Jak vedete tým během výpadku produkce?

Question

Accepted Answer

Během incidentu vaší úlohou je **klidně obnovit službu a koordinovat odezvu**, ne být hrdinou, který to vyřeší sám. Jasné role, klidná komunikace a zaměření na zmírnění situace jako na první kroku oddělují plynulou odezvu od chaosu.

## Jak řídit incident

```text
1. ASSIGN roles — incident commander (coordinates), responders (fix),
   comms (updates stakeholders). One person can't do all three.
2. MITIGATE first — stop the bleeding (roll back, feature-flag off)
   before chasing root cause.
3. COMMUNICATE on a cadence — even "still investigating" every 15-30 min.
4. STAY CALM — the team mirrors your energy. Blame comes later, or never.
5. After: BLAMELESS post-mortem — fix the system, not the person.
```

## Zmírňujte dříve, než diagnostikujete

Tuzinka na zjištění hlavní příčiny je silná, vzepřete se jí. Pokud rollback obnoví službu, udělejte to *nejdříve*, pak klidně vyšetřujte, když už není tlak. Uživatelé se starají o to, aby nebyli zablokováni, ne o vaši diagnózu.

## Konkrétní příklad

Nasazení nového kódu způsobí chybu v checkout. Nelaďte nový kód za chodu pod tlakem. Okamžitě vraťte předchozí verzi, potvrďte, že checkout funguje, zveřejněte aktualizaci, *pak* vyšetřete chybné nasazení v klidných podmínkách.

## Úskalí

Případy bez označení viníků v post-mortému učí lidi skrývat problémy. Zachovejte nezatíženost vinou, zaměřte se na systémové mezery (bez canary, bez alertů), které to umožnily.

## Proč je to důležité

Incidenty jsou vysokého stresu a vysoké viditelnosti, jak vedete tým, určuje výsledek i důvěru týmu v vás.

Klidná koordinace a bezvinné učení změní výpadek v systém, který je příště těžší rozbít.