AI-codingagenten versnellen wetenschappelijke software: dit blijkt uit nieuw OpenAI-rapport

Sophie Jansen · 2026-07-29

OpenAI heeft een nieuw veldrapport gepubliceerd waarin acht wetenschappelijke computerprojecten worden gevolgd. De conclusie? Coding agents, zoals OpenAI's Codex, kunnen de rekentijd van onderzoekssoftware flink verkorten. Maar wat betekent dit nu echt voor de wetenschap en voor de bredere wereld van AI website bouwen? Laten we eens kijken. Het rapport beschrijft projecten die in vijf gevallen alleen Codex gebruikten en in drie gevallen een combinatie van Codex en Anthropic's Claude Code. Belangrijk om te vermelden: dit is een leverancier die een overzicht publiceert van de toepassing van zijn eigen product in onderzoeksomgevingen, gebaseerd op casestudy's geschreven door de betrokken bijdragers. Dat maakt het onderliggende patroon echter niet minder interessant. ### Het onderhoudsprobleem van onderzoekssoftware Onderzoekssoftware heeft een bekend onderhoudsprobleem. Tools die zijn gebouwd voor één wetenschappelijk artikel, vaak gecodeerd door kleine academische teams zonder dedicated engineering support, stapelen technische schuld op. Niemand heeft het budget of de opdracht om die schuld af te lossen. OpenAI's rapport stelt dat agents die schuld kunnen aanpakken. De acht projecten die worden genoemd, bestrijken genomica, immunologie, statistiek en RNA-sequencing. ### Wat de agents precies deden De taken vallen grofweg in drie categorieën: het opschonen van packaging en build-systemen, het optimaliseren van de prestaties van bestaande code, en het volledig overzetten van talen of backends. - **cyvcf2**, een Python-bibliotheek voor het lezen van genomische variantbestanden, kreeg een nieuw, uniform build- en packagingsysteem. Bijdrager Brent Pedersen benadrukt dat snel gaan met agents één ding is, maar dat wetenschap ook 'expertbegeleiding, begrip, smaak en zorg' nodig heeft. - **HI.SIM**, een DNA-sequencing-leessimulator, onderging twee grotendeels autonome optimalisatierondes van GPT-5.2 en GPT-5.6. Bijdrager Andrew Ho meldt een runtimevermindering van 31 procent over een representatieve testset, zonder de output te veranderen. Ho, die zichzelf geen genomics-specialist of C-programmeur noemt, noemt het resultaat 'ronduit magisch'. - **Hifiasm**, gebruikt voor genoomassemblage uit PacBio HiFi-reads, kreeg een runtimevermindering van 25 procent op het optimalisatiedoel en ongeveer 15 procent op aparte menselijke sequencingdata. Bijdrager Suyash Shringarpure beschrijft hoe de agent zelf benchmark-scaffolding opzette en zelfstandig kandidaten voorstelde. Toch bleef het aanleveren van profileringsresultaten en het sturen van het model weg van herhaalde faalpatronen mensenwerk. - **MHCflurry**, dat eiwitfragmenten voorspelt die aan T-cellen worden gepresenteerd, zag zijn TensorFlow/Keras-backend migreren naar PyTorch, met behoud van compatibiliteit met eerder uitgebrachte modelgewichten. De bijdragers noemen dit 'onglamoureuze, arbeidsintensieve onderhouds' die open-source wetenschappelijke projecten in leven houdt. - **bayesm-rs**, een Rust-port van statistische modellen uit R's bayesm-pakket, evenaarde de schattingen van de originele software binnen een vooraf ingestelde tolerantie en draaide 2,3–2,7 keer sneller op één processorthread, oplopend tot 4,4–9,5 keer sneller over acht threads. Agents handelden alles met een directe referentie snel en correct af; uitbreidingen die statistisch oordeel vereisten, hadden directe menselijke validatie nodig. ### Rust-ports en een GPU-herontwerp Drie verdere projecten – rustar-aligner, svb en kuva – betroffen Rust-builds uitgevoerd met coding agents, waaronder een volledige recreatie van STAR, een veelgebruikt RNA-sequentie-alignment-tool dat geen actief onderhoud meer had. Bijdrager James M. Ferguson zegt dat agents veranderen wat de moeite waard is om te proberen: het met de hand herschrijven van een aligner van 20.000 regels is geen verstandige tijdsbesteding, maar met een agent wordt het weken van gestuurd werk. Verificatie is volgens hem een heel ander verhaal. > "Snel gaan met agents is één ding, maar ver komen in de wetenschap vereist nog steeds expertbegeleiding, begrip, smaak en zorg." – Brent Pedersen Dit rapport laat zien dat coding agents niet alleen interessant zijn voor commerciële toepassingen zoals AI website bouwen, maar ook een serieuze rol kunnen spelen in het onderhoud en de optimalisatie van kritieke wetenschappelijke software. De combinatie van menselijke expertise en AI-assistentie lijkt de weg vooruit.