Postmortem

Qué es

Un postmortem es el relato escrito que un equipo elabora después de
un incidente: qué ocurrió, qué coste tuvo, qué se hizo para
detenerlo, por qué sucedió y qué cambiará para que no vuelva a
ocurrir de la misma manera. La palabra también se escribe
post-mortem, con guion; el significado es el mismo. El libro Site
Reliability Engineering de Google lo define en esos términos, como
un relato que relaciona un incidente y sus consecuencias con la
respuesta, las causas y el trabajo necesario para evitar que se
repita.

El libro asigna tres objetivos al ejercicio: documentar el
incidente, comprender todas las causas raíz que contribuyeron a él
en lugar de quedarse con la primera encontrada y poner en marcha
medidas preventivas que funcionen de verdad. El plural importa. Los
incidentes en sistemas de cualquier tamaño rara vez tienen una única
causa, y un postmortem que se detiene en la primera explicación
plausible suele corregir el desencadenante y dejar intactas las
condiciones que le permitieron causar daños.

Lo que distingue esta práctica de un informe corriente es que no
busca culpables. Un postmortem sin culpabilización busca causas
contribuyentes sin acusar a ninguna persona ni equipo de mala
conducta, y parte de que quienes intervinieron tenían buenas
intenciones y decidieron con la información que tenían entonces. El
libro SRE sitúa el origen de la idea en la sanidad y la aviación,
dos ámbitos donde un error puede ser mortal y cada fallo se
considera una oportunidad para reforzar el sistema. El razonamiento
es práctico, más que una cuestión de amabilidad: a una persona no se
le puede aplicar un parche, pero a un sistema o un proceso sí.

No se escribe un postmortem por cada contratiempo, porque exige
tiempo. El libro enumera los desencadenantes habituales, y cada
equipo adapta los umbrales a sus necesidades:

  * indisponibilidad o degradación visible para el usuario que
supere un límite acordado;

  * cualquier pérdida de datos;

  * la necesidad de que intervenga un ingeniero de guardia, por
ejemplo revirtiendo una versión o redirigiendo el tráfico;

  * un tiempo de resolución superior a un límite acordado;

  * un fallo de la monitorización, que normalmente significa que una
persona descubrió primero el problema.

Los criterios se acuerdan antes de que algo falle, para que nadie
tenga que discutir durante una interrupción si ese caso cuenta, y
cualquier parte interesada puede solicitar un postmortem cuando un
suceso quede fuera de ellos.

Por qué importa

Es probable que un incidente corregido pero no documentado se
repita. El SRE Workbook analiza un postmortem que se publicó cuatro
meses después del incidente que describía; entretanto, el mismo
incidente se repitió y el equipo tuvo que reconstruir lo aprendido
la primera vez. Un registro escrito pronto y guardado donde pueda
encontrarse convierte una mala tarde de un equipo en conocimiento
útil para toda la organización.

El registro también obliga a que exista un seguimiento. Ben Treynor
Sloss, citado en el Workbook, lo dice sin rodeos: los usuarios no
ganan nada con un postmortem si el equipo no actúa sobre sus
conclusiones. Por eso Google exige que todo postmortem posterior a
una interrupción que afecte a usuarios tenga al menos un ticket de
seguimiento con una de las dos prioridades más altas. El postmortem
es donde se justifica ese trabajo con pruebas y donde después puede
comprobarse su avance.

La ausencia de culpabilización hace que las pruebas sean fiables. El
libro SRE observa que, donde se avergüenza a las personas por sus
errores, dejan de sacar los problemas a la luz; el Workbook añade
que pueden ocultar precisamente los datos necesarios para evitar que
se repitan. Una cultura sin culpabilización obtiene la cronología
completa, incluido el comando que alguien ejecutó por error, porque
nadie recibe un castigo por contarlo. El libro va más allá: no
debería considerarse un problema que un equipo o una persona escriba
muchos postmortems, porque la alternativa son incidentes sobre los
que nadie escribe.

Reunidos, los postmortems forman un conjunto de datos. Cuando todos
incluyen los mismos metadatos, una organización puede seguir
tendencias como el tiempo de detección, el tiempo de resolución y el
alcance de un incidente, y comprobar si el trabajo de fiabilidad da
resultado. Los mismos registros sirven para la formación: Google
recrea postmortems antiguos como ejercicios de simulación de roles
para nuevos ingenieros, y organiza clubes de lectura y un boletín
con un postmortem del mes.

Cómo se aplica en la práctica

El libro SRE publica un ejemplo completo, el apéndice D, escrito
para un servicio de búsqueda ficticio que estuvo caído durante 66
minutos ante un aumento súbito del tráfico. Sus secciones son un
buen punto de partida: estado, resumen, impacto, causas raíz,
desencadenante, resolución, detección, acciones, lecciones
aprendidas —qué salió bien, qué salió mal y dónde hubo suerte— y una
cronología en UTC. Esta marca por separado cuatro momentos: cuándo
empezó la interrupción, cuándo se declaró el incidente, cuándo
terminó la interrupción y cuándo se cerró formalmente el incidente.
Son momentos diferentes, y las lecciones suelen estar en los
intervalos entre ellos.

Aquí se muestra un postmortem con esa estructura para un incidente
inventado, reducido a lo que cabe en una pantalla:

```text
Postmortem: fallos al finalizar compras tras cambiar un tiempo de espera
Estado:       final, revisado
Responsable:  ingeniero de guardia, con quien dirige el incidente
Resumen:      falló cerca de un tercio de las solicitudes de finalización
              de compra durante 31 min
Impacto:      unas 4.100 finalizaciones de compra fallidas,
              sin pérdida de datos;
              el presupuesto de errores de finalización de compra de 28 días
              se gastó en una tarde
Causas raíz:  el tiempo de espera de pagos se redujo de 10 s a 1 s en un
              cambio revisado como «solo configuración»; no se probó
              con carga máxima antes de la publicación
Desencadenante: el pico de la tarde hizo que el proveedor de pagos superase 1 s
Detección:    la alerta de tasa de errores avisó a la guardia 6 min
              después del primer error
Resolución:   se revirtió el cambio; los fallos cesaron 4 min después

Acciones
  Tipo       Prioridad  Responsable       Se completa cuando
  prevenir   P1         líder de          se ejecuta la prueba de carga para
                        plataforma        los cambios de configuración
  detectar   P1         líder de guardia  la alerta se dispara si se agotan
                                          los tiempos de espera de los pagos
  mitigar    P2         líder de          revertir la configuración requiere
                        finalización      un solo paso
                        de compra
  proceso    P2         líder de         los cambios de configuración aparecen
                        incidentes        en el registro de despliegues

Lecciones
  Salió bien:  la reversión funcionó a la primera
  Salió mal:   un cambio del tiempo de espera no se trató
               como un cambio de código
  Hubo suerte: el pico fue breve; un día de rebajas lo habría triplicado

Cronología (UTC)
  18:02  cambio integrado y desplegado
  18:40  pico de tráfico; primeros fallos al finalizar compras
                                                        comienza la interrupción
  18:46  la alerta de tasa de errores avisa a la guardia
  18:52  incidente declarado; se nombra a quien lo dirige
                                                        comienza el incidente
  19:07  cambio del tiempo de espera identificado, reversión iniciada
  19:11  cesan los fallos                               termina la interrupción
  19:41  treinta minutos con la tasa normal de errores    termina el incidente
```

Observe lo que falta: no hay nombres en las causas ni acciones que
pidan a alguien tener más cuidado. Cada acción tiene un único
responsable, una prioridad y un estado final que otra persona puede
verificar. Tampoco es necesario reconstruir de memoria la mayor
parte del material. El capítulo del libro SRE sobre gestión de
incidentes hace que quien dirige el incidente mantenga un documento
vivo mientras dura y pide conservarlo para el postmortem; el
Workbook describe herramientas que rellenan automáticamente los
roles, la cronología y los servicios afectados.

En este sitio, el registro del incidente del búfer de eventos de
macOS, de septiembre de 2026, tiene buena parte de la estructura de
un postmortem. Distingue entre los informes de diagnóstico, que
registraron 111 GB de páginas comprimidas en una máquina de 36 GB, y
una muestra separada de la huella de memoria, que mostraba un
crecimiento de unos 41 MB por segundo. Identifica un flujo principal
de eventos sin límite y eventos de registro copiados a suscriptores
que no los usaban; después limita los búferes, filtra las
suscripciones por tipo de evento y asigna al registro un presupuesto
de eventos por unidad de tiempo. Una comparación de ejecuciones
completas de pruebas registra una caída de 610.996 líneas de
registro del núcleo a 1.411. Las comprobaciones de arquitectura y
las pruebas de presupuesto protegen el diseño, mientras que el
relato declara lo que las pruebas no demuestran: una cifra de
memoria medida después de la corrección o un benchmark de
producción. Otros fallos por tiempo de espera durante el cierre
necesitaron su propia corrección, y el presupuesto permite
deliberadamente descartar eventos de diagnóstico repetitivos. El
relato de tres cerraduras en la puerta, ninguna cerrada describe una
revisión, no una interrupción, pero termina donde debería un buen
postmortem: las tres correcciones fueron pequeñas, y el trabajo
produjo dos reglas que ahora rigen el repositorio, para detectar
toda la clase de fallo en lugar de solo esos tres casos.

Dónde surgen los problemas

El documento señala a un culpable. Un postmortem que afirma que una
sola persona fue responsable, o describe su «ignorancia negligente»,
enseña a todos los demás a guardar silencio la próxima vez. Escriba
sobre lo ocurrido y lo que la persona sabía entonces, no sobre quién
es, y mantenga un lenguaje factual; el Workbook señala que las
expresiones dramáticas y los signos de exclamación distraen de los
hechos.

Las acciones piden a las personas esforzarse más. «Tener más
cuidado» y «mejorar el manual operativo» no tienen un criterio de
cierre, y cambiar la conducta es menos fiable que cambiar el
sistema. Asigne a cada acción un tipo —prevenir, mitigar o
detectar—, un único responsable, una prioridad y un estado final
verificable, como una alerta que se dispare por encima de un umbral
declarado, y abra un ticket para cada una en el sistema de
seguimiento que el equipo ya utiliza.

La causa raíz se queda en el desencadenante. «Un cambio de
configuración causó la interrupción» identifica el desencadenante.
Las causas raíz son las razones por las que ese cambio pudo causar
tanto daño: por qué la revisión no lo detectó, por qué ninguna
prueba lo descubrió y por qué la alerta llegó tarde. Mantenga ambos
apartados separados, como hace el ejemplo del libro SRE.

El impacto queda sin concretar. Si la única cifra del documento es
la duración, nadie puede saber si la corrección funcionó. Estime los
usuarios afectados, las solicitudes perdidas y el presupuesto de
errores gastado; el consejo del Workbook es que una estimación bien
fundamentada es mejor que no tener ningún dato.

Hay cuatro responsables, así que no hay ninguno. El postmortem
necesita un responsable que sea el único punto de contacto para
redactarlo y llevar el seguimiento hasta el final, con ayuda de
otras personas. Lo mismo se aplica a cada acción.

Se escribe tarde o nadie lo lee. Los recuerdos se desvanecen en unos
días, y un documento distribuido meses después llega tras la
siguiente repetición. El buen ejemplo del Workbook se difundió entre
un público amplio dentro de la semana posterior al cierre del
incidente. Revíselo también: «Un postmortem sin revisar es como si
nunca hubiera existido», como dice el libro SRE. Celebre sesiones
periódicas de revisión y guarde después el resultado en un archivo
donde puedan hacerse búsquedas.

Las acciones nunca se cierran. Cuando el mismo incidente reaparece,
compruebe si las acciones tardan demasiado y si el desarrollo de
funciones sigue imponiéndose a las mejoras de fiabilidad. Haga
seguimiento del cierre, no de la autoría: Google celebra semanas
FixIt dos veces al año y recompensa a los ingenieros que cierran más
acciones de postmortems.

Lecturas adicionales

  * Cultura del postmortem: aprender de los fallos — Capítulo 15 del
libro Site Reliability Engineering de Google: desencadenantes,
ausencia de culpabilización, revisión y la cultura que los rodea.

  * Cultura del postmortem: aprender de los fallos — El capítulo del
SRE Workbook, con un postmortem malo y otro bueno del mismo
incidente y las razones de cada valoración.

  * Ejemplo de postmortem — Un postmortem completo de una
interrupción ficticia, con acciones, lecciones y cronología.

  * Gestión de incidentes — Capítulo 14 del libro SRE: quien dirige
el incidente, el documento vivo del incidente y los relevos de los
que después se nutre el postmortem.

hEsta página en la web	URL:https://engineer.company/es/glossary/postmortem/	engineer.company	70
