 |
| Bellacosa Mainframe e o framing effect |
☕ Um Café no Bellacosa Mainframe
Framing Effect: Doctor Who, COBOL e o Dia em que 90% de Sucesso Pareceu Muito Melhor que 10% de Falha
Uma viagem pela TARDIS dos incidentes para entender por que a mesma informação pode provocar decisões diferentes dependendo apenas da forma como é apresentada
09:03.
Segunda-feira.
Sala de mudança.
Projetor ligado.
Café ainda quente.
Na tela:
PROPOSTA DE MUDANÇA
PROBABILIDADE DE SUCESSO:
90%
O gerente olha.
— Parece ótimo.
O especialista concorda.
— Noventa por cento é bastante alto.
Nosso jovem programador COBOL anota.
Pouco depois, outra pessoa apresenta exatamente o mesmo estudo.
Mas o slide agora diz:
PROPOSTA DE MUDANÇA
PROBABILIDADE DE FALHA:
10%
O clima muda.
O gerente franze a testa.
— Dez por cento de falha?
O especialista cruza os braços.
— Talvez seja arriscado demais.
Nosso programador olha para a primeira tela.
Depois para a segunda.
Volta a calcular mentalmente.
90% de sucesso.
10% de falha.
A mesma coisa.
Ele levanta a mão.
— Desculpe... mudou alguma coisa nos dados?
— Não.
— Então por que agora parece mais perigoso?
Silêncio.
VWORP.
VWORP.
VWORP.
A TARDIS materializa-se ao lado do projetor.
A porta abre.
O Doctor sai.
Olha para as duas telas.
Depois para o gerente.
— Qual versão prefere?
— A de 90% de sucesso.
— Por quê?
— Parece mais segura.
— E matematicamente?
— É igual.
O Doctor sorri.
— Ah.
Pausa.
— Então vocês não estão reagindo apenas aos números.
Aponta para o projetor.
— Estão reagindo à moldura.
Bem-vindo ao:
Framing Effect
Ou:
Efeito de Enquadramento
A tendência de tomar decisões diferentes diante da mesma informação dependendo da forma como essa informação é apresentada.
Em linguagem Bellacosa:
10% de falha e 90% de sucesso podem ser matematicamente iguais — mas não parecem iguais para o cérebro.
🌀 Nossa TARDIS dos incidentes já conhece uma bela coleção
Até aqui vimos:
Swiss Cheese Model — várias barreiras podem falhar juntas.
Normalization of Deviance — desvios viram rotina.
Hindsight Bias — depois do desastre tudo parece óbvio.
Confirmation Bias — buscamos aquilo que confirma nossas crenças.
Anchoring Bias — a primeira informação pesa demais.
Groupthink — grupos podem convergir cedo demais.
Authority Gradient — hierarquia pode silenciar quem percebe risco.
Plan Continuation Bias — continuamos planos que perderam sentido.
Alarm Fatigue — alertas demais deixam de ser ouvidos.
Automation Bias — confiamos demais na máquina.
Drift Into Failure — sistemas derivam lentamente para a borda.
Diffusion of Responsibility — todo mundo vê e ninguém assume.
Normalcy Bias — esperamos que tudo volte ao normal.
Survivorship Bias — estudamos apenas quem sobreviveu.
Base Rate Neglect — esquecemos frequências reais.
Availability Heuristic — aquilo que lembramos facilmente parece mais provável.
Outcome Bias — resultado bom parece provar decisão boa.
Overconfidence Bias — acreditamos saber mais do que realmente sabemos.
Planning Fallacy — subestimamos tempo e complexidade.
Sunk Cost Fallacy — investimentos passados prendem decisões futuras.
Status Quo Bias — o atual parece mais seguro porque já existe.
Present Bias — o conforto de hoje vence o custo de amanhã.
Optimism Bias — acreditamos que o resultado provavelmente será favorável para nós.
Action Bias — agir parece melhor que esperar.
Omission Bias — não agir pode parecer menos culpável que agir.
Loss Aversion — perder dói mais do que ganhar alegra.
Agora chegamos a um viés que conversa fortemente com quase todos eles:
a maneira como contamos a história altera a maneira como sentimos o risco.
🧠 O que é Framing Effect?
Imagine duas frases:
Frame A
“Este tratamento salva 90 de cada 100 pessoas.”
Frame B
“Este tratamento falha em 10 de cada 100 pessoas.”
Mesmos números.
Mas as reações podem ser diferentes.
Por quê?
Porque nossa mente não processa apenas:
quantidade.
Ela processa também:
palavras;
referências;
ganho;
perda;
ameaça;
segurança.
A informação nunca chega completamente neutra.
Ela chega dentro de uma moldura.
🖼️ Frame é literalmente uma moldura
Pense numa fotografia.
A imagem é a mesma.
Mas a moldura pode destacar:
beleza;
melancolia;
perigo;
nostalgia.
Na comunicação operacional:
99,5% DISPONIBILIDADE
soa excelente.
Agora:
3h39 DE INDISPONIBILIDADE POR MÊS
Talvez pareça diferente.
Os dados podem representar aproximadamente a mesma realidade.
Mas o significado percebido muda.
☕ Bellacosa Mainframe: disponibilidade
Gerente recebe:
AVAILABILITY:
99.9%
— Excelente!
Nosso programador converte.
Aproximadamente:
~43 minutos de indisponibilidade/mês
Agora negócio pergunta:
— Quarenta e três minutos?
Se cada minuto interromper liquidação financeira crítica, a moldura muda completamente.
Nem:
99,9%
nem:
43 minutos
está errado.
Mas cada frame mostra um aspecto diferente.
🧠 Percentuais escondem pessoas
Imagine:
ERROR RATE:
0.1%
Parece pequeno.
Mas sistema processa:
10 milhões de transações.
Então:
10.000 transações com erro
De repente 0,1% ganhou rosto.
Isso é importante:
uma porcentagem pequena pode esconder um número absoluto enorme.
🎯 Regra Bellacosa nº 1
Sempre que alguém apresentar percentual:
pergunte pelo número absoluto.
E vice-versa.
👻 Easter Egg nº 1 — os Daleks e a estatística
Companion:
— Doctor, só 0,5% das pessoas estão em risco.
Doctor:
— Quantas pessoas existem no planeta?
— Oito bilhões.
Silêncio.
— Ah.
O percentual ficou pequeno.
O problema não.
🧠 Gain Frame versus Loss Frame
Um dos enquadramentos mais poderosos é:
ganho versus perda.
Exemplo:
Ganho
“Se fizermos a modernização, economizaremos R$ 3 milhões.”
Perda
“Se não modernizarmos, perderemos R$ 3 milhões.”
Mesma magnitude.
Mas Loss Aversion nos ensinou:
perdas tendem a pesar mais.
Logo, o segundo frame pode gerar reação mais forte.
🧠 Framing Effect + Loss Aversion
Essa combinação é fundamental.
Se eu digo:
“Você pode ganhar R$ 1 milhão.”
é uma oportunidade.
Se digo:
“Você pode evitar perder R$ 1 milhão.”
parece urgência.
Mesmo valor.
Em comunicação corporativa:
quem escolhe o frame pode influenciar decisão.
☕ Segurança
Compare:
“O patch reduz o risco em 80%.”
versus:
“Se não aplicarmos, permanecemos expostos a 20% do risco.”
A percepção muda.
Por isso profissionais precisam desconfiar não apenas dos dados...
mas da forma de apresentá-los.
🧠 Framing não é necessariamente manipulação
Importante.
Toda informação precisa ser apresentada de algum modo.
Não existe relatório completamente sem frame.
Escolher:
percentual;
valor absoluto;
tempo;
frequência
já cria contexto.
O problema não é enquadrar.
O problema é:
esconder que existe enquadramento.
📊 Bons relatórios mostram múltiplos frames
Em vez de:
SUCCESS RATE: 99.8%
mostre:
SUCCESS RATE: 99.8%
FAILED TRANSACTIONS:
20.000 / 10.000.000
BUSINESS IMPACT:
R$ X
Agora decisão fica mais rica.
🧠 Dashboard é uma máquina de framing
Isso é fascinante.
Dashboard não apenas mostra dados.
Ele decide:
o que entra;
o que não entra;
qual cor;
qual escala;
qual período;
qual agregação.
Tudo isso cria frame.
📈 Escala do gráfico engana
Imagine duas séries.
Valor sobe de:
90 para 95.
Gráfico A começa em zero.
Parece pequena mudança.
Gráfico B começa em 89.
Parece uma explosão.
Mesmos dados.
Moldura visual diferente.
☕ Bellacosa Mainframe: gráfico assustador
War Room.
Dashboard:
CPU
94%
95%
96%
Eixo:
93–97%.
Linha parece subir como foguete.
Gerente:
— Estamos explodindo!
Outro gráfico:
0–100%.
Agora parece quase estável.
Nenhum gráfico é necessariamente mentira.
Mas cada um cria sensação diferente.
🧠 Sempre cheque o eixo
Uma das melhores dicas básicas:
Antes de interpretar um gráfico, leia os eixos.
Especialmente:
baseline;
intervalo;
período.
⏱️ Janela temporal também é frame
CPU hoje:
95%.
Últimos 5 minutos:
crescendo.
Últimas 24 horas:
normal para horário.
Últimos 6 meses:
tendência preocupante.
Qual é a verdade?
Todas podem ser.
A pergunta é:
qual janela responde à decisão que precisamos tomar?
🧠 Availability Heuristic + framing temporal
Se dashboard mostra só última hora:
evento recente domina.
Se mostra 30 dias:
padrão histórico domina.
A interface pode alimentar Availability Heuristic.
⚓ Anchoring Bias + Framing
Primeiro slide:
“Projeto economizará R$ 10 milhões.”
Pronto.
R$ 10 milhões vira âncora.
Depois aparecem:
custos;
riscos;
dependências.
Mas toda discussão gira em torno do primeiro frame.
A ordem da apresentação importa.
👥 Groupthink
Diretor apresenta:
“Temos 95% de chance de sucesso.”
Sala concorda.
Se tivesse dito:
“Temos 1 chance em 20 de falhar.”
talvez perguntas aparecessem.
O frame do líder influencia clima coletivo.
🪜 Authority Gradient
Frame vindo de autoridade ganha força extra.
Consultor:
“Migração tem 90% de sucesso.”
Júnior pensa:
“Mas 10% de falha parece alto.”
Não fala.
Authority Gradient protege o frame inicial.
🤖 Automation Bias
Dashboard IA:
SYSTEM HEALTH:
97/100
Usuário:
— Excelente.
Mas o que significa 97?
Talvez:
CPU;
memória;
rede.
Não inclui:
reconciliação financeira.
O score produz frame de saúde.
Automation Bias transforma em realidade.
🧠 Composite Scores são perigosos
Uma única nota:
HEALTH = 92
é confortável.
Mas esconde componentes.
Talvez:
CPU: 99
NETWORK: 99
DB2: 98
DATA INTEGRITY: 20
Média ainda pode parecer boa.
Mas integridade está pegando fogo.
☕ Média é frame
Outro clássico.
Salário médio.
Tempo médio.
Latência média.
Média pode esconder distribuição.
Se:
99% das transações = 50ms
1% = 30 segundos
latência média talvez pareça aceitável.
Clientes no 1% discordam.
📊 Percentis
P50.
P95.
P99.
Eles mudam frame.
Para operações:
P99 frequentemente conta história que média esconde.
🧠 Framing Effect + Base Rate Neglect
Um alerta diz:
“95% accuracy.”
Parece maravilhoso.
Mas Base Rate Neglect pergunta:
qual prevalência?
Framing Effect pergunta:
por que escolheram accuracy?
Talvez precision seja 20%.
Escolher a métrica certa também é enquadramento.
🔐 Segurança e estatísticas
Fornecedor:
“Bloqueamos 99,9% dos ataques.”
Quantos ataques?
Como classificados?
Quantos falsos negativos?
Qual impacto dos 0,1%?
O frame “99,9% bloqueado” pode esconder justamente o risco mais importante.
🧠 Marketing adora framing
Natural.
Produto:
“Até 80% mais rápido.”
Pergunta:
em quê?
contra quê?
em qual cenário?
Framework comercial escolhe frame mais favorável.
Engenharia precisa converter promessa em condição testável.
☕ “Até”
Uma palavrinha mágica.
“Até 80%.”
Pode significar:
1% em muitos casos;
80% em um caso.
Leia com café.
🧠 Framing Effect + Optimism Bias
Apresente:
“90% de sucesso.”
Optimism Bias diz:
estaremos nos 90%.
Apresente:
“10% de falha.”
Agora talvez Loss Aversion domine.
O mesmo indivíduo pode mudar de posição.
🎯 Pergunta Bellacosa nº 2
Quando alguém apresenta uma decisão:
“Como essa mesma informação seria apresentada pelo lado oposto?”
Exemplo:
90% sucesso.
Pergunte:
10% falha.
Economia R$ 3M.
Pergunte:
custo de não agir R$ 3M.
🧠 Reframing
Essa técnica é extremamente útil.
Pegue a mesma decisão e mude a moldura conscientemente.
Isso ajuda a detectar se nossa preferência depende demais da linguagem.
💻 COBOL: defect rate
Equipe apresenta:
TEST PASS RATE: 98%
Gerente:
— Excelente.
Nosso programador pergunta:
— Quantos falharam?
2% de 15.000 testes
=
300 falhas
Agora precisamos saber:
quais 300?
Se incluem pagamento e reconciliação:
98% talvez não seja confortável.
🧠 Nem todo teste pesa igual
Outra armadilha de framing.
999 testes cosméticos passam.
1 teste de integridade financeira falha.
Success rate:
99,9%.
Excelente?
Não.
A severidade precisa entrar.
📊 Weighted Risk
Em sistemas críticos:
não conte apenas quantidades.
Considere:
impacto;
criticidade.
Uma falha crítica pode pesar mais que cem pequenos sucessos.
🧀 Swiss Cheese + Framing
Imagine relatório:
“5 de 6 barreiras funcionaram.”
Parece ótimo.
Mas a sexta era:
última proteção contra perda de dados.
Então:
5/6
pode ser um frame enganoso.
Pergunta:
qual barreira falhou?
🧠 Outcome Bias
Resultado:
bom.
Frame:
“Mudança bem-sucedida.”
Mas houve:
near miss;
intervenção manual;
rollback parcial.
Talvez sucesso seja frame superficial.
Uma classificação binária:
SUCCESS / FAILURE
pode apagar complexidade.
☕ “Green” é um frame poderoso
Dashboard verde.
Mas:
green de quê?
Disponibilidade?
SLA?
Integridade?
Cliente?
Um sistema pode estar tecnicamente verde e comercialmente vermelho.
🧠 Technical Green vs Business Red
Exemplo:
CICS: GREEN
DB2: GREEN
MQ: GREEN
JOB: RC=00
Cliente:
pagamento duplicado.
Excelente exemplo de frame técnico incompleto.
🌀 Drift Into Failure e framing
Indicadores ainda dentro de limites.
Dashboard:
GREEN.
Mas margem:
40% → 30% → 20% → 10%
Se frame mostra apenas:
“dentro do threshold”,
o drift desaparece.
Tendência precisa aparecer.
📈 Threshold frame versus trend frame
Frame 1:
CPU < 95%, tudo bem.
Frame 2:
CPU cresceu de 60 para 94 em três meses.
Muito diferente.
Mesma CPU atual.
🧠 Status Quo Bias + framing
Descrever mudança como:
“substituir o sistema atual”
ativa sensação de perda.
Descrever como:
“evoluir gradualmente a arquitetura”
pode reduzir resistência.
Isso pode ser comunicação legítima...
ou manipulação.
A diferença:
transparência.
☕ Palavras carregam frame
“Legacy.”
Pode soar:
ruim.
“Mission-critical platform.”
Pode soar:
valioso.
Talvez estejam descrevendo a mesma coisa.
Engenharia precisa escapar dos rótulos.
🧠 Legacy framing
Fornecedor querendo vender:
“Sistema legado obsoleto.”
Equipe interna:
“Plataforma madura e comprovada.”
Qual é?
Talvez:
algumas partes maduras;
outras obsoletas.
Rótulo binário esconde análise.
🎯 Pergunta Bellacosa nº 3
“Se removermos os adjetivos, quais fatos permanecem?”
Excelente contra framing emocional.
🧪 Exemplo
Em vez de:
“Sistema legado antiquado.”
Use:
IDADE: 28 anos
DISPONIBILIDADE: 99,99%
CUSTO: X
SKILLS: Y
CHANGE LEAD TIME: Z
SECURITY SUPPORT: OK
Agora decida.
🧠 Sunk Cost Fallacy + framing
Projeto:
“Cancelar significa perder R$ 10M.”
Frame alternativo:
“Continuar exige investir mais R$ 7M.”
Ambos relevantes.
Mas o primeiro ativa Loss Aversion.
O segundo olha para cost-to-go.
Decisão muda.
☕ “Perder investimento” versus “evitar investimento ruim”
Mesma realidade.
Frame radicalmente diferente.
Por isso Sunk Cost adora linguagem.
🧠 Present Bias + framing
“Refactor custa 40 horas.”
Frame imediato.
Alternativa:
“Sem refactor gastaremos 10 horas/mês.”
Agora futuro fica visível.
40 horas parece grande.
120 horas/ano parece maior.
🧠 Planning Fallacy + framing
Projeto apresentado como:
“Só três módulos.”
Parece pequeno.
Outro frame:
“Três módulos, 17 interfaces, 11 datasets, 2 sistemas externos.”
Mesma mudança.
Muito mais realista.
☕ A palavra “só”
Já falamos dela.
“Só alterar um campo.”
“Só uma tabela.”
“Só um restart.”
“Só 10%.”
Palavras pequenas criam frames perigosos.
🧠 Action Bias e framing de urgência
War Room:
“Sistema está falhando!”
Action Bias.
Outro frame:
“Failure rate está em 1,2%, baseline 0,8%, tendência estável.”
Ainda merece atenção.
Mas talvez não restart imediato.
Precisão reduz frame emocional.
🧠 Omission Bias e framing
“Se fizermos rollback, perderemos uma hora.”
Dói.
Outro:
“Se não fizermos rollback, podemos perder quatro horas e integridade de dados.”
Agora comparação melhora.
🔥 Risk Communication
Em incidentes, comunicação precisa equilibrar:
clareza;
urgência;
precisão.
Evite:
“Tudo quebrado!”
Mas também:
“Pequena instabilidade”
quando 40% falha.
Linguagem inadequada distorce decisão.
☕ Eufemismos operacionais
“Intermitência.”
“Degradação.”
“Comportamento inesperado.”
Às vezes correto.
Às vezes:
produção pegando fogo com dicionário corporativo.
🧠 Framing e incident severity
Severity 1 versus “degradação significativa”.
O label muda comportamento.
Se sistema de classificação é ruim:
o frame institucional pode atrasar resposta.
📢 Comunicação executiva
Executivos precisam frame resumido.
Mas cuidado para não resumir demais.
Melhor:
IMPACT:
12% das transações de pagamento falhando
TREND:
piorando
CUSTOMERS:
~18k afetados
CURRENT ACTION:
traffic reduced
NEXT DECISION:
rollback em 10 min se >15%
Isso é um frame útil.
🧠 Framing não é só linguagem — é seleção
O que você omite também enquadra.
Relatório mostra:
sucessos.
Não mostra:
near misses.
Survivorship Bias + Framing.
📊 Dashboard greenwashing
Não precisa haver má intenção.
Um dashboard pode selecionar métricas que mostram saúde.
Porque foram as métricas históricas.
Enquanto novas fragilidades surgiram.
Drift + frame antigo.
🧠 Metric Framing
Taxa:
ERROR RATE: 0.01%
Número absoluto:
1.000 clientes/dia.
Tempo:
30.000 clientes/mês.
Cada representação cria impacto diferente.
Mostre as três quando importa.
🎯 Pergunta Bellacosa nº 4
“Qual versão da métrica faz o risco parecer menor? Qual faz parecer maior?”
Depois procure a visão equilibrada.
🧪 Natural Frequencies
Base Rate Neglect volta.
Em vez de:
“0,1%.”
Diga:
“1 em cada 1.000.”
Muitas pessoas entendem melhor.
Ou:
“1.000 casos em 1 milhão.”
Natural frequencies são úteis.
🧠 1 em 100 soa diferente de 1%
Mesmo sendo igual.
Exatamente o tema.
Por isso devemos conhecer o efeito.
🔐 Risk framing
“99% seguro.”
Parece ótimo.
“1 em 100 casos falha.”
Talvez não.
Em escala:
milhões de transações.
Contexto decide.
🧠 Positive Frame versus Negative Frame
Exemplo de projeto:
Positivo
“Temos 80% de chance de terminar no prazo.”
Negativo
“1 em cada 5 cenários atrasa.”
Mesma previsão.
Uma boa governança deveria analisar ambos.
👥 Steering Committee
Um sponsor pode escolher frame que favorece aprovação.
Talvez inconscientemente.
“80% sucesso.”
Uma equipe de risco pode escolher:
“20% falha.”
Ambos podem exagerar emocionalmente.
Resposta:
mostrar os dois.
🧠 Adversarial Reframing
Uma técnica excelente:
alguém apresenta decisão.
Outra pessoa precisa reformulá-la no frame oposto sem alterar fatos.
Exemplo:
“Economia de R$5M.”
Reframe:
“Não executar custa R$5M adicionais.”
Ou:
“10% risco.”
Reframe:
“90% não apresenta esse risco.”
Depois discuta.
☕ Bellacosa Two-Sided Slide
Todo slide de decisão importante poderia ter:
FRAME A:
GANHO
FRAME B:
PERDA
DADOS ABSOLUTOS
DADOS RELATIVOS
RISCO
Isso reduz persuasão acidental.
🧠 Framing Effect e IA
Agora fica especialmente interessante.
Você pergunta à IA:
“Explique por que esta migração é uma boa ideia.”
Ela busca argumentos favoráveis.
Pergunte:
“Explique por que esta migração é perigosa.”
Ela produz outro frame.
Mesmos fatos podem gerar narrativas distintas.
🤖 Prompt framing
O próprio prompt enquadra resposta.
“Quais benefícios?”
versus:
“Quais riscos?”
Isso não é bug.
É contexto.
Mas usuário precisa saber.
🎯 Pergunta Bellacosa para IA
“Agora reavalie a mesma decisão pelo frame oposto.”
Excelente hábito.
Depois:
“Quais fatos permanecem verdadeiros nos dois frames?”
Esses fatos são ouro.
🧠 Confirmation Bias + Prompt Framing
Usuário já acredita em X.
Pergunta à IA:
“Por que X é melhor?”
Recebe resposta.
Confirmation Bias ganha reforço tecnológico.
Melhor:
Argumente a favor.
Argumente contra.
Liste premissas.
Identifique dados faltantes.
🧠 Automation Bias
Resposta elegante da IA pode fazer frame parecer objetivo.
Não é necessariamente.
Toda síntese escolhe prioridade.
IA também produz enquadramento.
📋 Checklist anti-Framing Effect
[ ] A informação está em ganho ou perda?
[ ] Qual é o frame oposto?
[ ] Temos números absolutos e percentuais?
[ ] Qual é o denominador?
[ ] O período analisado está claro?
[ ] O eixo do gráfico começa onde?
[ ] Estamos usando média ou distribuição?
[ ] Existe tendência escondida pelo threshold?
[ ] Há métricas importantes fora do dashboard?
[ ] O título do slide já sugere conclusão?
[ ] Existem adjetivos desnecessários?
[ ] Como a decisão parece sem os adjetivos?
[ ] O mesmo dado foi apresentado sob dois frames?
[ ] O frame está ativando Loss Aversion?
[ ] Quem escolheu a forma de apresentação?
🧪 Como combater Framing Effect — passo a passo
Passo 1 — Identifique a moldura
Qual história está sendo contada?
Passo 2 — Reframe
Apresente o oposto.
Passo 3 — Use números absolutos e relativos
Sempre que possível.
Passo 4 — Mostre denominadores
10 falhas de quantas?
Passo 5 — Verifique período
Uma hora?
Um ano?
Passo 6 — Veja distribuição
Não apenas média.
Passo 7 — Retire linguagem emocional
Primeiro fatos.
Passo 8 — Mostre risco dos dois lados
Agir e não agir.
Passo 9 — Faça análise independente
Antes da narrativa executiva.
Passo 10 — Decida com critérios pré-definidos
Não com qual slide parece mais confortável.
🧠 Facts First
Antes do slide bonito:
FACTS:
- failure rate 10%
- 100k tx/day
- expected affected = 10k/day
- rollback 30min
Depois interpretação.
Isso ajuda.
☕ Não mate storytelling
Histórias são ótimas.
Bellacosa Mainframe inteiro é construído em histórias.
O problema não é storytelling.
É esquecer:
história é uma representação da realidade, não a realidade inteira.
Use histórias para ensinar.
Use dados para decidir.
🧠 Framing é inevitável
Esse é um ponto profundo.
Até dizer:
“Vamos mostrar apenas fatos.”
já exige selecionar fatos.
Logo, não existe neutralidade absoluta.
O objetivo é:
transparência e múltiplas perspectivas.
🧩 Same Facts, Different Questions
CPU 90%.
Pergunta 1:
estamos dentro da capacidade?
Sim.
Pergunta 2:
temos margem para Black Friday?
Talvez não.
O frame depende da pergunta.
Nem sempre um é “enganoso”.
🧠 Decision Context matters
Um mesmo número pode ser bom para:
operação normal.
Ruim para:
janela de crescimento.
Logo, frame correto precisa corresponder ao contexto decisório.
🎯 Pergunta Bellacosa nº 5
“Qual decisão estamos tentando tomar com este dado?”
Se ninguém sabe:
o dashboard talvez seja decoração.
📊 Information Design
Uma boa visualização deveria ajudar:
comparar;
detectar;
priorizar.
Não impressionar.
Em War Room:
clareza > beleza.
Embora beleza ajude.
☕ Sem velocímetro de avião em Comic Sans
Talvez uma regra universal.
🧠 Framing em post-mortem
Título:
“Erro humano causou outage.”
Frame criado.
Agora investigação procura pessoa.
Outro:
“Outage ocorreu durante processo manual vulnerável a erro.”
Mesma sequência.
Frame sistêmico.
A segunda abre mais possibilidades.
🔍 Blame Frame versus System Frame
Blame:
“Operador digitou errado.”
System:
“Uma única entrada manual não validada podia interromper serviço.”
Qual produz ação preventiva melhor?
Normalmente a segunda.
🧠 Just Culture
Framing afeta cultura.
Se incident reports enquadram:
pessoa como causa,
organização aprende:
“tenha mais cuidado.”
Se enquadram sistema:
aprende:
“como tornar erro menos provável e menos perigoso?”
🧀 Swiss Cheese volta
Uma pessoa errou.
Mas:
quantas barreiras existiam?
Se nenhuma:
frame “erro humano” é incompleto.
Swiss Cheese fornece frame mais rico.
🧠 Hindsight Bias
Depois:
“Era claramente arriscado.”
Mas se decisão original foi apresentada como:
“95% sucesso”,
talvez clima fosse diferente.
Post-mortem deve reconstruir o frame disponível na época.
📝 Preserve Original Decision Materials
Guarde:
slides;
dashboards;
mensagens;
estimativas.
Eles mostram como informação foi enquadrada.
Isso ajuda a entender decisões.
🌀 Drift Into Failure e relatórios verdes
Sistema deriva.
Mas relatório mensal:
SLA MET: YES
Todos verdes.
Frame:
saudável.
Enquanto:
margem cai.
intervenções sobem.
turnover aumenta.
Precisamos indicadores que mostrem trajetória.
📈 Leading + Lagging frames
Lagging:
incidentes.
Leading:
margem.
retries.
manual work.
Mostrar ambos evita frame otimista demais.
🧠 Loss Aversion + projetos
Projeto apresentado como:
“Se cancelarmos, perderemos R$ 20M.”
Reframe:
“Continuar exige arriscar outros R$ 10M para recuperar no máximo R$ 4M.”
Agora Sunk Cost fica visível.
🧠 Omission Bias + segurança
“Aplicar patch pode causar outage.”
Reframe:
“Não aplicar mantém vulnerabilidade conhecida por X dias.”
Agora risco da inação entra.
🧠 Action Bias + incidentes
“Precisamos agir agora.”
Reframe:
“Temos evidência suficiente para justificar intervenção agora?”
A linguagem muda comportamento.
🧠 Optimism Bias + planejamento
“Temos 85% de confiança.”
Reframe:
“Em 15 de cada 100 cenários semelhantes, falhamos.”
Talvez exija contingência.
☕ Essa série inteira é sobre reframing
Perceba.
Quase cada viés que estudamos pode ser combatido mudando a pergunta:
Hindsight:
“O que sabíamos antes?”
Sunk Cost:
“Vale gastar o próximo real?”
Status Quo:
“Qual o risco de não mudar?”
Present Bias:
“Quanto custa isso em um ano?”
Action Bias:
“Qual problema a ação resolve?”
Omission Bias:
“Qual custo de não agir?”
Loss Aversion:
“O que perdemos mantendo?”
Framing Effect é quase:
o capítulo sobre como as perguntas constroem o pensamento.
🧠 Perguntas são frames
Essa talvez seja a parte mais importante.
Pergunta:
“Quem errou?”
produz investigação.
Pergunta:
“Como o sistema permitiu o erro?”
produz outra.
Ambas podem ser válidas.
Mas levam a lugares diferentes.
🎯 O poder de uma boa pergunta
War Room madura não pergunta apenas:
“O que aconteceu?”
Também:
Cada pergunta muda frame.
🧪 Framing Drill
Treine equipes.
Pegue uma decisão.
Apresente:
Frame positivo.
Frame negativo.
Frame financeiro.
Frame técnico.
Frame cliente.
Pergunte:
a escolha mudou?
Se sim:
por quê?
Excelente exercício.
👥 Multi-perspective Review
Uma mudança pode ser vista por:
aplicação;
infra;
segurança;
negócio;
cliente.
Cada um possui frame parcial.
Combine.
Isso reduz cegueira.
🧠 Local Rationality
No Drift Into Failure vimos racionalidade local.
Cada equipe otimiza seu frame.
DBA:
banco verde.
MQ:
fila verde.
Negócio:
cliente falhando.
O sistema inteiro precisa de frame ponta a ponta.
☕ End-to-End Frame
Pergunta:
“O cliente conseguiu concluir a jornada?”
Às vezes essa métrica derrota uma sala cheia de dashboards verdes.
📓 Diário do Doctor
Se guardar algumas ideias desta viagem, guarde estas:
Framing Effect é a tendência de reagir de forma diferente à mesma informação dependendo da forma como ela é apresentada.
90% de sucesso e 10% de falha podem gerar emoções diferentes apesar de serem equivalentes.
Loss Aversion torna frames de perda especialmente poderosos.
Percentuais precisam de denominadores e números absolutos.
Médias podem esconder caudas.
Dashboards também enquadram a realidade.
Escalas, cores, períodos e métricas influenciam percepção.
Palavras como “legacy”, “seguro”, “instável” e “simples” já carregam frames.
Mostrar o frame oposto é uma defesa poderosa.
IA também responde ao enquadramento do prompt.
Em post-mortems, o frame escolhido pode direcionar culpa ou aprendizado sistêmico.
E principalmente:
Nunca pergunte apenas “o que os dados dizem?”. Pergunte também “como estamos escolhendo mostrá-los?”.
🕰️ De volta à reunião das 09:03
Primeiro slide:
90% SUCCESS
O gerente:
— Parece bom.
Nosso programador acrescenta:
10% FAILURE
A sala fica menos confortável.
Depois acrescenta:
10 EM CADA 100 MUDANÇAS
Depois:
HISTÓRICO:
2 incidentes graves em 20 mudanças
Depois:
ROLLBACK:
TESTADO
BLAST RADIUS:
LIMITADO
STOP TRIGGERS:
DEFINIDOS
Agora a discussão muda.
Não é:
“90% é bom?”
É:
“10% de risco é aceitável dadas as proteções existentes?”
Muito melhor.
O gerente pergunta:
— Então o risco mudou?
— Não.
— O que mudou?
Nosso jovem sorri.
— Nossa maneira de enxergá-lo.
O Doctor guarda o sonic screwdriver.
— Excelente.
— De novo essa palavra?
— Sim. É raro humanos perceberem a moldura antes de baterem o martelo.
🥚 Easter Egg final
Na manhã seguinte aparece:
BELLACOSA.BIAS(FRAME)
Dentro:
IF FRAME = '90-PERCENT-SUCCESS'
MOVE '10-PERCENT-FAILURE'
TO ALTERNATIVE-FRAME
END-IF.
IF VALUE-IS-PERCENT
PERFORM SHOW-ABSOLUTE-NUMBER
END-IF.
IF DECISION-CHANGES
AFTER-ONLY-WORDING-CHANGES
PERFORM REVIEW-BIAS
END-IF.
Comentário:
* SAME DATA.
* DIFFERENT STORY.
Outro:
* ALWAYS CHECK THE DENOMINATOR.
Outro:
* GREEN IS A COLOR.
* NOT A ROOT CAUSE.
E naturalmente:
* BAD WOLF HAD A 90% SURVIVAL RATE.
* THE OTHER 10% WERE LESS ENTHUSIASTIC.
Nosso programador fecha o membro.
Pouco depois recebe um slide:
“99,8% dos processos concluídos com sucesso.”
Ele pergunta:
— Quantos processos?
— Dois milhões.
Calcula.
— Então quatro mil falharam.
Silêncio.
— Quatro mil?
— Sim.
— Parece muito pior assim.
Ele sorri.
— Os dados são os mesmos.
Pausa.
— Agora precisamos decidir qual representação responde melhor à pergunta que estamos fazendo.
Em algum lugar:
VWORP.
VWORP.
VWORP.
A TARDIS desaparece.
No quadro da War Room fica uma frase:
A realidade não muda quando mudamos as palavras. A decisão humana, infelizmente, pode mudar — e é por isso que bons engenheiros aprendem a olhar além da moldura.
☕🌀
Next stop: Recency Bias — quando aquilo que aconteceu ontem começa a pesar tanto que dez anos de histórico quase desaparecem da decisão de hoje.
