 |
| Bellacosa Mainframe e o outcome bias |
☕ Um Café no Bellacosa Mainframe
Outcome Bias: Doctor Who, COBOL e o Dia em que uma Decisão Ruim Terminou Bem — e Todo Mundo Passou a Chamá-la de Genial
Uma viagem pela TARDIS dos incidentes para entender por que julgamos decisões pelo resultado que aconteceu depois — e como sorte, azar, risco, contexto e incerteza podem transformar imprudência em “competência” ou uma boa decisão em “fracasso”
Sexta-feira.
17:53.
Já começamos mal.
War Room não existe ainda.
Mas provavelmente:
está apenas esperando.
No telão:
CHANGE WINDOW
START: 18:00
END: 20:00
CHANGE:
PAYMENTS-X DATABASE MIGRATION
RISK:
HIGH
Nosso jovem programador COBOL pergunta:
— Rollback foi testado?
Silêncio.
DBA:
— Não completamente.
— Restore?
— Testamos mês passado.
— Mesma versão?
— Não exatamente.
— Reconciliação?
— Temos amostragem.
Gerente olha para o relógio.
17:55.
— Vamos seguir.
Nosso jovem:
— Mesmo assim?
— O risco é baixo.
— Como sabemos?
— Já fizemos mudança parecida.
— Parecida quanto?
— Parecida.
Ah.
Uma unidade científica maravilhosa:
parecida.
Às 18:00:
Go-Live.
18:15:
nenhum erro.
18:30:
nenhum erro.
19:00:
estável.
20:00:
encerramento.
Todo mundo:
feliz.
O diretor manda:
Excelente execução.
Gerente responde:
Grande decisão do time em seguir com o Go-Live.
Nosso jovem olha:
para o rollback não testado.
Depois:
para o sistema funcionando.
Então pensa:
— Talvez eu estivesse exagerando.
VWORP.
VWORP.
VWORP.
A TARDIS aparece no meio da sala.
A porta abre.
O Doctor sai.
Olha:
para produção.
Tudo funcionando.
— Excelente.
Gerente sorri.
— Viu? Eu sabia que podíamos seguir.
Doctor:
— Sabia?
— Sim.
— Então vocês tinham evidência suficiente?
— Bem...
— Rollback testado?
— Não.
— Restore?
— Parcial.
— Reconciliação?
— Parcial.
Doctor:
— Então como você “sabia”?
Gerente aponta:
para o dashboard verde.
— Funcionou.
Doctor sorri.
— Isso responde:
ao que aconteceu.
Pausa.
— Não necessariamente à qualidade da decisão que vocês tomaram antes de saber o que aconteceria.
Bem-vindo ao:
Outcome Bias
ou:
Viés de Resultado.
Em linguagem Bellacosa:
é quando avaliamos se uma decisão foi boa olhando principalmente para o que aconteceu depois — em vez de avaliar a qualidade da decisão com base nas informações disponíveis no momento em que ela foi tomada.
🧠 O que é Outcome Bias?
Imagine duas decisões.
Decisão A:
bem analisada;
dados suficientes;
risco conhecido;
rollback validado;
controles adequados.
Resultado:
falha inesperada.
Decisão B:
apressada;
sem teste;
sem evidência;
sem plano B.
Resultado:
funciona.
Se avaliamos apenas:
resultado,
poderíamos concluir:
A = decisão ruim
B = decisão boa
Mas isso pode estar:
completamente invertido.
☕ Bellacosa Definition
Resultado é aquilo que aconteceu. Qualidade da decisão é aquilo que você fez com a informação que possuía antes de saber o resultado.
São:
duas coisas.
🧠 COBOL cognitivo
Imagine:
IF OUTCOME = 'SUCCESS'
MOVE 'GOOD-DECISION'
TO DECISION-QUALITY
ELSE
MOVE 'BAD-DECISION'
TO DECISION-QUALITY
END-IF.
Programa simples.
Elegante.
Absolutamente:
errado.
Mais correto seria algo como:
EVALUATE TRUE
WHEN PROCESS-WAS-SOUND
MOVE 'GOOD-DECISION'
TO DECISION-QUALITY
WHEN PROCESS-WAS-POOR
MOVE 'BAD-DECISION'
TO DECISION-QUALITY
END-EVALUATE.
E depois:
avaliar resultado:
separadamente.
🧠 Uma decisão pode ser boa e produzir resultado ruim
Isso acontece porque:
mundo possui:
incerteza.
Probabilidade.
Variáveis externas.
Eventos raros.
Azar.
🧠 Exemplo simples
Imagine:
backup testado.
Restore testado.
DR testado.
Plano robusto.
O desastre chega:
e destrói simultaneamente duas regiões.
Muito improvável.
Sistema falha.
Foi:
má decisão?
Talvez não.
Talvez tenha sido:
boa decisão
diante das informações e probabilidades conhecidas.
☕ Engenharia não promete:
controle absoluto.
Promete:
decisões melhores sob incerteza.
🧠 Agora o contrário
Você executa:
mudança crítica
sem rollback.
Nada acontece.
Foi:
boa decisão?
Não necessariamente.
Você pode ter:
simplesmente tido sorte.
👻 Easter Egg nº 1 — Dalek Change Manager
Dalek:
— CHANGE SUCCESSFUL.
Doctor:
— Rollback test?
— NO.
— Backup?
— UNKNOWN.
— Peer review?
— NO.
— Então por que fizeram?
— IT WORKED.
Doctor:
— Isso aconteceu depois.
Dalek:
— CORRECT.
Doctor:
— Então não podia justificar a decisão anterior.
Dalek:
— OUTCOME SUCCESSFUL.
Doctor:
— Vamos ficar aqui bastante tempo, não?
🧠 Sorte também existe em TI
Isso incomoda.
Gostamos de imaginar:
resultado = competência.
Mas sistemas complexos têm:
aleatoriedade;
timing;
load;
network;
scheduling;
race conditions;
dependências.
Duas execuções quase iguais podem:
produzir resultados diferentes.
☕ CC=0000
não significa:
processo excelente.
Às vezes significa:
“desta vez nada explodiu.”
🧠 Outcome Bias versus Hindsight Bias
São parentes.
Mas diferentes.
Hindsight Bias:
Depois que sabemos o resultado:
“Era óbvio que isso aconteceria.”
Outcome Bias:
Depois que sabemos o resultado:
“Como deu certo, a decisão foi boa.”
ou:
“Como deu errado, a decisão foi ruim.”
Um trata:
previsibilidade.
Outro:
qualidade da decisão.
🧠 Exemplo
Go-Live falha.
Hindsight:
“Era óbvio que falharia.”
Outcome:
“Logo, a decisão de lançar foi irresponsável.”
Talvez fosse.
Talvez não.
Precisa:
reconstruir informação anterior.
🎯 Pergunta Bellacosa nº 1
“Com o que sabíamos antes do resultado, essa decisão ainda parecia razoável?”
Excelente.
🧠 Confirmation Bias entra depois
Se já acreditávamos:
gerente irresponsável,
e mudança falha,
Outcome Bias:
“viu?”
Confirmation Bias:
“sempre foi ruim.”
Self-Serving Bias:
“eu avisei.”
Hindsight:
“era óbvio.”
Temos:
festival.
☕ A War Room vira:
retrospectiva escrita pelos vencedores.
🧠 Outcome Bias e Self-Serving Bias
Sucesso:
“foi nossa competência.”
Fracasso:
“foi azar.”
Quando julgamos nós mesmos.
Mas quando julgamos outros:
Sucesso:
“sorte.”
Fracasso:
“incompetência.”
Bonito.
Humano.
🧠 Actor-Observer
Meu resultado ruim:
contexto.
Seu:
decisão ruim.
Outro crossover.
🎯 Pergunta Bellacosa nº 2
“Estou aplicando o mesmo padrão de avaliação à minha decisão e à decisão do outro?”
🧠 Resultado bom pode esconder processo ruim
Esse é provavelmente:
o perigo principal.
Imagine:
deploy direto em produção.
Sem teste.
Funciona.
Equipe aprende:
“não precisamos de teste.”
Próxima vez:
repete.
Funciona.
Terceira:
repete.
Funciona.
Quarta:
P1.
Agora todos perguntam:
— Como isso aconteceu?
Resposta:
porque três resultados bons validaram mentalmente um processo ruim.
Outcome Bias.
☕ Sorte repetida
pode parecer:
maturidade operacional.
Até:
parar.
🧠 Normalization of Deviance entra
Primeira vez:
desvio.
Nada acontece.
Segunda:
normal.
Terceira:
processo real.
Outcome Bias ajuda:
“se funcionou, então não era tão arriscado.”
Normalization of Deviance cresce.
🧠 Risk Compensation
Novo controle:
backup.
Equipe fica:
mais ousada.
Mudanças ruins:
funcionam.
Outcome Bias:
“controle tornou tudo seguro.”
Comportamento:
aumenta risco.
🎯 Pergunta Bellacosa nº 3
“O sucesso mostrou que o processo era bom ou apenas que o risco não se materializou desta vez?”
Essa é central.
🧠 Um dado que quase nunca aparece: near miss
Imagine:
mudança funcionou.
Mas logs mostram:
queue atingiu 98% do limite.
Ninguém percebeu.
Outcome:
sucesso.
Near miss:
enorme.
Se avaliamos apenas:
resultado,
perdemos:
aprendizado.
☕ “Não caiu”
é critério:
baixo.
Muito baixo.
🧠 Outcome Bias e Survivorship Bias
Só observamos:
mudanças que sobreviveram.
Os processos arriscados que deram certo:
viram histórias heroicas.
Os que destruíram produção:
viram:
“exceções”.
Survivorship ajuda:
a cultura a celebrar:
heroísmo.
🧠 Hero Culture
Analista executa:
comando arriscado.
Salva sistema.
Herói.
Mas:
foi procedimento correto?
Talvez.
Ou:
uma aposta que funcionou.
Se premiamos:
outcome,
podemos treinar:
mais apostas.
🎯 Pergunta Bellacosa nº 4
“Estamos premiando o resultado ou o processo que gostaríamos que fosse repetido?”
🧠 Isso é enorme para liderança
Porque recompensa:
ensina.
Se pessoa toma:
risco absurdo
e ganha:
elogio,
organização aprende:
risco = heroísmo.
☕ Toda premiação é:
uma pequena política operacional.
🧠 Outcome Bias e Campbell’s Law
Métrica:
incidente resolvido rápido.
Analista:
restart sem investigação.
Funciona.
MTTR:
excelente.
Resultado:
bom.
Processo:
questionável.
Campbell incentiva.
Outcome Bias:
legitima.
Agora:
restart vira:
best practice.
🧠 Goodhart entra sorrindo
Metric:
MTTR.
Goal:
service restoration.
Quando resultado:
MTTR cai,
todo mundo:
feliz.
Mas:
evidência destruída;
root cause desconhecida.
Outcome Bias:
“foi ótimo.”
🎯 Pergunta Bellacosa nº 5
“O resultado melhorou a métrica ou realmente melhorou a capacidade do sistema?”
🧠 Outcome Bias e Goal Substitution
Objetivo:
decisão segura.
Proxy:
mudança terminou sem incidente.
Agora:
sem incidente = decisão segura.
Não.
Pode ser:
sorte.
Goal Substitution.
🧠 Outcome Bias em projeto
Projeto entrega:
no prazo.
Management:
excelente planejamento.
Equipe:
trabalhou 90 horas por semana.
Technical debt:
explodiu.
Resultado visível:
bom.
Processo:
terrível.
☕ Entregar sexta
não significa:
que sexta era prazo racional.
Talvez apenas:
que humanos pagaram a diferença.
🧠 Ratchet Effect
Projeto termina:
graças a heroísmo.
Management:
“Agora sabemos que conseguem.”
Nova meta:
mais agressiva.
Outcome Bias faz:
esforço excepcional parecer:
capacidade normal.
Ratchet transforma:
em piso.
🎯 Pergunta Bellacosa nº 6
“O sucesso foi sustentável ou comprado com recurso invisível?”
🧠 Hidden costs
Overtime.
Stress.
Manual work.
Future debt.
None:
in outcome dashboard.
McNamara Fallacy.
Metric Fixation.
☕ O resultado pode estar:
verde
porque a conta foi:
movida para amanhã.
🧠 Outcome Bias em incident response
Imagine:
analista decide:
restart.
Sem dump.
Sem coleta de estado.
Sistema volta.
Resultado:
success.
Management:
“ótima decisão.”
Mas:
se sistema não voltasse,
todos diriam:
“irresponsável.”
Mesma decisão.
Mesmo processo.
Só resultado:
mudou.
Outcome Bias.
🧠 Qualidade da decisão precisa ser avaliada antes de saber o fim
Idealmente:
decision rules.
🎯 Pergunta Bellacosa nº 7
“Se o resultado tivesse sido o oposto, eu avaliaria a mesma decisão de maneira completamente diferente?”
Se sim:
alerta de Outcome Bias.
🧠 Exemplo de poker
Poker é ótima analogia.
Jogador:
vai all-in com mão péssima.
Ganha.
Boa jogada?
Não necessariamente.
Jogador:
faz jogada probabilisticamente ótima.
Perde.
Má jogada?
Não.
Resultado:
é uma amostra.
Decisão:
é processo.
☕ Mainframe poker
CHANGE WITHOUT ROLLBACK
e:
production works.
Você ganhou:
a mão.
Não quer dizer:
que deveria repetir.
🧠 Outcome Bias e probability blindness
Se evento:
10% chance de desastre,
90% das vezes:
funciona.
Então alguém pode fazer:
nove vezes.
Tudo certo.
Concluir:
“seguro.”
Décima:
boom.
Matematicamente:
esperado.
Culturalmente:
surpresa.
🎯 Pergunta Bellacosa nº 8
“Quantas vezes esse processo precisa dar certo para provar segurança — e isso realmente prova?”
🧠 Risk is not binary
Antes do evento:
risk distribution.
Depois:
um outcome.
Uma realização.
Não confunda:
amostra
com:
distribuição.
☕ Depois que dado caiu
parece que:
sempre cairia daquele lado.
Antes:
não.
🧠 Outcome Bias e Zero-Risk Bias
Controle implementado.
Sem incidentes.
Conclusão:
risk zero.
Talvez:
não.
Só:
zero eventos observados.
McNamara.
🧠 Outcome Bias e Illusion of Control
Fizemos:
procedimento improvisado.
Funcionou.
Agora acreditamos:
“sabemos controlar.”
Talvez:
não.
Só:
funcionou naquele contexto.
🎯 Pergunta Bellacosa nº 9
“Esse sucesso demonstrou controle causal ou apenas coincidiu com nossas ações?”
🧠 Post hoc
Restart.
Sistema melhora.
Logo:
restart causou.
Pode ser.
Ou:
external dependency recovered ao mesmo tempo.
Outcome Bias + Post Hoc.
☕ Serviço voltar depois de comando
é evidência.
Não necessariamente:
prova.
🧠 Outcome Bias em RCA
Postmortem pergunta:
“qual decisão foi errada?”
Se incident:
grande,
pressão:
achar decisão errada.
Mas talvez:
todos tenham tomado decisões razoáveis
e evento raro:
ocorreu.
Se inventamos:
culpado retrospectivo,
aprendizado piora.
🧠 Blameless não significa sem análise
Significa:
avaliar:
process.
Information.
Constraints.
🎯 Pergunta Bellacosa nº 10
“A decisão era ruim com a informação disponível na hora ou parece ruim apenas porque agora sabemos o final?”
🧠 Fundamental Attribution Error
Outcome ruim.
Pessoa decidiu.
Culpado.
Mas:
contexto?
Procedure?
Signals?
Tool?
Need.
🧠 Authority Gradient
Junior segue:
senior.
Outcome ruim.
Depois:
culpam junior por:
não questionar.
Mas:
poderia?
Psych safety?
Again.
☕ Resultado não reconstrói:
liberdade que alguém tinha antes.
🧠 Outcome Bias em change management
CAB aprova:
mudança bem testada.
Falha por:
evento raro.
Depois:
“CAB aprovou mudança ruim.”
Talvez:
approval correto.
What matters:
information available.
🧠 Outra mudança sem teste
Passa.
“CAB flexible.”
Danger.
🎯 Pergunta Bellacosa nº 11
“Estamos aprendendo com o processo de decisão ou apenas classificando vencedores e perdedores?”
🧠 Outcome Bias e Hindsight Bias juntos
Depois de falha:
“Era óbvio.”
“Decisão era ruim.”
Combo.
Mas antes:
talvez todos:
aprovaram.
Preserve:
decision record.
🧠 Decision Journal
Antes:
DECISION:
Proceed.
KNOWN RISKS:
A, B, C.
UNKNOWN:
D.
EXPECTED BENEFIT:
X.
ROLLBACK:
validated.
CONFIDENCE:
medium-high.
Depois:
compare.
Isso é ouro.
☕ Sem registro anterior
memória vira:
roteirista.
🧠 Outcome Bias e Narrative Bias
Resultado final:
molda história.
Sucesso:
“plano foi excelente.”
Fracasso:
“avisos estavam por toda parte.”
Narrative Bias arruma:
eventos
para combinar.
🎯 Pergunta Bellacosa nº 12
“Estamos contando a história que realmente vivemos ou a história que faz sentido depois do resultado?”
🧠 Outcome Bias e Confirmation Bias
Se resultado:
confirma crença,
remember strongly.
If contrary:
call anomaly.
Example:
“Cloud is unreliable.”
Cloud outage:
proof.
Mainframe outage:
exception.
Opposite side:
vice versa.
Outcome Bias feeds:
Confirmation.
☕ Um resultado vira:
munição ideológica.
🧠 Outcome Bias em architecture
Migração para microservices:
successful.
Conclusion:
architecture choice perfect.
Maybe:
team excellent;
scope easy;
low traffic.
One success:
not general rule.
🧠 Pilot Bias
Pilot:
works.
General roll-out:
different scale.
Outcome Bias:
“pilot proved.”
No.
Pilot produced:
evidence.
🎯 Pergunta Bellacosa nº 13
“O resultado demonstra a estratégia ou apenas este caso específico?”
🧠 Outcome Bias e AI
IA recomenda:
ação.
Funciona.
Confidence in AI:
jumps.
But:
was reasoning good?
Maybe:
random.
Or:
multiple possible actions.
Outcome Bias can:
overtrust AI.
🤖 Lucky AI
Model suggests:
restart.
Works.
Now:
organization believes:
agent excellent.
Need:
evaluate reasoning across:
many cases.
🧠 Automation Bias nasce fácil
One successful automation:
trust ↑.
Then:
less human review.
Risk.
🎯 Pergunta Bellacosa nº 14
“Estamos validando o modelo pelo método ou pelo fato de uma recomendação ter funcionado?”
🧠 AI agent action evaluation
Separate:
decision quality;
execution quality;
outcome.
Three layers.
🧠 Bellacosa Decision Stack
1. INFORMATION QUALITY
2. REASONING QUALITY
3. DECISION QUALITY
4. EXECUTION QUALITY
5. OUTCOME
Outcome:
last.
Organizations often evaluate:
only last.
☕ Resultado é:
linha final.
Não:
programa inteiro.
🧠 Outcome Bias em A/B testing
Experiment gives:
positive result.
Decision:
good?
Maybe.
Was design:
valid?
Sample?
Duration?
Bias?
Need:
method.
Good outcome from:
bad experiment
still:
bad evidence.
🎯 Pergunta Bellacosa nº 15
“O experimento foi bom ou apenas produziu o número que queríamos?”
🧠 Outcome Bias em segurança
Admin disables:
security control
to solve:
issue.
No breach occurs.
Conclusion:
control unnecessary.
Danger.
Non-event:
not proof.
☕ “Nunca fomos atacados”
é uma frase:
perigosíssima
para avaliar segurança.
🧠 Absence of bad outcome
Not:
proof of good decision.
🧠 Outcome Bias e Moral Hazard
Pessoa toma:
risco.
Outro paga:
if fails.
Mas:
works.
Pessoa rewarded.
Risk-taking increases.
Moral Hazard.
🎯 Pergunta Bellacosa nº 16
“Quem receberia a consequência se essa decisão desse errado?”
If different from:
quem ganha elogio,
attention.
🧠 Principal-Agent
Manager chooses:
aggressive deadline.
Team absorbs:
cost.
Success.
Manager:
reward.
Outcome Bias:
“great leadership.”
Hidden cost:
team burnout.
Principal-Agent.
☕ Sucesso de quem?
Resultado bom:
para qual stakeholder?
Outra pergunta:
importante.
🧠 Outcome Bias e McNamara Fallacy
Dashboard:
green.
Decision:
good.
But:
manual toil;
knowledge risk;
customer workaround
not measured.
Outcome definition:
too narrow.
🎯 Pergunta Bellacosa nº 17
“Qual resultado estamos chamando de sucesso e o que ficou fora da medição?”
🧠 Metric Fixation
Change:
successful
because:
deployment completed.
But:
customer value?
Errors?
Debt?
Metric says:
success.
Outcome Bias:
decision good.
☕ Deploy成功—
ops, não japonês agora—
não significa:
business success.
🧠 Goal Substitution
Goal:
safe service.
Outcome metric:
deploy complete.
Bad proxy.
🧠 Outcome Bias e Near Miss
Need:
study successful risky events.
Very important.
Not only:
incidents.
Ask:
“Where were we lucky?”
🎯 Pergunta Bellacosa nº 18
“Que parte desse sucesso dependeu de algo que quase deu errado?”
🧠 Near-miss review
Example:
rollback untested
but not needed.
Do not say:
“no problem.”
Say:
“we got away with it.”
Then:
fix process.
☕ Aprender só com falhas
é esperar:
pagar matrícula.
Near miss:
curso grátis.
🧠 Outcome Bias e safety culture
A mature safety culture studies:
process
even when:
nothing bad happened.
Aviation does:
near misses.
IT should:
too.
🧠 Outcome Bias e Normalization of Deviance novamente
Every successful unsafe action:
reinforces:
deviation.
Outcome Bias:
“see, safe.”
Then:
normalized.
🎯 Pergunta Bellacosa nº 19
“Estamos transformando ausência de acidente em autorização para repetir o desvio?”
🧠 Outcome Bias e Risk Compensation
Backup exists.
Risky deploy works.
Confidence rises.
Next deploy:
more risky.
Loop.
🧠 Positive feedback danger
RISKY ACTION
↓
SUCCESS
↓
CONFIDENCE
↓
MORE RISK
↓
SUCCESS
↓
EVEN MORE RISK
Until:
failure.
☕ O sistema está:
ensinando coragem
com dados insuficientes.
🧠 Outcome Bias e Dunning-Kruger
Novice makes:
bad call.
Lucky success.
Confidence jumps.
Now:
knows.
Danger.
Expert may:
know luck.
Difference:
calibration.
🎯 Pergunta Bellacosa nº 20
“Esse sucesso aumentou nosso conhecimento ou apenas nossa confiança?”
Excellent.
🧠 Outcome Bias e overconfidence
Repeated successes:
produce:
overconfidence.
Especially if:
environment forgiving.
Then:
new context.
Boom.
🧠 Outcome Bias em batch operations
Operator changes:
JCL manually.
Works.
Next time:
same.
Maybe dataset conditions:
different.
Need:
understand.
☕ “Fiz assim da outra vez”
é:
outcome memory.
Não:
procedimento.
🧠 Outcome Bias e technical debt
Shortcut:
works.
Feature delivered.
Success.
Debt:
future.
Outcome Bias:
shortcut validated.
Years later:
maintenance pain.
🎯 Pergunta Bellacosa nº 21
“O resultado foi bom no horizonte certo?”
Huge.
Today:
good.
One year:
bad.
🧠 Time horizon matters
A decision can:
look brilliant today
and terrible later.
Outcome evaluation:
needs horizon.
☕ END-OF-DAY
não é:
END-OF-SYSTEM.
🧠 Outcome Bias em SLA
SLA met.
Customer unhappy.
Outcome according:
contract good.
Real outcome:
maybe bad.
Definition matters.
🧠 Outcome Bias e cost cutting
Cut:
redundancy.
Savings achieved.
No outage.
Decision praised.
Two years later:
outage.
Was initial decision good?
Need:
risk model.
Not:
short-term result.
🎯 Pergunta Bellacosa nº 22
“Estamos avaliando decisão pelo resultado imediato ou pelo risco total criado?”
🧠 Outcome Bias e governance
Governance should evaluate:
process adherence.
But:
not blindly.
If process:
bad,
change.
Still:
don't excuse poor reasoning because:
result good.
🧠 Decision audit
Ask:
what information?
what alternatives?
what probabilities?
what trade-offs?
☕ Auditoria de decisão
não:
tribunal de resultado.
🧠 Outcome Bias e leadership
Good leader:
rewards:
sound decision
even if unlucky.
Also:
challenges:
reckless decision
even if lucky.
This is:
hard.
Because humans:
love winners.
🎯 Pergunta Bellacosa nº 23
“Eu teria elogiado essa decisão antes de saber que funcionou?”
Fantastic.
🧠 Reverse outcome test
Imagine:
same process,
opposite outcome.
Would judgment:
flip?
If yes:
Outcome Bias.
🧠 Bellacosa Coin Flip Test
Decision:
deploy without rollback.
Scenario A:
success.
Scenario B:
failure.
If your evaluation:
good vs bad
changes entirely,
ask:
process.
☕ A moeda não:
reescreve procedimento.
🧠 Outcome Bias e risk committees
Approve risk:
based on expected value.
Event materializes.
Later:
“committee failed.”
Maybe:
not.
A risk of 1% can:
occur.
🧠 Probability does not mean guarantee
1% event occurring:
doesn't prove estimate wrong.
Could.
But not automatically.
🎯 Pergunta Bellacosa nº 24
“Estamos confundindo evento improvável que ocorreu com previsão ruim?”
🧠 Forecast calibration
Need:
many forecasts.
Not:
one.
If 10% events occur:
roughly 10% over many cases,
calibrated.
One event:
not enough.
🧠 Outcome Bias e incident severity predictions
Team says:
low chance.
Happens.
Everyone:
“they were wrong.”
Maybe.
Need:
track.
☕ Probabilidade é:
população.
Resultado é:
indivíduo.
🧠 Outcome Bias e Hindsight in postmortem
The classic sentence:
“Why did they do that?”
With outcome known:
decision looks:
obvious.
Reconstruct:
what they saw.
🧠 Local rationality
People often do:
what made sense
locally.
Learn:
why.
🎯 Pergunta Bellacosa nº 25
“Que decisão eu tomaria se estivesse no lugar deles com apenas as informações que eles tinham naquele minuto?”
🧠 Outcome Bias e Action Bias
During incident:
do something.
It works.
Outcome validates:
action bias.
Next time:
act fast again.
Maybe wrong.
🧠 Omission Bias
Person waits.
System recovers naturally.
Outcome:
good.
Now:
inaction praised.
Again:
result alone.
Need:
reason.
☕ Ação e omissão
ambas podem:
ter sorte.
🧠 Outcome Bias e Plan Continuation Bias
Pilot continues:
arrives safely.
Conclusion:
continuing was right.
Maybe:
unsafe.
Success can:
normalize continuation.
🎯 Pergunta Bellacosa nº 26
“Chegar ao destino provou que continuar era seguro?”
No.
🧠 Outcome Bias em capacity
System at:
95%.
No outage.
Conclusion:
capacity okay.
Maybe:
near cliff.
Need:
margin.
🧠 Outcome vs margin
Important.
Successful operation:
without resilience margin
is:
fragile success.
☕ Verde colado no vermelho
não é:
conforto.
🧠 Outcome Bias e resilience
A resilient system should be:
evaluated by:
ability to absorb variation.
Not:
one successful run.
🎯 Pergunta Bellacosa nº 27
“Quanto de margem restou durante o sucesso?”
🧠 Outcome Bias e chaos engineering
Controlled failure:
may reveal:
weakness.
If test fails:
good?
Maybe.
Because:
learned safely.
Outcome “failure” of test:
valuable.
Outcome Bias might call:
test bad.
Wrong.
☕ Um teste de caos que encontra problema
teve:
sucesso.
Beautiful paradox.
🧠 Test outcome depends on purpose
If purpose:
discover weakness,
finding:
weakness
is:
successful.
Goal definition.
🎯 Pergunta Bellacosa nº 28
“Estamos julgando o resultado segundo o objetivo real do experimento?”
🧠 Outcome Bias e QA
Tester finds:
many bugs.
Metric:
quality bad?
Maybe testing:
good.
Team with:
zero bugs reported
may:
test poorly.
Again.
🧠 Prevention vs visible outcomes
Good testing creates:
bad-looking numbers.
McNamara.
☕ Uma área que encontra problemas
pode estar:
funcionando.
Uma que encontra zero:
pode estar dormindo.
🧠 Outcome Bias e security incidents
Red team breaches:
system.
Bad outcome?
Actually:
exercise success.
It found:
weakness.
Need:
context.
🧠 Outcome Bias e AI evals
Model gives:
correct answer.
Reasoning:
wrong.
Should we:
reward?
Maybe if only outcome.
But in critical domains:
danger.
🤖 Shortcut reasoning
Right answer by:
wrong reason
can fail:
next case.
This is huge.
🎯 Pergunta Bellacosa nº 29
“O sistema acertou porque entendeu ou porque encontrou um atalho que funcionou neste caso?”
🧠 Outcome Bias e COBOL beginner
Program compiles.
Runs.
Output looks:
right.
Code:
good?
Not necessarily.
Test:
one input.
Need:
boundaries.
Errors.
File status.
☕ “Funcionou comigo”
é a versão júnior de:
Outcome Bias.
🧠 COBOL example
DIVIDE WS-A BY WS-B
GIVING WS-C.
Test:
B = 2.
Works.
Conclusion:
done.
What if:
B = 0?
Outcome Bias:
one success.
Need:
test design.
🎯 Pergunta Bellacosa nº 30
“Quantos cenários diferentes sustentam nossa confiança?”
🧠 Outcome Bias e error handling
No error occurred.
Therefore:
error handling unnecessary.
Classic.
Until:
error.
☕ Código de exceção
parece inútil
nos dias:
em que tudo funciona.
🧠 Outcome Bias e backup/restore
Never restored.
No disaster.
Backup process:
“successful.”
Then:
need restore.
Surprise.
Again.
🧠 Outcome Bias e redundancy
Never used second region.
Cost center.
Remove.
Then:
incident.
Short-term outcome:
misleading.
🎯 Pergunta Bellacosa nº 31
“Estamos julgando controles de contingência pela frequência com que precisaram ser usados?”
Excellent.
🧠 Outcome Bias e Zero-Risk management
Control not used:
seems waste.
But:
insurance.
Hard to value.
McNamara.
🧠 Outcome Bias e Principal-Agent
Executive gets:
bonus based on year's results.
Chooses:
risk that matures later.
Year good.
Decision praised.
Future:
someone else pays.
Outcome horizon matters.
☕ Resultado de dezembro
pode ser:
conta de janeiro.
🧠 Outcome Bias e Moral Hazard again
Decision-maker rewarded:
if good.
Limited consequence:
if bad.
Success reinforces:
risk.
🎯 Pergunta Bellacosa nº 32
“O horizonte de avaliação termina antes do horizonte do risco?”
Brutal.
🧠 Outcome Bias e metrics
Quarterly metrics:
green.
Long-term:
knowledge decay.
Cultural Debt.
Mainframe skills.
No incident:
today.
Capacity loss:
later.
Outcome bias:
“staffing fine.”
☕ Não ter incidente hoje
não prova:
que aposentadoria coletiva amanhã está resolvida.
🧠 Outcome Bias e knowledge transfer
Senior remains.
Everything works.
No cross-training.
Management:
“not needed.”
Then:
senior leaves.
Outcome changed.
Process was:
bad long before.
🎯 Pergunta Bellacosa nº 33
“Estamos confundindo estabilidade atual com resiliência futura?”
🧠 Outcome Bias e Cultural Debt
Decision:
centralize knowledge.
Works:
years.
Outcome:
success.
Culture forms.
Later:
single point of failure.
The original decision may have:
been right then.
Outcome Bias appears if we say:
“because it succeeded for 20 years, it must remain right forever.”
Different problem.
Cultural Debt.
🧠 Temporal context
Decision quality:
at time T1.
Re-evaluate:
at T2.
Don't use historical success:
as permanent proof.
🎯 Pergunta Bellacosa nº 34
“O fato de essa decisão ter funcionado no passado prova que ainda é a melhor decisão hoje?”
🧠 Outcome Bias e Status Quo
Historical success:
anchors.
Status quo:
protected.
“Never failed.”
Until:
environment changes.
☕ “Sempre funcionou”
é:
estatística histórica.
Não:
contrato futuro.
🧠 Outcome Bias e innovation
Experiment fails.
Maybe:
good experiment.
Learned.
If punish:
failure outcome,
people stop:
experimenting.
🧠 Innovation needs process evaluation
Was hypothesis reasonable?
Test cheap?
Learning valuable?
Then:
failure can be:
success.
🎯 Pergunta Bellacosa nº 35
“O experimento fracassou ou nos poupou de fracassar em escala maior?”
🧠 Outcome Bias e blame culture
If any bad outcome:
someone punished,
people hide:
risks.
Avoid:
experiments.
Report less.
Safety worsens.
☕ Organizações que punem todo resultado ruim
acabam recebendo:
menos notícias ruins.
Não necessariamente:
menos problemas.
🧠 Campbell again
If “zero incidents” = good manager,
incidents:
reclassified.
Outcome metric:
corrupted.
🧠 Outcome Bias e near miss reporting
Need reward:
reporting.
Not:
only zero incidents.
🎯 Pergunta Bellacosa nº 36
“Nosso sistema incentiva aprender com quase-erros ou escondê-los porque o resultado final foi bom?”
🧠 Outcome Bias e decision quality matrix
Uma ferramenta ótima:
OUTCOME
GOOD BAD
GOOD DESERVED BAD LUCK
DECISION SUCCESS
BAD LUCKY DESERVED
DECISION SUCCESS FAILURE
Isso é:
poderoso.
☕ Quatro quadrantes
não:
dois.
🧠 Quadrante 1 — Boa decisão / bom resultado
Ótimo.
Repetir:
talvez.
🧠 Quadrante 2 — Boa decisão / resultado ruim
Aprenda:
mas não destrua:
processo bom
por azar.
🧠 Quadrante 3 — Decisão ruim / resultado bom
O quadrante mais perigoso.
Porque:
ensina comportamento errado.
🧠 Quadrante 4 — Decisão ruim / resultado ruim
Fácil:
ver.
Aprender.
🎯 Pergunta Bellacosa nº 37
“Estamos no quadrante do sucesso merecido ou do sucesso sortudo?”
👻 Easter Egg nº 2 — TARDIS Decision Matrix
Companion:
— Doctor, escolhi aleatoriamente o botão vermelho e salvamos o planeta.
Doctor:
— Excelente resultado.
— Então foi ótima decisão?
— Havia 10 botões?
— Sim.
— Nove explodiam o planeta?
— Sim.
Doctor:
— Não faça novamente.
— Mas funcionou.
Doctor:
— Isso é exatamente o problema.
🧠 Process praise
Instead of:
“great result,”
say:
“great process.”
What process?
Collected evidence.
Tested rollback.
Defined no-go.
Good.
🧠 Outcome praise
Still:
celebrate success.
But don't:
confuse.
🎯 Pergunta Bellacosa nº 38
“Que parte da decisão merece ser repetida independentemente do resultado?”
🧠 Bellacosa Decision Review
Before outcome:
record:
DECISION:
Proceed / Hold
INFORMATION:
...
ALTERNATIVES:
...
KNOWN RISKS:
...
EXPECTED PROBABILITY:
...
GUARDRAILS:
...
REASON:
...
After:
evaluate:
separately.
🧠 Ex Ante vs Ex Post
Fancy Latin-ish:
ex ante:
before outcome.
ex post:
after.
Decision quality:
should be evaluated:
mostly ex ante.
Outcome:
ex post.
☕ A decisão mora:
antes.
O resultado mora:
depois.
Não misture endereços.
🧠 Outcome Bias e postmortem questions
Bad:
“Why did you make the wrong decision?”
Already assumes.
Better:
“What information and constraints shaped the decision?”
Then:
“What would improve that process?”
🎯 Pergunta Bellacosa nº 39
“Nossa pergunta de postmortem já declarou a decisão errada antes de analisá-la?”
🧠 Outcome Bias e risk estimate
Suppose:
95% success probability.
Fails.
Was estimate:
wrong?
One event:
can't tell.
Track:
many.
Calibration.
🧠 Calibration culture
If 70% confidence predictions succeed:
70-ish.
Good.
☕ Confiança de 70%
significa:
algumas vezes:
falhar.
Se nunca falha:
talvez confidence wrong too.
🧠 Outcome Bias e managers who "always deliver"
Maybe:
select easy projects.
Survivorship.
Need:
risk-adjusted.
🎯 Pergunta Bellacosa nº 40
“Estamos comparando resultados sem comparar o risco assumido para obtê-los?”
🧠 Risk-adjusted performance
Trader analogy.
Two teams:
same outcome.
One:
low risk.
Another:
bet company.
Not same.
☕ Ganhar R$1 milhão
apostando R$10 mil
não é igual:
a ganhar R$1 milhão
apostando a empresa.
🧠 IT version
Two deploys:
success.
One:
tested rollback.
Other:
none.
Outcome:
same.
Decision quality:
not.
🧠 Outcome Bias e change success rate
Metric:
99% changes successful.
Great.
But:
maybe definition:
no incident within 1h.
Long-term bugs:
not counted.
Outcome definition:
narrow.
🎯 Pergunta Bellacosa nº 41
“Como definimos sucesso e por quanto tempo observamos?”
🧠 Observation window
Critical.
Change:
looks fine.
24h later:
data corruption.
Was success?
No.
Need:
correct window.
☕ CHANGE SUCCESS
às 18:05
pode virar:
INCIDENT
às 03:00.
🧠 Outcome Bias e slow failures
Drift.
Technical debt.
Security.
Knowledge.
Results delayed.
Short-term success:
misleading.
🧠 Outcome Bias e Drift Into Failure
Each decision:
works.
Margin:
shrinks.
No incident.
Success repeatedly:
validates.
Eventually:
failure.
Classic.
🎯 Pergunta Bellacosa nº 42
“Cada sucesso preservou margem ou apenas evitou a falha por pouco?”
🧠 Outcome Bias e Normalization of Deviance
Again, perfect.
Deviation:
works.
Outcome good.
Deviation validated.
Repeat.
Eventually:
normal.
☕ Outcome Bias é:
contador de histórias
da Normalization of Deviance.
🧠 Outcome Bias e safety margin
Measure:
how close to limits.
Not:
only pass/fail.
🧠 Green isn't enough
Need:
distance to red.
🎯 Pergunta Bellacosa nº 43
“Quanto faltou para esse sucesso virar incidente?”
Maybe strongest near-miss question.
🧠 Outcome Bias e COBOL production support
Programmer runs:
manual fix.
Works.
Be careful:
document.
Understand.
Automate maybe.
Don't:
turn lucky fix:
into oral tradition.
🧠 Cultural Debt from lucky fixes
“Always run this command.”
Why?
Nobody knows.
It once worked.
Outcome Bias fossilized.
☕ Runbook arqueológico
cheio de:
rituais que funcionaram uma vez.
🧠 Ask why
What state does command change?
Mechanism.
🎯 Pergunta Bellacosa nº 44
“Sabemos por que esse procedimento funciona ou apenas sabemos que já funcionou?”
🧠 Outcome Bias e technical superstition
This is fun.
Operations sometimes develop:
rituals.
“Restart X before Y.”
“Wait 30 seconds.”
Maybe necessary.
Maybe superstition.
Outcome Bias:
successful runs reinforce.
👻 Easter Egg nº 3 — ritual COBOL
//STEP1 EXEC PGM=IKJEFT01
//*
* DO NOT REMOVE.
* NOBODY KNOWS WHY.
* SYSTEM FAILED ONCE IN 2004
* WHEN THIS STEP WAS REMOVED.
There.
Cultural Debt + Outcome Bias.
🧠 Scientific testing
Test mechanism.
Don't disrespect legacy blindly.
Maybe:
real dependency.
Investigate.
☕ Nem toda superstição
é falsa.
Mas merece:
prova.
🧠 Outcome Bias e reversibility
Decision with:
rollback
is different from:
irreversible.
Even same outcome.
Decision quality considers:
optionality.
🎯 Pergunta Bellacosa nº 45
“Se estivéssemos errados, tínhamos como voltar?”
Very important.
🧠 Outcome Bias e option value
Good process:
limits downside.
Even if:
outcome same.
🧠 Outcome Bias e blast radius
Small canary:
fails.
Bad outcome?
Actually:
good decision.
Limited damage.
Full rollout:
succeeds.
Good outcome.
But:
riskier decision.
Again.
☕ Canary falhar
pode ser:
sucesso da estratégia.
🎯 Pergunta Bellacosa nº 46
“O desenho da decisão limitou o dano caso estivéssemos errados?”
🧠 Outcome Bias e experimentation
Canary.
Feature flag.
Rollback.
Shadow traffic.
These improve:
decision quality.
Outcome may:
still fail.
But failure:
cheap.
🧠 Outcome Bias em incident escalation
Escalate early.
Incident turns:
minor.
People say:
“overreaction.”
Maybe escalation:
helped keep minor.
Counterfactual.
☕ Controle bem-sucedido
pode parecer:
desnecessário
justamente porque:
funcionou.
🧠 Prevention paradox
Very relevant.
If control prevents:
bad outcome,
people may think:
risk never existed.
🎯 Pergunta Bellacosa nº 47
“O bom resultado aconteceu apesar do controle ou por causa dele?”
🧠 Outcome Bias e security patch
Patch emergency.
No exploit before.
Later:
“unnecessary rush.”
Maybe patch:
prevented.
Hard to prove counterfactual.
🧠 McNamara Fallacy again
Prevention:
hard to measure.
Outcome Bias:
undervalues.
🧠 Outcome Bias e false lessons
The worst thing an organization can learn from:
success:
the wrong lesson.
Failure often:
forces review.
Success:
doesn't.
☕ Sucesso pode:
encerrar curiosidade
mais rápido que:
fracasso.
Interessante.
🧠 Search Satisfaction after success
System works.
Stop asking.
Outcome Bias.
Another connection.
🎯 Pergunta Bellacosa nº 48
“O sucesso está nos impedindo de investigar um near miss?”
🧠 Success postmortem
Do them sometimes.
Not only:
failures.
Ask:
what went right?
What was luck?
What was fragile?
Excellent.
🧠 Pre-mortem and post-success review
Combination.
☕ War Room zero
mas aprendizado:
muito.
🧠 Bellacosa Success Review
WHAT WAS PLANNED?
WHAT ACTUALLY HAPPENED?
WHAT WORKED BECAUSE OF PROCESS?
WHAT WORKED BECAUSE OF LUCK?
WHAT ALMOST FAILED?
WHAT SHOULD NOT BE REPEATED?
Beautiful.
🧠 Outcome Bias e risk-adjusted learning
Classify:
process:
good/bad.
Outcome:
good/bad.
Use matrix.
📋 Bellacosa Outcome Matrix
RESULTADO
BOM RUIM
PROCESSO SUCESSO AZAR /
BOM MERECIDO EVENTO ADVERSO
PROCESSO SUCESSO FALHA
RUIM SORTUDO MERECIDA
Focus:
bottom-left.
☕ O quadrante mais perigoso:
processo ruim + resultado bom.
Porque:
parece:
sucesso.
Mas:
treina desastre.
🧠 Outcome Bias e Reward Design
Reward:
quality of process.
Not only:
outcome.
Obviously:
outcome matters too.
Balance.
🎯 Pergunta Bellacosa nº 49
“Que comportamento estamos ensinando ao elogiar este sucesso?”
🧠 Bellacosa Anti-Outcome Protocol
Passo 1 — Congele a informação ex ante
Before result:
write what knew.
Passo 2 — Registre alternativas
Why chose this?
Passo 3 — Registre risco
Expected probabilities.
Passo 4 — Registre guardrails
Rollback, canary, monitoring.
Passo 5 — Depois observe resultado
Separately.
Passo 6 — Avalie processo
Would repeat?
Passo 7 — Procure sorte e azar
What wasn't controlled?
Passo 8 — Procure near miss
How close?
Passo 9 — Avalie horizonte
Immediate and long-term.
Passo 10 — Atualize decision rules
Not hero stories.
📋 Checklist Bellacosa anti-Outcome Bias
[ ] Como essa decisão parecia antes do resultado?
[ ] Quais informações estavam disponíveis?
[ ] O risco era conhecido?
[ ] Havia alternativas melhores?
[ ] Existia rollback?
[ ] O processo seguiu critérios razoáveis?
[ ] O sucesso dependeu de sorte?
[ ] Houve near miss?
[ ] O resultado ruim era evento possível mesmo com boa decisão?
[ ] Estou reescrevendo a história depois do fato?
[ ] Eu avaliaria a decisão igual com outcome oposto?
[ ] O horizonte de avaliação é adequado?
[ ] Qual custo invisível produziu o resultado?
[ ] Estamos premiando comportamento repetível?
[ ] O sistema preservou margem?
🧠 Bellacosa Decision Card
DECISION:
________________________
INFORMATION AVAILABLE:
________________________
ALTERNATIVES:
________________________
EXPECTED RISKS:
________________________
GUARDRAILS:
________________________
DECISION QUALITY:
GOOD / QUESTIONABLE / POOR
OUTCOME:
GOOD / BAD
LUCK FACTOR:
LOW / MEDIUM / HIGH
WOULD REPEAT?
YES / NO
👻 Easter Egg nº 4 — BELLACOSA.BIAS
Na manhã seguinte aparece:
BELLACOSA.BIAS(OUTCOME)
Dentro:
IF OUTCOME = 'SUCCESS'
PERFORM REVIEW-DECISION-PROCESS
END-IF.
IF OUTCOME = 'FAILURE'
PERFORM REVIEW-DECISION-PROCESS
END-IF.
IF PROCESS-QUALITY = 'POOR'
AND OUTCOME = 'SUCCESS'
DISPLAY
'WARNING: LUCKY SUCCESS - DO NOT NORMALIZE'
END-IF.
IF PROCESS-QUALITY = 'GOOD'
AND OUTCOME = 'FAILURE'
DISPLAY
'DO NOT PUNISH SOUND DECISION FOR BAD LUCK'
END-IF.
Comentários:
* GOOD OUTCOME
* DOES NOT AUTOMATICALLY MEAN
* GOOD DECISION.
Outro:
* BAD OUTCOME
* DOES NOT AUTOMATICALLY MEAN
* BAD DECISION.
Outro:
* LUCK
* IS NOT
* A CONTROL FRAMEWORK.
Outro:
* DO NOT TURN
* LUCKY SUCCESS
* INTO STANDARD PROCEDURE.
E naturalmente:
* TARDIS LANDING:
* SUCCESSFUL.
*
* PILOTING METHOD:
* RANDOM BUTTON.
*
* RECOMMENDATION:
* DO NOT REPEAT.
🕰️ Voltando para sexta-feira, 20:00
Change:
successful.
Todos comemoram.
Nosso jovem pergunta:
— Então adiamos os testes de rollback?
Gerente:
— Para quê? Funcionou.
Silêncio.
O Doctor olha:
para ele.
Nosso jovem entende.
— Não.
Gerente:
— Não?
— O fato de não precisarmos do rollback não prova que poderíamos continuar sem testá-lo.
Gerente:
— Mas deu certo.
Nosso jovem:
— Desta vez.
Doctor sorri.
🧠 Segunda-feira
Equipe faz:
teste de rollback.
Falha.
Silêncio.
Se produção tivesse:
quebrado sexta,
talvez:
não conseguissem voltar.
Agora percebem:
o sucesso não demonstrou segurança.
Apenas:
não exigiu:
o mecanismo de recuperação.
☕ Esse é o ponto
O resultado positivo:
escondeu:
uma vulnerabilidade real.
🧠 Agora imagine o contrário
Outra mudança.
Tudo testado.
Rollback.
Canary.
Peer review.
Good.
Ainda assim:
um firmware defect raro
causa:
falha.
Postmortem maduro:
não diz automaticamente:
“decisão ruim.”
Pergunta:
“Havia evidência razoável para prever isso?”
Se não:
learn.
Improve.
Don't:
rewrite history.
🎯 Pergunta Bellacosa nº 50
“O que poderíamos razoavelmente saber antes — e o que só ficou visível depois?”
Essa talvez seja:
a pergunta central.
🧬 Regeneração organizacional
Uma organização madura aprende:
com resultados
sem ser escrava:
dos resultados.
Ela celebra:
sucessos.
Investiga:
falhas.
Mas também:
separa sorte de processo;
premia decisões sólidas;
analisa near misses;
não normaliza improviso porque funcionou;
não pune automaticamente uma boa decisão por um resultado ruim;
e preserva:
o que era conhecido no momento.
Ela entende:
a qualidade da decisão mora no processo; o resultado mora na interação entre processo, contexto, incerteza e sorte.
Principalmente:
não deixa:
sucesso sortudo
virar:
best practice.
📓 Diário do Doctor
Se guardar algumas ideias desta viagem, guarde estas:
Outcome Bias é a tendência de julgar a qualidade de uma decisão pelo resultado que aconteceu depois.
Uma boa decisão pode produzir resultado ruim.
Uma decisão ruim pode produzir resultado bom.
Resultado e qualidade de decisão devem ser avaliados separadamente.
Hindsight Bias faz o resultado parecer mais previsível depois que ele ocorre.
Confirmation Bias usa o resultado para fortalecer crenças anteriores.
Self-Serving Bias pode fazer atribuir sucessos à competência e fracassos ao contexto.
Normalization of Deviance pode crescer quando decisões arriscadas repetidamente terminam bem.
Risk Compensation pode aumentar depois de sucessos que elevam excessivamente a confiança.
Goodhart e Campbell podem recompensar resultados aparentes sem avaliar o processo que os produziu.
Goal Substitution pode transformar “não houve incidente” em sinônimo de “a decisão foi segura”.
Metric Fixation pode esconder custos invisíveis, near misses e margens reduzidas.
McNamara Fallacy pode subvalorizar prevenção e controles cujo sucesso aparece justamente na ausência de eventos.
Ratchet Effect pode transformar esforço heroico bem-sucedido em nova expectativa mínima.
Moral Hazard e Principal-Agent podem fazer alguém receber o mérito pelo sucesso enquanto outra pessoa absorve o risco do fracasso.
Sunk Cost e Escalation of Commitment podem usar resultados favoráveis ocasionais para justificar continuidade.
A IA também pode ganhar confiança excessiva depois de recomendações corretas por motivos errados.
Near misses merecem análise justamente quando o resultado final foi bom.
O quadrante mais perigoso é processo ruim + resultado bom, porque ele ensina a organização a repetir comportamento arriscado.
E principalmente:
um resultado bom não retroativamente transforma uma decisão ruim em boa — da mesma forma que um resultado ruim não transforma automaticamente uma decisão racional em incompetência.
🥚 Easter Egg final
Antes de entrar na TARDIS, o Doctor escreve:
IF OUTCOME = SUCCESS
DISPLAY 'CONGRATULATIONS'
PERFORM REVIEW-PROCESS
END-IF.
Nosso jovem pergunta:
— Mesmo quando tudo dá certo?
— Principalmente quando tudo dá certo.
— Por quê?
— Porque depois de uma falha todos querem aprender.
Ele aponta:
para o dashboard verde.
— O perigo é quando o sucesso convence todos de que não existe nada para aprender.
Nosso jovem pensa.
— Então sucesso também pode esconder erro?
Doctor abre:
a porta.
“Os erros mais perigosos às vezes são aqueles que o universo teve a gentileza de não punir imediatamente.”
VWORP.
VWORP.
VWORP.
A TARDIS desaparece.
No quadro sobra:
“Não pergunte apenas se funcionou. Pergunte se a maneira como decidimos merece funcionar de novo.”
E talvez essa seja toda a essência do Outcome Bias no Bellacosa Mainframe:
o resultado conta o que aconteceu desta vez; o processo de decisão conta aquilo que estamos ensinando à organização para a próxima vez.
☕🌀
Próxima parada: Hindsight Bias — o dia em que, depois que produção caiu, todos descobriram retrospectivamente que os sinais estavam “claríssimos” desde o começo e que qualquer pessoa competente deveria ter previsto exatamente aquilo que ninguém previu.
