OpenAI revela el sistema Codex para analizar el rendimiento


OpenAI reveló en un informe exclusivo para VentureBeat un sistema interno llamado Fábrica de Rendimiento que utiliza agentes de Codex para investigar automáticamente las caídas de velocidad y eficiencia de ChatGPT. El sistema realizó más de 1700 investigaciones e identificó más de 600 causas raíz en unos tres meses, manteniendo las decisiones finales de fusión en manos de los ingenieros.
En lugar de limitarse a ofrecer herramientas de programación automatizada a clientes externos, OpenAI reveló un experimento de ingeniería interno que conecta directamente las alertas de monitoreo en la nube con agentes de Codex para rastrear cuellos de botella de rendimiento en el servicio ChatGPT, destacando al mismo tiempo el volumen de revisión crítica humana necesario antes de aprobar cualquier cambio de código.
Balance de más de 1700 investigaciones automatizadas para rastrear caídas de rendimiento
Creación de más de treinta herramientas especializadas y examen forense del rendimiento
Sesiones de revisión adversarial y filtrado de diagnósticos antes de la ejecución
Límites de las métricas internas y ausencia de estudios comparativos de referencia
Lecciones de automatización de ingeniería y criterios de evaluación futuros
Preguntas frecuentes
Balance de más de 1700 investigaciones automatizadas para rastrear caídas de rendimiento
En un informe exclusivo elaborado por el periodista Ben Dickson y publicado por VentureBeat el 19 de noviembre de 2026 a las 09:00 hora del Pacífico, equivalentes a las 21:00 hora estándar del Golfo, OpenAI dio a conocer una arquitectura de ingeniería interna denominada «Fábrica de Rendimiento», que se apoya en el agente de programación Codex para investigar regresiones de software y lentitud de respuesta dentro de la infraestructura que opera ChatGPT.
La compañía informó que, a lo largo de un periodo ligeramente superior a tres meses, el sistema ejecutó más de 1700 investigaciones técnicas a un ritmo cercano a 17 investigaciones diarias, logrando identificar más de 600 causas raíz de problemas de rendimiento. Este sistema no constituye un producto comercial disponible para la venta a empresas, sino una infraestructura operativa interna diseñada para abordar las complejidades de los sistemas distribuidos a gran escala dentro de la compañía.
Creación de más de treinta herramientas especializadas y examen forense del rendimiento
Los detalles de ingeniería publicados explicaron que el éxito del agente no se logró simplemente indicando a un modelo de lenguaje sin procesar que leyera el código fuente, sino que requirió primero construir más de 30 herramientas especializadas de medición y diagnóstico, y luego entrenar y guiar a Codex mediante un procedimiento de trabajo estandarizado y reutilizable denominado examen forense del rendimiento, conectando directamente las alertas de monitoreo automatizado con sesiones en la nube de Codex en cuanto se detecta cualquier anomalía en los indicadores.
El sistema conserva registros de tareas estructurados para cada investigación que incluyen el estado de la inspección, los hallazgos extraídos, las métricas numéricas, las consultas reproducibles y el contexto completo de ingeniería del problema. Esta documentación organizada permite a los ingenieros y a las sesiones posteriores revisar la ruta de razonamiento paso a paso, en lugar de lidiar con resultados ambiguos difíciles de verificar.
Sesiones de revisión adversarial y filtrado de diagnósticos antes de la ejecución
Para evitar la aprobación de conclusiones apresuradas o inexactas, OpenAI incorporó en el diseño del sistema una sesión independiente de «revisión adversarial» encargada de cuestionar metódicamente el diagnóstico inicial presentado por el agente y exigirle pruebas de medición más sólidas. Los datos internos muestran que este mecanismo de revisión crítica devuelve actualmente alrededor del 25% de las investigaciones para un nuevo análisis y para completar las carencias antes de aceptarlas.
Las trayectorias de transición desde el diagnóstico hasta la corrección efectiva reflejan un filtrado gradual evidente; de los cientos de causas raíz detectadas, unas 400 investigaciones llegaron a la etapa de proponer una corrección de código específica, y las propuestas del sistema contribuyeron o coincidieron con cerca de 50 correcciones que se desplegaron efectivamente en el entorno de producción, mientras que el número de solicitudes de fusión completas escritas por Codex y enviadas tal cual ascendió apenas a unas 15 correcciones, conservando los ingenieros humanos plenas facultades de revisión decisiva y la decisión final de fusión.
Límites de las métricas internas y ausencia de estudios comparativos de referencia
Pese a la relevancia de estas cifras para ilustrar cómo se emplean los agentes de programación dentro de salas de operaciones reales, todas las estadísticas incluidas en el informe siguen siendo métricas internas emitidas por la propia OpenAI sin una auditoría externa independiente. La divulgación tampoco incluyó un estudio basado en un grupo de control que compare la velocidad de los equipos de ingeniería con y sin la presencia del sistema.
Asimismo, la empresa no anunció un porcentaje específico de reducción global en el tiempo de respuesta de ChatGPT como resultado de estas correcciones, ni publicó un análisis financiero que compare el costo de computación en la nube consumido al ejecutar más de 1700 sesiones de investigación y revisión adversarial frente al retorno de ingeniería obtenido.
Lecciones de automatización de ingeniería y criterios de evaluación futuros
La experiencia de «Fábrica de Rendimiento» ofrece una señal práctica para los equipos de ingeniería de software: el valor real de los agentes en el mantenimiento de sistemas críticos reside en recopilar indicios, acotar el alcance de la búsqueda automatizada y preparar hipótesis respaldadas por datos, más que en reemplazar la supervisión humana o modificar sistemas de producción automáticamente sin control.
Entre los aspectos que requieren un seguimiento profesional posterior figuran el grado de reproducibilidad de estos métodos de ingeniería en otras organizaciones, la magnitud de la reducción real en horas de investigación humana, las tasas de diagnóstico erróneo, la proporción de fallos en los cambios tras el despliegue y los límites seguros de la supervisión humana en entornos operativos de alta sensibilidad.
Preguntas frecuentes
Pregunta: ¿Qué es el sistema Fábrica de Rendimiento revelado por OpenAI?
Respuesta: Es un sistema de ingeniería interno no comercial que conecta las alertas de monitoreo con sesiones del agente de programación Codex para investigar automáticamente las causas de la caída de rendimiento y la lentitud de respuesta en el servicio ChatGPT.
Pregunta: ¿Cuántas investigaciones y correcciones reales resultaron del sistema en tres meses?
Respuesta: El sistema realizó más de 1700 investigaciones e identificó más de 600 causas raíz; cerca de 400 casos llegaron a una propuesta de corrección y contribuyó a unas 50 correcciones publicadas, incluidas alrededor de 15 solicitudes de fusión directas de Codex.
Pregunta: ¿Cómo reduce el sistema las probabilidades de un diagnóstico erróneo de los problemas de software?
Respuesta: Se apoya en más de 30 herramientas de medición especializadas y registros de tareas documentados, y luego somete los resultados a una sesión de revisión adversarial que actualmente devuelve alrededor del 25% de los diagnósticos para una mayor verificación antes de presentarlos a los ingenieros.
Pregunta: ¿El agente Codex fusiona los cambios de código en ChatGPT de forma totalmente autónoma?
Respuesta: No, ya que los ingenieros humanos conservan la facultad de realizar la revisión minuciosa y tomar la decisión final de fusionar cualquier cambio de código en el entorno de producción.