En muchos equipos de ingeniería sobrevive una convicción muy arraigada: cuanto más cubras los servidores con sensores de CPU, memoria y disco, mejor protegido estará producción frente a caídas repentinas. Parece que, si la monitorización vigila cada respiro del sistema operativo, ningún fallo podrá escaparse del técnico de guardia. Pero en la práctica el teléfono del ingeniero suena toda la noche y, al llegar la mañana, el equipo se entera por los tickets de soporte de que los clientes llevan horas sin poder iniciar sesión o pagar su pedido.
En el artículo de Brent Chapman, que montó la gestión de incidentes en Google y Slack, me enganchó un diagnóstico certero de este problema: despertamos a personas por cómo «se sienten» las máquinas en lugar de comprobar si el producto funciona para la gente. ¿Por qué la monitorización detecta decenas de sobresaltos de infraestructura mientras las averías reales las descubren primero los usuarios?
La trampa de los sensores fáciles y el precio de agotar al de guardia
Todo empieza por la comodidad de recoger datos. Al montar la monitorización, las métricas de hardware vienen gratis de fábrica: basta con preguntar al sistema operativo y al instante tienes gráficas de CPU, RAM y red. En cambio, medir el tiempo de carga de una página desde los ojos del cliente exige trabajo en el frontend: hay que lidiar con navegadores distintos, redes móviles caprichosas, cachés y el salto entre la respuesta del servidor y el pintado real de la interfaz.
La tentación es comprensible, pero ahí es justo donde los equipos caen en la trampa. Los sensores del servidor solo cuentan cómo está el hierro. Cuando los conectas al buscapersonas nocturno, la cascada de falsos positivos embota rápido la atención. Chapman pone un ejemplo muy gráfico: despiertan al de guardia 10 veces en una noche y 9 de esos avisos resultan ser picos breves de CPU que remiten solos o el recordatorio de un disco que se llenará dentro de una semana. Así nace la fatiga de alertas (alert fatigue). Y cuando de madrugada llega la décima llamada —una caída de los inicios de sesión exitosos al 50 %—, el ingeniero agotado la descarta por pura inercia como ruido de fondo.
Para romper ese círculo, en Google instauraron una revisión semanal de guardias (ops review). En esa reunión el equipo repasa cada alerta que despertó a alguien durante los últimos 7 días y verifica si requería acción inmediata. Si un aviso resultó ser ruido, se ajusta el umbral, se pasa a un ticket planificado o se elimina. De ahí sale una regla sencilla para medir si una guardia es sana: las llamadas nocturnas deben ser tan escasas que toda la lista de la semana se revise en apenas una parte de una sola reunión.
Métricas de trabajo frente a métricas de recursos: del pulso del hierro a la experiencia del cliente
Entonces, ¿qué señales merecen de verdad una llamada a medianoche? En el clásico manual de monitorización (Monitoring 101) en el que se apoya Chapman se traza una frontera nítida entre las métricas de trabajo (work metrics) y las métricas de recursos (resource metrics). Las primeras miden la salida útil del sistema para las personas: tasa de éxito de peticiones, velocidad de respuesta y ejecución puntual de tareas en segundo plano. Las segundas solo reflejan el estado interno de los componentes.
Comparemos dos estados de un servicio de pagos en producción. En el primero, el servidor trabaja con la CPU al 95 %, pero completa cada cobro en 80 ms sin errores. Eso no es una avería, sino el escenario ideal: los clientes están satisfechos y la capacidad pagada en la nube se aprovecha a pleno rendimiento. En el segundo caso, el uso de procesador baja a un plácido 5 % porque se ha quedado atascado el pool de conexiones a la base de datos, y la mitad de los compradores recibe un error 500 Internal Server Error. Para el sensor de CPU todo va de maravilla mientras el negocio pierde dinero minuto a minuto.
Intentar salvar las alertas de CPU con umbrales mínimos o franjas horarias se convierte en un juego interminable de golpear al topo. Es mucho más fiable apoyarse en lo que la guía de Google SRE llama alertar por síntomas y en las cuatro señales de oro: latencia (latency), tráfico (traffic), errores (errors) y saturación (saturation), completadas con métricas de negocio del producto. Compara un aviso ciego como «La CPU en app-worker-42 superó el 90 %» —donde el técnico pierde 10–15 minutos solo para averiguar si afecta a alguien— con señales concretas:
- la proporción de inicios de sesión exitosos cayó por debajo del 90 %, señalando un fallo de autenticación;
- la carga de la página principal supera los 10 segundos durante 5 minutos seguidos;
- se bloquean cuentas de forma masiva por errores repetidos de pago;
- la tasa de fallos al procesar transacciones superó el 2 %;
- la calidad de los resultados de búsqueda (porcentaje de respuestas relevantes) bajó del umbral.
Cualquiera de estos avisos le explica al de guardia desde el primer segundo qué se ha roto para los usuarios. Un equipo con tres métricas honestas orientadas al cliente está mejor protegido que un departamento con cien gráficas de hardware. Un error parecido también estropea el autoescalado de clústeres: ya vimos por qué reaccionar al uso de núcleos llega tarde en picos de tráfico en el análisis sobre la métrica MTSS y los arranques en frío.
La urgencia lo decide todo: por qué las métricas de recursos van a tickets y dashboards
Con razón preguntarás: ¿acaso podemos olvidarnos de los discos y la memoria hasta que el servidor se caiga? No hay que ignorarlos, pero sí separar la alerta (alerting) de la llamada urgente a una persona (paging). Aquí el criterio decisivo es el tiempo hasta el fallo.
Si la tendencia indica que el disco se llenará dentro de una semana, los clientes aún no sufren y limpiar logs a las tres de la madrugada no tiene sentido. Despertar a un ingeniero para que cree una tarea para la mañana siguiente es contraproducente: con un horizonte superior a 24 horas, el sistema debe abrir automáticamente un ticket en la cola de trabajo, igual que con las tendencias de memoria o los certificados próximos a caducar. La llamada al buscapersonas solo se justifica cuando el disco vaya a agotarse en menos de 1 hora y la caída sea inevitable.
Los médicos de urgencias tienen una regla: «Trata al paciente, no al monitor». Un pulso plano en la pantalla puede indicar tanto una parada cardiaca como un cable desconectado. En infraestructura, un pico de CPU suele ser un artefacto al mover contenedores y una subida de memoria ocupada puede ser simplemente la caché de archivos; por eso las métricas de recursos pertenecen a los dashboards para diagnosticar un problema ya conocido, no para cazar averías.
Sobre cómo el planificador del kernel distorsiona a veces la lectura real de carga de CPU puedes leer más en el análisis de la mecánica de CPU limits y el throttling.
Un radar externo para los puntos ciegos: cómo la página de estado de Slack cazaba averías ocultas
Incluso las métricas de trabajo mejor afinadas dejan puntos ciegos: modos de fallo inéditos que el equipo todavía no ha cubierto con comprobaciones. En Slack, Brent Chapman y sus compañeros encontraron un indicador independiente muy simple para esas caídas invisibles: las visitas a la página pública status.slack.com.
Cuando a la gente dejan de salirle los mensajes, abre la página de estado para comprobar de quién es la culpa. Un repunte brusco de visitas significa que cientos de usuarios están topándose con un fallo al mismo tiempo. Para los ingenieros de Slack esa señal externa funcionaba como un radar fiable: aunque los dashboards internos estuvieran en verde, tocaba buscar de inmediato una avería oculta. Combina un sensor así con un escalado ágil desde soporte hacia los de guardia y, tras cada incidente detectado por clientes, pregúntate qué métrica de trabajo le faltó a la automatización.
Al final, una monitorización sana se resume en una sola norma: de noche solo tiene derecho a despertar a un ingeniero el dolor directo del usuario o un fallo inminente en la próxima hora, mientras que la salud del hierro debe quedarse en los tickets diurnos y en las pantallas de diagnóstico.



