
La interrupción del servicio del 12 de noviembre afectó gravemente a las operaciones diarias de clientes empresariales y gubernamentales de todo el mundo, lo que volvió a poner de manifiesto las vulnerabilidades operativas y los riesgos de concentración asociados a una fuerte dependencia de un único proveedor de servicios en la nube. Tras la publicación el domingo de un informe preliminar para los clientes, un vicepresidente ejecutivo de Microsoft se disculpó formalmente el lunes en X por la interrupción. En el momento más crítico, más del 80 % de los servidores de puerta de enlace de red que daban soporte a Exchange Online dejaron de responder. Aunque aplicaciones como Teams, OneDrive y SharePoint pasaron rápidamente a utilizar infraestructura que funcionaba correctamente, Outlook y Exchange Online siguieron dependiendo de puertas de enlace defectuosas durante las horas de mayor actividad laboral en Estados Unidos.

La interrupción se debió a una combinación de tres factores operativos. A última hora del 11 de noviembre, el sistema automatizado de gestión del tráfico, como parte de su funcionamiento habitual, redirigió el tráfico de Teams a la puerta de enlace de red principal, que ya gestionaba el tráfico de Outlook. Al mismo tiempo, unas tareas de mantenimiento independientes realizadas el día anterior habían dejado fuera de servicio aproximadamente el 14 % de la capacidad de servidores de esa puerta de enlace, por lo que el sistema no disponía de capacidad de reserva para absorber el aumento del tráfico.
El 12 de noviembre, el pico de tráfico activó un error interno de contención de bloqueos introducido en una actualización de las puertas de enlace en julio, lo que provocó que los servidores agotaran la memoria y fallaran uno tras otro. Ramanna explicó que, durante los tres meses anteriores, las pruebas de laboratorio habituales previas a la implementación no habían detectado el error porque el entorno de pruebas daba prioridad a equipos antiguos con menos núcleos de procesamiento, en lugar de procesadores más recientes con un mayor número de núcleos, más propensos a desencadenar el problema de contención.
El sistema automatizado de gestión del tráfico intentó redirigir a los usuarios a nodos que funcionaban correctamente, pero esto aceleró la propagación de la interrupción al sobrecargar los servidores restantes. Al mismo tiempo, otro problema impidió que el mecanismo habitual de aislamiento de particiones contuviera el fallo en regiones específicas. Como resultado, el error se propagó por toda la infraestructura global de servidores de Microsoft en menos de dos horas.
El restablecimiento del servicio tardó más de lo habitual. Los ingenieros dedicaron aproximadamente 15 horas a identificar la causa raíz y otras 15 horas antes de empezar a implementar una solución. Como el código defectuoso llevaba meses en funcionamiento, las herramientas habituales para revertir cambios y los controles de activación y desactivación de funciones resultaron ineficaces. Los ingenieros tuvieron que dejar fuera de servicio más de la mitad de la infraestructura de cada región afectada a la vez, revertir gradualmente el código y restablecer por etapas el tráfico acumulado de los usuarios.
Análisis de mercado:
El incidente pone de relieve la creciente complejidad de gestionar infraestructuras de nube a hiperescala a medida que las empresas dependen cada vez más de herramientas de productividad integradas y servicios de IA. De cara al futuro, es probable que los clientes institucionales y los observadores del mercado examinen con mayor atención los procedimientos de pruebas de carga y las medidas de protección para la conmutación por error de Microsoft, con el fin de garantizar que la implementación de equipos de alta densidad no introduzca riesgos sistémicos ocultos.
