A Performance Factory é um sistema interno da OpenAI que coordena agentes Codex para investigar problemas de desempenho no ChatGPT. No fluxo descrito pela empresa, os agentes analisam possíveis causas e propõem correções; um engenheiro decide se a mudança será integrada e, depois da implantação, um agente verifica a recuperação do desempenho. A OpenAI apresentou o sistema em 19 de novembro de 2026.
O que a Performance Factory faz
A Performance Factory funciona como uma estrutura de engenharia em nuvem, não como um recurso que usuários possam ativar no ChatGPT. Seu primeiro fluxo, chamado Regression Workflow, começa quando um alerta configurado detecta uma regressão: uma piora de desempenho associada a uma mudança no sistema.
O Codex usa a habilidade perf-forensics para investigar quando a lentidão começou, quais solicitações foram afetadas e se uma implantação ou alteração de configuração pode explicar o problema. No ambiente interno da OpenAI, os agentes podem consultar repositórios de código e ferramentas de observabilidade, como métricas, registros, rastros de execução, perfis de CPU e instantâneos de memória. A empresa diz que as permissões são limitadas por identidade de serviço.
A NeoTeo já abordou o uso do Codex por engenheiros durante incidentes em uma reportagem anterior. A Performance Factory trata de outro fluxo: investigações acionadas por alertas de desempenho, com tarefas acompanhadas até a análise da recuperação.
Como uma regressão passa da investigação à correção
Quando um alerta abre uma tarefa, o Codex reúne indícios e registra o que encontrou. Uma segunda sessão do agente, iniciada com contexto novo, revisa o diagnóstico: verifica as evidências e procura explicações alternativas. A OpenAI também diz que aplica essa revisão crítica às correções propostas.
A separação importa porque encontrar uma causa provável não basta para justificar qualquer mudança no código. A empresa relata um caso em que a revisão reabriu uma investigação: solicitações de imagem continuavam falhando mesmo depois que um serviço interno de localização de arquivos havia se recuperado.
Depois da análise, o Codex pode propor uma alteração. Um engenheiro revisa a proposta e decide se ela será integrada. Após a implantação, outro agente verifica se o desempenho voltou ao nível de referência; se o problema persistir ou melhorar apenas em parte, a tarefa pode voltar à investigação.
Automatizar a busca por causas não elimina a revisão: no fluxo descrito, a integração da correção continua sob decisão de um engenheiro.
A estrutura combina um serviço que armazena tarefas e etapas do fluxo, um mecanismo que distribui tarefas prontas e execuções do Codex na nuvem. Assinaturas de eventos, como comentários em uma solicitação de alteração de código ou uma implantação, podem retomar tarefas que estavam aguardando. Assim, a investigação pode avançar conforme chegam novas informações, sem transferir ao agente a decisão de integrar uma mudança.
O que os números divulgados pela OpenAI medem
A OpenAI relata que o Regression Workflow acompanhou mais de 1.700 investigações e identificou a causa de mais de 600 casos em pouco mais de três meses. A empresa informa uma média de 17 investigações automatizadas por dia. Em uma avaliação separada, revisou manualmente 100 sugestões de causa e classificou 70% como precisas; as demais precisavam de ajustes ou não estabeleciam completamente a relação causal.
| Indicador | Valor divulgado | Escopo |
| Investigações acompanhadas | Mais de 1.700 | Pouco mais de três meses |
| Casos com causa identificada | Mais de 600 | Mesmo período informado pela OpenAI |
| Investigações automatizadas | 17 por dia, em média | Média relatada pela empresa |
| Sugestões de causa revisadas manualmente | 100 | Avaliação conduzida pela OpenAI |
| Sugestões classificadas como precisas | 70% | Resultado da revisão das 100 sugestões |
As contagens descrevem a atividade do fluxo e a avaliação interna das sugestões. A classificação de precisão foi feita pela própria OpenAI. Para tarefas com causas claras e mudanças delimitadas, a empresa considera os agentes mais adequados; alterações arquiteturais podem exigir mais cautela, pois uma correção como adicionar cache pode introduzir dados desatualizados.
A OpenAI também descreve a detecção proativa de problemas entre versões, testes sintéticos de desempenho e a possibilidade de, no futuro, implantar algumas correções de baixo risco sem aprovação humana como iniciativas em exploração. No fluxo apresentado, a decisão sobre integrar a correção permanece com um engenheiro.