Coreografía: incident response con copiloto

Tres de la madrugada, PagerDuty dispara. El checkout está devolviendo error 500 para 12% de los pedidos, y todo el equipo despierta tratando de entender qué cambió en las últimas dos horas. Antes esto era rebuscar en Datadog, Grafana y el log del servicio de pago uno por uno, casi cuarenta minutos solo para armar la línea de tiempo antes de siquiera considerar una causa. Hoy pegas los logs de los tres servicios en la IA y, en menos de dos minutos, devuelve una timeline con el horario de cada error, el deploy que salió a las 2h48 y la versión anterior estable. También sugiere, con la misma confianza de siempre, que la causa es una migración de base de datos que corrió al mismo tiempo. Solo que esa migración ya había corrido la semana pasada sin ningún problema, y eres tú, el incident commander, quien necesita notarlo antes de decidir el rollback.

Un cliente amenaza rescindir un contrato de suministro alegando incumplimiento de SLA contractual, y tienes 48 horas para armar la defensa. Le pides a la IA que cruce el historial de entregas con el texto del contrato, y señala, con tono seguro, que el SLA contractual era del 95% y ustedes entregaron 93%, favoreciendo al cliente. El contrato real definía 90% como meta, no 95%, un número que la IA sacó de un contrato modelo genérico, no del documento firmado real. Verificar la cláusula original antes de aceptar esa lectura evita ceder en un punto que legalmente no existe.

La encuesta de clima del área comercial cayó 15 puntos en el eje de reconocimiento, y RRHH quiere una explicación para el viernes. Le pides a la IA que cruce la encuesta con datos de rotación y de ascensos de los últimos dos trimestres, y arma rápido una timeline de eventos y señala, convencida, que la causa fue el congelamiento de ascensos en marzo. Los ascensos no estaban congelados, el proceso solo se volvió más lento por un nuevo comité de calibración. Eres tú, mirando el proceso de cerca, quien nota la diferencia antes de anunciar una causa equivocada a todo el equipo.

La retención en D7 de una feature nueva se derrumba 25% un martes cualquiera, sin ningún anuncio de cambio. Le pides a la IA que cruce los eventos del producto con el changelog de deploys de la semana, y arma la timeline rápido, señalando un experimento de A/B testing como causa probable, con la misma confianza de siempre. El experimento efectivamente corrió ese día, pero afectaba solo al 5% de los usuarios, no al 25% que cayó. La causa real era un bug de caché que nadie había vinculado al experimento. Te corresponde a ti cruzar el porcentaje antes de cerrar la causa y escribir el informe para el equipo de producto.

El pipeline del mes se derrumba 18% en una semana, y el director comercial quiere saber el motivo antes de la reunión de forecast. Le pides a la IA que cruce el CRM con el calendario de feriados y el historial de estacionalidad, y señala, segura, que la caída es estacionalidad normal de fin de trimestre. Solo que, mirando de cerca, tres vendedores se fueron del equipo en las últimas dos semanas, y es ese detalle el que explica la caída de verdad, no la estacionalidad. Eres tú quien cruza las dos señales antes de llevar una causa equivocada a la reunión que decide la meta del próximo mes.

El SLA de entrega se derrumba de 96% a 81% en una sola semana, y el panel de Zendesk muestra reclamos subiendo rápido. Le pides a la IA que cruce el tiempo de cada etapa de la operación con el volumen procesado, y señala, con total confianza, que el cuello de botella está en el centro de distribución principal. El centro de distribución estaba normal; el retraso venía de una transportadora nueva, contratada hace diez días, que todavía no tenía la ruta calibrada. Confirmar esto en el sistema de rastreo, antes de culpar al centro equivocado, es trabajo tuyo.

Un informe automático de cumplimiento enciende un control de LGPD como reprobado, días antes de una auditoría externa. Le pides a la IA que investigue el origen, cruzando el log de acceso con la política vigente, y concluye, segura, que el problema es falta de consentimiento registrado. El consentimiento estaba registrado, solo que en un campo con nombre distinto al que el script de verificación esperaba. Eres tú, abriendo el registro original, quien evita reportar un incidente de LGPD que no existe al comité de riesgo.

La tasa de finalización del flujo de registro cae 12 puntos después de un rediseño, y el equipo de producto quiere entender por qué antes del próximo sprint. Le pides a la IA que cruce las sesiones grabadas con el changelog del flujo, y señala, confiada, que el campo de contraseña es el punto de abandono. Las sesiones muestran que el abandono ocurre, en realidad, en la etapa anterior, de verificación de correo, que nadie había marcado como sospechosa. Revisar las sesiones de cerca, en vez de aceptar la primera suposición, es lo que evita rediseñar el campo equivocado.

Martes por la mañana, el directorio pregunta por qué la expansión al mercado del Sur se salió del presupuesto en 30%, y tienes hasta la tarde para explicarlo. Le pasas los informes financieros de la unidad de negocio a la IA, que arma una timeline de gasto mes a mes en minutos y señala, con total seguridad, que el exceso vino del costo de medios pagos. El costo de medios pagos, en realidad, se mantuvo dentro de lo previsto; el exceso vino de una consultoría contratada que la IA no separó bien en la planilla. Antes de llevar esa causa al directorio, eres tú quien verifica línea por línea y corrige la lectura, porque una causa equivocada en ese nivel se vuelve una decisión equivocada sobre toda la unidad.