Se hizo el silencio. Particulares y empresas de todo el mundo se sumieron en el caos el pasado jueves por la tarde cuando dejaron de recibir correos electrónicos. Según un aviso publicado inicialmente por Microsoft, Outlook se encontraba fuera de juego: “Estamos investigando informes de usuarios que experimentan problemas para acceder a los buzones de Exchange Online”, decía entonces la incidencia.
No fue solo el correo electrónico, sino que la mayoría de los servicios de Microsoft 365 se vieron afectados, entre ellos Copilot, Teams, SharePoint, OneDrive, Defender, Purview, Fabric, Intune, Planner, Power Apps, To Do, Power BI e Impresión universal.
Ante la inaccesibilidad a sus servicios en determinadas regiones, los de Redmond tomaron la decisión de “redistribuir el tráfico de conexión” por su infraestructura mundial más amplia “para ayudar a equilibrar la carga”. Sin embargo, este movimiento solo hizo más grande el problema: cuando los primeros servidores dejaron de responder, el desvío automático de conexiones hacia los que seguían operativos acabó propagando el fallo.
De hecho, según un informe preliminar publicado por Microsoft, en el incidente del jueves “confluyeron tres factores principales”.
El fallo llevaba allí desde julio
El primero de esos factores llevaba meses esperando a que se dieran las condiciones para aparecer. En julio, Microsoft empezó a desplegar una corrección para los servidores que gestionan las conexiones a Microsoft 365. Durante más de tres meses, todo pareció funcionar. Lo que la compañía ha descubierto ahora es que, bajo determinadas condiciones de carga, varias tareas se quedaban esperando unas a otras dentro de un proceso interno de Windows, “lo que agotaba los recursos de procesamiento y memoria de los equipos” y, finalmente, dejaban de responder.
¿Por qué no salió a la luz antes? Microsoft explica que sus “pruebas habituales de carga no detectaron el defecto latente debido a la combinación de tipos de tráfico y a las configuraciones de equipos utilizadas en el laboratorio”. Es decir: el tráfico del laboratorio era distinto del que reciben sus servidores en funcionamiento y las pruebas solían hacerse en equipos menos potentes. El fallo, subrayan, se agravaba precisamente en las máquinas más nuevas y con más núcleos.
Los otros dos factores coincidieron el jueves. Microsoft 365 mantiene dos sistemas de acceso a la red independientes y de distinta arquitectura, diseñados para “aislar los fallos y garantizar una alta disponibilidad”, y los servicios pueden pasar de uno a otro. Unas quince horas antes de la caída, el tráfico de Teams había pasado del sistema alternativo al principal, el mismo que atendía al correo de Exchange Online. Esto “aumentó la carga y cambió los patrones de tráfico del sistema principal”.
La –mala– suerte hizo que, debido a “un problema distinto ocurrido el día anterior”, en ese mismo momento, cerca del 14 % de la capacidad de ese sistema estuviera fuera de servicio. Y que, además, todo ocurriera durante “la franja de mayor tráfico en Estados Unidos”. El resultado fue que había más conexiones que atender y menos capacidad para hacerlo, haciendo entonces que saliera a la luz el fallo de julio.
El tráfico que iba de un servidor a otro
La cadena de catastróficas desdichas no termina ahí. Si un servidor deja de responder, lo habitual es que otro recoja sus conexiones: “Cuando los servidores pierden la conectividad, nuestros sistemas de gestión del tráfico redirigen automáticamente las conexiones de los usuarios a otros puntos de acceso que funcionan correctamente. Esto sucede a menudo y resulta esencial para evitar interrupciones por fallos de hardware o software”, detalla el informe.
Esa parte la hizo excelentemente bien el sistema de forma automática. Sin embargo, en esta ocasión, “el tráfico redirigido aumentó la probabilidad de que el mismo problema se reprodujera en los puntos de acceso restantes”. Dicho de una forma más sencilla: a medida que unos equipos dejaban de funcionar, el tráfico se concentraba en los que seguían en pie y el mismo fallo volvía a aparecer.
“El fallo se propagó de un servidor a otro a medida que la misma carga se repartía entre menos equipos. En menos de dos horas, el defecto, hasta entonces desconocido, se había manifestado en todo nuestro conjunto de servidores de acceso”, reconocen desde Microsoft. En el peor momento, más del 80 % de esos servidores había dejado de responder.
Como guinda, los mecanismos que debían aislar unas zonas de la red de otras tampoco contuvieron la avería “debido a otro problema”.
Según afirma el informe, Microsoft pudo sacar a Teams, OneDrive y SharePoint de la infraestructura afectada y recuperar antes parte de sus funciones –los chats y las reuniones de Teams funcionaron durante la mayor parte de la caída– , pero con Exchange Online, explica la compañía, el volumen del servicio impedía hacer el mismo traslado.
Reiniciar los servidores tampoco bastaba
Además de todo este cúmulo de factores, que se dieron juntos y que tal vez sin uno de ellos no se hubiera producido el fallo, “la recuperación tardó más de lo habitual porque, en cuanto los servidores volvían al servicio, el tráfico que estaba esperando los saturaba y dejaban de responder otra vez”. Es decir: cada vez que Microsoft reincorporaba un grupo de servidores, las conexiones pendientes volvían a saturarlos. La compañía reconoce que sus procesos de recuperación, normalmente automatizados, “no estaban diseñados para restablecer el servicio ante una pérdida de respuesta tan extendida”.
Para recuperar el servicio, Microsoft retiró los servidores por grupos, aplicó una corrección que devolvía el código a un estado en el que funcionaba y reinició los equipos antes de reincorporarlos. El informe sitúa el fin del impacto directo a las 17:10 del viernes 13 de noviembre, hora peninsular española, 23 horas y 50 minutos después del inicio. El sábado por la mañana, la compañía anunció en X que había restablecido el servicio para los últimos clientes y regiones afectados.
Microsoft detallará las medidas para evitar que se repita en el informe definitivo, previsto para el 20 de noviembre.


