O Painel que Mostra Tudo e Explica Nada
O dashboard executivo é, provavelmente, o artefacto de gestão mais sobrevalorizado da última década. Reuniões de direcção começam com ele. Decisões estratégicas são justificadas por ele. A saúde da organização é lida nele. E é precisamente por isso que o problema merece atenção: um instrumento que aparenta dar controlo pode, na prática, retirar capacidade de compreensão. Não porque os dados sejam falsos, mas porque a arquitectura do próprio sistema de medição oculta o que mais importa — as relações causais que explicam por que os números são o que são.
Esta não é uma crítica à medição em si. É uma crítica à forma como os dashboards tradicionais foram concebidos: como instrumentos de vigilância de outputs, não como instrumentos de compreensão de sistemas. A distinção pode parecer subtil. As consequências, não são.
A Ilusão de Controlo que os KPIs Produzem
Existe um problema estrutural no coração do dashboard executivo convencional que raramente é discutido abertamente: os dados que nele aparecem descrevem o que já aconteceu, não o que está a acontecer no sistema que produz esses resultados (Anodot, 2024). Um KPI de receita, de satisfação de cliente ou de taxa de retenção de colaboradores mostra um efeito. Não mostra a cadeia de causas que o produziu, nem os ciclos de retroalimentação que o vão amplificar ou atenuar nos próximos trimestres.
A investigação em dinâmica de sistemas identifica este fenómeno como um dos obstáculos centrais à tomada de decisão eficaz em contextos complexos: misperceptions of dynamic behaviour, a incapacidade sistemática de antecipar comportamentos não-lineares em sistemas com ciclos de retroalimentação e atrasos temporais (Sterman, 2000, citado em Pluchinotta et al., 2022). Quando um executivo observa um KPI verde num dashboard, está a ver o resultado de decisões tomadas há três, seis ou doze meses. Quando age sobre esse sinal, os efeitos dessa acção só serão visíveis daqui a outros três, seis ou doze meses. O dashboard nunca mostra esse desfasamento temporal. Mostra um ponto. O sistema é uma trajectória.
Acresce um segundo problema: os dashboards apenas respondem às perguntas que quem os configurou pensou em fazer (Anodot, 2024). A arquitectura de um dashboard é, em si mesma, um modelo mental cristalizado — o mapa das relações que o gestor considerou relevantes no momento em que escolheu os indicadores. Quando a realidade muda, o dashboard não muda automaticamente. Continua a monitorizar o que era importante antes, enquanto o que está a tornar-se crítico permanece invisível.
A Lei de Goodhart e o Dashboard como Teatro
Há uma dinâmica ainda mais problemática que os dashboards executivos tendem a activar: quando uma métrica se torna um alvo, deixa de ser uma boa medida. Esta formulação — conhecida como Lei de Goodhart, enunciada pelo economista britânico Charles Goodhart em 1975 — descreve como qualquer regularidade estatística observada tende a colapsar quando é submetida a pressão de controlo (Goodhart, 1975, citado em Kpitree, 2025). O economista Donald Campbell formulou uma variante complementar: quanto mais um indicador quantitativo é utilizado para decisões, mais estará sujeito a pressões de corrupção e mais distorcerá os processos que pretende monitorizar (Campbell, citado em Kpitree, 2025).
No terreno organizacional, estas leis não são teóricas. Em culturas de elevada pressão sobre KPIs, a tendência documentada é que os líderes ajustem definições, reconfigurem baselines ou priorizem melhorias fáceis que movem o indicador sem melhorar o sistema subjacente (Isitworking, 2025). O dashboard converte-se num instrumento de gestão da percepção, não de compreensão da realidade. E como toda a gente na sala conhece implicitamente as regras deste jogo, ninguém o questiona em voz alta. Os dados no ecrã tornam-se uma ficção partilhada — socialmente confortável, estrategicamente perigosa.
Esta dinâmica é particularmente relevante em contextos de mercados africanos, onde a escassez de dados verificáveis e a pressão de narrativas de crescimento para investidores externos cria incentivos adicionais para construir dashboards que confirmem histórias predefinidas em vez de iluminar realidades complexas. Quando os dados de base são limitados — como acontece em muitos sectores em Moçambique e na região — a tentação de seleccionar apenas os indicadores que contam a história mais favorável é estruturalmente mais intensa.
O Que o Dashboard Não Consegue Ver
Os sistemas organizacionais são caracterizados por aquilo que a investigação em pensamento sistémico designa como complexidade dinâmica: relações não-lineares, ciclos de retroalimentação e atrasos temporais que tornam o comportamento do sistema difícil de antecipar (Sterman, 2000, citado em Pluchinotta et al., 2022). Um dashboard convencional — construído em torno de séries de KPIs independentes — é, por definição, incapaz de representar esta complexidade. Pode mostrar que a taxa de retenção de colaboradores caiu. Não consegue mostrar que essa queda está relacionada com uma pressão de KPIs que criou uma cultura de gaming, que deteriorou a confiança interna, que aumentou o turnover de pessoas-chave, que enfraqueceu a capacidade operacional, que reduziu a qualidade do serviço, que vai deteriorar a satisfação de cliente nos próximos dois trimestres.
Cada um destes efeitos teria o seu próprio KPI no dashboard. A relação causal entre eles — o ciclo que os liga e os amplifica — não teria representação nenhuma. É precisamente nesta lacuna que as decisões estratégicas com mais consequências são tomadas: com confiança, apoiadas em dados, e na direcção errada.
A investigação publicada em Systems (Pluchinotta et al., 2022) demonstrou que os Diagramas de Ciclos Causais (CLD — Causal Loop Diagrams) ajudam as partes interessadas a ir além de perspectivas sectoriais e a desenvolver uma compreensão mais holística e partilhada do sistema em análise. Um estudo publicado em 2025 numa revista de dinâmica de sistemas verificou que apresentar um CLD após informação textual melhora o pensamento sistémico e a utilização de informação entre profissionais — e constatou, de forma significativa, que o pensamento sistémico ainda não é prática comum, mesmo entre profissionais com conhecimento aprofundado do problema que analisam (Pluchinotta et al., 2025).
Sistemas de Inteligência Estratégica: Uma Alternativa Operacionalizável
A resposta não é eliminar os dashboards. É rearchitecturá-los em torno de uma função diferente: não monitorizar outputs, mas visualizar relações causais. A esta abordagem podemos chamar sistemas de inteligência estratégica — um conjunto de instrumentos que, em vez de responder à pergunta «como estamos?», responde à pergunta «por que estamos assim e o que é provável que aconteça a seguir se não alterarmos a estrutura do sistema?»
A diferença é concreta. Um dashboard convencional mostra: «Satisfação de cliente: 72 pontos (↓ 4 pontos vs. trimestre anterior).» Um sistema de inteligência estratégica mostra a relação causal entre carga de trabalho por colaborador, tempo de resposta ao cliente, qualidade percebida do serviço e satisfação — incluindo os atrasos temporais entre cada variável e os ciclos de retroalimentação que se estão a formar. Mostra onde está o ponto de alavancagem real. E qualifica o que não sabe, em vez de fingir certeza onde existe apenas correlação.
Este redesenho não exige infraestruturas de dados sofisticadas — o que é determinante em contextos onde a disponibilidade de dados é limitada. Os Diagramas de Ciclos Causais podem ser construídos a partir de dados secundários, literatura disponível, relatórios sectoriais e conhecimento qualitativo de especialistas, conforme documentado na investigação sobre aplicações em contextos de baixos e médios rendimentos (Sriram et al., 2022). Isto significa que a metodologia é directamente aplicável a organizações moçambicanas e africanas que operam sem os sistemas de dados robustos das grandes empresas multinacionais.
Na prática, a implementação de um sistema de inteligência estratégica implica três deslocamentos fundamentais relativamente ao dashboard convencional. Primeiro, da medição de estados para a modelação de relações: em vez de capturar «onde estamos» em cada indicador isolado, identificar explicitamente como cada variável influencia outras variáveis, com que intensidade e com que desfasamento temporal. Segundo, da falsa precisão para a transparência epistémica: identificar claramente o que o sistema de medição não consegue ver e onde a incerteza é genuína, em vez de apresentar um conjunto de KPIs verdes e amarelos que projectam um controlo que não existe. Terceiro, da monitorização passiva para a simulação activa: usar o modelo de relações causais para testar mentalmente o efeito de decisões antes de as implementar, antecipando consequências de segunda ordem que um dashboard convencional nunca revelaria.
Este terceiro deslocamento é particularmente relevante para contextos de elevada volatilidade — que caracterizam grande parte dos mercados africanos — onde a capacidade de antecipar comportamentos sistémicos não-lineares é mais valiosa do que a precisão de um KPI calculado sobre dados históricos de qualidade duvidosa. Como argumentado neste site em artigos anteriores sobre pensamento linear em Moçambique e sobre estratégia de crescimento baseada em sistemas, a transição do pensamento linear para o pensamento sistémico não é uma sofisticação opcional — é uma exigência estrutural em contextos de complexidade elevada e dados limitados.
Contra-Argumento: Não Será o Dashboard Suficientemente Bom?
A objecção mais honesta a este argumento é pragmática: os dashboards de KPIs, apesar dos seus limites, produzem valor real. Forçam alinhamento organizacional. Criam linguagem partilhada. Permitem identificar desvios rapidamente. E a alternativa — construir modelos de relações causais — exige competências analíticas e tempo que muitas organizações não têm.
Esta objecção merece ser levada a sério. O problema não é que os dashboards sejam inúteis. É que são frequentemente utilizados para funções que não estão equipados para desempenhar: tomada de decisão estratégica sobre sistemas complexos, antecipação de trajectórias, identificação de pontos de alavancagem. Para estas funções, a arquitectura do dashboard convencional é genuinamente inadequada — não por falta de dados, mas por falta de representação de relações. Um melhor dashboard não resolve este problema. Resolve-o um instrumento diferente, concebido para uma função diferente.
A questão não é substituir a monitorização de KPIs. É não a confundir com compreensão estratégica. A distinção que as organizações mais eficazes fazem — e que as organizações que operam em mercados complexos e de dados limitados precisam de fazer ainda mais explicitamente — é precisamente entre saber onde se está e compreender por que se está onde se está, e o que é provável que aconteça a seguir.
O Que Isto Exige dos Líderes
Repensar o dashboard executivo não é um problema técnico. É um problema de epistemologia organizacional: o que a liderança acredita que é possível saber, como, e com que grau de certeza. As organizações que constroem sistemas de inteligência estratégica não o fazem porque têm mais dados. Fazem-no porque os seus líderes desenvolveram tolerância à ambiguidade estruturada — a capacidade de trabalhar com modelos causais incompletos, de identificar explicitamente o que não se sabe, e de tomar decisões informadas sem a confortável ilusão de que um painel de indicadores verdes equivale a controlo.
Em contextos onde a disponibilidade de informação é limitada, esta competência é mais valiosa do que qualquer ferramenta de BI. Como a investigação sobre empregabilidade e desenvolvimento de competências em Moçambique tem sugerido, o que diferencia organizações resilientes não é o acesso a mais dados, mas a capacidade de orquestrar o que já se sabe de forma sistemática e contextualmente informada. O mesmo princípio aplica-se à inteligência estratégica: não é uma questão de quantidade de dados. É uma questão de arquitectura de pensamento.
O dashboard executivo continuará a existir. A pergunta que cada organização deve fazer é se está a usá-lo para pensar ou para evitar pensar.
Referências
Anodot. (2024). What are the limitations of dashboards? Anodot. https://www.anodot.com/blog/limitations-of-dashboards/
Goodhart, C. A. E. (1975). Problems of monetary management: The U.K. experience. Papers in Monetary Economics, 1. Reserve Bank of Australia. [Citado em Kpitree, 2025]
Isitworking. (2025). KPIs are destroying your organisation's ability to think. Substack. https://isitworking.substack.com/p/kpis-are-destroying-your-companys
Kpitree. (2025). Goodhart's Law: Why metrics get gamed and how to prevent it. https://kpitree.co/guides/frameworks/goodharts-law
Pluchinotta, I., Pagoni, I., & Ferretti, V. (2022). Causal loop diagrams: A tool for visualizing the system structure resulting in emergent system behaviour. ResearchGate. https://www.researchgate.net/publication/364305919
Pluchinotta, I., et al. (2025). The influence of causal loop diagrams on systems thinking and information utilization in complex problem-solving. Systems. https://www.sciencedirect.com/science/article/pii/S2451958825000284
Sriram, V., Laing, R., & English, M. (2022). How to do (or not to do)… using causal loop diagrams for health system research in low and middle-income settings. Health Policy and Planning. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9661310/
Sterman, J. D. (2000). Business dynamics: Systems thinking and modeling for a complex world. McGraw-Hill. [Citado em Pluchinotta et al., 2022]
