
into the 21st century,
399
1074000
2000
para o século 21,
18:08
if we get past this lazy, dangerous, ideology
400
1076000
4000
se passarmos essa preguiçosa, perigosa, ideologia
18:12
of carrots and sticks,
401
1080000
2000
de recompensas e punições,
18:14
we can strengthen our businesses,
402
1082000
3000
podemos fortalecer nossos negócios,
18:17
we can solve a lot of those candle problems,
403
1085000
3000
Podemos resolver muitos problemas da vela,
18:20
and maybe, maybe, maybe
404
1088000
4000
e tavez, talvez, talvez
18:24
we can change the world.
405
1092000
2000
possamos mudar o mundo.
18:26
I rest my case.
406
1094000
2000
Encerro meu caso.
18:28
(Applause)
407
1096000
3000
(Aplausos)
ABOUT THE SPEAKER
Dan Pink - Career analystBidding adieu to his last "real job" as Al Gore's speechwriter, Dan Pink went freelance to spark a right-brain revolution in the career marketplace.
Why you should listen
With a trio of influential bestsellers, Dan Pink has changed the way companies view the modern workplace. In the pivotal A Whole New Mind, Pink identifies a sea change in the global workforce -- the shift of an information-based corporate culture to a conceptual base, where creativity and big-picture design dominates the landscape.
His latest book, The Adventures of Johnny Bunko, is an evolutionary transformation of the familiar career guide. Replacing linear text with a manga-inspired comic, Pink outlines six career laws vastly differing from the ones you've been taught. Members of the Johnny Bunko online forum participated in an online contest to create the seventh law -- "stay hungry."
A contributing editor for Wired, Pink is working on a new book on the science and economics of motivation for release in late 2009.
Dan Pink | Speaker | TED.com