Para os milhões de utilizadores que dependem diariamente do ecossistema de produtividade da Microsoft, o apagão que ocorreu na semana passada ficará na memória. Numa altura em que as ferramentas de trabalho recebem constantes inovações e integrações externas, a total dependência da nuvem mostrou a sua face mais frágil. A falha global deitou abaixo os principais serviços da empresa durante praticamente um dia inteiro, gerando de imediato especulações sobre possíveis ataques informáticos ou falhas relacionadas com inteligência artificial. Contudo, a verdadeira causa revelou-se muito mais terrena e técnica. A origem do colapso remonta a uma actualização de software aparentemente inofensiva que carregava um defeito oculto.
O incidente começou a ganhar forma no dia 12 de Novembro e prolongou-se até ao dia 13 de Novembro, afectando severamente a comunicação empresarial à escala global. Segundo avança o XDA Developers, Charles Lamanna, vice-presidente executivo de Copilot, Agentes e Plataforma da Microsoft, utilizou a rede social X para clarificar os eventos. O responsável explicou que um patch implementado em Julho continha um erro de código que passou totalmente despercebido durante os testes iniciais. A equipa de engenharia não detectou o problema porque as avaliações de estabilidade ocorreram em equipamentos mais antigos. O defeito apenas se manifestava em hardware de nova geração equipado com múltiplos núcleos de processamento.
O bloqueio interno e a sobrecarga de recursos
O detalhe técnico por trás desta falha reside num processo interno do sistema operativo dos servidores. O problema central consistiu numa contenção de bloqueio, uma situação onde tarefas concorrentes aguardam pelo acesso a recursos partilhados. Sob condições específicas de tráfego intenso, este estrangulamento esgotou rapidamente a capacidade do processador e da memória das máquinas. Os pedidos de ligação começaram a acumular-se de forma descontrolada até que os servidores deixaram simplesmente de responder. É importante sublinhar que este defeito específico e a respectiva correcção aplicam-se exclusivamente aos servidores de ligação de rede do Microsoft 365, não afectando as instalações gerais do Windows nos computadores dos clientes finais.
A convergência fatal de eventos
O código defeituoso permaneceu inactivo durante mais de três meses, a funcionar globalmente sem apresentar qualquer sintoma visível. No entanto, precisava de um cenário muito específico para despertar, o que acabou por acontecer através de uma infeliz combinação de factores. Cerca de quinze horas antes do colapso total, o tráfego da plataforma Teams falhou no portal de rede alternativo e teve de ser transferido à força para o portal principal, exactamente a mesma infra-estrutura que aloja o Exchange Online. Em simultâneo, 14% da capacidade total dos servidores de rede estava desactivada devido a uma manutenção programada para resolver um problema não relacionado que tinha surgido no dia anterior. A Microsoft garantiu que a capacidade restante seria suficiente num cenário normal, mas a junção destes dois eventos gerou uma carga excessiva.
Esta pressão extrema activou o erro latente de Julho, derrubando o primeiro servidor. A partir desse momento, os mecanismos de recuperação automática da própria Microsoft acabaram por piorar drasticamente a situação. Quando as máquinas falhavam, os sistemas automatizados transferiam imediatamente as ligações activas para outros pontos de acesso saudáveis. Este volume extra de trabalho desencadeou a mesma falha nas novas máquinas, criando um efeito dominó que espalhou a paralisação por várias regiões do globo em menos de duas horas. Uma falha adicional nas barreiras virtuais desenhadas para conter este tipo de incidentes permitiu que o problema se tornasse mundial. No ponto mais crítico da crise, mais de 80% dos servidores encontravam-se totalmente inoperacionais.
More details on the root cause can be found in the Microsoft 365 Admin center, and an abridged version can be found below.
We are deeply sorry for the impact to all our customers and recognize the impact that this has on their normal business & operations.
The incident on Thursday, November 12th, 2026, was caused by three main factors that together caused a global outage for the networking gateway that fronts many Microsoft 365 services.
First, a latent defect caused servers to become overwhelmed and unresponsive under certain load conditions. This was due to lock contention inside an internal process which caused the machine to become unavailable. This defect was the result of a fix that was prepared specifically for Microsoft 365 networking gateway servers; neither the underlying defect nor the fix applies to broader Windows deployments.
The initial change in behavior first started deployment in July of this year. The update went through safe deployment and saturated globally over several weeks, during which time no issues were observed. For more than three months, the change was deployed worldwide without impact.
Our normal load testing did not detect the latent issue because the different traffic and SKU mix used in our test labs. The contention issue is worsened on machines with more cores and newer hardware; whereas our load testing tended to focus on our weaker hardware SKUs with fewer cores.
Second, a surge in load increased the likelihood for the networking gateways to encounter the contention. Within Microsoft 365, we maintain two independent and heterogenous network gateway systems designed for isolation and high availability. This allows many Microsoft 365 services to fail to/from them during outages or disruptions. Approximately fifteen hours before the outage, Teams failed over from the alternative networking gateway to the ‘primary’ gateway that also supports Exchange Online. This increased the load on the networking gateway and changed its traffic patterns. This type of failover is part of normal operations and is integral to standard Microsoft resiliency efforts.
Third, at the same time, nearly 14% of server capacity for the networking gateway was out of service due to an unrelated issue from the previous day. This server capacity was on track to be returned to active service through routine maintenance and health processes. The service had sufficient capacity headroom, so the reduction in server capacity had no impact on its own.
Taken together, the increased load and the reduced server capacity, caused the network gateway to encounter the latent bug from July. This caused requests to build up until servers ultimately stopped responding. This occurred during the peak window of traffic in the United States.
When servers lose connectivity, our traffic management systems automatically route users to other healthy endpoints. This happens often and is critical to avoiding any interruption due to hardware, software, or network defects and is normally what makes the service resilient. However, the redirected traffic increased the likelihood for the same problem to occur on the remaining endpoints. This caused a cascading failure from server to server as the same amount of load was spread across fewer servers. In less than two hours, the previously unknown defect was encountered across our fleet and rendered them unresponsive. At its lowest, more than 80% of servers were unresponsive.
Normally, the network gateway is composed of thousands of ‘capacity units’ which represent shards of capacity, hardware, and networking infrastructure. These ‘capacity units’ are then organized into regions. In this case, due to a separate issue, the normal bulkheads between these different partitions did not stop the cascading failure. This is what allowed the impact to spread across our network gateway infrastructure globally.
Several services like Teams, OneDrive, SharePoint, and Office apps failed out of the faulty network gateway infrastructure. That is why those services were restored earlier, with Teams chats and meetings functioning without issue for most of the outage. But not all services, like Exchange Online, can fail out of this network gateway.
Recovery took longer than usual because as servers returned to service, they were immediately overwhelmed by waiting traffic and became unresponsive again. Our normally automated recovery processes were not designed to restore service from this broad unresponsive state. Additionally, since the main code defect was a latent bug from several months previous, our normal rollback, flighting, and feature flags were unable to quickly revert the change.
After engineers confirmed the defect as the cause, we developed an update that returned the code path to the previously known good state. To effectively apply this fix, and to slowly bring the service online again, we took groups of servers out of service, applied the change, and restarted them before returning them to service. This process was carefully applied to large quantities of infrastructure at a time (e.g. 50%+ of a region).
The final Post-Incident Review (PIR) will provide more details later this week.
— Charles Lamanna (@clamanna) November 16, 2026
A complexa operação de restauro
O processo de recuperação revelou-se um verdadeiro pesadelo logístico para as equipas técnicas. Sempre que os engenheiros reiniciavam um servidor, a imensa fila de tráfego acumulado regressava de imediato, afogando novamente a máquina e provocando uma nova falha instantânea. Plataformas como o Teams, o SharePoint e o OneDrive ainda conseguiram desviar algum do tráfego, mas o Exchange Online, devido à sua escala de operação massiva, não conseguiu alterar as rotas de forma eficaz. A maioria dos utilizadores ficou impossibilitada de aceder às caixas de correio através do Outlook, enquanto muitos outros enfrentaram atrasos severos na entrega de mensagens.
Para resolver a crise em definitivo, os especialistas da gigante tecnológica tiveram de mergulhar no código e desenvolver uma actualização de emergência que devolveu o sistema de gestão de ligações ao seu estado funcional anterior. A estratégia de mitigação obrigou a remover grandes grupos de servidores do serviço activo, aplicar a correcção, reiniciar as máquinas e, só depois, restaurar o tráfego de forma gradual e altamente controlada. Para evitar a perda de dados, a empresa adicionou capacidade extra à rede e prolongou a janela de tempo de entrega de correio electrónico, garantindo que as mensagens retidas nas filas de espera não fossem devolvidas aos remetentes. O relatório final com todos os detalhes da reparação, associado aos incidentes EX1550543 e MO1550821, tem publicação agendada para o dia 20 de Novembro.
