ニュースマクロOpenAIのPerformance Factory、敵対的ピアレビュー付きCodexエージェントでChatGPTの性能問題を調査

OpenAIのPerformance Factory、敵対的ピアレビュー付きCodexエージェントでChatGPTの性能問題を調査

著者: CryptoBriefing·

重要ポイント

  • •OpenAIのPerformance Factoryは、Codexコーディングエージェントを使ってChatGPTの性能リグレッション調査を自動化しており、1日平均17件の自動調査を実行している。
  • •マルチエージェントワークフローは、アラート管理、フォレンジック調査、敵対的ピアレビュー、デプロイ後検証に及び、出荷される修正の最終承認は人間のエンジニアが保持している。
  • •3か月余りで1,700件を超える調査を完了し、600件以上のケースで根本原因を特定、約400件の修正案につながった。
  • •正確なCodex作成プルリクエストとして反映されたのは15件のみで、さらに約50件にエージェントの提案が影響しており、このシステムが人間のエンジニアリング作業を代替するのではなく主に加速させていることを示している。
  • •Codexエージェントの診断の約25%は敵対的ピアレビュープロセスで異議を唱えられ、修正が実行される前の組み込み型品質管理レイヤーとして機能している。
OpenAIのPerformance Factory、敵対的ピアレビュー付きCodexエージェントでChatGPTの性能問題を調査

OpenAIは、ソフトウェアエンジニアリングで最も地味な仕事のひとつをAIエージェントに担わせる社内システムを構築した。Performance Factoryと呼ばれるこのシステムは、Codexコーディングエージェントを使ってChatGPTの性能問題を追跡し、1日平均17件の自動性能調査を実行する。出荷される修正の最終承認は人間のエンジニアが保持している。

OpenAIは2026年11月19日、VentureBeatの報道およびX上の@OpenAIDevsアカウントでのスレッドを通じてこのシステムを発表した。狙いはシンプルだ。面倒なフォレンジック作業はエージェントに任せ、最終判断は人間が下すというものである。

Performance Factoryの仕組み

ソフトウェアにおける性能リグレッションとは、変更によってシステムが以前より遅くなったり信頼性が低下したりすることを指す。従来は、エンジニアが手作業でログを掘り起こして特定していた。OpenAIによると、Performance Factoryはこうした手作業のログ分析の大部分を自動化されたワークフローに置き換えるという。アラートがプロセスのきっかけとなり、作業はクラウドベースのセッションで実行される。

このシステムは、アラート管理、詳細なフォレンジック調査の実施、ピアレビューの実行、デプロイ後に修正が実際に機能したかの検証といった複数の異なるステージにわたって、複数のエージェントを調整する。

これまでの数字

3か月余りの期間で、Performance Factoryは1,700件を超える調査を完了した。そのうち、エージェントは600件以上のケースで根本原因を特定した。その根本原因が特定されたケースのうち、約400件が修正案につながった。

機械が完全に記述した修正の割合ははるかに小さい。エージェントが起草したコード変更がそのままの形で取り込まれた、正確なCodex作成のプルリクエストはわずか15件だった。さらに約50件の修正にはエージェントの提案が影響を与えており、最終的な記述は人間が行ったものの、Codexの出力がエンジニアに正しい方向を示していた。

また、品質管理レイヤーも存在する。Codexエージェントが生成する診断の約25%は、敵対的ピアレビュープロセスを通じて異議を唱えられている。

OpenAIがこの設計を選んだ理由

この設計は、OpenAIのCodex活用におけるより大きな転換を反映している。要求に応じて単一のコード片を生成させるのではなく、繰り返し発生する運用上の課題に取り組む統合ワークフローにエージェントを連鎖させているのだ。

OpenAIは、人間がループ内に留まることを明確にしている。出荷されるものに対する最終承認はエンジニアが保持する。エージェントは調査と提案を行うが、建物の鍵は持たされない。

そのバランスはデータにも表れている。約400件の修正案と15件の正確なCodex作成プルリクエストとの差は、このシステムが人間の作業を代替するのではなく、主に加速させていることを示唆している。

エンジニアリングチームにとっての意味

3か月余りで1,700件を超える調査という規模は、特に何もないことが判明する可能性のあるアラートも含めて、人間のチームには負担となるだろう。ファネルは各ステージで絞り込まれる。調査は根本原因に絞られ、根本原因は修正案に絞られ、純粋にエージェントが記述したコードになるのはごく一部だ。

診断の約25%に異議が唱えられる敵対的レビューステップは、誰かが行動に移す前にエージェントの出力がまだ検証を必要としていることの認めるところである。デプロイ後の検証ステージは、時間を節約するのと同じくらい簡単に無駄にしてしまう、自信に満ちた誤った診断を捕捉するために存在する。

OpenAIは事実上、自社製品を使って自社製品を運用している。すべての調査は、要求の厳しい実環境におけるCodexのストレステストを兼ねている。

これらの公表された数字は、OpenAI以外のチームがエージェント支援型エンジニアリングの主張を評価するための具体的な基準も提供する。注目すべき数字は、修正案のうち正確なエージェント作成プルリクエストとして反映される割合であり、これは本番システムにおいて、エージェントと人間の作業の境界線が現在中間に位置することを直接報告する指標である。

この記事はCryptoBriefingの報道に基づき、Diego Almada Lopezが編集した。