Il calcolo scientifico guidato da agenti AI ha compiuto martedì un passo concreto in avanti, quando OpenAI ha pubblicato un rapporto sul campo che mostra come i ricercatori abbiano usato AI Coding Agents per condensare in pochi giorni mesi di sviluppo di software scientifico.
Il rapporto documenta implementazioni reali nella genomica e nella biologia computazionale, in cui attività che in passato richiedevano 18 mesi sono state completate in circa una settimana.
OpenAI presenta questi dati come la prova che l’agentic AI sta già cambiando il processo della scoperta scientifica: non una promessa futura, ma una capacità attualmente in uso in progetti live.
Agentic AI nel calcolo scientifico: cosa emerge davvero dal rapporto OpenAI
Il rapporto è interamente dedicato al calcolo scientifico basato su agenti e contiene evidenze puntuali. Gli scienziati che lavorano su pipeline genomiche hanno usato AI Coding Agents per modernizzare software scientifico legacy a una velocità che, solo due anni fa, sarebbe sembrata irrealistica.
Uno dei casi descritti riguarda un progetto di ammodernamento software per il quale si stimavano 18 mesi di lavoro ingegneristico. Con gli AI Coding Agents, la stessa attività è stata completata in una settimana.
Il “fattore 90%” di compressione non è frutto di una mera scrittura più rapida del codice.
Riflette un modello di lavoro del tutto diverso. Gli agenti non si limitano ad autocompletare righe di codice.
Leggono l’intero codice esistente, individuano le parti obsolete, propongono riscritture, testano i risultati e iterano, con un intervento umano ridotto al minimo tra una fase e l’altra. Gli scienziati forniscono gli obiettivi, non l’elenco dettagliato dei passaggi.
È questa la vera differenza tra un agente AI e un normale assistente di programmazione.
Un copilot suggerisce la prossima riga di codice. Un agente pianifica un compito multi-step, lo esegue in sessioni prolungate, monitora i propri output e li corregge quando escono dai parametri attesi.
Il rapporto OpenAI è una delle descrizioni pubbliche più chiare di cosa significhi, in pratica, utilizzare questi sistemi all’interno di un’istituzione di ricerca.
Perché la genomica è il banco di prova naturale per gli AI Coding Agents
La genomica è un terreno ideale per l’agentic AI per motivi strutturali. L’intero settore si basa su software legacy, in alcuni casi vecchio di decenni, scritto in linguaggi come Fortran e C da scienziati che privilegiavano la correttezza del risultato rispetto alla manutenibilità del codice.
Questo debito tecnico si accumula. Modernizzare una pipeline genomica richiede normalmente figure in grado di padroneggiare sia la biologia che l’architettura software.
Una combinazione di competenze rara e costosa.
Gli AI Coding Agents aggirano il vincolo di scarsità. Possono leggere documentazione in più linguaggi di programmazione, interpretare i commenti scientifici annidati nel codice storico e generare equivalenti moderni senza richiedere anni di formazione specifica nel dominio.
Il collo di bottiglia si sposta così dalla ricerca dell’ingegnere “giusto” alla corretta definizione degli obiettivi da dare all’agente. Un problema decisamente più semplice da risolvere.
Da leggere anche: Attacchi “crypto wrench” a quota 52 casi in sei mesi, la maggior parte in Francia
Il rapporto OpenAI affronta anche il tema dell’accelerazione della discovery oltre il semplice ammodernamento software.
Agenti che eseguono codice più veloce, su pipeline più pulite e su dataset più ampi producono risultati in tempi ridotti. In genomica, ciò si traduce in una più rapida identificazione di varianti genetiche, in una validazione più veloce di nuovi target farmacologici e in tempistiche più brevi dal momento dell’ipotesi alla conferma sperimentale.
Il vantaggio di velocità tende a cumularsi nel tempo.
Come si concilia la cautela di Sam Altman con questa accelerazione
Il rapporto OpenAI è stato pubblicato lo stesso giorno in cui il CEO Sam Altman ha dichiarato a TechCrunch che l’azienda potrebbe dover “modulare il ritmo di sviluppo dell’AI affinché il mondo sia pronto ad accoglierla”. Una tensione reale, che vale la pena esplicitare.
Un’azienda che, da un lato, diffonde dati secondo cui i suoi AI Coding Agents comprimono progetti scientifici da 18 mesi a una settimana e, dall’altro, suggerisce che il mondo potrebbe non essere pronto per ciò che verrà, non si sta contraddicendo.
Sta descrivendo la medesima realtà da due angolazioni diverse.
Il rapporto sul campo mostra la capacità. Il commento di Altman richiama alle conseguenze.
Entrambi gli aspetti sono corretti. La domanda, che resta aperta, è dove si collochi davvero il potere di definire il ritmo: nei laboratori, nei regolatori o nei ricercatori che già oggi eseguono questi agenti all’interno di pipeline genomiche operative.
Da curiosità di laboratorio a nuova infrastruttura scientifica
Il quadro più ampio è che gli AI Coding Agents nel calcolo scientifico non sono più semplici oggetti di valutazione: sono strumenti ormai in fase di deployment.
Il documento di OpenAI è un rapporto sul campo, non un paper accademico. La differenza è sostanziale.
Un paper descrive ciò che è possibile in condizioni controllate. Un field report racconta cosa è accaduto quando scienziati reali hanno usato strumenti reali su problemi concreti, misurandone i risultati.
Storicamente, il calcolo scientifico ha sempre inseguito, con un certo ritardo, il software consumer nell’adozione di nuovi strumenti.
La compressione da 18 mesi a una settimana descritta nel rapporto OpenAI suggerisce che questo divario si stia chiudendo più in fretta di quanto molte istituzioni avessero previsto. Laboratori e università che non hanno ancora valutato i propri codebase legacy in ottica di modernizzazione con agenti AI sono già misurabilmente in ritardo rispetto ai pari che lo hanno fatto.
Il caso della genomica non è un’eccezione confinata alla biologia.
Chimica computazionale, modellistica climatica, astrofisica e scienza dei materiali si basano tutte su codebase altrettanto datate, mantenute da comunità ristrette di specialisti. Le dinamiche che hanno reso la genomica un first mover valgono per ogni disciplina scientifica ad alta intensità di calcolo.
Quanto OpenAI ha documentato in un ambito appare facilmente replicabile in molti altri.
Da leggere dopo: Il wallet Sparrow sull’Apple Store era falso: bruciati 1,8 milioni di dollari