Há alguns dias me perguntava sobre como começar esse artigo, quando recebo em um dos grupos de whatsapp que tenho para falar sobre complexidade, de um querido amigo, José Torquato, a foto que está logo a seguir, de um episódio ocorrido em Honduras, no qual uma ponte foi construída sobre o Rio Choluteca, naturalmente para atravessar um rio. Até então, tudo perfeitamente óbvio, exceto pelo fato de que, após um forte furacão no local, o próprio rio se moveu. A ponte agora está sobre terra seca, não servindo para resolver o problema para o qual sempre existiu. O rio não está mais lá. O que seria uma solução perfeita para quase todos os rios do mundo, não se aplica para “Choluteca, o rio fujão”. Uma solução perfeita, para o problema errado.

 

Esse, para mim, é um dos melhores exemplos de como uma solução “óbvia” é totalmente ineficaz quando o assunto é “complexidade”. A solução é perfeita, desde que o problema não mude ao longo do tempo.

Refletindo sobre isso, me pergunto: quantos problemas são resolvidos em nossas organizações da mesma forma, por meio de um “copiar e colar” e, quando, finalmente a solução está pronta, o problema mudou de lugar? Quantas “pontes”, como a do Rio Choluteca estão espalhadas por nossas empresas consumindo recursos e tornando as organizações cada vez mais “pesadas” por terem que carregar consigo o preço do retrabalho e do desperdício?

A verdade é que, à medida em que o tempo passa, o ciclo das mudanças é cada vez mais curto e o ritmo com que esses novos desafios se apresentam às organizações é cada vez maior. Lembro-me de um artigo que li na revista Time, chamado “The accelerating pace of change and exponential growth in computing power will lead to the Singularity” em que uma imagem ilustrava “the pace of change”, ou “o ritmo das mudanças”. Enquanto levamos 8000 anos entre a revolução agrícola e a revolução industrial, passaram apenas 9 anos entre a popularização da internet e o sequenciamento do genoma humano. Qual o tempo que nossas organizações possuem hoje em dia para conhecer e entender totalmente um novo problema antes de reagir? Quanto tempo temos para ganhar conhecimento sobre algo suficientemente para que possamos estabelecer uma clara relação de causa e efeito entre um problema e uma solução?

A tomada de decisões nas organizações, fortemente baseada nas premissas da repetitividade, previsibilidade e da simplificação dos contextos, reduzindo o todo à soma de suas partes e tentando explicar o fenômeno completo a partir da explicação individual de cada peça, representa o ponto central de uma abordagem sistêmica versus reducionista. Em seu artigo original sobre o framework Cynefin, Snowden e Boone retratam essa mudança de forma bastante enfática:

“Essa suposição (que existe certo nível de previsibilidade e ordem no mundo), fundamentada na ciência newtoniana e na administração científica, encoraja simplificações que são úteis em circunstâncias ordenadas. As circunstâncias mudam, no entanto, e à medida que se tornam mais complexas, as simplificações podem falhar. Boa liderança não é uma proposta única para todos.”

Isso tudo nos remete ao “The Darkness Principle”, descrito no livro Management 3.0, um conceito que determina que:

“Cada elemento do sistema desconhece o comportamento do sistema como um todo, responde apenas às informações disponíveis localmente. Este ponto é de vital importância. Se cada elemento “soubesse” o que estava acontecendo com o sistema como um todo, toda a complexidade teria que estar presente nesse elemento “.

A imagem abaixo ilustra isso muito bem! Imagine se um dos peixes fosse o responsável por coordenar todos os movimentos e a direção do cardume, comandando a direção dos demais peixes e controlando se todos estão executando os movimentos como o planejado? Provavelmente ele só se daria conta do tubarão quando muitos peixes já tivessem sido comidos graças a uma ordem errada, que ele recomendou pelo fato de que, da posição em que está, tem apenas uma visão parcial do sistema e é incapaz de antever o comportamento futuro, a não ser depois que o comportamento já ocorreu, por coerência retrospectiva.

O resultado só pode ser explicado depois que acontece. O conhecimento sobre os padrões do passado não é suficiente (e pode até mesmo ser perigoso) para determinar uma resposta no futuro.

 

 

Por isso, em um sistema complexo, nenhum agente tem a visão do todo, ninguém conhece todos os padrões. Todos tem apenas uma visão do todo, mas, incompleta.

Esses dois casos apresentados mostram a dificuldade em utilizar o conhecimento do passado para responder a problemas complexos. Mas, como saber qual a melhor solução para um problema?

Neste artigo, apresentarei dois modelos para a avaliação de complexidade e, ao final, um terceiro (ainda incompleto e em construção), comparando-os e ressaltando seus pontos específicos.

Começarei pelo framework Cynefin, criado por Dave Snowden, então consultor sênior da IBM que, então diretor do Institute for Knowledge Management, por volta dos anos 2000. Pouco mais tarde fundou o IBM Cynefin Center for Organizational Complexity, e, durante este período, liderou o time que desenvolveu o Cynefin, uma estrutura (framework) para tomada de decisão.

O framework Cynefin nos permite compreender os problemas sob a óptica de três tipos de sistemas: ordenados, complexos e caóticos. Os três sistemas, por sua vez, são subdivididos em cinco domínios definidos pela natureza da relação causal. Quatro deles – claro, complicado, complexo e caótico – requerem líderes para diagnosticar situações e, então, agir com a resposta apropriada para o contexto. O quinto domínio, confusão, materializa-se quando não há clareza sobre qual(s) dos outros quatro domínios é predominante. Normalmente, algo em confusão recebe influência de mais de um domínio simultaneamente. Os domínios complicado e claro fazem parte do mesmo sistema, ordenado, ressaltando que a fronteira entre ambos é humana e não sistêmica, ou seja, o nível de compreensão e conhecimento do agente determinará se algo é complicado ou claro. Na figura a seguir apresentamos o framework Cynefin e seus domínios.

 

 

O domínio em que um problema está localizado, segundo o Cynefin, determinará uma sequência de respostas para sua solução, conforme descrito no artigo original.

 

Domínio Claro (clear) – Melhores Práticas

É caraterizado pela existência de uma clara relação de causa e efeito. A resposta é conhecida por todos e inquestionável. Neste domínio, cabe aos líderes e gestores deste: entender, categorizar (conforme uma base ou catálogo de melhores práticas) e responder. Neste contexto, o efeito será sempre conhecido e previsível, bastando reproduzir um comando e controlar. Aqui o foco está em eficiência e as práticas de gestão conservam em si as características fundamentais do comando e controle, com decisões top-down, processos claros e muito bem definidos, com alta previsibilidade. O domínio Clear apresenta pouca ambiguidade e, portanto, as decisões podem ser facilmente delegadas e as funções são automatizadas. A rede é menos importante do que a hierarquia.

 

Domínio Complicado (complicated) – Boas Práticas

Este é o domínio das análises e especialistas: aqui, ao contrário do que ocorre no domínio clear, várias soluções são possíveis para o mesmo problema e, embora também haja uma clara relação de causa e efeito, ela não é tão óbvia ao ponto de que qualquer pessoa possa interpretá-la e reagir apenas categorizando. É preciso analisar os dados. Aqui a presença de um especialista é necessária para que este possa fazer uma análise para selecionar, dentre as boas práticas, qual poderá ser a melhor prática para determinada situação. O líder ou gestor, em um contexto complicado, deve entender, analisar (com as competências de um especialista), e, então, responder. Enquanto o domínio clear não se beneficia do uso de redes, no domínio complicado, as redes ganham uma importância estratégica, pois, constantemente, a opinião de especialistas será necessária para determinar a melhor resposta dentre as respostas possíveis.

 

Domínio Complexo (complex) – Práticas Emergentes

Enquanto um contexto complicado apresenta ao menos uma resposta certa, no contexto complexo essa relação de causa-efeito não pode ser estabelecida. Neste domínio, o entendimento necessário para resolvermos um problema não vem do passado, mas, do futuro. Enquanto os domínios anteriores estabelecem regras e padrões para tornar o ambiente à prova de falhas, aqui o papel do líder ou gestor será o de criar um ambiente seguro para falhar. Um ambiente para a experimentação, sondagem e para a busca por um padrão emergente. Um padrão que emergirá da conexão entre as pessoas envolvidas na busca pela resposta. Este é o domínio em que a sequência correta para a solução de um problema é: sondar, entender e responder. É o domínio da experimentação, da elaboração de hipóteses, testes e busca de feedback para aprimoramento da solução. Padrões emergentes podem ser percebidos, mas não podem ser previstos. Neste contexto para tomada de decisão, um líder deve estabelecer um ambiente seguro para que, por meio de sondagem, possa reconhecer os padrões emergentes, estabilizando e potencializando os padrões desejados e desestabilizando/extinguindo aqueles que não deseja.

 

Domínio caótico (chaotic) – Práticas Inéditas

O domínio das respostas rápidas: Em um contexto caótico, a busca por padrões, boas práticas e respostas certas é inútil, pois a relação entre causa e efeito é impossível de ser estabelecida. Não há padrões e, ao pensarmos que um novo padrão foi identificado, ele mudará. Quando um problema se apresenta no domínio caótico, o líder ou gestor não deve perder tempo na busca por padrões. Deve agir o mais rápido possível para tentar estabilizar a situação dramática, depois entender se a situação, de fato, está sob controle e, só então, responder adicionando previsibilidade (e reduzindo incertezas) da situação para que ela possa se dirigir para um outro domínio (dinâmicas do Cynefin).

 

The Structure-Behavior Model of systems.

O modelo construído por Jurgen Appelo no livro Management 3.0, utiliza uma abordagem que, à primeira vista, lembra muito o framework Cynefin, no entanto, quando observada com mais detalhes, apresenta um fator extra: a perspectiva do observador.

 

O eixo Y apresenta o nível de dificuldade para entender determinada situação:

•     Simples: representa algo extremamente fácil de compreender;e
•     Complicado:  algo muito difícil de compreender.

 

O eixo X apresenta o nível de habilidade em predizer o comportamento da situação:

•     Ordenado: é totalmente previsível;
•     Complexo: parcialmente previsível; e
•     Caótico: totalmente imprevisível.

Neste modelo, algo pode ser considerado simples ou complicado, e ainda assim, ser ordenado, complexo ou caótico. Tudo dependerá de duas variáveis: nível de simplificação e nível de linearização: O nível de simplificação aumenta à medida que algo se torna mais fácil de compreender e o nível de linearização aumenta à medida que algo se torna mais previsível.

 

 

O Structure-Behavior Model (SBM) apresenta algumas semelhanças e diferenças em relação ao framework Cynefin. A primeira diferença está na forma de utilizá-los. O SBM sugere uma abordagem por categorização, na qual os dados são distribuídos em uma estrutura pré-definida, ou seja, a partir de uma estrutura existente, os dados são posicionados nos quadrantes.

Já no framework Cynefin, os domínios possuem diferenças de relevo, como se estivessem em planos diferentes. A fronteira que separa o domínio Claro do Caótico, por exemplo, chamada como “zona da complacência”, revela uma região em que há uma “queda”. Cynefin é uma estrutura de sense-making, que emerge a partir dos dados existentes. São os dados que determinam a estrutura e seus limites.

O framework Cynefin é usado principalmente para entender conflitos e dinâmicas de situações, de modo a encontrar o melhor processo para a tomada de decisões, auxiliando no entendimento do que está acontecendo ao nosso redor e, assim, nos possibilitando a encontrar a melhor resposta a ser adotada.

Além das semelhanças visíveis entre os modelos, que trazem consigo a perspectiva dos sistemas presentes na natureza, outra grande semelhança que, em minha opinião, os faz mais próximos do que distantes é a visão do “observador”. Embora o SBM faça uso da categorização, ao considerar o nível de dificuldade no entendimento sobre determinada situação, faz evidente a influência do nível de conhecimento dos agentes do sistema. O próprio exemplo presente na figura, relógio, no quadrante complicado x ordenado, é relativo sob essa perspectiva. O funcionamento de um relógio, que é complicado para mim, é absolutamente óbvio e simples para um relojoeiro experiente. Por outro lado, montar um lego (quadrante simples -> ordenado) pode ser um desafio extremamente complicado para quem nunca teve contato com os blocos de plástico. Em ambos os casos, o nível de conhecimento presente no agente determina o quadrante em que a decisão a tomar será posicionada.

Um ponto importante de diferença entre os dois modelos é o conceito aplicado aos tipos de sistema. Enquanto o SBM considera o nível de previsibilidade um fator determinante para a linearização, o framework Cynefin, como detalhado no início desse artigo, distingue os sistemas utilizando outros critérios, tais como atratores, limites e tipos de restrições. O caos, por exemplo, que contém uma imagem da bolsa de valores no quadrante complicado x caótico do SBM, seria conceitualmente classificado como complexo para o framework Cynefin, pois sistemas caóticos não possuem quaisquer restrições. A bolsa de valores, ainda que imprevisível no médio/longo prazo, possui alguns padrões conhecidos e restrições claras, como por exemplo, o horário de operação, moedas aceitas, regras para investimentos, etc. Quando o comportamento da bolsa de valores se torna totalmente imprevisível, alguém “puxa a tomada” (circuit breaker)e encerra a operação, até que as restrições conhecidas (ainda que pequenos) se restabeleçam.

Algo que me chamou a atenção em relação à tomada de decisão e, especialmente, o sobre os modelos que venho aprofundando meus estudos ao longo dos últimos anos, é justamente a influência da percepção do agente a respeito de seu nível de conhecimento da situação analisada.

Isso me lembra um pouco o próprio paradoxo Socrático (tudo o que sei é que nada sei) e o efeito Dunning-Kruger, (fenômeno no qual indivíduos que possuem pouco conhecimento sobre determinado assunto acreditam saber mais que outros que possuem maior conhecimento sobre o mesmo tema). Ou seja: como posso ter certeza que algo é realmente simples, se estou analisando o fenômeno sob forte influência de meu próprio conhecimento (ou a falta dele)? Confesso que essa dúvida me intrigou durante muito tempo, e intriga até hoje.

Há cerca de um ano, pesquisando sobre pensamento sistêmico e a Janela de Johari, a fim de ver se mais alguém sofria do mesmo dilema que eu, me deparei com um artigo interessante, chamado “Cynefin framework and Johari window synergy with Risk Management”. Embora seja essencialmente um artigo sobre risk management, o que mais me chamou a atenção foi a comparação entre a Janela de Johari e o Framework Cynefin, que era exatamente o eu buscava. Primeiro uma explicação conceitual:

“Janela de Johari é uma ferramenta conceitual, criada por Joseph Luft e Harrington Ingham em 1955, que tem como objetivo auxiliar no entendimento da comunicação interpessoal e nos relacionamentos com um grupo.”

A aplicação da janela do Johari permite que as pessoas compreendam melhor seu relacionamento consigo mesmas e com os outras pessoas. Johari é um acrônimo que utiliza as sílabas dos primeiros nomes de seus criadores.

Agora, sobre o modelo. A janela é dividida em dois eixos: eu e os outros. Em cada eixo há um quadrante relacionado ao conhecido e outro ao desconhecido, de modo que seja possível uma combinação de 4 possíveis resultados: 

Arena: área em que estão presentes todos os comportamentos sobre os quais o eu e os outros temos conhecimentos. São percepções recíprocas e mutuamente conhecidas, ou seja, as outras pessoas enxergam o indivíduo do mesmo modo como o próprio indivíduo enxerga a si mesmo.

• Façade: onde estão os comportamentos que vejo sobre mim mesmo, mas, não permito que os outros vejam. Nesta área, os outros enxergam uma imagem que não reflete exatamente quem eu sou e, por esse motivo, preciso constantemente cuidar opara que elas não percebam o meu “verdadeiro eu”.
• Blind Spot: onde estão as características e comportamentos que os outros percebem sobre mim, mas, que eu mesmo desconheço e não consigo perceber, ou seja, pontos cegos para mim e visíveis para os outros.
• Unknown: onde há características e comportamentos que eu desconheço sobre minha própria personalidade e que o outros também não conseguem perceber. Alguns desses componentes desconhecidos podem tornar-se conscientes a autoexposição (em ambiente seguro) e com a constante busca por feedback.

A mudança em um dos quadrantes provoca uma modificação em odo o sistema. Existem diversas dinâmicas relacionadas à Janela de Johari, assim como no framework Cynefin e pretendo explorar essa relação em um próximo artigo. Especificamente três delas, da Janela de Johari, valem a pena ser destacadas:

• Asking for feedback: movimento estabelecido ao aceitarmos e incentivarmos a percepção dos outros sobre nós mesmos, para identificarmos como nossos comportamentos os estão afetando. Essa dinâmica é como se estivéssemos nos vendo por meio dos olhos dos outros. – Isso faz com que a área que as pessoas sabem sobre mim e eu não sei precise de ciclos mais curtos de feedback, para que, então, eu aprenda mais sobre mim mesmo e, com isso, migre de região.
• Disclosing/giving feedback: movimento por meio da ação individual, do “eu”, ao oferecer feedback aos outros, identificando por meio de suas percepções e sentimentos, como o comportamento dos outros podem me afetar. Aqui eu sou o especialista, e preciso dar feedback para que as pessoas conheçam mais sobre mim.
• Insights: quando maior a autoexposição em ambiente seguro e maior a quantidade de feedbacks positivos, mais forte o vetor em direção ao Discovery, reduzindo o tamanho da área desconhecida.

Ao analisarmos a matriz formada pela Janela de Johari, aparece a súbita vontade de relacioná-la aos domínios do framework Cynefin, ou aos quadrantes do Structure-Behavior Model, mas, resisti bravamente à tentação! Acredito que cada domínio ou quadrante possa receber todos os estados da matriz em determinado momento e, justamente por meio dos pontos cegos, fachadas ou zonas desconhecidas, ambos os modelos conservem em si uma propriedade emergente, uma “inovação perpétua”, que nos permita constantemente investiga-los e desafiá-los para que, pouco a pouco, diminuamos o gap existente entre uma pergunta e uma boa resposta.

Ah, sobre o terceiro modelo, que utiliza a Janela de Johari juntamente ao Cynefin e SBM? Prefiro deixar essa discussão aberta, incompleta, como um sinal de boas-vindas à realidade em que vivemos. Uma realidade na qual somos convidados a aceitar a imperfeição e incompletude das respostas, na qual as velhas chaves não abrem os novos cadeados e que os modelos, sozinhos, são parte da pergunta, longe de uma resposta perfeita.