Presupuesto de errores

Qué es

Un presupuesto de errores es la cantidad de fallos que se permite a
un servicio durante un período definido, calculada a partir de su
objetivo de nivel de servicio. Si el objetivo exige que el 99,99 %
de las solicitudes tengan éxito este trimestre, el 0,01 % restante
es el presupuesto: solicitudes que pueden fallar por accidente o por
un riesgo asumido a propósito sin que nadie haya incumplido una
promesa. Se cuenta en la misma unidad que el objetivo, normalmente
solicitudes fallidas, y se consume en el momento en que los usuarios
encuentran un fallo.

La idea procede del libro _Site Reliability Engineering_ de Google.
En el capítulo sobre aceptar el riesgo, la gestión de producto fija
el objetivo, el sistema de monitorización actúa como tercero neutral
que mide lo que ocurrió y la diferencia entre el objetivo y lo
medido es el margen de fallos que queda para el trimestre.
Desarrollo de producto y SRE acuerdan ese presupuesto conjuntamente
y de antemano. El ejemplo del libro está en el extremo exigente de
la escala: un servicio que debe responder al 99,999 % de las
consultas tiene un presupuesto del 0,001 %, así que un problema que
haga fallar el 0,0002 % de las consultas trimestrales consume una
quinta parte.

El presupuesto no pregunta de quién fue la culpa. El libro aclara
que una caída de red o de un centro de datos lo consume igual que un
lanzamiento defectuoso, y que el resto del trimestre puede admitir
menos despliegues. Los usuarios sufrieron el fallo, así que cuenta.
Quién debe actuar es otra cuestión, cuya respuesta corresponde a una
política escrita acordada antes de que algo salga mal.

Por qué importa

Quienes entregan funciones y quienes mantienen un servicio en marcha
quieren cosas distintas; sin una cifra compartida, gana la discusión
quien negocia mejor. El libro de SRE indica que esas decisiones no
deberían basarse en política, miedo ni esperanza, y recuerda el lema
no oficial de Google SRE: «La esperanza no es una estrategia». El
presupuesto sustituye la discusión por una cifra aceptada de
antemano por ambas partes. Mientras quede margen, se realizan
lanzamientos; cuando se agota, se pausan y el esfuerzo se dirige a
pruebas y resiliencia. El libro describe variantes más suaves del
mismo ciclo, como reducir el ritmo de los lanzamientos o revertirlos
cuando el presupuesto se acerca a cero, y llama en una nota al pie
control bang/bang a la variante simple de todo o nada.

El efecto más interesante está en el comportamiento. Cuando el
presupuesto es grande, los desarrolladores pueden asumir riesgos:
desplegar más a menudo o intentar el experimento. Cuando casi se
agota, observa el libro, ellos mismos piden más pruebas y un ritmo
de despliegue más lento porque nadie quiere paralizar su propio
lanzamiento. El equipo se autorregula. El libro añade una condición:
solo funciona si SRE tiene realmente autoridad para detener
lanzamientos cuando se incumple el objetivo.

El presupuesto gobierna sobre todo los lanzamientos porque son los
que más suelen romper cosas: la política de ejemplo del _SRE
Workbook_ atribuye a los cambios aproximadamente el 70 % de las
interrupciones de Google. Eso orienta dónde invertir el esfuerzo. El
capítulo sobre implementación de SLO del Workbook desarrolla un
servicio con un objetivo del 97 % y un presupuesto de cuatro semanas
de 109.897 solicitudes fallidas. Un lanzamiento defectuoso de la API
que hizo fallar todas las solicitudes durante cuatro horas costó
14.066, alrededor del 13 %. Un servidor de base de datos que dejó de
funcionar y tardó 20 horas en restaurarse desde una copia costó unas
72.000, el 65 %. El fallo del servidor parece mucho peor, pero la
empresa del ejemplo tiene uno cada cinco años frente a dos o tres
lanzamientos defectuosos al año; en promedio, estos consumen
aproximadamente el doble de presupuesto. Corregir el proceso de
lanzamiento compensa antes.

Un presupuesto que nunca se consume también dice algo. El libro
señala que revela lo que cuesta un objetivo demasiado alto en falta
de flexibilidad e innovación lenta, y que un equipo al que le cuesta
lanzar puede relajar su objetivo, ampliando el presupuesto.

Cómo se aplica en la práctica

El consumo tiene una velocidad, además de un total. El capítulo de
alertas del Workbook la llama ritmo de consumo: a qué velocidad,
respecto al objetivo, el servicio gasta su presupuesto. Con un ritmo
de 1, se agota exactamente al terminar la ventana. Para un objetivo
del 99,9 % en 30 días, su tabla queda así:

```text
Ritmo de consumo   Tasa de error   Presupuesto agotado tras
1                 0,1 %           30 días
2                 0,2 %           15 días
10                1 %             3 días
1.000             100 %           43 minutos
```

Generar alertas de guardia según el ritmo de consumo es mejor que
avisar cada vez que los errores superan el 0,1 %, lo que despertaría
a alguien ante cualquier pico breve. El Workbook recomienda
comprobar varios ritmos a la vez, cada uno en una ventana larga y
otra corta. Su punto de partida para un objetivo del 99,9 % avisa a
la guardia cuando se consume el 2 % del presupuesto de 30 días en
una hora, un ritmo de 14,4, o el 5 % en seis horas, un ritmo de 6;
abre un ticket cuando se consume el 10 % en tres días, un ritmo de
1. La ventana corta, una duodécima parte de la larga, hace que la
alerta termine poco después del problema. En el ejemplo del
Workbook, los errores acaban y cinco minutos después la media de la
ventana corta vuelve a estar bajo el umbral, mientras que la media
de una hora permanece por encima una hora entera.

Como archivo de reglas de Prometheus, las dos condiciones de aviso
de guardia son las siguientes. Las proporciones son reglas de
registro con los nombres que utiliza el Workbook; cada una guarda la
proporción de solicitudes fallidas en la ventana indicada por su
nombre:

```yaml
groups:
  - name: orders-error-budget
    rules:
      - alert: OrdersErrorBudgetBurn
        expr: |
          (
            job:slo_errors_per_request:ratio_rate1h{job="orders"}
              > (14.4 * 0.001)
            and
            job:slo_errors_per_request:ratio_rate5m{job="orders"}
              > (14.4 * 0.001)
          )
          or
          (
            job:slo_errors_per_request:ratio_rate6h{job="orders"}
              > (6 * 0.001)
            and
            job:slo_errors_per_request:ratio_rate30m{job="orders"}
              > (6 * 0.001)
          )
        labels:
          severity: page
```

Siga un despliegue defectuoso por esas reglas. A las 14:00, un
lanzamiento empieza a fallar en el 2 % de las solicitudes de
pedidos, un ritmo de consumo de 20. La proporción de cinco minutos
supera el umbral del 1,44 % en un máximo de cuatro minutos, pero la
de una hora solo lo alcanza tras unos 43 minutos de errores. El
aviso se emite, por tanto, sobre las 14:43. Para entonces se ha
consumido exactamente el 2 % del presupuesto mensual. Ese es el
equilibrio de la regla: una anomalía breve no despierta a nadie y un
consumo sostenido no puede esconderse. Si se revierte a las 14:50,
la proporción de cinco minutos baja del umbral en un máximo de dos
minutos y termina la alerta; la de una hora, por sí sola, la habría
mantenido activa hasta aproximadamente las 15:07.

Mantener proporcionados los avisos de guardia es también la
preocupación detrás de la monitorización de errores y las trazas
propias de la empresa, trabajo realizado en un puesto desempeñado
desde 2025. Detecta picos y regresiones con un intervalo de espera
entre avisos para que un despliegue defectuoso no avise cuarenta
veces. Sus reglas de alerta se adaptaron a esa plataforma y no a una
genérica, y una de sus 11 vistas de operador está dedicada a los
objetivos de nivel de servicio.

Dónde surgen los problemas

Se confunde contar un fallo con culpar a alguien. Todo lo que sufren
los usuarios consume presupuesto, pero no todo debe detener los
lanzamientos del propio equipo. La política de ejemplo del Workbook
permite continuar el trabajo de funciones cuando la interrupción la
causó un problema de red de toda la empresa, o el servicio de otro
equipo que ya congeló sus lanzamientos. Si el presupuesto lo
consumió un error o procedimiento del propio equipo, la fiabilidad
va primero. Para una interrupción causada por una dependencia de
otro equipo, el capítulo sobre implementación de SLO expone dos
criterios: continuar o congelar igualmente, e indica que congelar
deja más satisfechos a los usuarios. Elija de antemano, escríbalo en
la política y nombre a quien resolverá los desacuerdos sobre las
cuentas; la política de ejemplo los remite al CTO.

Los errores caen en la categoría equivocada. Una prueba de carga
fallida o las solicitudes rechazadas de una prueba de penetración
consumen presupuesto aunque ningún usuario haya resultado afectado.
La política de ejemplo cita los errores mal clasificados como una
forma de perder presupuesto sin motivo. Lo contrario es peor:
clasificar fallos reales como algo inocuo mantiene al servicio
dentro del objetivo sobre el papel mientras sufren los usuarios; esa
misma política obliga a trabajar en fiabilidad cuando se descubre.
Excluya del indicador el tráfico que no cubre el objetivo y
compruebe la clasificación después de cualquier incidente cuyo coste
pareciera incorrecto.

Se paga un incidente grande y se olvida. Congelar los lanzamientos
compra tiempo, no comprensión. La política de ejemplo vincula ambos:
un solo incidente que consuma más del 20 % del presupuesto de cuatro
semanas exige un análisis posterior con al menos una acción de
máxima prioridad; una clase de interrupción que consuma más del 20 %
en un trimestre debe figurar en el plan del trimestre siguiente.

La alerta nunca puede activarse. Los umbrales copiados de la tabla
del 99,9 % no sirven directamente para otros objetivos. Con una
disponibilidad del 90 %, señala el Workbook, una caída total solo
consume el 1,4 % del presupuesto en una hora. Una regla que avise al
2 % por hora permanece en silencio durante toda la caída. En el otro
extremo, un objetivo mensual del 99,999 % se agota en 26 segundos de
caída total, antes incluso de que muchos sistemas de monitorización
recojan una muestra. Ajuste las ventanas y los umbrales al objetivo
y, para objetivos muy altos, acepte la conclusión del Workbook: solo
el diseño los protege. Despliegue primero un cambio al 1 % de los
usuarios y el mismo fallo dejará 43 minutos antes de agotar el
presupuesto.

Poco tráfico convierte un fallo en una alerta de guardia. Con diez
solicitudes por hora, una fallida representa una tasa de error del
10 % en esa hora. Frente a un objetivo del 99,9 %, señala el
Workbook, esa solicitud avisa de inmediato porque consume el 13,9 %
del presupuesto de 30 días: todo el mes solo permite siete fallos.
Las soluciones del Workbook son generar tráfico artificial, combinar
varios servicios pequeños en uno a efectos de monitorización o
cambiar el producto para que importe menos una solicitud fallida.

Se eleva el objetivo antes de que el servicio pueda cumplirlo. Un
equipo que necesita un objetivo más exigente y lo adopta de
inmediato vive en emergencia permanente, con el presupuesto siempre
agotado. El Workbook propone un objetivo aspiracional: medido y
seguido junto al actual, pero identificado en la política como uno
que no exige actuar hasta que el servicio esté preparado.

Lecturas adicionales

  * Aceptar el riesgo — El capítulo 3 de _Site Reliability
Engineering_ de Google, que presenta el presupuesto de errores como
una forma de decidir los lanzamientos con datos.

  * Alertas sobre SLO — El SRE Workbook sobre ritmos de consumo,
alertas con varias ventanas y servicios de poco tráfico.

  * Ejemplo de política de presupuesto de errores — Una política
completa: cuándo se detienen los lanzamientos, qué interrupciones
quedan exentas y cuándo se exige un análisis posterior.

  * Implementación de SLO — Cómo calcular un presupuesto a partir de
un objetivo y utilizarlo para elegir inversiones en fiabilidad.

  * Reglas de alerta — La documentación de Prometheus sobre el
formato del archivo de reglas utilizado aquí.

hEsta página en la web	URL:https://engineer.company/es/glossary/error-budget/	engineer.company	70
