Runbook de guardia on-call de TI: escalado y relevo

Una guardia necesita límites y contexto

Una persona de guardia no debería tener que descubrir durante una interrupción qué servicio está afectado, quién puede autorizar una acción o cuándo pedir ayuda. El runbook convierte alertas conocidas en pasos seguros y define cómo transferir la responsabilidad entre turnos. La guía de Google SRE sobre trabajo on-call destaca responsabilidades, lectura del relevo, mitigación inicial y playbooks asociados a alertas; adapta sus prácticas al tamaño y al riesgo de cada organización.

Ficha del servicio

Antes de activar la rotación, completa:

Campo	Valor a documentar
Servicio y propietario	Nombre, responsable de negocio y responsable técnico
Cobertura	Horario, calendario, respaldo y método de contacto
Alcance	Sistemas cubiertos y límites del equipo de guardia
Severidad	Impacto, urgencia, usuarios y criterio para cada nivel
Escalado	Segundo nivel, proveedor, dirección y autoridad de decisión
Acciones seguras	Diagnóstico, mitigaciones autorizadas y acciones prohibidas
Relevo	Canal, formato, asuntos abiertos y confirmación de recepción

Secuencia de respuesta

1. Validar la señal: consulta alerta, servicio afectado, hora, tendencia y cambios recientes. Evita reiniciar componentes solo para silenciar el monitor.
2. Determinar impacto: registra usuarios, procesos, sedes y degradación. Comunica incertidumbre con claridad.
3. Mitigar dentro de autorización: sigue el playbook; si no aplica o aumenta el riesgo, detente y escala.
4. Coordinar: asigna una persona responsable del incidente, una de comunicaciones y especialistas según necesidad.
5. Actualizar: informa qué cambió, qué sigue afectado y cuándo será el siguiente aviso.
6. Cerrar o transferir: verifica recuperación con señales del servicio, registra acciones y entrega asuntos pendientes al siguiente turno.

Plantilla de relevo

Servicio / incidente:
Estado y severidad actual:
Impacto confirmado y pendiente de confirmar:
Últimas acciones y resultado:
Riesgos o cambios activos:
Próxima acción / responsable / plazo:
Personas notificadas y siguiente actualización:
Enlaces a ticket, panel y runbook:

Define un límite de tiempo o condición para escalar, una cobertura secundaria y un mecanismo para detener la rotación si falta capacidad. Revisa carga y falsos positivos de manera periódica; una guardia sostenible no depende de disponibilidad indefinida. Tras un incidente mayor, usa la plantilla de postmortem SRE y actualiza la preparación operativa del servicio.