效率提升?放下所有策略,先學會「最尊重解釋」(MRI)吧!

洪璿岳(Makarove)
JoberFly
Published in
Aug 15, 2021

且慢,沒人叫你原諒

在生活中,我們總會遇到那些「他為什麼要這樣做!」的場景,而在心中開始冒出了「他一定是覺得他自己很厲害」、「他真是自以為是」、「他根本是忘記吧」

而這些解釋,多半是基於過去經驗累積跟判斷,對於對方意圖做出的猜測與成見,進而讓表面或潛在衝突加溫。而為了避免這些情況,我們就會需要採用MRI(也就是最尊重解釋,Most Respectful Interpretation)原則來避免衝突升級。

MRI是一種思考模式,讓我們不違反常理的狀況下,儘量把對方思考為「應該有其他考量」、「他不是故意的」…總之很像是幫對方找理由,來讓對方看起來沒這麼糟糕。

且慢,是對方的錯,為什麼需要我改變想法?

不,冷靜。

如果你覺得這篇文章是要你寬恕那些討厭傢伙的雞湯文,請再給我3分鐘的耐心,先來釐清一些觀念!

現在我們打開 wiki,可以發現,尊重的定義是:尊崇而敬重。例如:尊重某人的權利,尊重他的意見。在這段文字上,我們乍看之下就是要尊重別人,但從文法的角度認真來看得話,你會發現尊重的主要客體「權利」與「意見」。也就是說,尊重不是叫你敬重別人,是叫你敬重那些「人類為文明發展與解決問題而累積下來的共識」,例如權利、例如意見。

所以這個問題就變得很簡單了:

在多半狀況下,不論任何人的權利是否值得尊重。

在多半狀況下,不論任何人的意見是否值得尊重。

上面兩題的要求情境都是「在多半狀況下」因此你可以輕鬆地排除眼前那個令你惱火的傢伙後,回答出:對的,值得尊重。尊重不是逼自己相信對方有好意圖,而是尊重那些令我們努力的圭臬與願景。

心裡科學的研究告訴我們:「所有憤怒都來自於失望,任何憤怒再發生前,一定都會至少閃過0.01秒的失望感」而失望都來自有所期望,這期望不只是對對方有期望,更是對整件事情有期望。因此當這件事情出錯時,我們對事情、對自己、對方失望所以憤怒。

你無法控制你以外的事情,所以我們把對方抽離這個場域,其實多半的憤怒,都是「對事失望」但卻把精力錯放在「調整他人」。

因此,MRI為了符合這個心理狀態,設計出的「最尊重解釋」的大要件前提是:別管對方為什麼這樣做,你只管在合理範圍內,解釋為最好的就是了。

把對方拆走,我們的最佳解釋全然是為了我們自己所在意的目標與期望。

最尊重解釋的效益

一直以來我都以為最尊重解釋是站在別人角度,聽起來就很像一直在幫別人擦屁股。後來發現我完全搞錯了,最尊重解釋非常傾向理性的利己、是鎖定自己的實質效益。

而解決別人樓子的效益,來自於你學到新經驗的學習效益,以及維護原本應目標的目標利益,我們可以整理成以下公式:

效益 =

[問題範疇 X 經驗品質 ] 除以

[問題解決時間成本 X 人力成本 X 問題擴大風險 ]

問題範疇:指的是這個問題所影響的層面多寡,這乍聽之下很像是捅很大洞的問題才有價值?不是,是解決別人一個大問題時

經驗品質:邱吉爾曾說「不要浪費每一個災難」,每一次問題解決都是經驗值得成長,不論是解決事情還是以後要小心某人。解決問題總能提升經驗值。

問題解決時間成本:花多長時間解決,一樣大的問題跟學習成果下,花1天總比花3天好。

人力成本:同上,花1人總比花3人好

問題擴大風險:如果用過短時間跟過少人力來嘗試解決問題,那可能會讓問題變大洞,這就是風險。

好,我們明白了問題解決效益了,但這跟MRI有什麼關係呢?接下來,我們用賽局來分析各種情景:

對方無惡意 X 你用了 MRI:「他應該是不小心的」「第二次發生了嗎?那可能是我上次講得不夠清楚,這次先問看看他怎麼理解的好了」代表一開始就會投入不過高的時間跟人力的做法,先有效降低的問題解決成本。若證實了對方無惡意,則也可以學習到自己以後若遇到這類人,則應該可以採用何種不同的溝通方式,提升經驗品質。也就是小賠當買經驗。

對方無惡意 X 你沒用 MRI:「X的,他這都發生幾次了」 「X的,他一定是要搞死我」你會把問題的範疇想得過大,進而認為自己可以投入夠大的人力、時間成本、以及承擔更高的風險來解決這個問題。但若這只是個重複性不顯著的失誤(問題範疇沒沒這大),而且預設只檢討對方本身就會減少自己的經驗值吸收,那投入這麼多等於分母太大,就會讓問題解決效益大幅下降,也就是大砲打小鳥。

對方有惡意 X 你用了 MRI:「阿,他又爆走了嗎?還是說上次他可能有些話不敢講,所以沒講清楚,可能是我沒有提供足夠的安全發言環境,所以這次還是先去了解一下好了」透過 MRI,除了不失控暴漲的時間跟人力成本外,若對方具有惡意或報復心態,則也是一種憤怒,而上面提到憤怒來自於失望。因此對方肯定也是基於對某些事情有所期望以至於現在暴怒。所以先確保自己不要成為激怒對方的點,就能先有效降低風險,而降低風險就會導致效益提升。並且接下來就是看能否一次解決這個大問題、或是解決後自己經驗值成長多少。

對方有惡意 X 你沒用 MRI:「X的,上次的問題又發生一次,他到底有沒有再用心?」因為對方帶有惡意,所以範疇通常不會太小,但預設問題在對方身上也會降低自己的經驗值。並且原本大問題就預設會代入大時間跟人力成本解決,因使最後的決勝因素就是失控風險,而從上面舉例中沒用 MRI 就會讓自己容易成為激怒對方的點,進而讓問題風險提升,效益下降。

因此我們可以發現,使用了 MRI是讓自己在各類賽局上獲得最大利益,至於對方?根本不在我們考量範圍,我們不是聖人阿!

解決回很慢的問題

假設某人在對主管的工作回報上訊息回報很慢,導致主管的工作跟整合塞車。這時你若是主管若開口大罵,則會引發整個任務跟組停擺風險。若你是其他非當事組員但好心跑來勸他,你花的時間跟人力也會讓整個問題成本變大,你若直接指責該人則也會提升引爆更大問題的風險。

這時若要解決「回報很慢」的問題,你該麼做?

帶著MRI,你可以有兩種解決方案:

表面解:問題不大,再次提醒,寫一張回報檢查便利貼貼在他的桌上。(再發生的話至少還可以撐個3~5 Round,每一次都用物理上越來越烈的方式,裡如這次便利貼、下次A4紙;這次貼桌上、下次貼牆上,但記得都要面帶和善想像自己是唐鳳。如果持續加強都沒用,就直接送去深度解)

深度解:跟他坐下來談,聊看看上次自身表達哪裡讓他理解錯誤,讓他反饋後你調整溝通方式,讓他感受到自己被尊重。(如果你造詣夠高或認識夠久,直接進入深度解也可以)

上面兩種解法都有一個共同特色,就是你不用知道他是「故意」或是「無意」的,也能有效解決眼前問題。反正就是不聽也小成本+和善。聽了也是小成本+和善。

另外提醒,兩個做法的前提都是:不要預設眼前的問題是大問題,就像不要以為自己有很多預算。也不要預設這一次就能一次解決所有問題,以至於執意投入更多成本來結案。多半狀況下問題都不大,只是你嚇到了失望了所以因為情緒而放大問題。

(你說深度解試了兩三次還無效嗎?皮諾可這直接安樂死,和顏悅色好聚好散,你不適合我們部門,你不適合與我們合作,世界還有七十億人,不要為即將被你請走或下次不用再見的人浪費了好心情)

實踐MRI的北極星指標

最尊重解釋,有四大精神原則:

重視效益大於平衡

重視行為大於意圖

重視解決大於認錯

重視共識大於應該

在 MRI的設計中,我們每個人都是當責系統的一還,問題擺在那邊就是要解決,不是你解決就是我解決,所有問題都是大家的問題,能拿去解決就拿去解決。透過團體達爾文演化,少數一直創造不解決問題的人終究會走,若多數人都不解決問題?那你夠聰明你就會走。

世界上不存在那種「這題我很在意,但你應該全權負責解決」的問題,你會在意,就代表你受影響,你是利害關係人,你也有權利一起解決。

每一次我們面對問題的態度,都在為我們想要的團隊文化投票。

最尊重解釋的從0到1

我們進行了 MRI 後來,是為了避免錯估自己應投入的成本、減低失控風險,進而提升問題解決效益。

如果在初期,別人的錯誤真的很讓你自己放不下、真的很想生氣的話,那可以嘗試在心中把這個衝突給「外部化」來讓自己可以短時間內進入理性架構。例如「你為什麼要把開關關掉」(你:被關燈的當事人)改為「小明為什麼要把小華的開關關掉」(你:看到某人被關燈的第三人)把自己變成第三人稱,名字最好全都替換成路人。在自己心中對自己這樣講一句話,在這個關燈衝突沒有到超高溫時通常可以成功冷靜並開啟 MRI模式。

如果今天我們 MRI 練到不只在心裡完成構建,還能講出口時,大概率的還能刺激對方的罪惡感進而促使對方不帶任何怨念的重新投入工作。例如在公司的尾牙活動籌備上,被臨時抓來的厭世新人被分配要去做幫忙做場地布置,而這個新人基本上覺得自己很衰被抓來支援,所以躲在場邊摸魚。這時若你是現場主管,你可以有兩個選擇:

A.「欸OOO,不要摸魚,趕快去幫忙」

B.「哈囉OOO,你還好嗎?想說你站在這裡是不是不舒服,還是說要休息一下或是我買止痛藥給你」

選A的話,接下來這個人會說抱歉然後趕快去幫忙一下,接著全場都躲在你看不到的地方摸魚。

選B的話,這個人會去幫忙,而且會帶著愧疚感(OS:靠夭這個人也太好,我有點對不起他)的持續工作,而且會特別在你面前多幫忙來證明他沒事。

你說他這個人在摸魚欸,怎麼還對他這麼和善好?

那你可以自問,你要他真的有動作,還是他演給你看後又去摸魚?你要的是結果,還是看似沒問題的過程?小孩子才談公平,成熟的人談解決阿,這就是MRI的價值。

如果有一天,這個人的問題真的被證實永遠無解,那也要開心的把這個人給解決掉喔:)

--

--

洪璿岳(Makarove)
JoberFly

95's company founder / NLU-tech Product manager / Committed to using AI to preserve knowledge and memory