La Performance Factory de OpenAI usa agentes Codex con revisión de pares adversarial para investigar problemas de rendimiento en ChatGPT
Puntos clave
- •La Performance Factory de OpenAI usa agentes de código Codex para automatizar investigaciones de regresiones de rendimiento en ChatGPT, con un promedio de 17 investigaciones automatizadas al día.
- •El flujo de trabajo multiagente abarca la gestión de alertas, la investigación forense, la revisión de pares adversarial y la verificación posterior al despliegue, con los ingenieros humanos manteniendo la aprobación final sobre lo que se publica.
- •En algo más de tres meses, el sistema completó más de 1.700 investigaciones, identificó causas raíz en más de 600 casos y llevó a alrededor de 400 correcciones propuestas.
- •Solo 15 correcciones fueron pull requests escritos exactamente por Codex, y unas 50 más fueron influidas por sugerencias de los agentes, lo que indica que el sistema mayormente acelera el trabajo de ingeniería humano en lugar de reemplazarlo.
- •Aproximadamente el 25% de los diagnósticos de los agentes Codex son cuestionados mediante un proceso de revisión de pares adversarial, que sirve como capa integrada de control de calidad antes de actuar sobre las correcciones.

OpenAI ha construido un sistema interno que entrega a los agentes de IA uno de los trabajos menos glamorosos de la ingeniería de software. El sistema, conocido como Performance Factory, utiliza agentes de código Codex para rastrear problemas de rendimiento en ChatGPT, ejecutando un promedio de 17 investigaciones automatizadas de rendimiento al día, mientras los ingenieros humanos mantienen la aprobación final sobre lo que se publica.
OpenAI anunció el sistema el 19 de noviembre de 2026, mediante un informe de VentureBeat y un hilo en su cuenta @OpenAIDevs en X. La propuesta es directa: dejar que los agentes se encarguen del tedioso trabajo forense, y que los humanos tomen la decisión final.
Qué hace la Factory
En software, una regresión de rendimiento ocurre cuando un cambio hace que un sistema sea más lento o menos confiable que antes. Tradicionalmente, identificar una significa que un ingeniero revisa registros a mano. OpenAI afirma que la Performance Factory reemplaza gran parte de ese análisis manual de registros con un flujo de trabajo automatizado. Las alertas activan el proceso, y el trabajo se ejecuta en sesiones basadas en la nube.
El sistema coordina varios agentes en etapas distintas, que incluyen la gestión de alertas, la realización de investigaciones forenses detalladas, la conducción de revisiones de pares y la verificación de si las correcciones realmente funcionaron después del despliegue.
Las cifras hasta ahora
En algo más de tres meses, la Performance Factory ha completado más de 1.700 investigaciones. De ellas, los agentes identificaron causas raíz en más de 600 casos. Alrededor de 400 de esos casos con causa raíz llevaron a correcciones propuestas.
La proporción de correcciones escritas enteramente por máquinas es mucho menor. Solo 15 fueron pull requests escritos exactamente por Codex, es decir, cambios de código que los agentes redactaron y que se incorporaron tal como fueron escritos. Las sugerencias de los agentes influyeron en otras 50 correcciones aproximadamente, con resultados de Codex que orientaron a los ingenieros en la dirección correcta aunque los humanos hicieron la redacción final.
También existe una capa de control de calidad: aproximadamente el 25% de los diagnósticos que producen los agentes Codex son cuestionados mediante un proceso de revisión de pares adversarial.
Por qué OpenAI lo construyó así
El diseño refleja un cambio más amplio en cómo OpenAI utiliza Codex. En lugar de pedir a los agentes que generen un bloque único de código a petición, la empresa los encadena en flujos de trabajo integrados que abordan dolores operativos recurrentes.
OpenAI también es explícita en que los humanos siguen en el ciclo. Los ingenieros mantienen la aprobación final sobre lo que se publica. Los agentes investigan y proponen, pero no reciben las llaves del edificio.
Ese equilibrio se refleja en los datos. La brecha entre aproximadamente 400 correcciones propuestas y 15 pull requests escritos exactamente por Codex sugiere que el sistema mayormente acelera el trabajo humano en lugar de reemplazarlo.
Qué significa esto para los equipos de ingeniería
Más de 1.700 investigaciones en algo más de tres meses es un volumen que agotaría a un equipo humano, especialmente para alertas que podrían resultar no ser nada. El embudo se estrecha en cada etapa: las investigaciones se reducen a causas raíz, las causas raíz se reducen a correcciones propuestas, y solo una fracción se convierte en código escrito puramente por agentes.
El paso de revisión adversarial, con aproximadamente el 25% de los diagnósticos recibiendo objeciones, es un reconocimiento de que el resultado de los agentes todavía necesita verificación antes de que alguien actúe sobre él. La etapa de verificación posterior al despliegue existe para detectar diagnósticos seguros pero erróneos, que pueden desperdiciar tiempo tan fácilmente como ahorrarlo.
OpenAI está efectivamente usando su propio producto para operar su propio producto. Cada investigación funciona también como una prueba de estrés de Codex en un entorno exigente y real.
Esas cifras publicadas también le dan a los equipos fuera de OpenAI una línea base concreta para evaluar las afirmaciones sobre ingeniería asistida por agentes, y la cifra que vale la pena observar es la proporción de correcciones propuestas que llegan como pull requests escritos exactamente por agentes — una medida reportada directamente de dónde se sitúa actualmente la frontera entre el trabajo del agente y el humano en un sistema de producción.
Este artículo se basa en el reportaje de CryptoBriefing, editado por Diego Almada Lopez.