Il 19 novembre 2026 OpenAI ha descritto Performance Factory, un sistema interno che usa agenti Codex per indagare i cali di prestazioni di ChatGPT. Gli agenti raccolgono indizi e propongono correzioni; un ingegnere decide se integrarle. L’account tecnico di OpenAI presenta il sistema come uno strumento di ingegneria, non come una funzione che gli utenti possono attivare in ChatGPT. La novità riguarda un flusso dedicato alle prestazioni, distinto dal ruolo di Codex nella risposta agli incidenti raccontato da NeoTeo in un precedente articolo.
Come Performance Factory indaga un rallentamento
Una regressione di prestazioni è un peggioramento che compare dopo un cambiamento del software. Nel Regression Workflow descritto da OpenAI, un avviso prestabilito apre un’attività da seguire: Codex esamina quando è iniziato il rallentamento, quali richieste sono coinvolte e se un rilascio o una modifica di configurazione può spiegare il problema.
La competenza perf-forensics guida l’indagine. Nell’ambiente interno di OpenAI, gli agenti possono consultare repository di codice e strumenti di osservabilità, tra cui metriche, log, tracce, profili della CPU e istantanee della memoria. OpenAI afferma che gli agenti operano con identità di servizio e autorizzazioni circoscritte.
La diagnosi passa poi a una sessione Codex separata, avviata con un contesto nuovo. Il secondo agente cerca lacune nelle prove e verifica spiegazioni alternative: serve a mettere alla prova l’ipotesi iniziale, non a sostituire la revisione umana. In base alle conclusioni, Codex può proporre una modifica; dopo la distribuzione, un agente controlla se le prestazioni sono tornate al livello di riferimento.
Automatizzare l’indagine accelera il lavoro preparatorio; la decisione di integrare una modifica resta all’ingegnere.
Quali decisioni spettano ancora agli ingegneri
Nel flusso descritto, un ingegnere esamina la modifica proposta e decide se integrarla. Se il controllo successivo rileva che il problema persiste o si è risolto solo in parte, l’attività può tornare all’indagine oppure generarne un’altra.
OpenAI ritiene che gli agenti siano più adatti a cause chiare e modifiche circoscritte. Interventi architetturali più ampi possono richiedere soluzioni complesse o introdurre problemi, per esempio dati obsoleti conservati in una cache. È in esplorazione anche la possibilità di far distribuire in futuro agli agenti alcune correzioni a basso rischio senza approvazione umana; non è il processo descritto per il flusso attuale.
Che cosa misurano i dati comunicati da OpenAI
OpenAI riferisce che, in poco più di tre mesi, il Regression Workflow ha seguito oltre 1.700 indagini e individuato la causa in più di 600 casi, con una media dichiarata di 17 indagini automatizzate al giorno. Separatamente, l’azienda ha valutato manualmente 100 suggerimenti sulle cause e ne ha giudicati accurati il 70%.
| Misura | Valore riferito da OpenAI | Ambito |
| Indagini seguite | Oltre 1.700 | Poco più di tre mesi |
| Casi con una causa individuata | Più di 600 | Nello stesso periodo riferito |
| Indagini automatizzate | 17 al giorno in media | Media dichiarata da OpenAI |
| Suggerimenti giudicati accurati | 70% di 100 | Valutazione manuale dell’azienda |
OpenAI afferma che gli altri suggerimenti del campione richiedevano ulteriori precisazioni oppure non dimostravano pienamente il nesso causale. La valutazione riguarda le diagnosi esaminate dall’azienda; non è una misura della velocità percepita dagli utenti.
OpenAI sta inoltre esplorando il rilevamento proattivo dei problemi tra i rilasci, test sintetici delle prestazioni e possibili modalità di distribuzione automatica per alcune correzioni a basso rischio.