Lompatan nyata dalam komputasi ilmiah berbasis agen AI terjadi pada Selasa ketika OpenAI merilis sebuah laporan lapangan yang menunjukkan para peneliti menggunakan AI Coding Agents untuk memadatkan pekerjaan pengembangan perangkat lunak ilmiah dari hitungan bulan menjadi hari.
Laporan tersebut mencatat penerapan nyata di genomik dan biologi komputasional yang lebih luas, di mana tugas yang sebelumnya diperkirakan memakan waktu 18 bulan mampu diselesaikan dalam sekitar satu pekan.
OpenAI memosisikan temuan ini sebagai bukti bahwa agentic AI sudah mengubah cara penemuan ilmiah berlangsung — bukan lagi janji masa depan, melainkan kapabilitas yang sudah digunakan di garis depan riset.
Komputasi Ilmiah dengan Agentic AI: Apa Saja Temuan Utama Laporan OpenAI
Fokus utama laporan ini adalah komputasi ilmiah yang digerakkan agen AI, dengan hasil yang cukup rinci. Tim ilmuwan yang mengerjakan pipeline genomik memakai AI Coding Agents untuk memodernisasi perangkat lunak ilmiah warisan (legacy) dengan kecepatan yang dua tahun lalu masih terasa mustahil.
Salah satu studi kasus dalam laporan itu adalah proyek modernisasi perangkat lunak yang awalnya diperkirakan membutuhkan 18 bulan kerja rekayasa. Dengan AI Coding Agents, pekerjaan yang sama rampung dalam waktu sekitar satu minggu.
Rasio pemampatan waktu sekitar 90% itu bukan sekadar soal “mengetik kode lebih cepat”.
Ini mencerminkan model kerja yang sama sekali berbeda. Agen AI tidak hanya melengkapi baris kode secara otomatis.
Agen membaca keseluruhan basis kode yang sudah ada, mengidentifikasi bagian yang usang, mengusulkan penulisan ulang, menguji keluaran, lalu mengiterasi — semuanya dengan campur tangan manusia yang sangat minim di setiap tahap. Ilmuwan cukup mengarahkan agen ke tujuan akhir, bukan mendefinisikan setiap langkah secara rinci.
Di sinilah letak perbedaan mendasar antara agen AI dan asisten koding konvensional.
Sebuah “copilot” hanya menyarankan baris kode berikutnya. Agen, sebaliknya, merancang rencana multi-langkah, mengeksekusinya dalam satu sesi kerja, memantau hasilnya, dan merevisi ketika output melenceng dari rentang yang diharapkan.
Laporan OpenAI menjadi salah satu gambaran paling jelas yang tersedia di ruang publik tentang bagaimana praktik ini dijalankan di institusi riset nyata.
Mengapa Genomik Jadi Ladang Uji Utama Agen Koding AI
Genomik menjadi ajang pembuktian alami bagi agentic AI karena faktor struktural. Bidang ini bergantung pada perangkat lunak warisan, sebagian berusia puluhan tahun, ditulis dalam bahasa seperti Fortran dan C oleh ilmuwan yang mengutamakan kebenaran hasil ketimbang kemudahan pemeliharaan.
“Utang teknis” itu menumpuk. Memodernisasi sebuah pipeline genomik biasanya membutuhkan insinyur yang paham sekaligus biologi dan arsitektur perangkat lunak.
Kombinasi keahlian semacam ini langka dan mahal.
AI Coding Agents mengelak dari masalah kelangkaan tersebut. Agen dapat membaca dokumentasi dalam berbagai bahasa pemrograman, memahami komentar ilmiah yang tertanam di kode lama, lalu menghasilkan padanan modern tanpa perlu bertahun-tahun pelatihan domain.
Sumbatan (bottleneck) bergeser dari “mencari insinyur yang tepat” menjadi “merumuskan spesifikasi tujuan yang tepat”. Itu masalah yang jauh lebih mudah dipecahkan.
Juga Baca: Serangan Crypto Wrench Tembus 52 Kasus dalam Enam Bulan, Mayoritas di Prancis
Laporan OpenAI juga menyinggung percepatan penemuan ilmiah yang melampaui sekadar modernisasi perangkat lunak.
Agen yang menjalankan kode lebih cepat, di pipeline yang lebih rapi, pada himpunan data yang lebih besar, akan menghasilkan temuan dengan tempo yang juga lebih cepat. Di genomik, percepatan itu berarti identifikasi varian genetik yang lebih dini, validasi target obat yang lebih lekas, dan durasi yang lebih pendek dari hipotesis hingga konfirmasi eksperimental.
Keunggulan kecepatan ini bersifat mengakumulasi.
Di Mana Sikap Hati‑hati Sam Altman Berada di Tengah Laju Akselerasi Ini
Laporan OpenAI dirilis pada hari yang sama ketika CEO OpenAI Sam Altman mengatakan kepada TechCrunch bahwa perusahaan mungkin perlu “mengatur laju pengembangan AI agar dunia sempat bersiap menghadapinya.” Ketegangan itu nyata dan layak diangkat.
Sebuah perusahaan di satu sisi mempublikasikan bukti bahwa AI Coding Agents-nya mampu memampatkan proyek sains 18 bulan menjadi sepekan, dan di sisi lain menyatakan dunia mungkin belum siap menghadapi tahap berikutnya — keduanya bukan pernyataan yang saling bertentangan.
Itu dua sudut pandang atas situasi yang sama.
Laporan lapangan menunjukkan kapabilitas. Komentar Altman mengakui konsekuensi.
Keduanya sahih. Pertanyaan yang belum terjawab adalah: siapa sebenarnya yang memegang kendali penentu kecepatan — laboratorium, regulator, atau para peneliti yang sudah menjalankan agen-agen ini di pipeline genomik produksi?
Dari Eksperimen Riset Menjadi Infrastruktur Ilmiah
Pola yang muncul lebih lebar: AI Coding Agents dalam komputasi ilmiah sudah bergeser dari sekadar bahan evaluasi menjadi komponen yang benar-benar dioperasikan.
Laporan OpenAI adalah laporan lapangan, bukan makalah riset. Pembedaan ini penting.
Makalah riset menjelaskan apa yang mungkin terjadi dalam kondisi terkendali. Laporan lapangan menjelaskan apa yang sungguh-sungguh terjadi ketika ilmuwan memakai alat nyata pada masalah nyata dan mengukur hasilnya.
Komputasi ilmiah selama ini tertinggal dari perangkat lunak konsumen dalam mengadopsi alat baru.
Pemampatan 18 bulan menjadi satu minggu yang didokumentasikan laporan OpenAI mengindikasikan kesenjangan itu menutup jauh lebih cepat daripada yang direncanakan kebanyakan institusi. Laboratorium dan universitas yang belum mengaudit basis kode warisan mereka untuk modernisasi berbantuan agen kini secara terukur tertinggal dari rekan-rekan yang sudah melakukannya.
Kasus di genomik juga bukan keanehan yang hanya terjadi di biologi.
Kimia komputasional, pemodelan iklim, astrofisika, dan ilmu material sama‑sama berjalan di atas basis kode tua dengan jumlah pengelola (maintainer) yang terbatas. Dinamika yang menjadikan genomik sebagai perintis berlaku di hampir semua disiplin sains yang padat komputasi.
Apa yang didokumentasikan OpenAI di satu bidang kemungkinan besar bisa direplikasi di banyak bidang lain.
Baca Selanjutnya: Aplikasi Sparrow Wallet di Apple Store Ternyata Palsu, Dana US$1,8 Juta Raib