OpenAI opisało 19 listopada 2026 roku Performance Factory — wewnętrzny system, w którym agenci Codex badają spadki wydajności ChatGPT, proponują poprawki i sprawdzają efekty po wdrożeniu. Inżynierowie zachowują decyzję o tym, czy zmiana zostanie scalona. OpenAI przedstawia ten przepływ jako narzędzie własnej pracy inżynieryjnej, a nie funkcję dostępną użytkownikom ChatGPT.
To odrębny proces od opisywanego wcześniej użycia Codex przez OpenAI podczas reagowania na incydenty.
Co robi Performance Factory?
Performance Factory koordynuje pracę agentów Codex nad problemami z wydajnością. Pierwszy opisany przepływ, Regression Workflow, uruchamia skonfigurowany alert: system tworzy zadanie, a Codex bada, kiedy zaczęło się spowolnienie, które żądania dotknęło i czy mogły się do niego przyczynić zmiany we wdrożeniu lub konfiguracji. Regresja wydajnościowa to pogorszenie działania systemu po zmianie.
Agenci mogą korzystać z repozytoriów kodu oraz narzędzi obserwowalności, takich jak metryki, logi, ślady działania, profile użycia procesora i zrzuty pamięci. OpenAI opisuje też uprawnienia przypisane do tożsamości usługowych, które ograniczają zakres dostępu agentów.
Jak analiza przechodzi od alertu do poprawki?
Umiejętność Codex o nazwie perf-forensics prowadzi analizę: pomaga ustalić początek problemu, wskazać dotknięte żądania i sprawdzić możliwe związki ze zmianami w kodzie lub konfiguracji. Następnie osobna sesja Codex, uruchomiona ze świeżym kontekstem, podważa diagnozę, weryfikuje jej podstawy i sprawdza alternatywne wyjaśnienia. OpenAI opisuje podobny adversarial review także dla proponowanych poprawek.
Po analizie agent może zaproponować zmianę, ale inżynier przegląda ją i decyduje, czy ją scalić. Po wdrożeniu agent sprawdza, czy wydajność wróciła do poziomu bazowego. Jeśli problem pozostaje albo poprawa jest częściowa, sprawa może wrócić do dalszej analizy.
Codex przygotowuje diagnozę i propozycję zmiany; decyzja o jej scaleniu pozostaje po stronie inżyniera.
Jakie wyniki podaje OpenAI?
OpenAI podaje, że w okresie nieco ponad trzech miesięcy Regression Workflow śledził ponad 1700 analiz, a w ponad 600 przypadkach ustalono przyczynę. Firma określiła średnią liczbę automatycznych analiz na 17 dziennie. Liczby opisują skalę pracy przepływu.
| Wskaźnik | Wynik podany przez OpenAI | Zakres |
| Śledzone analizy | Ponad 1700 | Nieco ponad trzy miesiące |
| Przypadki z ustaloną przyczyną | Ponad 600 | Ten sam okres |
| Średnia liczba automatycznych analiz | 17 dziennie | Regression Workflow |
| Sugestie przyczyn poddane ręcznej ocenie | 100 | Ocena przeprowadzona przez OpenAI |
| Sugestie ocenione jako trafne | 70% | Wynik oceny OpenAI; pozostałe wymagały dopracowania albo nie wykazywały w pełni związku przyczynowego |
Te wskaźniki dotyczą liczby analiz i wewnętrznej oceny sugestii, a nie czasu odpowiedzi ChatGPT. OpenAI podało, że 70% z 100 ręcznie ocenionych sugestii uznano za trafne.
Gdzie kończy się automatyzacja?
OpenAI wskazuje, że Codex lepiej nadaje się do usterek o jasnej przyczynie i ograniczonym zakresie poprawki niż do zmian architektonicznych. Przy tych drugich rozwiązanie może niepotrzebnie się komplikować albo wprowadzić problem, na przykład nieaktualne dane z pamięci podręcznej.
Wykrywanie problemów z wyprzedzeniem, dodatkowe testy syntetyczne i możliwość samodzielnego wdrażania przez agentów wybranych poprawek o niskim ryzyku OpenAI opisuje jako kierunki prac lub eksploracji. W opisanym Regression Workflow inżynier nadal zatwierdza proponowaną zmianę.