Il calcolo scientifico guidato da agenti AI ha compiuto martedì un passo concreto quando OpenAI ha pubblicato un field report che mostra come i ricercatori abbiano usato AI Coding Agents per comprimere in pochi giorni lavoro di sviluppo software scientifico che normalmente richiederebbe mesi.
Il report documenta casi reali in genomica e, più in generale, nella biologia computazionale, in cui attività che in passato richiedevano 18 mesi sono state completate in circa una settimana.
OpenAI presenta questi risultati come prova che l’AI “agentica” sta già cambiando il modo in cui avviene la scoperta scientifica: non una promessa futura, ma una capacità presente, già operativa.
Calcolo scientifico con Agentic AI: cosa emerge davvero dal report OpenAI
Il cuore del report è il calcolo scientifico con agenti AI, e le evidenze sono puntuali. Gli scienziati che lavorano su pipeline genomiche hanno usato AI Coding Agents per modernizzare software scientifico legacy a una velocità che due anni fa sarebbe sembrata irrealistica.
In uno dei casi descritti, un progetto di modernizzazione software stimato in 18 mesi di lavoro di ingegneria è stato portato a termine in una settimana grazie agli AI Coding Agents.
La compressione dei tempi, all’incirca del 90%, non dipende semplicemente dallo “scrivere codice più in fretta”.
Riflette un modello di lavoro completamente diverso. Gli agenti AI non si limitano ad autocompletare righe di codice.
Hanno letto l’intera codebase esistente, identificato le parti obsolete, proposto riscritture, testato l’output e iterato, con un intervento umano minimo tra un passaggio e l’altro. Gli scienziati hanno indicato agli agenti gli obiettivi, non ogni singolo passo.
È questa la differenza tra un agente AI e un assistente di coding tradizionale.
Un copilot suggerisce la prossima riga. Un agente pianifica un compito multi-step, lo esegue su più sessioni, monitora il proprio output e lo rivede quando i risultati escono dagli intervalli attesi.
Il report di OpenAI è uno dei resoconti pubblici più chiari su come questo approccio funzioni, nella pratica, 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 mettere alla prova l’AI agentica per una ragione strutturale. Il settore si regge su software legacy, in alcuni casi vecchio di decenni, scritto in linguaggi come Fortran e C da scienziati che hanno privilegiato la correttezza del risultato rispetto alla manutenibilità del codice.
Quel debito tecnico si accumula. Modernizzare una pipeline genomica richiede normalmente ingegneri che capiscano sia la biologia sia l’architettura software.
Una combinazione di competenze rara e costosa.
Gli AI Coding Agents aggirano questo vincolo di scarsità. Possono leggere documentazione in più linguaggi di programmazione, interpretare i commenti scientifici annidati in codice datato e generare equivalenti moderni senza richiedere anni di specializzazione nel dominio.
Il collo di bottiglia si sposta dal trovare “l’ingegnere giusto” al definire “l’obiettivo giusto”. Un problema molto più semplice da risolvere.
Da leggere anche: Attacchi “crypto wrench” arrivano a 52 casi in sei mesi, la maggior parte in Francia
Il report OpenAI tocca anche il tema dell’accelerazione della scoperta oltre la sola modernizzazione software.
Agenti che eseguono codice più veloce, in pipeline più pulite, su dataset più ampi producono risultati in meno tempo. In genomica, tempi più rapidi significano identificare prima le varianti genetiche, validare più velocemente i target farmacologici e accorciare drasticamente l’intervallo tra ipotesi ed evidenza sperimentale.
Il vantaggio di velocità si accumula nel tempo.
Come si inserisce la cautela di Sam Altman in questo scenario di accelerazione
Il report viene pubblicato lo stesso giorno in cui il CEO di OpenAI, Sam Altman, dichiara a TechCrunch che l’azienda potrebbe dover “regolare il passo dello sviluppo dell’AI perché il mondo sia pronto”. Una tensione reale, che vale la pena esplicitare.
Un’azienda che da un lato diffonde dati che mostrano come i suoi AI Coding Agents comprimano progetti scientifici da 18 mesi a una settimana, e dall’altro suggerisce che il mondo potrebbe non essere pronto per ciò che verrà dopo, non è in contraddizione.
Sta descrivendo la stessa realtà da due prospettive diverse.
Il field report mostra le capacità. Il commento di Altman ne riconosce le conseguenze.
Entrambe le letture sono corrette. La domanda che resta aperta è dove risieda davvero il potere di fissare il ritmo: nei laboratori, nei regolatori, o nei ricercatori che già oggi eseguono questi agenti nelle pipeline genomiche operative.
Da curiosità di laboratorio a infrastruttura scientifica
Il quadro più ampio è che gli AI Coding Agents nel calcolo scientifico non sono più strumenti in fase di valutazione: sono strumenti in fase di deployment.
Il report di OpenAI è un field report, non un paper accademico. La distinzione è rilevante.
Un articolo di ricerca descrive ciò che è possibile in condizioni controllate. Un field report racconta cosa è successo quando scienziati veri hanno usato strumenti reali su problemi reali, misurandone l’impatto.
Storicamente il calcolo scientifico ha adottato i nuovi strumenti con ritardo rispetto al software consumer.
La compressione 18 mesi–una settimana documentata nel report suggerisce che questo divario si stia chiudendo più in fretta di quanto molti istituti avessero previsto. Laboratori e università che non hanno ancora passato in rassegna il proprio codice legacy per una modernizzazione assistita da agenti risultano ormai in ritardo rispetto ai pari che l’hanno già fatto.
Il caso della genomica non è unico nel mondo della biologia.
Chimica computazionale, modellizzazione climatica, astrofisica e scienza dei materiali si basano su codebase altrettanto datate e su comunità di manutentori altrettanto ristrette. Le dinamiche che hanno fatto della genomica il primo settore ad adottare questi strumenti valgono per ogni disciplina scientifica ad alta intensità di calcolo.
Quanto OpenAI ha documentato in un campo appare replicabile in molti altri.
Da leggere dopo: Il wallet Sparrow su Apple Store era falso, e sono spariti 1,8 milioni di dollari