Assinar os dois números que valem quando o serviço cai

Serviço fora do ar tem preço em receita e em reputação, e o contrato transforma esse preço em cláusula. Uma promessa de 99,9% de disponibilidade mensal equivale a cerca de 43 minutos fora do ar por mês.

A conversa técnica sobre continuidade cabe em três siglas e dois números que você assina antes da próxima queda, porque depois dela ninguém tem tempo de combinar nada.

Telemetria reúne registros, medidas e rastros de execução, e serve para detectar falhas e acompanhar a recuperação. Defina o início e o fim de cada medida, e o tempo até o alerta.

SLA é um compromisso contratual, que pode prever compensação. SLO é a meta de serviço definida para uma janela, e a meta interna preserva margem em relação ao contrato, com métricas e janelas comparáveis.

Orçamento de erro é a parcela de falhas permitida pelo SLO, não a diferença entre SLO e SLA. A política define o que fazer quando ele se esgota; sobra de orçamento, sozinha, não prova que o time entrega devagar.

Definir o SLI, o que exatamente está sendo medido, é a primeira pergunta em revisão de contrato. Pode ser proporção de requisições sem erro, latência (tempo de resposta) abaixo de um limite, ou disponibilidade de um endpoint específico.

Configurar o alerta para disparar no mesmo número do contrato é a falha mais comum. O time descobre o problema no instante em que a multa já foi acionada, sem margem para reagir.

Com SLA em 99,9%, cerca de 43 minutos por mês, e SLO interno em 99,95%, cerca de 21 minutos, o time recebe o sinal com metade do orçamento ainda disponível. Isso transforma um evento contratual em evento operacional.

O teste do alerta é fácil de fazer sem entender de infraestrutura: pergunte em que número o aviso dispara e compare com o número que está no contrato do maior cliente. Se os dois forem iguais, a margem entre detectar e violar não existe, e é isso que separa um evento operacional de um evento contratual.

Antes da próxima mudança, confirme. Efeitos irreversíveis, como cobrança, mensagem e integração acionada, ficam atrás de um interruptor desligado por padrão. Migrações de banco convivem com a versão anterior durante a publicação gradual, e alguém acompanha o painel com o critério de interrupção combinado por escrito.

Quando algo quebra, primeiro estanque o serviço, depois investigue a causa. Reverter e restabelecer o serviço vem antes de entender a origem.

Peça o relatório de cada incidente sem nome de pessoa, com a linha do tempo anotada durante a queda. Reconstruir de memória no dia seguinte perde os detalhes que importam. Confirme por escrito quem fala com o cliente enquanto o problema dura.

Se você guardar só cinco palavras, guarde estas. Deploy (publicação) coloca uma versão no ambiente de execução.

Release disponibiliza um recurso ao usuário, podendo ocorrer junto ou depois.

Rollback retorna a uma versão anterior, sem necessariamente desfazer dados alterados.

Feature flag controla a disponibilidade de um recurso por configuração.

SLO define uma meta de serviço para um período.

A decisão que cabe a você é assinar dois números: quanto tempo o serviço pode ficar fora do ar, e quanto dado a empresa aceita perder num desastre. Aprove o desenho que volta ao estado anterior em um minuto, por um botão, e recuse o que volta por reconstrução ou reunião de emergência.

O time escolhe a estratégia de liberação, o dimensionamento e o fornecedor dentro desses dois números. Peça por escrito o relatório de cada incidente e compare o número do alerta com o do contrato: se forem iguais, o desenho volta para a mesa.