Cuando Google se cae, se cae todo: así lo he vivido desde dentro de la infraestructura
Tras más de tres décadas moviéndome entre servidores, arquitecturas IT y gestión de crisis en operadoras, puedo decirte que he visto caer plataformas con una elegancia técnica que, honestamente, me dejaba frío. No por el fallo en sí, sino por lo rápido que un detalle mínimo se convierte en una catástrofe global. Y eso es exactamente lo que ocurre cuando Google deja de funcionar. No es que «el servidor de Google» esté estropeado. Es que casi todos sus servicios comparten un puñado de componentes internos, y cuando uno de esos componentes colapsa, el fallo no se queda en un centro de datos concreto: viaja a todo el planeta en segundos.
El usuario corriente lo vive como «Google se ha caído», pero lo que realmente ha pasado es que una pieza compartida por Gmail, Search, Drive, Meet, Cloud o las API de terceros ha dejado de responder. Es un fallo estructural, no un accidente aislado. Y aquí es donde mi experiencia gestionando incidencias en grandes plataformas me dice que el verdadero peligro nunca está en el error, sino en la replicación global del error.
El ejemplo más ilustrativo reciente es la caída global del 12 de junio de 2025. Afectó a Google Cloud Platform y, por arrastre, a buena parte de internet. La interrupción comenzó sobre las 10:51 a. m. hora del Pacífico (1:49 p. m. hora del Este) y en pocos minutos las peticiones de API en decenas de regiones empezaron a devolver errores HTTP 503 «Service Unavailable». Más de 50 servicios distintos de Google Cloud repartidos por más de 40 regiones quedaron tocados.
El epicentro técnico fue un sistema llamado Service Control, un componente fundamental de la infraestructura de API. Cada vez que un usuario, aplicación o servicio realiza una petición a un producto de Google Cloud, Service Control se interpone entre el cliente y el backend: verifica autorización, aplica límites de cuota, comprueba reglas de política organizativa y registra actividad para facturación. Actúa como portero de prácticamente todo el tráfico. Si él cae, cae casi todo con él.
El origen del desastre fue una función nueva introducida el 29 de mayo de 2025 para permitir comprobaciones de cuotas más granulares. Esa función contenía un fallo que introducía una vulnerabilidad de puntero nulo en una ruta de código que nunca se ejercitó durante el despliegue escalonado, porque dependía de un tipo concreto de entrada de política que todavía no existía en los entornos de prueba. El bug quedó dormido dentro del binario, esperando las condiciones exactas para activarse.
Y aquí viene lo que a mí me quitó el sueño cuando analicé el post-mortem: esas condiciones llegaron el 12 de junio, alrededor de las 10:45 a. m., cuando se insertó una actualización de política en las bases de datos Spanner regionales. La actualización contenía campos en blanco o ausentes que la nueva lógica no esperaba. Al leer esa política malformada, la ruta defectuosa se activó, se disparó el error de puntero nulo y el binario se bloqueó en esa región.
Lo que convierte un bug local en catástrofe global es la replicación. Spanner replica la metadata de políticas y cuotas de forma casi instantánea en todas las regiones del mundo, que es precisamente su función principal. Los datos corruptos se propagaron a todos los territorios en segundos, y en cuanto cada instancia regional intentó procesar los mismos datos defectuosos, empezó a bloquearse de idéntica manera.
Un factor agravante decisivo: la ausencia de una feature flag. La nueva lógica se liberó activa en todas las regiones, sin posibilidad de activarla o desactivarla de forma gradual. Google reconoció esta carencia como el primero y más crítico de sus fallos. El segundo: no había una simple comprobación de valor nulo. El tercero: la replicación funcionó exactamente como fue diseñada, sin retardo ni validación que frenara datos malformados antes de producción.
La recuperación también tropezó con problemas propios. En us-central-1 (Iowa), el restablecimiento se retrasó por el «efecto rebaño»: al reiniciarse en masa las tareas, todas golpearon a la vez la misma base de datos Spanner sin mecanismo de espera exponencial aleatorizada. La recuperación completa allí no llegó hasta unas 2 horas y 40 minutos después del fallo inicial.
La respuesta de emergencia se apoyó en un «botón rojo» interno que desactivaba la ruta defectuosa. Se activó unos 10 minutos tras identificar la causa raíz y a los 40 minutos ya estaba desplegado en todas las regiones. Las regiones más pequeñas se recuperaron primero, por requerir menos coordinación.
“La replicación global de Spanner propagó datos corruptos a 40+ regiones en segundos, convirtiendo un bug local en catástrofe planetaria.”
Dato clave