 |
| Bellacosa Mainframe e o confirmation bias |
☕ Um Café no Bellacosa Mainframe
Confirmation Bias: Doctor Who, COBOL e o Dia em que a War Room Encontrou Provas Demais para a Hipótese Errada
Uma viagem pela TARDIS dos incidentes para entender por que nosso cérebro adora encontrar evidências que confirmem aquilo em que já acreditamos — e por que essa habilidade, tão útil para construir narrativas coerentes, pode ser absolutamente desastrosa quando estamos tentando descobrir o que realmente aconteceu
02:47.
War Room.
Na parede:
INCIDENTE P1
APLICAÇÃO:
PAYMENTS-X
SINTOMA:
LATÊNCIA INTERMITENTE
INÍCIO:
02:21
STATUS:
INVESTIGANDO
Primeiro comentário da madrugada:
— Isso está com cara de Db2.
Nosso jovem programador COBOL já aprendeu alguma coisa nas últimas noites.
Ele olha para a frase.
Não para o Db2.
Para a frase.
Porque sabe:
a primeira hipótese pode virar âncora.
Anchoring Bias.
Mas agora acontece algo novo.
O DBA abre o monitor.
— Lock.
Gerente:
— Aí.
Outro analista:
— Tem SQL acima da média.
Gerente:
— Mais uma.
Operação:
— Buffer pool também subiu.
Gerente:
— Está ficando claro.
Nosso jovem pergunta:
— E os timeouts externos?
Silêncio.
— Começaram antes do lock.
Resposta:
— Talvez sejam consequência.
Ele continua:
— Algumas chamadas que não usam Db2 ficaram lentas.
— Pode ser coincidência.
Interessante.
Lock:
causa.
Timeout:
consequência.
SQL:
prova.
API:
coincidência.
CPU Db2:
importante.
Network latency:
ruído.
Todos os dados existem.
Ninguém está:
inventando.
Mas as evidências estão recebendo:
pesos diferentes dependendo da direção para a qual apontam.
VWORP.
VWORP.
VWORP.
A TARDIS surge atrás do quadro.
Doctor sai.
Olha para a lista:
EVIDÊNCIAS A FAVOR DE DB2
✔ LOCKS
✔ SQL ELAPSED
✔ BUFFERPOOL
✔ CPU
Depois pergunta:
— Onde estão as evidências contra?
Gerente:
— Contra?
— Sim.
— Nós estamos investigando Db2.
Doctor:
— Percebi.
— Então por que procuraríamos evidência contra?
Doctor sorri.
— Porque vocês disseram que estão investigando.
Pausa.
— Não que estão preparando a acusação.
Bem-vindo ao:
Confirmation Bias
ou:
Viés de Confirmação.
🧠 O que é Confirmation Bias?
Em linguagem simples:
é nossa tendência de procurar, perceber, interpretar e lembrar informações de maneira que favoreça aquilo em que já acreditamos.
Isso significa que o viés não atua:
num único ponto.
Ele pode atuar:
quando escolhemos onde procurar;
quando decidimos quais dados são importantes;
quando interpretamos dados ambíguos;
quando lembramos de incidentes anteriores;
quando contamos a história depois.
Ou seja:
não é apenas:
“ver só o que queremos ver.”
É mais amplo:
organizar a própria investigação de maneira que aumente a chance de encontrar aquilo que esperamos encontrar.
☕ Definição Bellacosa
Confirmation Bias é quando o investigador contrata o próprio cérebro como advogado da hipótese e depois se surpreende quando o julgamento termina em condenação.
💻 COBOL cognitivo
Imagine este maravilhoso programa:
IF EVIDENCE-SUPPORTS-HYPOTHESIS = 'Y'
ADD 1 TO CONFIDENCE
END-IF.
IF EVIDENCE-CONTRADICTS-HYPOTHESIS = 'Y'
MOVE 'NOISE'
TO EVIDENCE-STATUS
END-IF.
Compila.
Provavelmente.
Mas epistemologicamente:
ABEND S0BIAS.
O correto seria algo mais parecido com:
EVALUATE EVIDENCE-TYPE
WHEN 'SUPPORT'
ADD 1 TO SUPPORT-COUNT
WHEN 'CONTRADICT'
ADD 1 TO CONTRADICT-COUNT
WHEN OTHER
ADD 1 TO UNKNOWN-COUNT
END-EVALUATE.
E depois:
pensar.
🧠 O cérebro não falsifica necessariamente os dados
Isso é importante.
Quando falamos em Confirmation Bias, algumas pessoas imaginam:
“Ah, então alguém está manipulando informação.”
Não necessariamente.
Pode ser um profissional:
honesto;
competente;
experiente.
O viés acontece:
antes.
Na atenção.
Na busca.
Na interpretação.
☕ Você não precisa apagar log
para cair no viés.
Basta:
abrir apenas o log que espera que tenha a resposta.
🧠 Exemplo clássico na War Room
Hipótese:
Db2.
Você procura:
Db2.
Encontra:
warning.
Agora:
confidence sobe.
Mas sistemas complexos têm:
milhares de warnings.
A pergunta certa não é:
“Existe warning?”
É:
“Esse warning é anormal, temporalmente relevante e causalmente consistente com o incidente?”
Isso muda:
tudo.
🎯 Pergunta Bellacosa nº 1
“Essa evidência seria interessante para mim se eu não tivesse essa hipótese?”
Excelente.
🧠 Baseline, o inimigo do drama
Imagine:
DB2 LOCKS:
25
Parece ruim?
Talvez.
Historical baseline:
NORMAL:
20–30
Então:
normal.
Agora outro:
API LATENCY:
NORMAL 150 ms
INCIDENT 2400 ms
Muito mais relevante.
Mas se nossa hipótese é:
Db2,
podemos passar:
vinte minutos
discutindo 25 locks
e três segundos:
na API.
☕ Um número grande não é automaticamente anormal
E um número pequeno não é automaticamente irrelevante.
Contexto.
Sempre.
🧠 Anchoring abre a porta
Lembra?
Primeiro alguém diz:
“Tem cara de Db2.”
Anchoring Bias.
Agora Confirmation Bias entra:
“Vamos procurar sinais de Db2.”
Uma relação quase:
pai e filho.
🌀 Pipeline cognitivo
PRIMEIRO PALPITE
↓
ANCHORING
↓
BUSCA SELETIVA
↓
CONFIRMATION BIAS
↓
MAIOR CONFIANÇA
Mas ainda não acabou.
🧠 Streetlight Effect ajuda a confirmar
Temos:
ótimos logs Db2.
Ótimo dashboard Db2.
DBA presente.
Então:
procuramos Db2.
Quanto mais procuramos:
mais encontramos.
Isso não significa:
Db2 mais culpado.
Significa:
Db2 mais observado.
Streetlight Effect.
☕ Se você apontar 20 lanternas para um componente
e nenhuma para outro,
adivinhe:
qual vai produzir mais evidência.
🧠 Search Satisfaction entra depois
Encontramos:
um lock interessante.
Pronto.
Achei!
Search Satisfaction.
Agora:
a busca perde força.
🧠 Premature Closure chega
Lock:
real.
Latency:
real.
Então:
“Db2 é root cause.”
Premature Closure.
🧠 Diagnosis Momentum termina o serviço
Ticket:
POSSIBLE DB2
vira:
DB2 ISSUE
Depois:
ROOT CAUSE DB2
Diagnosis Momentum.
Veja o arco:
ANCHOR
↓
CONFIRM
↓
FIND
↓
STOP
↓
CLOSE
↓
PROPAGATE
É praticamente:
pipeline CI/CD de erro cognitivo.
👻 Easter Egg nº 1 — Doctor e o Dalek Promotor
Dalek:
— DB2 IS GUILTY.
Doctor:
— Por quê?
— LOCK FOUND.
— Existe alguma evidência de API failure?
— YES.
— Então?
— IRRELEVANT.
— Por quê?
— IT DOES NOT SUPPORT DB2 THEORY.
Doctor:
— Você não é investigador.
Dalek:
— CORRECT.
— O que é?
— PROSECUTION.
Doctor:
— Finalmente honestidade.
🧠 Confirmation Bias não acontece apenas na busca
Ele atua em:
1. Busca
Procuramos:
o que confirma.
2. Atenção
Notamos:
o que confirma.
3. Interpretação
Ambiguidade vira:
suporte.
4. Memória
Lembramos:
de casos favoráveis.
5. Comunicação
Contamos:
história favorável.
Uma criatura:
multifuncional.
🧠 Memória seletiva
Alguém diz:
— Toda vez que Db2 sobe CPU, temos incidente.
Será?
Talvez ele lembre:
dos três incidentes.
Mas não dos:
200 dias
em que CPU subiu
e nada aconteceu.
Base Rate Neglect.
Confirmation Bias.
🎯 Pergunta Bellacosa nº 2
“Quantas vezes esse mesmo sinal apareceu sem o incidente?”
Uma pergunta brutalmente importante.
🧠 O normal que não lembramos
Incidentes:
memoráveis.
Operação saudável:
esquecível.
Então:
correlações parecem:
fortes.
☕ Ninguém abre War Room para:
“mais uma terça-feira onde tudo funcionou.”
Isso distorce memória.
🧠 Confirmation Bias e Availability Heuristic
Você se lembra:
do incidente Db2.
Porque:
dramático.
Disponível na memória.
Então:
essa hipótese surge rápido.
Depois:
Confirmation Bias procura provas.
🧠 Recency Bias
Se aconteceu:
ontem,
pior ainda.
“Deve ser de novo.”
🧠 Representativeness
“Tem o mesmo cheiro.”
Parecido:
não significa:
igual.
🎯 Pergunta Bellacosa nº 3
“Quais diferenças entre este caso e o caso anterior estamos deixando de considerar?”
🧠 A arte de procurar contra você mesmo
Esse talvez seja:
o principal antídoto.
Se hipótese:
Db2,
não pergunte apenas:
“Que evidência prova Db2?”
Pergunte:
“Que evidência provaria que Db2 NÃO é o gatilho?”
Essa mudança:
é enorme.
🧠 Falsification mindset
Imagine:
HYPOTHESIS:
DB2 causes payment latency.
Teste:
Clientes que não tocam Db2 também estão lentos?
Se sim:
problema.
Outro:
Latency begins before Db2 anomaly?
Se sim:
problema.
Outro:
Remove Db2 contention and latency remains?
Problema.
☕ Hipótese boa precisa:
correr risco de morrer.
Caso contrário:
é decoração.
🧠 House MD entra
Equipe:
— Achamos pneumonia.
House:
— O que contradiz?
— Nada.
— Procuraram?
— Não.
— Então vocês não têm “nada que contradiz”.
Pausa.
— Vocês têm “nada que procuramos para contradizer”.
Essa diferença é:
fantástica.
🎯 Pergunta Bellacosa nº 4
“Ausência de contradição ou ausência de busca por contradição?”
🧠 Confirmation Bias em debugging COBOL
Programa:
resultado incorreto.
Programador pensa:
“é o COMPUTE.”
Então abre:
COMPUTE WS-TOTAL =
WS-PRICE * WS-QUANTITY.
Lê.
Relê.
Encontra:
arredondamento estranho.
Corrige.
Teste melhora.
Pronto?
Talvez não.
O campo:
WS-PRICE
já estava:
errado.
Então:
o problema no COMPUTE era:
real?
Talvez.
Mas talvez:
secundário.
🧠 Trace backwards
Pergunta senior:
“Onde aparece o primeiro valor errado?”
Não:
onde encontramos:
um cálculo suspeito.
☕ O primeiro lugar onde percebemos o erro
não é necessariamente:
o primeiro lugar onde ele existe.
🧠 Exemplo de lineage
INPUT
OK
↓
COPYBOOK MAPPING
WRONG
↓
MOVE
WRONG
↓
COMPUTE
WRONG
↓
REPORT
WRONG
Se você ama a hipótese:
COMPUTE,
talvez fique:
no quarto andar.
Causa:
segundo.
🎯 Pergunta Bellacosa nº 5
“Estou investigando a origem do valor ou apenas o ponto onde ele finalmente ficou visível?”
🧠 Confirmation Bias e testes
Desenvolvedor escreve:
testes.
Se quer:
confirmar código,
faz:
happy path.
Tudo passa.
Excelente.
Mas:
boundary?
negative?
invalid?
concurrency?
☕ Testar só o que espera funcionar
é quase:
pedir elogio ao compilador.
🧠 Mutation Testing como filosofia anti-confirmação
Interessante.
Pergunta:
“Se o código estivesse errado, meus testes perceberiam?”
Isso é mais poderoso do que:
“meu código passa?”
Porque:
passar não garante:
qualidade.
🧠 Negative Testing
Ideal:
tente destruir.
🎯 Pergunta Bellacosa nº 6
“Qual teste eu escreveria se estivesse tentando provar que minha implementação está errada?”
🧠 Confirmation Bias em code review
Autor:
“simple change.”
Reviewer:
já ancorado.
Procura:
pequeno ajuste.
Talvez:
copybook global.
Danger.
☕ “Mudança simples”
é um dos comentários mais perigosos:
do software corporativo.
🧠 Neutral review
Better:
“change modifies X.”
Then:
review.
Avoid:
framing.
🧠 Confirmation Bias em RCA
Postmortem começa:
— O deploy causou.
Agora:
todo mundo procura:
deploy.
Mas talvez:
deploy coincidiu.
Post hoc.
🎯 Pergunta Bellacosa nº 7
“Estamos investigando o evento porque ocorreu antes ou porque demonstramos mecanismo causal?”
🧠 Timeline limpa
Uma ferramenta maravilhosa:
escreva:
02:51 API latency
02:52 retries
02:55 queue
03:01 DB2 lock
Sem:
“cause”.
Sem:
“because”.
Só fatos.
Depois:
analise.
Isso reduz:
narrativa prematura.
☕ Timeline sem opinião
é:
testemunha interessante.
🧠 Confirmation Bias e Narrative Bias
Depois que temos hipótese,
montamos:
história.
O cérebro ama:
coerência.
Então fatos ambíguos:
ganham significado.
Narrative Bias.
🧠 Exemplo
DB2 warning
+
customer latency
+
old Db2 incident
Story:
Db2 again.
Mas:
talvez sejam:
três fatos não causais.
🎯 Pergunta Bellacosa nº 8
“Essa história explica os fatos ou os fatos foram escolhidos porque deixam a história bonita?”
🧠 Confirmation Bias e Metric Fixation
Leadership acredita:
service healthy.
Dashboard:
green.
Evidence:
green.
Customer complaints:
“anecdotal.”
Observe.
A crença:
“dashboard = reality”
é confirmada:
pelos próprios dashboards.
Circular.
☕ Se seu termômetro mede só a sala de reunião
não use:
para provar que cozinha não está pegando fogo.
🧠 McNamara Fallacy
Hard-to-measure:
ignored.
Quantitative evidence favorable:
dominates.
🎯 Pergunta Bellacosa nº 9
“Estamos descartando evidência porque é fraca ou porque é qualitativa?”
🧠 Confirmation Bias e Goodhart
Manager believes:
team improved.
KPI:
tickets closed +40%.
Great.
But:
reopens +80%.
Ignore.
Why?
Contradiz:
belief.
🧠 Counter-metric
Always ask:
what metric would:
tell opposite story?
🎯 Pergunta Bellacosa nº 10
“Qual indicador eu não gostaria de mostrar se minha narrativa estivesse errada?”
Boa.
🧠 Confirmation Bias e Goal Gradient
Projeto:
97%.
Queremos lançar.
Pass test:
“ótimo.”
Fail test:
“edge case.”
Percebe?
O mesmo evidence quality:
não.
Goal Gradient creates:
desired outcome.
Confirmation Bias:
selects supportive facts.
☕ “Edge case”
às vezes significa:
“evidência que estraga nosso cronograma.”
🧠 Confirmation Bias e Sunk Cost
Investimos:
18 meses.
Queremos:
continuar.
Então:
market signal positive:
important.
Negative:
temporary.
Sunk Cost + Confirmation.
🧠 Escalation of Commitment
Cada novo investimento:
aumenta desejo:
de estar certo.
Então:
evidência contrária:
fica psicologicamente cara.
🎯 Pergunta Bellacosa nº 11
“A evidência mudou ou apenas ficou mais difícil admitir que estamos errados?”
🧠 Confirmation Bias e Cultural Debt
Uma decisão antiga:
“centralizar tudo.”
Funcionou.
Hoje:
custos.
Mas organização lembra:
sucessos.
Fracassos alternativos:
superestimados.
Cultura confirma:
decisão.
Cultural Debt permanece.
☕ Uma cultura pode:
selecionar memória.
🧠 Confirmation Bias e arquitetura
Time cloud:
procura:
cloud success stories.
Time mainframe:
procura:
mainframe reliability stories.
Ambos:
podem estar certos.
Ambos:
podem estar incompletos.
🎯 Pergunta Bellacosa nº 12
“Estou comparando alternativas ou reunindo munição para a alternativa que já prefiro?”
🧠 Confirmation Bias e pessoas
Manager acha:
analista fraco.
Agora:
erros:
memorizados.
Acertos:
esperados.
Label:
strengthens.
This is dangerous.
Fundamental Attribution.
Halo/Horn.
☕ A pessoa vira:
query filter.
🧠 Confirmation Bias e AI
Agora:
zona moderna.
Prompt:
“Explique por que Db2 provavelmente causou o incidente.”
A IA:
faz exatamente isso.
E talvez faça:
muito bem.
O problema:
não é IA.
É:
pergunta.
🤖 LLMs são excelentes em construir argumentos plausíveis
Portanto:
não use apenas como:
advogado.
Use como:
adversário.
🧠 Prompt melhor
Avalie as hipóteses:
- Db2
- API externa
- MQ
- rede
Para cada uma, liste:
- evidências a favor
- evidências contra
- fatos não explicados
- teste que poderia refutá-la
Agora:
muito mais interessante.
🎯 Pergunta Bellacosa nº 13
“Estou pedindo análise ou justificativa?”
🧠 Confirmation Bias e RAG
Search query:
DB2 incident payment latency
Results:
Db2.
Surprise.
Se busca:
payment latency retries queue growth
espaço:
mais aberto.
☕ Query contém:
viés.
Banco de dados não:
reclama.
🧠 Confirmation Bias e AIOps
Classifier:
Db2 82%.
Operator:
opens Db2.
Finds:
warnings.
Confidence:
increases.
Mas:
machine and human
may use:
same source.
This is not:
independent confirmation.
🎯 Pergunta Bellacosa nº 14
“Essas confirmações são independentes ou todas derivam do mesmo dado?”
Importantíssima.
🧠 Três dashboards, uma fonte
RMF → dashboard A.
RMF → dashboard B.
RMF → AI model.
Three outputs.
One sensor.
Don't count:
☕ COUNT(DASHBOARDS)
não é:
COUNT(INDEPENDENT_SOURCES).
🧠 Confirmation Bias e histórico
Historical RCA says:
Db2.
Current incident resembles.
Search old tickets tagged Db2.
Finds:
Db2.
But old labels may:
already be biased.
Circular confirmation.
🎯 Pergunta Bellacosa nº 15
“O histórico que usamos para confirmar esta hipótese foi classificado usando o mesmo raciocínio?”
🧠 Feedback loop em IA
OLD RCA LABEL
↓
TRAINING DATA
↓
MODEL PREDICTS SAME LABEL
↓
HUMAN ACCEPTS
↓
NEW RCA LABEL
↓
MORE TRAINING DATA
Isso é:
Confirmation Bias industrializado.
☕ Um erro histórico pode:
ganhar GPU.
🧠 Confirmation Bias e segurança
Analista acredita:
APT.
Procura:
PowerShell.
Encontra.
But PowerShell:
common.
Need:
base rate.
Context.
🧠 Base rate
Se signal:
common in healthy population,
weak evidence.
🎯 Pergunta Bellacosa nº 16
“Quão raro esse sinal realmente é?”
🧠 Security example
Alert:
failed logins.
Could mean:
attack.
Could mean:
password expired.
Need:
alternative hypotheses.
🧠 Confirmation Bias e fraude
Fraud analyst:
transaction suspicious.
Then every unusual action:
supports fraud.
Maybe:
traveling customer.
Again.
🧠 The hypothesis matrix
One of best tools.
EVIDENCE DB2 API MQ
Lock + 0 0
Early timeout - + 0
Queue growth 0 + +
Non-DB2 affected - + 0
Now:
explicit comparison.
☕ Uma hipótese sozinha
vence sempre.
Dê:
concorrentes.
🧠 Differential diagnosis
Medicine understands.
IT should:
steal shamelessly.
🎯 Pergunta Bellacosa nº 17
“Quais outras causas explicariam esses mesmos sintomas?”
🧠 Confirmation Bias e stop criteria
If we keep searching until:
find confirmation,
we will:
find.
Need:
predefined criteria.
🧠 Before test
Write:
If H1 true:
expect X.
If false:
expect Y.
Then:
test.
☕ Predeclare expected result
before:
seeing result.
Reduces:
rationalization.
🎯 Pergunta Bellacosa nº 18
“Antes do teste, registramos o que nos faria abandonar a hipótese?”
🧠 Interpretation elasticity
Danger:
whatever happens:
fits.
CPU up?
Db2.
CPU normal?
Db2 waiting.
Network normal?
Db2.
Network bad?
Db2 causing retries.
If everything:
supports,
nothing tests.
☕ Hipótese de borracha
esticando para caber:
em qualquer evidência.
🧠 Confirmation Bias e statistical cherry-picking
No need:
academic.
Simple:
choose:
time window;
metric;
customer segment;
baseline
that supports.
Sometimes:
unconscious.
🎯 Pergunta Bellacosa nº 19
“Por que escolhemos exatamente esse período, essa métrica e essa amostra?”
🧠 Confirmation Bias e visualization
Y-axis zoomed.
Spike:
dramatic.
Full scale:
small.
Charts can:
persuade.
Not lie exactly.
Frame.
☕ Gráfico também:
conta histórias.
🧠 Confirmation Bias e postmortem
After outcome known:
look back.
Pick events:
support final cause.
Hindsight Bias.
Narrative Bias.
Need:
preserve decision timeline.
🧠 What we believed when
Important:
02:30 H1 Db2 40%
02:40 API evidence found
02:45 H1 Db2 20%
Then:
learning.
🎯 Pergunta Bellacosa nº 20
“Estamos reconstruindo o raciocínio real ou escrevendo uma história elegante depois de saber o final?”
🧠 Confirmation Bias e Outcome Bias
Next chapter perhaps.
If risky change works:
we say:
“see? safe.”
One success:
confirms.
If fails:
opponents:
“see? dangerous.”
Outcome Bias + Confirmation.
☕ Um único resultado
pode alimentar:
duas religiões diferentes.
🧠 Confirmation Bias e Self-Serving
Success:
skill.
Failure:
context.
Then:
memory selects.
🧠 Confirmation Bias e Risk Compensation
Control introduced.
No incidents:
confirmation.
Team takes more risk.
Maybe risk hidden.
🎯 Pergunta Bellacosa nº 21
“Estamos confirmando que o controle funciona ou apenas observando que ainda não falhou?”
🧠 Confirmation Bias e backup
Backup:
green 365 days.
Belief:
safe.
Restore?
Never.
Logs:
confirm backup.
But objective:
recover.
Classic.
☕ Backup report confirma:
backup.
Não:
restore.
🧠 Confirmation Bias e DR
Tabletop exactly follows:
runbook.
Pass.
Confirms.
But real disaster:
different.
Need:
variation.
Challenge assumptions.
🎯 Pergunta Bellacosa nº 22
“Nosso teste foi construído para validar o plano ou para desafiar o plano?”
🧠 Confirmation Bias e training
Employee believes:
knows COBOL.
Course score:
95%.
Confirms.
Production challenge:
different.
Need:
labs.
🧠 Certification as evidence
Useful.
Not complete.
Metric Fixation.
☕ Badge diz:
“passou.”
Não:
“já viu todos os gremlins.”
🧠 Confirmation Bias em benchmark de IA
Model:
great benchmark.
We believe:
excellent.
Ignore:
real domain failures.
Again:
proxy.
🎯 Pergunta Bellacosa nº 23
“Estamos escolhendo avaliações que favorecem o modelo que já queríamos selecionar?”
🧠 Confirmation Bias e leadership
Leader says:
Db2.
Team wants:
please.
Evidence:
aligned.
Authority Bias.
Potential:
groupthink.
🧠 Speak-last rule
Leader:
listen first.
Then:
opinion.
Great.
☕ Quem tem mais autoridade
deveria ter:
mais cuidado
com a primeira frase.
🎯 Pergunta Bellacosa nº 24
“A equipe concorda porque viu a mesma evidência ou porque ouviu a mesma autoridade?”
🧠 Confirmation Bias e psychological safety
If challenging senior:
costly,
contra-evidence:
stays silent.
Now:
confirmation appears:
stronger.
Not because:
no contradiction.
Because:
contradiction suppressed.
☕ Silêncio não é:
consenso.
Às vezes:
é organograma.
🧠 Confirmation Bias e vendor
Client believes:
vendor fault.
Vendor believes:
client.
Both:
collect evidence.
Need:
shared timeline.
Independent instrumentation.
🎯 Pergunta Bellacosa nº 25
“Quem se beneficia se esta hipótese for aceita?”
Not automatic guilt.
But:
context.
🧠 Confirmation Bias e Principal-Agent
Incentives:
shape search.
Important.
🧠 Confirmation Bias e Campbell
If metric rewards:
certain root category,
pressure.
🧠 Confirmation Bias e Goodhart
If KPI:
low change failure,
teams classify:
incidents unrelated.
Now:
data confirms:
good changes.
Circular.
☕ Classificação também pode:
ser gaming.
🧠 Confirmation Bias em produção real
Imagine:
change 23:00.
Incident 23:15.
Everyone:
change.
Rollback.
Incident stays.
Now:
what?
If attached:
change,
may say rollback incomplete.
Maybe:
unrelated.
Need:
reopen.
🎯 Pergunta Bellacosa nº 26
“Qual evidência faria aceitarmos coincidência?”
🧠 Correlation vs causation
Still.
Important.
🧠 Confirmation Bias e code comments
Comment:
* FIX FOR DB2 ISSUE
Future developer:
assumes.
Maybe:
not.
Comments can:
anchor + confirm.
☕ Comentário velho
é:
opinião com fossilização.
🧠 Git history as evidence
Check:
why change?
Ticket?
Test?
Useful.
🧠 Confirmation Bias e documentation
Documentation may:
encode old theory.
Question.
🎯 Pergunta Bellacosa nº 27
“Esse documento descreve comportamento observado ou uma explicação histórica nunca revalidada?”
🧠 Confirmation Bias e Cultural Debt novamente
“Nunca altere esse módulo.”
Why?
Old outage.
Maybe:
cause wrong.
Fear:
confirmed by every avoided change.
No new evidence because:
nobody tests.
Self-sealing belief.
☕ Não mexemos porque:
é perigoso.
Como sabemos?
Porque:
nunca mexemos.
Maravilhoso circuito lógico.
🧠 Self-sealing beliefs
A belief structured so:
lack of challenge
becomes evidence.
Danger.
🎯 Pergunta Bellacosa nº 28
“Nossa crença impede justamente o experimento que poderia testá-la?”
🧠 Confirmation Bias e observability design
We instrument:
what we think important.
Then data says:
those things matter.
Why?
Because:
that's what measured.
McNamara.
Streetlight.
☕ Telemetria também:
herda hipótese.
🧠 Confirmation Bias e incident dashboards
If dashboard built:
Db2-centric,
incident appears:
Db2-centric.
Design:
matters.
🧠 End-to-end tracing
Better:
follow transaction.
Not:
component belief.
🎯 Pergunta Bellacosa nº 29
“Nossa observabilidade foi desenhada para o sistema real ou para a arquitetura mental que tínhamos quando o dashboard foi criado?”
🧠 Confirmation Bias e AI agents
Agent hypothesis:
Db2.
Then tool calls:
Db2.
Returns:
Db2 info.
Agent confidence:
rises.
This is:
tool-use feedback loop.
Need:
exploration policy.
🤖 Agent anti-confirmation
Require:
at least one disconfirming tool query.
At least:
one alternative hypothesis.
Very good.
🧠 Human-in-the-loop
Ask human:
what unexplained?
Useful.
🎯 Pergunta Bellacosa nº 30
“O agente possui um mecanismo para procurar deliberadamente evidência contra sua própria hipótese?”
🧠 Confirmation Bias e search engines
Search:
“why mainframes are obsolete”
Find:
arguments.
Search:
“why mainframes are essential”
Find:
arguments.
Search query:
decides:
universe.
☕ Internet é grande o suficiente
para confirmar:
quase qualquer coisa.
🧠 Better research query
“What are strengths, weaknesses and current use cases of mainframes?”
Neutraler.
🧠 Confirmation Bias e news
Same.
But let's stay:
mainframe.
🧠 Confirmation Bias e DBA vs app team
DBA:
“app.”
App:
“DB.”
Each:
protects domain.
Self-serving.
Need:
cross-team.
🎯 Pergunta Bellacosa nº 31
“Estamos procurando causa ou procurando inocência da nossa própria camada?”
🧠 Confirmation Bias e RCA blame
A person:
mistake.
Search:
their past mistakes.
Now:
“pattern.”
Maybe:
not.
Fundamental Attribution.
🧠 Blameless approach
Focus:
system.
☕ Você não precisa absolver pessoa
para:
entender contexto.
🧠 Confirmation Bias e hiring
Candidate with famous company.
We expect:
good.
Interpret answers:
favorably.
Halo.
Opposite too.
Not technical incident, but same mechanism.
🧠 Confirmation Bias e estimates
We believe:
project simple.
Then:
count only known tasks.
Unknowns:
ignored.
Planning fallacy.
🎯 Pergunta Bellacosa nº 32
“Nossa estimativa inclui aquilo que pode provar que o projeto é mais complexo do que gostaríamos?”
🧠 Confirmation Bias e No-Go
Team wants launch.
Evidence:
pass.
Fail:
exception.
Need:
predefined no-go.
This is:
cognitive forcing.
🧠 Precommitment
Define:
before:
emotion.
☕ Regra escrita ontem
pode proteger:
do cérebro de hoje.
🧠 Confirmation Bias e checklists
Checklist ensures:
look at:
contrary dimensions.
But beware:
box-ticking.
Need:
meaning.
🧠 Two-column checklist
SUPPORTS | CONTRADICTS
Simple.
🎯 Pergunta Bellacosa nº 33
“Qual é nossa melhor evidência contra a hipótese principal?”
If answer:
none,
ask:
why.
🧠 Confirmation Bias e confidence calibration
Use:
percentage maybe.
But avoid fake precision.
Maybe:
Low/Medium/High.
Update:
when new evidence.
🧠 Confidence should move both ways
Not only:
up.
☕ Hipótese também precisa:
saber perder.
🧠 Confirmation Bias e decision hygiene
A few excellent habits:
facts first
hypotheses later
independent opinions
contrary evidence
source provenance
baseline
timeline
re-estimation
🧠 Bellacosa Anti-Confirmation Protocol
Passo 1
Declare:
what you believe.
H1: Db2.
Passo 2
Declare:
why.
Passo 3
List:
at least two alternatives.
Passo 4
Write:
what would falsify H1.
Passo 5
Search:
contrary evidence first.
Passo 6
Compare:
baseline.
Passo 7
Check:
independent sources.
Passo 8
Ask:
someone unanchored.
Passo 9
Update:
confidence.
Passo 10
Reward:
being disproved early.
☕ Regra central
Ser refutado às 03:10 é muito mais barato que ser refutado às 07:30 por produção.
📋 Checklist Bellacosa anti-Confirmation Bias
[ ] Qual é nossa hipótese?
[ ] Que evidência a favor existe?
[ ] Que evidência contra existe?
[ ] Procuramos ativamente contradições?
[ ] Temos hipóteses concorrentes?
[ ] A evidência é independente?
[ ] Comparámos com baseline?
[ ] A timeline é consistente?
[ ] Há fatos não explicados?
[ ] O título do ticket nos ancorou?
[ ] O senior falou primeiro?
[ ] A IA recebeu a hipótese como fato?
[ ] O fix testou causalidade?
[ ] Existe incentivo para essa causa ser verdadeira?
[ ] Sabemos o que nos faria mudar de ideia?
🧠 Bellacosa Evidence Card
HYPOTHESIS:
_____________________________
SUPPORT:
_____________________________
CONTRADICTIONS:
_____________________________
ALTERNATIVES:
_____________________________
BASELINE:
_____________________________
INDEPENDENT SOURCES:
_____________________________
WOULD FALSIFY:
_____________________________
CONFIDENCE:
LOW / MEDIUM / HIGH
👻 Easter Egg nº 2 — o SQL do viés
Nosso jovem encontra:
SELECT *
FROM EVIDENCE
WHERE SUPPORTS_DB2 = 'Y';
Doctor:
— Problema?
— Sim.
Ele altera:
SELECT *
FROM EVIDENCE
ORDER BY EVENT_TIMESTAMP;
Doctor sorri.
— Agora?
Nosso jovem:
— Agora deixamos os dados falar antes da hipótese.
— Excelente.
🧠 O Teste do Inimigo
Imagine que:
você precisa provar:
sua própria hipótese errada.
Que evidência usaria?
Esse exercício:
é fantástico.
🧠 O Teste do Outro Time
Dê:
facts only.
Pergunte:
root hypothesis.
Compare.
🧠 O Teste do Dado Feio
Qual evidência:
mais atrapalha sua história?
Comece:
por ela.
🎯 Pergunta Bellacosa nº 34
“Qual fato eu gostaria secretamente que não existisse?”
Essa pergunta:
vale ouro.
🧠 Confirmation Bias e curiosity
Curiosidade genuína:
antídoto.
Instead:
“What confirms?”
Ask:
“What surprises?”
☕ O dado que surpreende
talvez seja:
o mais valioso.
🧠 Surprise is information
If model predicted:
A.
Observed:
B.
Don't rationalize.
Update:
model.
🧠 Engineer maturity
Junior:
tries to prove:
first guess.
Senior:
tries to break:
first guess.
Master:
enjoys when evidence:
forces new model.
☕ Porque:
estar certo
é bom.
Aprender algo novo:
melhor.
🕰️ De volta à War Room
03:44.
Nosso jovem escreve:
H1 DB2
H2 API
H3 MQ
H4 NETWORK
Then:
SUPPORT / CONTRADICT
DBA:
— Lock real.
Support Db2.
App:
— Timeout began 9 minutes earlier.
Contradict Db2 trigger.
Network:
— normal.
Contradict network.
MQ:
— queue increase after retries.
Supports API/retry.
Now:
investigation changes.
🔧 Resultado
External API latency:
trigger.
Retry mechanism:
amplifier.
Db2 lock:
secondary consequence.
All evidence:
real.
But meaning:
different.
☕ Essa é a parte importante
Confirmation Bias não necessariamente cria dados falsos. Ele pode criar interpretação falsa usando dados completamente verdadeiros.
Essa frase merece:
placa.
🧠 Data versus meaning
Logs:
fact.
Causal role:
interpretation.
Separate.
🎯 Pergunta Bellacosa nº 35
“O que é dado e o que é inferência nesta conclusão?”
👻 Easter Egg final — BELLACOSA.BIAS
No member:
BELLACOSA.BIAS(CONFIRMATION)
Código:
IF HYPOTHESIS-EXISTS = 'Y'
PERFORM SEARCH-SUPPORT
PERFORM SEARCH-CONTRADICTION
PERFORM GENERATE-ALTERNATIVES
END-IF.
IF CONTRADICTING-EVIDENCE > ZERO
DISPLAY
'DO NOT MOVE TO NOISE WITHOUT REVIEW'
END-IF.
IF TEAM-SAYS 'ISSO CONFIRMA'
PERFORM ASK-WHAT-WOULD-REFUTE
END-IF.
IF ONLY-SUPPORT-WAS-SEARCHED = 'Y'
MOVE 'BIASED'
TO INVESTIGATION-STATUS
END-IF.
Comentários:
* DO NOT ASK ONLY:
* WHY AM I RIGHT?
Outro:
* ASK:
* HOW COULD I BE WRONG?
Outro:
* TRUE DATA
* CAN SUPPORT
* WRONG STORIES.
Outro:
* THREE DASHBOARDS
* FED BY ONE SENSOR
* ARE STILL
* ONE SOURCE.
E naturalmente:
* DALEK THEORY:
* THE DOCTOR IS WRONG.
*
* DATASET:
* ONLY EVIDENCE
* SELECTED BY DALEKS.
Nosso jovem fecha:
o member.
Ri.
🧬 Regeneração organizacional
Uma organização madura não:
tenta eliminar Confirmation Bias.
Impossível.
Ela cria:
sistemas que dificultam:
sua vitória.
Facts first.
Independent review.
Alternative hypotheses.
Contradiction fields.
Base rates.
Timelines.
Fresh eyes.
Predefined criteria.
Blameless challenge.
Ela permite que alguém diga:
“Nossa hipótese favorita está errada.”
Sem:
drama.
Sem:
perda de status.
Sem:
“quem errou?”
Porque entende:
mudar de hipótese diante de evidência nova não é falha da investigação. É exatamente o comportamento que uma boa investigação deveria produzir.
📓 Diário do Doctor
Se guardar algumas coisas desta viagem:
Confirmation Bias é a tendência de procurar, lembrar e interpretar evidências de maneira consistente com crenças já existentes.
Ele pode afetar busca, atenção, memória, interpretação e comunicação.
Anchoring frequentemente cria a primeira hipótese que Confirmation Bias passa a proteger.
Recency Bias, Availability e Representativeness ajudam certas hipóteses a parecerem mais naturais.
Streetlight Effect determina onde procuramos.
Search Satisfaction faz um achado favorável reduzir a vontade de continuar.
Premature Closure transforma hipótese plausível em conclusão cedo demais.
Diagnosis Momentum distribui a conclusão pela organização.
Narrative Bias monta uma história coerente usando os findings favoráveis.
Metric Fixation pode fazer indicadores favoráveis parecerem mais confiáveis do que evidências qualitativas contrárias.
McNamara Fallacy pode excluir justamente aquilo que não é fácil de medir.
Goodhart e Campbell podem criar incentivos para selecionar classificações ou dados convenientes.
Sunk Cost e Escalation of Commitment tornam evidências contrárias psicologicamente caras.
A IA pode ser ancorada e induzida a confirmar a hipótese contida no prompt.
Múltiplas evidências derivadas da mesma fonte não são independentes.
Um finding verdadeiro pode sustentar uma interpretação causal errada.
E principalmente:
uma boa investigação não mede sua qualidade pela quantidade de evidências que conseguiu reunir a favor da hipótese; mede pela capacidade dessa hipótese de sobreviver às melhores evidências encontradas contra ela.
🥚 Último Easter Egg
Antes de entrar na TARDIS, o Doctor pergunta:
— Você quer estar certo?
Nosso jovem responde:
— Claro.
Doctor:
— Péssima prioridade.
— Como assim?
— Queira descobrir o que aconteceu.
— E se eu estiver errado?
Doctor abre a porta.
— Melhor ainda.
— Melhor?
“Significa que a realidade acabou de lhe ensinar algo que sua hipótese ainda não sabia.”
VWORP.
VWORP.
VWORP.
A TARDIS desaparece.
No quadro fica:
“Não procure provas de que está certo. Procure boas oportunidades de descobrir que está errado.”
E talvez essa seja a essência do Confirmation Bias no Bellacosa Mainframe:
a investigação começa com uma hipótese, mas só se torna engenharia quando essa hipótese recebe permissão real para morrer.
☕🌀
Próxima parada: Outcome Bias — quando uma decisão ruim termina bem, todo mundo passa a chamá-la de genial; e quando uma decisão boa termina mal por azar, todos juram que ela sempre foi irresponsável.
