AI-coders versnellen wetenschappelijke software: dit blijkt uit 8 projecten

Sophie Jansen · 2026-07-29

OpenAI heeft een nieuw veldrapport gepubliceerd waarin acht wetenschappelijke computerprojecten worden gevolgd. De conclusie? Coding agents – AI-assistenten die code schrijven en optimaliseren – wisten de rekentijden aanzienlijk te verkorten. Maar wat betekent dit nu echt voor de wetenschap en voor jou als professional die met AI-websites en software werkt? Het rapport beschrijft projecten waarbij Codex in vijf gevallen zelfstandig werd ingezet en in drie andere gevallen in combinatie met Anthropic's Claude Code. Belangrijk om te weten: dit is een leverancier die een overzicht publiceert van de toepassing van zijn eigen product in onderzoeksomgevingen, gebaseerd op casestudy's die door de betrokken bijdragers zijn geschreven. Dat maakt het onderliggende patroon echter niet minder interessant. Onderzoekssoftware heeft namelijk een bekend onderhoudsprobleem. Tools die zijn gebouwd om één wetenschappelijk artikel te ondersteunen, vaak gecodeerd door kleine academische teams zonder dedicated engineering support, stapelen technische schuld op die niemand het budget of de opdracht heeft om af te lossen. ### Wat de agents precies deden De taken vielen grofweg in drie categorieën uiteen: opschonen van packaging- en build-systemen, prestatieoptimalisatie van bestaande code, en volledige taal- of backend-migraties. Denk aan het vervangen van verouderde systemen door modernere, gestroomlijnde processen – precies het soort werk dat normaal gesproken maanden handmatig sleutelen kost. - **cyvcf2**, een Python-bibliotheek voor het lezen van genetische variantbestanden, kreeg een compleet nieuw build- en packagingsysteem. - **HI.SIM**, een DNA-sequencing-simulator, zag twee grotendeels autonome optimalisatierondes van GPT-5.2 en GPT-5.6 die de rekentijd met 31 procent verminderden. - **Hifiasm**, gebruikt voor genoomassemblage, behaalde een runtime-reductie van 25 procent op het optimalisatiedoel en circa 15 procent op aparte menselijke sequencingdata. ### Prestaties die je niet mag negeren Een van de meest opvallende resultaten komt van **bayesm-rs**, een Rust-port van statistische modellen uit R's bayesm-pakket. De software evenaarde de schattingen van het origineel binnen een vooraf ingestelde tolerantie en draaide 2,3 tot 2,7 keer sneller op een enkele processor-thread. Met acht threads liep dat op tot 4,4 tot 9,5 keer sneller. Dat zijn geen marginale verbeteringen; dat zijn cijfers die onderzoekers weken aan rekentijd kunnen besparen. Toch blijft er een belangrijke kanttekening. Zoals bijdrager Suyash Shringarpure benadrukte: de agent zette zelf benchmark-infrastructuur op en stelde onafhankelijk kandidaten voor, maar het aanleveren van profileringsresultaten en het sturen van het model weg van herhaalde faalpatronen bleef werk dat alleen een mens kon doen. ### De menselijke factor blijft cruciaal James M. Ferguson, bijdrager aan de Rust-port van STAR (een veelgebruikt RNA-sequencing-alignmenttool), verwoordde het treffend: agents veranderen wat de moeite waard is om te proberen. Een aligner van 20.000 regels met de hand herschrijven is geen verstandige tijdsbesteding, maar met een agent wordt het weken van gestuurd werk. Verificatie is echter een heel ander verhaal. Een model kan code genereren, maar of die code ook echt correct is, vereist menselijke controle. Dit rapport bevestigt wat velen in de AI-community al vermoedden: coding agents zijn geen vervanging voor ervaren ontwikkelaars, maar wel een krachtige versneller. Ze nemen het repetitieve, arbeidsintensieve onderhoudswerk voor hun rekening, zodat mensen zich kunnen richten op de inhoudelijke uitdagingen. Voor wie overweegt om AI in te zetten bij het bouwen van software of websites, is de boodschap duidelijk: begin klein, valideer grondig, en vergeet nooit dat technologie alleen geen oordeelsvermogen vervangt.