ActualitésMacroLa Performance Factory d'OpenAI utilise des agents Codex pour enquêter sur les problèmes de performance de ChatGPT

La Performance Factory d'OpenAI utilise des agents Codex pour enquêter sur les problèmes de performance de ChatGPT

Auteur: CryptoBriefing·

Points clés

  • •La Performance Factory d'OpenAI utilise des agents de codage Codex pour automatiser les enquêtes sur les régressions de performance de ChatGPT, avec une moyenne de 17 enquêtes automatisées par jour.
  • •Le flux de travail multi-agents couvre la gestion des alertes, l'enquête forensique, la revue par les pairs adversariale et la vérification post-déploiement, les ingénieurs humains conservant l'approbation finale des livraisons.
  • •En un peu plus de trois mois, le système a réalisé plus de 1 700 enquêtes, identifié des causes racines dans plus de 600 cas et conduit à environ 400 correctifs proposés.
  • •Seuls 15 correctifs étaient des pull requests rédigées exactement par Codex, et environ 50 autres ont été influencés par les suggestions des agents, ce qui indique que le système accélère surtout le travail d'ingénierie humain plutôt qu'il ne le remplace.
  • •Environ 25 % des diagnostics des agents Codex sont contestés via un processus de revue par les pairs adversariale, servant de couche de contrôle qualité intégrée avant toute action sur les correctifs.
La Performance Factory d'OpenAI utilise des agents Codex pour enquêter sur les problèmes de performance de ChatGPT

OpenAI a mis au point un système interne qui confie à des agents d'IA l'une des tâches les moins valorisantes de l'ingénierie logicielle. Ce système, appelé Performance Factory, utilise des agents de codage Codex pour traquer les problèmes de performance de ChatGPT, en exécutant en moyenne 17 enquêtes de performance automatisées par jour, tandis que les ingénieurs humains conservent l'approbation finale de ce qui est livré.

OpenAI a annoncé le système le 19 novembre 2026, via un rapport de VentureBeat et un fil sur son compte @OpenAIDevs sur X. Le principe est simple : laisser les agents gérer le travail forensique fastidieux, et laisser les humains prendre la décision finale.

Ce que fait la Factory

En informatique, une régression de performance survient lorsqu'une modification rend un système plus lent ou moins fiable qu'auparavant. Traditionnellement, l'identifier signifie qu'un ingénieur passe les journaux au peigne fin à la main. OpenAI indique que la Performance Factory remplace une grande partie de cette analyse manuelle des journaux par un flux de travail automatisé. Les alertes déclenchent le processus, et le travail s'exécute dans des sessions basées dans le cloud.

Le système coordonne plusieurs agents à travers des étapes distinctes, notamment la gestion des alertes, la réalisation d'enquêtes forensiques détaillées, la conduite de revues par les pairs et la vérification de l'efficacité réelle des correctifs après le déploiement.

Les chiffres à ce jour

En un peu plus de trois mois, la Performance Factory a réalisé plus de 1 700 enquêtes. Sur celles-ci, les agents ont identifié une cause racine dans plus de 600 cas. Environ 400 de ces cas avec cause racine ont conduit à des correctifs proposés.

La part des correctifs rédigés entièrement par les machines est bien plus faible. Seulement 15 étaient des pull requests rédigées exactement par Codex, c'est-à-dire des modifications de code que les agents ont rédigées et qui ont été intégrées telles quelles. Les suggestions des agents ont influencé environ 50 autres correctifs, la sortie de Codex orientant les ingénieurs dans la bonne direction même si les humains ont effectué la rédaction finale.

Il existe également une couche de contrôle qualité : environ 25 % des diagnostics produits par les agents Codex sont contestés via un processus de revue par les pairs adversariale.

Pourquoi OpenAI l'a conçue ainsi

Cette conception reflète une évolution plus large dans la manière dont OpenAI utilise Codex. Plutôt que de demander aux agents de générer un bloc de code unique à la demande, l'entreprise les enchaîne dans des flux de travail intégrés qui s'attaquent aux problèmes opérationnels récurrents.

OpenAI précise également que les humains restent dans la boucle. Les ingénieurs conservent l'approbation finale de ce qui est livré. Les agents enquêtent et proposent, mais ils n'obtiennent pas les clés du bâtiment.

Cet équilibre se reflète dans les données. L'écart entre les quelque 400 correctifs proposés et les 15 pull requests rédigées exactement par Codex suggère que le système accélère surtout le travail humain plutôt qu'il ne le remplace.

Ce que cela signifie pour les équipes d'ingénierie

Plus de 1 700 enquêtes en un peu plus de trois mois représentent un volume qui mettrait à rude épreuve une équipe humaine, en particulier pour des alertes qui peuvent s'avérer sans objet. L'entonnoir se resserre à chaque étape : les enquêtes se réduisent aux causes racines, les causes racines aux correctifs proposés, et seule une infime partie devient du code rédigé purement par des agents.

L'étape de revue adversariale, avec environ 25 % des diagnostics contestés, constitue une reconnaissance du fait que la sortie des agents doit encore être vérifiée avant que quiconque n'agisse en conséquence. L'étape de vérification post-déploiement existe pour détecter les diagnostics assurés mais erronés, qui peuvent faire perdre du temps aussi facilement qu'ils en font gagner.

OpenAI utilise en réalité son propre produit pour faire tourner son propre produit. Chaque enquête constitue également un test de résistance de Codex dans un environnement exigeant et réel.

Ces chiffres publiés donnent également aux équipes extérieures à OpenAI une base concrète pour évaluer les affirmations sur l'ingénierie assistée par agents, et le chiffre à surveiller est la part des correctifs proposés qui aboutissent en pull requests rédigées exactement par des agents — une mesure directement rapportée de la position actuelle de la frontière entre travail des agents et travail humain dans un système de production.

Cet article est basé sur un reportage de CryptoBriefing, édité par Diego Almada Lopez.