Bellacosa Mainframe e o outcome bias

☕ Um Café no Bellacosa Mainframe

Outcome Bias: Doctor Who, COBOL e o Dia em que uma Decisão Ruim Terminou Bem — e Todo Mundo Passou a Chamá-la de Genial

Uma viagem pela TARDIS dos incidentes para entender por que julgamos decisões pelo resultado que aconteceu depois — e como sorte, azar, risco, contexto e incerteza podem transformar imprudência em “competência” ou uma boa decisão em “fracasso”

Sexta-feira.

17:53.

Já começamos mal.

War Room não existe ainda.

Mas provavelmente:

está apenas esperando.

No telão:

CHANGE WINDOW

START: 18:00
END:   20:00

CHANGE:
PAYMENTS-X DATABASE MIGRATION

RISK:
HIGH

Nosso jovem programador COBOL pergunta:

— Rollback foi testado?

Silêncio.

DBA:

— Não completamente.

— Restore?

— Testamos mês passado.

— Mesma versão?

— Não exatamente.

— Reconciliação?

— Temos amostragem.

Gerente olha para o relógio.

17:55.

— Vamos seguir.

Nosso jovem:

— Mesmo assim?

— O risco é baixo.

— Como sabemos?

— Já fizemos mudança parecida.

— Parecida quanto?

— Parecida.

Ah.

Uma unidade científica maravilhosa:

parecida.

Às 18:00:

Go-Live.

18:15:

nenhum erro.

18:30:

nenhum erro.

19:00:

estável.

20:00:

encerramento.

Todo mundo:

feliz.

O diretor manda:

Excelente execução.

Gerente responde:

Grande decisão do time em seguir com o Go-Live.

Nosso jovem olha:

para o rollback não testado.

Depois:

para o sistema funcionando.

Então pensa:

— Talvez eu estivesse exagerando.

VWORP.

A TARDIS aparece no meio da sala.

A porta abre.

O Doctor sai.

Olha:

para produção.

Tudo funcionando.

— Excelente.

Gerente sorri.

— Viu? Eu sabia que podíamos seguir.

Doctor:

— Sabia?

— Sim.

— Então vocês tinham evidência suficiente?

— Bem...

— Rollback testado?

— Não.

— Restore?

— Parcial.

— Reconciliação?

— Parcial.

Doctor:

— Então como você “sabia”?

Gerente aponta:

para o dashboard verde.

— Funcionou.

Doctor sorri.

— Isso responde:

ao que aconteceu.

Pausa.

— Não necessariamente à qualidade da decisão que vocês tomaram antes de saber o que aconteceria.

Bem-vindo ao:

Outcome Bias

ou:

Viés de Resultado.

Em linguagem Bellacosa:

é quando avaliamos se uma decisão foi boa olhando principalmente para o que aconteceu depois — em vez de avaliar a qualidade da decisão com base nas informações disponíveis no momento em que ela foi tomada.

🧠 O que é Outcome Bias?

Imagine duas decisões.

Decisão A:

bem analisada;

dados suficientes;

risco conhecido;

rollback validado;

controles adequados.

Resultado:

falha inesperada.

Decisão B:

apressada;

sem teste;

sem evidência;

sem plano B.

Resultado:

funciona.

Se avaliamos apenas:

resultado,

poderíamos concluir:

A = decisão ruim
B = decisão boa

Mas isso pode estar:

completamente invertido.

☕ Bellacosa Definition

Resultado é aquilo que aconteceu. Qualidade da decisão é aquilo que você fez com a informação que possuía antes de saber o resultado.

São:

duas coisas.

🧠 COBOL cognitivo

Imagine:

       IF OUTCOME = 'SUCCESS'
           MOVE 'GOOD-DECISION'
             TO DECISION-QUALITY
       ELSE
           MOVE 'BAD-DECISION'
             TO DECISION-QUALITY
       END-IF.

Programa simples.

Elegante.

Absolutamente:

errado.

Mais correto seria algo como:

       EVALUATE TRUE
           WHEN PROCESS-WAS-SOUND
                MOVE 'GOOD-DECISION'
                  TO DECISION-QUALITY

           WHEN PROCESS-WAS-POOR
                MOVE 'BAD-DECISION'
                  TO DECISION-QUALITY
       END-EVALUATE.

E depois:

avaliar resultado:

separadamente.

🧠 Uma decisão pode ser boa e produzir resultado ruim

Isso acontece porque:

mundo possui:

incerteza.

Probabilidade.

Variáveis externas.

Eventos raros.

Azar.

🧠 Exemplo simples

Imagine:

backup testado.

Restore testado.

DR testado.

Plano robusto.

O desastre chega:

e destrói simultaneamente duas regiões.

Muito improvável.

Sistema falha.

Foi:

má decisão?

Talvez não.

Talvez tenha sido:

boa decisão

diante das informações e probabilidades conhecidas.

☕ Engenharia não promete:

controle absoluto.

Promete:

decisões melhores sob incerteza.

🧠 Agora o contrário

Você executa:

mudança crítica

sem rollback.

Nada acontece.

Foi:

boa decisão?

Não necessariamente.

Você pode ter:

simplesmente tido sorte.

👻 Easter Egg nº 1 — Dalek Change Manager

Dalek:

— CHANGE SUCCESSFUL.

Doctor:

— Rollback test?

— NO.

— Backup?

— UNKNOWN.

— Peer review?

— NO.

— Então por que fizeram?

— IT WORKED.

Doctor:

— Isso aconteceu depois.

Dalek:

— CORRECT.

Doctor:

— Então não podia justificar a decisão anterior.

Dalek:

— OUTCOME SUCCESSFUL.

Doctor:

— Vamos ficar aqui bastante tempo, não?

🧠 Sorte também existe em TI

Isso incomoda.

Gostamos de imaginar:

resultado = competência.

Mas sistemas complexos têm:

aleatoriedade;

timing;

load;

network;

scheduling;

race conditions;

dependências.

Duas execuções quase iguais podem:

produzir resultados diferentes.

☕ `CC=0000`

não significa:

processo excelente.

Às vezes significa:

“desta vez nada explodiu.”

🧠 Outcome Bias versus Hindsight Bias

São parentes.

Mas diferentes.

Hindsight Bias:

Depois que sabemos o resultado:

“Era óbvio que isso aconteceria.”

Outcome Bias:

Depois que sabemos o resultado:

“Como deu certo, a decisão foi boa.”

ou:

“Como deu errado, a decisão foi ruim.”

Um trata:

previsibilidade.

Outro:

qualidade da decisão.

🧠 Exemplo

Go-Live falha.

Hindsight:

“Era óbvio que falharia.”

Outcome:

“Logo, a decisão de lançar foi irresponsável.”

Talvez fosse.

Talvez não.

Precisa:

reconstruir informação anterior.

🎯 Pergunta Bellacosa nº 1

“Com o que sabíamos antes do resultado, essa decisão ainda parecia razoável?”

Excelente.

🧠 Confirmation Bias entra depois

Se já acreditávamos:

gerente irresponsável,

e mudança falha,

Outcome Bias:

“viu?”

Confirmation Bias:

“sempre foi ruim.”

Self-Serving Bias:

“eu avisei.”

Hindsight:

“era óbvio.”

Temos:

festival.

☕ A War Room vira:

retrospectiva escrita pelos vencedores.

🧠 Outcome Bias e Self-Serving Bias

Sucesso:

“foi nossa competência.”

Fracasso:

“foi azar.”

Quando julgamos nós mesmos.

Mas quando julgamos outros:

Sucesso:

“sorte.”

Fracasso:

“incompetência.”

Bonito.

Humano.

🧠 Actor-Observer

Meu resultado ruim:

contexto.

Seu:

decisão ruim.

Outro crossover.

🎯 Pergunta Bellacosa nº 2

“Estou aplicando o mesmo padrão de avaliação à minha decisão e à decisão do outro?”

🧠 Resultado bom pode esconder processo ruim

Esse é provavelmente:

o perigo principal.

Imagine:

deploy direto em produção.

Sem teste.

Funciona.

Equipe aprende:

“não precisamos de teste.”

Próxima vez:

repete.

Funciona.

Terceira:

repete.

Funciona.

Quarta:

P1.

Agora todos perguntam:

— Como isso aconteceu?

Resposta:

porque três resultados bons validaram mentalmente um processo ruim.

Outcome Bias.

☕ Sorte repetida

pode parecer:

maturidade operacional.

Até:

parar.

🧠 Normalization of Deviance entra

Primeira vez:

desvio.

Nada acontece.

Segunda:

normal.

Terceira:

processo real.

Outcome Bias ajuda:

“se funcionou, então não era tão arriscado.”

Normalization of Deviance cresce.

🧠 Risk Compensation

Novo controle:

backup.

Equipe fica:

mais ousada.

Mudanças ruins:

funcionam.

Outcome Bias:

“controle tornou tudo seguro.”

Comportamento:

aumenta risco.

🎯 Pergunta Bellacosa nº 3

“O sucesso mostrou que o processo era bom ou apenas que o risco não se materializou desta vez?”

Essa é central.

🧠 Um dado que quase nunca aparece: near miss

Imagine:

mudança funcionou.

Mas logs mostram:

queue atingiu 98% do limite.

Ninguém percebeu.

Outcome:

sucesso.

Near miss:

enorme.

Se avaliamos apenas:

resultado,

perdemos:

aprendizado.

☕ “Não caiu”

é critério:

baixo.

Muito baixo.

🧠 Outcome Bias e Survivorship Bias

Só observamos:

mudanças que sobreviveram.

Os processos arriscados que deram certo:

viram histórias heroicas.

Os que destruíram produção:

viram:

“exceções”.

Survivorship ajuda:

a cultura a celebrar:

heroísmo.

🧠 Hero Culture

Analista executa:

comando arriscado.

Salva sistema.

Herói.

Mas:

foi procedimento correto?

Talvez.

Ou:

uma aposta que funcionou.

Se premiamos:

outcome,

podemos treinar:

mais apostas.

🎯 Pergunta Bellacosa nº 4

“Estamos premiando o resultado ou o processo que gostaríamos que fosse repetido?”

🧠 Isso é enorme para liderança

Porque recompensa:

ensina.

Se pessoa toma:

risco absurdo

e ganha:

elogio,

organização aprende:

risco = heroísmo.

☕ Toda premiação é:

uma pequena política operacional.

🧠 Outcome Bias e Campbell’s Law

Métrica:

incidente resolvido rápido.

Analista:

restart sem investigação.

Funciona.

MTTR:

excelente.

Resultado:

bom.

Processo:

questionável.

Campbell incentiva.

Outcome Bias:

legitima.

Agora:

restart vira:

best practice.

🧠 Goodhart entra sorrindo

Metric:

MTTR.

Goal:

service restoration.

Quando resultado:

MTTR cai,

todo mundo:

feliz.

Mas:

evidência destruída;

root cause desconhecida.

Outcome Bias:

“foi ótimo.”

🎯 Pergunta Bellacosa nº 5

“O resultado melhorou a métrica ou realmente melhorou a capacidade do sistema?”

🧠 Outcome Bias e Goal Substitution

Objetivo:

decisão segura.

Proxy:

mudança terminou sem incidente.

Agora:

sem incidente = decisão segura.

Não.

Pode ser:

sorte.

Goal Substitution.

🧠 Outcome Bias em projeto

Projeto entrega:

no prazo.

Management:

excelente planejamento.

Equipe:

trabalhou 90 horas por semana.

Technical debt:

explodiu.

Resultado visível:

bom.

Processo:

terrível.

☕ Entregar sexta

não significa:

que sexta era prazo racional.

Talvez apenas:

que humanos pagaram a diferença.

🧠 Ratchet Effect

Projeto termina:

graças a heroísmo.

Management:

“Agora sabemos que conseguem.”

Nova meta:

mais agressiva.

Outcome Bias faz:

esforço excepcional parecer:

capacidade normal.

Ratchet transforma:

em piso.

🎯 Pergunta Bellacosa nº 6

“O sucesso foi sustentável ou comprado com recurso invisível?”

🧠 Hidden costs

Overtime.

Stress.

Manual work.

Future debt.

None:

in outcome dashboard.

McNamara Fallacy.

Metric Fixation.

☕ O resultado pode estar:

verde

porque a conta foi:

movida para amanhã.

🧠 Outcome Bias em incident response

Imagine:

analista decide:

restart.

Sem dump.

Sem coleta de estado.

Sistema volta.

Resultado:

success.

Management:

“ótima decisão.”

Mas:

se sistema não voltasse,

todos diriam:

“irresponsável.”

Mesma decisão.

Mesmo processo.

Só resultado:

mudou.

Outcome Bias.

🧠 Qualidade da decisão precisa ser avaliada antes de saber o fim

Idealmente:

decision rules.

🎯 Pergunta Bellacosa nº 7

“Se o resultado tivesse sido o oposto, eu avaliaria a mesma decisão de maneira completamente diferente?”

Se sim:

alerta de Outcome Bias.

🧠 Exemplo de poker

Poker é ótima analogia.

Jogador:

vai all-in com mão péssima.

Ganha.

Boa jogada?

Não necessariamente.

Jogador:

faz jogada probabilisticamente ótima.

Perde.

Má jogada?

Não.

Resultado:

é uma amostra.

Decisão:

é processo.

☕ Mainframe poker

CHANGE WITHOUT ROLLBACK

production works.

Você ganhou:

a mão.

Não quer dizer:

que deveria repetir.

🧠 Outcome Bias e probability blindness

Se evento:

10% chance de desastre,

90% das vezes:

funciona.

Então alguém pode fazer:

nove vezes.

Tudo certo.

Concluir:

“seguro.”

Décima:

boom.

Matematicamente:

esperado.

Culturalmente:

surpresa.

🎯 Pergunta Bellacosa nº 8

“Quantas vezes esse processo precisa dar certo para provar segurança — e isso realmente prova?”

🧠 Risk is not binary

Antes do evento:

risk distribution.

Depois:

um outcome.

Uma realização.

Não confunda:

amostra

com:

distribuição.

☕ Depois que dado caiu

parece que:

sempre cairia daquele lado.

Antes:

não.

🧠 Outcome Bias e Zero-Risk Bias

Controle implementado.

Sem incidentes.

Conclusão:

risk zero.

Talvez:

não.

Só:

zero eventos observados.

McNamara.

🧠 Outcome Bias e Illusion of Control

Fizemos:

procedimento improvisado.

Funcionou.

Agora acreditamos:

“sabemos controlar.”

Talvez:

não.

Só:

funcionou naquele contexto.

🎯 Pergunta Bellacosa nº 9

“Esse sucesso demonstrou controle causal ou apenas coincidiu com nossas ações?”

🧠 Post hoc

Restart.

Sistema melhora.

Logo:

restart causou.

Pode ser.

Ou:

external dependency recovered ao mesmo tempo.

Outcome Bias + Post Hoc.

☕ Serviço voltar depois de comando

é evidência.

Não necessariamente:

prova.

🧠 Outcome Bias em RCA

Postmortem pergunta:

“qual decisão foi errada?”

Se incident:

grande,

pressão:

achar decisão errada.

Mas talvez:

todos tenham tomado decisões razoáveis

e evento raro:

ocorreu.

Se inventamos:

culpado retrospectivo,

aprendizado piora.

🧠 Blameless não significa sem análise

Significa:

avaliar:

process.

Information.

Constraints.

🎯 Pergunta Bellacosa nº 10

“A decisão era ruim com a informação disponível na hora ou parece ruim apenas porque agora sabemos o final?”

🧠 Fundamental Attribution Error

Outcome ruim.

Pessoa decidiu.

Culpado.

Mas:

contexto?

Procedure?

Signals?

Tool?

Need.

🧠 Authority Gradient

Junior segue:

senior.

Outcome ruim.

Depois:

culpam junior por:

não questionar.

Mas:

poderia?

Psych safety?

Again.

☕ Resultado não reconstrói:

liberdade que alguém tinha antes.

🧠 Outcome Bias em change management

CAB aprova:

mudança bem testada.

Falha por:

evento raro.

Depois:

“CAB aprovou mudança ruim.”

Talvez:

approval correto.

What matters:

information available.

🧠 Outra mudança sem teste

Passa.

“CAB flexible.”

Danger.

🎯 Pergunta Bellacosa nº 11

“Estamos aprendendo com o processo de decisão ou apenas classificando vencedores e perdedores?”

🧠 Outcome Bias e Hindsight Bias juntos

Depois de falha:

“Era óbvio.”

“Decisão era ruim.”

Combo.

Mas antes:

talvez todos:

aprovaram.

Preserve:

decision record.

🧠 Decision Journal

Antes:

DECISION:
Proceed.

KNOWN RISKS:
A, B, C.

UNKNOWN:
D.

EXPECTED BENEFIT:
X.

ROLLBACK:
validated.

CONFIDENCE:
medium-high.

Depois:

compare.

Isso é ouro.

☕ Sem registro anterior

memória vira:

roteirista.

🧠 Outcome Bias e Narrative Bias

Resultado final:

molda história.

Sucesso:

“plano foi excelente.”

Fracasso:

“avisos estavam por toda parte.”

Narrative Bias arruma:

eventos

para combinar.

🎯 Pergunta Bellacosa nº 12

“Estamos contando a história que realmente vivemos ou a história que faz sentido depois do resultado?”

🧠 Outcome Bias e Confirmation Bias

Se resultado:

confirma crença,

remember strongly.

If contrary:

call anomaly.

Example:

“Cloud is unreliable.”

Cloud outage:

proof.

Mainframe outage:

exception.

Opposite side:

vice versa.

Outcome Bias feeds:

Confirmation.

☕ Um resultado vira:

munição ideológica.

🧠 Outcome Bias em architecture

Migração para microservices:

successful.

Conclusion:

architecture choice perfect.

Maybe:

team excellent;

scope easy;

low traffic.

One success:

not general rule.

🧠 Pilot Bias

Pilot:

works.

General roll-out:

different scale.

Outcome Bias:

“pilot proved.”

No.

Pilot produced:

evidence.

🎯 Pergunta Bellacosa nº 13

“O resultado demonstra a estratégia ou apenas este caso específico?”

🧠 Outcome Bias e AI

IA recomenda:

ação.

Funciona.

Confidence in AI:

jumps.

But:

was reasoning good?

Maybe:

random.

Or:

multiple possible actions.

Outcome Bias can:

overtrust AI.

🤖 Lucky AI

Model suggests:

restart.

Works.

Now:

organization believes:

agent excellent.

Need:

evaluate reasoning across:

many cases.

🧠 Automation Bias nasce fácil

One successful automation:

trust ↑.

Then:

less human review.

Risk.

🎯 Pergunta Bellacosa nº 14

“Estamos validando o modelo pelo método ou pelo fato de uma recomendação ter funcionado?”

🧠 AI agent action evaluation

Separate:

decision quality;

execution quality;

outcome.

Three layers.

🧠 Bellacosa Decision Stack

1. INFORMATION QUALITY
2. REASONING QUALITY
3. DECISION QUALITY
4. EXECUTION QUALITY
5. OUTCOME

Outcome:

last.

Organizations often evaluate:

only last.

☕ Resultado é:

linha final.

Não:

programa inteiro.

🧠 Outcome Bias em A/B testing

Experiment gives:

positive result.

Decision:

good?

Maybe.

Was design:

valid?

Sample?

Duration?

Bias?

Need:

method.

Good outcome from:

bad experiment

still:

bad evidence.

🎯 Pergunta Bellacosa nº 15

“O experimento foi bom ou apenas produziu o número que queríamos?”

🧠 Outcome Bias em segurança

Admin disables:

security control

to solve:

issue.

No breach occurs.

Conclusion:

control unnecessary.

Danger.

Non-event:

not proof.

☕ “Nunca fomos atacados”

é uma frase:

perigosíssima

para avaliar segurança.

🧠 Absence of bad outcome

Not:

proof of good decision.

🧠 Outcome Bias e Moral Hazard

Pessoa toma:

risco.

Outro paga:

if fails.

Mas:

works.

Pessoa rewarded.

Risk-taking increases.

Moral Hazard.

🎯 Pergunta Bellacosa nº 16

“Quem receberia a consequência se essa decisão desse errado?”

If different from:

quem ganha elogio,

attention.

🧠 Principal-Agent

Manager chooses:

aggressive deadline.

Team absorbs:

cost.

Success.

Manager:

reward.

Outcome Bias:

“great leadership.”

Hidden cost:

team burnout.

Principal-Agent.

☕ Sucesso de quem?

Resultado bom:

para qual stakeholder?

Outra pergunta:

importante.

🧠 Outcome Bias e McNamara Fallacy

Dashboard:

green.

Decision:

good.

But:

manual toil;

knowledge risk;

customer workaround

not measured.

Outcome definition:

too narrow.

🎯 Pergunta Bellacosa nº 17

“Qual resultado estamos chamando de sucesso e o que ficou fora da medição?”

🧠 Metric Fixation

Change:

successful

because:

deployment completed.

But:

customer value?

Errors?

Debt?

Metric says:

success.

Outcome Bias:

decision good.

☕ Deploy成功—

ops, não japonês agora—

não significa:

business success.

🧠 Goal Substitution

Goal:

safe service.

Outcome metric:

deploy complete.

Bad proxy.

🧠 Outcome Bias e Near Miss

Need:

study successful risky events.

Very important.

Not only:

incidents.

Ask:

“Where were we lucky?”

🎯 Pergunta Bellacosa nº 18

“Que parte desse sucesso dependeu de algo que quase deu errado?”

🧠 Near-miss review

Example:

rollback untested

but not needed.

Do not say:

“no problem.”

Say:

“we got away with it.”

Then:

fix process.

☕ Aprender só com falhas

é esperar:

pagar matrícula.

Near miss:

curso grátis.

🧠 Outcome Bias e safety culture

A mature safety culture studies:

process

even when:

nothing bad happened.

Aviation does:

near misses.

IT should:

too.

🧠 Outcome Bias e Normalization of Deviance novamente

Every successful unsafe action:

reinforces:

deviation.

Outcome Bias:

“see, safe.”

Then:

normalized.

🎯 Pergunta Bellacosa nº 19

“Estamos transformando ausência de acidente em autorização para repetir o desvio?”

🧠 Outcome Bias e Risk Compensation

Backup exists.

Risky deploy works.

Confidence rises.

Next deploy:

more risky.

Loop.

🧠 Positive feedback danger

RISKY ACTION
↓
SUCCESS
↓
CONFIDENCE
↓
MORE RISK
↓
SUCCESS
↓
EVEN MORE RISK

Until:

failure.

☕ O sistema está:

ensinando coragem

com dados insuficientes.

🧠 Outcome Bias e Dunning-Kruger

Novice makes:

bad call.

Lucky success.

Confidence jumps.

Now:

knows.

Danger.

Expert may:

know luck.

Difference:

calibration.

🎯 Pergunta Bellacosa nº 20

“Esse sucesso aumentou nosso conhecimento ou apenas nossa confiança?”

Excellent.

🧠 Outcome Bias e overconfidence

Repeated successes:

produce:

overconfidence.

Especially if:

environment forgiving.

Then:

new context.

Boom.

🧠 Outcome Bias em batch operations

Operator changes:

JCL manually.

Works.

Next time:

same.

Maybe dataset conditions:

different.

Need:

understand.

☕ “Fiz assim da outra vez”

é:

outcome memory.

Não:

procedimento.

🧠 Outcome Bias e technical debt

Shortcut:

works.

Feature delivered.

Success.

Debt:

future.

Outcome Bias:

shortcut validated.

Years later:

maintenance pain.

🎯 Pergunta Bellacosa nº 21

“O resultado foi bom no horizonte certo?”

Huge.

Today:

good.

One year:

bad.

🧠 Time horizon matters

A decision can:

look brilliant today

and terrible later.

Outcome evaluation:

needs horizon.

☕ `END-OF-DAY`

não é:

END-OF-SYSTEM.

🧠 Outcome Bias em SLA

SLA met.

Customer unhappy.

Outcome according:

contract good.

Real outcome:

maybe bad.

Definition matters.

🧠 Outcome Bias e cost cutting

Cut:

redundancy.

Savings achieved.

No outage.

Decision praised.

Two years later:

outage.

Was initial decision good?

Need:

risk model.

Not:

short-term result.

🎯 Pergunta Bellacosa nº 22

“Estamos avaliando decisão pelo resultado imediato ou pelo risco total criado?”

🧠 Outcome Bias e governance

Governance should evaluate:

process adherence.

But:

not blindly.

If process:

bad,

change.

Still:

don't excuse poor reasoning because:

result good.

🧠 Decision audit

Ask:

what information?

what alternatives?

what probabilities?

what trade-offs?

☕ Auditoria de decisão

não:

tribunal de resultado.

🧠 Outcome Bias e leadership

Good leader:

rewards:

sound decision

even if unlucky.

Also:

challenges:

reckless decision

even if lucky.

This is:

hard.

Because humans:

love winners.

🎯 Pergunta Bellacosa nº 23

“Eu teria elogiado essa decisão antes de saber que funcionou?”

Fantastic.

🧠 Reverse outcome test

Imagine:

same process,

opposite outcome.

Would judgment:

flip?

If yes:

Outcome Bias.

🧠 Bellacosa Coin Flip Test

Decision:

deploy without rollback.

Scenario A:

success.

Scenario B:

failure.

If your evaluation:

good vs bad

changes entirely,

ask:

process.

☕ A moeda não:

reescreve procedimento.

🧠 Outcome Bias e risk committees

Approve risk:

based on expected value.

Event materializes.

Later:

“committee failed.”

Maybe:

not.

A risk of 1% can:

occur.

🧠 Probability does not mean guarantee

1% event occurring:

doesn't prove estimate wrong.

Could.

But not automatically.

🎯 Pergunta Bellacosa nº 24

“Estamos confundindo evento improvável que ocorreu com previsão ruim?”

🧠 Forecast calibration

Need:

many forecasts.

Not:

one.

If 10% events occur:

roughly 10% over many cases,

calibrated.

One event:

not enough.

🧠 Outcome Bias e incident severity predictions

Team says:

low chance.

Happens.

Everyone:

“they were wrong.”

Maybe.

Need:

track.

☕ Probabilidade é:

população.

Resultado é:

indivíduo.

🧠 Outcome Bias e Hindsight in postmortem

The classic sentence:

“Why did they do that?”

With outcome known:

decision looks:

obvious.

Reconstruct:

what they saw.

🧠 Local rationality

People often do:

what made sense

locally.

Learn:

why.

🎯 Pergunta Bellacosa nº 25

“Que decisão eu tomaria se estivesse no lugar deles com apenas as informações que eles tinham naquele minuto?”

🧠 Outcome Bias e Action Bias

During incident:

do something.

It works.

Outcome validates:

action bias.

Next time:

act fast again.

Maybe wrong.

🧠 Omission Bias

Person waits.

System recovers naturally.

Outcome:

good.

Now:

inaction praised.

Again:

result alone.

Need:

reason.

☕ Ação e omissão

ambas podem:

ter sorte.

🧠 Outcome Bias e Plan Continuation Bias

Pilot continues:

arrives safely.

Conclusion:

continuing was right.

Maybe:

unsafe.

Success can:

normalize continuation.

🎯 Pergunta Bellacosa nº 26

“Chegar ao destino provou que continuar era seguro?”

No.

🧠 Outcome Bias em capacity

System at:

95%.

No outage.

Conclusion:

capacity okay.

Maybe:

near cliff.

Need:

margin.

🧠 Outcome vs margin

Important.

Successful operation:

without resilience margin

is:

fragile success.

☕ Verde colado no vermelho

não é:

conforto.

🧠 Outcome Bias e resilience

A resilient system should be:

evaluated by:

ability to absorb variation.

Not:

one successful run.

🎯 Pergunta Bellacosa nº 27

“Quanto de margem restou durante o sucesso?”

🧠 Outcome Bias e chaos engineering

Controlled failure:

may reveal:

weakness.

If test fails:

good?

Maybe.

Because:

learned safely.

Outcome “failure” of test:

valuable.

Outcome Bias might call:

test bad.

Wrong.

☕ Um teste de caos que encontra problema

teve:

sucesso.

Beautiful paradox.

🧠 Test outcome depends on purpose

If purpose:

discover weakness,

finding:

weakness

is:

successful.

Goal definition.

🎯 Pergunta Bellacosa nº 28

“Estamos julgando o resultado segundo o objetivo real do experimento?”

🧠 Outcome Bias e QA

Tester finds:

many bugs.

Metric:

quality bad?

Maybe testing:

good.

Team with:

zero bugs reported

may:

test poorly.

Again.

🧠 Prevention vs visible outcomes

Good testing creates:

bad-looking numbers.

McNamara.

☕ Uma área que encontra problemas

pode estar:

funcionando.

Uma que encontra zero:

pode estar dormindo.

🧠 Outcome Bias e security incidents

Red team breaches:

system.

Bad outcome?

Actually:

exercise success.

It found:

weakness.

Need:

context.

🧠 Outcome Bias e AI evals

Model gives:

correct answer.

Reasoning:

wrong.

Should we:

reward?

Maybe if only outcome.

But in critical domains:

danger.

🤖 Shortcut reasoning

Right answer by:

wrong reason

can fail:

next case.

This is huge.

🎯 Pergunta Bellacosa nº 29

“O sistema acertou porque entendeu ou porque encontrou um atalho que funcionou neste caso?”

🧠 Outcome Bias e COBOL beginner

Program compiles.

Runs.

Output looks:

right.

Code:

good?

Not necessarily.

Test:

one input.

Need:

boundaries.

Errors.

File status.

☕ “Funcionou comigo”

é a versão júnior de:

Outcome Bias.

🧠 COBOL example

       DIVIDE WS-A BY WS-B
           GIVING WS-C.

Test:

B = 2.

Works.

Conclusion:

done.

What if:

B = 0?

Outcome Bias:

one success.

Need:

test design.

🎯 Pergunta Bellacosa nº 30

“Quantos cenários diferentes sustentam nossa confiança?”

🧠 Outcome Bias e error handling

No error occurred.

Therefore:

error handling unnecessary.

Classic.

Until:

error.

☕ Código de exceção

parece inútil

nos dias:

em que tudo funciona.

🧠 Outcome Bias e backup/restore

Never restored.

No disaster.

Backup process:

“successful.”

Then:

need restore.

Surprise.

Again.

🧠 Outcome Bias e redundancy

Never used second region.

Cost center.

Remove.

Then:

incident.

Short-term outcome:

misleading.

🎯 Pergunta Bellacosa nº 31

“Estamos julgando controles de contingência pela frequência com que precisaram ser usados?”

Excellent.

🧠 Outcome Bias e Zero-Risk management

Control not used:

seems waste.

But:

insurance.

Hard to value.

McNamara.

🧠 Outcome Bias e Principal-Agent

Executive gets:

bonus based on year's results.

Chooses:

risk that matures later.

Year good.

Decision praised.

Future:

someone else pays.

Outcome horizon matters.

☕ Resultado de dezembro

pode ser:

conta de janeiro.

🧠 Outcome Bias e Moral Hazard again

Decision-maker rewarded:

if good.

Limited consequence:

if bad.

Success reinforces:

risk.

🎯 Pergunta Bellacosa nº 32

“O horizonte de avaliação termina antes do horizonte do risco?”

Brutal.

🧠 Outcome Bias e metrics

Quarterly metrics:

green.

Long-term:

knowledge decay.

Cultural Debt.

Mainframe skills.

No incident:

today.

Capacity loss:

later.

Outcome bias:

“staffing fine.”

☕ Não ter incidente hoje

não prova:

que aposentadoria coletiva amanhã está resolvida.

🧠 Outcome Bias e knowledge transfer

Senior remains.

Everything works.

No cross-training.

Management:

“not needed.”

Then:

senior leaves.

Outcome changed.

Process was:

bad long before.

🎯 Pergunta Bellacosa nº 33

“Estamos confundindo estabilidade atual com resiliência futura?”

🧠 Outcome Bias e Cultural Debt

Decision:

centralize knowledge.

Works:

years.

Outcome:

success.

Culture forms.

Later:

single point of failure.

The original decision may have:

been right then.

Outcome Bias appears if we say:

“because it succeeded for 20 years, it must remain right forever.”

Different problem.

Cultural Debt.

🧠 Temporal context

Decision quality:

at time T1.

Re-evaluate:

at T2.

Don't use historical success:

as permanent proof.

🎯 Pergunta Bellacosa nº 34

“O fato de essa decisão ter funcionado no passado prova que ainda é a melhor decisão hoje?”

🧠 Outcome Bias e Status Quo

Historical success:

anchors.

Status quo:

protected.

“Never failed.”

Until:

environment changes.

☕ “Sempre funcionou”

é:

estatística histórica.

Não:

contrato futuro.

🧠 Outcome Bias e innovation

Experiment fails.

Maybe:

good experiment.

Learned.

If punish:

failure outcome,

people stop:

experimenting.

🧠 Innovation needs process evaluation

Was hypothesis reasonable?

Test cheap?

Learning valuable?

Then:

failure can be:

success.

🎯 Pergunta Bellacosa nº 35

“O experimento fracassou ou nos poupou de fracassar em escala maior?”

🧠 Outcome Bias e blame culture

If any bad outcome:

someone punished,

people hide:

risks.

Avoid:

experiments.

Report less.

Safety worsens.

☕ Organizações que punem todo resultado ruim

acabam recebendo:

menos notícias ruins.

Não necessariamente:

menos problemas.

🧠 Campbell again

If “zero incidents” = good manager,

incidents:

reclassified.

Outcome metric:

corrupted.

🧠 Outcome Bias e near miss reporting

Need reward:

reporting.

Not:

only zero incidents.

🎯 Pergunta Bellacosa nº 36

“Nosso sistema incentiva aprender com quase-erros ou escondê-los porque o resultado final foi bom?”

🧠 Outcome Bias e decision quality matrix

Uma ferramenta ótima:

                    OUTCOME

              GOOD          BAD

GOOD        DESERVED      BAD LUCK
DECISION    SUCCESS

BAD         LUCKY         DESERVED
DECISION    SUCCESS       FAILURE

Isso é:

poderoso.

☕ Quatro quadrantes

não:

dois.

🧠 Quadrante 1 — Boa decisão / bom resultado

Ótimo.

Repetir:

talvez.

🧠 Quadrante 2 — Boa decisão / resultado ruim

Aprenda:

mas não destrua:

processo bom

por azar.

🧠 Quadrante 3 — Decisão ruim / resultado bom

O quadrante mais perigoso.

Porque:

ensina comportamento errado.

🧠 Quadrante 4 — Decisão ruim / resultado ruim

Fácil:

ver.

Aprender.

🎯 Pergunta Bellacosa nº 37

“Estamos no quadrante do sucesso merecido ou do sucesso sortudo?”

👻 Easter Egg nº 2 — TARDIS Decision Matrix

Companion:

— Doctor, escolhi aleatoriamente o botão vermelho e salvamos o planeta.

Doctor:

— Excelente resultado.

— Então foi ótima decisão?

— Havia 10 botões?

— Sim.

— Nove explodiam o planeta?

— Sim.

Doctor:

— Não faça novamente.

— Mas funcionou.

Doctor:

— Isso é exatamente o problema.

🧠 Process praise

Instead of:

“great result,”

say:

“great process.”

What process?

Collected evidence.

Tested rollback.

Defined no-go.

Good.

🧠 Outcome praise

Still:

celebrate success.

But don't:

confuse.

🎯 Pergunta Bellacosa nº 38

“Que parte da decisão merece ser repetida independentemente do resultado?”

🧠 Bellacosa Decision Review

Before outcome:

record:

DECISION:
Proceed / Hold

INFORMATION:
...

ALTERNATIVES:
...

KNOWN RISKS:
...

EXPECTED PROBABILITY:
...

GUARDRAILS:
...

REASON:
...

After:

evaluate:

separately.

🧠 Ex Ante vs Ex Post

Fancy Latin-ish:

ex ante:

before outcome.

ex post:

after.

Decision quality:

should be evaluated:

mostly ex ante.

Outcome:

ex post.

☕ A decisão mora:

antes.

O resultado mora:

depois.

Não misture endereços.

🧠 Outcome Bias e postmortem questions

Bad:

“Why did you make the wrong decision?”

Already assumes.

Better:

“What information and constraints shaped the decision?”

Then:

“What would improve that process?”

🎯 Pergunta Bellacosa nº 39

“Nossa pergunta de postmortem já declarou a decisão errada antes de analisá-la?”

🧠 Outcome Bias e risk estimate

Suppose:

95% success probability.

Fails.

Was estimate:

wrong?

One event:

can't tell.

Track:

many.

Calibration.

🧠 Calibration culture

If 70% confidence predictions succeed:

70-ish.

Good.

☕ Confiança de 70%

significa:

algumas vezes:

falhar.

Se nunca falha:

talvez confidence wrong too.

🧠 Outcome Bias e managers who "always deliver"

Maybe:

select easy projects.

Survivorship.

Need:

risk-adjusted.

🎯 Pergunta Bellacosa nº 40

“Estamos comparando resultados sem comparar o risco assumido para obtê-los?”

🧠 Risk-adjusted performance

Trader analogy.

Two teams:

same outcome.

One:

low risk.

Another:

bet company.

Not same.

☕ Ganhar R$1 milhão

apostando R$10 mil

não é igual:

a ganhar R$1 milhão

apostando a empresa.

🧠 IT version

Two deploys:

success.

One:

tested rollback.

Other:

none.

Outcome:

same.

Decision quality:

not.

🧠 Outcome Bias e change success rate

Metric:

99% changes successful.

Great.

But:

maybe definition:

no incident within 1h.

Long-term bugs:

not counted.

Outcome definition:

narrow.

🎯 Pergunta Bellacosa nº 41

“Como definimos sucesso e por quanto tempo observamos?”

🧠 Observation window

Critical.

Change:

looks fine.

24h later:

data corruption.

Was success?

No.

Need:

correct window.

☕ `CHANGE SUCCESS`

às 18:05

pode virar:

INCIDENT

às 03:00.

🧠 Outcome Bias e slow failures

Drift.

Technical debt.

Security.

Knowledge.

Results delayed.

Short-term success:

misleading.

🧠 Outcome Bias e Drift Into Failure

Each decision:

works.

Margin:

shrinks.

No incident.

Success repeatedly:

validates.

Eventually:

failure.

Classic.

🎯 Pergunta Bellacosa nº 42

“Cada sucesso preservou margem ou apenas evitou a falha por pouco?”

🧠 Outcome Bias e Normalization of Deviance

Again, perfect.

Deviation:

works.

Outcome good.

Deviation validated.

Repeat.

Eventually:

normal.

☕ Outcome Bias é:

contador de histórias

da Normalization of Deviance.

🧠 Outcome Bias e safety margin

Measure:

how close to limits.

Not:

only pass/fail.

🧠 Green isn't enough

Need:

distance to red.

🎯 Pergunta Bellacosa nº 43

“Quanto faltou para esse sucesso virar incidente?”

Maybe strongest near-miss question.

🧠 Outcome Bias e COBOL production support

Programmer runs:

manual fix.

Works.

Be careful:

document.

Understand.

Automate maybe.

Don't:

turn lucky fix:

into oral tradition.

🧠 Cultural Debt from lucky fixes

“Always run this command.”

Why?

Nobody knows.

It once worked.

Outcome Bias fossilized.

☕ Runbook arqueológico

cheio de:

rituais que funcionaram uma vez.

🧠 Ask why

What state does command change?

Mechanism.

🎯 Pergunta Bellacosa nº 44

“Sabemos por que esse procedimento funciona ou apenas sabemos que já funcionou?”

🧠 Outcome Bias e technical superstition

This is fun.

Operations sometimes develop:

rituals.

“Restart X before Y.”

“Wait 30 seconds.”

Maybe necessary.

Maybe superstition.

Outcome Bias:

successful runs reinforce.

👻 Easter Egg nº 3 — ritual COBOL

//STEP1 EXEC PGM=IKJEFT01
//*
* DO NOT REMOVE.
* NOBODY KNOWS WHY.
* SYSTEM FAILED ONCE IN 2004
* WHEN THIS STEP WAS REMOVED.

There.

Cultural Debt + Outcome Bias.

🧠 Scientific testing

Test mechanism.

Don't disrespect legacy blindly.

Maybe:

real dependency.

Investigate.

☕ Nem toda superstição

é falsa.

Mas merece:

prova.

🧠 Outcome Bias e reversibility

Decision with:

rollback

is different from:

irreversible.

Even same outcome.

Decision quality considers:

optionality.

🎯 Pergunta Bellacosa nº 45

“Se estivéssemos errados, tínhamos como voltar?”

Very important.

🧠 Outcome Bias e option value

Good process:

limits downside.

Even if:

outcome same.

🧠 Outcome Bias e blast radius

Small canary:

fails.

Bad outcome?

Actually:

good decision.

Limited damage.

Full rollout:

succeeds.

Good outcome.

But:

riskier decision.

Again.

☕ Canary falhar

pode ser:

sucesso da estratégia.

🎯 Pergunta Bellacosa nº 46

“O desenho da decisão limitou o dano caso estivéssemos errados?”

🧠 Outcome Bias e experimentation

Canary.

Feature flag.

Rollback.

Shadow traffic.

These improve:

decision quality.

Outcome may:

still fail.

But failure:

cheap.

🧠 Outcome Bias em incident escalation

Escalate early.

Incident turns:

minor.

People say:

“overreaction.”

Maybe escalation:

helped keep minor.

Counterfactual.

☕ Controle bem-sucedido

pode parecer:

desnecessário

justamente porque:

funcionou.

🧠 Prevention paradox

Very relevant.

If control prevents:

bad outcome,

people may think:

risk never existed.

🎯 Pergunta Bellacosa nº 47

“O bom resultado aconteceu apesar do controle ou por causa dele?”

🧠 Outcome Bias e security patch

Patch emergency.

No exploit before.

Later:

“unnecessary rush.”

Maybe patch:

prevented.

Hard to prove counterfactual.

🧠 McNamara Fallacy again

Prevention:

hard to measure.

Outcome Bias:

undervalues.

🧠 Outcome Bias e false lessons

The worst thing an organization can learn from:

success:

the wrong lesson.

Failure often:

forces review.

Success:

doesn't.

☕ Sucesso pode:

encerrar curiosidade

mais rápido que:

fracasso.

Interessante.

🧠 Search Satisfaction after success

System works.

Stop asking.

Outcome Bias.

Another connection.

🎯 Pergunta Bellacosa nº 48

“O sucesso está nos impedindo de investigar um near miss?”

🧠 Success postmortem

Do them sometimes.

Not only:

failures.

Ask:

what went right?

What was luck?

What was fragile?

Excellent.

🧠 Pre-mortem and post-success review

Combination.

☕ War Room zero

mas aprendizado:

muito.

🧠 Bellacosa Success Review

WHAT WAS PLANNED?
WHAT ACTUALLY HAPPENED?
WHAT WORKED BECAUSE OF PROCESS?
WHAT WORKED BECAUSE OF LUCK?
WHAT ALMOST FAILED?
WHAT SHOULD NOT BE REPEATED?

Beautiful.

🧠 Outcome Bias e risk-adjusted learning

Classify:

process:

good/bad.

Outcome:

good/bad.

Use matrix.

📋 Bellacosa Outcome Matrix

                    RESULTADO

                BOM             RUIM

PROCESSO       SUCESSO         AZAR /
BOM            MERECIDO        EVENTO ADVERSO

PROCESSO       SUCESSO         FALHA
RUIM           SORTUDO         MERECIDA

Focus:

bottom-left.

☕ O quadrante mais perigoso:

processo ruim + resultado bom.

Porque:

parece:

sucesso.

Mas:

treina desastre.

🧠 Outcome Bias e Reward Design

Reward:

quality of process.

Not only:

outcome.

Obviously:

outcome matters too.

Balance.

🎯 Pergunta Bellacosa nº 49

“Que comportamento estamos ensinando ao elogiar este sucesso?”

🧠 Bellacosa Anti-Outcome Protocol

Passo 1 — Congele a informação ex ante

Before result:

write what knew.

Passo 2 — Registre alternativas

Why chose this?

Passo 3 — Registre risco

Expected probabilities.

Passo 4 — Registre guardrails

Rollback, canary, monitoring.

Passo 5 — Depois observe resultado

Separately.

Passo 6 — Avalie processo

Would repeat?

Passo 7 — Procure sorte e azar

What wasn't controlled?

Passo 8 — Procure near miss

How close?

Passo 9 — Avalie horizonte

Immediate and long-term.

Passo 10 — Atualize decision rules

Not hero stories.

📋 Checklist Bellacosa anti-Outcome Bias

[ ] Como essa decisão parecia antes do resultado?

[ ] Quais informações estavam disponíveis?

[ ] O risco era conhecido?

[ ] Havia alternativas melhores?

[ ] Existia rollback?

[ ] O processo seguiu critérios razoáveis?

[ ] O sucesso dependeu de sorte?

[ ] Houve near miss?

[ ] O resultado ruim era evento possível mesmo com boa decisão?

[ ] Estou reescrevendo a história depois do fato?

[ ] Eu avaliaria a decisão igual com outcome oposto?

[ ] O horizonte de avaliação é adequado?

[ ] Qual custo invisível produziu o resultado?

[ ] Estamos premiando comportamento repetível?

[ ] O sistema preservou margem?

🧠 Bellacosa Decision Card

DECISION:
________________________

INFORMATION AVAILABLE:
________________________

ALTERNATIVES:
________________________

EXPECTED RISKS:
________________________

GUARDRAILS:
________________________

DECISION QUALITY:
GOOD / QUESTIONABLE / POOR

OUTCOME:
GOOD / BAD

LUCK FACTOR:
LOW / MEDIUM / HIGH

WOULD REPEAT?
YES / NO

👻 Easter Egg nº 4 — BELLACOSA.BIAS

Na manhã seguinte aparece:

BELLACOSA.BIAS(OUTCOME)

Dentro:

       IF OUTCOME = 'SUCCESS'
           PERFORM REVIEW-DECISION-PROCESS
       END-IF.

       IF OUTCOME = 'FAILURE'
           PERFORM REVIEW-DECISION-PROCESS
       END-IF.

       IF PROCESS-QUALITY = 'POOR'
          AND OUTCOME = 'SUCCESS'
           DISPLAY
           'WARNING: LUCKY SUCCESS - DO NOT NORMALIZE'
       END-IF.

       IF PROCESS-QUALITY = 'GOOD'
          AND OUTCOME = 'FAILURE'
           DISPLAY
           'DO NOT PUNISH SOUND DECISION FOR BAD LUCK'
       END-IF.

Comentários:

* GOOD OUTCOME
* DOES NOT AUTOMATICALLY MEAN
* GOOD DECISION.

Outro:

* BAD OUTCOME
* DOES NOT AUTOMATICALLY MEAN
* BAD DECISION.

Outro:

* LUCK
* IS NOT
* A CONTROL FRAMEWORK.

Outro:

* DO NOT TURN
* LUCKY SUCCESS
* INTO STANDARD PROCEDURE.

E naturalmente:

* TARDIS LANDING:
* SUCCESSFUL.
*
* PILOTING METHOD:
* RANDOM BUTTON.
*
* RECOMMENDATION:
* DO NOT REPEAT.

🕰️ Voltando para sexta-feira, 20:00

Change:

successful.

Todos comemoram.

Nosso jovem pergunta:

— Então adiamos os testes de rollback?

Gerente:

— Para quê? Funcionou.

Silêncio.

O Doctor olha:

para ele.

Nosso jovem entende.

— Não.

Gerente:

— Não?

— O fato de não precisarmos do rollback não prova que poderíamos continuar sem testá-lo.

Gerente:

— Mas deu certo.

Nosso jovem:

— Desta vez.

Doctor sorri.

🧠 Segunda-feira

Equipe faz:

teste de rollback.

Falha.

Silêncio.

Se produção tivesse:

quebrado sexta,

talvez:

não conseguissem voltar.

Agora percebem:

o sucesso não demonstrou segurança.

Apenas:

não exigiu:

o mecanismo de recuperação.

☕ Esse é o ponto

O resultado positivo:

escondeu:

uma vulnerabilidade real.

🧠 Agora imagine o contrário

Outra mudança.

Tudo testado.

Rollback.

Canary.

Peer review.

Good.

Ainda assim:

um firmware defect raro

causa:

falha.

Postmortem maduro:

não diz automaticamente:

“decisão ruim.”

Pergunta:

“Havia evidência razoável para prever isso?”

Se não:

learn.

Improve.

Don't:

rewrite history.

🎯 Pergunta Bellacosa nº 50

“O que poderíamos razoavelmente saber antes — e o que só ficou visível depois?”

Essa talvez seja:

a pergunta central.

🧬 Regeneração organizacional

Uma organização madura aprende:

com resultados

sem ser escrava:

dos resultados.

Ela celebra:

sucessos.

Investiga:

falhas.

Mas também:

separa sorte de processo;

premia decisões sólidas;

analisa near misses;

não normaliza improviso porque funcionou;

não pune automaticamente uma boa decisão por um resultado ruim;

e preserva:

o que era conhecido no momento.

Ela entende:

a qualidade da decisão mora no processo; o resultado mora na interação entre processo, contexto, incerteza e sorte.

Principalmente:

não deixa:

sucesso sortudo

virar:

best practice.

📓 Diário do Doctor

Se guardar algumas ideias desta viagem, guarde estas:

Outcome Bias é a tendência de julgar a qualidade de uma decisão pelo resultado que aconteceu depois.

Uma boa decisão pode produzir resultado ruim.

Uma decisão ruim pode produzir resultado bom.

Resultado e qualidade de decisão devem ser avaliados separadamente.

Hindsight Bias faz o resultado parecer mais previsível depois que ele ocorre.

Confirmation Bias usa o resultado para fortalecer crenças anteriores.

Self-Serving Bias pode fazer atribuir sucessos à competência e fracassos ao contexto.

Normalization of Deviance pode crescer quando decisões arriscadas repetidamente terminam bem.

Risk Compensation pode aumentar depois de sucessos que elevam excessivamente a confiança.

Goodhart e Campbell podem recompensar resultados aparentes sem avaliar o processo que os produziu.

Goal Substitution pode transformar “não houve incidente” em sinônimo de “a decisão foi segura”.

Metric Fixation pode esconder custos invisíveis, near misses e margens reduzidas.

McNamara Fallacy pode subvalorizar prevenção e controles cujo sucesso aparece justamente na ausência de eventos.

Ratchet Effect pode transformar esforço heroico bem-sucedido em nova expectativa mínima.

Moral Hazard e Principal-Agent podem fazer alguém receber o mérito pelo sucesso enquanto outra pessoa absorve o risco do fracasso.

Sunk Cost e Escalation of Commitment podem usar resultados favoráveis ocasionais para justificar continuidade.

A IA também pode ganhar confiança excessiva depois de recomendações corretas por motivos errados.

Near misses merecem análise justamente quando o resultado final foi bom.

O quadrante mais perigoso é processo ruim + resultado bom, porque ele ensina a organização a repetir comportamento arriscado.

E principalmente:

um resultado bom não retroativamente transforma uma decisão ruim em boa — da mesma forma que um resultado ruim não transforma automaticamente uma decisão racional em incompetência.

🥚 Easter Egg final

Antes de entrar na TARDIS, o Doctor escreve:

IF OUTCOME = SUCCESS
   DISPLAY 'CONGRATULATIONS'
   PERFORM REVIEW-PROCESS
END-IF.

Nosso jovem pergunta:

— Mesmo quando tudo dá certo?

— Principalmente quando tudo dá certo.

— Por quê?

— Porque depois de uma falha todos querem aprender.

Ele aponta:

para o dashboard verde.

— O perigo é quando o sucesso convence todos de que não existe nada para aprender.

Nosso jovem pensa.

— Então sucesso também pode esconder erro?

Doctor abre:

a porta.

“Os erros mais perigosos às vezes são aqueles que o universo teve a gentileza de não punir imediatamente.”

VWORP.

A TARDIS desaparece.

No quadro sobra:

“Não pergunte apenas se funcionou. Pergunte se a maneira como decidimos merece funcionar de novo.”

E talvez essa seja toda a essência do Outcome Bias no Bellacosa Mainframe:

o resultado conta o que aconteceu desta vez; o processo de decisão conta aquilo que estamos ensinando à organização para a próxima vez.

☕🌀

Próxima parada: Hindsight Bias — o dia em que, depois que produção caiu, todos descobriram retrospectivamente que os sinais estavam “claríssimos” desde o começo e que qualquer pessoa competente deveria ter previsto exatamente aquilo que ninguém previu.

Translate

sexta-feira, 13 de junho de 2014