Hoe AI-coderingsagenten wetenschappelijke software tot 9,5x sneller maken

Sophie Jansen · 2026-07-29

OpenAI heeft een nieuw veldrapport uitgebracht waarin acht wetenschappelijke computerprojecten worden gevolgd waar coderingsagenten de uitvoertijd hebben verkort. Laten we eerlijk zijn: dit is een verkoper die een onderzoek publiceert naar zijn eigen product, gebaseerd op casestudy's van de betrokkenen. Maar dat maakt het onderliggende patroon niet minder interessant. Onderzoekssoftware heeft namelijk een bekend onderhoudsprobleem. Tools die voor één paper worden gebouwd, door kleine academische teams zonder dedicated engineering support, stapelen technische schuld op die niemand wil of kan aflossen. OpenAI's rapport stelt dat agenten die schuld kunnen aanpakken. De acht projecten bestrijken genomica, immunologie, statistiek en RNA-sequencing. ### Wat de agenten precies deden De taken vallen grofweg in drie categorieën: opschonen van packaging en build-systemen, optimaliseren van bestaande code, en volledige taal- of backend-overschakelingen. **cyvcf2**, een Python-bibliotheek voor het lezen van genomische variantbestanden, kreeg een nieuw build- en packaging-systeem. Bijdrager Brent Pedersen merkte op dat snel gaan met agenten één ding is, maar dat wetenschap nog steeds 'expertbegeleiding, begrip, smaak en zorg' nodig heeft. **HI.SIM**, een DNA-sequencing reads simulator, onderging twee grotendeels autonome optimalisatierondes van GPT-5.2 en GPT-5.6. Bijdrager Andrew Ho zegt dat dit de uitvoertijd met 31% verkortte zonder de output te veranderen. Ho, die zichzelf omschrijft als noch genomics-specialist noch C-programmeur, noemde het resultaat 'niets minder dan magisch'. **Hifiasm**, gebruikt voor genoomassemblage uit PacBio HiFi-reads, kreeg een uitvoertijdvermindering van 25% op het optimalisatiedoel en ongeveer 15% op aparte menselijke sequencingdata. Bijdrager Suyash Shringarpure benadrukte dat het leveren van profileringsresultaten en het sturen van het model weg van herhaalde fouten werk blijft dat alleen een mens kan doen. **MHCflurry**, dat eiwitfragmenten voorspelt die aan T-cellen worden gepresenteerd, migreerde van TensorFlow/Keras naar PyTorch. Bijdragers noemen dit 'onglamoureus, arbeidsintensief onderhoud' dat open-source projecten levend houdt. **bayesm-rs**, een Rust-port van statistische modellen uit R's bayesm-pakket, draaide 2,3 tot 2,7 keer sneller op één processorthread en 4,4 tot 9,5 keer sneller op acht threads. Agenten verwerkten alles met een directe referentie snel en correct, maar uitbreidingen die statistisch oordeel vereisten, hadden menselijke validatie nodig. ### Rust-ports en een GPU-herontwerp Drie verdere projecten – rustar-aligner, svb en kuva – betroffen Rust-builds met coderingsagenten, waaronder een volledige recreatie van STAR, een veelgebruikte RNA-sequentie-aligneringstool die actief onderhoud verloor. Bijdrager James M. Ferguson zegt dat agenten veranderen wat de moeite waard is: het met de hand herschrijven van een aligner van 20.000 regels is niet zinvol, maar met een agent wordt het weken van gestuurd werk. Verificatie, voegde hij toe, is een aparte zaak. Een model kan de code genereren, maar een mens moet controleren of de wetenschap klopt. ### Wat betekent dit voor AI-websitebouwers? Deze ontwikkelingen zijn niet alleen relevant voor wetenschappers. Dezelfde coderingsagenten die hier worden gebruikt – Codex en Claude Code – worden steeds vaker ingezet voor het bouwen van AI-websites. Denk aan het automatiseren van back-end migraties, het optimaliseren van laadtijden en het herschrijven van verouderde code naar moderne talen zoals Rust. Net als in de wetenschap geldt: snelheid is één ding, maar kwaliteit en menselijk toezicht blijven essentieel. - **Packaging en builds**: Agenten kunnen verouderde systemen vervangen door gestroomlijnde processen. - **Prestatie-optimalisatie**: Runtime-verbeteringen van 15% tot 31% zijn haalbaar zonder outputwijzigingen. - **Taaloverschakelingen**: Ports naar Rust of PyTorch kunnen snelheidswinsten van 2x tot 9x opleveren. De boodschap is duidelijk: AI-coderingsagenten zijn krachtige hulpmiddelen, maar ze vervangen de menselijke expert niet. Ze versnellen het werk, maar de richting, verificatie en zorg blijven bij ons.