 |
| Bellacosa Mainframe e o search satisfaction |
☕ Um Café no Bellacosa Mainframe
Search Satisfaction: Doctor Who, COBOL e o Dia em que Encontramos o Primeiro Erro — e Paramos Exatamente Uma Causa Raiz Cedo Demais
Uma viagem pela TARDIS dos incidentes para entender por que encontrar uma explicação plausível pode encerrar nossa busca cedo demais — deixando uma segunda falha, uma causa independente ou um detalhe crítico escondido logo atrás da primeira resposta correta
03:12.
War Room.
Café número:
ninguém mais conta.
No telão:
INCIDENTE P1
APLICAÇÃO:
PAYMENTS-X
SINTOMA:
TRANSAÇÕES DUPLICADAS
INÍCIO:
02:41
IMPACTO:
CRESCENTE
Nosso jovem programador COBOL olha para o dump.
Encontra:
S0C7
Ele aponta.
— Achei!
Todo mundo:
acorda.
O gerente se aproxima.
— O quê?
— Campo inválido.
Abre o registro.
AMOUNT = '0001A500'
Pronto.
Temos:
dado inválido.
Temos:
S0C7.
Temos:
explicação.
O DBA pergunta:
— Corrigimos o arquivo?
— Sim.
Operação:
— Reprocessamos?
— Sim.
Gerente:
— Então fechamos o incidente.
Nosso jovem começa a sentir:
orgulho.
Primeira madrugada.
Primeiro P1.
Primeiro:
“EU ACHEI.”
Corrigem o arquivo.
Restart.
CC 0000
A sala respira.
Gerente:
— Excelente trabalho.
Ticket:
RESOLVED
War Room:
encerrada.
03:47.
Todo mundo vai embora.
Às:
04:26...
telefone toca novamente.
Transações duplicadas:
continuam.
Agora sem:
S0C7.
Nosso jovem volta:
correndo.
O erro que encontrou:
era real.
O dado realmente estava:
inválido.
O programa realmente:
abendava.
Mas:
não era toda a história.
Havia também:
um mecanismo de retry numa integração.
Algumas requisições expiravam.
O cliente repetia.
O downstream recebia:
as duas.
O S0C7 era:
um erro verdadeiro.
Só não era:
a única causa.
VWORP.
VWORP.
VWORP.
A TARDIS surge entre duas fileiras de monitores.
A porta abre.
O Doctor sai.
Olha para o ticket:
RESOLVED
Depois para:
os clientes ainda reclamando.
— Curioso.
Nosso jovem abaixa a cabeça.
— Eu encontrei um erro.
Doctor:
— Sim.
— Era um erro real.
— Sim.
— Corrigimos.
— Sim.
— Então por que ainda estamos aqui?
O Doctor sorri.
— Porque “encontrei alguma coisa” e “terminei de procurar” são estados completamente diferentes.
Bem-vindo ao:
Search Satisfaction
E ao problema intimamente relacionado da:
Premature Search Termination
Ou, em português Bellacosa:
“Achei uma coisa, logo meu cérebro executou STOP RUN antes do fim da investigação.”
🧠 O que é Search Satisfaction?
O conceito ficou particularmente conhecido na radiologia.
Um profissional examina uma imagem procurando:
anormalidades.
Encontra:
uma.
Depois pode ficar mais propenso a deixar de detectar:
uma segunda.
Esse fenômeno foi tradicionalmente chamado de:
Satisfaction of Search — SOS.
Estudos posteriores passaram também a utilizar termos como subsequent search misses, porque pesquisas mostraram que esses erros não são explicados apenas por uma decisão consciente ou inconsciente de “parar de procurar”; atenção, reconhecimento perceptual, expectativas e a interação entre múltiplos alvos também podem participar.
Isso é importante.
Não devemos transformar:
Search Satisfaction
em uma historinha simplista:
“Encontrou um erro, ficou feliz e foi embora.”
A realidade cognitiva:
é mais interessante.
Mas como ferramenta para incident response, debugging e RCA, a pergunta continua poderosíssima:
“Depois de encontrar o primeiro problema, nossa busca perdeu qualidade ou terminou cedo demais?”
☕ A radiografia do mainframe
Imagine uma radiografia.
Existe:
uma fratura evidente.
O médico encontra.
Ótimo.
Mas também existe:
uma segunda lesão.
O primeiro achado chama:
atenção.
Explica:
dor.
Parece suficiente.
O perigo está na palavra:
suficiente.
Em tecnologia:
programa abendou.
Encontramos:
arquivo ruim.
Parece suficiente.
Mas talvez:
arquivo ruim seja consequência
de:
upstream quebrado.
Ou existam:
duas falhas independentes.
🧠 Primeira regra Bellacosa
Uma causa encontrada não prova ausência de outras causas.
Parece óbvio.
Até:
03:12.
Com gerente perguntando:
“Já achou?”
👻 Easter Egg nº 1 — Doctor encontra o Dalek
Companion:
— Doctor! Encontrei o Dalek responsável!
Doctor:
— Excelente.
— Então acabou?
Doctor olha para:
quarenta marcas de roda no chão.
— Quantos Daleks você acha que passaram por aqui?
— Ah.
— Essa é a diferença entre encontrar um Dalek...
Pausa.
— e procurar todos os Daleks.
🧠 Premature Search Termination
Em diagnóstico, debugging e troubleshooting existe uma pergunta implícita:
quando devemos parar de procurar?
Isso é difícil.
Buscar para sempre:
também é ruim.
Você pode gastar:
20 horas
procurando uma quinta causa inexistente.
Então precisamos de:
stop criteria.
A busca madura não termina porque:
“encontrei algo”.
Termina porque:
as evidências relevantes foram explicadas e os critérios de encerramento foram atendidos.
☕ FOUND = TRUE
não deveria automaticamente executar:
MOVE 'Y' TO INVESTIGATION-COMPLETE
Talvez:
MOVE 'Y' TO FIRST-FINDING-FOUND
PERFORM CONTINUE-VALIDATION
Muito melhor.
🧠 Search Satisfaction versus Premature Closure
São conceitos próximos.
Search Satisfaction vem fortemente da literatura de busca visual e radiologia: encontrar um primeiro alvo pode interferir na detecção de alvos posteriores.
Premature closure, mais amplo no raciocínio diagnóstico, ocorre quando encerramos a consideração de alternativas cedo demais porque uma explicação parece suficientemente boa.
Em TI:
Search Satisfaction:
encontrei um erro no log e parei de vasculhar.
Premature closure:
concluí que aquele erro explica o incidente inteiro e parei de testar hipóteses.
Eles podem:
andar juntos.
🧠 Narrative Bias entra imediatamente
Encontramos:
erro.
Construímos:
história.
02:40 INPUT RUIM
↓
02:41 S0C7
↓
TRANSAÇÕES FALHAM
↓
INCIDENTE
Lindo.
Coerente.
PowerPoint praticamente:
se escreve sozinho.
Narrative Bias diz:
“Essa história faz sentido.”
Search Satisfaction responde:
“Então podemos parar.”
Mas:
coerência não é completude.
🎯 Pergunta Bellacosa nº 1
“Que evidência do incidente ainda não é explicada pela causa encontrada?”
No nosso exemplo:
S0C7 explica:
abend.
Mas não explica:
transação duplicada após restart.
Essa pista deveria impedir:
encerramento.
🧠 Residual Evidence
Essa é uma técnica fantástica.
Depois de formular causa:
liste sintomas.
[✔] S0C7
[✔] STEP ABEND
[ ] TRANSAÇÕES DUPLICADAS
[ ] TIMEOUTS EXTERNOS
[ ] RETRIES
Ainda existem:
caixas vazias.
Logo:
RCA incompleta.
☕ Não force a evidência
a caber na história.
Faça a história:
explicar evidência.
🧠 Confirmation Bias chega para ajudar no crime
Encontramos:
erro no arquivo.
Agora pesquisamos:
logs relacionados ao arquivo.
Encontramos:
outro warning.
Perfeito.
Hipótese ganha:
confiança.
Mas talvez os logs de:
network timeout
estejam em:
outro lugar.
Streetlight Effect.
Nossa investigação fica:
presa ao primeiro achado.
🧠 Streetlight Effect + Search Satisfaction
O capítulo anterior encaixa perfeitamente.
Streetlight:
procuramos:
onde existe luz.
Search Satisfaction:
encontramos:
algo debaixo do poste.
Agora:
temos ainda menos motivo psicológico para sair do poste.
Isso é perigoso.
☕ Antes:
“Talvez a chave esteja aqui.”
Depois:
“ACHEI UMA MOEDA!”
E pronto.
Agora temos certeza de que:
a chave também deve estar ali.
Não necessariamente.
🧠 Representativeness Heuristic
Erro:
S0C7.
Incidente:
dados.
“Tem cara de arquivo ruim.”
Pode ser.
Agora:
primeiro achado confirma:
aparência.
Busca termina.
Mas:
representatividade
não substitui:
causalidade completa.
🧠 Recency Bias
Último incidente:
arquivo inválido.
Novo:
parece semelhante.
Achamos:
um campo inválido.
Pronto.
Já vimos esse filme.
Talvez:
não.
🎯 Pergunta Bellacosa nº 2
“Estamos terminando a busca porque a causa explica tudo ou porque ela se parece com algo que já conhecemos?”
🧠 Search Satisfaction em debugging COBOL
Nosso jovem recebe:
TOTAL INCORRETO
Abre:
COMPUTE WS-TOTAL =
WS-PRICE * WS-QUANTITY.
Descobre:
WS-QUANTITY
tem valor errado.
Achei!
Corrige:
parágrafo onde quantity é calculada.
Testa.
Alguns casos:
passam.
Ticket:
fechado?
Calma.
Por que quantity chegou errada?
Talvez:
copybook divergente.
Se corrigirmos só:
efeito local,
outra rotina:
continua consumindo estrutura incorreta.
🧠 Primeiro erro versus primeiro erro causal
Existe uma técnica útil:
Find the First Bad State.
Não apenas:
onde erro apareceu.
Mas:
qual é o primeiro ponto do fluxo onde o estado se torna incorreto?
Exemplo:
INPUT OK
↓
MAPPING OK
↓
COPYBOOK WRONG
↓
CALCULATION WRONG
↓
REPORT WRONG
O relatório é:
onde percebemos.
Calculation:
onde investigamos.
Copybook:
onde nasceu.
☕ Bug gosta de:
nascer num bairro
e ser preso:
em outro.
🧠 Five Whys — com cuidado
Perguntar:
“por quê?”
repetidamente pode:
empurrar investigação além do primeiro achado.
Mas não transforme:
5 Whys
em:
ritual religioso.
Nem todo problema tem:
cinco camadas.
Nem toda causa:
é linear.
Sistemas complexos podem ter:
múltiplos contribuintes.
🧠 Search Satisfaction e causa única
Outra armadilha:
queremos:
THE ROOT CAUSE.
Singular.
Um campo.
Uma linha.
Um culpado.
Mas incidentes podem surgir de:
combinações.
CERTIFICATE RENEWAL
+
RETRY SEM IDEMPOTÊNCIA
+
TIMEOUT BAIXO
+
MONITORING INCOMPLETO
Qual é:
a causa?
Pergunta talvez:
simplista.
☕ Root Cause às vezes é:
um condomínio.
🧠 Swiss Cheese
Várias barreiras.
Várias condições.
Um alinhamento.
Se encontrarmos:
uma falha,
não significa:
que encontramos todas as fatias.
🎯 Pergunta Bellacosa nº 3
“Se corrigirmos exclusivamente isto, o mesmo incidente fica impossível de acontecer?”
Excelente teste.
Se resposta:
não,
talvez tenhamos:
contribuinte
e não:
explicação suficiente.
🧠 Counterfactual Test
Imagine remover:
a causa encontrada.
O incidente ainda poderia ocorrer?
Exemplo:
corrigimos campo inválido.
Retry continua:
sem idempotência.
Transação duplicada:
ainda possível.
Logo:
há mais trabalho.
☕ “Sem isso, aconteceria?”
Uma das melhores perguntas:
de RCA.
🧠 Search Satisfaction em War Room
War Room possui:
pressão.
Gerente quer:
status.
Executivo quer:
ETA.
Equipe quer:
dormir.
Então primeiro achado gera:
alívio enorme.
Não é só cognitivo.
É:
organizacional.
🧠 Incentive to Stop
Encontrar causa significa:
encerrar bridge.
Reduzir MTTR.
Cumprir SLA.
Voltar para casa.
Logo:
existe incentivo para:
aceitar suficiência cedo demais.
Campbell entra.
Goodhart observa.
☕ MTTR pode querer:
ticket fechado.
Engenharia quer:
problema compreendido o suficiente.
Nem sempre:
mesmo momento.
🧠 Goodhart’s Law
Se o sucesso da War Room é:
MTTR baixo,
então fechar rapidamente:
fica valioso.
A causa “boa o bastante”
pode ganhar.
Goal Substitution:
restaurar serviço
vira:
fechar incidente.
Search Satisfaction:
primeiro achado facilita.
🧠 Campbell’s Law
Se bônus, ranking ou punição dependem:
tempo de resolução,
a pressão aumenta.
Agora investigação tem:
incentivo institucional para terminar.
🎯 Pergunta Bellacosa nº 4
“Estamos parando porque a busca acabou ou porque continuar procurando ficou organizacionalmente caro?”
Essa pergunta é desconfortável.
Portanto:
boa.
🧠 Goal Gradient Effect
Estamos em:
95% da recuperação.
Encontramos:
um problema.
Corrigimos.
98%.
Todos querem:
Goal Gradient:
empurra.
Agora:
“vamos fechar.”
Mas:
último 2% pode conter:
segunda falha.
Nosso capítulo anterior volta:
falta pouco não significa que o que falta importa pouco.
🧠 Metric Fixation
Dashboard:
green.
Monitoring:
normal.
Encontramos:
one cause.
Metric Fixation diz:
evidência suficiente.
Mas talvez:
cliente continue:
com workaround.
🧠 McNamara Fallacy
Segunda causa:
conhecimento tácito.
Processo humano.
Difficult to measure.
Logo:
não entra.
Primeira causa técnica:
tem log.
Excelente.
Fechamos:
causa fácil.
☕ A causa com timestamp
vence a causa com contexto.
Muito corporativo.
🧠 Search Satisfaction e AI debugging
Agora fica fascinante.
Você manda para IA:
Encontre o bug neste código.
Modelo acha:
uma condição errada.
Ótimo.
Resposta:
“bug encontrado.”
Mas:
pode haver dois.
Ou problema:
fora do snippet.
IA pode:
encerrar geração assim que encontra uma explicação plausível.
Em sistemas de busca e agentes, pesquisas recentes também estudam justamente o desafio de calibrar quando parar de buscar: parar cedo pode produzir respostas incorretas, enquanto buscar demais desperdiça recursos.
🤖 Stop Condition da IA
Agentes precisam decidir:
“já tenho informação suficiente?”
Humanos também.
Isso torna Search Satisfaction:
muito atual.
🧠 Informação suficiente versus primeira informação
Não são iguais.
Agente encontrou:
documentação.
Mas deveria:
verificar versão?
Fonte?
Counterexample?
Recent change?
Same logic.
🎯 Pergunta Bellacosa nº 5
“A IA encontrou uma resposta ou verificou que não existe outra evidência material que a contradiga?”
Excelente.
🧠 Curiosidade 2026: busca agentic
Pesquisas recentes em agentes de busca descrevem tanto over-search quanto under-search: agentes podem pesquisar excessivamente ou encerrar cedo demais porque a fronteira entre “preciso continuar” e “já tenho evidência suficiente” é mal calibrada.
Isso é quase:
Search Satisfaction com GPU.
☕ Humans:
“achei.”
AI:
“sufficient evidence acquired.”
Ambos podem:
estar errados.
🧠 Search Satisfaction em AI clinical reasoning
Um trabalho de 2026 sobre modelos em raciocínio clínico agentic encontrou falhas de busca de informação e identificou padrões como search satisficing, anchoring e premature closure entre os modos de erro observados; o ponto interessante é que uma explicação localmente coerente pode coexistir com uma conclusão globalmente errada quando informações relevantes deixam de ser buscadas.
Em Bellacosa:
boa história + busca incompleta = confiança perigosa.
🧠 Search Satisficing
Termo próximo:
satisficing.
Herbert Simon popularizou a ideia de escolher uma solução:
boa o bastante
diante de limitações.
Isso pode ser racional.
Não precisamos:
buscar infinitamente.
O problema:
definir “boa o bastante”
cedo demais.
☕ Produção não exige:
verdade filosófica absoluta.
Exige:
confiança operacional suficiente.
Mas:
suficiente precisa ter:
critério.
🧠 Quando devemos parar?
Agora chegamos:
ao ponto prático.
Não:
“continue procurando sempre.”
Isso criaria:
Analysis Paralysis.
Precisamos de:
Search Stop Criteria.
🧪 Critério 1 — Todos os sintomas materiais foram explicados?
Checklist:
[✔] ABEND
[✔] TIMEOUT
[✔] DUPLICATION
[✔] CUSTOMER IMPACT
Se não:
continue.
🧪 Critério 2 — Evidência causal existe?
Não basta:
correlation.
Precisamos:
test.
Rollback.
Reproduction.
Trace.
🧪 Critério 3 — A correção removeu o comportamento?
Aplicar fix.
Observe.
🧪 Critério 4 — Existem causas independentes plausíveis?
Pergunte:
what else?
🧪 Critério 5 — Verificamos componentes adjacentes?
Upstream.
Downstream.
Interfaces.
🧪 Critério 6 — Existe evidência contraditória?
Se sim:
não feche.
🧪 Critério 7 — Existe risco de recorrência?
Se sim:
action.
☕ Agora temos:
critério.
Não:
cansaço.
🧠 Search Satisfaction em segurança
Security analyst encontra:
malware.
Ótimo.
Remove.
Incident closed?
Talvez não.
Perguntas:
Como entrou?
Credential compromised?
Persistence?
Lateral movement?
Exfiltration?
Encontrar:
malware
pode ser:
primeiro alvo.
Não:
fim da investigação.
🎯 Pergunta Bellacosa nº 6
“Encontramos o invasor ou apenas uma coisa que o invasor deixou para trás?”
🧠 Search Satisfaction em fraude
Fraude:
encontra uma transação suspeita.
Bloqueia.
Talvez existam:
contas relacionadas.
Network.
Pattern.
Primeiro target pode:
alertar para:
mais targets.
🧠 A descoberta deveria aumentar busca em alguns casos
Essa é uma inversão poderosa.
Encontrar:
um problema
não deveria sempre:
reduzir investigação.
Às vezes:
deveria aumentar.
Porque agora sabemos:
que a classe de falha existe.
☕ Encontrou uma barata?
Talvez não seja:
a única profissional da empresa.
Metáfora cruel.
Mas eficaz.
👻 Easter Egg nº 2 — Daleks novamente
Companion:
— Achei um Dalek!
Doctor:
— Então procure outro.
— Mas já achamos o problema.
— Não.
— Por quê?
— Porque Daleks raramente investem em operações solo com excelente work-life balance.
🧠 Search Satisfaction em migration
Migração:
1000 registros discrepantes.
Encontra:
uma regra de arredondamento errada.
Fix.
Discrepância cai para:
Ótimo.
Ticket fechado?
Não.
Os 300:
estão falando.
🧠 Residual analysis
Depois de remover:
causa conhecida,
analise:
resíduo.
Muito científico.
☕ A sobra é informação.
Não:
lixo.
🧠 Pareto
Talvez:
primeira causa explique:
80%.
Excelente.
Mas em sistema financeiro:
20% pode:
ser enorme.
Não use:
Pareto
como licença para:
ignorar cauda.
🎯 Pergunta Bellacosa nº 7
“Quanto do fenômeno permanece depois de removermos a causa encontrada?”
🧠 Search Satisfaction em performance
Batch ficou:
lento.
Encontramos:
SQL ruim.
Tunamos.
90 min → 60.
Normal histórico:
Problema resolvido?
Não completamente.
Talvez:
volume cresceu
e:
storage latency.
Primeiro finding:
real.
Mas:
residual gap:
20 min.
Continue.
🧠 Baseline matters
Compare:
before.
After.
Expected.
☕ Melhorou
não significa:
voltou ao normal.
🧠 Search Satisfaction em observabilidade
Alert:
CPU.
Encontramos:
runaway process.
Kill.
CPU normal.
Mas cliente:
ainda lento.
Primeiro finding:
not enough.
Customer journey:
source of truth.
🧠 Streetlight novamente
CPU tinha:
alert.
Por isso:
encontramos.
Talvez:
external API
sem monitoring.
Search Satisfaction prende:
na descoberta visível.
🎯 Pergunta Bellacosa nº 8
“O cliente percebeu que corrigimos?”
Se não:
não declare:
mission accomplished.
🧠 Search Satisfaction e Incident Commander
O IC pode ajudar:
separar:
restoration
de:
investigation.
Talvez serviço:
restaurado.
Ótimo.
Incident bridge:
reduz.
Mas RCA:
continua.
Isso evita pressão:
“tudo ou nada.”
☕ SERVICE RESTORED
não precisa significar:
ROOT CAUSE COMPLETE.
Estados diferentes.
🧠 Status model melhor
SERVICE STATUS:
RESTORED
INVESTIGATION:
OPEN
ROOT CAUSE:
PARTIAL
CORRECTIVE ACTIONS:
PENDING
Muito mais honesto.
🧠 Search Satisfaction e Definition of Done
RCA Done:
não quando:
temos um culpado.
Mas quando:
evidência;
scope;
contributing factors;
actions
estão suficientemente claros.
🧠 Premature Closure em suporte
Cliente:
não conecta.
Analista:
reset password.
Funciona.
Ticket:
close.
Semana seguinte:
mesmo cliente.
Problema:
token expiration bug.
Reset:
workaround.
Primeiro achado:
resolveu sintoma.
Não:
causa.
☕ Workaround Satisfaction
Outra forma:
“funcionou.”
Logo:
“entendemos.”
Não.
🧠 Fix versus Explanation
Um fix pode funcionar:
sem provar hipótese.
Restart:
clássico.
Restart resolve.
Por quê?
Memory leak?
Deadlock?
Corrupted cache?
Race?
Unknown.
🎯 Pergunta Bellacosa nº 9
“A ação funcionou porque nossa hipótese estava correta ou apenas porque alterou suficientemente o estado do sistema?”
Fantástica.
🧠 Restart: o grande destruidor de mistérios
Restart:
cura.
Logs:
somem.
State:
reset.
Evidence:
perde.
Action Bias.
Search Satisfaction:
“voltou!”
Premature Closure:
“era travamento.”
Root cause:
RIP.
☕ IPL
às vezes é:
remédio.
Às vezes:
apagador de quadro branco.
🧠 Evidence Preservation
Antes de:
restart,
quando possível:
capture:
dump;
logs;
metrics;
queues;
state.
Isso protege:
investigação.
🧠 Search Satisfaction em RCA pós-incidente
Depois:
alguém encontra:
erro de configuração.
Ótimo.
Pergunte:
por que config errada chegou?
Review?
Automation?
Test?
Guardrail?
Process?
Agora:
systemic learning.
🧠 Fundamental Attribution Error
Primeiro achado:
“Fulano digitou errado.”
RCA:
human error.
Search satisfied.
Mas:
por que era possível?
No validation.
No peer review.
Ambiguous screen.
Deadline.
Now:
context.
☕ A pessoa é:
um finding.
O sistema é:
a investigação.
🎯 Pergunta Bellacosa nº 10
“Estamos satisfeitos porque encontramos quem fez a última ação visível?”
Danger.
🧠 Search Satisfaction e Blame
Culpado encontrado:
necessidade psicológica:
closure.
Narrative Bias.
Fundamental Attribution.
Premature Closure.
Tudo converge.
Blameless postmortems ajudam:
abrir search space.
🧠 Omission Bias
Encontramos primeira falha.
Não procuramos segunda.
A omissão de investigação:
parece menos grave que:
tomar ação errada.
Mas:
é decisão.
🧠 Loss Aversion
Continuar procurando pode:
ameaçar conclusão confortável.
Talvez encontremos:
algo maior.
Isso cria:
resistência.
☕ Às vezes ninguém quer:
abrir a segunda porta.
Porque a primeira já mostrou:
um gremlin.
🧠 Self-Serving Bias
Encontramos erro:
do fornecedor.
Excelente.
Investigation ends.
Porque:
externo.
Se erro fosse:
nosso,
talvez olharíamos:
mais?
Possible bias.
🧠 Principal-Agent
Fornecedor encontra:
uma falha dentro do SLA.
Declara:
root cause.
Cliente:
sofre outra camada.
Incentives:
closure.
🎯 Pergunta Bellacosa nº 11
“Quem se beneficia se aceitarmos esta explicação como suficiente?”
Pergunta desconfortável.
Útil.
🧠 Search Satisfaction em AI-generated RCA
IA resume:
logs.
Produz:
causa provável.
Texto:
convincente.
Narrative Bias amplified.
Operator:
“faz sentido.”
Stop.
Need:
evidence links.
Alternative hypotheses.
Confidence.
🤖 Boa IA para RCA deveria perguntar:
EVIDENCE SUPPORTING:
...
EVIDENCE NOT EXPLAINED:
...
ALTERNATIVE HYPOTHESES:
...
WHAT WOULD FALSIFY:
...
Agora:
melhor.
☕ IA que conta história
é útil.
IA que mostra:
onde história pode estar errada
é ainda mais.
🧠 Search Satisfaction e LLM hallucination
Uma resposta plausível:
não é suficiente.
Verification.
Especially:
critical systems.
Search Satisfaction can:
happen to user:
primeira answer looks good.
Stop.
🎯 Pergunta Bellacosa nº 12
“O que verificaríamos se esta resposta tivesse vindo de um júnior às 03:00 em vez de uma IA confiante?”
Ótima.
🧠 Independent Verification
For critical:
second pair of eyes.
Peer.
Another tool.
Reproduce.
🧠 Second Reader Effect
Radiology sometimes uses:
double reading / second review strategies in contexts where misses matter.
In IT:
second analyst.
Particularly:
high impact.
☕ Quatro olhos também têm vieses.
Mas:
não exatamente os mesmos
no mesmo instante.
🧠 Search Satisfaction em testing
Teste encontra:
bug A.
Developer fixes.
Reruns:
specific test.
Pass.
Release.
But:
bug B
same flow.
Regression suite:
would catch.
Don't stop:
at first green.
🧠 Regression Testing
Search continues:
after fix.
Because:
change can expose:
other issues.
🎯 Pergunta Bellacosa nº 13
“Depois de corrigir a primeira falha, repetimos a busca inteira ou apenas confirmamos a correção?”
🧠 Exploratory testing
Tester finds:
one bug.
Rather than:
leave area,
may explore:
neighborhood.
Because:
defects cluster.
Not universal.
But useful heuristic.
☕ Onde tem fumaça
pode ter:
mais de um fio derretendo.
🧠 Search Satisfaction e security scanners
Scanner finds:
one vulnerability.
Report:
critical.
Fix.
But scanner:
limited.
No alert:
not no vulnerability.
Streetlight.
McNamara.
Continue:
manual testing where warranted.
🧠 Search coverage
Need know:
what search covered.
🎯 Pergunta Bellacosa nº 14
“O que nossa busca foi incapaz de procurar?”
Important.
🧠 Search Satisfaction em data reconciliation
Reconciliação encontra:
R$10k difference.
Identifica:
one batch missing.
Reprocess.
Difference:
R$2k.
Still:
not zero.
Do not:
call solved.
Residual is:
new problem.
☕ Em finanças,
“quase reconciliado”
é uma frase interessante.
🧠 Search Satisfaction e multiple simultaneous failures
Complex systems can:
fail in more than one place.
During major incident:
one component goes down.
Traffic shifts.
Second component overloads.
Now:
two failures.
Fix first.
Second remains.
If assume:
single cause,
surprise.
🧠 Cascading failure
Root cause may:
initiate cascade.
But later failures:
become independently important.
Fix root doesn't:
always instantly restore.
🎯 Pergunta Bellacosa nº 15
“Depois que a primeira falha ocorreu, que novas condições ela criou no restante do sistema?”
Excellent.
🧠 Search Satisfaction e temporal reasoning
Incident timeline.
First event:
not necessarily:
only event.
Map sequence.
02:40 CERT EXPIRES
02:41 TIMEOUTS
02:42 RETRIES
02:43 QUEUE GROWS
02:44 DUPLICATES
02:45 DB2 LOCKS
If find:
DB2 locks,
might stop.
But locks are:
event 5.
Streetlight.
Search Satisfaction.
☕ Timeline é máquina do tempo sem BBC budget.
🧠 Doctor Who approves timelines
A timeline helps:
distinguish:
cause,
consequence,
secondary failure.
🧠 First Observable Event
Find earliest:
abnormal condition.
Still:
not automatically root.
But valuable.
🎯 Pergunta Bellacosa nº 16
“Esse achado aconteceu antes do sintoma ou depois dele?”
Basic.
Powerful.
🧠 Search Satisfaction em requirements
User says:
report wrong.
Developer finds:
filter bug.
Fix.
But requirement itself:
ambiguous.
Another user expects:
different.
Technical bug fixed.
Business ambiguity remains.
🧠 Correct code can implement wrong requirement
Again.
Goal Substitution.
☕ Compiler não valida:
intenção humana.
Ainda.
🧠 Search Satisfaction e process improvement
Incident:
human entered wrong value.
Add validation.
Good.
But maybe:
workload impossible.
People rushing.
If only add control:
Need for Control.
Could create:
more friction.
Root systemic:
not addressed.
🎯 Pergunta Bellacosa nº 17
“Estamos corrigindo a primeira causa visível ou o conjunto de condições que tornou a falha provável?”
🧠 Search Satisfaction e Moral Hazard
Vendor pays:
penalty if root is theirs.
Finds:
client config.
Stop.
Client finds:
vendor retry bug.
Incentives influence:
search stop.
Independent RCA:
sometimes needed.
🧠 Search Satisfaction e Zero-Risk Bias
Find one risk.
Eliminate completely.
Feel safe.
Other risks:
remain.
Zero-Risk.
Search satisfaction:
first risk becomes universe.
🧠 Risk Register
One risk closed:
doesn't mean:
system safe.
☕ Check verde
é só:
um check verde.
🧠 Search Satisfaction e Goal Gradient em auditoria
Auditor precisa:
10 findings.
Encontrou:
Search stops?
Maybe.
Target reached.
Goal Gradient.
Campbell.
Danger.
Search should follow:
risk/sampling criteria,
not:
finding quota.
🧠 Search Satisfaction em monitoring alerts
One alert fires.
Team focuses.
Other alert suppressed.
Alert grouping may hide:
secondary.
Need:
incident overview.
🎯 Pergunta Bellacosa nº 18
“Que outros sinais começaram no mesmo período e foram eclipsados pelo primeiro alerta?”
🧠 Attentional Capture
First salient target:
captures attention.
Modern research into multiple-target search indicates that misses after a first detection can involve more than deliberate early stopping; perceptual and attentional mechanisms can also interfere with detecting later targets.
Isso nos ensina:
discipline processual importa
mesmo quando:
não sentimos estar parando.
☕ Você pode continuar olhando
e ainda assim:
não procurar tão bem quanto antes.
Interessante.
🧠 Então “continue procurando” é suficiente?
Não.
Talvez não.
Precisamos:
resetar atenção.
🧪 Técnica: Search Reset
Depois do primeiro finding:
pare.
Documente.
Então:
recomece a busca mentalmente como se aquele finding ainda não explicasse o caso inteiro.
Pergunte:
“Se eu não soubesse dessa causa, que outras hipóteses consideraria?”
Powerful.
🧠 Diagnostic Time-Out
Uma pausa deliberada:
O que mais?
O que não encaixa?
O que ainda não olhamos?
☕ Antes de CLOSE INCIDENT
execute:
PERFORM WHAT-ELSE
🧠 Second Pass
Pass 1:
find obvious.
Pass 2:
search independent issues.
Excellent.
🧪 Bellacosa Two-Pass RCA
PASS 1 — Explique o principal
Encontre:
causa provável.
PASS 2 — Procure o que sobrevive à explicação
Residual symptoms.
Independent failures.
Context.
🧠 Search Diversity
Second pass by:
different person.
Different tool.
Different domain.
Avoid:
same streetlight.
🎯 Pergunta Bellacosa nº 19
“Quem pode fazer uma segunda busca sem estar apaixonado pela primeira descoberta?”
🧠 Search Satisfaction e handoff
Primeira equipe:
hipótese Db2.
Segunda equipe recebe:
“Db2 issue.”
Anchoring.
Search already biased.
Better handoff:
symptoms + evidence.
Not:
conclusion only.
☕ Ticket title:
DB2 PROBLEM
e pronto.
Agora todo mundo:
procura Db2.
Mesmo que:
não seja.
🧠 Neutral problem statements
Better:
PAYMENT LATENCY
START 02:41
DB2 WARNING OBSERVED, CAUSALITY UNCONFIRMED
Great.
🧠 Search Satisfaction e Anchoring
First finding becomes:
anchor.
Subsequent evidence:
interpreted around it.
So:
label finding:
tentative.
🎯 Pergunta Bellacosa nº 20
“Estamos tratando o primeiro achado como hipótese ou como fato causal?”
🧠 Search Satisfaction e Success Bias
Fix works.
Confidence:
huge.
But intervention may:
affect multiple things.
Restart clears:
several conditions.
Not proof.
A/B impossible often.
Use:
other evidence.
🧠 Controlled experiment
When possible.
Test.
Reproduce.
☕ “Funcionou” é excelente.
“Sabemos por que funcionou”:
outra frase.
🧠 Search Satisfaction em performance tuning
Change buffer.
Performance improves.
Conclusion:
buffer root cause.
Maybe:
workload changed simultaneously.
Need:
repeat.
Baseline.
🧠 Search Satisfaction e correlation
First correlated event:
gets cause status.
Post hoc.
Danger.
🎯 Pergunta Bellacosa nº 21
“Qual outro evento mudou no mesmo intervalo?”
🧠 Search Satisfaction em logs
Search:
ERROR.
Find:
one.
Stop.
But important clue:
WARN.
Or:
absence of expected INFO.
Searching only:
errors
is itself:
Streetlight.
🧠 Negative Space
Missing log:
expected event didn't occur.
Valuable.
☕ Às vezes o problema:
não é a mensagem que apareceu.
É:
a mensagem que nunca apareceu.
🧠 Search Satisfaction e database query
SELECT:
first matching row.
Application:
assumes unique.
But duplicates.
First result satisfies search.
Data bug remains.
Literal computational analogy.
💻 COBOL SEARCH
Imagine tabela:
SEARCH WS-TABLE
AT END
CONTINUE
WHEN WS-ID(IDX) = SEARCH-ID
MOVE WS-VALUE(IDX) TO RESULT
END-SEARCH.
Se requisito:
“encontre todas as ocorrências”
e você usa lógica:
“encontre a primeira”,
programa implementou:
Premature Search Termination.
Literalmente.
☕ SEARCH sem SEARCH ALL?
Calma.
Não é exatamente esse ponto técnico.
Mas a metáfora:
é irresistível.
🧠 First Match versus Complete Match Set
Requirements matter.
Need:
one?
all?
unique?
Same in incidents.
Are we looking for:
a cause
or:
sufficient causal model?
🎯 Pergunta Bellacosa nº 22
“Nossa investigação precisava encontrar uma resposta ou todas as respostas materialmente relevantes?”
🧠 Search Satisfaction em backups
Restore fails.
Find:
bad tape.
Replace.
Restore succeeds.
But:
RTO exceeded.
Problem solved?
Recoverability:
partly.
Backup media:
one finding.
Process:
still slow.
Outcome:
not met.
🧠 Goal real matters
Goal Substitution again.
🧠 Search Satisfaction e postmortem action items
Root cause found.
Actions:
fix immediate.
Maybe:
no learning.
Ask:
detection.
Prevention.
Mitigation.
Recovery.
🧪 Four Action Categories
PREVENT
DETECT
LIMIT
RECOVER
Even if cannot:
prevent all,
improve system.
☕ Root cause sem action
é:
história.
Action sem root understanding:
pode ser:
curativo.
Precisamos:
ambos.
🧠 Search Satisfaction e Search Cost
Why do humans stop?
Time.
Fatigue.
Attention.
Cost.
Decision pressure.
This isn't stupidity.
In visual-search research, modern work emphasizes that multiple-target misses can arise from several mechanisms, not merely a conscious decision to stop after the first target.
Importantíssimo.
Não transforme:
viés
em:
culpa.
Design:
process.
🧠 Systems defense
Checklist.
Second pass.
Independent review.
Stop criteria.
Tooling.
These reduce dependence:
on perfect cognition.
👻 Easter Egg nº 3 — House e Doctor
House:
— Achamos pneumonia.
Doctor:
— E o sintoma que pneumonia não explica?
House:
— Interessante.
Doctor:
— Pensei que você diria “everybody lies.”
House:
— Você acabou de roubar minha cena.
Crossover cancelado por:
budget.
🧠 Search Satisfaction e checklist médico
A origem radiológica torna a analogia ótima:
achar uma anormalidade não significa que:
imagem foi totalmente interpretada.
Em incidentes:
achar um error code não significa que:
sistema foi totalmente interpretado.
☕ Error code é:
lesão encontrada.
Não:
laudo completo.
🧠 Bellacosa Search Completion Criteria
Antes de fechar:
[ ] Todos os sintomas materiais explicados?
[ ] Timeline consistente?
[ ] Hipótese testada?
[ ] Evidência contraditória resolvida?
[ ] Residual impact = 0 ou explicado?
[ ] Upstream analisado?
[ ] Downstream analisado?
[ ] Causas independentes consideradas?
[ ] Customer outcome normal?
[ ] Recurrence risk tratado?
Se:
não,
status:
INVESTIGATION CONTINUES
🧠 Mas não procure infinitamente
Importantíssimo.
Existe o extremo contrário:
over-search.
Analysis paralysis.
Agentes modernos também enfrentam esse trade-off entre parar cedo demais e pesquisar desnecessariamente por tempo demais.
Então:
maturidade é:
calibrar a fronteira de parada.
☕ Nem:
“achei uma coisa, fecha.”
Nem:
“talvez exista um gremlin quântico número 48.”
Engineering judgment.
🧠 Evidence Threshold
Set based on:
impact.
Low risk:
less investigation.
Financial integrity:
higher.
Safety critical:
higher.
🧠 Risk-based search
Search depth should reflect:
potential harm.
Excellent.
🎯 Pergunta Bellacosa nº 23
“O nível de confiança exigido para encerrar é proporcional ao impacto caso estejamos errados?”
🧠 Search Satisfaction e Severity
Tiny UI bug:
first plausible cause:
maybe enough.
Duplicate payment:
not.
Different:
search threshold.
🧠 Cost of false closure
Ask:
what if we stop now and are wrong?
This calibrates.
☕ Se custo do erro for:
R$3,
talvez.
Se for:
folha de pagamento,
procure de novo.
🧠 Bellacosa 60-Second Search Reset
Antes de declarar root cause:
O que encontramos?
O que isso explica?
O que não explica?
Que outra causa independente é plausível?
O que provaria que estamos errados?
Sessenta segundos.
Talvez:
salve seis horas.
🧠 Search Satisfaction Card
FIRST FINDING:
________________________
WHAT IT EXPLAINS:
________________________
WHAT IT DOES NOT EXPLAIN:
________________________
OTHER PLAUSIBLE CAUSES:
________________________
DISCONFIRMING EVIDENCE:
________________________
SECOND PASS DONE:
YES / NO
Beautiful.
🧠 Search Satisfaction em RCA multi-times
Faça:
cada domínio declarar:
findings.
App.
DB.
Network.
Infra.
Security.
Business.
Depois:
integrate.
Isso evita:
first team finding
encerrar.
🧠 Incident Commander asks “What else?”
After each finding:
“What else could independently produce the remaining symptoms?”
Habit.
☕ Duas palavras:
“O que mais?”
Talvez uma das ferramentas mais baratas:
do troubleshooting.
🧠 Search Satisfaction e Knowledge Management
Document incidents with:
false leads.
Not only:
final cause.
Why?
Future team learns:
what looked plausible.
Avoid repeated streetlight.
🧠 Near Miss in Diagnosis
Record:
what almost closed case incorrectly.
Excellent learning.
🎯 Pergunta Bellacosa nº 24
“Qual foi o momento em que quase encerramos a investigação cedo demais?”
Postmortem gold.
🧠 Search Satisfaction e psychological reward
Finding something feels:
productive.
Uncertainty decreases.
War Room cheers.
This emotional shift can:
make further search feel unnecessary.
Again:
not blame.
Be aware.
☕ O “achei!”
é maravilhoso.
Só não deve ser:
STOP RUN.
🧠 Search Satisfaction e uncertainty collapse
Before:
many hypotheses.
After first find:
one.
Mental entropy:
falls.
Comfort.
Need:
deliberately reopen.
🧠 Consider-the-Opposite
Ask:
what if this finding is real but unrelated?
Or:
only partial?
Excellent debias.
🎯 Pergunta Bellacosa nº 25
“Como explicaríamos o incidente se esse achado não fosse a causa principal?”
🧠 Search Satisfaction e RCA tooling
Tool could enforce:
field:
“unexplained evidence.”
Great.
Another:
“alternative hypothesis tested.”
Don't over-bureaucratize.
Need for Control warning.
🧠 Lightweight guardrail
One or two prompts.
Enough.
☕ Não precisamos:
17 aprovações
para lembrar:
“O que mais?”
🧠 Search Satisfaction em COBOL code review
Reviewer finds:
first bug.
Comments.
May pay less attention:
after.
Potential analogous multiple-target miss.
Better:
complete review pass.
Then:
comment.
Or second pass:
different concern.
Security.
Correctness.
Maintainability.
🧠 Structured Review Passes
Pass 1:
business logic.
Pass 2:
data/error handling.
Pass 3:
operability.
Excellent.
🎯 Pergunta Bellacosa nº 26
“Depois que encontramos um defeito evidente, mantemos o mesmo rigor no restante do código?”
🧠 Search Satisfaction em security code review
First SQL injection found.
Report.
But:
authorization bypass later.
Do complete:
scope.
High stakes.
🧠 Search Satisfaction and checklists
Checklist forces:
continued inspection.
Even after:
finding.
Aviation.
Medicine.
Engineering.
Useful.
☕ Checklist não acha bug.
Ele impede:
nosso cérebro de declarar férias cedo demais.
🧠 Search Satisfaction e sampling
Random sample finds:
one issue.
Should sample expand?
Depends.
If issue suggests:
systemic problem,
yes.
Adaptive sampling.
🧠 Discovery changes prior
Bayesian thought:
one target found can increase probability:
of related targets.
Sometimes discovery should:
increase search effort.
🎯 Pergunta Bellacosa nº 27
“Encontrar este defeito aumenta ou diminui a probabilidade de existirem outros semelhantes?”
Brilliant.
🧠 Search Satisfaction em migration reconciliation
One mapping wrong:
maybe all mappings made by same rule.
Expand:
search.
Don't only:
fix row.
🧠 Pattern-based search
Look for:
same defect class.
☕ Não mate:
um gremlin.
Procure:
a família.
👻 Easter Egg nº 4 — Gremlin no Batch
Nosso famoso gremlin deixa:
um registro ruim.
Você corrige.
No arquivo:
999.999 registros.
Pergunta Bellacosa:
— Ele veio sozinho?
Programador:
— Espero.
Gremlin:
ri no registro 742.881.
🧠 Search Satisfaction e Batch Restart
Fix first record.
Restart.
Next:
same error later.
Repeated.
Maybe systemic source.
Stop playing:
whack-a-mole.
Analyze:
population.
🧠 Search pattern escalation
First occurrence:
fix.
Second:
pattern.
Third:
stop individual treatment.
Find generator.
🎯 Pergunta Bellacosa nº 28
“Estamos corrigindo ocorrências ou eliminando o mecanismo que as produz?”
🧠 Search Satisfaction e alerts correlated
First alert:
Db2.
Could be:
downstream.
Need:
timeline and dependency graph.
🧠 Event correlation
Useful.
But AI/tool correlation:
still requires causal reasoning.
☕ Linha conecta dois pontos.
Não necessariamente:
causa.
🧠 Search Satisfaction e Search Exhaustion
At 04:00:
fatigue.
Search quality:
drops.
First acceptable explanation:
wins.
Need:
shift rotation.
Fresh eyes.
🧠 Fresh Eyes as debias
New engineer enters:
doesn't know first hypothesis.
May notice:
other clue.
🎯 Pergunta Bellacosa nº 29
“Estamos aceitando esta causa porque ela é forte ou porque estamos cansados?”
O café:
não responde.
🧠 Search Satisfaction e Authority Gradient
Senior says:
“é Db2.”
Everyone searches:
Db2.
Junior sees:
MQ anomaly.
Doesn't speak.
First authoritative finding:
terminates diversity.
Psych safety.
🧠 Independent hypothesis before discussion
Have each specialist:
write hypothesis
before hearing:
boss.
Reduces anchoring.
☕ Não deixe:
cargo
virar:
search stop condition.
🧠 Search Satisfaction e social consensus
Everybody agrees.
Feels:
done.
But groupthink.
Assign:
challenger.
🎯 Pergunta Bellacosa nº 30
“Quem nesta sala tem a missão explícita de tentar provar que nossa causa favorita está errada?”
🧠 Search Satisfaction e Incident Timeline v2
Use columns:
TIME
SYMPTOM
EVENT
INTERPRETATION
CONFIDENCE
Separate:
fact
from:
interpretation.
🧠 Facts versus hypotheses
FACT:
MQ queue depth = 3000
HYPOTHESIS:
consumer failure caused queue growth
Don't merge.
☕ Um fato não precisa:
de “acho que”.
Hipótese precisa.
🧠 Search Satisfaction e Self-Serving Bias
Our system:
green.
Vendor:
warning.
Cause:
vendor.
Done!
Maybe.
But:
our retry design amplified.
Shared cause.
🧠 System boundary bias
We may stop at:
organizational boundary.
“Not our fault.”
But customer:
doesn't care.
🎯 Pergunta Bellacosa nº 31
“Mesmo que a primeira falha tenha sido externa, o que em nosso sistema determinou o tamanho do impacto?”
Excellent resilience question.
🧠 Search Satisfaction e resilience engineering
Root event:
unavoidable.
But:
system response
modifiable.
Maybe more valuable than:
blame.
☕ Não podemos impedir:
raio.
Podemos:
melhorar para-raios.
🧠 Search Satisfaction e single point RCA
A root cause field:
one row.
Danger.
Use:
initiating event;
contributing factors;
detection gaps;
recovery gaps.
More nuanced.
🧠 Bellacosa RCA Layers
TRIGGER
CONTRIBUTORS
AMPLIFIERS
DETECTION GAPS
RECOVERY GAPS
Excellent.
🎯 Pergunta Bellacosa nº 32
“Encontramos o gatilho ou entendemos também o que permitiu que ele virasse incidente?”
🧠 Search Satisfaction e “No Fault Found”
Opposite case:
nothing found.
Search stops:
because no obvious evidence.
Streetlight.
Maybe:
sensor gap.
“No fault found” ≠ “no fault.”
🧠 Search stop when absent
Premature termination can:
also happen when expectation says:
nothing else likely.
Target prevalence research shows search behavior can change when targets are rare; this is adjacent rather than identical, but it reinforces the broader lesson that stopping rules shape what we detect.
☕ Procurar o segundo problema
é especialmente difícil
se segunda falha é:
rara.
🧠 Search Satisfaction e rarity
If two simultaneous failures:
rare,
brain says:
one enough.
But complex systems:
rare combinations happen.
Don't invoke:
“impossible.”
🎯 Pergunta Bellacosa nº 33
“Estamos descartando uma segunda falha apenas porque duas falhas simultâneas parecem improváveis?”
🧠 Occam's Razor com cuidado
Simplest explanation:
useful.
But not:
smallest number of causes at any cost.
Einstein-ish principle:
simple as possible,
not simpler.
Don't distort.
☕ Às vezes:
dois bugs.
O universo não assinou:
contrato de exclusividade.
🧠 Hickam’s dictum analogy
Medicine has a famous counterpoint to oversimplified single-diagnosis thinking: patients can have multiple diseases.
In IT:
systems can have:
multiple failures.
Simple.
🧠 Parallel failures
Particularly during:
migration;
peak;
major change;
disaster.
🎯 Pergunta Bellacosa nº 34
“Por que estamos assumindo que só pode existir uma causa?”
🧠 Search Satisfaction e maintenance windows
Multiple changes deployed.
Incident.
Find:
one bad config.
Rollback it.
Partial improvement.
Other change:
also bad.
Change batching increases:
search complexity.
Small changes:
help causal isolation.
🧠 DevOps lesson
Smaller deploys:
narrow search space.
Good.
☕ Menos suspeitos na sala
facilita:
investigação.
🧠 Search Satisfaction e change freeze
After first cause:
don't immediately resume all changes.
Validate:
stability.
Maybe second fault.
🧠 Observation window
Allow:
system settle.
🎯 Pergunta Bellacosa nº 35
“Quanto tempo precisamos observar antes de concluir que o fix resolveu o incidente inteiro?”
🧠 Search Satisfaction e Goal Gradient de investigação
RCA:
90% written.
One unexplained clue.
Deadline.
Goal Gradient:
ignore clue.
No.
Unexplained clue:
may be:
most valuable.
🧠 The One Weird Log
House MD:
always loves.
Bellacosa:
also.
☕ O log que estraga o PowerPoint
merece:
promoção.
🧠 Search Satisfaction e machine-generated summaries
Summaries compress.
May omit:
secondary anomalies.
Use:
raw evidence access.
Metric Fixation.
McNamara.
🧠 Compression risk
One “root cause” sentence:
loses uncertainty.
Keep:
evidence.
🎯 Pergunta Bellacosa nº 36
“O resumo eliminou justamente a anomalia que não cabia na narrativa principal?”
🧠 Search Satisfaction e observability UI
Dashboard highlights:
top anomaly.
Human focuses.
Others:
below fold.
UI creates:
attention hierarchy.
Design:
show correlated anomalies.
🧠 Salience engineering
Tooling influences:
search.
☕ Quem desenha dashboard
também desenha:
para onde os olhos vão.
🧠 Search Satisfaction e alerts deduplication
Dedup useful.
But can hide:
second independent issue.
Need:
correlation rules.
🧠 Search Satisfaction e AI copilots for War Room
Ideal copilot:
after first finding,
asks:
What evidence remains unexplained?
What alternative hypothesis is still plausible?
What changed immediately before impact?
Which unobserved dependency could produce the residual symptoms?
This is:
useful.
🤖 AI as Devil's Advocate
Not merely:
answer machine.
Could:
challenge.
🎯 Pergunta Bellacosa nº 37
“Estamos usando a IA para confirmar nossa hipótese ou para tentar quebrá-la?”
🧠 Search Satisfaction e documentation
Runbook:
if A → B.
B works.
Stop.
But new incident:
A + C.
Runbook may:
prematurely close.
Runbooks need:
escalation criteria.
🧠 Runbook state:
IF STEP RESTORES SERVICE
VALIDATE END-TO-END
Not:
CLOSE.
☕ Runbook também precisa:
saber desconfiar.
🧠 Search Satisfaction e user reports
Multiple users report:
different symptoms.
First cause explains:
majority.
Minority:
ignored as noise.
Maybe second incident.
Cluster:
symptoms.
🧠 Don't average away heterogeneous failures
Segmentation.
🎯 Pergunta Bellacosa nº 38
“Todos os clientes estão sofrendo exatamente o mesmo problema?”
If not:
maybe multiple causes.
🧠 Search Satisfaction e geography
Only region A.
Then region B after fix.
Different network path.
Need:
segment.
🧠 Search Satisfaction e time windows
First failure:
02:41–03:00.
Second:
03:20 onward.
Same incident?
Maybe:
new.
Timeline.
☕ Um bridge pode hospedar:
dois incidentes
sem avisar.
🧠 Search Satisfaction e causal graphs
Think:
graph.
Nodes.
Edges.
One broken node:
not enough.
Follow:
paths.
🧠 Graph thinking helps
Incident symptom:
node.
Possible causes:
upstream.
Second effect:
downstream.
Good.
🎯 Pergunta Bellacosa nº 39
“Qual caminho causal conecta este achado a cada sintoma?”
🧠 Search Satisfaction e COBOL conditional logic
We can make it literal:
IF FIRST-CAUSE-FOUND = 'Y'
PERFORM VALIDATE-ALL-SYMPTOMS
PERFORM SECOND-PASS
END-IF.
IF UNEXPLAINED-SYMPTOMS > ZERO
MOVE 'N'
TO RCA-COMPLETE
END-IF.
Perfeito.
👻 Easter Egg nº 5 — BELLACOSA.BIAS
No dia seguinte aparece:
BELLACOSA.BIAS(SEARCH-SATISFACTION)
Dentro:
IF FIRST-FINDING = 'FOUND'
DISPLAY 'GOOD. KEEP THINKING.'
PERFORM CHECK-RESIDUAL-EVIDENCE
END-IF.
IF ALL-SYMPTOMS-EXPLAINED = 'N'
MOVE 'OPEN'
TO INVESTIGATION-STATUS
END-IF.
IF TEAM-SAYS 'ACHEI'
PERFORM ASK-WHAT-ELSE
END-IF.
IF FIX-WORKED = 'Y'
AND CAUSALITY-PROVEN = 'N'
MOVE 'PARTIAL'
TO CONFIDENCE-LEVEL
END-IF.
Comentários:
* FINDING SOMETHING
* IS NOT THE SAME
* AS FINISHING THE SEARCH.
Outro:
* ONE TRUE ERROR
* CAN HIDE
* ANOTHER TRUE ERROR.
Outro:
* THE FIRST ANSWER
* MAY BE CORRECT
* AND STILL
* INCOMPLETE.
Outro:
* ASK:
* WHAT ELSE?
E naturalmente:
* ONE DALEK FOUND.
*
* SEARCH STATUS:
* DEFINITELY NOT COMPLETE.
Nosso jovem ri.
🕰️ Voltando para a War Room
04:32.
Primeiro erro:
corrigido.
Segundo:
retry sem proteção adequada contra duplicação.
Nosso jovem pergunta:
— Então o S0C7 não importava?
Doctor:
— Claro que importava.
— Mas não era a root cause?
— Era uma causa real de um problema real.
— Então eu estava certo?
— Sim.
— E errado?
— Também.
Ele fica confuso.
Doctor sorri.
— Bem-vindo a sistemas complexos.
🔧 A investigação continua
Timeline:
02:39 EXTERNAL API LATENCY
02:40 RETRY STARTS
02:41 DUPLICATE REQUESTS
02:41 BAD RECORD CREATED
02:42 COBOL S0C7
Agora percebem:
bad record
não iniciou:
tudo.
Foi produzido:
durante outra cadeia de falhas.
Fix definitivo:
idempotency protection;
validation;
retry policy;
data control;
monitoring.
☕ O primeiro erro
era:
parte da história.
Não:
o título inteiro.
🧠 Depois disso, a War Room muda uma pequena regra
Ninguém pode dizer:
“Root cause encontrada.”
Imediatamente.
Primeiro:
“Primeiro finding encontrado.”
Depois:
validam.
Talvez pareça:
semântica.
Mas palavras:
moldam pensamento.
🧠 Language guardrail
Use:
“candidate cause.”
“contributing factor.”
“evidence.”
Until:
validated.
Excellent.
🎯 Pergunta Bellacosa nº 40
“Estamos nomeando algo como causa antes de demonstrar que ele explica o fenômeno?”
🧬 Regeneração organizacional
Uma organização madura não:
desconfia eternamente.
Também não:
fecha cedo.
Ela sabe que:
buscar tem custo.
Investigar tem:
limite.
Produção precisa:
voltar.
Pessoas precisam:
dormir.
Mas ela também entende que:
o primeiro achado produz uma tentação cognitiva especial: ele reduz a incerteza, cria uma narrativa e oferece uma saída emocional para a investigação.
Por isso:
ela institui:
second pass;
residual evidence;
stop criteria;
independent review;
timeline;
counterfactual;
“what else?”
Não porque:
as pessoas sejam incompetentes.
Mas porque:
bons profissionais também possuem cérebros humanos.
📋 Checklist Bellacosa anti-Search Satisfaction
[ ] Encontramos um finding ou uma causa validada?
[ ] Esse achado explica todos os sintomas?
[ ] Existe evidência residual?
[ ] Existe segunda hipótese plausível?
[ ] Testamos causalidade?
[ ] O fix resolveu o outcome do cliente?
[ ] Houve uma segunda passada na investigação?
[ ] Upstream foi analisado?
[ ] Downstream foi analisado?
[ ] Existem falhas independentes?
[ ] O primeiro achado virou âncora?
[ ] Estamos cansados?
[ ] Há pressão de MTTR?
[ ] O ticket está sendo fechado por KPI?
[ ] Existe alguma evidência que não cabe na narrativa?
🧠 Bellacosa Search Stop Card
FIRST FINDING:
_____________________
CAUSALITY:
PROVEN / LIKELY / UNKNOWN
SYMPTOMS EXPLAINED:
_____________________
UNEXPLAINED:
_____________________
ALTERNATIVES TESTED:
_____________________
SECOND PASS:
YES / NO
CUSTOMER NORMAL:
YES / NO
SAFE TO STOP:
YES / NO
📓 Diário do Doctor
Se guardar algumas ideias desta viagem, guarde estas:
Search Satisfaction descreve o problema de um primeiro achado interferir na busca por achados adicionais. O fenômeno ficou particularmente conhecido em radiologia.
Pesquisas mais recentes preferem também falar em subsequent search misses porque o efeito não é explicado somente por uma decisão deliberada de parar a busca; atenção, percepção e expectativas também podem participar.
Premature Search Termination é a parada precoce da investigação antes de reunirmos evidência suficiente.
O primeiro erro encontrado pode ser completamente verdadeiro e ainda assim não explicar o incidente inteiro.
Narrative Bias transforma um achado numa história coerente.
Confirmation Bias procura sinais que apoiam a história.
Anchoring prende investigação ao primeiro finding.
Streetlight Effect mantém busca no local onde esse finding apareceu.
Goal Gradient aumenta a vontade de fechar quando estamos perto do fim.
Goodhart e Campbell podem pressionar a equipe a encerrar incidentes para melhorar MTTR e SLA.
Fundamental Attribution Error pode transformar a primeira ação humana encontrada na “root cause”.
Restart pode restaurar serviço sem provar a causa.
Residual evidence é uma das melhores defesas contra fechamento prematuro.
A pergunta “o que mais?” é absurdamente barata e absurdamente poderosa.
E principalmente:
o primeiro achado pode ser correto sem ser completo.
🥚 Easter Egg final
Antes de entrar na TARDIS, o Doctor escreve no quadro:
FIRST ANSWER != COMPLETE ANSWER
Nosso jovem COBOL olha.
— Doctor, isso nem é COBOL.
— Eu sei.
— Então por que escreveu?
— Porque você vai lembrar.
Pausa.
O jovem aponta:
para o incidente.
— Então quando posso finalmente dizer que encontrei a causa?
Doctor abre a porta da TARDIS.
— Quando a evidência deixar de fazer perguntas importantes que sua explicação não consegue responder.
— Isso parece trabalhoso.
— É.
— Não existe atalho?
Doctor pensa.
— Existe.
— Qual?
— Fechar cedo.
Nosso jovem sorri.
— E o que acontece?
O Doctor entra na TARDIS.
— Normalmente...
VWORP.
VWORP.
VWORP.
— ...outro incidente.
A TARDIS desaparece.
No quadro fica apenas:
“Não pare quando encontrar alguma coisa. Pare quando souber por que pode parar.”
E talvez essa seja a essência do Search Satisfaction / Premature Search Termination no Bellacosa Mainframe:
uma descoberta deveria reduzir nossa incerteza — nunca reduzir automaticamente nossa curiosidade.
☕🌀
Próxima parada: Premature Closure — quando deixamos de apenas interromper a busca e damos o passo seguinte: promovemos uma hipótese plausível ao cargo de diagnóstico oficial antes que todas as evidências tenham sido devidamente interrogadas.
