Anthropic ha publicado un análisis post-mortem exhaustivo tras una interrupción de varias horas del servicio Claude que afectó a miles de clientes en todo el mundo. El documento ofrece una explicación técnica detallada de la causa raíz, la cronología, el impacto y las medidas de corrección, e ilustra la transparencia de ingeniería que hoy se espera de los proveedores de servicios de IA empresarial.
Cronología del incidente. La interrupción comenzó a las 14:23 UTC cuando un clúster de base de datos experimentó un pico de carga inesperado: 14:23 aumento drástico de la latencia de la base de datos primaria; 14:31 conmutación por error automática a la réplica; 14:35 la réplica se ve a su vez sobrecargada; 14:42 enrutamiento imprevisible de solicitudes por parte de los balanceadores de carga; 15:00 interrupción total declarada; 15:30 causa raíz identificada; 16:45 mitigación y restauración parcial; 18:50 restauración completa. Duración total: 4 horas 27 minutos.
Causa raíz: fallo en cascada de la base de datos. El post-mortem identifica una configuración errónea del balanceador de carga como desencadenante: un cambio de configuración desplegado el día anterior alteró el algoritmo de distribución del tráfico, concentrando de forma desigual las solicitudes en ciertos shards (carga entre 3 y 4 veces superior a la normal), lo que provocó conmutaciones por error en cascada hacia réplicas con capacidad insuficiente. Error crítico: el cambio se desplegó sin pruebas de carga que simularan el tráfico de producción.
Monitorización insuficiente. El análisis revela puntos ciegos: umbrales de alerta configurados demasiado altos en la latencia por shard, desequilibrio de la distribución de carga sin supervisión, comprobaciones de conmutación por error insuficientes (no se verificaba la capacidad de la réplica), ausencia de pruebas sintéticas de extremo a extremo.
Impacto en los clientes. Aproximadamente 47.000 usuarios activos afectados directamente, 3,2 millones de solicitudes API fallidas, ~2,1 millones de dólares de impacto potencial en los ingresos de los clientes. Se vieron afectados clientes de la API empresarial, usuarios web de claude.ai, aplicaciones móviles y socios de integración.
Corrección y prevención. Anthropic está implementando: pruebas de carga obligatorias para cada cambio de configuración, monitorización reforzada (métricas por shard, seguimiento de la distribución de carga), conmutación por error mejorada (verificación de la capacidad de la réplica), circuit breakers (degradación controlada en lugar de interrupción total), márgenes de capacidad del 40%, reversión automática (rollback) y chaos engineering.
Compensación. Créditos de SLA prorrateados según la duración, créditos ampliados como gesto comercial, comunicación directa por parte de los equipos de cuenta.
Relevancia. El post-mortem refleja los valores de ingeniería de Anthropic: transparencia radical, responsabilidad, orientación al aprendizaje, mejora continua. Todos los grandes proveedores de IA han sufrido interrupciones (OpenAI, Google, AWS Bedrock); los clientes evalúan cada vez más no la ausencia de interrupciones, sino la calidad de la respuesta. El incidente valida las preocupaciones empresariales: el riesgo de dependencia de la IA, la importancia de los SLA, las estrategias multiproveedor y los mecanismos de repliegue (fallback).