TEDGlobal 2009
Dan Pink: The puzzle of motivation
Dan Pink ile şaşırtıcı motivasyon bilimi üzerine
Filmed:
Readability: 4
25,352,736 views
Kariyer analisti Dan Pink, sosyal bilimcilerin bildiği ama yöneticilerin bilmediği bir gerçekten yola çıkarak motivasyon bilmecesini inceliyor: Geleneksel ödüller düşündüğümüz kadar etkili değildir. Aydınlatıcı hikayeleri -- ve belki de sizi ileri götürecek yolu dinleyin.
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
Size bir şey itiraf etmeliyim.
00:16
A little over 20 years ago
1
4000
3000
Yaklaşık 20 sene önce
00:19
I did something that I regret,
2
7000
2000
pişman olduğum bir şey yaptım,
00:21
something that I'm not particularly proud of,
3
9000
4000
pek de gurur duymadığım bir şey,
00:25
something that, in many ways, I wish no one would ever know,
4
13000
3000
bazı bakımlardan kimsenin öğrenmesini istemediğim bir şey,
00:28
but here I feel kind of obliged to reveal.
5
16000
4000
ama şimdi burada bunu açıklamaya kendimi mecbur hissediyorum.
00:32
(Laughter)
6
20000
2000
(Gülüşmeler)
00:34
In the late 1980s,
7
22000
2000
1980lerin sonunda,
00:36
in a moment of youthful indiscretion,
8
24000
3000
aklım bir karış havada iken
00:39
I went to law school.
9
27000
2000
hukuk fakültesine gittim.
00:41
(Laughter)
10
29000
4000
(Gülüşmeler)
00:45
Now, in America law is a professional degree:
11
33000
3000
Şimdi, ABD'de hukuk profesyonel bir derecedir.
00:48
you get your university degree, then you go on to law school.
12
36000
2000
Önce üniversite derecenizi alır sonra da hukuk fakültesine gidersiniz.
00:50
And when I got to law school,
13
38000
3000
Ve ben hukuk fakültesine gittiğimde,
00:53
I didn't do very well.
14
41000
2000
pek de başarılı değildim.
00:55
To put it mildly, I didn't do very well.
15
43000
2000
Nazikçe söylemek gerekirse, pek başarılı olmadım.
00:57
I, in fact, graduated in the part of my law school class
16
45000
3000
Daha açık konuşmak gerekirse, mezun olduğum not aralığı
01:00
that made the top 90 percent possible.
17
48000
4000
benim üzerimdeki %90'lık aralığı mümkün kılmıştı.
01:04
(Laughter)
18
52000
4000
(Gülüşmeler)
01:08
Thank you.
19
56000
3000
Teşekkürler.
01:11
I never practiced law a day in my life;
20
59000
3000
Hayatım boyunca pratik olarak hukuk mesleğini hiç icra etmedim.
01:14
I pretty much wasn't allowed to.
21
62000
2000
Buna izin verilmemişti zaten.
01:16
(Laughter)
22
64000
3000
(Gülüşmeler)
01:19
But today, against my better judgment,
23
67000
3000
Ancak bugün, her şeye rağmen,
01:22
against the advice of my own wife,
24
70000
3000
karımın tavsiyesine rağmen,
01:25
I want to try to dust off some of those legal skills --
25
73000
4000
sahip olduğum hukuk yeteneğimin biraz tozunu almak istiyorum,
01:29
what's left of those legal skills.
26
77000
2000
o yeteneklerden geriye her ne kaldıysa.
01:31
I don't want to tell you a story.
27
79000
3000
Size bir hikaye anlatmak istemiyorum.
01:34
I want to make a case.
28
82000
2000
Size bir vaka sunmak istiyorum.
01:36
I want to make a hard-headed, evidence-based,
29
84000
4000
Size gerçekçi, delillere dayanan,
01:40
dare I say lawyerly case,
30
88000
3000
ve hatta avukatça bir vaka sunmak istiyorum,
01:43
for rethinking how we run our businesses.
31
91000
4000
işimizi nasıl yönettiğimizi yeniden düşünmek için.
01:47
So, ladies and gentlemen of the jury, take a look at this.
32
95000
4000
O halde, sayın jüri, baylar ve bayanlar, şuna bir bakın.
01:51
This is called the candle problem.
33
99000
2000
Buna mum problemi denir.
01:53
Some of you might have seen this before.
34
101000
2000
Bazılarınız bunu daha önce görmüş olabilir.
01:55
It's created in 1945
35
103000
2000
1945 yılında yaratıldı.
01:57
by a psychologist named Karl Duncker.
36
105000
2000
Karl Duncker isimli bir psikolog tarafından.
01:59
Karl Duncker created this experiment
37
107000
2000
Karl Duncker davranış bilimlerinde pek çok farklı şekilde kullanılan
02:01
that is used in a whole variety of experiments in behavioral science.
38
109000
3000
bu deneyi yarattı.
02:04
And here's how it works. Suppose I'm the experimenter.
39
112000
3000
Gelelim nasıl bir şey olduğuna. Diyelim ki ben deneyi yapan kişiyim.
02:07
I bring you into a room. I give you a candle,
40
115000
4000
Sizi bir odaya sokuyorum. Size bir mum,
02:11
some thumbtacks and some matches.
41
119000
2000
birkaç raptiye ve birkaç kibrit veriyorum.
02:13
And I say to you, "Your job
42
121000
2000
Ve size diyorum ki, "göreviniz
02:15
is to attach the candle to the wall
43
123000
2000
mumu duvara
02:17
so the wax doesn't drip onto the table." Now what would you do?
44
125000
4000
masaya damlatmayacak şekilde tutturmak." Bu durumda ne yapardınız?
02:21
Now many people begin trying to thumbtack the candle to the wall.
45
129000
4000
Pek çok insan mumu duvara raptiye ile tutturmaya çalışır.
02:25
Doesn't work.
46
133000
2000
Bu işe yaramaz.
02:27
Somebody, some people -- and I saw somebody
47
135000
2000
Kimisi, bazı insanlar ve ben öyle birini gördüm,
02:29
kind of make the motion over here --
48
137000
2000
şuna benzer bir hareket yapar.
02:31
some people have a great idea where they
49
139000
2000
Bazı insanların parlak bir fikri vardır,
02:33
light the match, melt the side of the candle, try to adhere it to the wall.
50
141000
4000
kibriti çakar, mumun bir tarafına tutup eritir ve o şekilde duvara yapıştırmaya çalışırlar.
02:37
It's an awesome idea. Doesn't work.
51
145000
3000
Harika bir fikir. İşe yaramaz.
02:40
And eventually, after five or 10 minutes,
52
148000
3000
Ve nihayet, beş ya da 10 dakika sonra,
02:43
most people figure out the solution,
53
151000
2000
pek çok insan çözümü bulur,
02:45
which you can see here.
54
153000
2000
sizin burada görebileceğiniz gibi.
02:47
The key is to overcome what's called functional fixedness.
55
155000
3000
Çözümün anahtarı işlevsel sabitlik denen şeyin üstesinden gelmektir.
02:50
You look at that box and you see it only as a receptacle for the tacks.
56
158000
4000
Kutuya baktığınızda sadece raptiyeleri tutacak bir araç görürsünüz.
02:54
But it can also have this other function,
57
162000
2000
Ancak kutunun başka bir işlevi de olabilir,
02:56
as a platform for the candle. The candle problem.
58
164000
4000
mumu tutacak bir platform. Mum problemi.
03:00
Now I want to tell you about an experiment
59
168000
2000
Şimdi size
03:02
using the candle problem,
60
170000
2000
mum problemini kullanan bir problemden bahsetmek istiyorum.
03:04
done by a scientist named Sam Glucksberg,
61
172000
2000
Sam Glucksberg isimli bir bilimadamı tarafından yapıldı
03:06
who is now at Princeton University in the U.S.
62
174000
2000
ve kendisi şu anda ABD'deki Princeton Üniversitesinde çalışmaktadır.
03:08
This shows the power of incentives.
63
176000
4000
Bu deney, teşviklerin gücünü gösteriyor.
03:12
Here's what he did. He gathered his participants.
64
180000
2000
Ne yaptığına bakalım. Denekleri aldı.
03:14
And he said, "I'm going to time you. How quickly you can solve this problem?"
65
182000
3000
Ve onlara dedi ki, "Sürenizi ölçeceğim. Bu problemi ne kadar hızlı çözebilirsiniz?"
03:17
To one group he said,
66
185000
2000
Bir denek grubuna dedi ki,
03:19
"I'm going to time you to establish norms,
67
187000
3000
Normları belirlemek için sürenizi ölçeceğim
03:22
averages for how long it typically takes
68
190000
2000
ve ortalama olarak
03:24
someone to solve this sort of problem."
69
192000
2000
birinin böyle bir problemi ne kadar sürede çözdüğünü hesaplayacağım.
03:26
To the second group he offered rewards.
70
194000
3000
İkinci gruba ise ödüller sundu.
03:29
He said, "If you're in the top 25 percent of the fastest times,
71
197000
4000
Dedi ki, "Eğer süre olarak ilk %25 içinde olursanız
03:33
you get five dollars.
72
201000
3000
beş dolar alırsınız.
03:36
If you're the fastest of everyone we're testing here today,
73
204000
3000
Eğer bugün buradaki herkesten daha hızlı olursanız
03:39
you get 20 dollars."
74
207000
2000
20 dolar alırsınız."
03:41
Now this is several years ago. Adjusted for inflation,
75
209000
3000
Bu deney yıllar önce idi, enflasyonu hesaba kattık.
03:44
it's a decent sum of money for a few minutes of work.
76
212000
2000
Birkaç dakikalık bir iş için epey iyi para.
03:46
It's a nice motivator.
77
214000
2000
Harika bir motive edici.
03:48
Question: How much faster
78
216000
3000
Soru: Bu grup
03:51
did this group solve the problem?
79
219000
2000
problemi ne kadar daha hızlı çözdü?
03:53
Answer: It took them, on average,
80
221000
3000
Cevap: Yaklaşık olarak, ortalama,
03:56
three and a half minutes longer.
81
224000
4000
üç buçuk dakika daha yavaş.
04:00
Three and a half minutes longer. Now this makes no sense right?
82
228000
3000
Üç buçuk dakika daha yavaş. İyi ama bu pek anlamlı gelmiyor, değil mi?
04:03
I mean, I'm an American. I believe in free markets.
83
231000
3000
Yani, ben bir Amerikalıyım. Serbest piyasaya inanırım.
04:06
That's not how it's supposed to work. Right?
84
234000
3000
Böyle olmaması gerekiyordu. Değil mi?
04:09
(Laughter)
85
237000
1000
(Gülüşmeler)
04:10
If you want people to perform better,
86
238000
2000
Eğer insanların daha iyi çalışmasını isterseniz,
04:12
you reward them. Right?
87
240000
2000
onları ödüllendirirsiniz. Değil mi?
04:14
Bonuses, commissions, their own reality show.
88
242000
3000
Primler, komisyonlar, kendi reality şovları.
04:17
Incentivize them. That's how business works.
89
245000
4000
Teşvik edersiniz. İşler böyle yürür.
04:21
But that's not happening here.
90
249000
2000
Ama burada olan şey bu değil.
04:23
You've got an incentive designed to
91
251000
2000
Bir teşviğiniz var
04:25
sharpen thinking and accelerate creativity,
92
253000
4000
düşünmeyi keskinleştirmek ve yaratıcılığı hızlandırmak için.
04:29
and it does just the opposite.
93
257000
2000
Ve yapması gereken şeyin tam tersini yapıyor.
04:31
It dulls thinking and blocks creativity.
94
259000
3000
Düşünceyi köreltiyor ve yaratıcılığı engelliyor.
04:34
And what's interesting about this experiment is that it's not an aberration.
95
262000
3000
Ve bu deneyin ilginç yanı bunun anormal bir durum olmaması.
04:37
This has been replicated over and over
96
265000
3000
Bu deney defalarca tekralandı
04:40
and over again, for nearly 40 years.
97
268000
3000
yaklaşık 40 sene boyunca.
04:43
These contingent motivators --
98
271000
3000
Bu keyfi motive ediciler,
04:46
if you do this, then you get that --
99
274000
2000
eğer bunu yapar isen şunu alırsın tarzı şeyler,
04:48
work in some circumstances.
100
276000
2000
bazı durumlarda işe yarıyor.
04:50
But for a lot of tasks, they actually either don't work
101
278000
3000
Ama pek çok görevde işe yaramıyor
04:53
or, often, they do harm.
102
281000
3000
veya zararlı oluyor.
04:56
This is one of the most robust findings
103
284000
4000
Bu sonuç
05:00
in social science,
104
288000
3000
sosyal bilimlerdeki en sağlam bulgulardan biri.
05:03
and also one of the most ignored.
105
291000
2000
Aynı zamanda en çok göz ardı edileni.
05:05
I spent the last couple of years looking at the science of
106
293000
2000
Son birkaç yılımı
05:07
human motivation,
107
295000
2000
insan motivasyonu bilimini incelemeye ayırdım.
05:09
particularly the dynamics of extrinsic motivators
108
297000
2000
Özellikle de dışsal ve içsel motive edicileri
05:11
and intrinsic motivators.
109
299000
2000
incelemeye.
05:13
And I'm telling you, it's not even close.
110
301000
2000
Ve size şunu diyorum, birbirleri ile alakaları yok.
05:15
If you look at the science, there is a mismatch
111
303000
2000
Eğer bilime bakarsanız,
05:17
between what science knows and what business does.
112
305000
4000
bilim dünyasının bildiği ile iş dünyasının yaptığı arasında uyumsuzluk var.
05:21
And what's alarming here is that our business operating system --
113
309000
3000
Ve burada vahim olan şu ki iş işletim sistemimiz --
05:24
think of the set of assumptions and protocols beneath our businesses,
114
312000
3000
iş yaparken kullandığımız varsayımları ve protokolleri düşünün,
05:27
how we motivate people, how we apply our human resources --
115
315000
5000
insanları nasıl motive ettiğimizi, insan kaynaklarını nasıl uyguladığımızı --
05:32
it's built entirely around these extrinsic motivators,
116
320000
3000
tamamen dışsal motive ediciler üzerine kurulu,
05:35
around carrots and sticks.
117
323000
2000
havuçlar ve sopalar üstüne.
05:37
That's actually fine for many kinds of 20th century tasks.
118
325000
4000
20. yüzyıl görevleri için iyi olabilir.
05:41
But for 21st century tasks,
119
329000
2000
Ama 21. yüzyıl görevleri için,
05:43
that mechanistic, reward-and-punishment approach
120
331000
4000
bu mekanik, ödül-ve-ceza yaklaşımı
05:47
doesn't work, often doesn't work, and often does harm.
121
335000
4000
işe yaramıyor, genellikle işe yaramıyor ve genellikle zarar veriyor.
05:51
Let me show you what I mean.
122
339000
2000
Ne demek istediğimi göstereyim.
05:53
So Glucksberg did another experiment similar to this
123
341000
3000
Glucksberg az önce anlattığıma benzer başka bir deney yaptı
05:56
where he presented the problem in a slightly different way,
124
344000
2000
ve bu deneyde problemi biraz farklı şekilde sundu,
05:58
like this up here. Okay?
125
346000
3000
burada görüldüğü gibi. Tamam mı?
06:01
Attach the candle to the wall so the wax doesn't drip onto the table.
126
349000
2000
Mumu duvara masaya damlatmayacak şekilde yerleştir.
06:03
Same deal. You: we're timing for norms.
127
351000
3000
Aynı şey. Siz: ortalamayı ölçüyoruz.
06:06
You: we're incentivizing.
128
354000
3000
Siz: ödül veriyoruz.
06:09
What happened this time?
129
357000
2000
Bu sefer ne oldu?
06:11
This time, the incentivized group
130
359000
2000
Bu sefer, ödüllendirilen grup
06:13
kicked the other group's butt.
131
361000
4000
diğer grubun canına okudu.
06:17
Why? Because when the tacks are out of the box,
132
365000
4000
Neden? Çünkü raptiyeler kutunun dışında iken
06:21
it's pretty easy isn't it?
133
369000
4000
çözümü görmek çok kolay, değil mi?
06:25
(Laughter)
134
373000
2000
(Gülüşmeler)
06:27
If-then rewards work really well
135
375000
3000
Eğer-ise ödülleri çok işe yarar
06:30
for those sorts of tasks,
136
378000
3000
bu tür görevler için,
06:33
where there is a simple set of rules and a clear destination
137
381000
2000
yani basit kurallar ve gidilecek
06:35
to go to.
138
383000
2000
açık seçik bir hedef olduğunda.
06:37
Rewards, by their very nature,
139
385000
2000
Ödüller, tam da doğaları gereği,
06:39
narrow our focus, concentrate the mind;
140
387000
2000
dikkatimizi odaklamamızı ve zihnimizi yoğunlaştırmamızı sağlar.
06:41
that's why they work in so many cases.
141
389000
2000
Bu yüzden pek çok durumda işe yararlar.
06:43
And so, for tasks like this,
142
391000
2000
Ve dolayısı ile, bu tür görevler için,
06:45
a narrow focus, where you just see the goal right there,
143
393000
3000
tam orada olan hedefi gördüğünüz,
06:48
zoom straight ahead to it,
144
396000
2000
doğrudan ona yöneldiğiniz dar bir odak,
06:50
they work really well.
145
398000
2000
gerçekten işe yarar.
06:52
But for the real candle problem,
146
400000
2000
Fakat gerçek mum probleminde
06:54
you don't want to be looking like this.
147
402000
2000
böyle bakmak istemezsiniz.
06:56
The solution is not over here. The solution is on the periphery.
148
404000
2000
Çözüm tam orada değildir. Çözüm biraz daha kenardadır.
06:58
You want to be looking around.
149
406000
2000
Etrafa bakıyor olmak istersiniz.
07:00
That reward actually narrows our focus
150
408000
2000
Bu ödül odağımızı daraltır
07:02
and restricts our possibility.
151
410000
2000
ve olasılıklarımızı kısıtlar.
07:04
Let me tell you why this is so important.
152
412000
3000
Bunun neden bu kadar önemli olduğunu söyleyeyim.
07:07
In western Europe,
153
415000
2000
Batı Avrupa'da,
07:09
in many parts of Asia,
154
417000
2000
Asya'nın pek çok yerinde,
07:11
in North America, in Australia,
155
419000
3000
Kuzey Amerika'da ve Avustralya'da,
07:14
white-collar workers are doing less of
156
422000
2000
beyaz yakalı işçiler
07:16
this kind of work,
157
424000
2000
daha az bu tür iş
07:18
and more of this kind of work.
158
426000
4000
ve daha çok bu tür iş yapıyorlar.
07:22
That routine, rule-based, left-brain work --
159
430000
3000
Bu rutin, kural tabanlı ve sol beyne yönelik iş,
07:25
certain kinds of accounting, certain kinds of financial analysis,
160
433000
2000
yani bazı muhasebe türleri, bazı finansal analiz türleri,
07:27
certain kinds of computer programming --
161
435000
2000
bazı bilgisayar programlama türleri,
07:29
has become fairly easy to outsource,
162
437000
2000
dış kaynak kullanımı açısından çok kolaylaştı,
07:31
fairly easy to automate.
163
439000
2000
kolayca otomatikleştirilebiliyor.
07:33
Software can do it faster.
164
441000
3000
Yazılım o tür işleri daha hızlı yapabiliyor.
07:36
Low-cost providers around the world can do it cheaper.
165
444000
2000
Dünyanın değişik yerlerindeki ucuz taşeronlar daha ucuza yapabiliyor.
07:38
So what really matters are the more right-brained
166
446000
4000
Bu yüzden artık önemli olan yetenekler sağ beyine yönelik olan,
07:42
creative, conceptual kinds of abilities.
167
450000
3000
yaratıcı, kavramsal türde yetenekler.
07:45
Think about your own work.
168
453000
3000
Kendi işinizi düşünün.
07:48
Think about your own work.
169
456000
3000
Kendi işinizi düşünün.
07:51
Are the problems that you face, or even the problems
170
459000
2000
Karşılaştığınız problemler, veya burada bahsettiğimiz
07:53
we've been talking about here,
171
461000
2000
problemler,
07:55
are those kinds of problems -- do they have a clear set of rules,
172
463000
2000
bu tür problemler mi -- açık seçik kuralları
07:57
and a single solution? No.
173
465000
3000
ve tek bir çözümleri mi var? Hayır.
08:00
The rules are mystifying.
174
468000
2000
Kurallar gizemli.
08:02
The solution, if it exists at all,
175
470000
2000
Ve çözüm, eğer bir çözüm varsa gerçekten,
08:04
is surprising and not obvious.
176
472000
3000
şaşırtıcı ve hiç de aşikar değil.
08:07
Everybody in this room
177
475000
2000
Bu odadaki herkes
08:09
is dealing with their own version
178
477000
3000
kendi alanlarına özgü
08:12
of the candle problem.
179
480000
2000
mum problemleri ile uğraşıyor.
08:14
And for candle problems of any kind,
180
482000
3000
Ve her türlü mum problemi için,
08:17
in any field,
181
485000
2000
her alandaki bu tür problemler için,
08:19
those if-then rewards,
182
487000
3000
bu türden eğer-ise ödülleri,
08:22
the things around which we've built so many of our businesses,
183
490000
4000
pek çok işimizi dayandırdığımız şeyler,
08:26
don't work.
184
494000
2000
işe yaramıyor.
08:28
Now, I mean it makes me crazy.
185
496000
2000
Bu beni çıldırtıyor.
08:30
And this is not -- here's the thing.
186
498000
2000
Ve bu şu demek değil.
08:32
This is not a feeling.
187
500000
3000
Bu bir duygu değil.
08:35
Okay? I'm a lawyer; I don't believe in feelings.
188
503000
3000
Tamam mı? Ben bir avukatım. Duygulara inanmam.
08:38
This is not a philosophy.
189
506000
4000
Bu bir felsefe değil.
08:42
I'm an American; I don't believe in philosophy.
190
510000
2000
Ben bir Amerikalıyım. Felsefeye inanmam.
08:44
(Laughter)
191
512000
3000
(Gülüşmeler)
08:47
This is a fact --
192
515000
3000
Bu bir gerçek.
08:50
or, as we say in my hometown of Washington, D.C.,
193
518000
2000
Veya, yaşadığım yer olan Washington D.C.'de dediğimiz gibi,
08:52
a true fact.
194
520000
2000
hakiki bir gerçek.
08:54
(Laughter)
195
522000
2000
(Gülüşmeler)
08:56
(Applause)
196
524000
4000
(Alkış)
09:00
Let me give you an example of what I mean.
197
528000
2000
Ne demek istediğime dair bir örnek vereyim.
09:02
Let me marshal the evidence here,
198
530000
2000
Delilleri göstereyim.
09:04
because I'm not telling you a story, I'm making a case.
199
532000
2000
Çünkü size bir hikaye anlatmıyorum. Bir vaka sunuyorum.
09:06
Ladies and gentlemen of the jury, some evidence:
200
534000
2000
Baylar ve bayanlar, sayın jüri, işte bazı deliller:
09:08
Dan Ariely, one of the great economists of our time,
201
536000
3000
Zamanımızın büyük ekonomistlerinden Dan Ariely
09:11
he and three colleagues, did a study of some MIT students.
202
539000
4000
ve üç arkadaşı MIT öğrencileri ile bir çalışma gerçekleştirdi.
09:15
They gave these MIT students a bunch of games,
203
543000
3000
MIT öğrencilerine birkaç oyun verdiler.
09:18
games that involved creativity,
204
546000
2000
Yaratıcılık,
09:20
and motor skills, and concentration.
205
548000
2000
motor beceriler ve odaklanma gerektiren oyunlar.
09:22
And the offered them, for performance,
206
550000
2000
Ve onlara gösterecekleri performans için
09:24
three levels of rewards:
207
552000
2000
üç seviyede ödüller teklif ettiler.
09:26
small reward, medium reward, large reward.
208
554000
5000
Küçük ödül, orta ödül ve büyük ödül.
09:31
Okay? If you do really well you get the large reward, on down.
209
559000
4000
Tamam mı? Eğer gerçekten iyi isen büyük ödülü alırsın ve daha kötü isen daha küçük ödül.
09:35
What happened? As long as the task involved only mechanical skill
210
563000
4000
Ne oldu? Söz konusu görev sadece mekanik becerileri içerdiği sürece
09:39
bonuses worked as they would be expected:
211
567000
2000
ödüller beklenen etkiyi yarattı:
09:41
the higher the pay, the better the performance.
212
569000
4000
Daha çok paraya daha iyi performans.
09:45
Okay? But one the task called for
213
573000
2000
Tamam mı? Ama görevlerden biri
09:47
even rudimentary cognitive skill,
214
575000
4000
biraz bile daha çok bilişsel yetenek gerektirdiğinde
09:51
a larger reward led to poorer performance.
215
579000
5000
daha çok ödül daha kötü performansa yol açtı.
09:56
Then they said,
216
584000
2000
Onlar da şöyle dediler,
09:58
"Okay let's see if there's any cultural bias here.
217
586000
2000
"Pekala, bakalım burada kültüre yönelik bir fark var mı.
10:00
Lets go to Madurai, India and test this."
218
588000
2000
Madurai'ye, Hindistan'a gidelim ve aynı deneyi tekrarlayalım."
10:02
Standard of living is lower.
219
590000
2000
Orada yaşam standardı çok daha düşük.
10:04
In Madurai, a reward that is modest in North American standards,
220
592000
3000
Kuzey Amerika standartlarına göre vasat bir ödül
10:07
is more meaningful there.
221
595000
3000
Madurai'de çok daha anlamlıdır.
10:10
Same deal. A bunch of games, three levels of rewards.
222
598000
3000
Aynı düzenek. Bir avuç oyun ve üç farklı ödül.
10:13
What happens?
223
601000
2000
Ne olur?
10:15
People offered the medium level of rewards
224
603000
3000
Orta seviyede ödül teklif edilen kişiler
10:18
did no better than people offered the small rewards.
225
606000
3000
kendilerine daha küçük ödül teklif edilen kişilerden daha iyi yapamadı.
10:21
But this time, people offered the highest rewards,
226
609000
4000
Ancak bu sefer, en yüksek ödül teklif edilen kişiler
10:25
they did the worst of all.
227
613000
4000
en kötü performansı sergiledi.
10:29
In eight of the nine tasks we examined across three experiments,
228
617000
3000
Üç deneydeki dokuz görevin sekizinde,
10:32
higher incentives led to worse performance.
229
620000
5000
daha yüksek teşvikler daha kötü performansa yol açtı.
10:37
Is this some kind of touchy-feely
230
625000
3000
Bu bir tür dokunaklı
10:40
socialist conspiracy going on here?
231
628000
3000
sosyalist komplosu filan mı?
10:43
No. These are economists from MIT,
232
631000
3000
Hayır. Bunlar MIT'den,
10:46
from Carnegie Mellon, from the University of Chicago.
233
634000
3000
Carnegie Mellon'dan ve Chicago Üniversitesi'nden ekonomistler.
10:49
And do you know who sponsored this research?
234
637000
2000
Peki bu çalışmanın sponsoru kimdi biliyor musunuz?
10:51
The Federal Reserve Bank of the United States.
235
639000
4000
Amerika Birleşik Devletleri Merkez Bankası.
10:55
That's the American experience.
236
643000
2000
Bu Amerikan deneyimi.
10:57
Let's go across the pond to the London School of Economics --
237
645000
3000
Gidip bir de London School of Economics'e bakalım.
11:00
LSE, London School of Economics,
238
648000
3000
LSE, London School of Economics.
11:03
alma mater of 11 Nobel Laureates in economics.
239
651000
3000
Ekonomi dalında Nobel kazanmış 11 ekonomistin çıktığı okul.
11:06
Training ground for great economic thinkers
240
654000
3000
Büyük ekonomi düşünürlerini yetiştiren yer:
11:09
like George Soros, and Friedrich Hayek,
241
657000
3000
George Soros, Friedrich Hayek
11:12
and Mick Jagger. (Laughter)
242
660000
2000
ve Mick Jagger gibi. (Gülüşmeler)
11:14
Last month, just last month,
243
662000
4000
Geçen ay, tam da geçen ay,
11:18
economists at LSE looked at 51 studies
244
666000
3000
LSE'deki ekonomistler, şirketlerdeki performans üzerinden
11:21
of pay-for-performance plans, inside of companies.
245
669000
3000
ödeme yapılan tesislerle ilgili 51 araştırmaya baktılar.
11:24
Here's what the economists there said: "We find that financial incentives
246
672000
3000
Oradaki ekonomistler şöyle dedi, "Görüyoruz ki finansal teşvikler
11:27
can result in a negative impact on overall performance."
247
675000
6000
genel performans üzerinde olumsuz etkiye yol açabiliyor."
11:33
There is a mismatch between what science knows
248
681000
3000
Bilimin bildiği ile
11:36
and what business does.
249
684000
2000
iş dünyasının yaptığı arasında bir uyumsuzluk var.
11:38
And what worries me, as we stand here in the rubble
250
686000
3000
Ve beni üzen şey, bir ekonomik çöküşün
11:41
of the economic collapse,
251
689000
2000
enkazı üzerinde dururken,
11:43
is that too many organizations
252
691000
2000
pek çok kurum
11:45
are making their decisions,
253
693000
2000
kararlarını verirken,
11:47
their policies about talent and people,
254
695000
2000
yetenekler ve insanlar hakkında politika belirlerken,
11:49
based on assumptions that are outdated, unexamined,
255
697000
6000
modası geçmiş, test edilmemiş
11:55
and rooted more in folklore than in science.
256
703000
3000
ve bilimden çok geleneklere ait varsayımlara dayanarak hareket ediyor.
11:58
And if we really want to get out of this economic mess,
257
706000
3000
Ve eğer bu ekonomik karmaşadan kurtulmayı gerçekten istiyorsak,
12:01
and if we really want high performance on those
258
709000
2000
ve eğer 21. yüzyıldaki bu belirleyici işlerde
12:03
definitional tasks of the 21st century,
259
711000
2000
gerçekten yüksek performans istiyorsak,
12:05
the solution is not to do more of the wrong things,
260
713000
6000
çözüm yanlış şeyleri daha fazla yapmak değildir.
12:11
to entice people with a sweeter carrot,
261
719000
3000
İnsanları daha tatlı havuçlarla baştan çıkarmak,
12:14
or threaten them with a sharper stick.
262
722000
2000
veya daha keskin bir çubukla tehdit etmek değildir.
12:16
We need a whole new approach.
263
724000
2000
Yepyeni bir yaklaşıma ihtiyacımız var.
12:18
And the good news about all of this is that the scientists
264
726000
2000
Ve tüm bunlarla ilgili iyi haberler var, bunun üzerine çalışan bilimciler
12:20
who've been studying motivation have given us this new approach.
265
728000
3000
motivasyonla ilgili yeni bir yaklaşım sunuyorlar.
12:23
It's an approach built much more around intrinsic motivation.
266
731000
3000
Bu yaklaşım içsel motivasyona dayanıyor daha çok.
12:26
Around the desire to do things because they matter,
267
734000
2000
Bir şeyleri önemli olduğu için yapmaya,
12:28
because we like it, because they're interesting,
268
736000
2000
sevdiğimiz için, ilginç olduğu için yapmaya,
12:30
because they are part of something important.
269
738000
2000
önemli bir şeyin parçası olduğu için yapmaya.
12:32
And to my mind, that new operating system for our businesses
270
740000
4000
Ve bana göre, yeni iş işletim sistemimiz
12:36
revolves around three elements:
271
744000
2000
üç öğe etrafında dönüyor:
12:38
autonomy, mastery and purpose.
272
746000
3000
özerklik, ustalık ve amaç.
12:41
Autonomy: the urge to direct our own lives.
273
749000
3000
Özerklik, kendi hayatımızı yönetme isteği.
12:44
Mastery: the desire to get better and better at something that matters.
274
752000
4000
Ustalık, gerçekten anlamlı olan bir şeyde gittikçe daha iyi seviyeye gelmek.
12:48
Purpose: the yearning to do what we do
275
756000
3000
Amaç, bizden daha büyük olan bir şeyin
12:51
in the service of something larger than ourselves.
276
759000
3000
hizmetinde bir şeyler gerçekleştirme ihtiyacı.
12:54
These are the building blocks of an entirely new operating system
277
762000
3000
Bunlar işimiz için yepyeni bir işletim sisteminin
12:57
for our businesses.
278
765000
2000
yapı taşları.
12:59
I want to talk today only about autonomy.
279
767000
4000
Bugün sadece özerklikten bahsetmek istiyorum.
13:03
In the 20th century, we came up with this idea of management.
280
771000
3000
20. yüzyılda yönetim denen bir fikir getirdi.
13:06
Management did not emanate from nature.
281
774000
2000
Yönetim denen şey doğadan çıkmadı.
13:08
Management is like -- it's not a tree,
282
776000
2000
Yönetim bir tür ağaç değil.
13:10
it's a television set.
283
778000
2000
O bir televizyon seti.
13:12
Okay? Somebody invented it.
284
780000
2000
Tamam mı? Biri bunu icat etti.
13:14
And it doesn't mean it's going to work forever.
285
782000
2000
Ve bu sonsuza kadar çalışacağı anlamına gelmiyor.
13:16
Management is great.
286
784000
2000
Yönetim fikri çok iyi.
13:18
Traditional notions of management are great
287
786000
2000
Geleneksel yönetim kavramları harika
13:20
if you want compliance.
288
788000
2000
eğer uyum istiyorsanız.
13:22
But if you want engagement, self-direction works better.
289
790000
3000
Ama eğer kendini adama istiyorsanız kendi kendini yönetme daha iyi.
13:25
Let me give you some examples of some kind of radical
290
793000
2000
Kendini yönetme ile ilgili
13:27
notions of self-direction.
291
795000
2000
bazı radikal kavramlara dair örnekler vereyim.
13:29
What this means -- you don't see a lot of it,
292
797000
3000
Bunun anlamı -- bunu pek görmüyoruz
13:32
but you see the first stirrings of something really interesting going on,
293
800000
3000
ama etrafta gerçekten ilginç şeyler olmaya başladı.
13:35
because what it means is paying people adequately
294
803000
2000
Çünkü bunun anlamı insanlara uygun şekilde,
13:37
and fairly, absolutely --
295
805000
2000
adilane ve mutlak şekilde ödeme yapmak.
13:39
getting the issue of money off the table,
296
807000
2000
Para meselesini masadan kaldırmak.
13:41
and then giving people lots of autonomy.
297
809000
2000
Ve onlara epey özerklik vermek.
13:43
Let me give you some examples.
298
811000
2000
Birkaç örnek vereyim.
13:45
How many of you have heard of the company Atlassian?
299
813000
4000
Atlassian isimli şirketi kaçınız duydu?
13:49
It looks like less than half.
300
817000
2000
Yarınızdan azı gibi görünüyor.
13:51
(Laughter)
301
819000
2000
(Gülüşmeler)
13:53
Atlassian is an Australian software company.
302
821000
4000
Atlassian Avustralya'daki bir yazılım şirketi.
13:57
And they do something incredibly cool.
303
825000
2000
Ve çok heyecan verici bir şey yapıyorlar.
13:59
A few times a year they tell their engineers,
304
827000
2000
Yılda birkaç kez mühendislerine diyorlar ki,
14:01
"Go for the next 24 hours and work on anything you want,
305
829000
4000
"Git ve önümüzdeki 24 saat boyunca canın ne istiyorsa onun üzerinde çalış,
14:05
as long as it's not part of your regular job.
306
833000
2000
yeter ki işinle alakalı bir şey olmasın.
14:07
Work on anything you want."
307
835000
2000
Ne istiyorsan onun üzerinde çalış."
14:09
So that engineers use this time to come up with
308
837000
2000
Ve böylece mühendisler harika bir kod yaması,
14:11
a cool patch for code, come up with an elegant hack.
309
839000
3000
çok şık bir çözüm ile çıkıp geliyorlar.
14:14
Then they present all of the stuff that they've developed
310
842000
3000
Sonra da yaptıkları şeyi
14:17
to their teammates, to the rest of the company,
311
845000
3000
takım arkadaşlarına ve şirkete sunuyolar,
14:20
in this wild and wooly all-hands meeting
312
848000
2000
gün sonuna dek süren
14:22
at the end of the day.
313
850000
2000
bu çılgın etkinlik boyunca.
14:24
And then, being Australians, everybody has a beer.
314
852000
2000
Ve sonra, Avustralyalı oldukları için tabii ki herkesin birası var.
14:26
They call them FedEx Days.
315
854000
3000
Buna FedEx Günleri diyorlar.
14:29
Why? Because you have to deliver something overnight.
316
857000
6000
Neden mi? Çünkü bir gün içinde bir şey teslim etmek gerekiyor.
14:35
It's pretty. It's not bad. It's a huge trademark violation,
317
863000
2000
Çok güzel. Fena değil. Korkunç bir tescilli marka ihlali.
14:37
but it's pretty clever.
318
865000
2000
Ama çok zekice.
14:39
(Laughter)
319
867000
1000
(Gülüşler)
14:40
That one day of intense autonomy
320
868000
2000
Bu bir günlük özerklik
14:42
has produced a whole array of software fixes
321
870000
2000
çok güzel yazılım düzeltmeleri üretti
14:44
that might never have existed.
322
872000
2000
hiç ortaya çıkmayabilecek türden.
14:46
And it's worked so well that Atlassian has taken it to the next level
323
874000
2000
Ve Atlassian için bu o kadar çok işe yaradı ki bir adım öteye geçtiler
14:48
with 20 Percent Time --
324
876000
2000
ve %20 boş zaman sunmaya başladılar.
14:50
done, famously, at Google --
325
878000
2000
Google'da meşhur şekilde yapıldığı gibi.
14:52
where engineers can work, spend 20 percent of their time
326
880000
2000
Oradaki mühendisler zamanlarının %20'sini
14:54
working on anything they want.
327
882000
2000
istedikleri şey üzerinde harcayabilir.
14:56
They have autonomy over their time,
328
884000
2000
Kendi zamanları, kendi görevleri,
14:58
their task, their team, their technique.
329
886000
2000
kendi takımları ve kendi teknikleri üzerinde özerkliğe sahiptirler.
15:00
Okay? Radical amounts of autonomy.
330
888000
2000
Tamam mı? Radikal miktarda özerklik,
15:02
And at Google, as many of you know,
331
890000
4000
Ve Google'da, bildiğiniz gibi,
15:06
about half of the new products in a typical year
332
894000
2000
her sene çıkan ürünlerin nerede ise yarısı
15:08
are birthed during that 20 Percent Time:
333
896000
3000
işte bu %20'lik boş zamanda doğmaktadır.
15:11
things like Gmail, Orkut, Google News.
334
899000
3000
Gmail, Orkut, Google News gibi şeyler.
15:14
Let me give you an even more radical example of it:
335
902000
3000
Daha da radikal bir örnek vereyim.
15:17
something called the Results Only Work Environment,
336
905000
2000
Sonuç Odaklı İş Ortamı denen bir şey.
15:19
the ROWE,
337
907000
2000
SOİO.
15:21
created by two American consultants, in place
338
909000
2000
İki Amerikalı danışman tarafından geliştirildi ve
15:23
in place at about a dozen companies around North America.
339
911000
2000
Kuzey Amerika'daki bir düzeni şirkette uygulanıyor.
15:25
In a ROWE people don't have schedules.
340
913000
4000
SOİO'da insanların belli bir vardiyası yoktur.
15:29
They show up when they want.
341
917000
2000
Ne zaman isterlerse o zaman gelirler.
15:31
They don't have to be in the office at a certain time,
342
919000
2000
Belli bir saatte ofiste olmaları gerekmez,
15:33
or any time.
343
921000
2000
ya da hiç gelmeyebilirler.
15:35
They just have to get their work done.
344
923000
2000
Tek yapmaları gereken işi halletmektir.
15:37
How they do it, when they do it,
345
925000
2000
Nasıl yaptıkları, ne zaman yaptıkları,
15:39
where they do it, is totally up to them.
346
927000
3000
nerede yaptıkları onlara kalmış bir şeydir.
15:42
Meetings in these kinds of environments are optional.
347
930000
4000
Bu ortamlarda toplantılar opsiyoneldir.
15:46
What happens?
348
934000
2000
Peki ne olur?
15:48
Almost across the board, productivity goes up,
349
936000
3000
Hemen her yerde üretkenlik artar,
15:51
worker engagement goes up,
350
939000
3000
çalışanın kendini adaması artar,
15:54
worker satisfaction goes up, turnover goes down.
351
942000
3000
çalışan tatmini artar ve iş değiştirenlerin sayısı azalır.
15:57
Autonomy, mastery and purpose,
352
945000
2000
Özerklik, ustalık ve amaç.
15:59
These are the building blocks of a new way of doing things.
353
947000
2000
Bunlar yeni iş yapma şeklinin yapı taşları.
16:01
Now some of you might look at this and say,
354
949000
3000
Şimdi bazılarınız buna bakıp diyebilir ki,
16:04
"Hmm, that sounds nice, but it's Utopian."
355
952000
3000
"Bu kulağa hoş geliyor. Ama bir ütopya."
16:07
And I say, "Nope. I have proof."
356
955000
5000
Ve ben de diyorum ki, "Hayır. İspatım var."
16:12
The mid-1990s, Microsoft started
357
960000
2000
1990larda Microsoft,
16:14
an encyclopedia called Encarta.
358
962000
2000
Encarta diye bir ansiklopedi projesine başladı.
16:16
They had deployed all the right incentives,
359
964000
2000
Tüm doğru teşvikleri devreye sokmuşlardı.
16:18
all the right incentives. They paid professionals to
360
966000
3000
Tüm doğru teşvikleri. Profesyonellere
16:21
write and edit thousands of articles.
361
969000
2000
binlerce makale yazıp düzeltmeleri için para ödemişlerdi.
16:23
Well-compensated managers oversaw the whole thing
362
971000
2000
İyi olanaklarla çalışan yöneticiler işleri düzenliyordu
16:25
to make sure it came in on budget and on time.
363
973000
5000
proje zamanında ve belirlenen bütçe dahilinde bitsin diye.
16:30
A few years later another encyclopedia got started.
364
978000
2000
Birkaç sene sonra bir başka ansiklopedi projesi başladı.
16:32
Different model, right?
365
980000
3000
Başka bir model, değil mi?
16:35
Do it for fun. No one gets paid a cent, or a Euro or a Yen.
366
983000
4000
Zevk için yap. Kimse tek kuruş para almayacak, ya da Euro veya Yen.
16:39
Do it because you like to do it.
367
987000
3000
Sevdiğin için yap.
16:42
Now if you had, just 10 years ago,
368
990000
3000
10 sene önce
16:45
if you had gone to an economist, anywhere,
369
993000
2000
dünyanın herhangi bir yerindeki ekonomiste gidip
16:47
and said, "Hey, I've got these two different models for creating an encyclopedia.
370
995000
4000
deseydiniz ki, "Hey, bir ansiklopedi oluşturmak bu iki modelim var.
16:51
If they went head to head, who would win?"
371
999000
3000
Kıyasıya rekabet etseler, kim kazanırdı?"
16:54
10 years ago you could not have found a single sober economist anywhere
372
1002000
4000
10 sene önce hiçbir yerde
16:58
on planet Earth
373
1006000
2000
Dünya gezegeninin hiçbir yerinde
17:00
who would have predicted the Wikipedia model.
374
1008000
2000
Wikipedia modelini tahmin edebilecek aklı başında bir ekonomist bulamazdınız.
17:02
This is the titanic battle between these two approaches.
375
1010000
3000
Bu iki yaklaşım arasındaki devasa mücadeledir.
17:05
This is the Ali-Frazier of motivation. Right?
376
1013000
3000
Bu motivasyon dünyasının Muhammed Ali - Joe Frazier karşılaşmasıdır. Değil mi?
17:08
This is the Thrilla' in Manila.
377
1016000
2000
Bu Thrilla' in Manila'dır.
17:10
Alright? Intrinsic motivators versus extrinsic motivators.
378
1018000
3000
Tamam mı? İçsel motive edicilere karşı dışsal motive ediciler.
17:13
Autonomy, mastery and purpose,
379
1021000
2000
Özerklik, ustalık ve amaç,
17:15
versus carrot and sticks. And who wins?
380
1023000
2000
havuç ve sopaya karşı. Peki kim kazanır?
17:17
Intrinsic motivation, autonomy, mastery and purpose,
381
1025000
3000
İçsel motivasyon, özerklik, ustalık ve amaç
17:20
in a knockout. Let me wrap up.
382
1028000
4000
rakibini nakavt etti. Özetleyeyim.
17:24
There is a mismatch between what science knows and what business does.
383
1032000
3000
Bilim dünyasının bildiği ile iş dünyasının yaptığı arasında bir uyumsuzluk var.
17:27
And here is what science knows.
384
1035000
2000
Ve işte bilim dünyasının bildiği.
17:29
One: Those 20th century rewards,
385
1037000
2000
Bir: Şu 20. yüzyıl ödülleri,
17:31
those motivators we think are a natural part of business,
386
1039000
3000
iş dünyasının doğal bir parçası olduğunu düşündüğümüz motive ediciler,
17:34
do work, but only in a surprisingly narrow band of circumstances.
387
1042000
4000
işe yarıyor ama şaşırtıcı derecede az alanda.
17:38
Two: Those if-then rewards often destroy creativity.
388
1046000
4000
İki: Şu eğer-ise ödülleri genellikle yaratıcılığı yok ediyor.
17:42
Three: The secret to high performance
389
1050000
2000
Üç: Yüksek performansın sırrı
17:44
isn't rewards and punishments,
390
1052000
2000
ödüllerde veya cezalarda değil,
17:46
but that unseen intrinsic drive --
391
1054000
2000
görünmeyen içsel güdülerde.
17:48
the drive to do things for their own sake.
392
1056000
3000
Bazı şeyleri yapmış olmak için yapma güdüsünde.
17:51
The drive to do things cause they matter.
393
1059000
2000
Bazı şeyleri önemli oldukları için yapma güdüsünde.
17:53
And here's the best part. Here's the best part.
394
1061000
2000
Ve şimdi de en güzel bölüm. En güzel bölüm geliyor.
17:55
We already know this. The science confirms what we know in our hearts.
395
1063000
3000
Bunu zaten biliyoruz. Bilim zaten içten içe bildiğimiz şeyi doğruluyor.
17:58
So, if we repair this mismatch
396
1066000
3000
Yani, eğer iş dünyasının yaptığı ile bilim dünyasının bildiği arasındaki
18:01
between what science knows and what business does,
397
1069000
2000
bu uyumsuzluğu düzeltirsek,
18:03
if we bring our motivation, notions of motivation
398
1071000
3000
Eğer motivasyonumuzu, motivasyonla ilgili kavramlarımızı
18:06
into the 21st century,
399
1074000
2000
21. yüzyıla taşırsak,
18:08
if we get past this lazy, dangerous, ideology
400
1076000
4000
bu tembel, tehlikeli havuç ve sopa
18:12
of carrots and sticks,
401
1080000
2000
ideolojisinden uzaklaşırsak,
18:14
we can strengthen our businesses,
402
1082000
3000
işlerimizi güçlendirebilir,
18:17
we can solve a lot of those candle problems,
403
1085000
3000
pek çok mum problemini çözebilir,
18:20
and maybe, maybe, maybe
404
1088000
4000
ve belki, belki, belki de
18:24
we can change the world.
405
1092000
2000
dünyayı değiştirebiliriz.
18:26
I rest my case.
406
1094000
2000
Saygılarımla arz ederim.
18:28
(Applause)
407
1096000
3000
(Alkış)
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