Просмотр новости
Найдите то, что Вас интересует
Спутники
РН
SpaceX
Роскосмос
NASA
СпутникиРНSpaceXРоскосмосNASA
Image
Durante décadas habituámo-nos a medir trabalho através daquilo que conseguimos ver:Horas trabalhadasNúmero de tarefas concluídasTickets fechadosLinhas de códigoStory Points entreguesNúmero de funcionalidades lançadasProjetos terminados dentro do prazo São números confortáveis porque são fáceis de contar.Mas existe um problema: atividade não é valor.E num mundo de trabalho de conhecimento, acelerado pela Inteligência Artificial, esta distinção torna-se ainda mais importante.A IA está a tornar as métricas de atividade ainda menos relevantesAnalisamos duas equipas: A primeira entrega 30 funcionalidades num trimestre. A segunda entrega apenas 10.Qual delas teve melhor desempenho?A verdade: Não sabemos.Talvez as 30 funcionalidades quase não sejam utilizadas pelos clientes.Talvez as 10 funcionalidades da segunda equipa tenham aumentado significativamente a satisfação dos clientes, reduzido custos, criado uma nova fonte de receita ou resolvido um problema crítico.Contar funcionalidades diz-nos quanto produzimos.Não nos diz necessariamente quanto valor criámos.Agora acrescentemos IA à equação.Um developer pode produzir código muito mais rapidamente com ferramentas de IA.Um Product Owner pode analisar milhares de comentários de clientes em minutos.Uma equipa de marketing pode produzir dezenas de campanhas numa tarde.Um analista pode criar relatórios que anteriormente demoravam dias.Se continuarmos a medir principalmente outputs, a IA pode fazer parecer que a nossa produtividade explodiu.10 documentos tornaram-se 100.20 tickets tornaram-se 80.5 campanhas tornaram-se 30.1000 linhas de código tornaram-se 5000.Mas a pergunta realmente importante continua sem resposta:Criámos mais valor?Cuidado com as métricas de vaidadeUma métrica de vaidade é particularmente perigosa porque normalmente parece uma boa métrica. O número aumenta e sentimos que estamos a melhorar:Mais utilizadores registados.Mais funcionalidades.Mais visitas.Mais downloads.Mais Story Points.Mais código.Mais conteúdo produzido.Mais iniciativas de IA. Mas nenhuma destas métricas, isoladamente, demonstra necessariamente melhoria.Podemos ter mais utilizadores registados e menos utilizadores ativos.Mais funcionalidades e clientes menos satisfeitos.Mais código e um produto mais difícil de manter.Mais conteúdo e menos conversões.Mais utilização de IA e nenhuma melhoria relevante nos resultados do negócio.Por isso, uma boa métrica deveria ajudar-nos a tomar uma decisão.Se uma métrica sobe 20% e isso não altera nenhuma decisão, talvez devêssemos perguntar:porque estamos a medi-la?Em trabalho de conhecimento, precisamos de evidênciaExiste uma diferença fundamental entre executar trabalho previsível e resolver problemas complexos.No trabalho complexo não conhecemos antecipadamente todas as respostas.Temos hipóteses.Tomamos decisões.Construímos algo.Observamos o resultado.Aprendemos.Adaptamos.É precisamente aqui que o Evidence-Based Management (EBM) se torna particularmente relevante.O EBM propõe uma abordagem empírica para ajudar organizações a melhorar continuamente os resultados que procuram alcançar.Em vez de perguntarmos apenas:“Quanto entregámos?”podemos começar a perguntar:“O que mudou como consequência daquilo que entregámos?”Esta pequena mudança altera profundamente a forma como pensamos sobre desempenho.Quatro perspetivas sobre valorO EBM propõe quatro Key Value Areas (KVAs) que nos ajudam a olhar para uma organização ou produto através de perspetivas diferentes.1. Current Value: Que valor estamos a criar hoje?Current Value ajuda-nos a compreender o valor atualmente entregue aos clientes, utilizadores, colaboradores e outras partes interessadas.Podemos observar, por exemplo:satisfação dos clientes, utilização do produto, retenção, receita por cliente ou satisfação dos colaboradores.Mas nenhuma métrica deve ser utilizada mecanicamente.O importante é perceber aquilo que ela nos ajuda a aprender.Um aumento de receita acompanhado por uma queda acentuada na satisfação dos clientes pode contar uma história muito diferente de um simples gráfico de crescimento.2. Unrealized Value: Que valor ainda poderíamos criar?Uma organização pode estar a ter bons resultados hoje e, mesmo assim, estar a perder enormes oportunidades.Unrealized Value ajuda-nos a explorar a diferença entre aquilo que conseguimos atualmente e aquilo que potencialmente poderíamos alcançar.Podemos analisar necessidades de clientes ainda não satisfeitas, segmentos que não estamos a servir, oportunidades de mercado ou problemas relevantes que continuam por resolver.Esta área torna-se particularmente interessante com IA.A pergunta não deveria ser apenas:“Onde podemos utilizar IA?”Mas antes:“Que problemas ou oportunidades importantes podemos agora atacar que anteriormente eram demasiado caros, lentos ou difíceis?”A tecnologia é um meio.O valor continua a ser o objetivo.3. Time-to-Market: Quão rapidamente conseguimos aprender?Time-to-Market não significa simplesmente entregar mais depressa.Velocidade sem aprendizagem pode apenas significar errar mais rapidamente e em maior escala.Queremos reduzir o tempo entre uma ideia, uma experiência, a entrega ao mercado e a obtenção de evidência sobre o seu impacto.Podemos observar métricas como frequência de releases, lead time ou tempo necessário para testar uma hipótese.Na era da IA, esta capacidade pode tornar-se uma enorme vantagem competitiva.Se conseguimos passar de:ideia → experiência → evidência → decisãoem dias em vez de meses, conseguimos aprender mais rapidamente do que os nossos concorrentes.4. Ability-to-Innovate: Quanto do nosso potencial conseguimos realmente utilizar?Existe ainda outra pergunta frequentemente esquecida:Quanto tempo e energia temos realmente disponíveis para criar valor novo?Dívida técnica, sistemas antigos, burocracia, dependências, processos manuais, defeitos e complexidade acumulada podem consumir uma enorme parte da capacidade de uma organização.Podemos medir, entre outras coisas, inovação, defeitos, dívida técnica ou o tempo gasto a manter sistemas existentes.E aqui surge outro paradoxo da IA.Podemos utilizar IA para produzir mais rapidamente.Mas se simplesmente utilizarmos essa capacidade para produzir mais complexidade, podemos estar a aumentar o problema.A questão não é apenas quanto conseguimos produzir.É quanto da nossa capacidade conseguimos dedicar à criação de novo valor.Não existe uma métrica mágicaUm dos erros mais comuns na gestão é procurar “a métrica certa”:Revenue.NPS.Velocity.Utilização.ROI.Número de clientes. Nenhuma destas métricas conta toda a história.Um sistema complexo dificilmente pode ser compreendido através de um único número.É muito mais interessante observar relações entre métricas.Por exemplo:Estamos a entregar mais frequentemente, mas a satisfação dos clientes está a diminuir?A utilização de IA aumentou, mas o Time-to-Market não melhorou?Estamos a produzir mais funcionalidades, mas a utilização dessas funcionalidades está a cair?A receita aumentou, mas estamos a acumular dívida técnica que limita a nossa Ability-to-Innovate? É quando combinamos diferentes sinais que começamos realmente a aprender.Em trabalho de conhecimento, o objetivo de medir não é controlar pessoasExiste ainda uma distinção fundamental.As métricas não deveriam existir principalmente para controlar indivíduos ou comparar equipas.Quando transformamos uma métrica num objetivo de desempenho individual, as pessoas naturalmente começam a otimizar essa métrica.Se premiamos developers por linhas de código, teremos mais código.Se avaliamos equipas por Story Points, teremos mais Story Points.Se avaliamos Product Owners pelo número de funcionalidades entregues, teremos mais funcionalidades.Conseguimos melhorar o número sem necessariamente melhorar o sistema.As métricas deveriam ser utilizadas sobretudo para:criar transparência, testar hipóteses, apoiar decisões e promover aprendizagem.É uma diferença enorme.Liderança ágil significa gerir através de evidênciaTalvez esta seja uma das maiores mudanças necessárias na liderança moderna.Deixar de perguntar:“Estão todos ocupados?”e começar a perguntar:“Estamos a produzir os resultados que procuramos?”Deixar de perguntar:“Quantas funcionalidades entregámos?”e perguntar:“Que comportamento mudou nos nossos clientes?”Deixar de perguntar:“Quanto trabalho fez a equipa?”e perguntar:“O que aprendemos?”Deixar de perguntar:“Estamos a utilizar IA?”e perguntar:“A IA está a aumentar a nossa capacidade de criar valor?”Isto exige uma liderança diferente.Uma liderança menos centrada em controlar atividade e mais centrada em criar condições para experimentar, medir, aprender e adaptar.É precisamente aqui que entra o PAL-EBMNa formação Professional Agile Leadership – Evidence-Based Management (PAL-EBM) exploramos precisamente esta mudança de perspetiva.Não se trata simplesmente de aprender mais métricas.Trata-se de aprender a utilizar objetivos, medidas e evidência para melhorar decisões num contexto complexo.Exploramos como estabelecer objetivos, como perceber se estamos realmente a aproximar-nos deles e como utilizar as quatro Key Value Areas — Current Value, Unrealized Value, Time-to-Market e Ability-to-Innovate — para criar uma visão mais completa da capacidade de uma organização gerar valor.Para líderes, Product Owners, Product Managers, Scrum Masters e outras pessoas envolvidas em transformação organizacional, esta capacidade será cada vez mais importante.Porque a IA vai tornar extremamente fácil produzir mais.O verdadeiro desafio será saber se aquilo que estamos a produzir realmente importa.A pergunta que devemos levar para a próxima reuniãoNa próxima vez que alguém apresentar um dashboard com dezenas de indicadores verdes, talvez valha a pena fazer uma pergunta muito simples:“Que decisão conseguimos tomar melhor por causa desta métrica?”E depois outra:“Que evidência temos de que estamos realmente a criar mais valor?”Se não conseguirmos responder, talvez estejamos apenas a medir atividade.Na era da IA, isso já não chega.Não precisamos de organizações que produzam mais coisas.Precisamos de organizações que consigam aprender mais rapidamente aquilo que vale a pena produzir.Queres aprofundar Evidence-Based Management e liderança ágil?Na formação Professional Agile Leadership – Evidence-Based Management (PAL-EBM) trabalhamos de forma prática como utilizar objetivos, experimentação, métricas e evidência para melhorar a capacidade das organizações criarem valor.Mais do que medir trabalho, o objetivo é aprender a medir aquilo que realmente importa.
| # | Наименование новости | Тональность | Информативность | Дата публикации |
|---|---|---|---|---|
| 1 | AI Made Engineering Faster. Why Not The Business? | 0 | 6.62 | 28-09-2026 |
| 2 | Does Your AI Know the Scrum Guide? Twelve Questions to Find Out | 0 | 9.71 | 21-09-2026 |
| 3 | The New SDLC From Google Has a Harness. It Doesn't Have a Team. | 0 | 14.4 | 30-09-2026 |
| 4 | Finding AI Gold With Lean Startup Techniques | 0 | 9.01 | 21-09-2026 |
| 5 | Níveis de Maturidade do Product Owner: Por Que Ninguém Começa Faixa Preta | 0 | 6.38 | 04-09-2026 |
| 6 | Nobody Owns Whether it Worked. | 0 | 8.63 | 29-09-2026 |
| 7 | The Jobs Matrix for AI: Four Boxes Instead of Forty Tools | 0 | 7.17 | 27-09-2026 |
| 8 | AI on Top of a Dysfunctional System (1): The Product Backlog | 0 | 5.29 | 20-09-2026 |
| 9 | Das KI-Workflow-Verzeichnis: Weiß Ihr Team, wo es bereits KI einsetzt? | 0 | 10.61 | 17-09-2026 |
| 10 | How to Measure AI Impact Beyond Token Caps | 0 | 7.52 | 14-09-2026 |