Este é o primeiro post de uma série em que vou percorrer o livro Site Reliability Engineering: How Google Runs Production Systems, capítulo por capítulo, conectando as ideias com a realidade de quem vive a operação no dia a dia.
Por que começar por aqui
O capítulo 1 é curto, mas talvez seja o mais importante de todos. É nele que o livro define o que SRE significa — e, mais importante, por que o Google sentiu que precisava criar essa função.
Antes de falar de SLO, alertas ou postmortem, vale entender o problema que o SRE tenta resolver. Sem esse contexto, todo o resto vira receita solta.
O jeito tradicional de operar
Durante muito tempo, operar sistemas foi tratado como um trabalho essencialmente manual: times de sysadmins cuidavam de servidores, respondiam a incidentes, faziam deploys e aplicavam correções “na mão”.
O livro chama isso de sysadmin approach (abordagem do administrador de sistemas). E aponta dois custos bem concretos desse modelo:
- Custo direto: conforme o sistema cresce, você precisa de mais gente para operá-lo. Escalar operação vira uma corrida para contratar — e o custo cresce de forma quase linear.
- Custo indireto: existe um atrito natural entre o time de desenvolvimento (que quer entregar rápido) e o time de operação (que quer estabilidade). Quando os objetivos divergem, a culpa circula e a confiança se desgasta.
Nesse modelo, o trabalho operacional é visto como algo separado da engenharia — e, pior, como algo que não melhora por meio de código. Você resolve o mesmo incidente de novo e de novo, sempre no braço.
A aposta do Google
O Google propôs uma saída diferente. Em vez de contratar mais operadores, contratou engenheiros de software para cuidar da operação — e chamou esse time de Site Reliability Engineering.
A frase que abre o livro resume a inversão de lógica:
SRE é o que acontece quando você pede para um engenheiro de software projetar um time de operações.
Atribuída a Ben Treynor Sloss (criador do termo), essa definição muda tudo. A operação deixa de ser um “mal necessário” e passa a ser encarada como um problema de engenharia.
Na prática, isso significa:
- tratar o trabalho operacional como software: automatizar, versionar, testar;
- aplicar as mesmas boas práticas de engenharia à infraestrutura;
- reduzir o trabalho repetitivo (toil) para liberar tempo para projetos que melhoram a confiabilidade de verdade.
O livro também menciona uma divisão de tempo que virou referência: SREs dedicam, idealmente, no máximo 50% do tempo a trabalho operacional (on-call, incidentes, mudanças) e o restante a engenharia — ferramentas, automação e melhorias estruturais. Se o toil começa a engolir o time, algo está errado e precisa ser corrigido.
Os princípios que sustentam tudo
O capítulo lista os objetivos centrais do SRE. Vale decorar, porque praticamente todo o resto do livro é um desdobramento deles:
- Foco duradouro em engenharia — a operação não pode engolir o time; precisa sobrar tempo para construir.
- Velocidade de mudança sem violar o SLO — entregar rápido, mas dentro de um limite acordado de confiabilidade (o error budget).
- Monitoramento — entender o comportamento do sistema por meio de sinais, não só de “checks” binários.
- Resposta a emergências — ter processo claro para quando o pior acontece.
- Gestão de mudanças — mudar com segurança e previsibilidade.
- Previsão de demanda e planejamento de capacidade — saber para onde o sistema vai antes de quebrar.
- Provisionamento — entregar recursos de forma consistente e automatizada.
- Eficiência e performance — fazer mais com menos, sem sacrificar a confiabilidade.
Perceba que quase tudo isso é trabalho de engenharia, não “trabalho de apagar incêndio”. Essa é a essência da proposta.
O que eu levo deste capítulo
Eu não conhecia o termo SRE quando comecei a praticá-lo. Foi na Soluti, ainda como analista de infraestrutura, que dei os primeiros passos — sem saber: ao implementar gestão de configuração com Puppet, automação e monitoramento com Zabbix e Rundeck, eu estava, na prática, reduzindo toil e tratando a operação como um problema de engenharia.
Na 2Com, em uma passagem breve, veio a prova mais concreta de que isso funciona: automatizei um processo custoso que levava cerca de três dias para ser concluído e passou a rodar em poucos minutos, desde que o ambiente do cliente estivesse preparado. Foi a primeira vez que eliminei toil de verdade — e a primeira vez que senti, na pele, o impacto da disciplina.
Levei esses ensinamentos para a IBM e, depois, para a Kyndryl, gerenciando ambientes críticos de grandes clientes. Lá, o padrão se repetiu: melhorar processos e automatizar operações repetitivas (ou de alto custo de tempo), transformando dias em minutos.
A operação tradicional me ensinou a reagir. O SRE me ensinou a projetar. Não é sobre ser mais rápido no incidente; é sobre reduzir a chance de ele acontecer — e, quando acontecer, ter um sistema que se recupera com o mínimo de intervenção.
Também gosto da honestidade do modelo: ninguém promete 100% de disponibilidade. O que se negocia é quanto de indisponibilidade é aceitável e, a partir daí, quanto de velocidade de entrega você “compra”. É uma troca explícita, não um desejo vago.
Próximos capítulos
No próximo post, vou falar do Capítulo 2: O ambiente de produção no Google do ponto de vista de um SRE. É onde o livro descreve o ecossistema (Borg, Chubby, Bigtable e companhia) e começa a dar nome às peças que sustentam a confiabilidade.
Acompanhe a série pela página /series/sre/.
