AI-versnelling in de wetenschap: dit betekenen de nieuwe cijfers van OpenAI

Sophie Jansen · 2026-07-29

OpenAI heeft onlangs een opvallend veldrapport gepubliceerd waarin acht wetenschappelijke computerprojecten worden gevolgd. De conclusie? Codeeragenten, zoals OpenAI's Codex, kunnen de rekentijd van complexe software aanzienlijk verkorten. Maar wat betekent dit nu eigenlijk voor de gemiddelde onderzoeker of ontwikkelaar? Laten we eens kijken. Het rapport beschrijft projecten die in vijf gevallen uitsluitend gebruikmaakten van Codex en in drie andere gevallen een combinatie van Codex en Anthropic's Claude Code. Belangrijk om te vermelden: dit is een leverancier die een onderzoek publiceert over de toepassing van zijn eigen product, gebaseerd op casestudy's die door de betrokken bijdragers zijn geschreven. Dat gezegd hebbende, maakt dat het onderliggende patroon niet minder interessant om te onderzoeken. ### Waarom dit ertoe doet voor onderzoekers Wetenschappelijke software heeft namelijk een bekend onderhoudsprobleem. Tools die zijn gebouwd om één enkele paper te begeleiden, vaak gecodeerd door kleine academische teams zonder speciale technische ondersteuning, verzamelen technische schuld die niemand het budget of de opdracht heeft om af te lossen. OpenAI's rapport stelt dat agenten deze schuld kunnen aanpakken. De acht genoemde projecten bestrijken uiteenlopende gebieden zoals genomica, immunologie, statistiek en RNA-sequencing. Wat deden de agenten nu precies? De taken vallen grofweg in drie categorieën uiteen: - Opruimen van verpakkings- en buildsystemen - Prestatieoptimalisatie van bestaande code - Volledige taal- of backend-omzettingen (ports) Een mooi voorbeeld is cyvcf2, een Python-bibliotheek voor het lezen van genomische variantbestanden. Het verouderde build- en verpakkingssysteem werd vervangen door een nieuwer, uniform proces. Bijdrager Brent Pedersen merkte hierbij op dat snel gaan met agenten één ding is, maar dat wetenschap nog steeds "expertbegeleiding, begrip, smaak en zorg" nodig heeft. Een wijze les voor iedereen die denkt dat AI alles kan. ### Indrukwekkende resultaten, maar met een kanttekening De resultaten zijn opmerkelijk. HI.SIM, een DNA-sequencing-leessimulator, zag twee grotendeels autonome optimalisatierondes van GPT-5.2 en GPT-5.6. Bijdrager Andrew Ho meldt dat dit de runtime met 31 procent verminderde over een representatieve testset, zonder de output te wijzigen. Ho, die zichzelf omschrijft als noch een genomica-specialist noch een C-programmeur, noemt dit vanuit gebruikersperspectief "ronduit magisch". Eerder verloor hij tijd aan prestatiebugs en verpakkingsproblemen die hij wel kon herkennen, maar niet zelf kon oplossen. Hifiasm, gebruikt voor genoomassemblage uit PacBio HiFi-reads, kreeg een runtimevermindering van 25 procent op het optimalisatiedoel en ongeveer 15 procent op afzonderlijke menselijke sequencinggegevens. Bijdrager Suyash Shringarpure beschrijft hoe de agent zijn eigen benchmark-steigers opzette en zelfstandig kandidaten voorstelde. Toch benadrukt hij dat het aanleveren van profileringsresultaten en het sturen van het model weg van herhaalde faalpatronen nog steeds werk is dat alleen een mens kan doen. Een belangrijke nuance dus. ### Migraties die projecten nieuw leven inblazen MHCflurry, dat eiwitfragmenten voorspelt die aan T-cellen worden gepresenteerd, onderging een migratie van de TensorFlow/Keras-backend naar PyTorch, terwijl de compatibiliteit met eerder uitgebrachte modelgewichten behouden bleef. De bijdragers Alex Rubinsteyn, Sergey Feldman en Timothy O'Donnell omschrijven dit als het soort "onglamoureuze, arbeidsintensieve onderhoudswerk" dat open-source wetenschappelijke projecten in leven houdt in plaats van ze te laten vervallen. 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 tot 2,7 keer sneller op een enkele processorthread. Op acht threads liep dit op tot 4,4 tot 9,5 keer sneller. Volgens bijdragers Andrew Bai en Andrew Ho handelden de agenten alles met een directe referentie snel en correct af. Uitbreidingen die statistisch inzicht vereisten dat de originele code nooit vastlegde, hadden echter directe menselijke validatie nodig. ### De toekomst van software-onderhoud Drie verdere projecten — rustar-aligner, svb en kuva — betroffen Rust-builds uitgevoerd met codeeragenten, waaronder een volledige recreatie van STAR, een veelgebruikt RNA-sequencing-alignmentprogramma dat geen actief onderhoud meer had. Bijdrager James M. Ferguson stelt dat agenten 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, voegt hij eraan toe, is een heel ander verhaal. Een model kan code genereren, maar of die code ook correct is, blijft mensenwerk. Kortom, de bevindingen van OpenAI laten zien dat codeeragenten een waardevolle rol kunnen spelen in het versnellen van wetenschappelijke softwareontwikkeling. Maar de rapporten benadrukken ook dat menselijke expertise onmisbaar blijft voor begeleiding, validatie en het nemen van verantwoorde beslissingen. Het is een mooie balans tussen automatisering en menselijk oordeelsvermogen, en daar ligt de echte winst.