O paradoxo dos 100%: por que trabalhar na capacidade máxima pode fazer uma empresa funcionar pior?

Parece lógico que uma empresa deva aproveitar integralmente funcionários, máquinas e equipamentos. Entretanto, em sistemas sujeitos a variações de demanda, aproximar-se da capacidade máxima pode provocar um crescimento explosivo das filas, dos atrasos e dos custos.

Imagine que você administra uma clínica.

Os profissionais atendem pacientes durante praticamente todo o expediente. Não existem horários ociosos, os equipamentos estão sempre ocupados e ninguém permanece parado.

À primeira vista, parece uma operação extremamente eficiente.

Mas existe um problema: os pacientes esperam cada vez mais, os atrasos se acumulam e a equipe trabalha sob pressão. Apesar de todos estarem ocupados, a experiência do cliente piora.

Como isso é possível?

A resposta está em uma distinção fundamental da Economia: utilizar intensamente um recurso não significa necessariamente produzir o melhor resultado econômico.

Uma empresa não funciona como uma máquina perfeitamente previsível

Considere um estabelecimento com apenas um atendente. Ele consegue atender, em média, 12 clientes por hora. Cada atendimento demora, portanto, cerca de cinco minutos.

Se chegam seis clientes por hora, a capacidade é suficiente para absorver a demanda com relativa tranquilidade. Mas o que acontece quando começam a chegar dez clientes? Onze? Ou quase doze?

Nossa intuição sugere que o tempo de espera deveria crescer de maneira aproximadamente proporcional à demanda. Em sistemas com chegadas e tempos de atendimento aleatórios, porém, essa relação pode ser fortemente não linear.

Chamaremos de λ a taxa média de chegada dos clientes e de μ a capacidade média de atendimento. A utilização do sistema é:

Se chegam nove clientes por hora e a capacidade é de doze:

O atendente permanece ocupado, em média, durante 75% do tempo. A diferença entre trabalhar com 75% e com 95% de utilização, contudo, é muito maior do que esses vinte pontos percentuais sugerem.

A equação que explica o crescimento das filas

Vamos utilizar um modelo clássico da Pesquisa Operacional: a fila M/M/1. Ele considera um único atendente, chegadas segundo um processo de Poisson, tempos de atendimento independentes com distribuição exponencial, fila sem limite de capacidade e atendimento por ordem de chegada.

Quando λ < μ, o sistema possui um regime estacionário. O tempo médio total de permanência de um cliente — espera mais atendimento — é:

Essa relação é apresentada em materiais de sistemas de manufatura do MIT OpenCourseWare.

Com capacidade de 12 atendimentos por hora, os números ficam assim:

Clientes por hora	Utilização	Tempo médio total
6	50%	10 min
9	75%	20 min
10	83,3%	30 min
11	91,7%	60 min
11,5	95,8%	120 min

Observe o último salto. A utilização cresce de aproximadamente 92% para 96%, mas o tempo médio de permanência dobra.

O atendente não ficou mais lento. O problema é que o sistema possui cada vez menos margem para absorver as flutuações aleatórias da demanda.

Por que a fila explode perto de 100%?

Imagine que, durante dez minutos, cheguem quatro clientes. O atendente não consegue concluir os quatro atendimentos nesse intervalo e uma fila se forma.

Se depois houver um período mais tranquilo, a capacidade excedente ajuda a recuperar o atraso. Mas, quando o sistema já opera quase totalmente ocupado, essa folga praticamente desaparece.

Matematicamente, isso aparece no limite:

À medida que a taxa de chegada se aproxima da capacidade, o tempo médio previsto pelo modelo cresce sem limite. Isso não significa que um cliente real espere literalmente para sempre; significa que, com utilização de 100%, o modelo deixa de possuir um tempo médio estacionário finito.

O sistema perde a capacidade de absorver regularmente as variações da demanda.

O custo invisível de manter todos ocupados

Suponha agora que chegam onze clientes por hora e a capacidade é de doze. O tempo médio total é de sessenta minutos. Como o atendimento dura cinco minutos, a espera média na fila é de 55 minutos.

Imagine que uma reorganização reduza o atendimento médio de cinco para quatro minutos. A capacidade passa para quinze clientes por hora.

Descontando os quatro minutos de atendimento, a espera média cai para onze minutos.

Uma redução de apenas um minuto no atendimento derrubou a espera de 55 para 11 minutos — uma queda de 80%. Isso acontece porque uma pequena expansão de capacidade produz efeitos muito maiores quando o sistema estava próximo da saturação.

A Lei de Little: quando espera vira estoque

Existe outra relação fundamental para compreender operações. A Lei de Little conecta o número médio de itens no sistema, a taxa de fluxo e o tempo de permanência:

O MIT destaca que essa relação vale para uma ampla classe de sistemas estáveis, não apenas para a fila M/M/1. Ela aparece nas notas de Teoria das Filas do MIT OpenCourseWare.

Se uma empresa conclui vinte pedidos por dia e cada pedido permanece cinco dias no processo:

Existem, em média, cem pedidos dentro do sistema. Se o tempo médio cai para três dias mantendo a mesma taxa de conclusão, o número cai para sessenta.

Na indústria, isso pode significar menos estoque intermediário, menos capital imobilizado e menos espaço ocupado.

Eficiência local não é eficiência econômica

Imagine uma fábrica com várias etapas. Uma máquina produz cem unidades por hora, mas a etapa seguinte só consegue processar oitenta.

Manter a primeira máquina funcionando sem parar pode melhorar seu indicador local de utilização. Porém, as vinte unidades excedentes por hora apenas se acumulam diante do gargalo.

O primeiro setor parece eficiente; o sistema completo não melhorou.

Esse raciocínio se conecta a Quando todo mundo escolhe o melhor para si — e todos acabam pior: decisões racionais localmente podem gerar um resultado coletivo inferior.

Também dialoga com O preço certo não existe: a matemática por trás de quanto você aceita pagar. Em ambos os casos, maximizar uma variável isolada não garante o melhor resultado econômico.

E, sob a ótica de custos, há uma ponte natural com o exercício resolvido sobre custo médio de um automóvel: a Matemática ajuda a revelar comportamentos que não são óbvios olhando apenas para valores isolados.

Então devemos manter recursos ociosos?

Não necessariamente. A conclusão não é que a ociosidade seja sempre desejável.

A capacidade de reserva possui valor econômico quando existe variabilidade. Esse valor depende do custo da capacidade adicional, da variabilidade da demanda, dos tempos de serviço e das consequências dos atrasos.

Em sistemas extremamente previsíveis, pode ser possível operar com utilização elevada sem grandes filas. Em sistemas sujeitos a picos e incerteza, alguma margem pode ser essencial.

A decisão correta é uma questão de otimização: comparar o custo de manter capacidade disponível com o custo econômico de não tê-la quando ela for necessária.

Uma leitura para aprofundar

Uma leitura especialmente adequada é A Meta: Um processo de melhoria contínua, de Eliyahu M. Goldratt e Jeff Cox. A edição comemorativa de 40 anos, publicada pela Citadel em 2024, apresenta a Teoria das Restrições por meio de uma narrativa empresarial e ajuda a compreender por que manter todos os recursos ocupados pode ser muito diferente de melhorar o desempenho do sistema como um todo.

A pergunta que permanece

Durante muito tempo, produtividade foi associada intuitivamente à utilização intensa dos recursos: quanto menos tempo parado, melhor.

A Matemática das filas mostra que a relação não é tão simples.

Uma empresa pode manter todos ocupados e oferecer um serviço pior. Uma fábrica pode utilizar integralmente suas máquinas e apenas aumentar estoques. Um hospital pode elevar a ocupação e, ao mesmo tempo, reduzir sua capacidade de responder a situações inesperadas.

A questão central não é eliminar toda capacidade ociosa. É compreender quanto custa mantê-la e quanto custa não possuí-la.

Se uma empresa consegue demonstrar que todos os seus recursos estão ocupados durante 100% do tempo, ela está provando que é eficiente — ou apenas que perdeu a capacidade de lidar com o inesperado?