Les alternatives au monitoring : au-delà du tableau de bord

Le monitoring classique te dit que les serveurs respirent. Il ne te dit pas que tes clients ne peuvent plus payer. Observabilité, SLO, RUM, auto-guérison : ce qui remplace le tableau de bord, avec les coûts et les pièges.

Illustration : alternatives au monitoring, SLO et observabilité

Ton tableau de bord est vert depuis quarante minutes. Tes utilisateurs, eux, ne peuvent plus payer depuis douze. J'ai vécu ce décalage trois fois cette année, et à chaque fois la même phrase en salle de crise : « pourtant, les métriques étaient bonnes ».

Le monitoring classique répond à une question que personne ne pose en incident : est-ce que le serveur respire ? La vraie question est ailleurs. Voici les quatre approches qui remplacent le tableau de bord, ce qu'elles coûtent réellement, et dans quel ordre les mettre en place.

L'observabilité n'est pas un monitoring en mieux

Un monitoring pré-agrège : il compte des événements puis jette le détail. L'observabilité fait l'inverse, elle conserve des événements larges — trace, span, log structuré — et tu poses la question après coup.

Exemple concret sur un tunnel de paiement : le taux d'erreur HTTP restait à 0,3 %, donc dans le budget. La trace distribuée montrait qu'un span psp.authorize dépassait 8 secondes sur 4 % des requêtes, uniquement pour les cartes 3-D Secure émises hors zone euro. Aucune métrique agrégée ne pouvait isoler cette dimension sans faire exploser la cardinalité.

La différence n'est pas cosmétique : elle déplace le travail de la prédiction vers l'interrogation. Tu arrêtes de deviner à l'avance quelle métrique sera la bonne, ce qui est précisément le basculement décrit dans ce changement de standards de l'observabilité. Et il est plus culturel que technique.

Les SLO : un contrat, pas un KPI de plus

Un SLO utile tient en une phrase opposable : « 99,9 % des requêtes checkout répondent en moins de 800 ms sur 28 jours glissants ». Traduit en budget d'erreur, ça donne 40 minutes de marge par mois, pas une jauge décorative sur un mur d'écrans.

Quand une équipe a brûlé 12 de ces 40 minutes en une semaine à cause d'une migration de cache, la décision est devenue évidente : gel des features jusqu'au retour dans le budget. Sans ce chiffre, la même discussion dure deux réunions et se termine par « on surveille ».

Mon avis est tranché : un SLO sans propriétaire nommé et sans conséquence budgétaire est de la décoration. La méthode du SRE Workbook insiste lourdement sur ce point, et c'est systématiquement la partie que les équipes sautent.

Le corollaire pratique : un SLO doit mesurer ce que l'utilisateur ressent, pas ce que l'infra produit. Un SLO sur la latence d'une API interne ne protège personne.

Le contre-argument que je prends au sérieux : ça coûte une fortune

C'est vrai, et il faut arrêter de le balayer d'un revers de main. Une trace par requête sur 300 pods à 200 req/s, avec des attributs mal choisis, se facture à cinq chiffres par mois chez n'importe quel SaaS d'observabilité.

La cause est presque toujours la même : des labels à cardinalité folle. Un user_id ou une URL avec query string en attribut de métrique, et tu multiplies les séries par cent mille. Je l'ai corrigé sur une stack Prometheus en passant de 1,2 million de séries actives à 90 000, sans perdre une seule alerte utile.

À côté de ça, l'échantillonnage est un levier parfaitement légitime : 10 % en tête pour les traces de succès, 100 % pour les erreurs et les requêtes au-delà de 2 secondes. Tu gardes de quoi diagnostiquer et tu coupes 60 à 70 % de la facture. Le débat sur l'outillage libre — Prometheus face à Zabbix — se joue d'ailleurs souvent sur ce terrain du coût, pas sur les fonctionnalités.

Le RUM : la seule vérité que ton utilisateur reconnaît

Un serveur peut répondre en 90 ms et une page mettre quatre secondes à s'afficher. Tes graphes parlent de ton intention, pas de la réalité de celui qui achète.

Cas vécu sur un e-commerce : LCP côté serveur à 1,1 s, tout au vert. Le RUM a révélé un INP de 480 ms sur mobile, causé par un tag analytics tiers qui bloquait le thread principal au clic sur « Payer ». Les Core Web Vitals ont servi de signal, la trace côté navigateur a servi de preuve.

Corollaire désagréable : le RUM casse la moyenne. Le p95 mobile en 3G bridée n'a rien à voir avec celui de ton laptop en fibre, et c'est pourtant le premier qui décide si le client reste.

L'auto-guérison : déléguer, mais seulement le réversible

Automatiser les remèdes est la suite logique, à une condition non négociable : n'automatiser que des actions réversibles et idempotentes. Vider un cache, redémarrer un pod, basculer du trafic sur la zone secondaire : oui. Rejouer des transactions ou purger une table : jamais sans humain dans la boucle.

J'ai vu un autoscaler s'emballer sur un pic CPU provoqué par un job de réindexation. Les pods se sont multipliés par six, chacun reconstruisant son cache au démarrage, ce qui a saturé la base et transformé une lenteur en panne de 40 minutes. Le remède était plus dangereux que la maladie.

Ma règle : toute automatisation doit avoir un interrupteur, un journal d'audit et un test en staging qui prouve le rollback. Sinon c'est de la magie, et la magie ne se debug pas à 3 heures du matin.

L'ordre dans lequel je le fais

Commence par instrumenter trois parcours métier — inscription, paiement, recherche — et pas trente. Chacun doit produire une trace unique que tu peux suivre du navigateur jusqu'à la base de données.

Ensuite un seul SLO par service exposé, avec son budget et son propriétaire nommé. Puis le RUM sur les pages qui rapportent de l'argent. L'auto-guérison arrive en dernier, quand tu sais déjà reconnaître un incident en moins de cinq minutes.

Compte deux sprints pour la première étape, pas deux jours. Et accepte de supprimer des métriques : la moitié de ce que tu collectes aujourd'hui ne sert dans aucune alerte ni aucune décision. Le monitoring n'est pas mort, il est devenu le socle — plus le produit.