La première priorité est de rétablir le service, puis de trouver la cause — la mitigation passe avant le diagnostic. Je déclarerais un incident, j'attribuerais des rôles clairs, et je piloterais vers la récupération sûre la plus rapide, en communiquant tout du long.
Le silence nourrit la panique. J'envoie des mises à jour à une cadence régulière même lorsqu'il n'y a rien de nouveau :
[14:05] Investigation en cours — le checkout est down, ~40 % des utilisateurs touchés. Prochaine mise à jour 14:20.
[14:20] Identifié : mauvais déploiement. Rollback en cours. ETA 10 min.
[14:35] Service rétabli. Surveillance en cours. Postmortem à suivre.
Les pannes sont inévitables ; la façon dont vous les gérez définit la confiance de l'équipe et celle des clients. Une coordination calme et basée sur les rôles, plus un suivi sans blâme, transforme une mauvaise journée en un système plus solide — et signale à vos ingénieurs qu'il est sûr d'avancer vite, parce que l'échec est traité comme un processus et non comme une chasse aux sorcières.