Sobre o que trata este texto
- Por que ter dashboard não é o mesmo que ter cultura data driven, e qual pergunta separa as duas coisas na prática
- Os dois mecanismos que fazem a decisão ser tomada antes de o dado chegar à sala: o efeito HiPPO e a retenção política de dado entre áreas
- Por que o mesmo gráfico confirma o que quem já decidiu queria ver, e ainda assim não convence quem está em dúvida: o viés de confirmação
- O que a inteligência artificial piora quando o dado de origem é ruim, e por que isso muda a urgência da cultura orientada a dados em 2026
- As três perguntas que toda tomada de decisão baseada em dados precisa responder, com um responsável nomeado para cada uma
Uma diretoria de varejo recebe o relatório trimestral. Três semanas antes da reunião, o time comercial e o time de marketing já tinham combinado manter a campanha do trimestre: o orçamento estava aprovado, o fornecedor contratado, a decisão fechada em duas conversas de corredor. O dashboard entra na reunião depois, mostrando a margem em alta, e cumpre a função de confirmar o que já tinha sido decidido, não a de informar a decisão. Ninguém mentiu. Ninguém escondeu nada. O problema é mais sutil: a empresa tinha dado, e mesmo assim decidiu sem ele.
Essa cena se repete com variações em empresas que investiram pesado em business intelligence (BI). Levantamento da Gartner mediu o padrão: mais de 87% das organizações têm baixa maturidade em BI e analytics, mesmo entre as que compraram ferramenta e contrataram equipe. Em 36 anos trabalhando com tecnologia, boa parte deles analisando projetos de dados em empresas de portes diferentes, vejo essa mesma lacuna se repetir: o problema raramente é falta de dado. É falta de dono para o dado.
Cultura data driven é o padrão organizacional em que a decisão nasce do dado, com responsável nomeado em cada etapa, não a existência de painel bonito na tela da sala de reunião. Este artigo trata dos mecanismos que sustentam essa diferença, o que a inteligência artificial generativa piora quando o dado de base é ruim, e o que muda concretamente na forma como a liderança decide.
Este artigo complementa o e-book gratuito A.C.T., Pensamento Crítico na Prática, que mostra como separar dado de narrativa antes de decidir sob pressão.
O que é cultura data driven (e o que um dashboard sozinho não resolve)
Ter dashboard e ter cultura data driven são coisas diferentes, e a confusão entre as duas é o erro mais comum que vejo em empresas que já investiram em BI. Dashboard é ferramenta. Cultura é comportamento: quem coleta o dado, quem interpreta e quem decide com base nele.
O teste é simples. Para qualquer painel usado com frequência na sua empresa, pergunte: qual foi a última decisão real tomada com base nele. Se a resposta demorar a vir, ou se for algo como “a gente olha, mas decide mesmo é em reunião”, o painel é decoração institucional. Ele prova modernidade, não sustenta decisão.
Esse padrão tem nome na literatura de gestão de dados: em inglês, dashboard theater. A métrica sobe na tela, todo mundo aponta para o gráfico, e a decisão que o gráfico deveria sustentar já foi tomada em outro lugar, por outro motivo. Quem produz o painel ganha a aparência de autoridade técnica sem produzir decisão nenhuma. Quem decide continua decidindo fora dele.
A causa raiz raramente é tecnológica: o diagnóstico certo aponta para quem responde pelo que o dado mostra, mais do que para qual ferramenta de BI foi comprada.
Por que a decisão já estava tomada antes do dado chegar
Dois mecanismos explicam por que uma empresa com dado disponível ainda decide informalmente, e os dois têm nome próprio na literatura de negócios.
O primeiro é o efeito HiPPO, sigla em inglês para Highest Paid Person’s Opinion, a opinião da pessoa mais bem paga da sala. O termo circula desde 2006, quando profissionais de experimentação online começaram a nomear um padrão que já existia nas empresas antes de ganhar nome, conforme documentado por Ronny Kohavi. Quando o dado contradiz a pessoa mais sênior na sala, a reunião segue a opinião da pessoa sênior. O dado fica registrado em ata, sem efeito sobre a decisão.
Se você é a pessoa mais sênior da sala nas suas reuniões, essa dinâmica te inclui: a opinião que a equipe segue por padrão, mesmo sem ninguém dizer isso em voz alta, provavelmente é a sua.
O segundo é a retenção política de dado entre áreas, o que parte da literatura chama de data hoarding. Marketing tem número que Vendas não vê. Operações tem indicador que Financeiro contesta. Cada área guarda dado como capital político, porque compartilhar informação, numa empresa onde decisão é histórica e relacional, é abrir mão de vantagem no próximo orçamento. Essa resistência costuma ter razão concreta por trás: quem soltar o dado primeiro perde argumento na negociação seguinte. Reconhecer essa lógica ajuda a separar qual dado é decisão compartilhada e qual é exploração interna de cada área, em vez de tratar retenção de dado como má vontade pessoal.
Os dois mecanismos se reforçam. Numa sala onde a opinião do cargo mais alto já decide sozinha, guardar dado custa pouco: ele não vai mudar o resultado mesmo. Numa sala onde o dado disputado entre áreas nunca chega completo, a opinião sênior vira o critério de desempate padrão, porque é o único que está sempre disponível.
Um jeito simples de reduzir esse atrito no dia a dia é mudar a forma de pedir dado a um colega. “Me manda a planilha” convida à retenção, porque não diz se o pedido é para uma decisão compartilhada ou para checar o trabalho de quem guarda o número. “Preciso desse dado para decidir X, na quinta” reduz o custo político de compartilhar, porque nomeia a decisão em vez de deixar o pedido em aberto.
O viés que o próprio dado alimenta
A presença de um número na tela aumenta a confiança na conclusão, mesmo quando a conclusão está errada. É o viés de confirmação, descrito em profundidade por Daniel Kahneman em Rápido e Devagar: o gestor que já decidiu olha o gráfico e encontra confirmação; o gestor que ainda está em dúvida olha o mesmo gráfico e encontra dúvida. O dado não neutraliza o viés de quem lê, ele carrega o viés de quem lê.
Isso explica por que dois diretores podem sair da mesma reunião, com o mesmo relatório na mão, e defender conclusões opostas com igual convicção. Nenhum dos dois está mentindo. Os dois estão lendo o número através da decisão que já tinham em mente antes de abrir a planilha.
O antídoto é um critério explícito de quem interpreta o dado antes de qualquer número chegar à sala, porque interpretação feita depois da decisão já formada é sempre confirmação disfarçada de análise.
O que a inteligência artificial piora quando o dado é ruim
A IA generativa amplifica os dois problemas acima, de duas formas distintas.
A primeira é o dado de baixa qualidade virando resposta articulada. Alucinação é a resposta fluente e convincente que a IA entrega quando não tem base real para sustentá-la. Uma empresa com dado sujo ou incompleto, ao pedir à IA que explique por que a margem subiu, recebe de volta uma explicação bem escrita e articulada, sem garantia nenhuma de que é verdadeira. O teatro do dashboard ganha um narrador fluente.
A segunda é o viés de confirmação virando prompt. O gestor que já decidiu pede à IA que explique o dado, e a IA, treinada para responder ao que foi pedido, devolve uma explicação que confirma exatamente o que o gestor queria ouvir. A cada novo pedido nessa direção, a confiança equivocada se reforça, porque a fluência da resposta parece rigor técnico.
Pesquisa recente reforça a escala do problema. Num levantamento de 2025 do Data & AI Leadership Exchange e DataIQ com 125 organizações da Fortune 1000, mudança organizacional e de pessoas apareceu como a principal barreira para culturas orientadas a dados e IA para 92% dos respondentes; só 8% culparam a ferramenta. O padrão coincide com o que observo em treinamentos de liderança sobre dados e IA: a tecnologia raramente é o gargalo. O gargalo é quem responde pela decisão que a tecnologia ajuda a tomar.
Sem cultura de dados madura instalada antes da IA entrar em cena, a IA não corrige o erro de base. Ela acelera o erro com fluência verbal.
Para treinar esse julgamento sem depender de nenhuma ferramenta nova, um exercício simples ajuda: peça para um colega inserir, de propósito, um erro numa resposta gerada por IA, uma fonte que não existe, uma inferência sem base no dado, ou uma recomendação que ignora uma restrição já conhecida da empresa. Depois, tente encontrar o erro sozinho, sem usar outra IA para checar. Se demorar para achar, o hábito de aceitar resposta fluente como resposta correta é o que precisa mudar.
Para quando o trabalho depende de usar a IA mesmo assim, existe uma técnica que reduz o risco de alucinação sem exigir um segundo par de olhos humano. Em vez de pedir para a própria IA “revisar” o que ela acabou de escrever (o que raramente corrige o viés, porque o modelo tende a defender a resposta que já deu), o método pede que a IA gere perguntas de verificação específicas sobre a própria resposta: a fonte citada existe, o número bate com a base de dados, a recomendação considera a restrição já conhecida. Cada pergunta é respondida isoladamente, antes de comparar com o que foi dito primeiro.
A técnica se chama Chain of Verification, desenvolvida por pesquisadores da Meta AI e da ETH Zurique, e está detalhada no e-book gratuito Engenharia de Prompts na Prática.
As três perguntas que toda decisão com dado precisa responder
O remédio é estruturalmente simples e operacionalmente difícil: nomear responsável para três perguntas antes de qualquer dado sustentar uma decisão relevante. Pense no dado bruto como peça de quebra-cabeça: fora de contexto, uma peça não mostra imagem nenhuma, por melhor que seja a peça em si. As três perguntas abaixo garantem que a peça pertence ao quebra-cabeça certo.
- Quem coletou o dado, e com que critério? A pessoa que garante a origem, o contexto e a qualidade da coleta. Coleta sem critério produz registro sujo, mesmo com boa ferramenta por trás.
- Quem interpretou o dado, e que recorte escolheu? A pessoa que transforma número em informação. Dois analistas com o mesmo dado, recortes diferentes (períodos, filtros, comparações), entregam duas histórias diferentes: a interpretação faz a maior parte do trabalho que parece morar no número.
- Quem decide com base no dado, e responde pelo resultado? A pessoa que assina a escolha. Sem essa terceira resposta nomeada, o dashboard fica sem dono, e a decisão volta a ser tomada informalmente, como no exemplo do início deste artigo.
Com as três perguntas respondidas, o registro tem origem rastreável, leitura responsável e dono nomeado da decisão: é sinal, não ruído. O que decide se uma empresa é data driven é se o executivo mais sênior da sala toma decisão olhando para o dado, ou para quem apresentou com mais segurança. A ferramenta de BI comprada pesa menos nessa conta do que a maioria assume.
Em que estágio de maturidade sua empresa está
As três perguntas acima pesam diferente conforme o estágio de maturidade em dados da equipe. Um modelo bastante citado em consultorias de analytics descreve cinco níveis:
- Data Resistant: desconfia de dado, decide pela experiência, tem dificuldade até com estatística básica.
- Data Curious: começa a perceber vantagem em usar dado, aprende o básico, ainda sem método consistente de busca.
- Data Aware: sabe de onde o dado vem, detecta padrão simples, mas não questiona a metodologia por trás do número.
- Data Savvy: identifica inconsistência, extrai insight, percebe falha metodológica antes de confiar na conclusão.
- Data Driven: decisão estratégica apoiada em dado de forma consistente, incluindo uso de análise preditiva quando o caso pede.
Empresas grandes raramente têm um nível único: em organizações com múltiplas áreas, é comum a comercial estar dois ou três níveis à frente da regulatória, ou a operação estar mais madura que o próprio comitê que deveria supervisioná-la. Diagnosticar o nível por área, em vez de tratar a empresa como um bloco único, é o que evita cobrar de uma equipe recém-chegada ao Data Aware o comportamento que só faz sentido no Data Savvy.
Onde começar amanhã
Escolha um dashboard que aparece com frequência nas suas reuniões de gestão. Separe uma hora de agenda esta semana, porque o exercício exige espaço real de investigação, não uma resposta de improviso entre duas reuniões.
Com o tempo protegido, responda por escrito quatro perguntas sobre esse painel: qual pergunta de negócio ele responde, o que falta para a resposta ser confiável, quem coleta o dado e por que essa pessoa foi escolhida para isso, e qual foi a última decisão de verdade tomada com base nele.
Mande as quatro respostas para quem é tecnicamente responsável pelo painel, com prazo de leitura de 48 horas. Combine que, na próxima reunião em que o dashboard for apresentado, ele só entra em pauta se as quatro respostas já estiverem registradas.
Se o exercício revelar que o painel responde a uma pergunta que a equipe realmente decide, ele acabou de ganhar dono. Se revelar que ele não sustenta decisão nenhuma, você aposentou um indicador antes de criar o próximo, o que já é mais avanço em cultura de dados do que a maioria dos projetos de BI entrega em um trimestre.
Quer aprofundar em dados? Um caminho é um dos cursos da minha curadoria na ESPM. Converse com o Consultor de Carreira, o agente de IA que indica o curso certo para o seu perfil.
Perguntas frequentes
O que é cultura data driven? Cultura data driven é o padrão organizacional em que decisões de negócio são tomadas com base em dado verificável, não em intuição isolada ou na opinião de quem tem o cargo mais alto na sala. Não se resume a comprar ferramenta de BI ou construir dashboard: uma empresa pode ter dezenas de painéis e continuar decidindo no feeling, porque cultura é sobre quem interpreta o dado e quem responde pela decisão, não sobre quantos gráficos existem.
Quais são as vantagens de uma cultura data driven? Decisão mais rápida, porque a discussão não fica presa em alinhar opinião: o critério de quem decide já está definido antes de o dado chegar à sala. Menos desperdício de recurso em decisão errada, porque a decisão tem dono nomeado e pode ser auditada depois, em vez de se perder num “foi consenso da equipe”. Conhecimento que sobrevive à saída de quem decidiu, porque o critério fica registrado, não preso na memória de uma pessoa. Essas vantagens não dependem de dashboard sofisticado: dependem de responsabilidade nomeada, o ponto central deste artigo.
Qual a diferença entre ter dashboard e ter cultura data driven? Dashboard é ferramenta; cultura data driven é comportamento. Uma empresa com dashboard sofisticado ainda decide fora dele quando a reunião só serve para confirmar uma escolha já feita em conversa informal, sem que ninguém precise explicar de onde veio o número nem quem vai responder por ele. O teste prático é perguntar, para qualquer painel usado com frequência, qual foi a última decisão real tomada com base nele. Se a resposta não vier rápido, o painel é decoração, não cultura.
O que é o efeito HiPPO na tomada de decisão? HiPPO é a sigla, em inglês, para Highest Paid Person’s Opinion, a opinião da pessoa mais bem paga da sala. Descreve o padrão em que a decisão segue o cargo mais sênior presente, mesmo quando o dado disponível aponta em outra direção. A sigla original (HiPO) foi cunhada por Dylan Lewis, da Intuit, em 2006; Ronny Kohavi e Avinash Kaushik popularizaram a versão HiPPO no mesmo ano, e o termo foi formalizado em um paper acadêmico de 2007 sobre experimentos controlados na web.
Como a inteligência artificial afeta a cultura de dados de uma empresa? A IA generativa amplifica dois problemas que já existiam antes dela. O primeiro é o dado de baixa qualidade: instruída a explicar uma causa que o dado não sustenta, a IA entrega resposta fluente e convincente mesmo sem base real, o que é alucinação. O segundo é o viés de confirmação: quem já decidiu pede à IA que explique o dado e recebe de volta uma explicação articulada que confirma o que queria ouvir. Sem cultura de dados madura por trás, a IA não corrige o erro, ela acelera e disfarça o erro com fluência verbal.
Como implementar cultura data driven na empresa? O ponto de partida é nomear responsável para as três perguntas que toda decisão com dado precisa responder: quem coletou o dado (e com que critério), quem interpretou o dado (e que recorte escolheu) e quem decide com base nele (e responde pelo resultado). Sem essas três respostas nomeadas, o dado fica sem dono e a decisão volta a ser tomada informalmente. A implementação avança junto com a maturidade da equipe, não antes dela.
Quais são os níveis de maturidade de dados de uma empresa? Um modelo bastante citado em consultorias de analytics descreve cinco estágios: Data Resistant (desconfia de dado, decide só pela experiência), Data Curious (começa a buscar dado, mas sem método), Data Aware (sabe de onde o dado vem e reconhece padrões simples), Data Savvy (identifica inconsistência e extrai insight com criticidade) e Data Driven (decisão estratégica apoiada em dado, incluindo análise preditiva). Empresas grandes raramente têm um nível único: áreas comerciais costumam estar mais avançadas que áreas regulatórias ou de suporte.
Qual a diferença entre cultura data driven e data storytelling? Cultura data driven é sobre construir o critério de decisão: como o dado é coletado, interpretado e usado para decidir. Data storytelling é sobre comunicar um dado que já existe e já foi analisado, para convencer quem decide. São etapas diferentes da mesma cadeia: uma empresa pode ter excelente cultura de dados e apresentações confusas, ou o inverso, apresentações brilhantes construídas sobre dado que ninguém verificou de onde veio.
Empresa pequena, sem time de BI, consegue aplicar cultura data driven? Consegue. As três perguntas (quem coletou o dado, quem interpretou e quem decide) não dependem de ferramenta cara nem de analista dedicado: numa empresa pequena, a mesma pessoa pode responder pelas três etapas, desde que assuma isso de forma explícita, em vez de deixar a decisão sem dono. O exercício sugerido neste artigo, auditar um painel existente, funciona igual com uma planilha bem cuidada no lugar de um dashboard sofisticado.
Para quem já decide bem com dado e agora o desafio virou comunicar o que o dado mostrou, o artigo Data storytelling: como transformar números em histórias que aprovam projetos trata dessa etapa seguinte. Para quem ainda está calibrando o quanto confiar na IA nas próprias decisões, Decisões com IA sem abrir mão do julgamento aprofunda o mesmo mecanismo de viés tratado aqui, aplicado a prompts em vez de dashboards.
Dois outros artigos recentes tocam temas próximos. Soberania digital: o que os países já decidiram e o que sobra para a sua empresa discute quem controla o dado antes mesmo dele chegar ao dashboard. IA na aprendizagem: 26 mil alunos e equipes de trabalho mostra o mesmo padrão de responsabilidade nomeada aplicado ao aprendizado, não à decisão.
Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e conselheiro em IA, dados e inovação. Participou da criação de sete startups ao longo da carreira. É professor na ESPM, Insper, PUCRS, USP e IBGC. É autor de vários e-books gratuitos sobre tecnologia, marketing, liderança e inovação, reunidos na página de e-books gratuitos.
