Más del 80 por ciento de los servidores de puerta de enlace de red de Microsoft dejaron de responder durante una interrupción masiva que impidió a los usuarios globales acceder a Exchange Online y Outlook. El fallo fue provocado por un defecto de software latente introducido en una actualización de julio de 2026, que permaneció inactivo hasta que una combinación específica de alta carga y capacidad de servidor reducida empujó al sistema hacia un colapso en cascada.

El mecanismo del fallo

La interrupción tuvo su origen en un defecto de software que causó una contención de bloqueos dentro de un proceso interno de Windows. Esta contención provocó el agotamiento de recursos críticos del sistema, específicamente CPU y memoria, en los servidores de puerta de enlace de red.

Un diagrama técnico que ilustra el mecanismo del defecto de software y el agotamiento de recursos.
Un diagrama que muestra cómo la contención de bloqueos dentro de los procesos internos puede provocar el agotamiento de la CPU y la memoria.www.theregister.com

Esta figura ilustra el mecanismo específico del defecto de software que causó que los servidores de puerta de enlace de red dejaran de responder.

Cronología de la interrupción del 12-14 de noviembre: 0107 UTC Nov 12 Ocurrió el failover de Teams; 1603 UTC Nov 12 Se detectó anomalía de conectividad; 1633 UTC Nov 12 Primer caso de soporte recibido; 0030 UTC Nov 13 Se identificó la negociación de conexión como culpable; 0720 UTC Nov 13 Se aplicó mitigación (parche); 1610 UTC Nov 13 Servicios confirmados como saludables; 0415 UTC Nov 14 Se emiti
Cronología de la interrupción del 12-14 de noviembretheregister.com

Gráfico elaborado por HN Digest a partir de cifras reportadas por theregister.com; los valores se muestran como escritos en la fuente.

Crucialmente, el defecto se comportaba de manera diferente dependiendo del hardware. El informe preliminar de Microsoft señaló que el problema de contención en realidad empeoraba en máquinas con más núcleos y hardware más nuevo, que son estándar en los entornos de producción modernos.

Un gráfico que compara el rendimiento del hardware y el impacto del defecto de software en diferentes conteos de núcleos.
Un gráfico que demuestra cómo el impacto del defecto de software empeoró en máquinas con un alto número de núcleos.www.theregister.com

Esta imagen respalda la afirmación de que el defecto se comportaba de manera diferente dependiendo del hardware, empeorando específicamente en máquinas más nuevas con un alto número de núcleos.

“El problema de contención empeora en máquinas con más núcleos y hardware más nuevo.”

— Microsoft blames monster email outage on software defect introduced in July fix

Brechas de prueba y efectos en cascada

El defecto escapó a la detección durante el despliegue de julio porque las pruebas de carga de Microsoft tendían a centrarse en hardware más débil con menos núcleos. Debido a que el error solo se manifestaba significativamente en máquinas de altas especificaciones, la actualización parecía estable durante la fase inicial de pruebas.

Cuando comenzó la interrupción, siguió un patrón clásico de fallo en cascada. A medida que los servidores individuales perdían conectividad debido al agotamiento de recursos, el tráfico se redirigía automáticamente a los siguientes puntos finales sanos. Estos puntos finales luego encontraban el mismo defecto y fallaban, provocando finalmente que toda la flota dejara de responder en un plazo de dos horas.

Desafíos de recuperación y resolución

Los procedimientos de recuperación estándar fueron ineficaces porque los servidores se encontraban en un estado de falta de respuesta general que los sistemas automatizados no estaban diseñados para manejar. Además, una reversión directa era imposible porque el código defectuoso había estado en producción durante meses.

Para restaurar el servicio, los ingenieros tuvieron que desarrollar una actualización específica para devolver la ruta del código a un estado previamente conocido como bueno. El servicio se restauró gradualmente a medida que este 'parche para el parche' se aplicaba a grupos de servidores, estabilizando finalmente la infraestructura de Exchange Online.

Qué dicen los lectores de Hacker News

  • Nota técnica: Un comentarista señaló que la discrepancia entre los entornos de prueba de gama baja y las máquinas de producción de gama alta probablemente ocultó un error de concurrencia, cuestionando si tal brecha de prueba es una concesión común o aceptable. comentario ↗
  • Nota técnica: Un comentarista que analizó el hardware específico mencionó que si las máquinas de prueba tenían significativamente menos núcleos que los servidores de producción, la falla al detectar la contención de bloqueos sería un descuido importante. comentario ↗
  • Escéptico: Un lector argumentó que el incidente resalta los riesgos de depender de sistemas automatizados y sugirió que, a medida que se reduce el trabajo humano, resolver interrupciones tan complejas se volverá cada vez más difícil. comentario ↗
  • Escéptico: Otro comentarista sugirió que la interrupción podría ser un síntoma de una deuda técnica latente causada por ciclos de desarrollo rápidos y el uso creciente de código generado por IA. comentario ↗

Resumen de opiniones del hilo de Hacker News; no son hechos verificados. Leer el debate completo ↗