26703715 مشاوره آموزشی رایگان

26703715 مشاوره آموزشی رایگان

چطور شرکتی بنا کنیم که در آن بهترین ایده‌ها می‌برند

Ray Dalio

How to build a company where the best ideas win

What if you knew what your coworkers really thought about you and what they were really like? Ray Dalio makes the business case for using radical transparency and algorithmic decision-making to create an idea meritocracy where people can speak up and say what they really think -- even calling out the boss is fair game. Learn more about how these strategies helped Dalio create one of the world's most successful hedge funds and how you might harness the power of data-driven group decision-making.


تگ های مرتبط :

Algorithm, Collaboration, Business
چه دوست داشته باشید، چه نه، شفافیت افراطی و تصمیم‌گیری الگوریتمی به سرعت به سمت شما می‌آید، و زندگی شما را تغییر خواهد داد. این به آن دلیل است که اکنون دسترسی به الگوریتم‌ها و تعبیه کردن آنان در کامپیوترها و جمع‌آوری داده‌هایی که روی خودتان و روی سایر چیزها جای می‌گذارید ساده شده است. شناختن شما، و هدایت کامپیوترها به منظور تعامل با شما به روش‌هایی که نسبت به اکثر افراد بهتر است. این ممکن است ترسناک به نظر برسد. من مدت زیادی است که این کار را می‌کنم و به نظرم شگفت‌انگیز است. هدف من این است که کاری و روابطی معنادار
با افرادی که با آن‌ها کار می‌کنم داشته باشم. اما متوجه شده‌ام که نمی‌شود این کار را کرد مگر این‌که شفافیت افراطی و تصمیم‌گیری الگوریتمی داشته باشم. می‌خواهم به شما نشان دهم چرا این‌طور است، به شما نشان دهم چطور کار می‌کند. و اخطار می‌کنم برخی از چیزهایی که نشان خواهم داد احتمالاً کمی هولناک‌اند. از وقتی که بچه بودم، در حفظ کردن خیلی بد بودم. از دنبال کردن دستورالعمل‌ها خوشم نمی‌آمد، در پیروی از آن‌ها اصلاً خوب نبودم. اما عاشق این بودم که خودم بفهمم هر چیز چطور کار می‌کند. وقتی ۱۲ سالم بود، از مدرسه متنفر بودم اما عاشق تجارت در بازار بودم.
در آن زمان شاگرد بودم، برای هر بسته پنچ دلار می‌گرفتم. و پول شاگردی‌ام را در بازار سهام می‌گذاشتم. و فقط به این خاطر بود که بازار سهام در آن زمان گرم بود. اولین شرکتی که خریدم شرکتی بود به نام Northeast Airlines. Northeast Airlines تنها شرکتی بود که شنیده بودم هر سهم را به کم‌تر از پنچ دلار می‌فروشد. (خنده حضار) و متوجه شدم می‌توانم سهم بیشتری بخرم، و اگر رشد کند، پول بیشتری می‌گیرم. راهبرد احمقانه‌ای بود، نه؟ اما پولم را سه برابر کردم، پولم را سه برابر کردم چون شانس آوردم.
شرکت در حال ورشکستگی بود، اما یک شرکت دیگر آن را خرید، و پول من سه برابر شد. و من معتاد شدم. و با خودم گفتم، «این بازی راحت است.» با گذر زمان یادگرفتم این بازی همه چیز هست به جز آسان. برای این‌که سرمایه‌گذاری تأثیرگذار باشید، باید برخلاف اجماع شرط ببندید و ببرید. شرط بستن بر خلاف اجماع و بردن کار آسانی نیست. باید برخلاف اجماع شرط بسته و ببرید چون اجماع در قیمت نهفته است. و برای این‌که کارآفرین باشید،
یک کارآفرین موفق، باید برخلاف اجماع شرط بسته و ببرید. من باید تبدیل به یک کارآفرین می‌شدم به یک سرمایه گذار-- و چیزی که با این همراه است ارتکاب اشتباهات دردآور بسیار است. بنابراین اشتباهات دردآور بسیار کردم، و با گذر زمان، احساسم نسبت به آن اشتباهات تغییر کرد. به آن‌ها به عنوان معما فکر کردم. اگر می‌توانستم معماها را حل کنم، آن‌ها به من جواهرات می‌دادند. معماها این‌طور بودند: در آینده چه کاری را متفاوت انجام دهم تا این اشتباه دردآور تکرار نشود؟ و جواهرات، اصولی بودند
که آن‌ها را می‌نوشتم تا یادم بماند و در آینده به من کمک می‌کردند. و چون آن‌ها را بسیار واضح می‌نوشتم، می‌توانستم -- به تدریج متوجه شدم -- آن‌ها را در الگوریتم‌ها قرار دهم. و این الگوریتم‌ها در کامپیوترها قرار می‌گرفتند، و کامپیوترها همراه با من تصمیم می‌گرفتند؛ بنابراین به صورت موازی، ما این تصمیمات را می‌گرفتیم. و من این تصمیم‌ها را می‌دیدم سپس با تصمیم‌های خودم مقایسه می‌کردم، و می‌توانستم ببینم که آن تصمیم‌ها خیلی بهترند. و این به آن خاطر بود که کامپیوتر خیلی سریع‌تر تصمیم می‌گرفت، می‌توانست اطلاعات بیشتری را پردازش کند
و می‌تواند تصمیم‌ها را با احساسات کم‌تری پردازش کند. بنابراین این باعث شد تصمیم‌گیری من به شدت بهبود یابد. هشت سال بعد از اینکه Bridgewater را شروع کردم، بزرگ‌ترین شکستم را داشتم، بزرگ‌ترین اشتباهم. اواخر دهه‌ی ۱۹۷۰ بود، ۳۴ سال داشتم، و محاسبه کرده بودم که بانک‌های آمریکایی پول بیشتری را به کشورهای در حال ظهور در مقایسه با کشورهایی که می‌توانستند پول را برگردانند قرض داده بودند. و فهمیده بودم که بزرگ‌ترین بحران بدهی، بعد از رکود بزرگ در راه است.
و همراه با آن، یک بحران اقتصادی و یک بازار خرس بزرگ در سهام‌ها رخ می‌دهد. این یک دیدگاه بحث‌برانگیز در آن زمان بود. مردم فکر می‌کردند دیدگاهی دیوانه‌وار است. اما در آگوست ۱۹۸۲، مکزیک موفق به پرداخت بدهی‌اش نشد، و به دنبال آن تعدادی از کشورهای دیگر. و ما بزرگ‌ترین بحران بدهی نسبت به رکود بزرگ را داشتیم. و چون من آن را پیش‌بینی کرده بودم، از من خواسته شد در کنگره شهادت دهم و در «هفته وال استریت» حضور پیدا کنم، که در آن زمان یک برنامه تلویزیونی بود. فقط برای این‌که چشمه‌ای از آن ببینید، یک کلیپ در اینجا دارم، و من را در آن خواهید دید.
(ویدیو) آقای رئیس، آقای میچل، این لذت و افتخاری بزرگ است که در کنار شما باشم در بررسی این‌که اقتصاد ما چه مشکلی دارد. اکنون اقتصاد راکد است -- در آستانه‌ی شکست قرار دارد. مارتین زوِیگ: اخیراً در یک مقاله از شما نقل شده که گفتید:‌ «با قطعیتِ کامل این را می‌گویم چون می‌دانم بازار چطور کار می‌کند.» رِی دَلیو: با اطمینان کامل می‌گویم که اگر به اساس نقدینگی در شرکت‌ها و تمام دنیا نگاه کنید چنان سطحی از کاهش نقدینگی وجود دارد که نمی‌توانید آن را به یک عصر رکود تورمی بازگردانید.»
الان که به آن نگاه می‌کنم، با خود می‌گویم، «عجب احمق متکبری بودم!» (خنده حضار) آن‌قدر متکبر بودم، و اشتباه هم می‌کردم. یعنی، با این‌که بحران بدهی رخ داد، بازار سهام و اقتصاد به جای سقوط، صعود کرد، و من و مشتریانم پول زیادی از دست دادیم. آن‌قدر که تقریباً مجبور شدم اداره‌ام را تعطیل کنم، تقریباً مجبور شدم همه را ترخیص کنم. و آن‌ها مثل خانواده‌ی بزرگ من بودند، من دل‌شکسته شدم. آن‌قدر پول از دست داده بودم که مجبور شدم ۴٫۰۰۰ دلار از پدرم قرض بگیرم تا قبوض خانواده‌ام را بپردازم.
یکی از دردناک‌ترین تجربه‌های زندگی‌ام بود... اما معلوم شد که یکی از بهترین تجربه‌های زندگی‌ام بوده است چون نگرشم را در مورد تصمیم‌گیری تغییر داد. به جای آن‌که فکر کنم «حق با من است،» از خود پرسیدم، «از کجا بدانم حق با من است؟» تواضعی که نیاز داشتم را به دست آوردم تا گستاخی‌ام را با آن تراز کنم. می‌خواستم باهوش‌ترین افرادی که با من مخالف‌اند را پیدا کنم تا سعی کنم دیدگاه آن‌ها را بفهمم یا از آن‌ها بخواهم دیدگاه مرا تحت فشار قرار دهند. می‌خواستم یک شایسته‌سالاریِ ایده ایجاد کنم. به عبارت دیگر،
نه یک استبداد که من رهبری کرده و سایرین پیروی می‌کنند. و نه یک جمع‌سالاری که در آن دیدگاه همه ارزش یکسانی داشت، خواستم یک شایسته‌سالاری ایده داشته باشم که در آن بهترین ایده‌ها برنده می‌شوند. و متوجه شدم، برای انجام این‌کار به صداقت و شفافیت افراطی نیاز داریم. منظورم از صداقت افراطی و شفافیت افراطی این است که افراد باید آن‌چه به آن اعتقاد دارند را بیان کنند و همه چیز را ببینند. و ما تقریباً تمامی گفتگوها را ضبط می‌کردیم و می‌گذاشتیم همه، همه‌چیز را ببینند، چون اگر این‌کار را نمی‌کردیم، نمی‌توانستیم به واقع شایسته‌سالاری ایده داشته باشیم.
برای داشتن شایسته‌سالاری ایده، باید بگذاریم افراد در مورد آن‌چه می‌خواهند صحبت کنند. صرفاً برای یک مثال، این یک ایمیل از طرف جیم هَسکِل است-- کسی که برای من کار می‌کند-- و این در دسترس همه در شرکت قرار داشت. «رِی، کار تو در جلسه‌ی امروز استحقاق نمره‌ی ۱۰ را داشت... اصلاً خودت را آماده نکرده بودی چون امکان ندارد تا این حد نامنظم باشی.» این عالی نیست؟ (خنده حضار) این عالی است. عالی است چون، اول از همه، من به چنین بازخوردی نیاز داشتم.
هنوز به چنین بازخوردی نیاز دارم. و عالی است چون اگر به جیم و افرادی مثل جیم اجازه ندهم دیدگاه‌هایشان را بروز دهند، رابطه‌ی ما این چنین نمی‌بود. و اگر این را عمومی نمی‌کردم تا همه آن را ببینند، شایسته‌سالاری ایده نمی‌داشتیم. بنابراین طی ۲۵ سال گذشته ما این‌طور عمل می‌کنیم. ما با این شفافیت افراطی عمل کرده‌ایم و این اصول را جمع‌آوری کرده‌ایم، بیشتر در نتیجه‌ی اشتباهاتمان، و سپس آن اصول را در الگوریتم‌ها قرار دادیم. و سپس آن الگوریتم‌ها کار می‌کنند -- ما به موازات فکر کردنمان از
این الگوریتم‌ها پیروی می‌کنیم. ما کسب و کار سرمایه‌گذاری را این‌طور مدیریت کرده‌ایم، و با مدیریت افراد هم همین کار را کرده‌ایم. برای این‌که چشمه‌ای از آن به شما نشان داده باشم، می‌خواهم شما را به یک جلسه ببرم و شما را به یکی از ابزارهایمان معرفی کنم که نامش "Dot Collector" است که در این کار به ما کمک می‌کند. یک هفته پس از انتخابات آمریکا، تیم تحقیقاتی ما یک جلسه برگزار کرد تا عواقب رئیس‌جمهور شدن ترامپ را بر اقتصاد آمریکا را بررسی کند. طبیعتاً، افراد نظراتی متفاوت در این موضوع و رویکرد متفاوتی به آن در بحث داشتند.
Dot Collector این دیدگاه‌ها را جمع می‌کند. این ابزار لیستی از ۱۰، ۱۲ ویژگی دارد، بنابراین وقتی کسی در مورد افکارِ دیگری، فکری می‌کند، انتقال ارزیابی‌اش راحت است. کافی است آن ویژگی را انتخاب کرده و نمره‌ای از ۱ تا ۱۰ به آن می‌دهند. برای مثال، وقتی جلسه شروع شد، یک محقق به نام جِن به من نمره‌ی ۳ داد -- یعنی، نمره‌ی بد -- (خنده‌ی حضار) به این‌خاطر که تعادل خوبی میان روشن‌فکری و استواری برقرار نکرده بودم. وقتی جلسه تمام شد، ارزیابی جِن از افراد به این شکل جمع شد. بقیه افراد در اتاق نظراتی دیگری دارند.
این طبیعی است. افراد متفاوت همواره نظرات متفاوت خواهند داشت. از کجا بدانیم حق با کیست؟ بیایید به نظرات افراد در مورد عملکرد من نگاه کنیم. به نظر برخی‌ها من خوب عمل کردم، از نظر بقیه، بد. با هر یک از این دیدگاه‌ها، می‌توانیم افکار پشتِ هر عدد را کاوش کنیم. این نظر جِن و لَری است. توجه کنید که همه می‌توانند افکارشان را بیان کنند، حتی افکار انتقادی‌شان را، مسقل از موقعیت‌شان در شرکت. جِن، که ۲۴ سال دارد و به تازگی از کالج بیرون آمده، می‌تواند به منِ مدیرعامل، بگوید که رویکرد بدی دارم.
این ابزار به افراد کمک می‌کند که نظراتشان را بیان کنند و سپس خودشان را از نظراتشان جدا کنند تا مسائل را از سطح بالاتری ببینند. وقتی جِن و دیگران توجهشان را از نظردهی به تمام صفحه نمایش متمرکز کنند، دیدگاهشان عوض می‌شود. نظراتشان را به عنوان یک نظر در میان سایر نظرات می‌بینند. و طبیعتاً از خود می‌پرسند، «از کجا بدانم نظرم درست است؟» از تغییر دیدگاه مانند تفاوت یک بعدی و دیدن چند بعدی است. و این گفتگو را از تنازع بر سر نظرات، به تشخیص معیارهای هدف برای تعیین بهترین نظرات تغییر می‌دهد.
در پسِ Dot Collector یک کامپیوتر درحال نظارت است. او می‌بیند که تمام این افراد چه فکری می‌کنند و این را با نحوه‌ی تفکر آنان ارتباط می‌دهد. و بر اساس آن، به هر یک پیشنهاد می‌دهد. سپس داده‌های آن جلسه را ترسیم می‌کند تا یک نقاشی نقطه‌کاری از فکر افراد و نحوه‌ی تفکر آن بکشد. و این کار را با راهنمایی الگوریتم‌ها انجام می‌دهد. شناختن افراد به تطبیق بهتر آنان با کارشان کمک می‌کند. برای مثال، و متفکر خلاق که غیرقابل اتکاست ممکن است با کسی که قابل اتکاست ولی خلاق نیست تطبیق پیدا کند. شناختن افراد به ما هم کمک می‌کند تصمیم بگیریم
چه مسئولیت‌های را به آن‌ها بسپاریم و تصمیماتمان را بر اساس شایستگی‌های افراد وزن‌دهی کنیم. ما به این باورپذیری می‌گوییم. این مثالی از یک رأی‌گیری است که انجام دادیم که در آن اکثریت افراد حس خاصی داشتند... اما وقتی دیدگاه‌ها را بر اساس شایستگی افراد وزن‌دهی کردیم، پاسخ کاملاً متفاوت بود. این فرایند به ما امکان می‌دهد تصمیم‌ها را نه بر اساس جمع‌سالاری، نه بر اساس استبداد، بلکه بر اساس الگوریتم‌هایی که باورپذیریِ افراد را در نظر می‌گیرند، اتخاذ کنیم. بله، واقعاً این کار را می‌کنیم. (خنده‌ی حضار) ما این کار را می‌کنیم چون چیزی را حذف می‌کند
که به عقیده‌ی من یکی از بزرگ‌ترین فاجعه‌های بشری است، و آن این است که افراد متکبرانه، و ساده‌لوحانه عقایدی در ذهن دارند که اشتباه است، و بر اساس آن عمل می‌کنند، و آن را در معرض آزمایش تحت فشار قرار نمی‌دهند. و این یک فاجعه است. ما این کار را انجام می‌دهیم چون ما را فراتر از نظراتمان می‌برد تا مسائل را از چشم همه ببینیم، و ما مسائل را به صورت جمعی می‌بینیم. تصمیم‌گیری جمعی بسیار بهتر از تصمیم‌گیری فردی است اگر به درستی انجام شود. این سس محرمانه‌ی در پسِ موفقیت ما بوده است. این دلیلی است که پول بیشتری نسبت به سایر سرمایه‌گذاران
برای مشتریان‌مان کسب کرده‌ایم و همچنین برای خودمان طی ۲۳ سال از ۲۶ سال اخیر. بنابراین اشکال صداقت افراطی و شفافیت افراطی با یکدیگر چیست؟ می‌گویند از لحاظ عاطفی دشوار است. منتقدان می‌گویند فرمولی برای یک محیط کاری بی‌رحمانه است. دانشمندان اعصاب به من می‌گویند با نحوه‌ی سیم‌کشی مغز ارتباط دارد. بخشی از مغز ما هست که دوست دارد اشتباهاتمان را بداند و دوست دارد به ضعف‌هایمان نگاه کند تا بتوانیم بهتر عمل کنیم. به من گفته‌اند که آن قشر پیش‌پیشانی است. بخشی از مغز ما هم هست که همه این‌ها را به عنوان حملات، قلم‌داد می‌کند. به من گفته‌اند که آن آمیگدال است.
به عبارت دیگر، دو نفر درون شما وجود دارند: یک فرد عاطفی و یک فرد متفکر، و اغلب این دو در تضادند، و اغلب بر علیه شما عمل می‌کنند. تجربه‌ی ما این است که می‌توانیم در این نبرد پیروز شویم. به صورت گروهی آن را می‌بریم. تقریباً حدود ۱۸ ماه طول می‌کشد تا متوجه شوید افراد این مدیریت با شفافیت افراطی را به مدیریت شدن در یک محیط مبهم‌تر ترجیح می‌دهند. سیاستی وجود ندارد، بی‌رحمی‌ای نیست -- یعنی، تمام آن پشت پرده‌های مخفیانه -- فقط یک شایسته‌سالاری ایده هست که افراد در آن نظر می‌دهند.
و این عالی است. این باعث شده ما کارآمدتر باشیم، و روابطمان کارآمدتر باشد. اما این برای همه نیست. ما متوجه شدیم که حدود ۲۵ تا ۳۰ درصد از جمعیت صرفاً با آن سازگار نیستند. و ضمناً، وقتی می‌گویم شفافیت افراطی، منظورم شفافیت در مورد همه چیز نیست. یعنی لازم نیست به کسی بگویید که کچل است و سرش می‌درخشد یا فرزندش زشت است. بنابراین منظورم فقط -- (خنده‌ی حضار) صحبت در مورد مسائل مهم است.
بنابراین -- (خنده‌ی حضار) وقتی این اتاق را ترک می‌کنید، می‌خواهم خودتان را در مصاحبت با دیگران مشاهده کنید. تصور کنید اگر می‌دانستید واقعاً چه می‌اندیشند، و تصور کنید اگر واقعاً آن‌ها را می‌شناختید... و تصور کنید اگر آن‌ها می‌دانستند شما چه می‌اندیشید و شما را می‌شناختند. قطعاً مسائل را بسیار واضح‌تر می‌کرد و تعاملات شما را با یکدیگر کارآمدتر می‌کرد. فکر می‌کنم روابط شما را بهبود می‌بخشید. حالا تصور کنید می‌توانید الگوریتم‌هایی داشته باشید که به شما در جمع‌آوری این اطلاعات کمک کنند
و حتی در تصمیم‌گیری در یک شایسته‌سالاری ایده به شما کمک کنند. این نوع از شفافیت افراطی به سوی شما می‌آید و زندگی شما را تحت تأثیر قرار خواهد داد. و به نظر من، فوق‌العاده خواهد بود. امیدوارم برای شما هم همان قدر فوق‌العاده باشد که برای من هست. خیلی متشکرم. (تشوق حضار)
Whether you like it or not, radical transparency and algorithmic decision-making is coming at you fast, and it's going to change your life. That's because it's now easy to take algorithms and embed them into computers and gather all that data that you're leaving on yourself all over the place, and know what you're like, and then direct the computers to interact with you in ways that are better than most people can. Well, that might sound scary. I've been doing this for a long time and I have found it to be wonderful. My objective has been to have meaningful work
and meaningful relationships with the people I work with, and I've learned that I couldn't have that unless I had that radical transparency and that algorithmic decision-making. I want to show you why that is, I want to show you how it works. And I warn you that some of the things that I'm going to show you probably are a little bit shocking. Since I was a kid, I've had a terrible rote memory. And I didn't like following instructions, I was no good at following instructions. But I loved to figure out how things worked for myself. When I was 12,
I hated school but I fell in love with trading the markets. I caddied at the time, earned about five dollars a bag. And I took my caddying money, and I put it in the stock market. And that was just because the stock market was hot at the time. And the first company I bought was a company by the name of Northeast Airlines. Northeast Airlines was the only company I heard of that was selling for less than five dollars a share. (Laughter) And I figured I could buy more shares, and if it went up, I'd make more money. So, it was a dumb strategy, right?
But I tripled my money, and I tripled my money because I got lucky. The company was about to go bankrupt, but some other company acquired it, and I tripled my money. And I was hooked. And I thought, "This game is easy." With time, I learned this game is anything but easy. In order to be an effective investor, one has to bet against the consensus and be right. And it's not easy to bet against the consensus and be right. One has to bet against the consensus and be right
because the consensus is built into the price. And in order to be an entrepreneur, a successful entrepreneur, one has to bet against the consensus and be right. I had to be an entrepreneur and an investor -- and what goes along with that is making a lot of painful mistakes. So I made a lot of painful mistakes, and with time, my attitude about those mistakes began to change. I began to think of them as puzzles. That if I could solve the puzzles, they would give me gems. And the puzzles were:
What would I do differently in the future so I wouldn't make that painful mistake? And the gems were principles that I would then write down so I would remember them that would help me in the future. And because I wrote them down so clearly, I could then -- eventually discovered -- I could then embed them into algorithms. And those algorithms would be embedded in computers, and the computers would make decisions along with me; and so in parallel, we would make these decisions. And I could see how those decisions then compared with my own decisions,
and I could see that those decisions were a lot better. And that was because the computer could make decisions much faster, it could process a lot more information and it can process decisions much more -- less emotionally. So it radically improved my decision-making. Eight years after I started Bridgewater, I had my greatest failure, my greatest mistake. It was late 1970s, I was 34 years old, and I had calculated that American banks had lent much more money to emerging countries
than those countries were going to be able to pay back and that we would have the greatest debt crisis since the Great Depression. And with it, an economic crisis and a big bear market in stocks. It was a controversial view at the time. People thought it was kind of a crazy point of view. But in August 1982, Mexico defaulted on its debt, and a number of other countries followed. And we had the greatest debt crisis since the Great Depression. And because I had anticipated that, I was asked to testify to Congress and appear on "Wall Street Week,"
which was the show of the time. Just to give you a flavor of that, I've got a clip here, and you'll see me in there. (Video) Mr. Chairman, Mr. Mitchell, it's a great pleasure and a great honor to be able to appear before you in examination with what is going wrong with our economy. The economy is now flat -- teetering on the brink of failure. Martin Zweig: You were recently quoted in an article. You said, "I can say this with absolute certainty because I know how markets work." Ray Dalio: I can say with absolute certainty
that if you look at the liquidity base in the corporations and the world as a whole, that there's such reduced level of liquidity that you can't return to an era of stagflation." I look at that now, I think, "What an arrogant jerk!" (Laughter) I was so arrogant, and I was so wrong. I mean, while the debt crisis happened, the stock market and the economy went up rather than going down, and I lost so much money for myself and for my clients that I had to shut down my operation pretty much, I had to let almost everybody go.
And these were like extended family, I was heartbroken. And I had lost so much money that I had to borrow 4,000 dollars from my dad to help to pay my family bills. It was one of the most painful experiences of my life ... but it turned out to be one of the greatest experiences of my life because it changed my attitude about decision-making. Rather than thinking, "I'm right," I started to ask myself, "How do I know I'm right?" I gained a humility that I needed in order to balance my audacity.
I wanted to find the smartest people who would disagree with me to try to understand their perspective or to have them stress test my perspective. I wanted to make an idea meritocracy. In other words, not an autocracy in which I would lead and others would follow and not a democracy in which everybody's points of view were equally valued, but I wanted to have an idea meritocracy in which the best ideas would win out. And in order to do that, I realized that we would need radical truthfulness and radical transparency. What I mean by radical truthfulness and radical transparency
is people needed to say what they really believed and to see everything. And we literally tape almost all conversations and let everybody see everything, because if we didn't do that, we couldn't really have an idea meritocracy. In order to have an idea meritocracy, we have let people speak and say what they want. Just to give you an example, this is an email from Jim Haskel -- somebody who works for me -- and this was available to everybody in the company. "Ray, you deserve a 'D-'
for your performance today in the meeting ... you did not prepare at all well because there is no way you could have been that disorganized." Isn't that great? (Laughter) That's great. It's great because, first of all, I needed feedback like that. I need feedback like that. And it's great because if I don't let Jim, and people like Jim, to express their points of view, our relationship wouldn't be the same. And if I didn't make that public for everybody to see, we wouldn't have an idea meritocracy.
So for that last 25 years that's how we've been operating. We've been operating with this radical transparency and then collecting these principles, largely from making mistakes, and then embedding those principles into algorithms. And then those algorithms provide -- we're following the algorithms in parallel with our thinking. That has been how we've run the investment business, and it's how we also deal with the people management. In order to give you a glimmer into what this looks like, I'd like to take you into a meeting
and introduce you to a tool of ours called the "Dot Collector" that helps us do this. A week after the US election, our research team held a meeting to discuss what a Trump presidency would mean for the US economy. Naturally, people had different opinions on the matter and how we were approaching the discussion. The "Dot Collector" collects these views. It has a list of a few dozen attributes, so whenever somebody thinks something about another person's thinking, it's easy for them to convey their assessment; they simply note the attribute and provide a rating from one to 10.
For example, as the meeting began, a researcher named Jen rated me a three -- in other words, badly -- (Laughter) for not showing a good balance of open-mindedness and assertiveness. As the meeting transpired, Jen's assessments of people added up like this. Others in the room have different opinions. That's normal. Different people are always going to have different opinions. And who knows who's right? Let's look at just what people thought about how I was doing. Some people thought I did well,
others, poorly. With each of these views, we can explore the thinking behind the numbers. Here's what Jen and Larry said. Note that everyone gets to express their thinking, including their critical thinking, regardless of their position in the company. Jen, who's 24 years old and right out of college, can tell me, the CEO, that I'm approaching things terribly. This tool helps people both express their opinions and then separate themselves from their opinions to see things from a higher level. When Jen and others shift their attentions from inputting their own opinions
to looking down on the whole screen, their perspective changes. They see their own opinions as just one of many and naturally start asking themselves, "How do I know my opinion is right?" That shift in perspective is like going from seeing in one dimension to seeing in multiple dimensions. And it shifts the conversation from arguing over our opinions to figuring out objective criteria for determining which opinions are best. Behind the "Dot Collector" is a computer that is watching. It watches what all these people are thinking and it correlates that with how they think.
And it communicates advice back to each of them based on that. Then it draws the data from all the meetings to create a pointilist painting of what people are like and how they think. And it does that guided by algorithms. Knowing what people are like helps to match them better with their jobs. For example, a creative thinker who is unreliable might be matched up with someone who's reliable but not creative. Knowing what people are like also allows us to decide what responsibilities to give them and to weigh our decisions based on people's merits.
We call it their believability. Here's an example of a vote that we took where the majority of people felt one way ... but when we weighed the views based on people's merits, the answer was completely different. This process allows us to make decisions not based on democracy, not based on autocracy, but based on algorithms that take people's believability into consideration. Yup, we really do this. (Laughter) We do it because it eliminates what I believe to be one of the greatest tragedies of mankind, and that is people arrogantly,
naïvely holding opinions in their minds that are wrong, and acting on them, and not putting them out there to stress test them. And that's a tragedy. And we do it because it elevates ourselves above our own opinions so that we start to see things through everybody's eyes, and we see things collectively. Collective decision-making is so much better than individual decision-making if it's done well. It's been the secret sauce behind our success. It's why we've made more money for our clients than any other hedge fund in existence
and made money 23 out of the last 26 years. So what's the problem with being radically truthful and radically transparent with each other? People say it's emotionally difficult. Critics say it's a formula for a brutal work environment. Neuroscientists tell me it has to do with how are brains are prewired. There's a part of our brain that would like to know our mistakes and like to look at our weaknesses so we could do better. I'm told that that's the prefrontal cortex. And then there's a part of our brain which views all of this as attacks. I'm told that that's the amygdala. In other words, there are two you's inside you:
there's an emotional you and there's an intellectual you, and often they're at odds, and often they work against you. It's been our experience that we can win this battle. We win it as a group. It takes about 18 months typically to find that most people prefer operating this way, with this radical transparency than to be operating in a more opaque environment. There's not politics, there's not the brutality of -- you know, all of that hidden, behind-the-scenes -- there's an idea meritocracy where people can speak up.
And that's been great. It's given us more effective work, and it's given us more effective relationships. But it's not for everybody. We found something like 25 or 30 percent of the population it's just not for. And by the way, when I say radical transparency, I'm not saying transparency about everything. I mean, you don't have to tell somebody that their bald spot is growing or their baby's ugly. So, I'm just talking about -- (Laughter) talking about the important things.
So -- (Laughter) So when you leave this room, I'd like you to observe yourself in conversations with others. Imagine if you knew what they were really thinking, and imagine if you knew what they were really like ... and imagine if they knew what you were really thinking and what were really like. It would certainly clear things up a lot and make your operations together more effective. I think it will improve your relationships. Now imagine that you can have algorithms that will help you gather all of that information
and even help you make decisions in an idea-meritocratic way. This sort of radical transparency is coming at you and it is going to affect your life. And in my opinion, it's going to be wonderful. So I hope it is as wonderful for you as it is for me. Thank you very much. (Applause)