MTTR e MTBF

Mean Time to Recovery / Mean Time Between Failures

Métrica

Intermediário

Categoria: Observabilidade e operaçãoSubcategoria: Operação

O que significa

MTTR (tempo médio de recuperação) é o tempo médio entre o início de um incidente e a recuperação do serviço. Mede a capacidade de reagir. MTBF (tempo médio entre falhas) é o tempo médio entre um incidente e o próximo. Mede a estabilidade. Para IA, vale acompanhar também o MTTD (tempo médio de detecção): degradações de qualidade costumam ser detectadas tarde, porque nada “cai”; o sistema apenas responde pior. São métricas clássicas de confiabilidade que se aplicam integralmente a produtos com IA.

Como usar na prática de produto

Em Produto, MTTR alto em uma capacidade de IA geralmente significa que não há rollback fácil de prompt ou modelo, ou que ninguém sabe onde olhar por falta de traces. MTTD alto significa que o monitoramento de qualidade é insuficiente. Ambas são mais acionáveis do que “número de incidentes”: apontam para melhorias específicas na operação. Por exemplo, um MTTD de 3 dias para uma degradação de qualidade após troca de modelo pelo fornecedor. A solução foi criar um eval diário automatizado, e o MTTD caiu para horas.

Quando usar este termo ou outro

Use MTTR e MTTD para avaliar a capacidade operacional do time. Use disponibilidade para avaliar o resultado final para o usuário. Use error budget para decidir entre estabilizar e evoluir. Uma forma simples de diferenciar: MTBF é com que frequência quebra; MTTD é quanto demora para perceber; MTTR é quanto demora para consertar.

Exemplos de aplicação

Detecção: MTTD de 3 dias reduzido para horas com eval diário automatizado.
Recuperação: MTTR reduzido com feature flags e rollback de prompt.
Tendência: acompanhar o MTTR trimestral como indicador de maturidade operacional.
Diagnóstico: MTTR alto apontando para falta de traces ou de versionamento.
Estabilidade: MTBF crescente indicando menos incidentes ao longo do tempo.

Como calcular

Fórmulas: MTTR = soma dos tempos de recuperação de cada incidente ÷ número de incidentes. MTBF = tempo operacional total ÷ número de falhas. MTTD = soma dos tempos entre início e detecção de cada incidente ÷ número de incidentes. Passo a passo: 1. Para cada incidente, registre o horário de início real, de detecção e de recuperação. 2. Calcule a duração de cada fase. 3. Faça a média sobre os incidentes do período. 4. Acompanhe a tendência trimestre a trimestre. Exemplo: Quatro incidentes no trimestre, com recuperações de 20, 45, 30 e 65 minutos. MTTR = (20 + 45 + 30 + 65) ÷ 4 = 40 minutos. Como interpretar: MTTR caindo indica que a operação está melhorando (rollback mais rápido, runbooks melhores). MTTD alto em IA quase sempre indica falta de monitoramento de qualidade; a solução é eval automatizado frequente.

Origem do termo

Engenharia de confiabilidade (anos 1950-60), transposta para operações de software; MTTR consta nas métricas DORA (2014+).

Fonte técnica

Google SRE Book; DORA, Accelerate State of DevOps Report