Este é o terceiro post da série sobre o livro Site Reliability Engineering: How Google Runs Production Systems. Depois de entender o ambiente de produção, o livro agora apresenta uma das ideias mais contraintuitivas — e mais importantes — do SRE: por que 100% de disponibilidade é a meta errada.
Por que 100% não é a meta
Parece absurdo à primeira vista. Por que o Google não tentaria fazer serviços que nunca falham?
O capítulo responde com uma constatação simples: a partir de certo ponto, mais confiabilidade piora o serviço em vez de melhorá-lo. Confiabilidade extrema custa caro — limita a velocidade com que novas funcionalidades são desenvolvidas, encarece o produto e reduz o número de features que um time consegue bancar.
E há um detalhe ainda mais forte: os usuários não percebem a diferença. Quem usa um smartphone que já é 99% confiável não consegue distinguir um serviço 99,99% de um 99,999% — a experiência é dominada por componentes menos confiáveis, como a rede celular.
A conclusão é a essência do capítulo: o SRE não busca maximizar uptime, e sim equilibrar o risco de indisponibilidade com a inovação rápida. O que se otimiza é a felicidade total do usuário — features, serviço e performance juntos.
Confiabilidade tem custo e não é linear
O livro faz uma afirmação desconfortável: o custo não cresce de forma linear com a confiabilidade. Subir mais um “nove” de disponibilidade pode custar 100x mais que o incremento anterior.
Esse custo tem duas dimensões:
- Recursos redundantes — máquinas e equipamentos extras que permitem tirar sistemas do ar para manutenção, ou armazenar blocos de paridade para durabilidade.
- Custo de oportunidade — engenheiros alocados para reduzir risco em vez de construir features visíveis para o usuário. Cada engenheiro dedicado à confiabilidade é um que não está entregando produto novo.
O SRE trata risco como um continuum. O objetivo é deixar o serviço confiável o suficiente — mas não mais confiável do que precisa ser. O alvo de disponibilidade vira, ao mesmo tempo, um mínimo e um máximo.
Medindo o risco
Como transformar “risco” em algo mensurável? O livro foca no downtime não planejado, expresso em “noves” de disponibilidade: 99,9%, 99,99%, 99,999%. Cada nove a mais representa uma ordem de magnitude.
Para ter noção: um alvo de 99,99% permite 52,56 minutos de indisponibilidade por ano. A tabela completa está no apêndice do livro.
Mas o Google raramente usa métrica baseada em tempo. Como os serviços são distribuídos globalmente, “estar parcialmente no ar” é a regra. Por isso a disponibilidade é medida por taxa de sucesso de requisição sobre uma janela: um serviço que atende 2,5 milhões de requisições por dia com alvo de 99,99% pode errar até 250 requisições.
Quanto risco cada serviço aguenta
A tolerância a risco não é um número mágico — ela depende do serviço. O livro divide a análise entre serviços de consumo e de infraestrutura.
Serviços de consumo têm um time de produto que traduz metas de negócio em objetivos. A disponibilidade-alvo depende de: o que os usuários esperam, se o serviço está ligado a receita, se é pago ou gratuito, e o que a concorrência oferece. Exemplos: o Google Apps for Work mira 99,9% (usuários empresariais que dependem dele para trabalhar); o YouTube, logo após a aquisição, ganhou um alvo mais baixo — naquele momento, velocidade de evolução valia mais que estabilidade extrema.
Também importa o tipo de falha. Falha constante de baixa intensidade é diferente de um outage total. O exemplo do capítulo é contundente: numa aplicação de contatos, fotos que não carregam é chato; expor dados privados de um usuário a outro é grave o suficiente para derrubar o serviço inteiro durante a investigação.
E há o custo. No caso do Ads, o trade-off é direto: cada requisição se traduz em receita. O livro dá a conta — para um serviço de $1M, subir de 99,9% para 99,99% vale $900; só compensa investir se o custo for menor que isso. Um atalho útil: a taxa de erro de fundo dos ISPs fica entre 0,01% e 1%; errar abaixo disso é “sumir no ruído”.
Serviços de infraestrutura são mais complexos, porque têm múltiplos clientes com necessidades opostas. O exemplo do Bigtable é perfeito: quem serve dados no caminho da requisição quer latência baixa e filas vazias; quem faz análise offline quer throughput e fila nunca vazia. A solução é particionar o serviço em níveis: clusters de baixa latência (caros) e clusters de throughput (muito mais baratos, às vezes 10–50% do custo). No Google+, dados críticos de privacidade iam para o Spanner (consistente e global), e dados opcionais para um datastore mais barato. (descrições de Bigtable e Spanner no capítulo 2)
A lição geral: exponha o custo e deixe o cliente escolher o nível de serviço. Constrangimentos que parecem incompatíveis se resolvem quando cada nível de serviço tem preço explícito.
Error budget: risco que vira decisão
A parte mais prática do capítulo. Existe uma tensão natural entre o time de produto (quer velocidade) e o SRE (quer confiabilidade). Cada um enxerga metade do problema — e, sem um critério objetivo, a negociação vira política. O lema não-oficial do SRE resume: “esperança não é estratégia” (hope is not a strategy).
O error budget resolve isso. Funciona assim:
- O time de produto define um SLO — quanto uptime o serviço deve ter por trimestre.
- O monitoramento mede o uptime real, como parte neutra.
- A diferença entre os dois é o orçamento de erro — quanta “indisponibilidade” ainda resta no trimestre.
Na prática: um SLO de 99,999% dá um orçamento de erro de 0,001% de falhas. Se um problema causar 0,0002% de falhas, ele gastou 20% do orçamento do trimestre.
A mágica é que o error budget alinha incentivos. Enquanto há orçamento, o time pode lançar rápido. Quando ele está quase esgotado, o próprio time de produto passa a pedir mais testes e menos pressa — porque ninguém quer estourar o orçamento e travar o lançamento. O time passa a se autopoliciar. E, se o time estiver com dificuldade de lançar, pode afrouxar o SLO — aumentando o orçamento — para ganhar velocidade.
O que eu levo deste capítulo
O que mais me marcou neste capítulo foi ver o livro dar nome a uma tensão que eu vivi o tempo inteiro, sem nunca ter um critério claro para resolvê-la.
Na autoridade certificadora onde trabalhei, a conversa entre desenvolvimento e operação era sempre a mesma: um lado queria entregar, o outro queria estabilizar — e não havia número nenhum para arbitrar. Foi só quando comecei a adotar DevOps, aproximando os times, que entendi que o problema não era de gente, era de falta de um objetivo compartilhado. O error budget é exatamente isso: um objetivo que os dois lados aceitam e que tira a decisão do terreno da política.
A ideia de “confiável o suficiente” também mudou como eu via projeto. Em um grande varejista brasileiro, o ambiente de produção e desenvolvimento compartilhava o mesmo cluster Kubernetes — ou seja, o negócio estava assumindo um risco que ninguém tinha quantificado. Separar em clusters dedicados não foi só uma melhoria técnica: foi alinhar o risco aceito à tolerância real do negócio. Produção passou a ter alta disponibilidade, e desenvolvimento ganhou liberdade para errar sem derrubar o cliente.
E o custo de oportunidade, para mim, é a parte mais honesta. Todo tempo que eu passava entregando servidor na mão ou apagando incêndio era tempo não investido em melhorar o ambiente. Quando automatizei com Puppet e Ansible — de dias para minutos, com a fila de chamados caindo mais de 60% — o que ganhei não foi só velocidade: foi a devolução desse tempo para engenharia de verdade.
No fim, a ideia que fica é esta: confiabilidade não é um fim em si mesmo. É uma moeda que você troca por velocidade, custo e features. Quem trata disponibilidade como dogma paga caro; quem trata como orçamento faz escolhas conscientes.
Próximos capítulos
No próximo post, vou falar do Capítulo 4: Service Level Objectives. É onde o livro formaliza o que o error budget assume: como definir SLOs, SLIs e SLAs — e por que escolher os indicadores certos é metade do trabalho.
Acompanhe a série pela página /series/sre/.
