TEDGlobal 2009
Dan Pink: The puzzle of motivation
แดน พิงค์ ว่าด้วยวิทยาศาสตร์ที่น่าทึ่งของแรงจูงใจ
Filmed:
Readability: 4
25,352,736 views
แดน พิงค์ นักวิเคราะห์อาชีพ สำรวจปริศนาเรื่องแรงจูงใจ เริ่มจากข้อเท็จจริงที่นักสังคมศาสตร์รู้แล้วแต่ผู้จัดการส่วนใหญ่ยังไม่รู้ นั่นคือ การให้รางวัลแบบดั้งเดิมไม่ได้มีประสิทธิผลดีเท่ากับที่เราเชื่อกัน ลองฟังเรื่องราวที่เปิดโลกทัศน์และอาจแผ้วถางแนวทางใหม่ในการทำงาน
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
ผมต้องขอสารภาพก่อนเลยนะครับว่า
00:16
A little over 20 years ago
1
4000
3000
เมื่อประมาณ 20 ปีก่อน
00:19
I did something that I regret,
2
7000
2000
ผมทำอะไรบางอย่างที่ไม่ควรทำ
00:21
something that I'm not particularly proud of,
3
9000
4000
มันเป็นสิ่งที่ผมไม่ภูมิใจ
00:25
something that, in many ways, I wish no one would ever know,
4
13000
3000
สิ่งที่ผมหวังลึกๆ ว่าจะไม่มีใครรู้
00:28
but here I feel kind of obliged to reveal.
5
16000
4000
แต่ ณ จุดนี้ผมรู้สึกว่าผมจำเป็นต้องสารภาพ
00:32
(Laughter)
6
20000
2000
(เสียงหัวเราะ)
00:34
In the late 1980s,
7
22000
2000
ปลายทศวรรษ 1980
00:36
in a moment of youthful indiscretion,
8
24000
3000
ในห้วงความคิดชั่วแล่นของวัยคะนอง
00:39
I went to law school.
9
27000
2000
ผมไปเรียนปริญญาด้านกฏหมาย
00:41
(Laughter)
10
29000
4000
(เสียงหัวเราะ)
00:45
Now, in America law is a professional degree:
11
33000
3000
ทีนี้ในอเมริกา กฎหมายเป็นปริญญาวิชาชีพ
00:48
you get your university degree, then you go on to law school.
12
36000
2000
คุณต้องจบปริญญาตรีก่อน จึงจะไปเรียนต่อทางกฎหมายได้
00:50
And when I got to law school,
13
38000
3000
พอผมไปเรียนต่อด้านกฎหมาย
00:53
I didn't do very well.
14
41000
2000
ผมก็เรียนไม่ดีเลย
00:55
To put it mildly, I didn't do very well.
15
43000
2000
นี่พูดอย่างเบาะๆ แล้วนะ ผมเรียนไม่ดีเลย
00:57
I, in fact, graduated in the part of my law school class
16
45000
3000
ที่จริงในรุ่นของผม ผมจบปริญญากฏหมายด้วยคะแนนระดับที่
01:00
that made the top 90 percent possible.
17
48000
4000
เป็นฐานให้คนร้อยละ 90 ของชั้นเขาเหยียบ
01:04
(Laughter)
18
52000
4000
(เสียงหัวเราะ)
01:08
Thank you.
19
56000
3000
ขอบคุณครับ
01:11
I never practiced law a day in my life;
20
59000
3000
ในชีวิตนี้ ผมไม่เคยใช้ความรู้ด้านกฎหมายเลยสักวันเดียว
01:14
I pretty much wasn't allowed to.
21
62000
2000
เพราะไม่มีใครยอมให้ผมใช้
01:16
(Laughter)
22
64000
3000
(เสียงหัวเราะ)
01:19
But today, against my better judgment,
23
67000
3000
แต่วันนี้ แม้ว่าใจผมจะบอกว่าไม่ควร
01:22
against the advice of my own wife,
24
70000
3000
และภรรยาของผมก็ต่อต้าน
01:25
I want to try to dust off some of those legal skills --
25
73000
4000
แต่ผมอยากจะเอาทักษะทางกฏหมายมาปัดฝุ่น
01:29
what's left of those legal skills.
26
77000
2000
ทักษะที่ยังพอหลงเหลืออยู่น่ะครับ
01:31
I don't want to tell you a story.
27
79000
3000
ผมไม่ได้อยากมาเล่าเรื่องให้คุณฟัง
01:34
I want to make a case.
28
82000
2000
แต่ผมอยากจะนำเสนอประเด็น
01:36
I want to make a hard-headed, evidence-based,
29
84000
4000
ประเด็นที่มีหลักฐานและเหตุผลรองรับอย่างหนักแน่น
01:40
dare I say lawyerly case,
30
88000
3000
ผมกล้าบอกว่าหนักแน่นเหมือนการนำเสนอประเด็นของทนายเลย
01:43
for rethinking how we run our businesses.
31
91000
4000
เพื่ออธิบายว่าเราควรกลับมาทบทวนวิธีการทำธุรกิจของเรา
01:47
So, ladies and gentlemen of the jury, take a look at this.
32
95000
4000
โอเค ท่านลูกขุนทุกท่านครับ กรุณาดูนี่
01:51
This is called the candle problem.
33
99000
2000
นี่เรียกว่าโจทย์เทียน
01:53
Some of you might have seen this before.
34
101000
2000
พวกคุณบางคนอาจเคยเห็นแล้ว
01:55
It's created in 1945
35
103000
2000
มันถูกคิดค้นในปี 1945
01:57
by a psychologist named Karl Duncker.
36
105000
2000
โดยนักจิตวิทยานาม คาร์ล ดุงเคอร์
01:59
Karl Duncker created this experiment
37
107000
2000
คาร์ล ดุงเคอร์ ออกแบบการทดลองนี้
02:01
that is used in a whole variety of experiments in behavioral science.
38
109000
3000
ซึ่งถูกนำไปใช้อย่างแพร่หลายในการทดลองทางพฤติกรรมศาสตร์
02:04
And here's how it works. Suppose I'm the experimenter.
39
112000
3000
การทดลองมันเป็นอย่างนี้ครับ สมมุติว่าผมเป็นนักวิจัย
02:07
I bring you into a room. I give you a candle,
40
115000
4000
ผมพาคุณเข้ามาในห้อง ให้เทียนคุณเล่มหนึ่ง
02:11
some thumbtacks and some matches.
41
119000
2000
ให้หมุดกับไม้ขีดไฟกับคุณจำนวนหนึ่ง
02:13
And I say to you, "Your job
42
121000
2000
ผมบอกคุณว่า "หน้าที่ของคุณ
02:15
is to attach the candle to the wall
43
123000
2000
คือติดเทียนเล่มนี้เข้ากับผนัง
02:17
so the wax doesn't drip onto the table." Now what would you do?
44
125000
4000
โดยให้จุดเทียนแล้วน้ำตาเทียนไม่หยดลงโต๊ะ" คุณจะทำยังไง?
02:21
Now many people begin trying to thumbtack the candle to the wall.
45
129000
4000
คนส่วนใหญ่เริ่มต้นด้วยการเอาหมุดปักเทียนกับผนัง
02:25
Doesn't work.
46
133000
2000
ไม่สำเร็จ
02:27
Somebody, some people -- and I saw somebody
47
135000
2000
คนบางคน และผมเห็นบางคนในห้องนี้
02:29
kind of make the motion over here --
48
137000
2000
กำลังทำท่าทำทางอยู่ตรงนั้น
02:31
some people have a great idea where they
49
139000
2000
คือ บางคนมีความคิดที่ยอดมาก ว่าเขาจะ
02:33
light the match, melt the side of the candle, try to adhere it to the wall.
50
141000
4000
จุดไม้ขีด ลนเทียนข้างหนึ่ง และพยายามติดมันกับผนัง
02:37
It's an awesome idea. Doesn't work.
51
145000
3000
เป็นความคิดที่เยี่ยม แต่มันใช้ไม่ได้
02:40
And eventually, after five or 10 minutes,
52
148000
3000
ในที่สุด หลังจากผ่านไป 5 - 10 นาที
02:43
most people figure out the solution,
53
151000
2000
คนส่วนใหญ่ก็ค้นพบคำตอบ
02:45
which you can see here.
54
153000
2000
ซึ่งคุณเห็นแล้วในภาพนี้
02:47
The key is to overcome what's called functional fixedness.
55
155000
3000
กุญแจคือต้องข้ามพ้นสิ่งที่เรียกว่า การยึดติดในประโยชน์ใช้สอย
02:50
You look at that box and you see it only as a receptacle for the tacks.
56
158000
4000
คุณมองกล่องนั้นและเห็นว่ามันเป็นแค่ภาชนะใส่หมุด
02:54
But it can also have this other function,
57
162000
2000
แต่มันยังมีประโยชน์ใช้สอยอื่น
02:56
as a platform for the candle. The candle problem.
58
164000
4000
คือใช้เป็นที่ตั้งเทียนได้ นี่คือโจทย์เทียน
03:00
Now I want to tell you about an experiment
59
168000
2000
ทีนี้ ผมอยากเล่าเรื่องการทดลอง
03:02
using the candle problem,
60
170000
2000
ที่ใช้โจทย์เทียนนี้ให้คุณฟัง
03:04
done by a scientist named Sam Glucksberg,
61
172000
2000
การทดลองนี้ทำโดยนักวิทยาศาสตร์ชื่อ แซม กลักซ์เบิร์ก
03:06
who is now at Princeton University in the U.S.
62
174000
2000
ซึ่งตอนนี้อยู่ที่มหาวิทยาลัยพรินซ์ตันในอเมริกา
03:08
This shows the power of incentives.
63
176000
4000
การทดลองของเขาแสดงให้เห็นถึงพลังของสิ่งจูงใจ
03:12
Here's what he did. He gathered his participants.
64
180000
2000
สิ่งที่เขาทำคือ รวบรวมผู้ร่วมการทดลองมา
03:14
And he said, "I'm going to time you. How quickly you can solve this problem?"
65
182000
3000
แล้วบอกว่า "ผมจะจับเวลาว่าคุณแก้ปัญหานี้ได้เร็วแค่ไหน"
03:17
To one group he said,
66
185000
2000
กับกลุ่มแรก เขาบอกว่า
03:19
"I'm going to time you to establish norms,
67
187000
3000
ผมจะจับเวลาเพื่อสร้างเกณฑ์มาตรฐาน
03:22
averages for how long it typically takes
68
190000
2000
หาค่าเฉลี่ยว่าคนทั่วไปใช้เวลา
03:24
someone to solve this sort of problem."
69
192000
2000
นานแค่ไหนในการแก้ปัญหานี้
03:26
To the second group he offered rewards.
70
194000
3000
สำหรับกลุ่มที่สอง เขาเสนอรางวัล
03:29
He said, "If you're in the top 25 percent of the fastest times,
71
197000
4000
เขาบอกว่า "ถ้าคุณอยู่ในกลุ่ม 25% ที่แก้ปัญหาได้เร็วที่สุด
03:33
you get five dollars.
72
201000
3000
คุณจะได้เงิน 5 ดอลลาร์
03:36
If you're the fastest of everyone we're testing here today,
73
204000
3000
ถ้าคุณแก้ปัญหาได้เร็วที่สุดในบรรดาคนทั้งหมดที่มาร่วมการทดลองวันนี้
03:39
you get 20 dollars."
74
207000
2000
คุณจะได้ 20 ดอลลาร์
03:41
Now this is several years ago. Adjusted for inflation,
75
209000
3000
การทดลองนี้ทำเมื่อไม่กี่ปีก่อน ถ้าเราคำนวณโดยปรับอัตราเงินเฟ้อแล้ว
03:44
it's a decent sum of money for a few minutes of work.
76
212000
2000
มันก็เป็นเงินที่เยอะพอดูสำหรับงานแค่ไม่กี่นาที
03:46
It's a nice motivator.
77
214000
2000
เป็นสิ่งจูงใจที่ดี
03:48
Question: How much faster
78
216000
3000
คำถามคือ กลุ่มที่สองแก้ปัญหา
03:51
did this group solve the problem?
79
219000
2000
ได้เร็วกว่ากลุ่มแรกเท่าไหร่?
03:53
Answer: It took them, on average,
80
221000
3000
คำตอบคือ โดยเฉลี่ยพวกเขา
03:56
three and a half minutes longer.
81
224000
4000
ใช้เวลา "นานกว่า" กลุ่มแรกสามนาทีครึ่ง
04:00
Three and a half minutes longer. Now this makes no sense right?
82
228000
3000
นานกว่าสามนาทีครึ่ง ฟังดูไม่มีเหตุผลเลยใช่ไหมครับ?
04:03
I mean, I'm an American. I believe in free markets.
83
231000
3000
คือผมเป็นคนอเมริกัน ผมเชื่อในตลาดเสรี
04:06
That's not how it's supposed to work. Right?
84
234000
3000
ผลมันไม่น่าจะออกมาเป็นแบบนี้ ใช่ไหมครับ?
04:09
(Laughter)
85
237000
1000
(เสียงหัวเราะ)
04:10
If you want people to perform better,
86
238000
2000
ถ้าคุณอยากให้คนทำงานดีขึ้น
04:12
you reward them. Right?
87
240000
2000
คุณก็ต้องให้รางวัลพวกเขาสิ ใช่ไหมครับ?
04:14
Bonuses, commissions, their own reality show.
88
242000
3000
โบนัส ค่านายหน้า รายการเรียลลิตี้โชว์ของตัวเอง
04:17
Incentivize them. That's how business works.
89
245000
4000
ต้องให้สิ่งจูงใจเขา นี่คือวิธีทำงานของธุรกิจ
04:21
But that's not happening here.
90
249000
2000
แต่นั่นไม่ใช่สิ่งที่กำลังเกิดขึ้น
04:23
You've got an incentive designed to
91
251000
2000
คุณให้สิ่งจูงใจที่ถูกออกแบบมาสำหรับ
04:25
sharpen thinking and accelerate creativity,
92
253000
4000
การลับความคิดให้คมและเร่งความคิดสร้างสรรค์
04:29
and it does just the opposite.
93
257000
2000
แต่มันทำงานตรงกันข้ามอย่างสิ้นเชิง
04:31
It dulls thinking and blocks creativity.
94
259000
3000
กลับทำให้ความคิดทื่อลงและปิดกั้นความคิดสร้างสรรค์
04:34
And what's interesting about this experiment is that it's not an aberration.
95
262000
3000
สิ่งที่น่าสนใจเกี่ยวกับการทดลองนี้คือ มันไม่ใช่ผลที่บังเอิญผิดเพี้ยนไปแค่ครั้งเดียว
04:37
This has been replicated over and over
96
265000
3000
ผลการทดลองนี้ได้รับการยืนยันซ้ำแล้วซ้ำเล่า
04:40
and over again, for nearly 40 years.
97
268000
3000
ตลอดเวลาเกือบ 40 ปี
04:43
These contingent motivators --
98
271000
3000
สิ่งจูงใจที่ขึ้นอยู่กับเงื่อนไข
04:46
if you do this, then you get that --
99
274000
2000
ว่า ถ้าคุณทำอย่างนี้ คุณจะได้อย่างนั้น
04:48
work in some circumstances.
100
276000
2000
ใช้การได้ในบางกรณี
04:50
But for a lot of tasks, they actually either don't work
101
278000
3000
แต่สำหรับงานจำนวนมาก มันไม่ได้ผลเลย
04:53
or, often, they do harm.
102
281000
3000
หรือไม่ บ่อยครั้งก็ส่งผลเชิงลบด้วยซ้ำ
04:56
This is one of the most robust findings
103
284000
4000
นี่คือข้อค้นพบที่มีหลักฐานหนักแน่นที่สุดชิ้นหนึ่ง
05:00
in social science,
104
288000
3000
ในสาขาสังคมศาสตร์
05:03
and also one of the most ignored.
105
291000
2000
แต่ก็เป็นข้อคันพบที่ถูกละเลยมากที่สุดชิ้นหนึ่งด้วย
05:05
I spent the last couple of years looking at the science of
106
293000
2000
ผมใช้เวลาสองสามปีที่ผ่านมา ศึกษาวิทยาศาสตร์
05:07
human motivation,
107
295000
2000
แห่งแรงจูงใจของมนุษย์
05:09
particularly the dynamics of extrinsic motivators
108
297000
2000
โดยเฉพาะพลวัตของสิ่งจูงใจภายนอก
05:11
and intrinsic motivators.
109
299000
2000
และสิ่งจูงใจภายใน
05:13
And I'm telling you, it's not even close.
110
301000
2000
ผมอยากบอกคุณว่า มันเทียบกันไม่ได้เลย
05:15
If you look at the science, there is a mismatch
111
303000
2000
ถ้าคุณดูวิทยาศาสตร์ คุณจะพบความลักลั่น
05:17
between what science knows and what business does.
112
305000
4000
ระหว่างสิ่งที่วิทยาศาสตร์รู้ กับสิ่งที่ธุรกิจทำ
05:21
And what's alarming here is that our business operating system --
113
309000
3000
และสิ่งที่น่าตกใจคือ ระบบบริหารจัดการทางธุรกิจของเรา
05:24
think of the set of assumptions and protocols beneath our businesses,
114
312000
3000
อย่างพวกชุดสมมุติฐานและธรรมเนียมปฏิบัติที่รองรับการทำธุรกิจ
05:27
how we motivate people, how we apply our human resources --
115
315000
5000
วิธีที่เราจูงใจคน วิธีที่เราใช้ทรัพยากรมนุษย์
05:32
it's built entirely around these extrinsic motivators,
116
320000
3000
ล้วนตั้งอยู่บนสิ่งจูงใจภายนอก
05:35
around carrots and sticks.
117
323000
2000
นั่นคือ การให้รางวัลกับการลงโทษทั้งสิ้น
05:37
That's actually fine for many kinds of 20th century tasks.
118
325000
4000
ซึ่งก็ใช้การได้ดีสำหรับงานในยุคศตวรรษที่ 20 หลายชนิด
05:41
But for 21st century tasks,
119
329000
2000
แต่สำหรับงานยุคศตวรรษที่ 21
05:43
that mechanistic, reward-and-punishment approach
120
331000
4000
การใช้รางวัลและบทลงโทษทื่อๆ แบบเครื่องจักร
05:47
doesn't work, often doesn't work, and often does harm.
121
335000
4000
มันไม่ได้ผล มักจะไม่ได้ผล และยังมักมีผลเสียอีกด้วย
05:51
Let me show you what I mean.
122
339000
2000
ผมจะยกตัวอย่างให้เห็นนะครับว่ามันเป็นยังไง
05:53
So Glucksberg did another experiment similar to this
123
341000
3000
โอเค กลักซ์เบิร์กทำการทดลองอีกครั้งหนึ่งที่คล้ายกัน
05:56
where he presented the problem in a slightly different way,
124
344000
2000
เขานำเสนอโจทย์ที่ต่างไปเล็กน้อย
05:58
like this up here. Okay?
125
346000
3000
เหมือนกับในภาพนี้
06:01
Attach the candle to the wall so the wax doesn't drip onto the table.
126
349000
2000
ติดเทียนเข้ากับผนัง โดยให้เวลาจุดเทียนแล้วน้ำตาเทียนไม่หยดลงโต๊ะ
06:03
Same deal. You: we're timing for norms.
127
351000
3000
โจทย์เหมือนกัน กลุ่มแรก จับเวลาหาค่าเฉลี่ย
06:06
You: we're incentivizing.
128
354000
3000
กลุ่มที่สอง เราให้สิ่งจูงใจ
06:09
What happened this time?
129
357000
2000
รอบนี้เกิดอะไรขึ้น?
06:11
This time, the incentivized group
130
359000
2000
รอบนี้กลุ่มที่ได้รับสิ่งจูงใจ
06:13
kicked the other group's butt.
131
361000
4000
เอาชนะอีกกลุ่มอย่างขาดลอย
06:17
Why? Because when the tacks are out of the box,
132
365000
4000
ทำไม? เพราะเมื่อหมุดอยู่นอกกล่อง
06:21
it's pretty easy isn't it?
133
369000
4000
โจทย์นี้ก็ง่ายมากใช่ไหมครับ?
06:25
(Laughter)
134
373000
2000
(เสียงหัวเราะ)
06:27
If-then rewards work really well
135
375000
3000
รางวัลแบบมีเงื่อนไขใช้การได้ดี
06:30
for those sorts of tasks,
136
378000
3000
สำหรับงานแบบนี้
06:33
where there is a simple set of rules and a clear destination
137
381000
2000
งานที่มีกฎง่ายๆ ไม่กี่ข้อและเป้าหมายที่ชัดเจน
06:35
to go to.
138
383000
2000
ให้ไปถึง
06:37
Rewards, by their very nature,
139
385000
2000
รางวัลโดยธรรมชาติ
06:39
narrow our focus, concentrate the mind;
140
387000
2000
ทำให้เราเพ่งสมาธิและมองแคบลง
06:41
that's why they work in so many cases.
141
389000
2000
นี่คือสาเหตุที่มันใช้ได้ในหลายกรณี
06:43
And so, for tasks like this,
142
391000
2000
ดังนั้นสำหรับงานแบบนี้
06:45
a narrow focus, where you just see the goal right there,
143
393000
3000
งานแคบๆ ที่คุณเห็นเป้าหมายชัด
06:48
zoom straight ahead to it,
144
396000
2000
พุ่งความสนใจไปที่มันโดยตรง
06:50
they work really well.
145
398000
2000
รางวัลก็ได้ผลดีมาก
06:52
But for the real candle problem,
146
400000
2000
แต่สำหรับโจทย์เทียนที่แท้จริง
06:54
you don't want to be looking like this.
147
402000
2000
คุณต้องไม่มองแคบๆ แบบนี้
06:56
The solution is not over here. The solution is on the periphery.
148
404000
2000
วิธีแก้ไม่ได้อยู่ตรงหน้านี้ วิธีแก้อยู่ที่ชายขอบ
06:58
You want to be looking around.
149
406000
2000
คุณต้องมองไปรอบๆ
07:00
That reward actually narrows our focus
150
408000
2000
รางวัลทำให้เรามองแคบลง
07:02
and restricts our possibility.
151
410000
2000
และจำกัดความเป็นไปได้
07:04
Let me tell you why this is so important.
152
412000
3000
ผมอยากอธิบายว่าทำไมเรื่องนี้ถึงสำคัญมาก
07:07
In western Europe,
153
415000
2000
ในทวีปยุโรปตะวันตก
07:09
in many parts of Asia,
154
417000
2000
หลายพื้นที่ในเอเชีย
07:11
in North America, in Australia,
155
419000
3000
อเมริกาเหนือ ออสเตรเลีย
07:14
white-collar workers are doing less of
156
422000
2000
พนักงานในบริษัทต่างๆ กำลังทำงาน
07:16
this kind of work,
157
424000
2000
แบบนี้น้อยลง
07:18
and more of this kind of work.
158
426000
4000
และแบบนี้มากขึ้น
07:22
That routine, rule-based, left-brain work --
159
430000
3000
งานจำเจที่ตั้งอยู่บนกฏเกณฑ์ ใช้สมองซีกซ้าย
07:25
certain kinds of accounting, certain kinds of financial analysis,
160
433000
2000
เช่น การลงบัญชีบางอย่าง การวิเคราะห์ทางการเงินบางอย่าง
07:27
certain kinds of computer programming --
161
435000
2000
การเขียนโปรแกรมคอมพิวเตอร์บางอย่าง
07:29
has become fairly easy to outsource,
162
437000
2000
กลายเป็นสิ่งที่จ้างคนนอกบริษัททำได้
07:31
fairly easy to automate.
163
439000
2000
หรือทำด้วยระบบอัตโนมัติได้ง่าย
07:33
Software can do it faster.
164
441000
3000
ซอฟต์แวร์ทำได้เร็วกว่า
07:36
Low-cost providers around the world can do it cheaper.
165
444000
2000
แรงงานค่าแรงต่ำทั่วโลกทำได้ถูกกว่า
07:38
So what really matters are the more right-brained
166
446000
4000
ดังนั้นสิ่งที่สำคัญจริงๆ คืองานที่ใช้สมองซีกขวามากกว่า
07:42
creative, conceptual kinds of abilities.
167
450000
3000
ใช้ความสามารถในการคิดสร้างสรรค์และเข้าใจแนวคิด
07:45
Think about your own work.
168
453000
3000
ลองนึกถึงงานของคุณเอง
07:48
Think about your own work.
169
456000
3000
คิดถึงงานที่คุณทำ
07:51
Are the problems that you face, or even the problems
170
459000
2000
และปัญหาที่คุณเจอ หรือแม้แต่โจทย์
07:53
we've been talking about here,
171
461000
2000
ที่เราคุยกันวันนี้
07:55
are those kinds of problems -- do they have a clear set of rules,
172
463000
2000
โจทย์พวกนั้นมีกฏเกณฑ์ที่ชัดเจน
07:57
and a single solution? No.
173
465000
3000
และมีทางออกเพียงทางเดียวหรือเปล่า? เปล่า
08:00
The rules are mystifying.
174
468000
2000
กฏเกณฑ์เป็นสิ่งเร้นลับซับซ้อน
08:02
The solution, if it exists at all,
175
470000
2000
และทางออก ถ้ามันจะมีอยู่จริง
08:04
is surprising and not obvious.
176
472000
3000
ก็เป็นทางที่น่าแปลกใจและคลุมเครือ
08:07
Everybody in this room
177
475000
2000
คนทุกคนในห้องนี้
08:09
is dealing with their own version
178
477000
3000
กำลังรับมือกับโจทย์เทียน
08:12
of the candle problem.
179
480000
2000
เวอร์ชันเฉพาะของตัวเอง
08:14
And for candle problems of any kind,
180
482000
3000
และการแก้โจทย์เทียนทุกชนิด
08:17
in any field,
181
485000
2000
ในทุกสาขา
08:19
those if-then rewards,
182
487000
3000
รางวัลแบบมีเงื่อนไขพวกนี้
08:22
the things around which we've built so many of our businesses,
183
490000
4000
ซึ่งเป็นรากฐานที่เราใช้ก่อร่างสร้างธุรกิจมากมาย
08:26
don't work.
184
494000
2000
มันใช้ไม่ได้ผล
08:28
Now, I mean it makes me crazy.
185
496000
2000
เรื่องนี้ทำให้ผมคลั่ง
08:30
And this is not -- here's the thing.
186
498000
2000
และมันก็ไม่ใช่ -- ประเด็นอยู่ตรงนี้นะครับ
08:32
This is not a feeling.
187
500000
3000
นี่ไม่ใช่ความรู้สึก
08:35
Okay? I'm a lawyer; I don't believe in feelings.
188
503000
3000
โอเคนะครับ? ผมเป็นทนาย ผมไม่เชื่อในความรู้สึก
08:38
This is not a philosophy.
189
506000
4000
นี่ไม่ใช่ปรัชญาด้วย
08:42
I'm an American; I don't believe in philosophy.
190
510000
2000
ผมเป็นคนอเมริกัน ผมไม่เชื่อในปรัชญา
08:44
(Laughter)
191
512000
3000
(เสียงหัวเราะ)
08:47
This is a fact --
192
515000
3000
นี่คือข้อเท็จจริง
08:50
or, as we say in my hometown of Washington, D.C.,
193
518000
2000
หรือในศัพท์ของวอชิงตัน ดีซี บ้านเกิดของผม
08:52
a true fact.
194
520000
2000
มันคือข้อเท็จจริงที่เป็นจริง
08:54
(Laughter)
195
522000
2000
(เสียงหัวเราะ)
08:56
(Applause)
196
524000
4000
(ปรบมือ)
09:00
Let me give you an example of what I mean.
197
528000
2000
ผมอยากยกตัวอย่างให้ฟังเรื่องหนึ่ง
09:02
Let me marshal the evidence here,
198
530000
2000
ผมขอรวบรวมข้อมูลหลักฐานมาแสดงตรงนี้
09:04
because I'm not telling you a story, I'm making a case.
199
532000
2000
เพราะผมไม่ได้มาเล่าเรื่องให้ฟัง ผมมาเสนอประเด็น
09:06
Ladies and gentlemen of the jury, some evidence:
200
534000
2000
ท่านสุภาพสตรีและสุภาพบุรุษในคณะลูกขุนครับ หลักฐานคือ
09:08
Dan Ariely, one of the great economists of our time,
201
536000
3000
แดน อารีลลี นักเศรษฐศาสตร์ที่ยิ่งใหญ่ที่สุดคนหนึ่งแห่งยุค
09:11
he and three colleagues, did a study of some MIT students.
202
539000
4000
เขากับเพื่อนร่วมงานสามคน ทำการทดลองกับนักศึกษาเอ็มไอที
09:15
They gave these MIT students a bunch of games,
203
543000
3000
พวกเขาให้นักศึกษาเหล่านี้เล่นเกมหลากหลายเกม
09:18
games that involved creativity,
204
546000
2000
เกมที่ใช้ความคิดสร้างสรรค์
09:20
and motor skills, and concentration.
205
548000
2000
ทักษะการเคลื่อนไหว และสมาธิ
09:22
And the offered them, for performance,
206
550000
2000
นักวิจัยเสนอรางวัลเป็นค่าตอบแทนผลงาน
09:24
three levels of rewards:
207
552000
2000
มีรางวัลสามระดับ
09:26
small reward, medium reward, large reward.
208
554000
5000
คือรางวัลเล็ก รางวัลปานกลาง และรางวัลใหญ่
09:31
Okay? If you do really well you get the large reward, on down.
209
559000
4000
โอเค ถ้าคุณทำผลงานได้ดี คุณก็จะได้รางวัลใหญ่ ลดหลั่นกันไป
09:35
What happened? As long as the task involved only mechanical skill
210
563000
4000
เกิดอะไรขึ้น? ตราบใดที่งานใช้แต่ทักษะการเคลื่อนไหว
09:39
bonuses worked as they would be expected:
211
567000
2000
โบนัสก็ทำงานอย่างที่เราคาด
09:41
the higher the pay, the better the performance.
212
569000
4000
ยิ่งมีรางวัลสูงเท่าไร ผลงานก็ยิ่งดีเท่านั้น
09:45
Okay? But one the task called for
213
573000
2000
โอเคนะครับ แต่เมื่อไหร่ที่งานนั้นต้องใช้
09:47
even rudimentary cognitive skill,
214
575000
4000
ทักษะการคิดแม้แต่ระดับพื้นฐาน
09:51
a larger reward led to poorer performance.
215
579000
5000
รางวัลที่ใหญ่กว่ากลับส่งผลให้ผลงานแย่ลง
09:56
Then they said,
216
584000
2000
หลังจากนั้นทีมวิจัยก็บอกว่า
09:58
"Okay let's see if there's any cultural bias here.
217
586000
2000
"โอเค ลองมาดูกันว่ามีอคติทางวัฒนธรรมหรือเปล่า
10:00
Lets go to Madurai, India and test this."
218
588000
2000
ลองไปทดลองกันที่เมืองมาดูไร อินเดีย"
10:02
Standard of living is lower.
219
590000
2000
ค่าครองชีพที่นั่นต่ำกว่า
10:04
In Madurai, a reward that is modest in North American standards,
220
592000
3000
ในมาดูไร ค่าตอบแทนที่ต่ำมากในมาตรฐานอเมริกาเหนือ
10:07
is more meaningful there.
221
595000
3000
จะมีค่ามากขึ้น
10:10
Same deal. A bunch of games, three levels of rewards.
222
598000
3000
การทดลองเหมือนเดิม ให้คนเล่นเกม มีรางวัลสามระดับ
10:13
What happens?
223
601000
2000
เกิดอะไรขึ้น?
10:15
People offered the medium level of rewards
224
603000
3000
คนที่ได้รับข้อเสนอรางวัลปานกลาง
10:18
did no better than people offered the small rewards.
225
606000
3000
ทำงานไม่ได้ดีไปกว่าคนที่ได้รางวัลเล็ก
10:21
But this time, people offered the highest rewards,
226
609000
4000
แต่คนที่ได้รับข้อเสนอรางวัลใหญ่
10:25
they did the worst of all.
227
613000
4000
กลับทำงานได้แย่ที่สุด
10:29
In eight of the nine tasks we examined across three experiments,
228
617000
3000
ในงาน 8 จาก 9 ชนิดที่วิเคราะห์จากการทดลอง 3 ครั้ง
10:32
higher incentives led to worse performance.
229
620000
5000
สิ่งจูงใจที่มีค่ามากขึ้นส่งผลให้การทำงานแย่ลง
10:37
Is this some kind of touchy-feely
230
625000
3000
ฟังดูเหมือนแผนสมคบคิด
10:40
socialist conspiracy going on here?
231
628000
3000
ของนักสังคมนิยมหรือเปล่าครับ?
10:43
No. These are economists from MIT,
232
631000
3000
เปล่าเลย พวกเขาคือนักเศรษฐศาสตร์จากเอ็มไอที
10:46
from Carnegie Mellon, from the University of Chicago.
233
634000
3000
จากคาร์เนกีเมลลอน จากมหาวิทยาลัยชิคาโก
10:49
And do you know who sponsored this research?
234
637000
2000
และคุณรู้ไหมครับว่าใครสปอนเซอร์งานวิจัยชิ้นนี้?
10:51
The Federal Reserve Bank of the United States.
235
639000
4000
คำตอบคือธนาคารกลางของอเมริกา
10:55
That's the American experience.
236
643000
2000
นี่คือประสบการณ์ฝั่งอเมริกา
10:57
Let's go across the pond to the London School of Economics --
237
645000
3000
ลองข้ามทวีปไปที่มหาวิทยาลัยลอนดอนบ้าง
11:00
LSE, London School of Economics,
238
648000
3000
แอลเอสอี - ลอนดอน สกูล ออฟ อีโคโนมิคส์
11:03
alma mater of 11 Nobel Laureates in economics.
239
651000
3000
สถาบันที่ผลิตนักเศรษฐศาสตร์รางวัลโนเบล 11 คน
11:06
Training ground for great economic thinkers
240
654000
3000
เป็นแหล่งผลิตนักคิดทางเศรษฐศาสตร์ที่ยิ่งใหญ่
11:09
like George Soros, and Friedrich Hayek,
241
657000
3000
อย่างเช่น จอร์จ โซรอส และฟรีดริช ฮาเย็ค
11:12
and Mick Jagger. (Laughter)
242
660000
2000
และมิค แจกเกอร์ (เสียงหัวเราะ)
11:14
Last month, just last month,
243
662000
4000
เมื่อเดือนที่แล้ว เดือนที่แล้วเองนะครับ
11:18
economists at LSE looked at 51 studies
244
666000
3000
นักเศรษฐศาสตร์ที่แอลเอสอีดูงานวิจัย 51 ชิ้น
11:21
of pay-for-performance plans, inside of companies.
245
669000
3000
ที่ศึกษาแผนการจ่ายค่าตอบแทนตามผลงานในบริษัทต่างๆ
11:24
Here's what the economists there said: "We find that financial incentives
246
672000
3000
นักเศรษฐศาสตร์ที่แอลเอสอีบอกว่า "เราพบว่าสิ่งจูงใจทางการเงิน
11:27
can result in a negative impact on overall performance."
247
675000
6000
สามารถส่งผลเชิงลบต่อผลงานโดยรวม"
11:33
There is a mismatch between what science knows
248
681000
3000
ตอนนี้สิ่งที่วิทยาศาสตร์รู้ ไม่สอดคล้องกับ
11:36
and what business does.
249
684000
2000
สิ่งที่ธุรกิจทำ
11:38
And what worries me, as we stand here in the rubble
250
686000
3000
และสิ่งที่ทำให้ผมกังวล ขณะที่เรายืนอยู่ในซากปรักหักพัง
11:41
of the economic collapse,
251
689000
2000
ของการล่มสลายทางเศรษฐกิจ
11:43
is that too many organizations
252
691000
2000
ก็คือ มีองค์กรมากเกินไป
11:45
are making their decisions,
253
693000
2000
ที่กำลังตัดสินใจ
11:47
their policies about talent and people,
254
695000
2000
ด้านนโยบายเกี่ยวกับพรสวรรค์และผู้คน
11:49
based on assumptions that are outdated, unexamined,
255
697000
6000
โดยตั้งอยู่บนสมมุติฐานที่ล้าสมัย ไม่ถูกตรวจสอบ
11:55
and rooted more in folklore than in science.
256
703000
3000
และตั้งอยู่บนตำนานมากกว่าวิทยาศาสตร์
11:58
And if we really want to get out of this economic mess,
257
706000
3000
ถ้าเราอยากจะออกจากความยุ่งเหยิงทางเศรษฐกิจจริงๆ
12:01
and if we really want high performance on those
258
709000
2000
และถ้าเราอยากให้คนทำงานได้ดีจริงๆ
12:03
definitional tasks of the 21st century,
259
711000
2000
งานที่เป็นแบบฉบับของงานในศตวรรษที่ 21
12:05
the solution is not to do more of the wrong things,
260
713000
6000
ทางออกจะต้องไม่ใช่การทำสิ่งผิดๆ มากขึ้น
12:11
to entice people with a sweeter carrot,
261
719000
3000
โดยจูงใจคนด้วยรางวัลที่เย้ายวนกว่าเดิม
12:14
or threaten them with a sharper stick.
262
722000
2000
หรือขู่ด้วยบทลงโทษที่แรงกว่าเดิม
12:16
We need a whole new approach.
263
724000
2000
เราต้องใช้วิธีใหม่ถอดด้าม
12:18
And the good news about all of this is that the scientists
264
726000
2000
และข่าวดีเกี่ยวกับเรื่องนี้คือ นักวิทยาศาสตร์
12:20
who've been studying motivation have given us this new approach.
265
728000
3000
ที่ศึกษาแรงจูงใจได้มอบวิธีใหม่ให้กับเราแล้ว
12:23
It's an approach built much more around intrinsic motivation.
266
731000
3000
วิธีที่ตั้งอยู่บนสิ่งจูงใจภายในมากขึ้น
12:26
Around the desire to do things because they matter,
267
734000
2000
ตั้งอยู่บนความอยากทำสิ่งต่างๆ เพราะมันมีความหมาย
12:28
because we like it, because they're interesting,
268
736000
2000
เพราะเราชอบทำมัน เพราะมันน่าสนใจ
12:30
because they are part of something important.
269
738000
2000
เพราะมันเป็นส่วนหนึ่งของบางอย่างที่สำคัญ
12:32
And to my mind, that new operating system for our businesses
270
740000
4000
และผมคิดว่า หัวใจของระบบปฏิบัติการใหม่สำหรับภาคธุรกิจของเรา
12:36
revolves around three elements:
271
744000
2000
อยู่ที่องค์ประกอบสามส่วน
12:38
autonomy, mastery and purpose.
272
746000
3000
คือความเป็นอิสระ ความเชี่ยวชาญ และเป้าหมาย
12:41
Autonomy: the urge to direct our own lives.
273
749000
3000
ความเป็นอิสระ คือความอยากที่จะควบคุมชีวิตของตัวเอง
12:44
Mastery: the desire to get better and better at something that matters.
274
752000
4000
ความเชี่ยวชาญ คือความอยากที่จะทำงานที่มีความหมายให้ดีขึ้นเรื่อยๆ
12:48
Purpose: the yearning to do what we do
275
756000
3000
เป้าหมาย คือความอยากที่จะทำในสิ่งที่เราทำ
12:51
in the service of something larger than ourselves.
276
759000
3000
เพราะมันช่วยให้บรรลุเป้าหมายอะไรสักอย่างที่ยิ่งใหญ่กว่าตัวเรา
12:54
These are the building blocks of an entirely new operating system
277
762000
3000
องค์ประกอบทั้งสามคือฐานรากของระบบปฏิบัติการใหม่เอี่ยม
12:57
for our businesses.
278
765000
2000
สำหรับภาคธุรกิจของเรา
12:59
I want to talk today only about autonomy.
279
767000
4000
วันนี้ผมอยากจะพูดถึงแค่ความเป็นอิสระ
13:03
In the 20th century, we came up with this idea of management.
280
771000
3000
ในศตวรรษที่ 20 เราคิดค้นไอเดียที่เรียกว่า การบริหารจัดการ ขึ้นมา
13:06
Management did not emanate from nature.
281
774000
2000
การจัดการไม่ได้เกิดขึ้นเองตามธรรมชาติ
13:08
Management is like -- it's not a tree,
282
776000
2000
การจัดการไม่ใช่ต้นไม้
13:10
it's a television set.
283
778000
2000
แต่เป็นเครื่องรับโทรทัศน์
13:12
Okay? Somebody invented it.
284
780000
2000
โอเคนะครับ? คือ ใครบางคนประดิษฐ์มันขึ้นมา
13:14
And it doesn't mean it's going to work forever.
285
782000
2000
ซึ่งไม่ได้หมายความว่ามันจะใช้การได้ตลอดไป
13:16
Management is great.
286
784000
2000
การจัดการนั้นยอดเยี่ยมมาก
13:18
Traditional notions of management are great
287
786000
2000
แนวคิดดั้งเดิมเกี่ยวกับการจัดการก็สุดยอด
13:20
if you want compliance.
288
788000
2000
ถ้าคุณอยากให้คนทำตามที่คุณสั่ง
13:22
But if you want engagement, self-direction works better.
289
790000
3000
แต่ถ้าคุณอยากให้คนผูกพันกับองค์กร การให้เขาได้เป็นนายตัวเองก็ดีกว่า
13:25
Let me give you some examples of some kind of radical
290
793000
2000
ผมจะยกตัวอย่างการให้พนักงานได้เป็นนายตัวเอง
13:27
notions of self-direction.
291
795000
2000
แบบสุดขั้วที่เกิดขึ้นแล้ว
13:29
What this means -- you don't see a lot of it,
292
797000
3000
สุดขั้วแปลว่าตอนนี้คุณยังไม่ค่อยเห็นคนทำแบบนี้มากนัก
13:32
but you see the first stirrings of something really interesting going on,
293
800000
3000
แต่คุณเห็นแรงกระเพื่อมแรกๆ ของปรากฏการณ์ที่น่าสนใจมากที่กำลังเกิดขึ้น
13:35
because what it means is paying people adequately
294
803000
2000
เพราะวิธีนี้คือ การที่บริษัทจ่ายค่าตอบแทนให้เพียงพอ
13:37
and fairly, absolutely --
295
805000
2000
และแน่นอนว่าต้องยุติธรรม
13:39
getting the issue of money off the table,
296
807000
2000
เอาเรื่องเงินออกไปให้พ้นจากโต๊ะ
13:41
and then giving people lots of autonomy.
297
809000
2000
แล้วปล่อยให้คนมีอิสระมากๆ
13:43
Let me give you some examples.
298
811000
2000
ผมอยากยกตัวอย่างสักสองสามเรื่อง
13:45
How many of you have heard of the company Atlassian?
299
813000
4000
มีใครในห้องนี้เคยได้ยินชื่อบริษัท แอตลัสเซียน บ้างครับ?
13:49
It looks like less than half.
300
817000
2000
ดูเหมือนจะน้อยกว่าครึ่งหนึ่ง
13:51
(Laughter)
301
819000
2000
(เสียงหัวเราะ)
13:53
Atlassian is an Australian software company.
302
821000
4000
แอตลัสเซียนเป็นบริษัทซอฟต์แวร์ในออสเตรเลีย
13:57
And they do something incredibly cool.
303
825000
2000
พวกเขาทำในสิ่งที่เจ๋งมากๆ
13:59
A few times a year they tell their engineers,
304
827000
2000
ในแต่ละปี จะมีสองสามครั้งที่พวกเขาบอกวิศวกรของบริษัทว่า
14:01
"Go for the next 24 hours and work on anything you want,
305
829000
4000
"ภายใน 24 ชั่วโมงข้างหน้า ไปทำงานอะไรก็ได้ที่อยากทำ
14:05
as long as it's not part of your regular job.
306
833000
2000
แต่ต้องเป็นงานที่ไม่ใช่ส่วนหนึ่งของงานประจำ
14:07
Work on anything you want."
307
835000
2000
ไปทำอะไรก็ได้ที่อยากทำ"
14:09
So that engineers use this time to come up with
308
837000
2000
วิศวกรใช้เวลานี้คิดค้น
14:11
a cool patch for code, come up with an elegant hack.
309
839000
3000
แพชเจ๋งๆ ที่แก้ปัญหาในซอฟต์แวร์ หรือวิธีแฮ็คเครื่องที่เหนือชั้น
14:14
Then they present all of the stuff that they've developed
310
842000
3000
เสร็จแล้วพวกเขาก็นำเสนอทุกอย่างที่พัฒนาได้
14:17
to their teammates, to the rest of the company,
311
845000
3000
ต่อเพื่อนร่วมทีม ต่อหน้าคนทั้งบริษัท
14:20
in this wild and wooly all-hands meeting
312
848000
2000
ในการประชุมที่วุ่นวายและอบอุ่น
14:22
at the end of the day.
313
850000
2000
เมื่อวันนั้นสิ้นสุดลง
14:24
And then, being Australians, everybody has a beer.
314
852000
2000
ทุกคนมีเบียร์ในมือ ตามธรรมเนียมออสเตรเลีย
14:26
They call them FedEx Days.
315
854000
3000
พวกเขาเรียกวันแบบนี้ว่า วันเฟดเอ็กซ์
14:29
Why? Because you have to deliver something overnight.
316
857000
6000
ทำไม? เพราะต้องส่งงานอะไรบางอย่างในเวลาข้ามคืน
14:35
It's pretty. It's not bad. It's a huge trademark violation,
317
863000
2000
เป็นชื่อที่ดีนะครับ ไม่เลวเลย ละเมิดเครื่องหมายการค้าเห็นๆ
14:37
but it's pretty clever.
318
865000
2000
แต่ก็ฉลาดเลยล่ะ
14:39
(Laughter)
319
867000
1000
(เสียงหัวเราะ)
14:40
That one day of intense autonomy
320
868000
2000
หนึ่งวันที่พนักงานมีความเป็นอิสระสุดๆ
14:42
has produced a whole array of software fixes
321
870000
2000
ทำให้เกิดแพชแก้ไขซอฟต์แวร์จำนวนมาก
14:44
that might never have existed.
322
872000
2000
ที่อาจไม่เกิดขึ้นเลยถ้าไม่มีวันนั้น
14:46
And it's worked so well that Atlassian has taken it to the next level
323
874000
2000
วิธีนี้ใช้การได้ดีจนแอตลัสเซียนยกระดับมัน
14:48
with 20 Percent Time --
324
876000
2000
ด้วยแนวคิด "เวลา 20 เปอร์เซ็นต์"
14:50
done, famously, at Google --
325
878000
2000
ที่กูเกิลใช้จนโด่งดังไปทั่ว
14:52
where engineers can work, spend 20 percent of their time
326
880000
2000
แนวคิดนี้ให้วิศวกรเอาเวลางาน 20 เปอร์เซ็นต์
14:54
working on anything they want.
327
882000
2000
ไปทำอะไรก็ได้ที่อยากทำ
14:56
They have autonomy over their time,
328
884000
2000
เลือกเองได้ว่าจะใช้เวลาทำอะไร
14:58
their task, their team, their technique.
329
886000
2000
เลือกงาน เลือกทีม เลือกเทคนิค
15:00
Okay? Radical amounts of autonomy.
330
888000
2000
มีอิสระแบบสุดขั้วเลยนะครับ
15:02
And at Google, as many of you know,
331
890000
4000
และพวกคุณหลายคนคงรู้แล้วว่า ที่กูเกิล
15:06
about half of the new products in a typical year
332
894000
2000
ประมาณครึ่งหนึ่งของผลิตภัณฑ์ใหม่ในแต่ละปี
15:08
are birthed during that 20 Percent Time:
333
896000
3000
ถือกำเนิดในช่วงเวลา 20 เปอร์เซ็นต์ที่ว่า
15:11
things like Gmail, Orkut, Google News.
334
899000
3000
ผลิตภัณฑ์อย่างจีเมล ออร์กุต กูเกิลนิวส์
15:14
Let me give you an even more radical example of it:
335
902000
3000
ผมมีอีกตัวอย่างหนึ่งที่สุดขั้วกว่านั้นอีก
15:17
something called the Results Only Work Environment,
336
905000
2000
แนวคิดนี้เรียกว่า สภาพการทำงานเน้นผลลัพธ์เท่านั้น
15:19
the ROWE,
337
907000
2000
Results Only Work Environment: โรว์ (ROWE)
15:21
created by two American consultants, in place
338
909000
2000
คิดค้นโดยที่ปรึกษาชาวอเมริกันสองคน
15:23
in place at about a dozen companies around North America.
339
911000
2000
ตอนนี้ใช้ในบริษัทประมาณ 12 แห่งในทวีปอเมริกาเหนือ
15:25
In a ROWE people don't have schedules.
340
913000
4000
ในสภาพแวดล้อมแบบ ROWE พนักงานไม่มีตาราง
15:29
They show up when they want.
341
917000
2000
พวกเขาโผล่มาทำงานเมื่อไหร่ก็ได้
15:31
They don't have to be in the office at a certain time,
342
919000
2000
ไม่ต้องอยู่ในสำนักงานในเวลาที่กำหนด
15:33
or any time.
343
921000
2000
ไม่เข้ามาเลยก็ได้
15:35
They just have to get their work done.
344
923000
2000
แค่ต้องทำงานที่รับผิดชอบให้เสร็จ
15:37
How they do it, when they do it,
345
925000
2000
จะทำยังไง ทำเมื่อไหร่
15:39
where they do it, is totally up to them.
346
927000
3000
และที่ไหน ตัดสินใจได้เอง
15:42
Meetings in these kinds of environments are optional.
347
930000
4000
การประชุมในสภาพแวดล้อมแบบนี้ไม่ต้องมีก็ได้
15:46
What happens?
348
934000
2000
เกิดอะไรขึ้น?
15:48
Almost across the board, productivity goes up,
349
936000
3000
ในแทบทุกบริษัทที่ทำอย่างนี้ ผลิตภาพสูงขึ้น
15:51
worker engagement goes up,
350
939000
3000
พนักงานมีความผูกพันกับบริษัทเพิ่มขึ้น
15:54
worker satisfaction goes up, turnover goes down.
351
942000
3000
มีความพึงพอใจในงานมากขึ้น อัตราการเปลี่ยนงานลดลง
15:57
Autonomy, mastery and purpose,
352
945000
2000
ความเป็นอิสระ ความเชี่ยวชาญ และเป้าหมาย
15:59
These are the building blocks of a new way of doing things.
353
947000
2000
คือรากฐานของวิธีใหม่ในการทำงาน
16:01
Now some of you might look at this and say,
354
949000
3000
พวกคุณบางคนอาจมองดูและคิดว่า
16:04
"Hmm, that sounds nice, but it's Utopian."
355
952000
3000
"ฟังดูดี แต่เป็นโลกในอุดมคติ"
16:07
And I say, "Nope. I have proof."
356
955000
5000
ผมจะตอบว่า "ไม่ใช่นะครับ ผมมีข้อพิสูจน์"
16:12
The mid-1990s, Microsoft started
357
960000
2000
กลางทศวรรษ 1990 ไมโครซอฟท์เริ่มทำ
16:14
an encyclopedia called Encarta.
358
962000
2000
สารานุกรมชื่อ เอ็นคาร์ตา
16:16
They had deployed all the right incentives,
359
964000
2000
พวกเขาใช้สิ่งจูงใจที่ถูกต้องทั้งหมด
16:18
all the right incentives. They paid professionals to
360
966000
3000
สิ่งจูงใจที่ถูกต้องทุกอย่าง เขาจ้างมืออาชีพ
16:21
write and edit thousands of articles.
361
969000
2000
มาเขียนและเรียบเรียงบทความหลายพันชิ้น
16:23
Well-compensated managers oversaw the whole thing
362
971000
2000
แต่งตั้งผู้จัดการที่ได้เงินเดือนดีมาดูแลโครงการ
16:25
to make sure it came in on budget and on time.
363
973000
5000
เพื่อให้มั่นใจว่ามันจะไม่เกินงบและเสร็จทันเวลา
16:30
A few years later another encyclopedia got started.
364
978000
2000
อีกไม่กี่ปีหลังจากนั้น เกิดสารานุกรมอีกโครงการหนึ่ง
16:32
Different model, right?
365
980000
3000
คนละโมเดลกันนะครับ
16:35
Do it for fun. No one gets paid a cent, or a Euro or a Yen.
366
983000
4000
ทุกคนทำเพราะมันสนุก ไม่มีใครได้เงินแม้แต่แดงเดียว
16:39
Do it because you like to do it.
367
987000
3000
ทำเพราะคุณอยากทำ
16:42
Now if you had, just 10 years ago,
368
990000
3000
ทีนี้ถ้า 10 ปีที่แล้ว
16:45
if you had gone to an economist, anywhere,
369
993000
2000
คุณไปถามนักเศรษฐศาสตร์ที่ไหนก็ได้
16:47
and said, "Hey, I've got these two different models for creating an encyclopedia.
370
995000
4000
และบอกว่า "นี่ ผมมีโมเดลสร้างสารานุกรมสองโมเดล
16:51
If they went head to head, who would win?"
371
999000
3000
เอามาแข่งกันตัวต่อตัว ใครจะชนะ?"
16:54
10 years ago you could not have found a single sober economist anywhere
372
1002000
4000
10 ปีที่แล้วคุณไม่มีทางหานักเศรษฐศาสตร์สติดีคนไหน
16:58
on planet Earth
373
1006000
2000
บนดาวเคราะห์โลก
17:00
who would have predicted the Wikipedia model.
374
1008000
2000
ที่จะพยากรณ์ว่าโมเดลวิกิพีเดียจะชนะ
17:02
This is the titanic battle between these two approaches.
375
1010000
3000
นี่คือการแข่งขันระดับยักษ์ระหว่างวิธีสองวิธี
17:05
This is the Ali-Frazier of motivation. Right?
376
1013000
3000
เหมือนตอนที่อาลีชกกับฟราเซียร์
17:08
This is the Thrilla' in Manila.
377
1016000
2000
ในแมทช์หยุดโลกที่มะนิลา
17:10
Alright? Intrinsic motivators versus extrinsic motivators.
378
1018000
3000
ระดับยักษ์จริงๆ นะครับ สิ่งจูงใจภายในปะทะสิ่งจูงใจภายนอก
17:13
Autonomy, mastery and purpose,
379
1021000
2000
ความเป็นอิสระ ความเชี่ยวชาญ และเป้าหมาย
17:15
versus carrot and sticks. And who wins?
380
1023000
2000
สู้กับการให้รางวัลและการลงโทษ แล้วใครชนะ?
17:17
Intrinsic motivation, autonomy, mastery and purpose,
381
1025000
3000
สิ่งจูงใจภายใน นั่นคือความเป็นอิสระ ความเชี่ยวชาญ และเป้าหมาย
17:20
in a knockout. Let me wrap up.
382
1028000
4000
ชนะขาดลอย ผมขอสรุปตรงนี้ว่า
17:24
There is a mismatch between what science knows and what business does.
383
1032000
3000
ปัจจุบันมีความลักลั่นระหว่างสิ่งที่วิทยาศาสตร์รู้กับสิ่งที่ธุรกิจทำ
17:27
And here is what science knows.
384
1035000
2000
และสิ่งที่วิทยาศาสตร์รู้ก็คือ
17:29
One: Those 20th century rewards,
385
1037000
2000
หนึ่ง รางวัลยุคศตวรรษที่ 20
17:31
those motivators we think are a natural part of business,
386
1039000
3000
สิ่งจูงใจที่เราคิดว่าเป็นธรรมชาติของธุรกิจ
17:34
do work, but only in a surprisingly narrow band of circumstances.
387
1042000
4000
ใช้การได้ แต่ใช้ได้เฉพาะในสถานการณ์ไม่กี่แบบ
17:38
Two: Those if-then rewards often destroy creativity.
388
1046000
4000
สอง รางวัลที่มีเงื่อนไขมักจะทำลายความคิดสร้างสรรค์
17:42
Three: The secret to high performance
389
1050000
2000
สาม ความลับของผลงานที่ยอดเยี่ยม
17:44
isn't rewards and punishments,
390
1052000
2000
ไม่ใช่รางวัลกับบทลงโทษ
17:46
but that unseen intrinsic drive --
391
1054000
2000
แต่เป็นแรงขับจากภายในที่มองไม่เห็น
17:48
the drive to do things for their own sake.
392
1056000
3000
แรงขับที่จะทำสิ่งต่างๆ เพราะเราอยากทำ
17:51
The drive to do things cause they matter.
393
1059000
2000
แรงขับที่จะทำสิ่งต่างๆ เพราะมันมีความหมาย
17:53
And here's the best part. Here's the best part.
394
1061000
2000
และเรื่องที่ดีที่สุดเลยคือ
17:55
We already know this. The science confirms what we know in our hearts.
395
1063000
3000
เรารู้เรื่องนี้ดีแล้ว วิทยาศาสตร์ยืนยันสิ่งที่เรารู้อยู่ลึกๆ ในใจ
17:58
So, if we repair this mismatch
396
1066000
3000
ดังนั้นถ้าเราแก้ความลักลั่นที่ว่า
18:01
between what science knows and what business does,
397
1069000
2000
ระหว่างสิ่งที่วิทยาศาสตร์รู้กับสิ่งที่ธุรกิจทำ
18:03
if we bring our motivation, notions of motivation
398
1071000
3000
ถ้าเรานำแรงจูงใจของเรา แนวความคิดเรื่องการจูงใจ
18:06
into the 21st century,
399
1074000
2000
มาใช้ในศตวรรษที่ 21
18:08
if we get past this lazy, dangerous, ideology
400
1076000
4000
ถ้าเราข้ามพ้นมโนทัศน์ที่ขี้เกียจและอันตราย
18:12
of carrots and sticks,
401
1080000
2000
ของรางวัลและการลงโทษ
18:14
we can strengthen our businesses,
402
1082000
3000
เราก็จะสามารถทำให้ธุรกิจแข็งแกร่งกว่าเดิม
18:17
we can solve a lot of those candle problems,
403
1085000
3000
แก้ปัญหาแบบโจทย์เทียนได้มากมาย
18:20
and maybe, maybe, maybe
404
1088000
4000
และบางที บางที บางที
18:24
we can change the world.
405
1092000
2000
เราก็จะเปลี่ยนแปลงโลกได้
18:26
I rest my case.
406
1094000
2000
ผมขอจบการนำเสนอประเด็นครับ
18:28
(Applause)
407
1096000
3000
(ปรบมือ)
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