Imagina una autopista con varias salidas. Una queda bloqueada y los coches toman la siguiente. Si esa salida ya está al límite, el atasco acaba extendiéndose. Ricard Aumedes, Digital Manager de cdmon, recurre a esta imagen para explicar uno de los puntos clave del informe preliminar de Microsoft sobre la caída de Outlook. “No podemos enviar todos los vehículos por la siguiente sin comprobar si puede absorberlos”, señala.
En los servidores de Microsoft ocurrió algo parecido. Cuando los primeros dejaron de responder, el sistema desvió automáticamente las conexiones hacia los que seguían operativos. Cada vez quedaban menos equipos para atender las mismas peticiones y el fallo se iba reproduciendo en ellos. En el peor momento, más del 80 % de los servidores de esa infraestructura había dejado de responder.
La avería, según explica el informe, empezó con un defecto introducido en julio en el software de los servidores que gestionan las conexiones de Microsoft 365. Había pasado inadvertido durante más de tres meses hasta el día de la caída porque en ese momento coincidieron dos circunstancias más: unas quince horas antes, el tráfico de Teams había pasado al sistema que también atendía al correo de Exchange Online y ese mismo sistema tenía cerca del 14 % de su capacidad fuera de servicio por otra incidencia. Para hacerlo ‘más interesante’, el defecto se manifestó en plena hora punta de tráfico en Estados Unidos.
¿Podría un fallo distinto acabar igual? Aumedes cree que sí. El escenario que plantea combina un defecto que solo aparece con ciertos niveles de carga, una pérdida puntual de capacidad y un pico de tráfico. “Si, además, los sistemas de respaldo redistribuyen automáticamente las conexiones hacia servidores que ya trabajan cerca de su límite, un problema localizado puede acabar convirtiéndose en una incidencia global”, explica.
Volviendo a la autopista, tener varias salidas ayuda si cada una puede asumir los coches que van a llegar. “Hay que distribuir el tráfico entre diferentes rutas y limitar las entradas cuando se alcanza la capacidad máxima”, dice Aumedes. En un centro de datos, eso se traduce en repartir las conexiones poco a poco, poner un límite a lo que recibe cada grupo de servidores y aislar los equipos que empiezan a fallar.
Microsoft reconoce que sus pruebas habituales no detectaron el defecto. El tráfico del laboratorio era distinto del real y las pruebas tendían a hacerse con equipos menos potentes, cuando el problema se agravaba en máquinas más recientes y con más núcleos. Durante la caída, los mecanismos que debían aislar unas zonas de la red de otras tampoco lograron contener la avería. La compañía ya ha añadido capacidad, reforzado la vigilancia y aplicado nuevos controles al reparto de las conexiones.
Sin embargo, el experto valora que lo que ha que ver es cómo se comportan esas medidas cuando varias cosas fallan a la vez. Pide pruebas con distintos patrones de tráfico, simulaciones de averías simultáneas y datos que muestren cuánta carga pueden absorber los sistemas de respaldo. “Añadir capacidad es positivo, pero lo fundamental es demostrar que la arquitectura puede contener un fallo sin propagarlo al resto de los servicios”, señala.
También queda por comprobar cómo se reincorporan los servidores. Durante la caída, algunos volvían a dejar de responder en cuanto recibían las conexiones que llevaban esperando. Microsoft terminó retirándolos por grupos, aplicó una corrección y los reinició antes de devolverlos al servicio. La compañía prevé detallar las medidas a largo plazo en su informe definitivo, previsto para el 20 de noviembre.
Una prueba que cualquier pyme puede hacer
Mientras tanto, Aumedes propone un simulacro sencillo para las empresas que dependen de Outlook y Teams. Imagina que durante unas horas el equipo se queda sin acceso a las dos aplicaciones. ¿Puede encontrar el teléfono de un cliente, consultar el documento que necesita para confirmar un pedido y dejar constancia de la gestión para que otro compañero pueda retomarla? Y, sobre todo, ¿sabe quién tiene que poner en marcha ese plan?
La prueba puede empezar con un pedido ya cerrado. Si para localizar al cliente hay que buscar su número en la firma de un correo, ahí está el primer problema que resolver antes de la próxima caída.
“La cuestión no es evitar cualquier incidencia, algo prácticamente imposible, sino conseguir que un fallo de un proveedor tecnológico no paralice completamente la actividad del negocio”, concluye el experto de cdmon.


