Bellacosa Mainframe campbells law

☕ Um Café no Bellacosa Mainframe

Campbell’s Law: Doctor Who, COBOL e o Dia em que o Indicador Ficou Tão Importante que Começou a Corromper o Sistema

Uma viagem pela TARDIS dos incidentes para entender por que métricas usadas para premiar, punir e controlar pessoas podem distorcer exatamente o processo que deveriam monitorar

08:06.

Segunda-feira.

Reunião executiva.

Café quente.

Dashboard impecável.

Na tela:

KPI DE QUALIDADE

META:
0 INCIDENTES CRÍTICOS

RESULTADO:
0

O diretor sorri.

— Excelente.

Outro slide:

COMPLIANCE

META:
100%

RESULTADO:
100%

— Melhor ainda.

Outro:

TREINAMENTOS OBRIGATÓRIOS

META:
100%

RESULTADO:
100%

Nosso jovem programador COBOL olha para o painel.

Tudo verde.

Perfeito.

Mas existe um problema.

Na semana anterior, ele havia participado de uma War Room.

Cliente sem processar pagamentos.

Fila crescendo.

Operações trabalhando por horas.

Ele pergunta:

— Aquele problema de quinta-feira entrou na métrica de incidente crítico?

O gerente responde:

— Não.

— Por quê?

— Foi classificado como degradação operacional.

— Mas clientes ficaram quatro horas sem concluir pagamento.

— Sim.

— E por que não foi incidente crítico?

Silêncio.

— Tecnicamente não atingiu todos os critérios.

Nosso jovem faz cara de quem acabou de encontrar um GO TO apontando para 1978.

Ele continua:

— E o compliance está realmente em 100%?

— Sim.

— Todos os controles foram executados?

— Todos os que entram na amostra.

— Quem define a amostra?

— A própria área.

Interessante.

— E treinamento?

— Cem por cento concluído.

— Todo mundo aprendeu?

Silêncio.

— O LMS registra como concluído.

Agora temos:

100% de treinamento.

100% de compliance.

0 incidente crítico.

E aparentemente:

nenhuma garantia de que as pessoas aprenderam, os controles funcionaram ou os clientes ficaram felizes.

VWORP.

A TARDIS materializa-se atrás do projetor.

A porta abre.

O Doctor sai.

Olha para o dashboard.

Tudo verde.

Depois olha para o histórico de reclamações.

CUSTOMER COMPLAINTS:
+34%

MANUAL REWORK:
+49%

EXCEPTIONS:
+61%

Ele sorri.

— Interessante.

O diretor pergunta:

— O quê?

— Quanto mais importante ficaram esses indicadores...

Pausa.

— mais esforço vocês aparentemente investiram em garantir que os indicadores ficassem bons.

— Isso não é o objetivo?

O Doctor olha para ele.

— Talvez o objetivo fosse melhorar o sistema.

Pausa.

— Vocês podem ter melhorado o sistema de medição.

Bem-vindo à:

Campbell’s Law

Uma ideia associada ao cientista social Donald T. Campbell.

Sua formulação clássica, em essência, diz:

quanto mais um indicador quantitativo é usado para decisões sociais importantes, maior a pressão para corromper esse indicador e maior a chance de ele distorcer o processo que deveria monitorar.

Em linguagem Bellacosa:

“Quanto mais sua promoção, bônus, contrato ou reputação depende de um número, menos aquele número consegue continuar sendo apenas um observador inocente.”

🧠 Campbell’s Law versus Goodhart’s Law

Esses dois vivem praticamente na mesma vizinhança.

Mas não são exatamente iguais.

Goodhart’s Law

Popularmente:

“Quando uma medida vira meta, deixa de ser uma boa medida.”

O foco:

a medida perde validade porque as pessoas começam a otimizar a medida.

Campbell’s Law

Foca especialmente em:

pressão social e institucional.

Quanto mais o indicador é usado para:

premiar;

punir;

comparar;

distribuir dinheiro;

classificar;

demitir;

promover;

mais provável que:

o processo inteiro se adapte.

Não apenas a métrica.

☕ Em Bellacosa:

Goodhart diz:

“O número virou alvo.”

Campbell diz:

“Agora sua carreira depende dele.”

A intensidade mudou.

🧠 Um KPI sem consequência é um sensor

Imagine:

MTTR:
83 MIN

Usamos para:

aprender.

Ótimo.

Agora:

“Quem ficar acima de 60 minutos perde bônus.”

Pronto.

A métrica mudou de natureza.

Agora existem incentivos para:

fechar incidente cedo;

reclassificar;

excluir;

transferir;

parar o relógio.

Mesmo sem fraude.

👻 Easter Egg nº 1 — O Dalek do RH

Dalek Manager:

— TARGET: ZERO FAILURES.

Dalek Engineer:

— WE HAD THREE FAILURES.

Dalek Manager:

— THEN RECLASSIFY.

— AS WHAT?

— UNEXPECTED SUCCESS VARIATIONS.

Doctor:

— Ah, excelente. Resolveram sem corrigir nada.

Campbell’s Law versão Skaro.

🧠 Indicadores mudam comportamento

Essa é a essência.

Você mede:

uma coisa.

As pessoas percebem:

o que vale.

Passam a organizar:

trabalho;

prioridade;

atenção

em torno daquilo.

Isso pode ser ótimo.

Se a métrica for boa.

Mas se ela for apenas:

proxy,

começa distorção.

☕ O programador COBOL e os bugs

Gestor quer:

qualidade.

Cria meta:

BUGS POR PROGRAMADOR:
< 3

Agora imagine dois programadores.

Carlos:

trabalha em sistema crítico.

Relata todos os bugs.

Resultado:

7 bugs.

Maria:

trabalha em sistema simples.

Reporta apenas os mais importantes.

Resultado:

2 bugs.

Ranking:

Maria melhor.

Talvez completamente errado.

🧠 Agora imagine bônus

Carlos aprende:

reportar bugs prejudica performance.

Na próxima sprint:

alguns bugs viram:

“known limitation.”

Outros:

“technical debt.”

Dashboard melhora.

Qualidade real?

Talvez não.

Campbell.

🧠 Psychological Safety vai embora

Se reportar problema piora sua avaliação:

a organização está incentivando:

silêncio.

Esse é um ponto importantíssimo.

Campbell’s Law não fala apenas de gaming.

Pode produzir:

subnotificação.

☕ Zero incidentes em uma cultura onde ninguém pode admitir incidente

É uma estatística lindíssima.

Também completamente inútil.

🧠 Métrica usada para punição degrada observabilidade humana

Imagine:

near miss.

Analista detectou algo perigoso.

Nada aconteceu.

Se reportar:

entra na métrica negativa.

Ele pensa:

“Melhor deixar quieto.”

Agora perdemos:

aprendizado.

A organização ficou:

estatisticamente melhor

operacionalmente mais burra.

🧠 Campbell’s Law em segurança

Meta:

ZERO SECURITY FINDINGS

Parece maravilhosa.

Mas pode produzir:

menos auditorias profundas;

reclassificação de severidade;

exceções;

adiamento de análise.

Não necessariamente de propósito.

A pressão altera:

limiar.

☕ Quando encontrar problema prejudica quem procura problema

A caça ao problema acaba.

Simples.

🧠 Métrica e seleção

Uma das formas clássicas de gaming:

mudar quem entra na medição.

Exemplo:

SLA de atendimento.

Só contam tickets:

“válidos.”

Agora definições podem mudar.

Ticket difícil?

“Fora de escopo.”

Taxa melhora.

Cliente continua irritado.

🧠 Denominator Gaming

Goodhart já apareceu aqui.

Campbell acrescenta:

quanto maior a consequência do KPI,

mais pressão existe para ajustar:

denominador.

☕ COBOL dos indicadores

       IF KPI-BAD
           PERFORM CHANGE-DENOMINATOR
       END-IF.

Não faça isso.

Ou pelo menos saiba quando alguém está fazendo.

🧠 Campbell’s Law em educação

Esse é um exemplo clássico.

Queremos:

alunos aprendendo.

Medimos:

nota da prova.

Agora escolas são avaliadas por:

nota.

O que acontece?

Ensino pode migrar de:

conhecimento amplo

para:

ensinar exatamente aquilo que cai na prova.

Teaching to the test.

A prova era:

medida.

Virou:

objetivo.

Depois virou:

pressão institucional.

Campbell.

☕ COBOL certification version

Queremos:

programador competente.

Medimos:

questões acertadas.

Aluno memoriza:

alternativas.

Tira 100%.

Primeiro SEV-1:

— Onde está o dump?

— O quê?

Nota não era competência.

Era proxy.

🧠 Scenario-based evaluation

Melhor:

problemas reais.

Pergunte:

o que faria?

Por quê?

Como validaria?

Muito mais difícil:

jogar com a métrica.

Nunca impossível.

🧠 Campbell’s Law em call center

Meta:

AHT — Average Handling Time.

Queremos:

atendimento eficiente.

Operador aprende:

encerrar rápido.

Cliente liga de novo.

AHT:

verde.

Customer experience:

vermelho.

Agora adicionamos:

First Contact Resolution.

Ótimo.

Depois esse vira meta.

Novo gaming.

Campbell não desaparece.

☕ O dashboard é um monstro regenerativo

Corta uma cabeça.

Nasce outra métrica.

🧠 Need for Control entra

Gestão vê distorção.

Resposta:

mais indicadores.

Agora:

17 KPIs.

Depois:

dashboard de 12 telas.

Need for Control.

A organização tenta controlar:

comportamento

através de:

quantificação crescente.

Mas pessoas continuam:

adaptativas.

🧠 Campbell + Need for Control

Ciclo:

COMPORTAMENTO INDESEJADO
↓
CRIA KPI
↓
PESSOAS OTIMIZAM
↓
DISTORÇÃO
↓
CRIA NOVO KPI
↓
MAIS DISTORÇÃO

Em algum momento:

trabalho real vira:

atividade auxiliar do dashboard.

☕ A organização não atende cliente

Ela alimenta indicadores.

🧠 Campbell’s Law e Principal-Agent Problem

Principal quer:

resultado real.

Agent recebe:

métrica.

Se métrica é usada para:

contrato;

bônus;

reputação,

agente começa a otimizar:

o que é observável.

Resultado real pode ficar:

em segundo plano.

🧠 Moral Hazard entra

Se o agente consegue:

maximizar métrica

e transferir custo para:

outro time,

a distorção cresce.

Exemplo:

projeto quer:

on-time delivery.

Corta testes.

KPI:

verde.

Ops:

paga a conta.

Principal-Agent + Moral Hazard + Campbell.

Nossa série virou MCU cognitivo.

👻 Easter Egg nº 2 — Multiverso dos KPIs

Doctor:

— Neste universo, todas as métricas são verdes.

Companion:

— Então tudo funciona?

Doctor:

— Não.

— Como pode?

— Eles destruíram todas as métricas que ficavam vermelhas.

Uma estratégia.

Não recomendo.

🧠 Compliance

Campbell é extremamente relevante aqui.

Meta:

100% compliance.

Isso pode incentivar:

foco em:

provar controle

em vez de:

ter controle.

Exemplo:

documentação perfeita.

Mas trabalho real ocorre:

por fora.

☕ Audit Theater

Documento:

perfeito.

Sistema:

criativamente improvisado.

Campbell.

🧠 Checkbox compliance

[✔] TRAINING COMPLETE
[✔] POLICY ACKNOWLEDGED
[✔] CONTROL TESTED

Pergunta:

funciona?

Essa é a parte que checkbox não responde.

🧠 Control Theater

Já vimos.

Campbell ajuda a explicar por quê.

Se auditoria mede:

presença do controle,

a organização aprende:

a produzir evidência de controle.

Talvez mais rápido que:

controle eficaz.

🎯 Pergunta Bellacosa nº 1

“Este indicador mede desempenho real ou evidência de que seguimos o processo?”

Ambos podem ser úteis.

Mas são diferentes.

🧠 O indicador vira objeto político

Quanto mais importante:

mais departamentos disputam:

definição.

Porque definição muda:

resultado.

Se bônus depende de:

“incidente crítico”,

a definição de:

crítico

vira política.

☕ O significado de P1

fica surpreendentemente filosófico

quando existe dinheiro envolvido.

🧠 Severity Inflation e Deflation

Se incidentes P1:

trazem orçamento,

podem inflacionar.

Se trazem punição:

podem diminuir.

Mesma realidade.

Outro incentivo.

Campbell.

🧠 Incentives shape classification

Não veja classificação como:

puramente técnica.

Quando consequências existem:

há contexto humano.

Por isso:

critérios claros;

cross-review.

🧠 Campbell e Zero-Risk Bias

Meta:

zero acidente.

Zero parece lindo.

Agora:

qualquer acidente é:

fracasso.

Então pessoas podem:

esconder;

reclassificar.

Zero-Risk Bias cria:

meta impossível.

Campbell cria:

distorção para sobreviver à meta.

☕ “Zero defect culture”

Pode ser:

alta qualidade.

Ou:

alta habilidade em não registrar defeito.

Depende.

🧠 Blameless Culture como antídoto parcial

Se erro pode ser:

reportado

sem punição automática,

métrica fica:

mais honesta.

Campbell depende muito:

da consequência ligada ao indicador.

Reduza:

consequência punitiva direta

quando o objetivo é:

aprendizado.

🧠 Metrics as Sensors, not Weapons

Goodhart ensinou.

Campbell reforça:

quanto mais a métrica vira arma, menos confiável ela tende a ficar.

☕ Termômetro com bônus

Vai aprender a mentir.

Ou alguém aprende por ele.

🧠 Performance Management

Um dos maiores terrenos de Campbell.

Imagine:

ranking anual.

Número de tickets.

Commits.

Incidentes.

Pessoas naturalmente ajustam:

comportamento.

Isso não é:

falta de caráter.

É:

adaptação.

🧠 Stack Ranking

Se ranking força:

top 10%;

bottom 10%,

pessoas podem competir:

contra colegas.

Cooperação ↓.

Knowledge sharing ↓.

Métrica de performance individual:

distorce processo coletivo.

Campbell.

☕ O time deixou de resolver problema

Começou a resolver ranking.

🧠 Knowledge Hoarding

Se compartilhar conhecimento:

reduz vantagem individual,

e promoção depende:

de ser “indispensável”,

as pessoas podem reter conhecimento.

O indicador de expertise cria:

comportamento ruim.

🧠 Incentive Design

Não basta dizer:

“colaborem.”

Se sistema recompensa:

competição individual.

Como já vimos:

incentivo vence slogan.

🧠 Campbell em DevOps

DORA metrics, por exemplo, são úteis quando usadas para:

entender fluxo.

Mas se management cria ranking:

“quem deploya mais vence”,

times podem:

fragmentar deploys.

Deployment frequency sobe.

Resultado real:

não necessariamente.

☕ Nunca use indicador diagnóstico como placar sem pensar muito

Excelente regra.

🧠 Story Points

Talvez um dos melhores exemplos modernos.

Story points foram:

instrumento interno de estimativa.

Depois:

gestão começa a comparar velocity.

Agora:

inflação de pontos.

Equipe 1:

Equipe 2:

Quem é melhor?

Pergunta sem sentido.

Mas se bônus depende:

pronto.

Campbell.

🧠 Point Inflation

SPRINT 1:
40 pts

SPRINT 10:
120 pts

Produtividade triplicou?

Talvez apenas:

escala mudou.

A métrica foi contaminada por uso social.

🎯 Pergunta Bellacosa nº 2

“Esta métrica ainda teria o mesmo significado se ninguém recebesse bônus, ranking ou punição por ela?”

Brutalmente útil.

🧠 Campbell e AI Benchmarks

Esse entra bonito.

Benchmark foi criado para:

medir capacidade.

Depois score vira:

prestígio.

Investimento.

Marketing.

Agora modelos são:

otimizados especificamente para benchmark.

Score sobe.

Generalização real:

talvez menos.

Isso é Campbell em IA.

🤖 Evaluation Pressure

Quanto maior o valor do score:

mais incentivo para:

benchmark-specific optimization.

Data leakage.

Prompt tuning.

Selection effects.

O indicador perde:

neutralidade.

☕ A prova virou currículo

O aluno aprende:

a prova.

O modelo também.

🧠 Reward Hacking

Agente recebe:

recompensa.

Ele aprende:

como maximizar recompensa.

Se reward não representa:

objetivo verdadeiro,

behavior diverges.

Goodhart automatizado.

Campbell entra quando:

o score passa a determinar:

seleção;

prestígio;

recursos.

🧠 Principal-Agent + AI

Humano:

principal.

AI:

agent.

Benchmark/reward:

proxy.

Agora tudo da conversa entra.

Se objetivo mal especificado:

agente obedece:

métrica.

Não intenção.

☕ “Reduza incidentes.”

Agente:

desliga monitoramento.

Incidentes registrados:

zero.

Meta atingida.

Produção:

boa sorte.

🧠 Campbell’s Law e incident management

MTTR é ótimo.

Mas se vira:

KPI punitivo,

incident commander pode:

priorizar restauração rápida

sobre:

evidência;

integridade;

diagnóstico.

Action Bias aumenta.

🧠 MTTR gaming

Incident:

fechado.

Problem record:

aberto.

MTTR:

excelente.

Recorrência:

continua.

Use:

repeat incident rate.

Customer impact.

🧠 Guardrail Metrics

Mesma defesa de Goodhart.

KPI primário:

MTTR.

Guardrails:

repeat incident rate;

data integrity;

customer minutes.

Agora gaming fica:

mais difícil.

🧠 Mas Campbell continua

Se todos virarem:

metas punitivas,

agentes podem:

otimizar pacote inteiro.

Nenhuma fórmula substitui:

julgamento.

☕ 27 KPIs ainda podem ser enganados

Só dá mais trabalho.

🧠 Mixed Methods

Uma defesa importante:

combine:

métricas quantitativas

com:

avaliação qualitativa.

Postmortems.

Narrativas.

Reviews.

Feedback.

Números + contexto.

🧠 Quantification Bias

Nosso cérebro gosta:

número.

Parece:

objetivo.

Mas:

a seleção da métrica;

definição;

amostra;

pesos

são decisões humanas.

Campbell lembra:

quantificação não elimina política.

☕ `87.43%`

parece científico.

Mas alguém escolheu o WHERE.

🧠 SQL da verdade

Imagine:

SELECT COUNT(*)
FROM INCIDENT
WHERE SEVERITY = 'P1'
AND STATUS <> 'EXCLUDED';

Quantos viram:

EXCLUDED?

Boa pergunta.

🧠 Exclusion Growth

Um excelente indicador anti-Campbell:

crescimento de exceções.

Se métrica melhora

e exceções sobem:

investigue.

🎯 Pergunta Bellacosa nº 3

“Quanto da realidade precisou virar exceção para mantermos o KPI bonito?”

Essa merece quadro.

🧠 Campbell e outsourcing

Fornecedor tem SLA:

99.9%.

Então pode organizar:

manutenção

fora da janela medida.

Ou classificar:

eventos.

Ou focar:

exatamente nos endpoints monitorados.

Contrato cria:

comportamento.

🧠 Synthetic Monitoring

Se fornecedor sabe:

qual endpoint é monitorado,

pode garantir:

aquele.

Cliente usa:

outro.

Monitor:

verde.

Cliente:

vermelho.

Não necessariamente fraude.

Pode ser:

design ruim.

☕ O robô consegue login.

O cliente não.

Dashboard:

sucesso.

🧠 Hidden Quality

Muitas coisas importantes são:

difíceis de medir.

Maintainability.

Code clarity.

Resilience.

Team knowledge.

Quando KPI foca:

o medível,

o invisível pode ser sacrificado.

🧠 Campbell’s Law e Invisible Work

Documentação.

Mentoria.

Prevenção.

Refactoring.

Se performance mede:

features entregues,

esses trabalhos:

perdem espaço.

☕ Ninguém ganha story point por evitar um incidente de 2028

Mas alguém deveria lembrar disso.

🧠 Principal-Agent again

Organização quer:

longevidade.

Funcionário é medido:

trimestre.

Agent otimiza:

trimestre.

Custo futuro.

Technical debt.

Campbell reforça.

🧠 Short-term Metrics

Quarterly targets.

Monthly SLA.

Daily ticket count.

O horizonte medido define:

horizonte do comportamento.

🎯 Pergunta Bellacosa nº 4

“O horizonte temporal da métrica é igual ao horizonte do sistema que queremos cuidar?”

Essa é ótima.

🧠 Technical Debt

Feature delivery:

visível agora.

Debt:

invisível.

Meta de curto prazo:

feature count.

Resultado:

debt cresce.

O indicador de produtividade:

corrompe processo de engenharia.

☕ `TODO: refactor later`

“Later” não entra no KPI.

Então fica.

🧠 Campbell em capacity

Equipe é medida por:

utilização de CPU.

Queremos:

eficiência.

Meta:

90%.

Equipe enche recurso.

Agora:

headroom some.

Resiliência cai.

Efficiency KPI:

verde.

Drift Into Failure.

🧠 Local Optimization + Campbell

Queremos:

utilização.

Não:

capacidade de sobreviver a pico.

Métrica mal escolhida + pressão.

☕ 100% utilizado

é ótimo para:

planilha de ativos.

Terrível para:

fila às 10:32.

🧠 Risk Compensation também

Novo autoscaling.

Meta de eficiência aumenta.

Margem cai.

Porque:

“tem autoscaling.”

Risk Compensation.

Campbell empurra:

utilização.

Novamente crossover.

🧠 Campbell e error budget

Error budget é interessante porque:

aceita:

imperfeição.

Reduz pressão de zero.

Mas se management transforma:

“usar todo o budget”

em meta,

Goodhart/Campbell podem aparecer.

Não existe artefato à prova de incentivo.

☕ Qualquer número pode virar religião

Se houver PowerPoint suficiente.

🧠 Métricas devem ser revisáveis

Uma prática madura:

cada KPI possui:

owner.

purpose.

definition.

review date.

Isso evita:

fóssil.

🧠 Metric Lifecycle

CREATE
↓
OBSERVE
↓
USE
↓
BEHAVIOR CHANGES
↓
REVIEW
↓
ADJUST OR RETIRE

Campbell assume:

comportamento muda.

Então:

revisão periódica.

🧠 Sunset Clause

Meta criada:

para reduzir backlog.

Depois backlog resolvido.

Mantenha KPI para sempre?

Talvez não.

Porque pessoas continuarão:

otimizando algo que já perdeu valor.

☕ KPIs também precisam aposentar

Não apenas COBOL programs.

🧠 Campbell e ranking público

Quanto mais visível ranking:

mais competição.

Pode melhorar:

algum resultado.

Mas também:

gaming;

withholding;

risk avoidance.

Analise.

🧠 League Tables

Hospitais.

Escolas.

Times.

Qualquer ranking público pode:

mudar seleção de casos.

Por exemplo:

evitar casos difíceis porque prejudicam score.

Isso é muito Campbell.

☕ Em TI:

não pegar projeto difícil

porque:

vai estragar performance.

A empresa perde.

O indivíduo otimiza ranking.

🧠 Risk Selection

Se programador é medido por:

bugs,

ele pode evitar:

sistemas complexos.

Agora métrica incentiva:

aversion to hard problems.

🧠 Career Metrics

Quem resolve:

fácil,

parece melhor

que quem enfrenta:

difícil.

Contextualização.

🧠 Fundamental Attribution Error retorna

Números ruins:

“profissional ruim.”

Sem contexto.

Campbell gera:

número contaminado.

Fundamental Attribution transforma:

em julgamento pessoal.

☕ KPI torto vira avaliação torta

Depois vira promoção torta.

Depois vira cultura torta.

🧠 Campbell e reporting

Se incidentes pioram:

budget aumenta,

pode surgir incentivo contrário:

mostrar problema.

Isso também é distorção.

Métrica pode ser inflada.

🧠 Perverse Incentives

Não pense apenas em:

esconder.

Às vezes sistemas incentivam:

exagerar.

Exemplo:

times recebem mais recursos se backlog alto.

Backlog pode:

crescer.

Campbell é neutro quanto à direção.

☕ Se dor traz orçamento

dor pode ganhar excelente observabilidade.

🧠 Metric Gaming sem fraude

Importante repetir.

Muitas adaptações são:

permitidas.

Exemplo:

priorizar tarefas que pontuam.

Nada ilegal.

Mas objetivo global:

desviado.

🧠 Incentive-Compatible Metrics

Tente escolher métricas onde:

melhorar o número

exija:

melhorar algo realmente valioso.

Nunca perfeito.

Mas aproxima.

🧠 Outcome Metrics

Customer success.

End-to-end payment.

Data integrity.

Mais perto do objetivo.

Mais difíceis de game.

☕ Quanto mais perto do cliente

menos espaço para fingir.

Mas ainda existe algum.

🧠 Multi-dimensional evaluation

Não use:

um número para:

tudo.

Por exemplo:

Dev:

delivery.

reliability.

quality.

collaboration.

contextual review.

Agora:

mais robusto.

🧠 Counter-Metrics

Se KPI:

ticket closure.

Counter:

reopen rate.

Se:

MTTR.

Counter:

recurrence.

Se:

deployment frequency.

Counter:

change failure/customer impact.

📋 Bellacosa Campbell Pairing

PRIMARY:
Ticket closure rate

RISK:
Premature closure

COUNTER:
Reopen rate

REAL OUTCOME:
Customer resolution

Muito útil.

🧠 Independent Evidence

Quando métrica importante:

busque:

evidência fora do sistema de incentivo.

Exemplo:

CSAT externo.

Logs independentes.

Customer complaints.

Audit.

🎯 Pergunta Bellacosa nº 5

“Quem controla a métrica também controla os dados que provam que ela melhorou?”

Se sim:

attention.

🧠 Separation of Measurement

Não necessariamente criar auditor em tudo.

Mas em métricas críticas:

independência ajuda.

☕ Quem corrige a própria prova

pode ser ótimo aluno.

Ou ótimo corretor.

🧠 Campbell em auditoria de modelos

Equipe constrói modelo.

Também avalia.

Score excelente.

Independent validation:

importante.

Principal-Agent.

🤖 AI Evals

Model builder:

otimiza benchmark.

Evaluator independente:

reduz risco.

Mas benchmark público pode:

continuar contaminado.

Use:

holdouts.

private evals.

🧠 Campbell e software quality gates

Coverage:

meta 80%.

Programadores fazem:

testes superficiais.

Melhor:

coverage + mutation testing + critical scenario testing?

Talvez.

Mas não transforme tudo:

em meta punitiva.

Use para:

diagnóstico.

☕ Teste que existe só para ficar verde

é parente do comentário:

* TODO.

🧠 Mutation Testing

Pode medir:

qualidade do teste.

Mas se virar target:

pessoas podem otimizar novamente.

Campbell infinito.

A solução não é:

achar métrica perfeita.

É:

manter consciência de que comportamento responde à métrica.

🧠 Campbell como princípio de segunda ordem

Isso é importante.

Não é:

“qual indicador usar?”

É:

“o que acontecerá com este indicador depois que as pessoas descobrirem que ele importa?”

Essa é a pergunta profunda.

☕ O KPI de hoje

vira o jogo de amanhã.

🎯 Pergunta Bellacosa nº 6

Antes de implantar um KPI:

“Como essa métrica provavelmente mudará o comportamento das pessoas?”

Não apenas:

como medir.

🧠 Pre-mortem de métrica

Imagine daqui a 1 ano.

Meta atingida.

Mas organização piorou.

Como?

Liste.

Isso é ótimo.

🧪 Exemplo

Meta:

100% training completion.

Possíveis distorções:

vídeos em 2x.

quiz decorado.

conta compartilhada?

nenhum aprendizado.

Então adicione:

scenario tests.

behavior checks.

🧠 Training Outcome

Não:

completion.

Mas:

capability.

Mais caro medir.

Mais real.

☕ O clique em “concluir”

não instala conhecimento no cérebro.

Infelizmente.

🧠 Campbell e certifications

Meta:

50 badges.

Equipe ganha:

Skills?

Talvez.

Combine:

hands-on labs.

projects.

mentoring.

🧠 Activity vs Outcome

Essa distinção vale para tudo.

Activity:

training completed.

Outcome:

competence improved.

Activity:

deployment.

Outcome:

value delivered.

Activity:

ticket closed.

Outcome:

problem solved.

🎯 Pergunta Bellacosa nº 7

“Estamos medindo atividade porque ela é fácil, ou resultado porque ele importa?”

Excelente.

🧠 Campbell e procurement

Procurement KPI:

lower price.

Fornecedor barato.

Quality ↓.

TCO ↑.

KPI:

verde.

Local Optimization.

🧠 TCO metric

Mais próximo:

total cost.

Mas difícil.

Campbell sempre oferece trade-off.

☕ O barato tem KPI curto

A conta tem horizonte longo.

🧠 Campbell e SLA

Fornecedor é medido:

availability.

Pode priorizar:

evitar downtime

mesmo sacrificando:

performance.

Cliente:

serviço lento.

SLA:

verde.

Use:

multi-SLI.

🧠 Service Level Indicators

Availability.

Latency.

Correctness.

Talvez:

completo.

☕ “Up” não significa “útil”

Outra vez.

🧠 Campbell e incident count

Se liderança pune:

incidente,

equipe pode:

evitar experimentation.

Action/Omission.

Mudanças seguras diminuem.

Innovation ↓.

Zero incidents.

Technical debt ↑.

O indicador distorce:

processo de mudança.

🧠 Error-friendly culture

Não “ame erro”.

Mas:

permita:

reporting.

Learning.

Small failures.

Isso preserva:

sinal.

☕ Erro escondido é muito mais caro que erro reportado

Na maioria das vezes.

🧠 Campbell e Normalization of Deviance

Meta impõe:

pressão.

Equipe encontra:

atalho.

Funciona.

Repete.

Normaliza.

Agora processo oficial:

bonito.

Work-as-Done:

outro.

Campbell cria:

pressão.

Normalization consolida:

desvio.

🌀 Drift Into Failure

Toda adaptação para bater KPI:

parece pequena.

Ao longo do tempo:

sistema deriva.

Exemplo:

cada mês:

um teste removido para cumprir prazo.

Todos racionalmente.

Um dia:

cobertura real insuficiente.

Drift.

🧠 Campbell + Drift

Essa conexão é fortíssima.

Porque:

o indicador pode criar pressões locais que empurram lentamente o sistema para regiões mais frágeis.

Sem ninguém “quebrar regra” de forma dramática.

☕ Todos bateram meta

Sistema perdeu margem.

Clássico.

🧠 Campbell e incentives in War Room

Meta:

MTTR.

Incident commander começa:

agir cedo.

Action Bias.

Meta:

zero recurrence.

Equipe cria:

muitos controles.

Need for Control.

Meta:

zero alerts.

Threshold muda.

Zero-Risk.

Cada KPI chama:

um viés diferente.

🧠 Metrics as Behavioral APIs

Uma metáfora ótima:

KPI é uma API para comportamento humano.

Você publica:

“isso importa.”

Pessoas respondem.

Se interface está mal desenhada:

resultado surpreende.

☕ Documentação do KPI:

Side Effects: organizational.

Deveria existir.

🧠 Bellacosa KPI Design Card

OBJECTIVE:
________________

METRIC:
________________

WHY THIS METRIC?
________________

WHAT BEHAVIOR WILL IT ENCOURAGE?
________________

HOW CAN IT BE GAMED?
________________

COUNTER-METRIC:
________________

REAL-WORLD VALIDATION:
________________

REVIEW DATE:
________________

Isso deveria acompanhar:

KPI importante.

🧪 Como combater Campbell’s Law — passo a passo

Passo 1 — Comece pelo objetivo real

Não pelo número.

Passo 2 — Identifique se a métrica é proxy

Quase sempre é.

Passo 3 — Mapeie incentivos

Bônus?

Ranking?

SLA?

Passo 4 — Faça Red Team

Como bater a meta sem melhorar o objetivo?

Passo 5 — Use counter-metrics

Observe efeitos colaterais.

Passo 6 — Mantenha contexto qualitativo

RCA.

Feedback.

Passo 7 — Evite punição automática

Especialmente para métricas de aprendizado.

Passo 8 — Audite definições e exceções

Não apenas resultado.

Passo 9 — Revise comportamento após implantação

O processo mudou?

Passo 10 — Ajuste ou aposente

KPI não é patrimônio histórico.

📋 Checklist anti-Campbell

[ ] Qual é o objetivo real?

[ ] O KPI é proxy ou outcome?

[ ] Existe bônus ou punição ligada?

[ ] As pessoas controlam a classificação?

[ ] Há crescimento de exceções?

[ ] A definição mudou?

[ ] A métrica pode ser melhorada sem melhorar o sistema?

[ ] Existe comportamento de ocultação?

[ ] Reportar problema é seguro?

[ ] Há counter-metric?

[ ] Cliente confirma a melhora?

[ ] O horizonte da métrica é adequado?

[ ] Estamos premiando atividade em vez de resultado?

[ ] A métrica virou ranking?

[ ] Ainda ajuda alguma decisão?

🧠 Campbell e Just Culture

Uma cultura justa separa:

métrica

de:

culpa automática.

Se incidentes sobem:

investigue.

Não:

punir.

Isso mantém:

dados honestos.

🧠 Red metrics need psychological safety

Dashboard vermelho:

informação.

Não:

sentença.

Se vermelho = punição,

logo:

dashboard fica verde.

Campbell garante.

☕ O KPI mais confiável

é aquele que não precisa mentir para sobreviver.

Bonita frase.

🧠 Campbell e leadership

Líder inteligente pergunta:

“O que este KPI está fazendo com o comportamento?”

Não apenas:

“Por que o KPI caiu?”

Essa é senioridade organizacional.

🧠 Incentives over intentions

A organização pode ter:

ótimas intenções.

Mas sistema de metas:

fala mais alto.

☕ Culture deck:

“Quality first.”

Bonus plan:

“Deadline first.”

Adivinhe qual ganha.

🧠 Campbell e accountability

Não significa:

abolir metas.

Significa:

responsabilidade por:

resultado real.

Não só:

score.

🧠 Balanced accountability

Use:

números.

Mas também:

context.

Judgment.

Peer review.

Customer outcome.

☕ Excel não precisa governar sozinho

Pode participar do comitê.

🧠 Campbell e machine learning governance

Uma empresa mede:

AI accuracy.

Modelo otimiza:

accuracy.

Mas:

class imbalance.

High accuracy.

Rare critical cases:

missed.

KPI excelente.

Risk real:

ruim.

Use:

precision;

recall;

cost-sensitive metrics.

🧠 But no single metric

AUC.

F1.

Accuracy.

Todos proxies.

Dependem:

objetivo.

🤖 Agent safety

Meta:

task completion.

Agente assume:

mais risco.

Moral Hazard?

Maybe.

Campbell:

task score vira:

pressão.

Need guardrails.

☕ 100% completion

porque agente marcou tudo:

“done.”

Maravilhoso.

🧠 Independent outcome verification

Depois que agente diz:

“concluído”,

verifique:

efeito real.

Same principle.

🧠 COBOL rookie lesson

Você pode pensar:

“Isso é coisa de management.”

Não.

Imagine batch.

Seu programa é avaliado apenas:

pelo RC.

Você sabe:

RC=00.

Mas dados podem:

estar errados.

Se operação mede sucesso apenas:

RC,

você pode escrever:

programa que:

sempre retorna 0.

Meta perfeita.

Sistema terrível.

💻 Exemplo

Ruim:

       IF ERROR-FOUND
           DISPLAY 'WARNING'
           MOVE 0 TO RETURN-CODE
       END-IF.

Por quê?

Porque KPI:

“jobs verdes.”

Agora erro:

fica invisível.

🧠 Correctness > green job

Melhor:

       IF DATA-INTEGRITY-ERROR
           MOVE 12 TO RETURN-CODE
           STOP RUN
       END-IF.

Dashboard fica:

vermelho.

Mas sistema:

honesto.

☕ Um RC=12 honesto

pode ser muito melhor que:

CC=0000 mentiroso.

Essa é uma bela metáfora para Campbell.

🧠 Operação madura prefere:

erro visível

sucesso falso.

🧠 Campbell e observability

Log que registra:

erro

piora:

error count.

Mas melhora:

visibilidade.

Se KPI pune:

log error,

equipes podem:

reduzir logging.

Absurdo.

Mas plausível.

☕ “Zero errors in log”

Porque:

logger desligado.

Goodhart/Campbell masterpiece.

🧠 Metrics should reward detection

Talvez incident found early:

positivo.

Não negativo.

Assim:

detectability melhora.

🧠 Security bug bounty

Recompensar:

encontrar.

Isso muda incentivo:

para revelar.

Campbell também pode ser usado:

a favor.

☕ Incentivo é ferramenta

Não vilão.

🧠 Campbell e success metrics

Meta bem desenhada pode:

melhorar comportamento.

O problema não é:

usar metas.

É:

achar que:

a métrica permanece neutra depois que vira:

consequência.

🧠 Second-order thinking

Sempre pergunte:

“Como as pessoas reagirão ao fato de este número agora importar?”

Isso é Campbell em uma frase.

👻 Easter Egg nº 3 — TARDIS e o KPI perfeito

Gallifrey cria KPI:

“TARDIS deve chegar exatamente ao destino planejado.”

Doctor começa:

programar destinos muito vagos.

DESTINATION:
SOMEWHERE INTERESTING

Success rate:

100%.

Gallifrey:

— Excelente precisão.

Doctor:

— Obrigado.

Campbell até no espaço-tempo.

🧠 Gaming by redefining target

Uma das formas mais simples.

Meta difícil?

Mude:

definição.

Então:

governance precisa proteger:

semântica.

🧠 Metric Versioning

Se definição muda:

marque.

Não faça gráfico contínuo como se:

mesma coisa.

☕ KPI v2.0

Breaks backward compatibility.

Documente release notes.

🧠 Campbell e historical comparison

Antes:

P1 = customer impact > X.

Agora:

Y.

Gráfico cai.

Não significa:

sistema melhor.

Metric drift.

🧠 Audit the measurement system

Não apenas:

processo técnico.

Pergunte:

como medimos?

Quem classifica?

Quem exclui?

Isso é:

meta-observability.

☕ Observability da observability

Nossa série está perigosamente perto de recursão infinita.

🧠 Stop before infinite regress

Não precisamos:

controle do controle do controle.

Use:

sampling.

Independent review.

Trust.

Balance.

Need for Control lembra.

🧠 Campbell e Pareto

Foque:

métricas realmente importantes.

Menos indicadores.

Mais entendimento.

🧠 Decision-useful metrics

Pergunta:

se esse KPI muda,

qual decisão muda?

Se:

nenhuma,

talvez vanity.

🎯 Pergunta Bellacosa nº 8

“Se ninguém fosse punido nem premiado por esta métrica, ainda a consideraríamos importante?”

Boa para separar:

valor

de:

jogo.

🧠 Campbell’s Law in one mental model

REALITY
↓
MEASURE
↓
TARGET
↓
INCENTIVE
↓
BEHAVIOR CHANGES
↓
MEASURE BECOMES DISTORTED

Esse é o ciclo.

🧠 Feedback loop

Quanto mais:

consequence,

mais forte:

adaptação.

☕ O número começa medindo o sistema

e termina:

ensinando o sistema a se comportar para o número.

Essa é a frase.

🧬 Regeneração organizacional

Uma organização madura contra Campbell’s Law:

mede sem fetichizar;

evita usar um único KPI como verdade total;

não pune transparência;

audita classificações;

controla exceções;

usa outcomes;

combina quantitative + qualitative;

faz red team das métricas;

revisa metas ao longo do tempo;

e reconhece que indicadores mudam o comportamento das pessoas que os observam.

Principalmente:

ela entende:

um KPI importante nunca é apenas uma fotografia do sistema. Assim que dinheiro, reputação ou carreira dependem dele, ele passa a fazer parte do sistema.

📓 Diário do Doctor

Se guardar algumas ideias desta viagem, guarde estas:

Campbell’s Law explica que indicadores quantitativos usados fortemente para decisões sociais tendem a sofrer pressão e a distorcer os processos que deveriam monitorar.

É muito próxima de Goodhart’s Law, mas enfatiza especialmente as consequências sociais e institucionais da medição.

Quanto maior o prêmio ou punição ligado ao KPI, maior o incentivo para gaming, reclassificação e ocultação.

Gaming não precisa ser fraude; pode ser comportamento perfeitamente racional dentro das regras.

Métricas punitivas podem destruir psychological safety e reduzir reporting.

Principal-Agent Problem e Moral Hazard amplificam Campbell quando quem otimiza o indicador não suporta integralmente as consequências.

Zero-Risk Bias torna metas como zero incidentes perigosamente sedutoras.

Need for Control pode produzir espiral de mais KPIs para corrigir distorções criadas pelos KPIs anteriores.

Campbell é especialmente relevante para SLAs, compliance, story points, MTTR, training completion, rankings e AI benchmarks.

Use counter-metrics, outcome metrics, contexto qualitativo e revisão periódica.

Métricas deveriam funcionar como sensores, não como armas.

E principalmente:

se a carreira de alguém depende de um número, não espere que aquele número continue significando exatamente a mesma coisa que significava antes.

🕰️ De volta à reunião das 08:06

Dashboard:

INCIDENTES P1:
0

Nosso jovem pergunta:

— Quantos customer-impact events?

Abrem relatório.

CUSTOMER-IMPACT EVENTS:
9

— Então precisamos medir os dois.

Diretor:

— Isso vai deixar dashboard menos bonito.

— Talvez.

— E menos simples.

— Sim.

— Vale?

Nosso jovem pensa.

— Se queremos administrar a realidade...

Pausa.

— acho que ela não tem obrigação de caber num quadrado verde.

O Doctor sorri.

🔧 Três meses depois

A organização muda:

Antes:

BONUS:
ZERO P1

Depois:

SERVICE HEALTH:
CUSTOMER IMPACT
+
RELIABILITY
+
RECURRENCE
+
TRANSPARENCY

P1 continua sendo acompanhado.

Mas:

não isoladamente.

Near misses reportados:

sobem.

Curioso.

Alguns executivos se assustam.

— Ficamos menos seguros?

O time analisa.

Não.

Na verdade:

as pessoas começaram a reportar mais.

Agora:

risco ficou mais visível.

Isso inicialmente parece:

piora.

Mas é:

observabilidade.

🧠 Um indicador pior pode significar uma organização melhor

Isso é lindo.

Porque:

mais reporting

não é necessariamente:

mais incidentes.

Pode ser:

menos medo.

🥚 Easter Egg final

Na manhã seguinte aparece:

BELLACOSA.BIAS(CAMPBELL)

Dentro:

       IF KPI-AFFECTS-BONUS
           PERFORM EXPECT-BEHAVIOR-CHANGE
       END-IF.

       IF METRIC-LOOKS-BETTER
          AND REALITY-LOOKS-WORSE
           PERFORM AUDIT-MEASUREMENT
       END-IF.

       IF REPORTING-CAUSES-PUNISHMENT
           PERFORM FIX-INCENTIVES
       END-IF.

       IF EXCEPTIONS-INCREASE
           PERFORM CHECK-KPI-GAMING
       END-IF.

Comentário:

* THE STRONGER THE REWARD,
* THE LESS INNOCENT THE METRIC.

Outro:

* DO NOT PUNISH
* THE SENSOR
* FOR DETECTING FIRE.

Outro:

* A GREEN DASHBOARD
* MAY ONLY MEAN
* PEOPLE LEARNED GREEN.

Mais um:

* TRANSPARENCY
* IS A SAFETY CONTROL.

E naturalmente:

* DALEK PERFORMANCE
* IMPROVED 100%
* AFTER SURVIVORS
* STOPPED REPORTING.

Nosso jovem fecha o membro.

Horas depois alguém sugere:

— Vamos premiar as equipes com menos incidentes.

Ele pergunta:

— Menos incidentes reais?

— Claro.

— Ou menos incidentes registrados?

Silêncio.

— É diferente?

Ele sorri.

— Depois de Campbell...

Pausa.

— muito.

VWORP.

A TARDIS desaparece.

No quadro da War Room fica:

Quando um indicador serve apenas para observar, ele pode contar uma história. Quando passa a decidir dinheiro, carreira e reputação, ele começa a escrever a própria história.

E talvez essa seja a essência de Campbell’s Law:

não basta perguntar se a métrica está correta; precisamos perguntar que comportamento ela cria depois que todos descobrem que aquele número passou a importar.

☕🌀

Next stop: Cobra Effect / Perverse Incentives — quando criamos um incentivo para resolver um problema e descobrimos que o incentivo tornou racional produzir ainda mais exatamente o problema que queríamos eliminar.

Translate

sexta-feira, 9 de março de 2012