Imagine que você é o árbitro de um jogo gigante e invisível jogado no mundo dos negócios e das escolas. Neste jogo, os jogadores (como empresas tentando ser sustentáveis ou estudantes tentando entrar na faculdade) realizam ações ocultas para melhorar seu desempenho. Um árbitro (como uma agência de classificação ou um pontuador de testes) vê uma pista ruidosa sobre o quanto o jogador se esforçou, mas o público real (investidores ou universidades) vê apenas a pontuação final do árbitro. A parte complicada é que os jogadores são espertos; eles conhecem as regras do árbitro e podem tentar "jogar com o sistema", focando em fingir esforço ou concentrando-se apenas no que garante uma pontuação alta, em vez de realizar o trabalho que é realmente bom. Este é o mundo do design de informação e do risco moral. "Risco moral" é apenas uma maneira sofisticada de dizer que "as pessoas podem relaxar ou trapacear se acharem que não serão pegas", enquanto "design de informação" é a arte de decidir exatamente quanta verdade revelar para manter todos jogando de forma justa. A grande questão é: o árbitro deve mostrar cada detalhe do desempenho do jogador ou deve esconder algumas partes para manter os jogadores motivados?

Este artigo, intitulado "Optimal Rating Design under Moral Hazard" (Design de Classificação Ótimo sob Risco Moral), mergulha profundamente nessa questão. Os autores, Maryam Saeedi e Ali Shourideh, atuam como mestres designers de jogos tentando descobrir o livro de regras perfeito para sistemas de classificação. Eles descobrem que não existe uma resposta única para todos. Às vezes, mostrar tudo é o melhor. Mas, frequentemente, a jogada mais inteligente é censurar a informação — o que significa, deliberadamente, borrar as linhas entre certos resultados. Eles descobrem que a melhor forma de censurar depende inteiramente de como o esforço do jogador altera as chances de sucesso. Se o esforço aumentar a probabilidade de um "home run" mas também tornar um "strikeout" mais provável, o melhor sistema de classificação deve esconder os resultados ruins (menor censura) para incentivar a tomada de risco. Por outro lado, se o esforço apenas tornar os resultados mais consistentes e menos arriscados, o sistema deve esconder os resultados incríveis (censura superior) para desencorajar a inação. Eles também mostram que, em situações complexas onde os jogadores podem falsificar o caminho para uma boa pontuação sem realmente fazer o trabalho (chamado de "maquiagem de balanço" ou window dressing), o árbitro deve às vezes esconder as pontuações intermediárias para deter os falsificadores.

O Jogo do Esforço Oculto e das Pistas Ruidosas

Para entender o artigo, vamos preparar o cenário com uma história simples. Imagine um padeiro que quer vender o melhor pão da cidade. O padeiro pode escolher trabalhar duro (usando farinha premium e sovando por horas) ou pegar um atalho (usando farinha barata e uma máquina). Os clientes da cidade (o mercado) querem um ótimo pão, mas não conseguem ver as mãos do padeiro; eles só podem sentir o gosto do pão final. Uma agência de classificação (o intermediário) observa o padeiro e vê uma "pista" — talvez o cheiro da cozinha ou a cor da crosta. Essa pista é ruidosa; um bom cheiro não garante um ótimo pão, e um cheiro ruim não garante um pão ruim.

A agência de classificação tem uma escolha: dizer aos clientes exatamente o que a pista diz, ou dar a eles um resumo vago como "Bom", "Ok" ou "Ruim". O padeiro conhece as regras da agência. Se a agência for muito rigorosa, o padeiro pode desistir. Se a agência for muito branda, o padeiro pode parar de se esforçar e apenas tentar parecer bom. A agência quer projetar um sistema de classificação que faça o padeiro trabalhar o mais duro possível, ou talvez ajude os padeiros pobres a sobreviver, ou impeça os padeiros de falsificarem o caminho para uma classificação "Boa".

A principal estratégia do artigo é perceber que o sistema de classificação não apenas dá uma nota; ele cria um preço para o esforço do padeiro. Se a classificação é "Boa", o padeiro recebe um preço alto pelo seu pão. Se é "Ruim", ele recebe um preço baixo. O padeiro decide o quanto trabalhar com base em quanto dinheiro extra ele espera ganhar se se esforçar mais. Os autores introduzem um conceito inteligente chamado preços interinos. Pense nisso como a crença de "segunda tentativa" do padeiro. Antes da classificação final sair, o padebre pensa: "Se eu sentir um cheiro bom, o que os clientes eventualmente pensarão?". O artigo prova que, se o sistema de classificação for justo (significando que cheiros melhores sempre levam a preços esperados mais altos), então o conjunto de sistemas de classificação possíveis limita-se àqueles que "suavizam" os altos e baixos extremos das pistas brutas. Você não pode criar um sistema de classificação que faça o preço saltar mais drasticamente do que as pistas brutas; você só pode tirar a média delas.

A Magia de Esconder a Verdade

A parte mais emocionante do artigo é como ele responde à pergunta: "Quando devemos esconder a verdade?". Os autores descobrem que a resposta depende de como o esforço do padeiro altera a forma dos resultados possíveis. Eles identificam três cenários principais, que chamam de MLRP, ELRP e CLRP.

1. O Caso Padrão (MLRP): Mostre Tudo!
No mundo clássico dos livros didáticos, se o padeiro trabalha mais, o pão simplesmente fica melhor em todos os aspectos. Um padeiro que trabalha duro é sempre mais propenso a ter um pão excelente e menos propenso a ter um pão ruim, não importa onde você olhe. O artigo confirma que, neste mundo previsível e monótono, o melhor sistema de classificação é a divulgação total. Você deve contar tudo aos clientes. Por quê? Porque se você esconder o pão ruim, pode acidentalmente esconder o fato de que o padeiro está realmente se esforçando. Se você esconder o pão bom, retira a recompensa pelo seu esforço. Portanto, neste caso padrão, a transparência é soberana.

2. O Inovador de Risco (ELRP): Esconda os Desastres!
Agora, imagine que o padeiro é um inovador. Ele está tentando uma receita maluca. Se ele trabalhar duro, pode criar um pão lendário e mundialmente famoso (uma grande vitória), mas também pode queimar todo o lote (um desastre enorme). Se ele não tentar, terá apenas um pão medíocre. Aqui, trabalhar mais duro expande as caudas: torna os melhores resultados e os piores resultados mais prováveis. Isso é a Propriedade de Razão de Verossimilhança em Expansão (ELRP).

O artigo sugere que, neste caso, o melhor sistema de classificação é a menor censura. Isso significa que a agência deve esconder os resultados realmente ruins. Se o padeiro queimar o pão, a agência deve apenas dizer: "Bem, não está ótimo", mas não revelar o desastre específico. Por quê? Porque se o padeiro souber que um fracasso total será publicamente envergonhado, ele pode ficar com medo demais para tentar a nova receita arriscada. Ao agrupar os resultados ruins e dar a eles uma classificação média "segura", a agência oferece ao padeiro um seguro contra o lado negativo. Isso incentiva o padeiro a assumir o risco e trabalhar duro, esperando pelo pão lendário. É como um pai dizendo a um filho: "Se você tentar construir este foguete e ele explodir, diremos apenas que foi uma experiência de aprendizado", para que a criança não tenha medo de acender o pavio.

3. O Mantenedor Cuidadoso (CLRP): Esconda os Milagres!
Por outro outro lado, imagine um padeiro que quer apenas garantir que o pão seja consistente. Se ele trabalhar duro, ele para de cometer erros. Ele não produz pães mais lendários, mas para de produzir pães queimados. Trabalhar duro comprime a distribuição em direção ao meio. Esta é a Propriedade de Razão de Verossimilhança de Compressão (CLRP).

Aqui, o artigo defende a censura superior. A agência deve esconder os resultados realmente bons. Se o padeiro acidentalmente fizer um pão perfeito, a agência deve apenas dizer: "É bom", sem revelar que foi um milagre. Por quê? Porque se o padeiro souber que um pão perfeito será recompensado generosamente, ele pode ser tentado a pegar atalhos e esperar pela sorte. Mas se a agência esconder os prêmios máximos, o padeiro percebe que a única maneira de obter uma classificação "Boa" é ser consistente e evitar as classificações "Ruins". Ao esconder as pontuações altas, a agência desencoraja o padeiro de ser inativo ou inconsistente, porque se ele for inativo, poderá acidentalmente produzir um pão ruim, e esse pão ruim será revelado e punido. É como um professor que esconde os "A+" mas mostra os "F", forçando os alunos a focar em não falhar em vez de esperar por um golpe de sorte.

A Armadilha da Maquiagem de Balanço (Window Dressing)

O artigo também aborda um problema sorrateiro: a maquiagem de balanço (window dressing). Isso acontece quando um jogador pode fazer algo que parece bom para a classificação, mas que não ajuda realmente o mercado. Por exemplo, uma empresa pode gastar dinheiro em uma campanha publicitária chamativa para fazer sua pontuação ESG parecer ótima, enquanto ignora o dano ambiental real. Ou um estudante pode memorizar respostas de testes sem aprender o conteúdo.

Os autores descobrem que, mesmo que o sistema de classificação seja perfeito ao medir o esforço, ele ainda pode falhar se o jogador puder "falsificar" o sinal. Eles introduzem uma regra chamada Informatividade Relativa Monótona (MRIP). Esta é uma maneira sofisticada de dizer: "Uma pontuação alta significa que o jogador fez o trabalho real, ou apenas o trabalho falso?".

Se as pontuações altas forem sempre mais prováveis de vir do trabalho falso, o melhor sistema de classificação é a censura superior (esconder as pontuações altas). Isso impede que o falsificador receba uma grande recompensa pelo seu truque. Se as pontuações altas forem sempre mais prováveis de vir do trabalho real, o melhor sistema é a menor censura (esconder as pontuações baixas) para incentivar o trabalhador real. A ideia central aqui é que você não precisa mudar todo o sistema; você só precisa censurar a parte específica da pontuação que os falsificadores são bons em manipular. É como um professor percebendo que um aluno é bom em adivinhar respostas de múltipla escolha, mas ruim em redações. O professor pode decidir esconder as pontuações de múltipla escolha e mostrar apenas as notas de redação para obter uma imagem verdadeira do conhecimento do aluno.

O Meio Termo: Testes Redistributivos

Finalmente, o artigo olha para um objetivo diferente: a redistribuição. Imagine um sistema escolar que deseja ajudar alunos desfavorecidos. A escola sabe que alguns alunos têm mais dificuldades (talvez não tenham um lugar silencioso para estudar), então eles têm que trabalhar duas vezes mais para obter a mesma pontuação. A escola quer projetar um teste que incentive todos a tentar, mas que também dê um impulso aos alunos que estão enfrentando dificuldades.

Os autores descobrem que, neste caso, o teste ideal pode usar a censura intermediária. Este é um meio-termo estranho onde o teste esconde as pontuações do meio, mas revela as muito altas e as muito baixas. Por quê? Porque se você esconder o meio, evita que os alunos em dificuldade sejam desencorajados por uma pontuação "medíocre" que não reflete seu trabalho árduo. Ao mesmo tempo, você mantém as pontuações altas visíveis para recompensar os melhores desempenhos e as baixas visíveis para manter todos motivados. É um equilíbrio: você agrupa os resultados "ok" para ser gentil, mas mantém os extremos nítidos para manter o incentivo de dar o seu melhor.

A Visão Geral

O artigo conclui que não existe um único "melhor" sistema de classificação. O design perfeito depende inteiramente da natureza do trabalho que está sendo classificado.

• Se o trabalho é rotineiro e previsível, mostre tudo.
• Se o trabalho é arriscado e inovador, esconda os fracassos para encorajar a audácia.
• Se o trabalho é sobre consistência e segurança, esconda os milagres para desencorajar a inação.
• Se o trabalho envolve falsificação, esconda as pontuações que os falsificadores podem manipular.
• Se o objetivo é equidade, esconda o meio termo para proteger os vulneráveis.

Os autores provam esses resultados matematicamente, mostrando que essas estratégias de "censura" não são apenas palpites, mas as soluções ótimas derivadas de equações complexas. Eles mostram que os melhores sistemas de classificação são frequentemente regras determinísticas simples: "Se a pontuação for abaixo de X, diga 'Ruim'; se estiver entre X e Y, diga 'Média'; se estiver acima de Y, diga 'Boa'". Mas a magia está em onde você traça essas linhas. Ao entender como o esforço altera as chances de sucesso, podemos projetar sistemas de classificação que não apenas medem o desempenho, mas que realmente criam um melhor desempenho.

Em um mundo cheio de classificações — desde avaliações da Amazon até admissões universitárias e pontuações ESG — este artigo oferece um conjunto de ferramentas para reguladores e designers. Ele sugere que, quando vemos um sistema de classificação que parece esconder a verdade, pode não ser um erro ou uma conspiração. Pode ser a jogada mais inteligente possível.