O erro de transformar post-mortem em tribunal de RH
Quando a empresa trata incidente como falha moral de quem apertou o botão do deploy, acontece o efeito mais previsível da história: da próxima vez, quem vir um erro suspeito no log vai esconder, apagar rastro ou enrolar duas horas antes de escalar o alerta.
Engenharia confiável (como documenta o Google SRE Book) parte do princípio oposto: humanos cometem erros sob pressão, cansaço e ferramentas ruins. O post-mortem existe para blindar o sistema contra o erro humano inevitável.
Modelo pronto em Markdown (copie direto para o repositório)
Esqueça formulários de oito páginas em Word que ninguém lê depois. Cole a estrutura abaixo em `docs/postmortems/YYYY-MM-DD-incidente.md` e preencha em vinte minutos:
# Post-Mortem: [Título curto do incidente] — YYYY-MM-DD
- **Duração do impacto:** 17h59 BRT – 18h42 BRT (43 min)
- **Impacto real:** 18% dos checkouts retornando HTTP 500
- **Gatilho imediato:** Migration sem lock_timeout + chave Redis v1 antiga
## Linha do Tempo
- 17:59 — Merge do PR #842 e início do deploy automático.
- 18:02 — Alerta de latência > 5s e pool de conexões em 100%.
- 18:11 — Sessão bloqueadora encerrada via pg_terminate_backend.
- 18:42 — Cache limpo por prefixo v2 e taxa de erro zerada.
## Causa Raiz Sistêmica
1. CI não bloqueava ALTER TABLE sem lock_timeout.
2. Chaves de cache compartilhadas não incluíam versão de schema.
## Ações Corretivas (Com Dono)
- [ ] Adicionar linter SQL no CI bloqueando migrations sem lock_timeout (@engenharia)
- [ ] Incluir hash de schema no prefixo de chave Redis (@plataforma) A pergunta final que valida qualquer post-mortem
Se ao terminar de escrever o documento sua única conclusão for "prestar mais atenção na próxima sexta", apague e comece de novo. Uma boa ação corretiva muda código, teste de CI, alerta de monitoramento ou permissão de deploy.
Post-Mortem Inútil (Teatro) vs. Post-Mortem que Protege Produção
| Aspecto | Teatro Burocrático | Post-Mortem Real (Blameless) |
|---|---|---|
| Foco principal | "Quem aprovou esse PR na sexta?" | "Por que o CI deixou essa migration passar?" |
| Tamanho | 7 páginas de desculpas genéricas | 1 página seca com horários, métricas e causas |
| Plano de ação | "Time deve redobrar cuidados" | 2 tarefas técnicas reais com PR e prazo no backlog |
| Efeito cultural | Medo de tocar em código crítico | Transparência e detecção rápida de falhas |
Leia também
- Por que o código perfeito em homologação quebra na sexta às 17h59
Veja o caso clássico que gera a maioria dos post-mortems de sexta-feira.
- Migration sem downtime no PostgreSQL
Aplique as travas práticas para nunca mais escrever um post-mortem causado por ALTER TABLE.
Perguntas Frequentes (FAQ)
Todo bug pequeno precisa de post-mortem formal?
Não. Reserve post-mortems para incidentes que causaram indisponibilidade relevante ao usuário, perda/corrupção de dados, violação de SLA ou quase-acidentes graves que exigiram intervenção manual fora de hora.
Quanto tempo depois do incidente o documento deve ser fechado?
Idealmente em até 48 horas úteis após a estabilização, enquanto os logs, dashboards e decisões tomadas no canal de incidente ainda estão acessíveis e claros.
Clientes externos devem receber o mesmo texto técnico interno?
O documento interno deve manter detalhes crus de arquitetura, comandos e falhas de processo. Para clientes, derive um resumo objetivo explicando impacto, correção aplicada e prevenção sem expor vulnerabilidades internas.
Referências e Fontes
- Google SRE Book — Postmortem Culture: Learning from Failure — Google Site Reliability Engineering