Pubblicato il 18 Novembre 2026 · di Ismail Nasry
In breve: Un post-mortem collega l'analisi di un incidente a correzioni concrete. Come ricostruire i fatti, assegnare le azioni e verificarne l'efficacia, anche in un piccolo team.
Il servizio è tornato disponibile. L’urgenza è rientrata. Resta da capire che cosa cambiare. L’obiettivo è rendere il prossimo guasto meno probabile o meno dannoso. Chiudere l’incidente e chiudere il lavoro che ne deriva sono due decisioni diverse. Un post-mortem software serve a collegarle.
Il suo valore si misura nelle correzioni che il team riesce a mettere alla prova, oltre che nella qualità del resoconto.
Ricostruire ciò che si sapeva durante l’incidente
Il post-mortem è un documento condiviso. Descrive l’impatto e l’ordine degli eventi. Spiega che cosa ha contribuito al guasto e quali interventi seguiranno.
L’approccio senza colpa, o blameless, parte dalle informazioni disponibili a chi ha agito. Il capitolo dedicato del libro SRE di Google invita a cercare le condizioni che hanno reso possibile l’errore.
Scrivere “il tecnico ha sbagliato comando” lascia aperte le domande utili. Quale risultato si aspettava? L’ambiente era riconoscibile? Quali segnali potevano far prevedere effetti più ampi?
Evitare il giudizio sulla persona aiuta a descrivere le sue scelte con cura. La responsabilità sul lavoro futuro resta esplicita. Qualcuno dovrà seguire ogni correzione.
La timeline, cioè l’ordine degli eventi nel tempo, dà una base a questo confronto. Le indicazioni di Salesforce Architects distinguono il primo segnale, il rilevamento, la presa in carico, gli interventi e la verifica del ripristino. Separare questi passaggi aiuta a capire dove si è perso tempo.
Per ciascun evento, annotare l’orario con il fuso e ciò che si poteva osservare. Aggiungere la prova disponibile: un log, un allarme, una modifica o un messaggio.
Distinguere i fatti dalle ipotesi. Se manca una prova, registrare il dubbio. Va poi assegnata la verifica. Una ricostruzione plausibile non basta a dimostrare che un evento ne abbia causato un altro.
Anche il danno va descritto in base a ciò che si sa. Un errore nei log non dimostra da solo quanti utenti siano stati bloccati. Se i dati sono incompleti, dichiarare il limite. Non ricavarne stime prive di basi.
Il guasto iniziale e le condizioni che lo amplificano
La ricerca di una causa unica può fermare l’analisi troppo presto.
Conviene distinguere l’evento che ha innescato il problema dai fattori che ne hanno esteso gli effetti. Altri fattori possono aver rallentato la risposta. Questa distinzione compare anche nelle indicazioni di Salesforce.
Consideriamo uno scenario interamente ipotetico. Un team modifica una configurazione. Da quel momento alcune richieste falliscono. La verifica automatica controlla soltanto che il processo sia attivo. Per questo resta verde. Il team scopre il problema da una segnalazione. Ripristina la configurazione precedente e verifica che le richieste tornino a buon fine.
In questo scenario, la modifica è l’innesco. Il controllo non mette alla prova la funzione che si è rotta. Per questo non rileva il guasto. Se la procedura di ripristino fosse nota solo a una persona, anche questo modo di lavorare andrebbe esaminato. Correggere la configurazione risolve quel guasto. Resta da capire come scoprire prima il difetto e limitarne gli effetti. Va anche reso possibile il ripristino da parte di altri. Tenerle separate evita di chiedere a un solo intervento di risolvere ogni debolezza.
Vale la pena annotare anche ciò che ha funzionato e ciò che è dipeso dalla fortuna. Nello scenario, un ripristino documentato sarebbe una capacità da conservare. La presenza casuale dell’unica persona esperta sarebbe invece un limite da affrontare.
Ogni correzione deve avere una prova di completamento
“Migliorare il monitoraggio” indica una direzione, ma lascia indefinito il lavoro. Il Site Reliability Workbook di Google raccomanda azioni concrete, con priorità e un responsabile. Ogni azione deve avere un riferimento nel sistema che tiene traccia del lavoro e un risultato verificabile.
Per rendere un’azione gestibile, conviene registrare:
- Il cambiamento atteso: quale condizione emersa nell’analisi deve cambiare.
- Il responsabile: una persona che segue il lavoro, anche se coinvolge più collaboratori.
- La priorità e la scadenza concordata: quando intervenire e quali dipendenze risolvere.
- La prova di completamento: come dimostrare che il cambiamento è stato realizzato.
Nello scenario ipotetico, un’azione potrebbe essere introdurre un controllo che esegua la richiesta interessata. In caso di errore, il controllo dovrebbe inviare un avviso a un canale seguito dal team. Per chiudere il lavoro servirebbe un test controllato del guasto. Andrebbe anche confermato che il segnale arrivi a chi deve intervenire.
Un’altra azione potrebbe riguardare il ripristino. Il team aggiorna la procedura. Un collega che non l’ha scritta la esegue in un ambiente di prova. I passaggi ambigui emersi nella prova diventano correzioni al documento.
Sono due interventi con scopi diversi. Il primo riguarda la scoperta del problema. Il secondo la capacità di recupero. Nessuno dei due dimostra, da solo, che la configurazione errata non possa più arrivare in produzione.
Un’attività chiusa non dimostra ancora l’efficacia
Per le correzioni più rilevanti, proporre una verifica ulteriore. Quale comportamento ci aspettiamo se si ripresenta una condizione simile? Deciderlo prima evita di considerare sufficiente il solo rilascio della modifica.
Nel nostro esempio, il controllo potrebbe funzionare nel test e produrre poi troppi avvisi inutili. La verifica successiva dovrebbe quindi esaminare anche se il segnale resta utilizzabile. Il team può fissare una data per rivedere l’esito in base al rischio. Va scelto un periodo che offra dati utili da osservare.
L’assenza di nuovi incidenti, da sola, non prova che la correzione funzioni. Potrebbe non essersi ripresentata la condizione che aveva causato il guasto.
Un test mirato offre una prova limitata. Registrare che cosa copre e che cosa resta fuori.
Se una correzione viene rinviata, lasciare visibile il rischio che resta. Indicare chi accetta il rinvio e quando riesaminarlo. Per un piccolo team è più utile scegliere pochi interventi che riesca a portare a termine. Assegnare scadenze serve a poco se manca il tempo per rispettarle.
Quanto approfondire, anche quando il danno è stato evitato
L’analisi ha un costo. Le linee guida di Google Cloud sui post-mortem invitano a decidere in anticipo quali eventi richiedono un’analisi. Richiamano, tra gli altri, perdite di dati, problemi di monitoraggio e interventi di ripristino. Invitano anche a valutare il rischio prima di aggiungere soluzioni complesse. Per un piccolo team, può bastare una nota breve per un evento noto e ben contenuto. Serve un’analisi più a fondo quando il comportamento è nuovo, il recupero è incerto o la stessa debolezza ricompare.
Conviene includere anche i quasi-incidenti: eventi nei quali il danno è stato evitato. Il criterio proposto è chiedersi da che cosa sia dipeso. Un controllo ha fermato l’operazione come previsto? Oppure qualcuno ha notato per caso un segnale che il sistema ignorava?
Nel primo caso c’è una protezione da comprendere e mantenere. Nel secondo c’è una fragilità da valutare anche senza un disservizio.
Prima di archiviare l’analisi, il tech lead dovrebbe poter indicare quale rischio resta aperto. Dovrebbe anche chiarire quale prova servirà per riesaminarlo. È una decisione tecnica che il prossimo turno di lavoro deve poter ritrovare.

