"En sistemas críticos, descubrir y comunicar una falla en dos minutos en vez de dos horas vale millones. El miedo de avisar cuesta mucho más caro que el propio error."
El terminal respondió con una línea que no esperabas. Una migration trabó la tabla principal de pedidos, un despliegue derrumbó la pantalla de pago o una variable de entorno fue sobrescrita por error. El corazón se dispara al instante.
Todo ingeniero de software, administrador de base de datos y líder que opera sistemas de verdad ya ha sentido ese hielo en el estómago. La diferencia entre un incidente controlado en quince minutos y una crisis que destruye la confianza del cliente no está en nunca errar, sino en lo que tú y tu liderazgo hacen en los primeros diez minutos tras notar el problema.
Quedarse paralizado por la vergüenza o intentar arreglar todo solo en la oscuridad, esperando que nadie lo note, es el camino más rápido para transformar una falla simple en un desastre operacional.
¿Por qué los buenos equipos parecen errar más? El descubrimiento de Amy Edmondson en Harvard
En 1999, la investigadora Amy Edmondson, de la Universidad de Harvard, publicó en la revista científica Administrative Science Quarterly un estudio empírico con 51 equipos de trabajo en entornos de alta presión (incluyendo equipos médicos donde un error de dosificación puede costar vidas).
Cuando cruzó los indicadores de calidad de los equipos con el número de fallas registradas, encontró un resultado que parecía contradictorio a primera vista: los equipos más competentes y eficaces presentaban tasas más altas de errores reportados que los equipos más débiles.
Al investigar a fondo los datos cualitativos y cuantitativos, Edmondson descubrió lo que realmente ocurría: los mejores equipos no erraban más. Poseían seguridad psicológica (psychological safety) para decir la verdad de inmediato en cuanto percibían una anomalía, permitiendo que el grupo corrigiera el desvío en el primer minuto. En cambio, en los entornos dominados por el miedo y por la humillación pública, los profesionales escondían los errores bajo la alfombra hasta que el problema explotaba sin posibilidad de reversión.
En la ingeniería de software y en la operación de infraestructura, este descubrimiento científico se traduce en una regla de oro: la velocidad de recuperación de un incidente depende directamente de la rapidez con que quien apretó el botón tiene el valor de levantar la mano.
Aquí está la guía práctica que aprendí a aplicar a lo largo de más de quince años operando bases de datos y sistemas críticos.
1. Interrumpe la degradación antes de buscar la causa raíz
En momentos de crisis, la prioridad absoluta es estancar el impacto sobre los usuarios y proteger la integridad de los datos. Investigar el detalle de la línea de código que causó el bug es fundamental, pero eso queda para el minuto siguiente al restablecimiento de la operación. En el marco DORA (Accelerate State of DevOps), esta capacidad se mide por el MTTR (Mean Time to Restore o Tiempo Medio de Recuperación).
Antes de cualquier actitud impulsiva en el terminal:
- Para de alterar variables a ciegas: ejecutar comandos apresurados en producción sin revisión, con la esperanza de un acierto por prueba y error, casi siempre crea un segundo incidente encima del primero;
- Acciona el rollback inmediato: si la versión anterior era estable y existe un procedimiento de reversión de despliegue o feature flag, vuelve al estado seguro primero. El rollback compra tiempo y tranquilidad para diagnosticar el problema en homologación;
- Protege la integridad de los datos: si hay riesgo de corrupción de registros financieros o de catastro, activa el disyuntor de seguridad (circuit breaker) o coloca la ruta afectada en mantenimiento controlado.
2. Comunica con claridad, hechos y cero pánico
El mayor error durante un incidente no es haber cometido la falla técnica; es dejar al equipo, al soporte y al liderazgo a ciegas mientras los reportes comienzan a llegar. Una comunicación madura no pide disculpas dramáticas ni inventa excusas; entrega contexto accionable.
Usa una estructura directa de cuatro líneas en el canal oficial de incidentes del equipo:
- Qué pasó: "A las 14:32, durante el despliegue de la versión 2.4, la creación de un índice bloqueó lecturas y escritas en la tabla principal de pedidos."
- Impacto observado: "Los usuarios reciben error de tiempo de espera (timeout) al finalizar la checkout. Los datos grabados anteriormente permanecen íntegros."
- Acción en curso: "Cancelamos la operación de base de datos e iniciamos el rollback hacia la versión 2.3. Previsión de normalización en 7 minutos."
- Qué se necesita ahora: "Necesito que quien está en el turno de guardia de base de datos acompañe la liberación de las conexiones trabadas y confirme la caída de la latencia."
Esta claridad desarma el pánico al instante. Le muestra a toda la empresa que el problema tiene diagnóstico, tiene un responsable actuando y tiene un plazo de verificación.
3. Aísla lo que es evidencia de lo que es suposición
Cuando un sistema importante cae, es común que diez personas entren en la misma llamada sugiriendo diez teorías diferentes al mismo tiempo. La disciplina de comando de incidentes, documentada en el clásico Site Reliability Engineering (SRE) Book de Google, exige separar roles y proteger el foco:
- Hechos numéricos por encima de hipótesis: observa la telemetría real (curva de CPU, conexiones activas en la base de datos, tasa de respuestas HTTP 5xx, latencia p95 y logs con horario exacto) antes de salir reiniciando servidores por corazonadas;
- Separa a quien opera de quien comunica: mientras una persona está concentrada ejecutando el rollback o destrabando la base de datos, otra persona debe asumir la actualización periódica para los stakeholders;
- Registra la línea de tiempo en tiempo real: mantén un documento abierto anotando el horario exacto de cada síntoma y de cada comando aplicado.
4. El Modelo del Queso Suizo y el Post-Mortem sin culpas
Después de que el sistema vuelve al aire y los gráficos se estabilizan, comienza la etapa que separa a los equipos amadores de las ingenierías de élite: el Post-Mortem sin culpas (Blameless Postmortem).
En 1990, el psicólogo James Reason, profesor de la Universidad de Manchester, publicó el libro Human Error, introduciendo el famoso Modelo del Queso Suizo (Swiss Cheese Model) para el análisis de accidentes en aviación, centrales nucleares e ingeniería compleja.
Reason probó que, en cualquier sistema crítico bien diseñado, existen múltiples capas de defensa (como rebanadas de queso suizo colocadas una al lado de la otra). Un accidente grave solo ocurre cuando los agujeros de todas las rebanadas se alinean al mismo tiempo.
Por lo tanto, si un único comando digitado por un desarrollador o DBA fue suficiente para derrumbar a toda la empresa, el problema real nunca fue la persona. El problema estaba en los agujeros de las barreras anteriores:
- ¿Por qué un comando destructivo pudo ser ejecutado directamente en producción sin doble confirmación o revisión por pares?
- ¿Por qué la tubería de CI/CD no detectó el bloqueo de schema en un entorno de pruebas automatizadas?
- ¿Por qué no había un lanzamiento gradual (canary deployment) que limitara el error al 1% del tráfico antes de afectar al 100% de los clientes?
Como resumen John Allspaw y el equipo de SRE de Google, castigar a la persona y mantener el proceso intacto garantiza solo dos cosas: que la próxima vez el equipo esconderá el error por miedo, y que otra persona caerá exactamente en la misma trampa meses después.
Tres preguntas antes de su próximo deploy
En su próxima entrega importante en ambiente productivo, antes de presionar el botón final, deténgase durante sesenta segundos y responda a estas tres preguntas:
- Cuál es nuestro comando de retorno? Si esta modificación presenta un comportamiento anormal en el tercer minuto, ¿cuál es el procedimiento exacto y probado para revertir en menos de cinco minutos?
- Qué número demuestra que salió bien? ¿Qué métrica objetiva de negocio y de infraestructura voy a observar inmediatamente después del deploy para confirmar que el sistema se encuentra saludable?
- Qué traba dejamos para el futuro? Si algo falla hoy, ¿qué barrera automática vamos a agregar en el flujo hasta el viernes para que esta clase entera de error deje de existir?
La seguridad psicológica no es bajar la vara de exigencia. Es combinar un estándar técnico alto con total transparencia para resolver con rapidez, aprender de verdad y construir sistemas cada vez más sólidos.
Continúe profundizando: lea también Cómo elegir un camino en tecnología sin adivinar el futuro y Qué hacer cuando se bloquea en un proyecto. Conozca también la actuación en Liderazgo Ejecutivo de Ingeniería y los Estudios de Caso.
Referencias y lecturas verificables
- Edmondson, A. (1999). Psychological safety and learning behavior in work teams. Administrative Science Quarterly, 44(2), 350-383.
- Reason, J. (1990). Human Error. Cambridge University Press.
- Lunney, J., Lueder, S., & Google SRE Team (2016). Postmortem Culture: Learning from Failure & Managing Incidents. In Site Reliability Engineering: How Google Runs Production Systems. O'Reilly Media.
- Forsgren, N., Humble, J., & Kim, G. (2018). Accelerate: The Science of Lean Software and DevOps / DORA Metrics. IT Revolution Press.
Una buena conversación merece continuar.
Comparte el artículo o publica las diapositivas en tus Stories y Feed.

Cesar Zanis
15+ años liderando arquitectura de software, bases de datos críticas, FinOps e IA aplicada. Estructuró y escaló una operación de ingeniería desde cero hasta más de 20 desarrolladores.
¿Te gustó este artículo?
Publico análisis prácticos sobre arquitectura de sistemas críticos, Cloud FinOps, datos, IA y liderazgo de ingeniería directamente en LinkedIn.
Continuar leyendo
Lleva este análisis más allá con datos y fuentes
Todas las tarjetas visuales de este artículo están listas arriba para compartir en tus Stories, Feed, WhatsApp o LinkedIn con las fuentes.



