Guia
O que é SRE: o fim da briga entre lançar e estabilizar
SRE (Site Reliability Engineering, engenharia de confiabilidade) é a prática de tratar a operação de serviços como problema de engenharia de software: metas de confiabilidade medidas (SLO), um orçamento de erro que ajuda a decidir entre lançar novidade e consertar o que existe, e limite para o trabalho manual repetitivo. Nasceu no Google; cada empresa decide o que adotar e em que tamanho.
Revisão editorial interna, sem parecer jurídico. aprovação pendente conteúdo a validar
Leitura de 15 min
A cena
Segunda-feira, 8h30
Numa plataforma de agendamento, o pagamento cai uma vez por mês. O gestor de TI chega à reunião e encontra o time de desenvolvimento querendo lançar a novidade da campanha, e o time de operação pedindo para congelar tudo até estabilizar. Cada um tem um argumento e uma história de sexta à noite.
O diretor faz a pergunta que ninguém consegue responder: o sistema está bom ou não está? Não há um número combinado. A reunião termina como a anterior, com opinião contra opinião e o lançamento decidido por quem falou mais alto.
O ponto cego: a disputa sem número. Desenvolvimento costuma ser cobrado por velocidade e operação por estabilidade. Sem uma medida comum, cada reunião repete o conflito. O livro de SRE do Google descreve esse conflito como estrutural, entre o ritmo da inovação e a estabilidade do produto.
Exemplo ilustrativo, com dados fictícios. Não é cliente nem resultado real. conteúdo a validar
Velocidade, estabilidade e orçamento de erro
- Desenvolvimento (cobrado por velocidade)
- quer lançar a novidade
- teme a fila de bloqueios
- Operação (cobrada por estabilidade)
- quer congelar até estabilizar
- teme a queda de sexta
- Orçamento de erro (medida comum)
- sobrou: lança
- acabou: estabiliza
O custo de não agir
O que acontece se nada mudar
Não existe número aberto que meça o custo de uma empresa não ter SRE. O que há são referências do próprio livro do Google, que mostram por que a falta de meta combinada sai cara, e um dado de paradas que ajuda a situar o problema.
- 100 vezesé quanto um ganho a mais de confiabilidade pode custar em relação ao ganho anterior. Por isso o livro afirma que 100% provavelmente nunca é a meta certa: costuma ser mais do que o usuário percebe. Fonte: Google, Site Reliability Engineering, cap. 3 (versão web, 2017). Texto de livro, sem amostra. É o custo relativo de cada ganho, não um valor em moeda. link
- 52,56 minutospor ano é o máximo de indisponibilidade que uma meta de 99,99% tolera, segundo o livro. Quem promete mais do que consegue sustentar paga em plantão, em retrabalho e em reputação. Fonte: Google, Site Reliability Engineering, cap. 3 (2017). Conta por tempo, sobre um ano de 365 dias. link
- 85%das paradas atribuídas a erro humano, que atingiram cerca de 40% das organizações nos últimos três anos, vieram de equipe que não seguiu procedimentos ou de falhas nos próprios procedimentos. O dado não mede trabalho manual; mostra só o peso do procedimento. Fonte: Uptime Institute, 7ª Annual Outage Analysis, comunicado de 06/05/2025. O comunicado cita várias pesquisas e a base de paradas públicas, sem contagem de amostra; o relatório completo exige assinatura e não foi lido. Dado global e de paradas, não de ataques. link
Normas e boas práticas
O que as normas e as boas práticas pedem
SRE não é norma certificável. É um conjunto de práticas publicado pelo Google em livro aberto. A tabela separa o que cada capítulo diz do que é adaptação para empresas menores.
| Referência | O que diz | O que isso significa na prática | Fonte |
|---|---|---|---|
| Google SRE book, cap. 1 (2017) | SRE é o que acontece quando se pede a um engenheiro de software que desenhe uma equipe de operações. O Google limita o trabalho operacional a 50% do tempo de cada SRE e adota cultura de revisão de incidentes sem culpa. | O limite de 50% é regra interna do Google, não exigência para você. A ideia útil é medir quanto do tempo vai para o trabalho manual. | Google, SRE book, cap. 1, lido em 27/10/2026 |
| Google SRE book, cap. 3 (2017) | O orçamento de erro é a diferença entre a meta e 100%, e define quanta falha é aceitável no período. Se ele acaba, as publicações são interrompidas até haver mais teste e correção. O livro diz que isso resolve o conflito de incentivos entre desenvolvimento e SRE. | A meta é negociada com o negócio, e o orçamento vira regra de decisão: sobrou, lança; acabou, estabiliza. | Google, SRE book, cap. 1 e 3, lidos em 27/10/2026 |
| Google SRE book, cap. 4 (2017) | SLI é uma medida quantitativa do nível de serviço; SLO é o valor-alvo dessa medida; SLA é um contrato com consequências. Se não há consequência explícita, quase certamente é um SLO. Poucos indicadores bastam, e percentis dizem mais que médias. | Escolha o que o usuário sente (pagamento concluído, tempo de resposta). | Google, SRE book, cap. 4, lido em 27/10/2026 |
| Google SRE Workbook, exemplo de política de orçamento de erro | No exemplo, se o serviço estourar o orçamento das últimas quatro semanas, mudanças e publicações são suspensas, exceto correções de prioridade máxima e de segurança, até voltar à meta; um incidente que consome mais de 20% do orçamento exige revisão pós-incidente. | É um exemplo, e não regra. Copiar os números sem conversar com o negócio recria o problema da cena. | Google, SRE Workbook, política de exemplo, lida em 27/10/2026 |
| Google SRE book, cap. 5 (2017) | Toil é trabalho manual, repetitivo, automatizável, tático, sem valor duradouro e que cresce em proporção ao serviço. | Esta lista serve de teste: se a tarefa tem esses traços, é candidata a automação. | Google, SRE book, cap. 5, lido em 27/10/2026 |
| Google SRE book, cap. 15 (2017) | O objetivo da revisão pós-incidente é documentar e aprender; ela deve identificar causas contribuintes sem apontar uma pessoa. Gatilhos incluem indisponibilidade acima de um limite, perda de dados e falha de monitoramento. | Revisão sem culpa não é sem responsabilidade: toda ação sai com dono. | Google, SRE book, cap. 15, lido em 27/10/2026 |
Da meta à decisão de lançar
- Meta
SLO combinado com o negócio - Medir
SLI no período - Folga
meta menos o medido - Decidir
sobrou: lança; acabou: estabiliza - Aprender
revisão sem culpa - Ajustar
a meta no ciclo seguinte
O plano
Plano em 3 passos
- Medir o que o usuário sente (SLI)
Escolha um a três serviços críticos e, para cada um, poucos indicadores ligados à experiência: taxa de pagamentos concluídos, tempo de resposta por percentil, taxa de erro. Comece com o que o monitoramento já coleta e não crie painel novo para o que ninguém usa.
- Combinar a meta e o orçamento de erro com o negócio (SLO)
Converse com quem responde pelo resultado e fixe uma meta que o usuário perceba e a empresa consiga sustentar; 100% fica de fora. Escreva a regra: o que acontece quando o orçamento do período acaba, quem decide as exceções e quem avisa. Use a tabela de metas deste guia para ver o que cada nível tolera.
- Reduzir o trabalho manual e aprender com cada falha
Meça quanto tempo da equipe vai para tarefas repetitivas e automatize as mais frequentes. Transforme alertas em avisos acionáveis, com dono. Faça revisão sem culpa dos incidentes que consumiram orçamento, com ações e responsáveis, e ajuste as metas a cada ciclo.
Ciclo SRE: medir, combinar, reduzir e aprender
- Mediro que o usuário sente
- Combinarmeta e orçamento
- Reduzirtrabalho manual
- Aprendercom cada falha
Confiabilidade com meta
Serviço relacionado: pilar Operações confiáveis.
Escopo em proposta escrita
Como a RStack atua como guia e parceira
Escopo, entregas e valores só aparecem em proposta escrita. Não há prazo nem resultado prometido neste guia.
- Diagnóstico de confiabilidade: serviços críticos, indicadores que já existem, alertas e incidentes recentes.
- Definição de SLIs e SLOs com o negócio e escrita da política de orçamento de erro, com a empresa decidindo os valores.
- Painéis e alertas ligados ao monitoramento que o cliente já tem ou escolhe, como Zabbix e Grafana, e chamados em ferramenta como a Freshservice.
- Levantamento do trabalho manual repetitivo e plano de automação priorizado.
- Condução de revisões de incidente sem culpa e relatório mensal previsto em contrato com metas, orçamento consumido e ações.
- SRE aqui é prática adaptada ao porte, e não a cópia do modelo do Google. Escopo, níveis de serviço e valores ficam em proposta escrita; não há prazo nem resultado prometido.
O que cada meta de disponibilidade tolera por ano
Conta simples sobre um ano de 365 dias (525.600 minutos). Serve para conversar com o negócio, não para prometer nível de serviço.
| Meta (por tempo) | Indisponibilidade tolerada por ano | O que isso pede na prática | Fonte |
|---|---|---|---|
| 99% | 87,6 horas | Paradas longas aceitáveis; rotina simples | Conta da RStack |
| 99,5% | 43,8 horas | Plantão com procedimento para a hora de falha | Conta da RStack |
| 99,9% | 8,76 horas | Monitoramento acionável e mudança controlada | Conta da RStack |
| 99,99% | 52,56 minutos | Automação de recuperação; cada ganho custa muito mais | Google, SRE book, cap. 3 (52,56 min); conta da RStack |
| 99,999% | 5,26 minutos | Raramente justificável fora de sistemas muito críticos | Conta da RStack |
Antes de falar em SRE
- Sei quais serviços o usuário percebe como críticos.
- Há pelo menos um indicador por serviço crítico que mede o que o usuário sente.
- A meta foi conversada com o negócio, e não copiada de outra empresa.
- Está escrito o que acontece quando o orçamento de erro acaba.
- Sei quanto do tempo da equipe vai para trabalho manual repetitivo.
- Todo alerta que chama uma pessoa tem dono e exige ação.
- Os incidentes relevantes têm revisão com ações e responsáveis.
- Há um relatório mensal de disponibilidade que a gestão lê.
Quando faz sentido
Você provavelmente precisa quando
- O serviço cai com frequência e o time vive apagando incêndio.
- Lançar novidade e manter estabilidade viram briga entre desenvolvimento e operação.
- Não existe meta clara de disponibilidade, só a sensação de que está ruim.
- As mesmas falhas voltam porque a correção definitiva nunca entra na fila.
- O trabalho manual repetitivo consome a maior parte do tempo da equipe.
Honestidade
Quando não contratar
Se você tem um sistema só, pouco usado e sem metas contratadas, comece por monitoramento e por uma gestão de incidentes simples. SRE pede serviços com métricas e uma equipe com tempo para melhorar o sistema; sem isso, vira rótulo novo para o mesmo plantão. Também não vale copiar os números do Google: o modelo foi desenhado para a escala dele.
Glossário
Termos que aparecem neste guia
SRE
Engenharia de confiabilidade de serviços: prática de usar engenharia de software para manter serviços confiáveis.
SLI
Indicador de nível de serviço: medida quantitativa de um aspecto do serviço, como taxa de sucesso ou latência.
SLO
Objetivo de nível de serviço: valor-alvo ou faixa para o SLI.
SLA
Acordo de nível de serviço: contrato com consequências quando os SLOs não são cumpridos.
Orçamento de erro
A folga entre a meta e 100%: quanto de falha o período tolera. Serve para decidir entre lançar e estabilizar.
Toil
Trabalho manual, repetitivo e automatizável que não deixa melhoria duradoura.
Revisão sem culpa
Análise de incidente focada em causas e ações, e não em culpados.
Sinais de ouro
Os quatro sinais que o livro de SRE recomenda acompanhar: latência, tráfego, erros e saturação.
Observabilidade
Capacidade de entender o estado de um sistema pelos dados que ele emite: métricas, logs e rastros.
Depois
O que muda depois
- A pergunta se o sistema está bom tem resposta em número, combinado com o negócio.
- A decisão entre lançar e estabilizar usa uma regra escrita, e não quem fala mais alto.
- O trabalho manual mais repetido vira automação, e o alerta passa a ter dono e a exigir ação.
- Cada incidente relevante gera aprendizado com ação e responsável.
- O que não muda: serviços continuam falhando de vez em quando. A meta existe justamente porque 100% não é o alvo.
FAQ
Perguntas frequentes
SRE é o mesmo que DevOps?
Não são a mesma coisa. DevOps é uma cultura de colaboração entre desenvolvimento e operação; SRE é uma forma concreta de praticar a confiabilidade, com metas medidas, orçamento de erro e limite de trabalho manual. A relação entre os dois é tema de debate, e a definição de DevOps não foi lida em fonte aberta nesta revisão. conteúdo a validar
SRE substitui o NOC?
Não necessariamente. O NOC acompanha e reage ao monitoramento; o SRE trabalha para o serviço falhar menos e exigir menos intervenção. Muitas empresas têm os dois. Veja o que é NOC e NOC x SOC.
SRE é cargo ou prática?
As duas coisas. Pode ser um time dedicado ou uma prática distribuída entre equipes. O que importa é que metas, medição e responsabilidade estejam escritas.
O que é orçamento de erro?
É a folga entre a meta e 100%. Com meta de 99,9% por tempo, a folga é de 0,1%, cerca de 8,76 horas por ano. Enquanto há folga, a equipe pode lançar; quando acaba, a estabilidade vem antes da novidade.
Por que não buscar disponibilidade perfeita?
Porque, segundo o livro de SRE, 100% provavelmente nunca é a meta certa: costuma ser mais do que o usuário percebe, e cada ganho de confiabilidade pode custar cerca de cem vezes mais que o anterior. A meta certa é a que o usuário percebe e o negócio justifica.
Qual a diferença entre SLI, SLO e SLA?
SLI é a medida, SLO é a meta dessa medida e SLA é o contrato com consequências. Se não há consequência explícita, o livro diz que quase certamente é um SLO.
O que é toil?
É o trabalho manual, repetitivo, automatizável, tático, sem valor duradouro e que cresce com o serviço. O Google declara o objetivo de manter o trabalho operacional abaixo de 50% do tempo de cada SRE; é uma referência, e não regra para a sua empresa.
Revisão sem culpa significa sem responsabilidade?
Não. O livro pede que a análise identifique causas contribuintes sem apontar uma pessoa. As ações que saem dela têm dono e prazo definidos pela própria empresa.
Empresa pequena precisa de SRE?
Não de um time dedicado. Dois ou três indicadores, uma meta conversada com o negócio e revisão dos incidentes já trazem a maior parte do benefício. Antes disso, monitoramento e gestão de incidentes simples.
O que acontece quando o orçamento de erro acaba?
Depende da política que a empresa escrever. Na política de exemplo do Google, mudanças e publicações são suspensas, exceto correções críticas e de segurança, até o serviço voltar à meta. É exemplo, e não regra.
Fontes
Onde conferir
- Google, SRE book, cap. 1: Introduction, consulta em 27/10/2026
- Google, SRE book, cap. 3: Embracing Risk, consulta em 27/10/2026
- Google, SRE book, cap. 4: Service Level Objectives, consulta em 27/10/2026
- Google, SRE book, cap. 5: Eliminating Toil, consulta em 27/10/2026
- Google, SRE book, cap. 6: Monitoring Distributed Systems, consulta em 27/10/2026
- Google, SRE book, cap. 15: Postmortem Culture, consulta em 27/10/2026
- Google, SRE Workbook, exemplo de política de orçamento de erro (é um exemplo, e não regra), consulta em 27/10/2026
- Uptime Institute, 7ª Annual Outage Analysis (comunicado de 06/05/2025) (amostra não informada no comunicado), consulta em 27/10/2026
Consultado em 27/10/2026. Onde o texto diz "fonte secundária" ou "URL não conferida na fonte oficial", a fonte oficial ainda não foi aberta. conteúdo a validar
Continue
Guias relacionados
- O que é NOCGuia relacionado
- ITSM e service desk (central de serviços de TI)Guia relacionado
- O que é DevSecOpsGuia relacionado
- NOC x SOC: qual é a diferençaGuia relacionado
- O que é FinOps: gestão de custos de nuvemGuia relacionado
- SLI, SLO e SLA: a diferença, sem confundirGuia relacionado
- O que é Zabbix: monitoramento e alertasGuia relacionado
- Grafana: painéis (dashboards) e alertas por públicoGuia relacionado
- Freshservice: incidente, catálogo e SLAGuia relacionado
Próximo passo
Escolha o primeiro serviço a ter uma meta medida
Diga qual sistema mais incomoda a diretoria. Voltamos por escrito com o indicador e o dono que sugerimos para começar.
Conversa inicial sem compromisso; o diagnóstico é pago e só começa depois que você aprova a proposta escrita.
Prefere começar devagar?