Disciplina de engenharia que aplica práticas de software à operação de infraestrutura para garantir confiabilidade.
Como funciona na prática
A equipe começa definindo, junto com o negócio, o que significa o sistema estar funcionando bem do ponto de vista do usuário, como percentual de requisições bem-sucedidas e tempo de resposta. Esses indicadores são medidos continuamente e comparados com uma meta. A diferença entre a meta e a perfeição é a margem de erro aceitável. Enquanto há margem, a equipe publica novidades normalmente. Quando ela se esgota, a prioridade passa a ser estabilidade. Incidentes são seguidos de análises sem busca de culpados, que geram ações concretas. Tarefas manuais repetitivas são medidas e automatizadas aos poucos, liberando tempo para melhorias estruturais.
Quando faz sentido
SRE faz sentido quando a disponibilidade de um sistema afeta diretamente receita, clientes ou operação, e quando a discussão entre quem quer publicar rápido e quem quer estabilidade vira conflito constante. Sinais típicos são incidentes repetidos com a mesma causa, plantões exaustivos, ausência de metas claras de disponibilidade e decisões tomadas por percepção, sem dados. Faz menos sentido para sistemas internos pouco críticos, em que o custo de engenheiros dedicados não se justifica. Nesses casos, adotar algumas práticas, como metas de serviço e análises pós-incidente, já traz ganho sem criar uma área nova.
O que avaliar
Avalie se as metas de confiabilidade foram definidas com o negócio e refletem a experiência do usuário, e não apenas métricas de servidor. Metas exageradas custam caro e travam a evolução, enquanto metas frouxas não protegem ninguém. Verifique se existe acordo real sobre o que acontece quando a margem de erro acaba, porque sem esse compromisso o modelo vira só um painel. Cuide da saúde da equipe de plantão, com escalas sustentáveis e alertas que exigem ação. Por fim, meça o tempo gasto com trabalho manual repetitivo e acompanhe se ele está diminuindo, que é um bom termômetro de maturidade.