Un data center calentó demasiado. Y internet entera lo sintió.
El jueves pasado, un evento térmico en el data center de AWS en Northern Virginia derribó la zona de disponibilidad use1-az4 en la región US-EAST-1. Más de 150 servicios cloud fueron afectados. Coinbase paró de procesar transacciones. FanDuel cayó en ventana de apuestas. CME Group tuvo latencia en feeds de mercado.
Qué pasó técnicamente
A las 14:30 UTC, una falla en el chiller primario del data center causó pico rápido de temperatura ambiente. Sistemas automatizados de AWS iniciaron apagado de emergencia de instancias EC2 y volúmenes EBS para evitar daño permanente al hardware.
El efecto cascada: el apagado en masa causó surge de errores de API en otras zonas. El problema era zonal, pero el impacto se esparció.
La recuperación fue más lenta de lo esperado. Ingenieros de AWS necesitaron sangrar líneas de refrigerante presurizado y recalibrar controles HVAC para racks NVIDIA Blackwell de alta densidad. El tráfico fue desviado para otras zonas. Pero clientes sin arquitectura Multi-AZ enfrentaron downtime prolongado. A las 13:50 del día 8, el sistema de refrigeración fue estabilizado. La mayoría de las instancias fue restaurada. Algunas quedaron afectadas.
Qué eso revela sobre infraestructura cloud
Una única zona de disponibilidad en una única región puede derribar operaciones financieras globales. Coinbase dijo que sus sistemas fueron proyectados para soportar falla de zona única. Pero el incidente se agravó cuando las fallas se esparcieron por múltiples zonas.
Arquitectura Multi-AZ no es opcional. Es supervivencia. Es la misma aritmética de punto único de falla que la cascada de Nichirei en la cold chain mostró en cadena de frío: el incidente nace pequeño y vive donde la redundancia es nombrada pero no testeada.
El detalle que nadie destaca
Los racks NVIDIA Blackwell de alta densidad térmica están cambiando la física de los data centers. Más GPU por rack es más calor por metro cuadrado, es más riesgo de evento térmico. La infraestructura de refrigeración de data centers no fue proyectada para la densidad térmica que los workloads de IA exigen.
El evento térmico de AWS puede ser el primero de muchos a medida que los clusters GPU escalan. Es la frontera física que ya apareció en la compra de usinas por la IA y en la fila eléctrica de Texas: la escala de la IA está cobrando la física, y la física está cobrando con downtime.
Conclusión
Cloud no es magia. Es hardware. Hardware calienta. Y cuando calienta demasiado, la automatización apaga todo para proteger el silicio.
Si tu operación depende de una única zona en una única región, estás a un chiller roto de quedar fuera del aire. Multi-AZ, Multi-Region, chaos engineering. No son best practices. Son arquitectura de supervivencia. En Tech86, diseñamos arquitecturas que sobreviven a eventos térmicos, porque hardware falla. La arquitectura no debería.