// SMARTWORLD — INTELLIGENZA ARTIFICIALE
Perché il down di Microsoft ha bloccato Outlook, Teams e Copilot per oltre 20 ore e ripartire richiede tanto tempo
Giovedì 12 novembre e per almeno le venti ore successive, milioni di persone non hanno potuto aprire Outlook, partecipare a riunioni su Teams o usare Copilot. Venerdì il servizio non era ancora tornato alla normalità. Microsoft ha parlato di "un numero di server improvvisamente non disponibili", una spiegazione che per chi non lavora nell'informatica dice poco o nulla. Proviamo a capire cosa è successo, perché il guasto si è allargato a macchia d'olio e perché ripararlo richiede così tanto tempo.
Preferisci ascoltare il riassunto audio? Abbiamo scelto una voce realizzata con strumenti avanzati IA per rendere i nostri testi subito accessibili a tutti
Quando apriamo l'app di Outlook sul telefono, il programma non contiene le email, perché le chiede a un server remoto, cioè un computer che vive in un grande capannone climatizzato e risponde alle nostre richieste via internet. Lo stesso vale per Teams, OneDrive e Copilot. Ovviamente un solo computer non può servire centinaia di milioni di persone, dunque Microsoft ne usa moltissimi, organizzati in squadre specializzate.
Davanti a ogni gruppo di server c'è un componente chiamato bilanciatore di carico: funziona come il maître di un grande ristorante, smista i clienti tra i tavoli evitando di sovraffollarne uno solo. Per sapere quali server siano in grado di lavorare, il sistema li interroga continuamente con dei controlli di integrità automatici (in gergo, health check): ogni pochi secondi un programma chiede a ciascun server "stai bene?" e attende risposta. Chi risponde resta in servizio, chi tace viene escluso.
Nell'incidente di questi giorni, secondo quanto comunicato da Microsoft, il componente che gestisce questi controlli di salute ha cominciato a funzionare male. Risultato: un gran numero di server ha smesso di superare i test, anche se probabilmente molti di loro stavano benissimo. L'azienda ha anche dichiarato di non aver trovato modifiche recenti collegate all'inizio del problema, il che rende ancora più difficile individuare la causa originaria.
Quando alcuni server vengono tolti dal giro, il lavoro che svolgevano non sparisce, ma ricade su quelli rimasti.
Si innesca così una spirale in cui ogni uscita provoca la successiva, i server superstiti si sovraccaricano, iniziano a rispondere male ai controlli di integrità e vengono esclusi a loro volta, peggiorando ulteriormente la situazione.
A complicare le cose ci pensa il comportamento delle nostre app: un'applicazione che non riceve risposta riprova automaticamente dopo qualche istante. Moltiplicato per milioni di telefoni e computer che lo fanno tutti insieme, il risultato è un'ulteriore valanga di richieste proprio mentre il sistema è già in difficoltà. Il danno si è poi allargato perché i servizi di Microsoft condividono le stesse fondamenta: accesso con l'account, posta, file e strumenti di intelligenza artificiale poggiano su componenti comuni, e quando uno cede trascina gli altri. Non a caso anche OpenAI e Anthropic hanno segnalato problemi negli strumenti che collegano i loro assistenti a Microsoft 365.
Riaccendere un servizio di queste dimensioni non assomiglia a premere un interruttore.
Microsoft ha sospeso tutti gli aggiornamenti in corso, spostato il traffico lontano dai server in difficoltà e li ha riavviati. Ha poi provato un metodo alternativo di controllo della salute che ha rimesso in funzione una parte delle macchine, ma il recupero non ha retto: un processo centrale è andato in sovraccarico e alcune macchine tornate in linea hanno smesso di rispondere non appena hanno ricevuto di nuovo traffico. Venerdì a ora di pranzo in Italia, Microsoft parlava ancora di "successo marginale" nelle correzioni applicate.