Pare de tentar imitar um profissional de destaque

Em 2012, o jornalista Kurt Eichenwald publicou uma reportagem contundente na revista Vanity Fair. Segundo ele, a Microsoft havia se tornado um ambiente onde pessoas talentosas competiam entre si, em vez de enfrentar a concorrência. O culpado era o sistema de classificação por escalonamento. A cada ciclo de avaliação, os gerentes classificavam os funcionários em uma curva fixa de vencedores e perdedores. As classificações eram atualizadas uma vez por ano. Entre as avaliações, todos sabiam quem eram os vencedores do ciclo anterior e os imitavam. Eis o paradoxo. A Microsoft não carecia de talentos diversificados. Engenheiros de nível internacional, provenientes de dezenas de países e com formações técnicas extremamente diferentes, compunham suas equipes. A diversidade cognitiva já estava presente no ambiente. No entanto, a organização estava caminhando para a mediocridade, pois todos os funcionários buscavam os mesmos modelos a seguir. Essa é a conclusão a que chegamos em nossa pesquisa mais recente. Desenvolvemos um modelo computacional para estudar as implicações de um sistema de classificação por hierarquia, como o da Microsoft, no desempenho. Nossas descobertas sugerem que o problema pode não ser quem a empresa contrata. Descobrimos que o problema maior é quem todos copiam e por quanto tempo essa informação permanece estagnada. Nosso modelo captura a lógica do sistema de classificação por hierarquia anual encontrado em muitas organizações: um único funcionário de alto desempenho é identificado, os demais copiam essa pessoa e a classificação não é atualizada até o próximo ciclo. Nesses sistemas, podem ocorrer duas falhas. Primeiro, o “excesso de imitação”: os funcionários continuam copiando o mesmo funcionário de destaque muito tempo depois de terem absorvido o que era útil, substituindo, nesse processo, suas próprias práticas distintas — o que representa uma perda líquida em termos de aprendizagem. Segundo, “metas estagnadas”: o funcionário de destaque designado é escolhido no início do ciclo e nunca é atualizado. Quando o ciclo termina, outros funcionários já se aperfeiçoaram por caminhos diferentes, mas ninguém percebe porque as classificações não foram atualizadas. A organização continua aprendendo com os melhores de ontem. Seu conhecimento diversificado nunca é recombinado em soluções melhores. Esse é o custo real. O que nossa pesquisa descobriu A recombinação de conhecimento, definida como a combinação de práticas corretas detidas por diferentes pessoas para criar soluções superiores, é o desafio central da aprendizagem organizacional, da inovação e da estratégia. Em 1991, James March publicou o que se tornou um dos artigos mais citados na pesquisa em gestão, moldando o pensamento nas áreas da teoria organizacional, evolução cultural e ciência da complexidade. Utilizando um modelo computacional, ele demonstrou que as organizações apresentam melhor desempenho quando as pessoas aprendem lentamente umas com as outras. A sabedoria convencional desde então: o aprendizado lento preserva práticas diversas e evita a convergência prematura. Nossa pesquisa, a ser publicada em breve na revista Strategic Management Journal, reexamina esse resultado utilizando o mesmo método. Nesse contexto, um modelo computacional simula uma organização de aprendizes que se observam mutuamente e copiam as práticas daqueles que apresentam melhor desempenho. Cada funcionário simulado possui uma resposta parcial, possivelmente correta, para um problema complexo cuja solução completa nenhuma pessoa conhece por si só. Ao longo de milhares de execuções da simulação, variamos dois fatores: a rapidez com que as pessoas copiam os outros e a frequência com que o sistema atualiza as informações sobre quem está realmente apresentando bom desempenho. O que descobrimos nos surpreendeu: a aprendizagem lenta funciona, mas por acaso. O modelo de March, assim como a maioria dos sistemas de avaliação de desempenho anual (tais como a classificação por hierarquia), atualiza as informações sobre quem apresenta melhor desempenho apenas no final de um ciclo de avaliação. Quando o aprendizado é lento, ocorrem apenas algumas mudanças de posição antes da próxima atualização, de modo que o sistema praticamente não se altera entre as atualizações. Os dois modos de falha que nosso modelo identifica, o excesso de meta e as metas congeladas, raramente ocorrem, simplesmente porque pouca coisa muda antes do próximo ciclo de atualização. Parece que o atrito está ajudando. Na realidade, as informações simplesmente permanecem atualizadas. De metas fixas a metas dinâmicas Uma vez que se percebe isso, uma abordagem melhor torna-se óbvia: manter as informações atualizadas propositalmente. A maioria das organizações opera com sistemas de metas fixas: elas identificam os profissionais de melhor desempenho no início de um ciclo de avaliação e mantêm essa informação inalterada. O que propomos, em vez disso, é um sistema de metas dinâmicas, no qual a identidade dos profissionais de alto desempenho é atualizada continuamente. Imagine um quadro de classificação dinâmico, e não um ranking estático. Em nossas simulações, quando as informações de desempenho são atualizadas após cada evento de aprendizagem, a aprendizagem rápida deixa de levar à convergência prematura. Dois mecanismos explicam o motivo. Em primeiro lugar, as pessoas deixam de copiar assim que percebem que alcançaram o nível desejado. Com informações em tempo real sobre o desempenho, um funcionário que tenha igualado o melhor desempenho atual percebe isso imediatamente e para; não há mais excessos, nem mais substituição de práticas recomendadas que já estavam corretas. Em segundo lugar, e mais importante, os menos favorecidos que alcançam a vanguarda por caminhos diferentes tornam-se visíveis imediatamente. Os demais podem agora aprender com eles. Práticas recomendadas diferentes, detidas por pessoas diferentes, combinam-se em soluções superiores. Chamamos o mecanismo resultante de diversidade de alvos: um conjunto rotativo de profissionais de alto desempenho cujos conhecimentos distintos são recombinados. A Regra “Mind-the-Gap” Nossa principal conclusão prática é o que chamamos de regra “mind-the-gap”. Quando as pessoas distantes da vanguarda aprendem rapidamente e aquelas próximas à vanguarda aprendem de forma seletiva, as organizações simuladas alcançam um desempenho quase ideal em tarefas complexas. A vantagem em relação à aprendizagem lenta e uniforme aumenta com a complexidade do problema. Quando os problemas têm muitos aspectos a serem resolvidos, a aprendizagem lenta estagna porque os menos favorecidos demoram muito para alcançar os demais, e seu conhecimento único nunca entra no processo de recombinação. Sob a regra “mind-the-gap”, esses mesmos menos favorecidos alcançam a fronteira rapidamente por caminhos distintos e imediatamente se tornam novos alvos de imitação. Para observar essa dinâmica em ação, considere uma equipe de vendas. Os representantes juniores que estão longe da fronteira aprendem mais rapidamente ao imitar os atuais líderes de desempenho, acelerando assim sua recuperação. Quando os resultados de um representante júnior se aproximam da fronteira, o sistema muda: eles diminuem o ritmo, protegem as estratégias não convencionais que os levaram até ali e se tornam um novo alvo de imitação para o restante da equipe. A fronteira se expande, em vez de se contrair em torno de um único estilo. A diversidade da população não é a diversidade de metas O influente trabalho de Scott Page sobre o “bônus da diversidade” demonstrou que grupos de solucionadores de problemas diversificados podem apresentar um desempenho superior ao de grupos compostos por indivíduos com as maiores habilidades. No entanto, para aproveitar esse bônus, é necessário que o conhecimento diversificado seja efetivamente disseminado. A disseminação, por sua vez, requer diversidade de referência: um conjunto rotativo de modelos cujas práticas distintas sejam copiadas e combinadas. A maioria das organizações investe fortemente na diversidade da força de trabalho por meio de contratações, mas acaba prejudicando essa diversidade por meio de seus sistemas de avaliação de desempenho. Quando todos imitam o mesmo funcionário de destaque já estabelecido, a organização converge para uma única combinação de práticas. Outros funcionários possuem práticas corretas diferentes das quais o funcionário de destaque carece. Como esses funcionários nunca se tornam modelos a serem imitados, seu conhecimento nunca entra no processo de recombinação. O Prêmio do Oprimido A recomendação mais contraintuitiva: o azarão que acaba de alcançar o líder é mais valioso para se imitar do que a estrela consagrada. As práticas da estrela já foram amplamente copiadas, de modo que restam poucas informações novas a serem extraídas. O azarão chegou ao sucesso por meio de uma combinação distinta de práticas que ainda não se difundiu. Essa pessoa é a chave para a recombinação do conhecimento, justamente porque não possui um longo histórico. Isso vai contra o instinto gerencial. Confiamos nos históricos de desempenho. Promovemos pessoas com trajetórias comprovadas. Criamos bancos de práticas recomendadas com base em casos de sucesso já consolidados. Mas os históricos de desempenho refletem apenas onde o conhecimento já se concentrou. Os ganhos reais residem no conhecimento que ainda não se disseminou, e esse conhecimento tende a estar nas mãos daqueles que acabaram de chegar ao topo por caminhos inesperados. A mesma lógica reformula o desenvolvimento de talentos. A maioria das organizações trata-o como um processo unidirecional: contratar pessoas, treiná-las e alinhá-las às práticas recomendadas. Essa abordagem apaga o conhecimento específico que justificou a contratação em primeiro lugar. Um modelo mais eficaz é bidirecional. Os novos contratados aprendem com os atuais profissionais de alto desempenho para acelerar a integração. Ao mesmo tempo, seus pontos fortes emergentes são identificados precocemente, antes que se alinhem às normas organizacionais. O efeito é duplo: o desenvolvimento acelera o crescimento do novo contratado e eleva o padrão para os profissionais já estabelecidos, que agora competem contra uma fronteira em movimento, em vez de uma fixa. Condições de contorno e limitações A recomendação não é universal. Para tarefas rotineiras em que as práticas recomendadas estão bem estabelecidas, é desejável uma convergência rápida: copie a resposta conhecida rapidamente e siga em frente. A lógica de “atenção à lacuna” oferece compensação quando os problemas são complexos, quando existem múltiplos caminhos corretos e quando as pessoas copiam os profissionais de alto desempenho em vez de se conformarem com a prática da maioria. Nossas evidências provêm de um modelo computacional. Ele identifica o mecanismo por trás de um dos resultados mais influentes na aprendizagem organizacional e oferece um princípio de design concreto. Nossas recomendações foram testadas em simulações, mas ainda não em ambientes reais. Testar a regra “mind-the-gap” diretamente em empresas, equipes de pesquisa ou plataformas online é, portanto, o próximo passo natural. Microsoft, uma nova abordagem Retorno à Microsoft. Quando Satya Nadella assumiu o cargo de CEO em 2014, sua medida interna mais importante foi mudar quem era avaliado e a rapidez com que as informações sobre essas pessoas circulavam. Ele eliminou o sistema de classificação por níveis e o substituiu por um feedback contínuo por meio de um sistema chamado Perspectives, no qual os colegas sinalizam o que alguém deve “continuar fazendo” e o que deve “repensar”. Os indicadores de desempenho passaram a ser em tempo real, em vez de anuais. O Hackathon em toda a empresa, que cresceu para mais de 18.000 participantes, tornou visível imediatamente o avanço de qualquer pessoa, independentemente da posição hierárquica. Os menos favorecidos podiam alcançar a vanguarda e se tornar modelos a seguir da noite para o dia. A mudança cultural de uma organização do tipo “sabe-tudo” para uma do tipo “aprende-tudo” foi, em essência, uma transição de metas fixas para metas dinâmicas. A capitalização de mercado da Microsoft cresceu de cerca de US$ 300 bilhões para mais de US$ 3 trilhões na década seguinte. Não atribuímos esse crescimento apenas a uma reformulação do sistema de aprendizagem. O Azure, a parceria com a OpenAI e uma série de aquisições fizeram parte dessa história. O que podemos afirmar é que as mudanças culturais e operacionais aqui descritas estavam entre as condições prévias para a recombinação criativa que essas apostas exigiram. O que vem a seguir: IA e recombinação de conhecimento A recombinação do conhecimento é o problema central não apenas da aprendizagem organizacional, mas também da inovação, da ciência e da estratégia. Atualmente, a IA torna a regra “mind-the-gap” aplicável em grande escala. Sistemas que monitoram continuamente as contribuições podem medir a lacuna entre cada funcionário e a fronteira atual e ajustar o quanto cada pessoa aprende com os demais. Quando a lacuna é grande, a IA pode acelerar a aprendizagem ao trazer à tona práticas relevantes dos melhores desempenhos. Quando a lacuna é pequena, a IA pode fazer algo mais importante: ajudar os profissionais de ponta a explorar seletivamente, protegendo o conhecimento único que os torna valiosos como futuros alvos de imitação. O risco é que as organizações implementem a IA da maneira errada, treinando um único modelo corporativo com base nas práticas recomendadas do ano anterior e orientando todos a seguir esse modelo. Trata-se de uma convergência prematura à velocidade das máquinas. A oportunidade é exatamente o oposto: uma IA que mantenha a meta em constante evolução. A parte mais difícil da implementação não é técnica. É cultural. As organizações que construíram hierarquias de status em torno de estrelas consagradas resistirão a dar visibilidade aos menos favorecidos. A questão não é mais se a sua organização é diversificada o suficiente. É se os seus sistemas conseguem identificar quem acabou de alcançar a vanguarda e trazer à tona o conhecimento dessas pessoas antes que ele seja perdido com o treinamento. A recombinação do conhecimento não ocorre automaticamente. Ela ocorre de forma planejada.

Pare de tentar imitar um profissional de destaque

Resumo.

Partner Center