Passa al contenuto

Outlook a terra per ore: il cloud è ancora una buona idea?

Cosa è successo a Microsoft 365, come funziona un servizio cloud per milioni di utenti, come si tiene sotto controllo e perché conviene ancora.

Un blocco improvviso della posta aziendale ha messo in difficoltà governi, banche e imprese in decine di Paesi, mentre i tecnici di Redmond tentavano a vuoto di far ripartire server che tornavano a bloccarsi appena ricevevano di nuovo traffico.

Animazione: le richieste di Outlook arrivano a un bilanciatore di carico che le smista su sei server; il traffico resta quello di sempre, tre server non superano i controlli automatici e vengono esclusi, e il loro carico passa sui tre rimasti, che vanno sotto sforzo.

Esempio illustrativo: il guasto di Microsoft 365 in tre passaggi, come lo ha descritto Microsoft.

Il 12 novembre 2026, per il registro degli incidenti che Microsoft manda agli amministratori, i problemi della posta (Exchange Online) sono cominciati alle 17:17 ora italiana; due ore dopo, alle 19:26, Microsoft ne ha aperto un secondo, che riguarda più servizi della suite[1]. A catena si sono registrati disservizi su diversi strumenti di Microsoft 365, su Teams e persino sui connettori utilizzati da piattaforme di intelligenza artificiale esterne come OpenAI e Anthropic. Microsoft 365 conta più di 430 milioni di utenti, secondo i dati della stessa Microsoft diffusi dalla stampa[2]. Sul portale Downdetector, che aggrega le segnalazioni inviate dagli utenti, il picco per Outlook ha superato quota 130.000 negli Stati Uniti[1]. In Italia le segnalazioni hanno toccato il massimo alle 19:17: 1.080[3]. Complessivamente, secondo Downdetector, le anomalie hanno interessato utenti in 74 tra Paesi e territori.

Nelle ore successive, mentre in Giappone alcuni uffici governativi sono tornati ai documenti di carta, nelle Filippine i tribunali subivano ritardi e nel Regno Unito diverse scuole chiedevano ai genitori di telefonare anziché scrivere email, la domanda viene spontanea: come può un colosso planetario restare in difficoltà per più di sedici ore[4]? E, soprattutto, affidare l'operatività al modello SaaS (Software as a Service, cioè programmi distribuiti via cloud senza installazioni locali) ha ancora senso?

Alle 12:00 UTC del 13 novembre, Microsoft ha comunicato una ripresa incoraggiante in Europa, con il servizio e la consegna delle email in miglioramento[5], mentre il Giappone appariva relativamente più stabile e il Nord America in miglioramento, pur persistendo problemi intermittenti. La società pubblicherà un rapporto completo sull'incidente (Post-Incident Report) con l'analisi della causa originaria una volta ultimata la mitigazione.

Indice

  1. Cosa si è rotto nei sistemi di Redmond
  2. Il viaggio di una richiesta: dove si è inceppato Microsoft 365
  3. La responsabilità del fornitore: numeri, penali e promesse
  4. Come si controlla un gigante: i quattro segnali d'oro e il metodo USE
  5. Il SaaS ha ancora senso rispetto al server in ufficio?
  6. Come gestiamo noi l'infrastruttura e l'affidabilità
  7. La continuità non è un caso

Cosa si è rotto nei sistemi di Redmond

Nelle prime comunicazioni ufficiali sui canali di stato, Microsoft ha parlato di un carico elevato registrato sulla propria infrastruttura in più regioni. Poco dopo è arrivato il chiarimento: il problema non era causato da un aumento generale del traffico, bensì da un gran numero di server diventati improvvisamente non disponibili. Il traffico ordinario si è così concentrato sulle macchine rimaste operative, mettendole sotto sforzo.

Nel suo manuale sull'ingegneria dell'affidabilità (Site Reliability Engineering, o SRE), Google illustra proprio questo meccanismo a catena: quando una parte dei nodi cede, le richieste si riversano sulle risorse residue, che finiscono per esaurire memoria e processore entrando in stallo a loro volta[6]. Secondo le verifiche preliminari di Microsoft, il problema potrebbe partire da un componente specifico sui server incaricato di gestire i controlli automatici di integrità (health check, cioè le verifiche periodiche con cui il sistema accerta se un server è attivo e in grado di ricevere lavoro). Come misura precauzionale, l'azienda ha congelato tutte le distribuzioni di codice (deploy, cioè i rilasci pianificati di aggiornamenti) e le modifiche di configurazione, avviando il riavvio di tutti i server interessati.

Le operazioni di ripristino hanno però incontrato un doppio ostacolo. Da un lato, Microsoft ha riscontrato che i server rimessi in linea tendevano a diventare di nuovo non responsivi appena ricominciavano a ricevere traffico. Anche questo fenomeno è descritto nella letteratura SRE: dopo un blocco, pochi server riavviati devono sostenere l'intera domanda accumulata con una capacità ancora ridotta, e per questo tornano a cedere. Dall'altro lato, i tecnici hanno rilevato che un processo responsabile delle connessioni cifrate andava in sovraccarico, bloccando l'elaborazione delle richieste. Per stabilizzare il flusso, Microsoft ha applicato limitazioni selettive al traffico, ha testato un metodo alternativo di verifica della salute dei nodi e ha iniziato ad annullare una recente modifica alla configurazione della rete, che coincide con l'inizio dei problemi.

Charles Lamanna, vicepresidente esecutivo di Microsoft per Copilot, Agents e Platform, ha confermato pubblicamente che non vi è alcun indizio riconducibile ad attività ostili o a un attacco informatico. Per non perdere i messaggi in ritardo, Microsoft ha esteso a 48 ore la finestra di timeout delle email (cioè il tempo massimo che il sistema attende prima di considerare un messaggio non recapitato).

Il viaggio di una richiesta: dove si è inceppato Microsoft 365

Per capire in quale punto una catena così articolata possa spezzarsi, seguiamo il tragitto compiuto da una singola richiesta: un responsabile aziendale che alle otto del mattino apre Outlook dal computer.

Animazione: il viaggio di una richiesta in sei tappe. Il dispositivo apre Outlook, il DNS trova l'indirizzo, la CDN vicina all'utente filtra gli attacchi, il bilanciatore sceglie un server che supera i controlli, i server sono tante copie per tante aziende, i dati sono le caselle di posta e le loro copie. Alla fine si accendono in arancione i controlli di salute del bilanciatore.

Esempio illustrativo: le tappe di una richiesta in un servizio come Microsoft 365. In arancione i controlli di salute dei server, da cui secondo Microsoft potrebbe essere partito il guasto.

Il programma interroga inizialmente il DNS (Domain Name System, l'elenco telefonico di internet che converte l'indirizzo testuale in un recapito numerico). Ottenuta la risposta, la richiesta raggiunge la CDN (Content Delivery Network, cioè una rete di server sparsi nel mondo, vicini a chi si collega, che fa anche da scudo contro gli attacchi). È il primo vantaggio del cloud, la scalabilità: il servizio raggiunge aziende in tutto il mondo senza spedire nulla e senza installare nulla in sede. Varcato il perimetro, la connessione giunge al bilanciatore di carico (load balancer), il componente software che smista le chiamate in ingresso e interroga regolarmente i nodi tramite gli health check, per inviare lavoro solo a quelli pronti a rispondere.

Dal bilanciatore la richiesta passa ai server applicativi, cioè i computer che fanno girare il programma vero e proprio. In un'architettura cloud questi nodi scalano dinamicamente, aggiungendosi o rimuovendosi con il variare della domanda. Qui opera la multi-tenancy: un'unica grande infrastruttura ospita moltissime aziende (i tenant), separate sul piano logico. Questa condivisione comporta il problema del "vicino rumoroso" (noisy neighbor): se un'azienda avvia elaborazioni sproporzionate, rischia di saturare i server e rallentare le altre. Per tutelare il sistema, la documentazione di Microsoft spiega come applicare il throttling (la limitazione forzata delle chiamate), che respinge le richieste eccedenti con il codice HTTP 429 («Too Many Requests»).

Superato lo strato applicativo, la richiesta raggiunge le caselle postali e le basi dati (database), tenute in più copie; se il traffico in entrata supera la capacità immediata di scrittura, il messaggio sosta in una coda di attesa (queue). L'intero sistema viene aggiornato continuamente (continuous delivery) tramite anelli di rilascio progressivi (deployment rings), che distribuiscono correzioni (patch) e novità senza interventi manuali degli utenti. L'altra faccia della medaglia è che ogni modifica applicata può nascondere un'anomalia imprevista. Al contempo, ogni singola richiesta genera dati di utilizzo (telemetria), che guidano l'ottimizzazione del software, i listini e il supporto tecnico.

Anche la nostra infrastruttura SaaS multi-tenant per Odoo opera seguendo la medesima sequenza logica. Nel disservizio del 12 novembre, secondo le prime indicazioni fornite da Microsoft, il punto debole potrebbe essere stato proprio il componente di controllo: con le verifiche fallite, molti server sono usciti dal servizio e il loro carico è passato sulle macchine rimaste, mettendole sotto sforzo.

La responsabilità del fornitore: numeri, penali e promesse

Chi fornisce un'applicazione in cloud si fa carico interamente della sua affidabilità, della sicurezza e della conformità operativa. Quando l'infrastruttura si blocca, il contraccolpo tocca sia la credibilità aziendale sia i contratti di fornitura.

Il patto con il cliente è regolato dallo SLA (Service Level Agreement, l'accordo formale sui livelli di servizio), incentrato sull'uptime (la percentuale di tempo in cui il servizio è disponibile e funzionante). Nelle condizioni contrattuali di Exchange Online, Microsoft prevede che il cliente possa chiedere un credito di servizio, riconosciuto dopo l'approvazione di Microsoft: il 25% del canone mensile se la disponibilità del mese scende sotto il 99,9%, il 50% sotto il 99% e il 100% sotto il 95%[7].

Tuttavia, il contratto di Microsoft specifica chiaramente che i crediti di servizio rappresentano l'unico ed esclusivo rimedio a disposizione del cliente in caso di disservizio: nessun credito viene riconosciuto per compensare perdite di fatturato, costi operativi o altri danni indiretti subiti dall'azienda.

Per valutare il peso di questi numeri sul piano pratico basta consultare la tabella di disponibilità del manuale Google SRE: un obiettivo di disponibilità del 99,9% concede complessivamente un margine di indisponibilità non superiore a 43,2 minuti in un mese intero, pari a 8,76 ore su base annua[8]. A fronte di queste soglie, il disservizio di novembre ha superato le sedici ore.

Come si controlla un gigante: i quattro segnali d'oro e il metodo USE

Mantenere la visibilità su un'infrastruttura complessa che macina milioni di chiamate richiede una disciplina rigorosa. Nel manuale SRE di Google, ripreso anche nelle guide di Grafana Labs[9], sono codificati i "quattro segnali d'oro" (four golden signals) da monitorare costantemente:

Animazione: una dashboard con i quattro segnali d'oro, cioè latenza (p95 e p99), traffico (richieste al secondo), errori (risposte 5xx) e saturazione (CPU, RAM, connessioni). Il traffico resta piatto mentre saturazione, errori e latenza salgono, e scattano due allarmi.

Esempio illustrativo: i quattro segnali d'oro in una dashboard, durante un guasto in cui il traffico non cresce ma salgono saturazione, errori e latenza.

  1. Latenza (Latency). Il tempo necessario per completare una richiesta. Valutare solo la media matematica è fuorviante: come ricorda il testo di Google, se un servizio ha una latenza media di 100 millisecondi su 1.000 richieste al secondo, l'1% delle richieste può facilmente impiegare 5 secondi[10]. Per questo si controllano i percentili, come il p95 (il tempo entro cui riceve risposta il 95% delle richieste) o il p99, che mostrano cosa accade alla parte più lenta del traffico.
  2. Traffico (Traffic). La misura della domanda complessiva, quantificata in richieste al secondo (RPS) o sessioni concorrenti.
  3. Errori (Errors). La percentuale di chiamate non riuscite, tracciando i codici di errore HTTP 5xx (problemi del server) o 4xx (chiamate non valide o limitate).
  4. Saturazione (Saturation). Quanto il sistema è vicino alla capienza limite: utilizzo dei processori, memoria RAM e pool di connessioni al database.

Nei contesti multi-tenant, a questi parametri si affiancano metriche per singolo cliente: le risorse consumate da ciascun tenant, le risposte HTTP 429 generate dai limiti di traffico e il volume di chiamate API elaborate per account. A livello di macchine fisiche e sistemi operativi si applica invece il metodo USE formulato da Brendan Gregg (Utilization, Saturation, Errors[11]): si verifica la percentuale di tempo in cui ogni risorsa è occupata, le code di compiti in attesa e i guasti hardware o di rete. Sul database si controllano le connessioni in uso rispetto al tetto massimo, le query lente e la quota di successo della cache.

Questi dati confluiscono in dashboard (schermate di riepilogo grafico). All'ingresso del nostro servizio, per esempio, un unico cruscotto visualizza in tempo reale le richieste al secondo (anche suddivise per codice di risposta e cliente per cliente), il tempo di risposta di tutte le richieste (sui percentili p90, p95 e p99) e il p95 cliente per cliente, il traffico di rete complessivo e le connessioni aperte. Gli avvisi (alert) vengono tarati sui sintomi concreti percepiti dagli utenti, per intervenire tempestivamente senza generare inutili notifiche sul rumore di fondo. Letto con questi strumenti, il quadro del blocco di Microsoft è chiaro: la domanda esterna non era cresciuta, ma la capacità utile dei server è venuta a mancare; i server rimasti sono andati sotto sforzo, e sono arrivati errori di connessione e richieste scadute senza risposta.

Il SaaS ha ancora senso rispetto al server in ufficio?

Di fronte a guasti di questa portata, è naturale chiedersi se non fosse più prudente tenere i programmi installati su una macchina fisica nel proprio ufficio. Secondo noi, la risposta resta nettamente a favore del cloud. Il confronto con i sistemi legacy (il vecchio software installato in sede, spesso isolato e non aggiornato) mette in luce vantaggi operativi che un singolo incidente non cancella:

  • Aggiornamenti continui e sicurezza. Le patch di sicurezza (cioè le correzioni alle vulnerabilità) e le nuove funzioni vengono distribuite direttamente dal fornitore, senza costosi interventi tecnici in sede.
  • Ridondanza geografica. Un provider distribuisce i sistemi su molte macchine e più data center separati; un server aziendale in ufficio può fermare l'ufficio a lungo in caso di guasto elettrico o rottura hardware.
  • Presidio specialistico. Poche piccole e medie imprese possono permettersi un team di sistemisti operativo ogni giorno per analizzare latenze, saturazione e code di traffico.
  • Scalabilità flessibile. Se l'organico cresce, le risorse di calcolo si adeguano senza dover ordinare e configurare nuovi componenti fisici.

Questo non esclude i rischi legati alla concentrazione su un unico fornitore. Per tutelarsi, ogni azienda può adottare alcune precauzioni concrete:

  1. Mappare i processi dipendenti. Identificare con esattezza quali attività si bloccano in assenza di posta o strumenti condivisi.
  2. Predisporre un canale di emergenza indipendente. Mantenere un canale di comunicazione secondario (come un'applicazione alternativa o le tradizionali linee telefoniche) impostato in anticipo e non appoggiato sulla stessa infrastruttura del fornitore principale, perché una via di emergenza che condivide i medesimi sistemi rischia di diventare inutilizzabile nello stesso momento.
  3. Verificare gli accordi di servizio. Controllare le clausole di uptime del proprio fornitore, le modalità di notifica degli incidenti e gli strumenti di ripristino previsti.

Come gestiamo noi l'infrastruttura e l'affidabilità

In QTNOVA gestiamo un'infrastruttura SaaS multi-tenant scalabile per i nostri clienti che utilizzano il gestionale Odoo. Condividiamo la responsabilità di mantenere i sistemi accessibili e affidabili, ed è per questo che applichiamo al nostro perimetro gli stessi principi.

Misuriamo latenza, traffico ed errori di ogni richiesta in ingresso, separando i dati cliente per cliente. Controlliamo la saturazione dei server, dei container applicativi, dei pool di connessioni ai database e dei processi di lavoro. Un avviso di capacità ci segnala l'aumento del carico prima ancora che i server rimasti in funzione non siano più in grado di assorbire l'eventuale perdita di uno di essi: è proprio lo scenario del disservizio di Microsoft, e vogliamo saperlo prima. Per ciascuna azienda monitoriamo individualmente l'uso dello spazio disco, il numero di utenti e la comparsa di eventuali errori HTTP 500.

Le notifiche di allerta sono organizzate in base ai tempi di reazione necessari: le anomalie critiche vengono trasmesse via email e tramite notifica sul telefono dei tecnici. Ogni avviso apre in automatico un ticket nel nostro helpdesk, catalogato da un triage automatico prima dell'intervento operativo di una persona. Il sistema di monitoraggio stesso è sorvegliato contro eventuali blocchi ed è configurato con la medesima priorità dei servizi di produzione, affinché non sia la prima vittima di una crisi che deve segnalare.

Per la base dati manteniamo una replica di riserva (standby) pronta a subentrare in caso di necessità, con allarmi dedicati se la replica perde l'allineamento. I backup seguono due percorsi indipendenti e vengono depositati su uno spazio di archiviazione geo-ridondato presso un fornitore terzo. Tutti i nostri servizi passano da una rete di distribuzione dei contenuti (CDN), che blocca le scansioni automatiche prima che arrivino ai server. Ogni modifica all'infrastruttura viene pianificata con l'ordine dei passaggi e un piano per tornare indietro (rollback), provata prima in un ambiente di prova e applicata da una persona, un passo alla volta. Per i clienti che si affidano a noi, gli aggiornamenti di versione e di sicurezza sono inclusi nel canone del servizio, senza fermo operativo e con il passaggio finale programmato fuori dall'orario di ufficio.

È questo stesso monitoraggio che, la sera del 12 novembre, ha segnalato i primi errori collegati a Outlook. Secondo noi, la conseguenza più rilevante per chi lavora con una piattaforma gestita è che tutto funzioni in modo fluido, esattamente come ci si aspetta dai servizi delle grandi aziende tecnologiche; gli imprevisti possono capitare a chiunque, ma la differenza risiede nella capacità di accorgersene per primi e governare l'evento.

La continuità non è un caso

Nessun sistema informatico al mondo può considerarsi del tutto al riparo dai problemi: persino i più grandi possono incappare in un guasto imprevisto. La reale differenza tra subire passivamente un'interruzione prolungata e proteggere l'operatività risiede nella visibilità con cui si controllano i sistemi, nella capacità di isolare i problemi prima che dilaghino e nella rapidità d'azione di chi presidia l'infrastruttura.

E la vostra azienda, se la casella di posta o il software gestionale smettessero di rispondere domattina, ha già pronto un piano per continuare a lavorare? Se volete capire quanto i vostri sistemi dipendono da un solo fornitore, parliamone.

Vuoi saperne di più? Lasciaci una mail qui sotto, ti ricontattiamo al più presto.

Invia 

Grazie per il riscontro

Il nostro team ti risponderà al più presto.
Nel frattempo vi invitiamo a visitare il nostro sito web.

Fonti:

  1. la Repubblica — “Microsoft, down mondiale di Outlook e Microsoft 365. Disagi per aziende e governi, cosa è successo” (13 novembre 2026) – repubblica.it
  2. BBC News — “Schools, GPs and businesses hit by global Microsoft outage as company scrambles to solve issue” (13 novembre 2026) – bbc.co.uk
  3. Fanpage.it — “Microsoft 365 e Outlook down oggi, problemi con le app: cosa sta succedendo” (12 novembre 2026) – fanpage.it
  4. ANSA — “Outlook down, Microsoft: 'Servizi in miglioramento, ripristino a fasi'” (13 novembre 2026) – ansa.it
  5. Microsoft — “Users may be unable to connect to multiple Microsoft 365 services” (13 novembre 2026) – status.cloud.microsoft
  6. Google — “Site Reliability Engineering: Addressing Cascading Failures” (2017) – sre.google
  7. Microsoft — “Service Level Agreement for Microsoft Online Services” (1 ottobre 2026) – microsoft.com
  8. Google — “Site Reliability Engineering: Availability Table” (2017) – sre.google
  9. Grafana Labs — “Grafana dashboard best practices” – grafana.com
  10. Google — “Site Reliability Engineering: Monitoring Distributed Systems” (2017) – sre.google
  11. Brendan Gregg — “The USE Method” (24 agosto 2017) – brendangregg.com
Frigoriferi hackerati e GPT-6 Cyber: solo una coincidenza?
Tra celle frigorifere manomesse e modelli di Intelligenza Artificiale sempre più avanzati, come l'AI ha cambiato il panorama della sicurezza informatica