Il grave disservizio che ha colpito Microsoft 365 ed Exchange Online tra il 12 e il 13 novembre non sarebbe stato causato da un attacco informatico né da sistemi di AI o agenti autonomi. Nella ricostruzione preliminare diffusa dall'azienda, il blackout è invece il risultato dell'incontro fra tre condizioni tecniche: un difetto introdotto mesi prima nei gateway cloud, una variazione ordinaria nei flussi di traffico e una disponibilità di server già inferiore al livello previsto.

L'incidente è iniziato alle 16:20 UTC del 12 novembre ed è stato indicato come risolto alle 16:10 UTC del giorno successivo, dopo quasi ventiquattro ore. Microsoft ha mantenuto controlli aggiuntivi sui sistemi coinvolti fino al 14 novembre. Per molte organizzazioni, il problema ha significato difficoltà di accesso alla posta e ai servizi cloud su cui poggiano attività quotidiane, comunicazioni interne e processi amministrativi.

Il documento pubblicato da Microsoft è ancora un Post-Incident Report preliminare, ma offre un quadro insolitamente chiaro della catena di eventi. Non emerge un singolo guasto clamoroso: è la sovrapposizione di meccanismi che avrebbero dovuto essere gestibili separatamente ad aver trasformato una vulnerabilità nascosta in un'interruzione estesa.

Un difetto rimasto inattivo dall'estate

Alla base della vicenda c'è una modifica distribuita a partire da luglio sui cloud gateway, l'infrastruttura che riceve e instrada le connessioni verso Microsoft 365. Quel cambiamento aveva introdotto un comportamento difettoso: in circostanze specifiche, CPU e memoria potevano esaurirsi fino a rendere i server non responsivi.

Il dettaglio più delicato riguarda i test. Secondo Microsoft, l'anomalia non era emersa prima della distribuzione perché gli ambienti di pre-produzione utilizzavano hardware meno potente di una parte dell'infrastruttura effettivamente in esercizio. Nei sistemi di produzione, dotati di macchine più recenti e con un numero maggiore di core CPU, si sarebbero dunque create le condizioni che hanno portato al blocco. È un caso che ricorda quanto la validazione del software non possa limitarsi alla correttezza del codice: anche differenze nella configurazione fisica e nelle caratteristiche delle macchine possono cambiare radicalmente il comportamento di un servizio distribuito.

Per mesi, tuttavia, il difetto è rimasto latente. Da solo non aveva generato un impatto visibile e non risultava quindi identificato come causa di rischio operativo. Servivano un carico e una composizione delle richieste diversi da quelli abituali per renderlo evidente.

Il traffico si sposta, i gateway perdono margine

Quel cambiamento è arrivato circa quindici ore prima dell'inizio del blackout. Microsoft gestisce due sistemi indipendenti di gateway per fornire ridondanza all'accesso ai propri servizi: quando una componente incontra difficoltà, il traffico può essere indirizzato verso l'altra. Nell'ambito della normale manutenzione e degli aggiornamenti di rete, il traffico di Teams è stato trasferito dal gateway alternativo a quello principale, lo stesso che gestisce anche l'accesso a Exchange Online.

Non si è trattato, secondo la ricostruzione dell'azienda, di una manovra eccezionale o errata. Era un passaggio previsto dai meccanismi di continuità operativa. Ma ha modificato il volume e il tipo di richieste gestite dal gateway principale, esponendo il bug rimasto inattivo dall'estate. Le richieste si sono accumulate, le risorse hanno raggiunto il limite e i nodi interessati hanno iniziato a rifiutare nuove connessioni.

A peggiorare il quadro c'era una riduzione di capacità già esistente nella flotta di gateway. Microsoft indica che l'infrastruttura operava con un margine inferiore del 14% rispetto alle condizioni ottimali. In un contesto normale, quella quota avrebbe potuto essere sufficiente ad assorbire picchi e cambiamenti di instradamento; in questo caso ha lasciato troppo poco spazio per reagire al nuovo profilo di carico e al difetto applicativo.

Quando l'attività lavorativa negli Stati Uniti ha raggiunto i consueti picchi giornalieri, diversi server hanno iniziato a bloccarsi. I sistemi di backup hanno tentato di allontanare il traffico dai nodi non responsivi, come erano progettati per fare. Il problema è che i gateway destinati a ricevere quel traffico finivano esposti allo stesso comportamento: la ridondanza non ha eliminato il sovraccarico, lo ha trasferito verso componenti che condividevano la stessa fragilità.

La cascata e il limite della ridondanza

Microsoft riferisce che oltre l'80% dei gateway interessati è arrivato a uno stato di blocco nel corso della propagazione. In altre parole, l'architettura di failover ha continuato a provare a mantenere raggiungibili i servizi, ma ciascun tentativo di spostare le connessioni ha incontrato nodi che potevano andare incontro alla medesima contesa delle risorse.

Il rapporto segnala anche un altro punto rimasto aperto: i meccanismi pensati per isolare i sistemi problematici per area geografica non hanno impedito l'estensione dell'incidente. Microsoft non ha ancora spiegato perché quell'isolamento non abbia funzionato come previsto. È una delle questioni che il rapporto finale dovrà chiarire, perché la segmentazione regionale serve proprio a evitare che un'anomalia locale o circoscritta attraversi l'intera piattaforma.

La vicenda mostra un limite noto delle grandi architetture cloud. Avere più percorsi e più server non equivale automaticamente a essere protetti da ogni classe di guasto. La ridondanza funziona quando le componenti alternative sono davvero indipendenti rispetto alla causa dell'errore. Se il difetto è presente nella stessa logica software o viene attivato dallo stesso schema di traffico, il failover può persino accelerare la diffusione dell'impatto.

Perché il ripristino non è stato immediato

Il recupero si è rivelato più complesso di un semplice riavvio dei server. Microsoft spiega che riaccendere i gateway non eliminava le lunghe code di richieste rimaste in attesa. Una volta tornati disponibili, i sistemi venivano subito investiti dal carico arretrato e potevano ricadere rapidamente nell'esaurimento delle risorse.

Per intervenire è stato necessario un aggiornamento mirato preparato dagli ingegneri. Alcuni servizi, tra cui Teams, OneDrive e altre applicazioni Office, potevano essere instradati lontano dall'infrastruttura più colpita. Exchange Online, invece, non ha potuto adottare la stessa strategia con la medesima elasticità, a causa dei limiti di scalabilità indicati nel rapporto. Questa differenza aiuta a spiegare perché la posta e i servizi collegati a Exchange siano stati tra gli aspetti più difficili da stabilizzare.

Microsoft classifica l'evento negli incidenti EX1550543 e MO1550821. Il documento completo è disponibile agli amministratori di Microsoft 365 attraverso le pagine di stato del servizio, mentre la relazione preliminare definisce esplicitamente l'accaduto come una questione tecnica estranea a cyberattacchi e AI.

Resta ora da capire quali correttivi verranno applicati oltre alla correzione del bug: la capacità di riserva, la rappresentatività degli ambienti di test, le regole di deviazione del traffico e l'isolamento geografico sono tutti elementi emersi nella stessa sequenza di fallimenti. Per clienti e amministratori, la lezione è concreta: anche una piattaforma globale progettata per resistere ai guasti può subire interruzioni prolungate quando un'anomalia dormiente incontra margini operativi ridotti e sistemi di recupero esposti alla medesima causa.

Fonti