Estou em um momento único de estudos, com foco principal em modelos de maturidade relacionados à governança de Inteligência Artificial (ou à falta dela), tema que vem acumulando dezenas de casos públicos de insucesso no investimento em projetos de IA em grandes empresas. Como o assunto é muito novo e o mercado ainda está, em minha opinião, engatinhando em modelos de maturidade, algo que a própria FinOps Foundation reconhece quando trata FinOps para IA como disciplina em formação e registra, no relatório State of FinOps 2026, praticantes admitindo que ainda ninguém consegue responder se a IA está entregando o valor prometido (FINOPS FOUNDATION, 2026), precisei voltar ao mundo acadêmico, e fui tomado de surpresa quando trombei com o paper ‘Improving ratings’, uma análise antropológica do sistema de auditoria das universidades britânicas, incluindo o Research Assessment Exercise de 1996, que Marilyn Strathern publicou em 1997.
O artigo me confrontou com afirmações como esta, que os economistas conhecem como Lei de Goodhart:
“Quando um indicador se torna uma meta, ele deixa de ser um bom indicador. Quanto mais uma nota em uma prova se torna uma expectativa, menos eficaz ela se torna como critério de diferenciação entre os desempenhos individuais” (STRATHERN, 1997, p. 308, em tradução livre).
O que há de errado em querer melhorar a nota?
A leitura é densa, ancorada em um contexto acadêmico com o qual preciso admitir que não tenho familiaridade, mas os comentários finais do paper me fizeram refletir sobre o que aprendi atuando por sete anos em uma das Big Four: o consultor que se aprofunda de verdade no contexto, na cultura e na realidade de uma empresa se torna muito mais capaz de realizar bons trabalhos na empresa seguinte, algo bem diferente do consultor que investe seu tempo pensando em como transferir o modelo conquistado em um cliente (e que deu base para a metodologia de trabalho e os indicadores de maturidade) para todos os outros.
O exemplo clássico é o Sistema Toyota de Produção, ainda muito atual para nos alertar sobre a aplicação padronizada de modelos de maturidade em qualquer área: décadas de implementações de Lean Manufacturing (Produção Enxuta) fracassaram porque nós, consultores (e me incluo nisso), vendemos as ferramentas visíveis, o kanban, o andon, o 5S, o kaizen, como “melhores práticas” universais, sem o tecido tácito que as fazia funcionar na origem.
Curiosamente, vivi essa história do outro lado do balcão, na implementação do CMMI na Fábrica de Software de uma empresa hoje de grande porte: indicadores e níveis alcançados que não se traduziam em maturidade real no desenvolvimento dos softwares que produzíamos, mas que funcionavam muito bem como “atestado” para RFPs e propostas comerciais. A nota tinha virado a meta, e ninguém ali enxergava o problema, eu incluído.
E o que isso muda para a governança de IA?
A conclusão sombria do paper me fez repensar minha forte intenção de traduzir o modelo de maturidade de Cloud da FinOps Foundation para uso em Governança de IA. Infelizmente, a tentação de transformar um referencial técnico em régua de pontuação é enorme, justamente porque réguas vendem bem. A própria Foundation, evidentemente ciente do risco, orienta que o objetivo de uma organização nunca deve ser simplesmente atingir o estágio Run (Correr) em todas as capacidades, mas operar cada uma no nível adequado ao seu contexto de negócio (FINOPS FOUNDATION, [2024?]); e Rob Martin, em artigo de título provocador publicado no blog da Foundation, afirma que maturidade não equivale a qualidade e que “não existem corredores” (MARTIN, 2024, em tradução livre). O modelo, portanto, deve ser usado como referencial técnico de diagnóstico, exatamente como a Foundation indica, e não como graus de mensuração a serem exibidos.
Talvez seja este o alerta que um paper de 1997 sobre universidades britânicas guardava para quem trabalha com avaliações de maturidade no mundo corporativo: modelos de maturidade continuam sendo instrumentos valiosos enquanto permanecem referenciais de diagnóstico, e tendem a se corromper no momento em que viram requisito comercial. Se você conduz ou contrata avaliações desse tipo, acredito que vale fazer a pergunta incômoda antes de qualquer assessment: estamos medindo para decidir melhor, ou para exibir a nota? Minha aposta, e admito que ainda é uma aposta, é que a governança de IA só vai amadurecer de fato nas empresas que souberem responder a essa pergunta sem olhar para o próprio marketing.
Referências
FINOPS FOUNDATION. FinOps Maturity Model. [S. l.]: FinOps Foundation, [2024?]. Disponível em: https://www.finops.org/framework/maturity-model/. Acesso em: 29 jul. 2026.
FINOPS FOUNDATION. State of FinOps 2026 Report. [S. l.]: FinOps Foundation, 2026. Disponível em: https://data.finops.org/. Acesso em: 29 jul. 2026.
MARTIN, Rob. There are no runners. [S. l.]: FinOps Foundation, 20 jun. 2024. Disponível em: https://www.finops.org/insights/no-runners/. Acesso em: 29 jul. 2026.
STRATHERN, Marilyn. ‘Improving ratings’: audit in the British University system. European Review, Cambridge, v. 5, n. 3, p. 305-321, 1997.