La automatización falló en silencio. Un latido la delata
automation 9 de noviembre de 2026 · Mintec

La automatización falló en silencio. Un latido la delata

Casi ninguna automatización falla con un error: se detiene. Un build de referencia con latido, cola de fallidos y control de profundidad, y los tiempos medidos.

Casi ninguna automatización falla con un error. Se detiene, y todo lo que está aguas arriba sigue aceptando trabajo que nunca se va a completar. La primera persona que lo nota suele ser un cliente, días después. La forma más barata de cerrar esa brecha no es manejar mejor los errores. Es una señal de vida: una escritura de latido, una rama de mensajes fallidos y un control de profundidad de cola, cada una conectada a una alerta. En un build de referencia que ejecutamos para este artículo, un proceso detenido se detectó en tres segundos. Sin el latido, seguía invisible cuando dejamos de mirar.

Ese es todo el argumento, y es pequeño a propósito. El manejo de errores te dice qué pasó con un mensaje que ya conoces. El latido te dice que la cosa que debía procesar mensajes ya no está.

El fallo que no produce ningún error

Imagina la versión corriente. Un proceso muere a las 02:14. El webhook sigue devolviendo 202 Accepted, porque la cola recibió el mensaje y la cola está haciendo su trabajo. El tablero sigue en verde, porque nada lanzó una excepción. El formulario del sitio sigue diciendo que alguien se pondrá en contacto. Durante tres días, cada lead cae en una tabla que nadie lee.

Nada de esa historia es un error de la cola. La cola entregó exactamente lo que prometió: almacenamiento durable. El error es haber tratado "el mensaje fue aceptado" como "el trabajo va a ocurrir".

La reacción habitual es agregar más manejo de errores al proceso. Eso ayuda con los mensajes que fallan mientras se procesan. No hace nada por un proceso que no está corriendo, porque un proceso detenido no lanza excepciones. Tampoco hace nada por un consumidor que corre pero está trabado, que es la forma más común en producción.

Tu plataforma ya reintenta. Eso no es monitoreo.

Casi todos los productos de colas reintentan un mensaje fallido unas cuantas veces y después toman una decisión. La decisión es la parte que hay que leer.

Cloudflare Queues usa tres reintentos por consumidor por defecto. Si no hay una cola de mensajes fallidos configurada, la documentación es directa: los mensajes que fallan repetidamente "eventualmente se descartan". Descartados significa sin registro, sin conteo, sin alerta. El ciclo de reintentos parece salud mientras dura, y después el mensaje desaparece.

Amazon SQS se comporta en la misma familia. Se adjunta una política de redirección con un maxReceiveCount; los mensajes que lo superan pasan a una cola de mensajes fallidos. Si esa política nunca se configura, el mensaje circula hasta que expira la retención y se pierde. La propia documentación de AWS recomienda una alarma sobre la cola de fallidos, que es la admisión silenciosa de que la cola por sí sola es almacenamiento, no una señal.

Temporal plantea lo mismo desde otro ángulo. Su timeout de Schedule-To-Start, que limita cuánto puede esperar una tarea antes de que un proceso la tome, viene en infinito por defecto. La documentación recomienda vigilar la métrica de latencia de schedule-to-start en lugar de confiar en el timeout, porque una flota de procesos que nunca arranca una tarea no produce una tarea fallida. No produce nada.

El patrón se repite entre proveedores: los reintentos son un mecanismo de entrega, no un mecanismo de observabilidad. Protegen el mensaje. No dicen nada sobre si alguien lo va a mirar alguna vez.

Tres señales, tres preguntas distintas

El error que veo más seguido es instrumentar una de estas tres y llamar al flujo "monitoreado". Responden preguntas diferentes y fallan de maneras diferentes.

SeñalLa pregunta que respondeLo que no puede decirte
Vida (latido)¿El proceso está vivo y ciclando?Si está haciendo trabajo útil
Fallo terminal (cola de fallidos)¿Un mensaje agotó sus reintentos?Si algún mensaje llegó a existir
Throughput (profundidad o antigüedad de cola)¿El trabajo se está moviendo?Si la cola está vacía porque nada produce

El latido es la única que atrapa un proceso muerto. La rama de fallidos es la única que conserva el payload de un mensaje que falló. La profundidad o la antigüedad es la única que atrapa a un proceso que sigue vivo, sigue latiendo y consume demasiado lento.

Healthchecks.io describe el chequeo de vida de la forma más limpia que he visto: se define un período (el tiempo esperado entre pings) y un margen de gracia (cuánto esperar antes de declararlo tardío). Es exactamente la aritmética que necesita una alerta de latido. También deja explícito el tradeoff: un período corto detecta rápido y te despierta por jitter normal; un período largo es silencioso y lento. No existe una configuración que sea las dos cosas.

Lo que medimos

Para no discutir desde la intuición, armamos la versión más pequeña del patrón y la rompimos a propósito. El build fue una implementación local de referencia: una cola sobre SQLite, un bucle de consumo, una llamada downstream que podía devolver 500 y un monitor que consultaba cada 250 ms. El latido se escribía cada segundo y alertaba a los tres latidos perdidos. Los reintentos usaban una espera de 0, 1, 2 y 4 segundos; después el mensaje pasaba a la tabla de fallidos. Cada escenario corrió dos veces en la misma máquina; los tiempos están redondeados a una décima de segundo.

Falla inyectadaProtección activaTiempo hasta la alertaLa misma falla, sin protección
Proceso detenidoLatido, 3 latidos perdidos3,0 sSin alerta en la ventana de 12 s
Downstream devolvió 5004 intentos y cola de fallidos7,3 sSin alerta; mensaje descartado tras los reintentos
Consumidor mucho más lento que las llegadasProfundidad de cola ≥ 57,3 sSin alerta; la cola siguió creciendo

El número que importa no es 3,0 segundos. Es la columna de la derecha. En el build sin protección, ninguna de las tres fallas produjo señal alguna. Un proceso detenido y un proceso con la cola vacía son indistinguibles desde afuera, que es justo la razón por la que "no hay errores en los logs" es una afirmación tan débil.

Los 7,3 segundos del caso 500 también hay que leerlos bien. No son velocidad de detección: son la duración del calendario de reintentos antes de que la plataforma se rinda. La rama de fallidos no hizo que la falla ocurriera más rápido. Hizo que fuera visible en el momento en que la plataforma ya había decidido abandonar el mensaje.

El build más pequeño que funciona

No necesitas un equipo de plataforma. Necesitas cuatro registros y un monitor.

  1. Una cola de trabajo con un contador de intentos por mensaje.
  2. Una fila de latido que el proceso escribe a intervalo fijo, idealmente con el nombre del flujo y la identidad del proceso.
  3. Un registro de fallidos que se escribe al agotar los intentos, con el payload original, el último error y una marca de tiempo.
  4. Un monitor que lea los tres y haga tres comparaciones: latido más viejo de lo permitido, algún registro nuevo en fallidos, profundidad o antigüedad por encima del umbral.

Los parámetros importan menos que el hecho de dejarlos escritos. Un punto de partida que aguantó la prueba:

intervalo de latido      1 s
alerta tras              3 latidos perdidos
intervalo del monitor    250 ms
espera de reintentos     0, 1, 2, 4 s
a fallidos tras          4 intentos
umbral de backlog        5 mensajes esperando

Dos reglas separan un control de un adorno. Primera: la alerta debe nombrar el flujo y la falla. "Cola trabada" no es accionable a las 3 de la mañana; "el consumidor de leads no late desde hace 4 minutos, 12 mensajes esperando" sí. Segunda: cada alerta necesita un dueño con nombre y una ruta de reproceso para el registro fallido. Una cola de fallidos que nadie drena es una lápida con mejor marketing.

Rómpelo antes de confiar en él

Una alerta que nunca viste disparar es una esperanza, no un control. La prueba de aceptación son las mismas tres inyecciones, hechas a propósito y en este orden:

  • Detén el proceso. Mide cuánto tarda en llegar la alerta. Debe ser el umbral del latido más un intervalo del monitor, no "en algún momento".
  • Haz que el downstream devuelva 500. Confirma que el mensaje llega al registro de fallidos con su payload intacto y que la alerta se dispara una vez, no una vez por reintento.
  • Baja la velocidad del consumidor por debajo de la tasa de llegada. Confirma que el control de profundidad o antigüedad se dispara mientras el latido sigue en verde. Este es el caso que un chequeo de vida solo nunca va a ver.

Después corre el control aburrido: un período tranquilo con tráfico normal. Si la alerta se dispara ahí, el umbral está mal, y un control ruidoso se silencia en una semana.

Lo que esto todavía no detecta

El patrón es pequeño a propósito, así que tiene bordes. Un latido escrito por un planificador en lugar del consumidor demuestra que el planificador está vivo, no el proceso. Un webhook que falla antes de encolar nunca crea un mensaje, así que ninguna métrica de cola lo va a ver; eso necesita una tasa de éxito del lado del productor. Un registro de fallidos protege el payload pero no dice nada del cliente que estaba esperando. Y todo umbral es una suposición hasta que hayas medido un día normal.

Ninguno de esos huecos justifica una plataforma más grande. Justifican nombrar el hueco al lado del control, para que la siguiente persona sepa qué significa realmente la luz verde.

La versión del lunes

Elige el flujo donde una parada silenciosa cuesta dinero: enrutamiento de leads, confirmación de pedidos, generación de facturas. Agrega primero la escritura de latido y el monitor, porque es la única parte que atrapa un proceso muerto. Agrega después la rama de fallidos, para que las fallas dejen evidencia. Agrega al final el control de profundidad, porque es el que atrapa la putrefacción lenta. Después rompe las tres cosas y anota los tiempos. Ese número es tu tiempo real de detección, y es el único que vale la pena poner en un reporte de estado.

Si estás operando automatizaciones que responden a clientes y enrutan ingresos, el servicio de Automatización y Chatbots es donde construimos esto. Si ya tienes el flujo y solo quieres la revisión de confiabilidad, empieza aquí. La lectura relacionada es el traspaso de bot a humano, la tarjeta de calidad de chatbots y el arnés de evaluación de agentes. Los tres miran la misma pregunta desde lados distintos: ¿cómo sabes que lo que publicaste sigue haciendo su trabajo?

Preguntas Frecuentes

¿Qué es un latido en una automatización?

Es una marca de tiempo que el proceso escribe a intervalos fijos. Un monitor alerta cuando la marca más reciente es más vieja que el intervalo esperado más un margen de gracia. Responde una sola pregunta: ¿el proceso sigue vivo como para escribir?

¿Una cola de mensajes fallidos detecta cualquier automatización caída?

No. Registra los mensajes que agotaron sus reintentos. No detecta un proceso que dejó de consumir, un webhook que falló antes de encolar el mensaje, ni una cola vacía porque nada está produciendo trabajo.

¿Cada cuánto debe latir?

Más rápido de lo que el negocio tolera el silencio, y más lento que el ruido normal. Empieza por el intervalo más corto que puedas alertar sin falsos positivos y dispara la alerta a los tres latidos perdidos. Un latido por minuto con umbral de tres minutos es un buen punto de partida para enrutar leads.

Artículos Relacionados