É um cenário recorrente: uma organização implementa ferramentas digitais com o objetivo de aprimorar um processo específico, mas não obtém o resultado desejado. Funcionários que deveriam usar as novas tecnologias reclamam que elas não resolvem o problema ou, pior, adicionam novas ineficiências. Gestores, ao investigarem os problemas, tendem a atribuir o fracasso à "baixa adoção", sem aprofundar a análise das causas reais.
Quando esses líderes buscam analisar investimentos digitais fracassados, cometem um erro comum: avaliam a qualidade dos dados e a usabilidade do sistema como uma única variável. Contudo, esses fatores operam por mecanismos distintos e falham de maneiras diferentes. A melhoria de um não garante a melhoria do outro. O custo desse erro é específico e recorrente. A atribuição de falhas a problemas de implementação, treinamento insuficiente ou falhas na gestão de mudanças é estruturalmente inevitável quando os líderes não distinguem entre uma falha na qualidade dos dados e uma falha no design do sistema. Sem essa distinção, a análise post-mortem não consegue identificar a causa raiz, resultando em investimentos corretivos que abordam o problema errado, seguidos por outro sistema subperformático e outro diagnóstico incorreto.
A Distinção Crucial: Dados vs. Sistema
Pesquisas empíricas conduzidas em ambientes de decisão de alta complexidade revelam que a usabilidade dos dados e a usabilidade do sistema afetam a carga cognitiva por caminhos inteiramente diferentes. Elas não são duas dimensões do mesmo problema, mas sim dois problemas distintos que exigem diagnósticos e investimentos separados. Os achados são diretamente acionáveis para qualquer organização que gerencie trabalhadores do conhecimento cujo desempenho depende de sistemas digitais.
Um estudo com 564 médicos de 32 especialidades, publicado na MIT Sloan Management Review, examinou como a qualidade dos dados, o design do sistema e a sobrecarga de informação moldam a carga cognitiva dos médicos ao usarem prontuários eletrônicos (EHRs) em tomadas de decisão de alto risco. A medicina clínica foi escolhida por ser um contexto de alto risco e extensivamente documentado para o trabalho do conhecimento sob pressão cognitiva e restrições de tempo. Os mecanismos cognitivos revelados pela pesquisa não são exclusivos da medicina.
A usabilidade dos dados de EHR, que abrange a qualidade, completude e relevância clínica das informações do paciente, aumenta a carga cognitiva germânica. Essa carga é o esforço cognitivo produtivo associado ao raciocínio profundo e ao engajamento significativo com informações complexas. Quando os trabalhadores do conhecimento encontram dados de alta qualidade, bem organizados e contextualmente relevantes, eles se engajam mais profundamente com eles. Esse engajamento mais profundo é o mecanismo pelo qual bons julgamentos são feitos, não um sintoma de sobrecarga ou fadiga. É a condição que produz a qualidade da decisão. Melhores dados fazem os médicos pensarem mais sobre o que importa; é aí que o investimento se paga.
Reduzindo a Carga Cognitiva Inadequada
Por outro lado, sistemas de EHR altamente usáveis – aqueles cujo design de interface, estrutura de navegação e alinhamento de fluxo de trabalho suportam a interação do usuário – reduzem a carga cognitiva extrânea. Esta é o esforço cognitivo improdutivo gerado por um design deficiente: excesso de etapas de navegação, fluxos de trabalho desalinhados, fadiga de alertas, desordem visual e requisitos de documentação que consomem capacidade mental sem contribuir para a decisão em questão. Um melhor design de sistema elimina esse desperdício e redireciona a capacidade cognitiva para o raciocínio que produz julgamentos precisos. O problema que ele resolve não é o bem-estar do trabalhador, mas sim a degradação da qualidade da decisão causada por atrito estrutural evitável.
A pesquisa confirmou ambos os efeitos com precisão estatística: a usabilidade dos dados demonstrou um forte efeito positivo direto na carga cognitiva (coeficiente de caminho padronizado de 0,597). A usabilidade do sistema mediou parcialmente essa relação de forma negativa (efeito indireto de -0,571), com a sobrecarga de informação mediando ambas as vias.
Consideremos o que acontece quando uma organização investe pesadamente na qualidade dos dados sem um investimento proporcional no design do sistema. A usabilidade dos dados melhora, o engajamento cognitivo germânico aumenta e os trabalhadores do conhecimento raciocinam mais profundamente sobre informações melhores. No entanto, se o sistema exigir mais navegação, mais cliques e mais atrito no fluxo de trabalho para acessar essas informações, a carga cognitiva extrânea aumentará simultaneamente. O fardo cognitivo total sobre o usuário sobe, mesmo com a melhoria da qualidade dos dados subjacentes, levando à diminuição da produtividade da decisão e a relatos de fadiga e frustração. A liderança conclui que a transformação digital não entregou o esperado, sem entender o problema estrutural de design: o investimento melhorou a qualidade dos dados, mas não reduziu o atrito de acesso e ação sobre esses dados.
O inverso também é comum. Organizações focam em melhorias na usabilidade do sistema, simplificando interfaces e reduzindo cliques, sem abordar a qualidade subjacente dos dados. A carga extrânea diminui e a navegação se torna mais fácil. Contudo, se os dados forem incompletos, inconsistentes ou mal organizados, o engajamento cognitivo germânico que produz boas decisões não é acionado. O sistema é mais fácil de usar, mas as decisões não melhoram.
Implicações para Governança e IA
Ambos os modos de falha são previsíveis uma vez que a distinção entre eles se torna clara. Para mitigar esses riscos, é fundamental atentar para práticas de governança de dados. Eliminar redundâncias, mostrar a linhagem dos dados (como, quando e por quem foram coletados), designar os campos mais críticos para a captura de informações e ajustar os limiares de alerta para que sejam acionados apenas quando ação for genuinamente necessária são passos essenciais. Esses ajustes, especialmente nos limiares de alerta, podem representar um dos retornos mais altos em melhorias de design cognitivo, sem a necessidade de novas tecnologias.
Organizações que investem em sistemas de suporte à decisão habilitados por Inteligência Artificial (IA) estão gerando um padrão semelhante de análise post-mortem em larga escala. Líderes avaliam o desempenho da IA principalmente pela precisão do modelo, taxas de adoção e ganhos de eficiência. Embora necessárias, essas métricas são insuficientes. Sistemas de IA que melhoram a qualidade e a relevância das informações apresentadas aos tomadores de decisão engajam a alavanca da carga germânica, tornando os dados melhores. Isso é valioso. No entanto, se a interface através da qual os usuários interagem com os resultados da IA for mal projetada, se as recomendações chegarem sem contexto suficiente, se o sistema exigir navegação significativa para entender a base de uma recomendação, ou se gerar notificações que os usuários aprenderam a ignorar, a carga extrânea imposta pela interface corroerá ou eliminará o benefício da carga germânica que a IA entrega.
Um investimento em IA que melhora a qualidade das recomendações sem um investimento equivalente no design da interface para agir sobre elas produzirá o mesmo diagnóstico incorreto de gerações anteriores de desempenho digital insatisfatório: as ferramentas serão culpadas, o treinamento questionado, a força de trabalho examinada e o problema de design estrutural permanecerá. Líderes devem buscar três qualidades em qualquer sistema de IA em seu portfólio: primeiro, os dados que ele apresenta devem valer o raciocínio profundo que exige; segundo, o design da interface deve reduzir o atrito estrutural de acesso e ação sobre esses dados; e terceiro, as informações apresentadas, quando e como são apresentadas, e quaisquer sinais de urgência, devem ser projetadas para direcionar o julgamento para o que importa, não para dispersar a atenção.
Avaliando o Sucesso de Sistemas Digitais
As perguntas que pertencem às revisões de liderança sobre o desempenho de sistemas digitais vão além das métricas padrão de uptime, precisão e adoção pelo usuário. Elas são perguntas sobre design cognitivo. O sistema reduz o esforço necessário para encontrar informações relevantes ou o aumenta? Os alertas gerados pelo sistema são aqueles sobre os quais as pessoas agem ou aqueles que aprenderam a ignorar? O engajamento cognitivo exigido por este sistema produz melhores decisões ou cria um atrito estrutural que o design deveria eliminar? Quais sinais estão sendo apresentados em cada momento de decisão, e são os corretos para aquele momento? Existem sinais de degradação da qualidade da decisão – como aumento nas taxas de erro em decisões complexas, volumes crescentes de escalonamento ou menor tempo de permanência entre tomadores de decisão experientes – que apontam para um ambiente cognitivo mal projetado, em vez de um problema de talento ou motivação?
Configurações de alerta, lógica de interface, design de fluxo de trabalho e limiares de governança de dados são decisões de design cognitivo com consequências diretas de desempenho; não são meras escolhas de configuração de TI. Líderes que desejam melhorar os retornos de seus investimentos digitais devem obter visibilidade sobre essas decisões, em vez de cedê-las inteiramente às equipes de implementação, fornecedores e administradores de TI. A falha em distinguir entre a qualidade intrínseca dos dados e a eficiência com que os usuários podem interagir com eles é a principal causa de fracasso em projetos digitais, um erro custoso que pode ser evitado com um diagnóstico mais preciso.
Com reportagem de Brazil Valley
Source · MIT Sloan Management Review
