DIEGO CECATO / NOTE DAL CAMPO

Gli agenti non hanno bisogno di un prompt più lungo. Hanno bisogno di uno stato.

diego cecato//
Gli agenti non hanno bisogno di un prompt più lungo. Hanno bisogno di uno stato.

Un alert segnala che qualcosa è peggiorato. Non dice perché, non propone una correzione affidabile e soprattutto non garantisce che, dopo il deploy, il problema sia davvero sparito. È proprio in questa distanza tra segnalazione e risultato che molte automazioni basate sull’AI si fermano: eseguono un prompt, producono una risposta convincente e lasciano a qualcuno il compito di ricordarsi tutto il resto.

Il 19 novembre 2026 OpenAI ha descritto la propria Performance Factory, un sistema interno che usa Codex per indagare sulle regressioni di prestazioni di ChatGPT, proporre interventi e verificarne gli effetti. Il dettaglio più interessante non è il modello che legge i log. È l’infrastruttura che conserva il lavoro quando il modello ha finito il proprio turno.

Il prompt non è un sistema di lavoro

Immaginiamo un’applicazione che improvvisamente risponde più lentamente. Un agente riceve un alert, consulta le metriche, confronta due deploy e restituisce una diagnosi. Fin qui può bastare una sessione. Poi però arriva una review che contesta l’ipotesi, il team rimanda la modifica, una pipeline fallisce e il deploy viene effettuato il giorno successivo. Chi ricorda lo stato? Chi decide quando ripartire? E come si evita di eseguire due volte la stessa azione?

Se le risposte dipendono dalla memoria della chat, il processo è fragile per definizione. Un contesto lungo non equivale a uno stato durevole. Lo stato deve vivere fuori dal turno del modello, in un archivio interrogabile, con transizioni esplicite, proprietari temporanei del lavoro e risultati verificabili.

OpenAI descrive quattro componenti: un servizio di task con workflow configurabili, un dispatcher che assegna i passi pronti, un ambiente cloud per eseguire Codex e sottoscrizioni agli eventi che risvegliano gli agenti quando cambia qualcosa. Non è una formula magica: è un’architettura di orchestrazione. Il modello svolge attività; il sistema governa quando e perché quelle attività possono avvenire.

Un task deve sopravvivere al suo agente

Nel caso raccontato da OpenAI, una regressione passa da rilevata a investigata, poi a correzione proposta, review umana, deploy e verifica. Le informazioni accumulate restano associate al task, non alla singola esecuzione di Codex. Se serve aspettare un commento sulla pull request o la fine di un deploy, l’agente non deve rimanere acceso a consumare risorse: il workflow si sospende e torna pronto quando arriva l’evento pertinente.

Questo principio è noto anche fuori dal mondo dei modelli linguistici. La documentazione di Temporal sulla durable execution spiega come un workflow possa registrare risultati e riprendere dopo interruzioni, distinguendo errori transitori da problemi permanenti. Performance Factory non viene presentata come un’implementazione di Temporal: il confronto riguarda il principio architetturale, non una tecnologia condivisa.

La conseguenza pratica è che un task dovrebbe contenere almeno identità, stato corrente, input e prove raccolte, prossimo passo, condizioni di attesa, storico delle transizioni e identificatori delle operazioni esterne. Una sessione può interrompersi; il task no. E quando una nuova sessione lo riprende, non dovrebbe rifare ciecamente tutto il lavoro già verificato.

Il punto debole è la diagnosi troppo convincente

Automatizzare l’indagine non elimina l’errore di attribuzione causale. Un grafico peggiora dopo un rilascio: è facile concludere che quel rilascio sia la causa. Ma correlazione temporale e causalità non sono la stessa cosa. OpenAI racconta di aver introdotto una review avversariale, affidata a una sessione Codex separata, proprio perché alcuni agenti si fermavano alla prima spiegazione plausibile.

Il revisore prova a smentire la diagnosi: richieste non esposte al cambiamento sono rimaste sane? Dopo un rollback la metrica è tornata al livello precedente? Un servizio apparentemente ripristinato spiega davvero tutti gli errori ancora osservati? Sono domande migliori di un semplice controllo grammaticale del report.

OpenAI dichiara che, su un campione di 100 proposte di causa esaminate manualmente, il 70% è stato valutato accurato. Il restante 30% richiedeva approfondimenti o non dimostrava pienamente la causalità. È una misura interna riportata dall’azienda, non un benchmark indipendente né una garanzia trasferibile ad altri sistemi. Ma è un numero utile per ricordare che una diagnosi ben scritta non è necessariamente corretta.

L’autonomia finisce dove serve una decisione

Una volta superata la revisione della diagnosi, l’agente può preparare una pull request. Nel workflow descritto da OpenAI, però, un ingegnere decide cosa integrare e distribuire. Non è una contraddizione rispetto all’automazione: è un confine di responsabilità. Un fix può ridurre la latenza e contemporaneamente introdurre dati obsoleti in cache, complessità di manutenzione o nuovi rischi di affidabilità.

Serve quindi distinguere azioni reversibili e a basso impatto da cambiamenti che richiedono giudizio architetturale. L’agente può preparare evidenze, confrontare alternative, produrre test e documentare il trade-off. La decisione su un rischio non misurabile con una singola metrica non diventa automaticamente migliore soltanto perché la prende una macchina.

Il passaggio successivo è ancora più importante: dopo il deploy un agente verifica se la prestazione è tornata al baseline. Se non è successo, il task torna in indagine. Un report di successo generato prima di questa misura è soltanto una previsione.

Cinque regole per non costruire una fabbrica di errori

  1. Stato persistente. Ogni attività ha una macchina a stati esplicita, non una cronologia di messaggi da interpretare.
  2. Idempotenza. Le scritture esterne usano identificatori stabili e controlli prima di ripetere un’operazione.
  3. Ownership temporanea. Lease e meccanismi di esclusione evitano che due worker modifichino contemporaneamente lo stesso oggetto.
  4. Verifica indipendente. Un secondo passaggio cerca di falsificare la diagnosi e confronta il risultato con evidenze osservabili.
  5. Attese reali. Quando serve un evento o una persona, il workflow si sospende senza simulare lavoro continuo.

Queste regole non richiedono necessariamente un’infrastruttura enorme. Per un processo piccolo possono bastare un database, una coda, un registro degli eventi e controlli rigorosi sulle transizioni. La complessità giusta dipende dal costo di un duplicato, dal tempo di attesa e dalla gravità di un’azione sbagliata. Aggiungere dieci agenti a un processo che non sa riprendere dopo un errore significa soltanto moltiplicare i modi in cui può fallire.

Il tema della concorrenza non riguarda soltanto i worker: anche i sistemi di versionamento devono reggere scritture simultanee. È un problema discusso anche nell’analisi su Pando, Git e gli agenti che lavorano in parallelo.

Il risultato conta più del numero di turni

Secondo OpenAI, in poco più di tre mesi il Regression Workflow ha seguito oltre 1.700 indagini e individuato la causa di oltre 600 casi. Sono risultati auto-dichiarati, interessanti per la scala ma insufficienti, da soli, a misurare il beneficio netto: servirebbero anche costi operativi, falsi positivi, qualità delle patch e tempi di recupero confrontabili.

La domanda giusta per valutare un sistema di agenti non è quante risposte produce. È quante attività porta fino a un esito verificato, con quanta supervisione, quanti errori e quale capacità di ripresa. La differenza tra una demo e uno strumento operativo si vede soprattutto quando il primo tentativo non funziona.

Domande frequenti

Domande frequenti

Che cos'è Performance Factory di OpenAI?

È un sistema interno di workflow agentici che usa Codex per investigare regressioni di prestazioni, proporre correzioni e verificarne l’efficacia dopo il deploy.

Perché un task persistente è diverso da una chat lunga?

Il task conserva stato, evidenze, transizioni e condizioni di ripresa fuori dalla sessione del modello. Una chat lunga, da sola, non garantisce recupero dopo interruzioni né idempotenza delle operazioni.

Gli agenti di Performance Factory pubblicano automaticamente tutte le correzioni?

No. Nel workflow descritto da OpenAI un ingegnere revisiona le pull request e decide cosa integrare e distribuire; dopo il deploy un agente verifica il recupero.

Che cosa significa review avversariale di una diagnosi?

Un secondo agente tenta di confutare la causa proposta, confrontando evidenze e controfattuali, invece di limitarsi a confermare una spiegazione plausibile.