Latam Tech

Tres fallas combinadas detrás de la caída global de Microsoft 365

Microsoft atribuye la interrupción de casi un día a un error oculto desde julio, sumado a un cambio de tráfico y a la pérdida de capacidad de sus servidores.

Redacción Diario Code ·

Un error que estaba oculto desde julio fue una de las causas de una de las caídas más grandes en la historia de Microsoft. La compañía publicó un informe preliminar de incidente en el que describe cómo tres problemas coincidieron y dejaron fuera de servicio buena parte de Microsoft 365 y de Exchange.

Según ese informe, la interrupción comenzó el 12 de noviembre a las 16:20 UTC y se extendió hasta el 13 de noviembre a las 16:10 UTC, cerca de 24 horas. Microsoft mantuvo un monitoreo de los sistemas afectados hasta el 14 de noviembre. La empresa clasificó el hecho como un problema técnico no relacionado con ciberataques ni con IA o agentes.

Tres factores al mismo tiempo

El primero fue un cambio desplegado desde julio en la puerta de entrada a la nube de Microsoft. Bajo ciertas condiciones, ese cambio podía agotar la CPU y la memoria de los servidores y dejarlos sin respuesta. Según la empresa, el error no apareció en las pruebas previas porque el hardware usado allí era menos potente que algunos equipos ya en producción, donde los procesadores con más núcleos parecen haber contribuido al bloqueo.

El segundo factor fue la carga de tráfico. Microsoft usa dos sistemas de acceso independientes para dar resiliencia. Unas 15 horas antes de la caída, el tráfico de Teams pasó del sistema alterno al principal, que también gestiona el acceso a Exchange Online. Era un mecanismo de respaldo habitual, pero dejó al sistema principal con más solicitudes y con una mezcla de tipos distintos. Las solicitudes se acumularon hasta que los servidores agotaron su capacidad y dejaron de aceptar conexiones.

El tercer factor fue la pérdida de capacidad. Casi un 14% de la capacidad de esa puerta de enlace estaba fuera de servicio por un problema no relacionado ocurrido el día anterior. Con menos servidores disponibles, la carga aumentó y el error latente terminó por activarse.

Una recuperación más lenta de lo normal

Restablecer el servicio tomó más tiempo de lo habitual. Cuando los servidores volvían a funcionar, recibían de golpe el tráfico acumulado y dejaban de responder otra vez. Además, como el defecto llevaba meses en el sistema, los mecanismos normales de reversión no permitieron deshacer el cambio con rapidez.

Microsoft preparó una corrección que devolvió ese código a una versión anterior considerada estable. Luego la aplicó por grupos de servidores: los sacó de servicio, los reinició y los volvió a poner en marcha de forma gradual. Según la compañía, en algunos casos el proceso alcanzó a más de la mitad de una región.

El impacto llegó a empresas, hospitales y gobiernos de distintos países. Charles Lamanna, ejecutivo de Microsoft a cargo de Copilot y de los agentes de IA, publicó en X que la empresa lamenta profundamente lo ocurrido y reconoce el efecto sobre la operación normal de sus clientes.

Algunos reportes hablan de una duración menor, de unas 18 horas. El informe preliminar, en cambio, ubica el inicio y el fin con horarios concretos. Microsoft dice que publicará un informe final con más detalles en los próximos días, por lo que las cifras de alcance y duración podrían ajustarse.