☕ Um Café no Bellacosa Mainframe
Gostou do conteúdo? Ajude a manter o café quente, o COBOL compilando e o mainframe acordado. 😄
☕ Pague um café ao Bellacosa

Translate

Mostrar mensagens com a etiqueta Confirmation Bias. Mostrar todas as mensagens
Mostrar mensagens com a etiqueta Confirmation Bias. Mostrar todas as mensagens

sexta-feira, 1 de setembro de 2017

Rooney Invadiu a Casa Errada — Quando o Blue Team Vira o Próprio Incidente

 

Bellacosa Mainframe e o blue team 

☕ Um Café no Bellacosa Mainframe — Especial Red Team

Rooney Invadiu a Casa Errada — Quando o Blue Team Vira o Próprio Incidente

🕵️ Tunnel vision, confirmation bias e o investigador que fica tão obcecado pelo atacante que começa a quebrar controles 

Existe um momento em Curtindo a Vida Adoidado em que o diretor Rooney deixa de ser apenas o homem tentando descobrir se Ferris matou aula.

Ele atravessa uma linha.

A investigação deixa de ser investigação.

Vira obsessão.

A suspeita deixa de ser hipótese.

Vira certeza.

E, a partir daí, qualquer fato novo precisa se encaixar numa conclusão já pronta:

Ferris é culpado.

Se uma evidência aponta para isso, ótimo.

Se não aponta, então provavelmente é mais uma prova de como Ferris é inteligente.

Essa lógica é maravilhosa porque é quase impossível perder.

E justamente por isso é perigosíssima.

Rooney começa querendo descobrir a verdade.

Termina disposto a atropelar processo, contexto, prudência e, em determinado momento, praticamente a própria dignidade para provar que estava certo desde o início.

Bem-vindo ao nono episódio de:

SAVE FERRIS — Red Team para Quem Aprendeu que o Sistema Também Mata Aula

Hoje o atacante quase pode descansar.

Porque o Blue Team resolveu fazer metade do trabalho por ele.


🔵 O Blue Team também é humano

Nós falamos muito sobre comportamento do atacante.

Criatividade.

Persistência.

Engenharia social.

OSINT.

Mas existe outro lado.

Quem defende também pensa.

Interpreta.

Erra.

Fica cansado.

Fica irritado.

Cria hipóteses.

Se apaixona por elas.

E, sob pressão, pode transformar uma investigação numa máquina de confirmar aquilo que já acredita.

É aí que Rooney entra em produção.


🧠 Confirmation Bias: “Eu sabia!”

Confirmation Bias é a tendência de buscar, interpretar e valorizar informações que confirmam aquilo que já acreditamos.

Rooney acredita que Ferris está fraudando tudo.

Então o mundo começa a ser filtrado por essa certeza.

Qualquer comportamento estranho?

Ferris.

Qualquer inconsistência?

Ferris.

Qualquer explicação alternativa?

Provavelmente armadilha do Ferris.

Isso é perigosíssimo em segurança.


🚨 O alerta que virou religião

Imagine um SOC.

Um analista vê:

03:14 Login Failure
03:15 Login Success
03:17 Query Sensível

Hipótese inicial:

conta comprometida.

Ótimo.

Hipótese é necessária.

O problema começa quando hipótese vira sentença.

A partir daí:

novo login?

comprometimento.

Mudança de senha?

tentativa de persistência.

Usuário afirma que foi ele?

engenharia social.

Gerente confirma?

talvez também esteja comprometido.

Agora temos um sistema fechado.

Tudo confirma tudo.


☕ Hipótese não é conclusão

Esse ponto deveria ser repetido em toda War Room.

Uma hipótese serve para orientar investigação.

Não para encerrá-la.

O processo deveria parecer:

Hipótese
 ↓
Evidência
 ↓
Teste
 ↓
Contradição
 ↓
Revisão

Mas Rooney faz:

Hipótese
 ↓
Certeza
 ↓
Caça seletiva por evidência
 ↓
Certeza maior

Isso não é investigação.

É fanfic operacional.


🔎 Tunnel Vision: quando o mundo desaparece ao redor

Tunnel vision acontece quando alguém se concentra tanto numa explicação que deixa de enxergar alternativas.

Rooney vê Ferris.

Só Ferris.

O resto vira ruído.

Em segurança, isso pode ser desastroso.

Equipe investiga malware.

Enquanto o problema real é credencial.

Investiga insider.

Enquanto o vetor foi fornecedor.

Investiga ataque externo.

Enquanto a falha foi integração.

Investiga ransomware.

Enquanto o que houve foi erro de configuração.

O custo não é apenas epistemológico.

É operacional.

Enquanto você procura no lugar errado, o problema real continua vivo.


🧠 O atacante pode explorar isso

Agora a coisa fica interessante.

Se o atacante perceber que o defensor está convencido de determinada narrativa, pode alimentar essa narrativa.

Isso é quase uma forma de engenharia social defensiva invertida.

Você oferece pistas que parecem confirmar a hipótese errada.

Blue Team corre atrás.

Atacante trabalha em outro lugar.


🎭 Decoy mental

Não precisa ser tecnologia sofisticada.

Pode ser:

um artefato chamativo;

um IOC óbvio demais;

um usuário “suspeito”;

um arquivo com nome sugestivo;

uma ferramenta conhecida;

qualquer coisa capaz de capturar atenção.

O defensor vê aquilo e pensa:

“É isso!”

E pronto.

Rooney encontrou Ferris.

Ou acha que encontrou.


🔴 Quando o investigador começa a quebrar controles

Essa é a parte mais perigosa.

Rooney começa a justificar decisões ruins porque acredita que o objetivo é importante.

Em segurança, isso acontece quando alguém pensa:

“Precisamos agir rápido.”

Então:

desabilita controle;

pula aprovação;

faz mudança direta;

executa script não testado;

bloqueia usuário crítico;

mata processo;

derruba serviço;

apaga evidência;

tudo em nome da resposta.

Blue Team vira incidente.


💣 A contenção derrubou produção

Clássico.

Atacante faz uma coisa.

Resposta faz dez.

Exemplo:

possível comprometimento numa conta.

Em vez de conter cuidadosamente, equipe revoga dezenas de acessos sem mapear dependências.

Resultado:

serviços caem.

Batch falha.

APIs param.

Job crítico não roda.

O atacante talvez nem precisasse fazer tudo isso.

O defensor completou o serviço.


☕ “Mas precisávamos fazer alguma coisa!”

Isso nos leva a outro viés.

Action Bias.

Mesmo não estando na lista principal, ele caminha ao lado de Rooney.

Sob pressão, fazer alguma coisa parece melhor do que aguardar evidência.

Mas ação sem modelo pode piorar.

Às vezes a melhor resposta é observar por mais alguns minutos.

Coletar.

Validar.

Conter com precisão.

Não sair batendo em tudo.


🔁 Plan Continuation Bias: o plano já não funciona, mas seguimos

Agora entramos numa das joias.

Plan Continuation Bias.

Você começa com um plano.

O contexto muda.

Novas evidências mostram que talvez esteja errado.

Mas você continua.

Por quê?

Porque já investiu.

Porque já anunciou.

Porque mudar parece fraqueza.

Rooney domina isso.

Ele começou perseguindo Ferris.

Cada fracasso deveria fazê-lo reconsiderar.

Mas produz efeito oposto.

Quanto mais dá errado, mais ele insiste.


🧠 O plano vira identidade

Isso acontece em War Rooms.

Alguém diz:

“O problema é o firewall.”

A equipe começa.

Quarenta minutos depois, nada.

Mas agora a investigação “é sobre firewall”.

Então todo mundo continua.

Mais uma hora.

Nada.

Mudar de hipótese começa a parecer admitir incompetência.

Isso é veneno.


🔥 Sunk Cost Fallacy: já gastamos demais para parar

Sunk Cost Fallacy entra logo depois.

Você já investiu:

tempo;

energia;

capital político;

reputação.

Então sente que precisa continuar.

Rooney já atravessou tanto desconforto perseguindo Ferris que parar seria reconhecer que tudo foi em vão.

Então continua.

Em segurança:

“Já estamos há seis horas investigando isso.”

Isso não é razão para continuar.

É apenas histórico.


☕ Passado não valida hipótese

Essa frase vale ouro.

Ter investido dez horas numa teoria não a torna mais verdadeira.

Talvez apenas torne o erro mais caro.

A decisão correta precisa considerar evidência atual.

Não ego acumulado.


👔 Authority Gradient: ninguém contradiz Rooney

Agora temos outro problema.

Rooney é diretor.

Autoridade.

Pessoas abaixo podem hesitar em contestar.

Isso é Authority Gradient.

Quanto maior a distância percebida de poder, menor a chance de alguém dizer:

“Chefe, talvez estejamos errados.”

Em aviação, medicina e operações críticas, isso é conhecido há décadas.

Em cybersecurity também deveria ser.


🧠 A frase mais importante numa War Room

Talvez seja:

“Não concordo com essa hipótese.”

Mas cultura precisa permitir isso.

Se discordar de líder causa punição, ninguém desafia.

O erro cresce.

Rooney continua andando.

E todo mundo assiste.


🔵 Blue Team precisa de dissenso estruturado

Não basta dizer:

“Pode falar.”

É preciso criar mecanismo.

Exemplo:

a cada 30 minutos, alguém assume papel de challenger.

Pergunta:

qual evidência contradiz nossa teoria?

qual hipótese alternativa existe?

o que estamos ignorando?

que ação nossa está criando risco?

Isso reduz tunnel vision.


🎯 Red Team pode ajudar Blue Team a pensar melhor

Red Team não serve apenas para explorar tecnologia.

Pode testar processo cognitivo.

Como equipe reage a pistas conflitantes?

Como muda hipótese?

Quem desafia liderança?

Existe espaço para dizer “não sabemos”?

Isso é maturidade operacional.


🧠 Outcome Bias: deu certo, então a decisão foi boa

Outro clássico.

Suponha que Rooney faça algo absurdo.

Por acaso, encontra Ferris.

Depois todos dizem:

“Viu? Funcionou.”

Isso é Outcome Bias.

Confundir resultado com qualidade da decisão.

Uma decisão ruim pode ter bom resultado.

Uma decisão boa pode ter mau resultado.

Processo precisa ser avaliado pelo que era conhecido no momento.


☕ Acertei pelo motivo errado

Isso acontece muito em incidente.

Alguém reinicia servidor.

Problema some.

Conclusão:

“Era o servidor.”

Talvez.

Ou talvez restart apenas mascarou.

Mas como melhorou, a ação ganha legitimidade retroativa.

Perigoso.


🧪 Correlation não é causation, Rooney

Se duas coisas acontecem juntas, não significa que uma causou outra.

Ferris aparece.

Sistema muda.

Rooney conecta.

Talvez correto.

Talvez não.

Segurança precisa trabalhar com evidência.

Não narrativas bonitas.


🧠 Narrativas são sedutoras

Incident response adora histórias limpas.

“Atacante entrou aqui, fez isso, foi detectado, bloqueamos.”

Realidade é bagunçada.

Logs faltam.

Horários divergem.

Usuários lembram mal.

Sistemas não sincronizam.

Se uma história fica perfeita cedo demais, desconfie.

Talvez estejamos preenchendo lacunas com imaginação.


🔎 Premature Closure

Outro viés importante.

Encerrar investigação cedo porque encontramos explicação que parece boa o suficiente.

“Foi phishing.”

Fim.

Mas qual phishing?

Quem clicou?

Qual credencial?

Qual caminho?

Houve persistência?

Outros usuários?

Se você fecha cedo, pode deixar atacante dentro.


🔁 Diagnosis Momentum

Uma hipótese ganha etiqueta.

Depois vira verdade institucional.

Primeiro analista escreve:

“Possible credential theft.”

Segundo lê e assume:

“Credential theft confirmed.”

Terceiro adiciona:

“Known credential theft incident.”

Agora ninguém sabe de onde saiu a certeza.

Rooney em escala corporativa.


🧾 O ticket também pode criar viés

A primeira descrição de um incidente influencia toda a investigação.

Se o ticket chega como:

“Malware no servidor X.”

Todo mundo começa buscando malware.

Talvez problema nem seja malware.

Por isso linguagem inicial deveria ser neutra.

Exemplo:

“Comportamento anômalo observado no servidor X.”

Menos sexy.

Mais correto.


🦖 No mainframe, Rooney pode ser caríssimo

Imagine z/OS.

Uma suspeita.

Alguém decide:

“É esse job.”

Então mata job.

Depois bloqueia usuário.

Depois altera RACF.

Depois cancela started task.

Depois derruba região CICS.

Resultado:

incidente de segurança virou indisponibilidade operacional.

No mainframe, mudanças impulsivas podem ter efeito gigantesco.


🔐 Não use REVOKE como martelo universal

Revogar usuário pode ser necessário.

Mas pergunte:

essa conta é humana?

técnica?

usada por batch?

serviço?

integração?

Bloquear sem contexto pode quebrar cadeia crítica.

Ferris nem precisa tocar produção.

Rooney faz.


🧠 O velho problema da conta compartilhada

Se você vê atividade suspeita numa conta técnica e resolve revogar...

pode derrubar dez aplicações.

Isso mostra por que arquitetura ruim aumenta risco de resposta.

Identidade ruim vira contenção difícil.


🚨 Containment precisa ser proporcional

Resposta madura tenta reduzir risco sem aumentar dano desnecessariamente.

Containment pode ser:

isolar host;

limitar token;

desabilitar função específica;

revogar sessão;

bloquear origem;

não necessariamente desligar o mundo.


☕ O atacante adora resposta previsível

Se defensor sempre reage do mesmo jeito, pode ser manipulado.

Atacante faz barulho numa área.

Blue Team concentra tudo lá.

Outro caminho fica livre.

É diversion.

Rooney chasing Ferris.


🎭 Ferris pode fabricar um Rooney

Isso é divertido como conceito.

Um atacante inteligente pode tentar criar pistas para induzir:

overreaction;

culpa interna;

contenção errada;

bloqueio de usuário legítimo.

Isso transforma psicologia defensiva em superfície de ataque.


🧠 Security Operations também tem attack surface

Não apenas ferramentas.

Processos.

Pessoas.

Escalação.

Comunicação.

Pressão.

Tudo pode ser influenciado.

Se um atacante entende como seu SOC trabalha, consegue prever resposta.

Isso é informação valiosa.


📣 Comunicação ruim amplifica viés

War Room com comunicação caótica é terreno fértil.

Mensagens contraditórias.

Hipóteses misturadas com fatos.

Urgência.

Pessoa mais alta falando mais.

Resultado:

certeza falsa.

Por isso é útil separar:

FACTS
HYPOTHESES
ACTIONS
RISKS
UNKNOWN

Visualmente.


🧾 “Fato” precisa ser fato

Exemplo ruim:

“Usuário comprometido.”

Isso já é conclusão.

Melhor:

“Login às 03:14 de novo dispositivo.”

Fato.

Depois:

“Possível comprometimento.”

Hipótese.

Separar isso reduz Rooneyização.


🧠 Unknown é categoria legítima

Muitas equipes odeiam dizer:

“Não sabemos.”

Mas “não sabemos” é honestidade operacional.

Muito melhor que preencher lacuna com certeza falsa.

Rooney não tolera incerteza.

E por isso se complica.


🔴 Overconfidence Bias

Quanto mais especialista alguém se sente, mais pode superestimar certeza.

Veterano olha:

“Já vi isso cem vezes.”

Talvez.

Mas o 101º pode ser diferente.

Experiência ajuda.

Mas também cria atalhos mentais.


☕ O cérebro otimiza investigação

Heurísticas existem por motivo.

Não dá para analisar tudo do zero.

Mas em cenário adversarial, atacante pode explorar padrões do defensor.

Se sabe como o SOC classifica eventos, pode tentar imitar normalidade.

Ou provocar ruído específico.


🤖 Automation Bias: o SIEM disse que é crítico

Agora Rooney ganha dashboard.

O sistema classifica:

SEVERITY: CRITICAL
CONFIDENCE: 98%

Pronto.

A equipe aceita.

Mas:

como score foi calculado?

quais dados?

qual contexto?

falso positivo?

Automation Bias é aceitar recomendação automática sem questionar.

Ferris moderno adoraria isso.


🧠 A máquina também pode ter tunnel vision

Modelos e regras refletem seus dados.

Se detecção procura apenas certos padrões, atacante pode operar fora deles.

O sistema diz:

“Sem ameaça.”

Não significa:

“Sem ataque.”

Assim como Rooney dizer:

“É Ferris.”

Não torna Ferris automaticamente culpado de tudo.


📊 Dashboard verde, incidente vermelho

Blue Team pode ficar tão preso em ferramenta quanto Rooney fica preso em Ferris.

Dashboard não mostra?

Então não existe.

Essa é versão tecnológica do Confirmation Bias.

A realidade não precisa pedir autorização ao SIEM.


🔎 Base Rate Neglect

Outro viés interessante.

Às vezes equipes superestimam evento raro porque parece dramático.

Um alerta com cara de APT recebe toda atenção.

Enquanto causa comum:

configuração;

credencial reutilizada;

erro operacional;

é ignorada.

Red Team pode usar o fascínio pelo sofisticado contra defesa.


👻 O fantasma do “atacante avançado”

Há uma tendência de imaginar adversário como supergênio.

Então qualquer coisa inexplicável vira:

“APT sofisticado.”

Talvez.

Ou talvez seja DNS.

Às vezes DNS.

Rooney quer Ferris mastermind.

Talvez parte do caos seja banal.


🧠 Occam ajuda, mas cuidado

Explicação simples é útil.

Mas não trate como regra absoluta.

O importante é testar.

Não escolher história mais divertida.


🔄 Plan Continuation na resposta

War Room decide:

“Vamos isolar todos os endpoints.”

Depois percebe que impacto está enorme.

Mas continua porque plano já foi anunciado.

Isso é péssimo.

Plano deve ser adaptável.


🧭 OODA Loop

Observe.

Orient.

Decide.

Act.

Depois observe novamente.

O ciclo importa porque mundo muda.

Rooney falha porque faz:

Decide.

Decide.

Decide.

Sem reorientar.


☕ Red Team é adversarial, Blue Team precisa ser adaptativo

Atacante muda.

Defensor precisa mudar também.

Plano rígido morre em contato com realidade.

Ou com Ferris.


🧠 Pre-Mortem

Uma ferramenta útil.

Antes de ação, pergunte:

“Imagine que isso deu muito errado. O que aconteceu?”

Isso força equipe a pensar em consequências.

Antes de bloquear USER123, por exemplo:

que serviços dependem?

que batch quebra?

que API falha?


🧪 Devil’s Advocate

Outra ferramenta.

Alguém recebe tarefa:

provar que hipótese atual está errada.

Não por ego.

Por método.

Isso combate Confirmation Bias.


🔴 Red Team interno na War Room

Quase literal.

Um participante pode agir como red team cognitivo:

questionar premissas;

simular reação adversarial;

buscar evidência contrária.

Isso é extremamente valioso.


🧠 Checklists reduzem impulso

Sob pressão, cérebro esquece.

Checklist ajuda.

Antes de contenção:

preservamos evidência?

entendemos dependências?

definimos objetivo?

sabemos rollback?

quem aprova?

Isso impede Rooney de entrar pela janela.


🪟 Sim, Rooney entrou na casa errada

A metáfora é perfeita.

Ele acredita tanto na própria história que passa a tratar limites como inconvenientes.

Em segurança, a mesma coisa acontece quando alguém pensa:

“O incidente justifica.”

Não.

Incidente não elimina governança.

Talvez adapte.

Mas não transforma qualquer ação em boa decisão.


⚖️ Autoridade operacional precisa de freios

Quem lidera incidente precisa poder agir.

Mas também precisa ser contestável.

Senão crise vira monarquia.

Ferris agradece.


📣 Psychological Safety

Pessoas precisam conseguir dizer:

“Estamos errados.”

Sem medo.

Isso é segurança operacional real.

Uma equipe que não consegue admitir erro acumula erro.


🧠 Ego é superfície de ataque

Essa frase merece destaque.

Se alguém precisa estar certo, atacante pode explorar.

Provocar.

Desafiar.

Alimentar narrativa.

Fazer defensor exagerar.

Rooney não está apenas investigando Ferris.

Está defendendo seu ego.

A partir daí, perde neutralidade.


🔥 Escalation of Commitment

Quanto mais Rooney investe, mais difícil sair.

Escalation of Commitment é irmão do Sunk Cost.

Você continua comprometendo recursos numa decisão ruim.

Não porque evidência melhorou.

Mas porque desistir dói.


☕ “Já chegamos até aqui”

Uma das frases mais perigosas.

Em investigação:

“Já chegamos até aqui, vamos terminar.”

Talvez não.

Se hipótese morreu, mate com dignidade.


📉 Métricas podem piorar

SOC com KPI de “tempo para fechar incidente” pode incentivar Premature Closure.

KPI de “quantidade de incidentes resolvidos” pode incentivar classificações rápidas.

Goodhart visita Rooney.

Métrica vira alvo.

Processo perde qualidade.


🧠 Incentivos também criam viés

Se analista é premiado por encontrar ameaça, talvez veja ameaça demais.

Se é punido por falso positivo, talvez ignore sinais.

Arquitetura cognitiva inclui incentivos.


🦖 Mainframe War Room sem Rooney

Imagine alerta em Db2.

Acesso incomum.

Equipe deveria perguntar:

qual authid?

qual plan?

qual package?

qual origem?

qual horário?

qual contexto?

qual workload?

Não simplesmente:

“Comprometido!”

Detalhe importa.


🔐 RACF e contexto

Evento de SPECIAL é sério.

Mas:

foi mudança planejada?

emergência?

conta break-glass?

atividade histórica?

Sem contexto, ação pode ser errada.

Logs precisam encontrar processo.


🧾 Change Ticket é contexto

Uma mudança estranha às 02h pode ser ataque.

Ou manutenção aprovada.

O SIEM não sabe sozinho.

Por isso integração operacional é valiosa.

Security precisa conhecer mudança.


🧠 Mas cuidado com normalização de desvio

O oposto também existe.

Se tudo estranho vira “mudança”, atacantes passam.

Equilíbrio.

Não aceitar automaticamente.

Verificar.


☕ Defender não é suspeitar de tudo

Isso também é importante.

Paranoia total destrói operação.

Defesa madura trabalha com evidência e risco.

Não com obsessão.

Rooney é exemplo do que acontece quando suspeita vira identidade.


🔵 Blue Team não precisa “vencer”

Essa é uma mudança cultural importante.

O objetivo não é pegar Ferris a qualquer custo.

É proteger sistema.

Se provar que hipótese estava errada evita dano, isso é vitória.

Admitir erro é sucesso.


🧠 Uma War Room madura muda de ideia rápido

Isso é força.

Não fraqueza.

“Com nova evidência, nossa hipótese mudou.”

Excelente.

É exatamente o que deveria acontecer.


🔎 Evidence-Based Incident Response

Fatos.

Linha do tempo.

Hipóteses testáveis.

Contraprovas.

Ações proporcionais.

Esse é o antídoto Rooney.


📜 Timeline ajuda

Monte cronologia.

03:14 login failure
03:15 login success
03:17 query
03:18 MFA approval
03:20 user call

A sequência reduz narrativas inventadas.


🧩 Graph também ajuda

Quem fez o quê?

Que identidade?

Que sistema?

Que recurso?

Visualizar relações pode desmontar tunnel vision.


🤖 IA pode ajudar — e piorar

IA pode resumir logs.

Correlacionar.

Gerar hipóteses.

Mas também pode reforçar viés se o prompt já vier carregado.

“Explique como Ferris comprometeu o sistema.”

A pergunta já presume culpa.

Melhor:

“Quais hipóteses explicam esses eventos?”

Prompt também pode ser Rooney.


🧠 Framing Effect

A forma como pergunta é feita muda resposta.

“Como o atacante entrou?”

pressupõe que houve atacante.

“Qual a causa provável?”

mais aberta.

Isso vale para humanos e modelos.


☕ A pergunta Bellacosa número 1

Na War Room:

“Qual evidência faria a gente abandonar nossa hipótese atual?”

Se resposta for:

“nenhuma”,

isso não é hipótese.

É fé.


🔴 Pergunta número 2

“O que estamos deixando de observar porque estamos olhando para isso?”

Tunnel vision antidote.


🧠 Pergunta número 3

“Nossa resposta está causando mais impacto que o ataque?”

Dói.

Mas salva.


👔 Pergunta número 4

“Alguém discorda do líder?”

Se ninguém discorda nunca, provavelmente existe Authority Gradient.


🔁 Pergunta número 5

“Estamos continuando porque faz sentido ou porque já investimos demais?”

Sunk Cost detector.


🧪 Tabletop Exercise

Esses vieses podem ser treinados.

Simule incidente com pistas contraditórias.

Veja:

quem muda hipótese?

quem insiste?

quem domina conversa?

quem questiona?

Isso é Red Team de processo.


🧠 Cognitive Red Team

Uma ideia poderosa.

Não atacar só infraestrutura.

Atacar decisões.

Apresentar informação ambígua.

Pressão.

Urgência.

Conflito de sinais.

Ver como equipe reage.


🔴 O atacante real não respeita seu modelo mental

Essa é a grande verdade.

Você pode ter playbook excelente.

Atacante pode agir diferente.

Se equipe só reconhece incidentes que parecem com playbook, fica vulnerável.


🧠 Playbook é guia, não escritura sagrada

Procedimentos ajudam.

Mas precisam permitir adaptação.

Rooney transformaria playbook em mandato.

Não faça isso.


☕ Ferris não precisa ser melhor hacker

Ele só precisa entender Rooney.

Essa frase resume muito.

Se atacante sabe que defensor:

reage a autoridade;

odeia ser contradito;

persegue pistas chamativas;

tem medo de parecer indeciso;

então o ataque ganha nova superfície.

Humana.


🎭 Social Engineering contra o SOC

Imagine alguém ligando para SOC:

“Sou diretor. Preciso que bloqueiem imediatamente essa conta.”

Se processo cede à autoridade, pronto.

Blue Team pode ser manipulado para causar DoS.

A engenharia social não mira só Help Desk.

Pode mirar segurança.


🔐 Segurança também precisa ser autenticada

Quem solicita ação crítica?

Como valida?

Qual canal?

Existe dual approval?

O SOC não deveria obedecer qualquer voz convincente.

Nem Rooney.


💣 Defensive DoS

Um atacante pode tentar fazer defesa bloquear usuários legítimos.

Gerar falsos sinais.

Provocar contenção.

Isso é uma forma interessante de denial of service indireto.

A própria segurança executa.


🧠 Alert Fatigue + Confirmation Bias

Se equipe está cansada, tende a usar atalhos.

Vê padrão familiar.

Classifica rápido.

Isso aumenta viés.

Cansaço é fator de risco.


⏰ Turno de madrugada

Menos pessoas.

Mais pressão.

Menos contexto.

Maior chance de decisões apressadas.

Arquitetura operacional precisa considerar isso.


👥 Pair Analysis

Para incidentes críticos, duas pessoas revisando hipótese pode reduzir erro.

Especialmente antes de ação destrutiva.


🧱 Two-Person Rule para contenção crítica

Bloquear domínio inteiro?

Revogar conta sistêmica?

Derrubar produção?

Talvez exigir dupla validação.

Não porque ninguém confia.

Porque crise distorce julgamento.


☕ Ferris, Rooney e o sistema

Até aqui, nossa série tratou Ferris como atacante criativo.

Mas Rooney revela algo igualmente importante:

defensor também pode introduzir risco.

Isso torna segurança fascinante.

Não existe lado puramente racional.

Todo mundo opera sob informação incompleta.


🧠 Humildade operacional

Uma das melhores características de um bom analista é conseguir dizer:

“Posso estar errado.”

Isso mantém espaço para correção.

Rooney não consegue.

E paga caro.


🔵 Blue Team excelente não é o que nunca erra

É o que detecta o próprio erro rápido.

Recalibra.

Preserva evidência.

Adapta.

Isso é resiliência.


🧠 Feedback Loop

A investigação precisa de feedback.

Ação produz resultado.

Resultado atualiza hipótese.

Se não atualiza, você está só executando ritual.


🔄 Closed Loop Response

Observe
 ↓
Hypothesis
 ↓
Action
 ↓
Measure
 ↓
Reassess

Isso combate Plan Continuation Bias.


🧠 O pior playbook: “eu sabia”

Se depois de tudo a equipe conclui:

“Eu sabia desde o começo”,

cuidado.

Hindsight Bias chegou.

Depois do evento, tudo parece óbvio.

Mas não era.


🕰️ Hindsight Bias

Depois que incidente é entendido:

“Como ninguém viu?”

Porque antes havia centenas de sinais.

Agora escolhemos os três relevantes.

Não humilhe quem não tinha visão futura.

Aprenda.


☕ Postmortem sem caça às bruxas

O objetivo é entender sistema.

Não achar Rooney culpado.

Mesmo Rooney é produto de cultura.

Pressão.

Autoridade.

Incentivos.

Postmortem bom pergunta:

o que tornou essa decisão provável?


🧀 Swiss Cheese também vale para decisões

Viés individual.

Pressão.

Falta de challenger.

Métrica ruim.

Autoridade.

Playbook rígido.

Buracos alinham.

Blue Team vira incidente.


🧠 A cadeia completa

Alerta ambíguo
 ↓
Hipótese precoce
 ↓
Confirmation Bias
 ↓
Authority Gradient
 ↓
Plan Continuation
 ↓
Sunk Cost
 ↓
Ação destrutiva
 ↓
Incidente ampliado

Ferris quase nem aparece.

Rooney faz tudo sozinho.


🎬 Rooney entrou na casa errada

Essa é a beleza narrativa.

Ele acredita estar investigando uma transgressão.

Mas, no processo, começa a transgredir.

Perde perspectiva.

Cruza limites.

A investigação se torna parte do caos.

Essa é a metáfora perfeita para resposta a incidente mal conduzida.


☕ Epílogo: o defensor também precisa de defesa

Nós gastamos fortunas protegendo:

servidores;

identidades;

redes;

mainframes;

APIs.

Mas talvez precisemos proteger também o processo decisório.

Contra:

ego;

pressão;

certeza excessiva;

viés;

hierarquia;

urgência.

Porque atacante não explora apenas software.

Explora comportamento.

Inclusive comportamento do defensor.

Rooney nos ensina que uma certeza forte demais pode ser mais perigosa que uma hipótese fraca.

Que continuar não é necessariamente coragem.

Que autoridade não substitui evidência.

Que resultado bom não transforma decisão ruim em boa.

E que, às vezes, a maior ameaça dentro da War Room é alguém gritando:

“EU SEI QUE É O FERRIS!”

enquanto todo mundo ao redor para de perguntar se isso ainda faz sentido.

Então, da próxima vez que o alerta disparar, antes de invadir a casa errada, pergunte:

O que sabemos?

O que estamos inferindo?

O que contradiz nossa hipótese?

Quem pode nos dizer que estamos errados?

Nossa resposta é proporcional?

Se ninguém conseguir responder...

talvez o Ferris nem precise mais atacar.

O Blue Team já começou.

☕ SAVE FERRIS.

No próximo artigo:

FerrisGPT — Agora o Adolescente Tem um Exército de Estagiários Sintéticos

Porque se Ferris já era perigoso com um telefone, um computador e Cameron...

imagine quando ele ganha agentes, voz sintética, automação e IA generativa.

☕ Um Café no Bellacosa Mainframe — Especial Red Team

SAVE FERRIS — Ferris Bueller’s Red Team

Uma série de 12 artigos sobre Red Team, segurança ofensiva, engenharia social, OSINT, integridade de dados, MFA, PAM, rollback, Blue Team, inteligência artificial, RACF e z/OS, usando Ferris Bueller para explorar uma pergunta fundamental: o sistema está realmente seguro ou apenas acredita que está?

  • Red Team
  • OSINT
  • Engenharia Social
  • Blue Team
  • MFA
  • PAM
  • IA Generativa
  • RACF
  • z/OS
  • Mainframe
1

Ferris Bueller Tinha um Plano de Ataque — Red Team Antes de Existir Red Team

Reconhecimento, criatividade adversarial e a ideia de que o verdadeiro alvo nem sempre é a tecnologia: são as suposições de quem construiu o sistema.

Red Team • Recon • Threat Modeling • Criatividade Adversarial
2

Nove Faltas? CTRL+Z — Quando o Banco de Dados Decide o que é Verdade

Integridade de dados, alteração de registros, privilégio, auditoria e a perigosa diferença entre aquilo que aconteceu e aquilo que o banco de dados afirma ter acontecido.

Integridade • Db2 • Auditoria • Insider Threat • Dados
3

Abe Froman, o Rei da Salsicha de Chicago — A Aula de Engenharia Social que Ninguém Percebeu

Pretexting, autoridade inventada e confiança contextual: Identity, Authentication e Authorization não são a mesma coisa.

Engenharia Social • Pretexting • Identity • Authentication
4

“Você Conhece o Diretor Rooney?” — OSINT Antes do Google Existir

Como dados públicos sobre pessoas, tecnologias, hábitos, empresas e relacionamentos podem revelar uma superfície de ataque antes do primeiro scan.

OSINT • Recon • LinkedIn • GitHub • Attack Surface
5

Cameron, Atenda o Telefone — Social Engineering as a Service

Ferris → Cameron → telefone → escola → funcionário → sistema. Nenhuma peça precisa falhar sozinha quando a cadeia inteira possui uma combinação explorável de confiança.

Social Engineering • Swiss Cheese Model • Human Risk
6

O Diretor Rooney Está Procurando Malware no Lugar Errado

Firewall, SIEM, EDR e Zero Trust podem funcionar perfeitamente enquanto engenharia social, Help Desk e processos humanos criam outro caminho até o objetivo.

SOC • SIEM • EDR • Zero Trust • Engenharia Social
7

A Ferrari do Cameron Não Tinha MFA

Privilégio, acesso físico, MFA, PAM, least privilege e o risco de proteger um ativo crítico apenas com medo, confiança e a esperança de que ninguém ousará tocá-lo.

MFA • PAM • Least Privilege • Privileged Access
8

Colocamos a Ferrari em Ré — Por Que Rollback Não É Backup

Rollback, restore, journaling, logs, Db2, VSAM e recuperação: voltar o estado de um sistema não significa apagar as consequências daquilo que aconteceu.

Backup • Restore • Rollback • Db2 • VSAM • Recovery
9

Rooney Invadiu a Casa Errada — Quando o Blue Team Vira o Próprio Incidente

Confirmation Bias, tunnel vision, Sunk Cost, Authority Gradient e o risco de uma resposta defensiva criar mais impacto que o próprio atacante.

Blue Team • SOC • Cognitive Bias • Incident Response
10

FerrisGPT — Agora o Adolescente Tem um Exército de Estagiários Sintéticos

IA generativa, agentes, OSINT automatizado, deepfake, voice cloning e automação transformam o ataque artesanal em uma capacidade paralela e escalável.

Generative AI • Agents • Deepfake • Voice Cloning • OSINT
11

Ferris Entra no Mainframe — RACF, z/OS e o Dia em que SPECIAL Virou o Passe para Chicago

RACF, SAF, ACEE, APF, USS, TSO, CICS, Db2, MQ, z/OS Connect, Zowe e service accounts vistos pela ótica dos caminhos de ataque até o mainframe.

Mainframe • RACF • z/OS • CICS • Db2 • MQ • Zowe
12

“A Vida Passa Muito Rápido” — O Red Team Depois que Todo Mundo Foi Embora

Red Team não termina em “conseguimos entrar”. Ataque deve gerar descoberta, evidência, correção, detecção e aprendizado para deixar a organização mais resiliente.

Red Teaming • Purple Team • Detection • Resilience • Learning

🎬 Página principal da temporada

Ferris Bueller’s Red Team: Como Hackear o Sistema Sem Precisar Roubar a Ferrari do Cameron reúne os doze episódios e conecta Red Team, engenharia social, IA, Blue Team e segurança de mainframe.

☕ Acessar o especial completo SAVE FERRIS

Sobre a série SAVE FERRIS — Red Team

A série SAVE FERRIS, publicada no Bellacosa Mainframe, utiliza situações inspiradas em Ferris Bueller para explicar conceitos de Red Team, cybersecurity, segurança ofensiva, engenharia social, OSINT, Blue Team, Purple Team, Zero Trust, MFA, PAM, inteligência artificial, RACF, IBM z/OS, CICS, Db2, MQ e segurança de mainframe.

O fio condutor é simples: um atacante não precisa necessariamente quebrar a tecnologia. Ele pode explorar relações de confiança, processos, identidades, privilégios, integrações e suposições existentes entre pessoas e sistemas.

A temporada acompanha o ciclo completo: reconhecimento → engenharia social → acesso → privilégio → impacto → detecção → correção → aprendizado.

Para Red Teams e Blue Teams, o objetivo final não é provar quem é mais inteligente, mas encontrar caminhos invisíveis antes que um adversário real os descubra.

quinta-feira, 15 de maio de 2014

Confirmation Bias: Doctor Who, COBOL e o Dia em que a War Room Encontrou Provas Demais para a Hipótese Errada

 

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.

Vagner Renato Bellacosa, IBM Champion e especialista em IBM Mainframe
IBM Z17 SYSTEM ONLINE
Sobre o autor

Vagner Renato Bellacosa

IBM Champion 2026 • Especialista em IBM Mainframe

Vagner Renato Bellacosa trabalha com IBM Mainframe desde 1988 , é IBM Champion e especialista em COBOL, CICS, Db2, z/OS e IBM Z. Compartilha experiências profissionais, conhecimento técnico, história da computação e práticas do universo mainframe para aproximar novas gerações das tecnologias que sustentam empresas, bancos e governos ao redor do mundo.

IBM Champion IBM Z COBOL CICS Db2 z/OS Mainframe desde 1988
GitHub LinkedIn
Inicializando conteúdo...