OpenAI publicó el 19 de noviembre de 2026 cómo utiliza Performance Factory, su sistema interno basado en Codex para investigar regresiones de rendimiento. Una regresión es un empeoramiento respecto al comportamiento anterior. La publicación describe su operación dentro de OpenAI; no anuncia que Performance Factory se pueda contratar o instalar.
De la alerta a la recuperación
Según la explicación de OpenAI, una alerta abre una investigación. El agente busca la causa y propone una corrección, que un ingeniero revisa y decide si integrar. Después del despliegue, un agente comprueba si el rendimiento vuelve a su referencia anterior.
El diagnóstico pasa por una revisión adversaria: otra sesión de Codex intenta refutarlo. La compañía reconoce que arreglar el problema resulta más difícil que encontrar su causa y que las propuestas pueden introducir complicaciones o errores.
Qué acredita el 70% citado por OpenAI
OpenAI evaluó manualmente 100 propuestas de causa raíz: consideró precisas el 70%; el resto necesitaba refinamiento o no establecía suficientemente la causalidad. Es una evaluación interna de diagnósticos. No equivale a que el 70% de las incidencias quedara resuelto ni demuestra ese rendimiento en otros servicios.
Un ejemplo para interpretar el flujo
Este ejemplo es hipotético y no se ha ejecutado en Puntoes: una aplicación empieza a responder más despacio después de un despliegue. Encontrar ambos acontecimientos próximos en el tiempo permite formular una hipótesis, pero todavía falta comprobarla.
Para valorar esa hipótesis, el equipo podría comparar solicitudes similares que recibieron el cambio con otras que no lo recibieron. Si ambas empeoran, atribuir todo el problema al despliegue sería precipitado. Si solo empeora el grupo expuesto, existe una pista más concreta, aunque todavía habría que descartar diferencias entre los grupos.
Aprobar un parche y recuperar el rendimiento son también resultados distintos. La comprobación posterior necesita una referencia comparable; cambiar la mezcla de solicitudes puede hacer que el promedio mejore sin reparar la causa. Este es un criterio de interpretación del ejemplo, no un resultado medido aquí.
Para quien diseña agentes operativos, la consecuencia práctica es separar tres evidencias: diagnóstico, cambio aprobado y recuperación observada. Un informe convincente no sustituye ninguna de ellas. El caso tampoco permite calcular ahorro de tiempo o costes para otro equipo.
Como antecedente sobre continuidad y estado de las tareas, explicamos cómo AHP comparte una sesión entre dispositivos. Mantener el estado de una tarea facilita retomarla; su corrección sigue necesitando comprobaciones propias.