Saltar al contenido

Performance Factory: cómo agentes detectan y corrigen fallos de ChatGPT

noviembre 20, 2026
Pantalla con gráficos de tiempos de carga, visitas y sesiones de un sitio web

OpenAI ha explicado cómo utiliza agentes de programación para investigar problemas de rendimiento en ChatGPT, proponer correcciones y comprobar si el servicio vuelve a su nivel normal después del despliegue. El sistema, denominado Performance Factory, no es un botón mágico que arregla cualquier incidencia: combina alertas, tareas con estados explícitos, agentes especializados, revisión adversarial y una decisión humana antes de publicar cambios.

Los datos comunicados por la compañía son relevantes porque muestran una automatización aplicada en producción, no solo una demostración. También dejan claros sus límites: encontrar una explicación plausible no equivale a demostrar la causa, y escribir un parche no garantiza que sea la solución más sencilla o segura. En este artículo analizamos qué hace el sistema, qué resultados ha comunicado OpenAI y qué principios puede trasladar cualquier equipo a sus propios flujos de trabajo.

Índice

Qué es Performance Factory

Performance Factory es una infraestructura interna que organiza tareas de ingeniería de rendimiento. Cuando una alerta detecta que una métrica ha empeorado, se abre una tarea. Un agente investiga la ralentización, registra las pruebas que ha encontrado y propone una corrección. Un ingeniero revisa el cambio y decide si se despliega. Después, otro agente comprueba si el rendimiento ha regresado a la línea de base.

La idea importante no es que un único agente mantenga todo el contexto durante horas. El estado del trabajo queda guardado fuera de la conversación: fase actual, hallazgos, comentarios, despliegues y próximos pasos. Así, distintos agentes o personas pueden retomar la tarea sin depender de la memoria de una sesión concreta.

OpenAI afirma que, durante algo más de tres meses, este flujo siguió más de 1.700 investigaciones y determinó la causa raíz en más de 600 casos. La compañía resume el ritmo como 17 investigaciones automatizadas al día. Son cifras internas y no constituyen una evaluación independiente, pero aportan una referencia concreta sobre la escala del sistema.

Del trabajo manual a una fábrica de agentes

Antes de esta automatización, los ingenieros examinaban métricas, registros, trazas, perfiles de CPU y código para descubrir por qué una respuesta se había vuelto más lenta. Con el tiempo reunieron más de 30 herramientas de rendimiento. La dificultad no era solo tenerlas, sino saber cuál utilizar, interpretar sus resultados y relacionar un cambio de código con la degradación observada.

La transición descrita por OpenAI tuvo varias etapas. Primero, un agente actuaba como ayudante y el ingeniero dirigía cada paso. Después, el equipo convirtió su método de investigación en instrucciones reutilizables: localizar cuándo empezó la ralentización, identificar las peticiones afectadas y comprobar despliegues o cambios de configuración. Más tarde, las alertas empezaron a lanzar investigaciones automáticamente en la nube.

El último salto fue coordinar todo el ciclo. El sistema ya no termina al publicar un diagnóstico: conserva la tarea, espera una revisión o un despliegue y despierta a un agente cuando ocurre el evento siguiente. Este diseño evita mantener procesos ejecutándose sin necesidad y convierte el flujo en una máquina de estados verificable.

La evolución encaja con un principio que ya vimos al analizar qué aceleran realmente los agentes de inteligencia artificial: delegar la ejecución resulta más eficaz cuando el objetivo, las herramientas y los criterios de cierre están definidos de antemano.

Las cuatro piezas del sistema

1. Un servicio de tareas con estados explícitos

Cada flujo define sus estados, las transiciones permitidas y los pasos que requieren intervención humana. Una regresión puede pasar por «necesita investigación», «causa localizada», «corrección propuesta» y «resuelta». Las instrucciones de cada fase se guardan en archivos de configuración y documentos legibles, de modo que el comportamiento puede revisarse y modificarse.

2. Un bucle que asigna el siguiente trabajo

Un despachador revisa qué tareas están listas y abre una ejecución para la fase correspondiente. El agente registra lo realizado y solo avanza el estado si completa el paso. Este mecanismo reduce la ambigüedad: una tarea que espera una aprobación no aparece como terminada ni consume recursos fingiendo que puede continuar.

3. Ejecución aislada con permisos definidos

Los agentes trabajan en entornos con acceso a repositorios y herramientas de observabilidad. OpenAI indica que cada agente utiliza una identidad de servicio, lo que permite limitar permisos y distinguir sus acciones. La documentación de su sandbox añade que el acceso a archivos y red puede restringirse según la tarea. Este aislamiento no elimina el riesgo, pero limita el alcance de un error.

4. Suscripciones a eventos

Si la tarea depende de un comentario en una revisión, de una comprobación de integración continua o de un despliegue, el agente deja de ejecutarse y se suscribe al evento. Cuando este ocurre, la tarea vuelve a estar disponible. Es una diferencia importante frente a la automatización basada únicamente en horarios: el trabajo continúa cuando existe nueva evidencia.

Cómo investiga una regresión

Una alerta señala que una métrica ha cruzado un umbral, pero no demuestra cuándo comenzó el problema ni qué lo causó. El agente revisa el historial para localizar el momento del cambio, compara grupos de peticiones y distingue entre dos escenarios: que solicitudes equivalentes se hayan vuelto más lentas o que ahora lleguen más solicitudes que ya eran costosas.

Después relaciona las métricas con despliegues, banderas de funciones, registros, trazas y cambios de código. La práctica coincide con la recomendación clásica de ingeniería de fiabilidad de Google: observar latencia, tráfico, errores y saturación, y definir qué comportamiento cuenta como error respecto a un objetivo de servicio.

La calidad de las señales es decisiva. Un agente no puede demostrar una causa si faltan permisos, las trazas han caducado o una herramienta de perfilado está rota. Por eso Performance Factory también revisa sus propios mensajes y registros para detectar fallos repetidos de herramientas. Cuando encuentra uno, abre una tarea de reparación y vuelve a evaluar si los agentes pueden superar el punto que antes los bloqueaba.

La revisión adversarial evita aceptar la primera explicación

OpenAI reconoce que los agentes tendían a detenerse en la primera explicación plausible. Para combatir ese sesgo añadió una segunda sesión cuya misión es intentar refutar el diagnóstico. Este revisor comprueba supuestos y plantea contrafactuales: si un despliegue causó la ralentización, ¿las peticiones no expuestas siguieron funcionando bien? Si el cambio se revirtió, ¿la métrica se recuperó?

En una revisión manual de 100 propuestas de causa raíz, la compañía calificó el 70% como precisas. El 30% restante necesitaba más trabajo o no demostraba completamente la causalidad. La cifra muestra utilidad, pero también impide describir el sistema como infalible. Una tasa de acierto elevada sigue dejando un volumen relevante de diagnósticos incompletos cuando se trabaja a gran escala.

Para proyectos pequeños, la misma lógica puede aplicarse sin construir una plataforma compleja. Basta con separar los papeles: un flujo formula la hipótesis y reúne pruebas; otro intenta desmontarla; una persona decide si la evidencia justifica actuar. Nuestra guía sobre cómo medir y escalar un proyecto de inteligencia artificial explica por qué este tipo de métricas debe definirse antes de ampliar la automatización.

Proponer el parche es más difícil que encontrar el fallo

Según OpenAI, redactar una corrección fiable ha resultado más difícil que identificar una causa. Algunos cambios propuestos eran más complejos de lo necesario o introducían problemas nuevos. Otros exigían decisiones arquitectónicas: una caché puede reducir latencia, por ejemplo, pero también servir información desactualizada.

Por eso un ingeniero revisa la solicitud de cambios y decide qué llega a producción. Tras el despliegue, el agente compara el rendimiento con la línea de base. Si la mejora es parcial, puede cerrar la incidencia original y abrir otra para la degradación restante; si no existe mejora, devuelve la tarea a investigación.

Este bucle —hipótesis, cambio, revisión, despliegue y medición— es más importante que el modelo concreto utilizado. Quien esté aprendiendo a integrar estas herramientas puede comenzar con ejercicios acotados y procesos reproducibles; en nuestro análisis de Domina la IA y su temario práctico revisamos un enfoque formativo orientado a aplicar la tecnología con objetivos concretos.

Qué debería copiar una empresa pequeña

Guardar el estado fuera del chat

Las decisiones, pruebas y bloqueos deben quedar en una tarea persistente. Una conversación puede resumirse, cerrarse o perder contexto; el registro de operación debe sobrevivir y permitir que otra persona reproduzca lo ocurrido.

Conceder permisos mínimos

El agente necesita acceso a las herramientas adecuadas, no a todo el sistema. Separar identidades, limitar rutas y redes y exigir aprobación para acciones de mayor impacto reduce el daño posible. Las directrices NISTIR 8397 recomiendan integrar verificación, pruebas automatizadas, análisis de código y revisión dentro del ciclo de desarrollo seguro.

Evaluar con incidentes históricos

OpenAI prueba cambios de sus instrucciones y modelos contra incidencias pasadas. El agente recibe la señal original sin la solución y se compara su investigación con los datos reales. Un equipo puede construir un conjunto pequeño de casos conocidos para comprobar si una actualización mejora unas tareas pero empeora otras.

Diseñar un traspaso humano breve y verificable

Un informe útil debe indicar impacto, pruebas, incertidumbres, causa propuesta y siguiente acción. Si el responsable necesita reconstruir toda la investigación a partir de una pared de texto, la automatización ha trasladado el trabajo en lugar de reducirlo.

Para profesionales que trabajan solos, estas prácticas también sirven al automatizar análisis, contenidos o tareas administrativas. La reseña de la Guía IA para Freelancers muestra cómo adaptar plantillas al propio proceso sin tratar un prompt como garantía de calidad.

Hechos demostrados, afirmaciones internas y predicciones

Hecho documentado: OpenAI ha descrito una arquitectura con tareas persistentes, agentes por fases, revisiones separadas, aprobación humana y comprobación posterior al despliegue.

Resultado comunicado por la empresa: más de 1.700 investigaciones seguidas, más de 600 causas localizadas y un 70% de precisión en una muestra manual de 100 propuestas. Son datos internos; el artículo no aporta una auditoría externa que permita generalizarlos a otros entornos.

Límite reconocido: los agentes pueden confundir correlación y causalidad, proponer soluciones innecesariamente complejas o introducir errores. La revisión adversarial y la decisión del ingeniero siguen formando parte del flujo actual.

Predicción: OpenAI explora detectar regresiones antes de que salte una alerta y permitir que cambios de bajo riesgo se desplieguen sin intervención humana. Esa capacidad se presenta como trabajo futuro, no como una función ya generalizada.

Conclusión: automatizar el proceso, no la confianza

Performance Factory muestra una forma madura de aplicar agentes: dividir el trabajo en estados, conservar la evidencia, despertar el sistema cuando ocurre un evento, atacar el diagnóstico desde una segunda perspectiva y reservar las decisiones de mayor impacto para una persona. La velocidad procede tanto del diseño del flujo como del modelo.

La lección para cualquier organización es evitar dos atajos: aceptar la primera explicación convincente y medir el éxito por la cantidad de tareas ejecutadas. Un sistema fiable debe demostrar la causa, limitar permisos, verificar el cambio después del despliegue y registrar lo que todavía no sabe. La inteligencia artificial puede acelerar la investigación de incidencias; la confianza continúa dependiendo de pruebas reproducibles y controles claros.

Fuentes oficiales consultadas