OpenAIのPerformance Factoryは、性能問題の修正をエージェントの流れ作業に変えた。2026年11月19日、OpenAIは公式ブログで、Codexを中核とするこの自動化システムが社内で3か月以上稼働し、1700件超の性能低下の調査を処理し、そのうち600件超で根本原因を特定したと明らかにした。エンジニアはアラートを一件ずつ追うのをやめ、重要な判断の場面だけに関わるようになった。
アラートから検証まで、どう進むのか
最初に稼働したのは「回帰ワークフロー」と呼ばれる流れだ。性能アラートが発生すると自動でタスクが作られ、エージェントはまず指標がいつ悪化し始めたか、どのリクエストに影響したかを特定し、デプロイや設定変更と照らし合わせ、関連コードを読んで原因を探る。診断が通ればエージェントが修正を書いてプルリクエストを開き、エンジニアがレビューしてマージする。デプロイ後、別のエージェントが性能がベースラインに戻ったかを確認し、確認できて初めて案件は完了する。この一連の流れを支えるのは4つの要素だ。設定可能なワークフローを持つタスクサービス、作業を割り振るディスパッチループ、クラウドでCodexを動かすAPI、そしてコードレビューやデプロイ完了といったイベント発生時にエージェントを呼び覚ますサブスクリプションである。エンジニアは障害調査の経験をperf-forensicsというスキルに落とし込み、エージェントは同じ手順を繰り返し、1日平均17件の調査を処理している。OpenAIがCodexサンドボックスを解説:コンテナに頼らず、システムのネイティブ機構でエージェントを閉じ込めるは、Codexが制限された環境で動く仕組みを紹介しており、こうした自動化を安心して回せる前提となっている。
診断の7割は正しい、修正の着地こそ最も難しい
OpenAIはこのシステムの弱点も隠していない。100件の根本原因の提案を人手で確認したところ、70件が正確と評価され、残る30件はさらなる精査が必要か、因果関係を十分に確立できていなかった。そのためチームは「敵対的レビュー」を加えた。別のCodexセッションが診断の反証を試みるのだ。たとえば影響を受けていない類似リクエストが本当に健全だったか、ロールバック後に指標が回復したかを確かめる。原因の特定より修正の方が難しい。エージェントが提案する変更はときに必要以上に複雑だったり、新たな問題を持ち込んだりし、キャッシュ追加のようなアーキテクチャ上の判断は依然としてエンジニアの判断を要する。修正案も同じ敵対的レビューを通り、低リスクの変更だけが将来、人手を介さずに出荷される可能性がある。
次にOpenAIが取り組むのは評価のループだ。エージェントが提案した修正とエンジニアが最終的にマージした変更を突き合わせ、評価セットを作ってワークフローを改善し、合成性能テストでエージェントが提出前に修正を自ら検証できるようにする。このやり方が定着すれば、性能エンジニアリングは「人が問題を探す」から「エージェントが問題を探し、人が判断する」へ変わる。大規模サービスを抱える他のチームにとって、この働き方そのものが具体的な数字以上に参考になるだろう。