 |
| 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.
VWORP.
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
e:
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:
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
a:
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.
VWORP.
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.
