Agentische AI in de wetenschappelijke computing maakte dinsdag een tastbare sprong vooruit toen OpenAI een veldrapport publiceerde waaruit blijkt dat onderzoekers AI-codeagents hebben ingezet om maanden aan werk aan wetenschappelijke software terug te brengen tot enkele dagen.
Het rapport documenteert concrete implementaties in genomica en de bredere computationele biologie, waar taken die eerder 18 maanden kostten nu in ongeveer een week zijn afgerond.
OpenAI presenteert dit als bewijs dat agentische AI de manier waarop ontdekkingen tot stand komen nu al verandert – niet als toekomstbelofte, maar als huidige praktijk in lopende onderzoeksprojecten.
Agentische AI in wetenschappelijke computing: wat OpenAI precies vond
Agentische AI voor wetenschappelijke computing staat centraal in het rapport, en de conclusies zijn concreet. Wetenschappers die aan genomische pijplijnen werken, gebruikten AI-codeagents om verouderde wetenschappelijke software te moderniseren met een snelheid die twee jaar geleden simpelweg niet haalbaar leek.
In één casus in het rapport ging het om een moderniseringsproject dat naar verwachting 18 maanden ontwikkelwerk zou vergen. Met AI-codeagents werd hetzelfde werk in een week voltooid.
De compressiefactor van circa 90% is niet simpelweg het gevolg van sneller code schrijven.
Het weerspiegelt een fundamenteel andere manier van werken. De AI-agents vullen niet alleen regels code aan.
Ze lezen de bestaande codebase, identificeren waar deze verouderd is, stellen herschrijvingen voor, testen de output en itereren daarop, allemaal met minimale menselijke tussenkomst. Wetenschappers sturen de agents op doelen aan, in plaats van elke stap uit te schrijven.
Dáárin onderscheidt een AI-agent zich van een traditionele code-assistent.
Een copilot doet een voorstel voor de volgende coderegel. Een agent plant een meerstapstaak, voert die binnen één sessie uit, monitort zijn eigen output en stuurt bij als resultaten buiten de verwachte bandbreedte vallen.
Het OpenAI-rapport is één van de duidelijkste publieke inkijkjes tot nu toe in hoe dat er in de praktijk uitziet binnen een onderzoeksinstelling.
Waarom genomica de eerste echte test voor AI-codeagents werd
Genomica is om structurele redenen een logische proeftuin voor agentische AI. Het vakgebied draait op legacysoftware, soms decennia oud, geschreven in talen als Fortran en C door wetenschappers die nauwkeurigheid boven onderhoudbaarheid stelden.
Die technische schuld stapelt op. Het moderniseren van een genomische pijplijn vergt normaal gesproken engineers die zowel de biologie als de softwarearchitectuur begrijpen.
Die combinatie is schaars én duur.
AI-codeagents omzeilen dat schaarsteprobleem. Ze kunnen documentatie in meerdere programmeertalen lezen, wetenschappelijke commentaren in oude code interpreteren en moderne equivalenten genereren zonder jaren domeinspecifieke opleiding.
De bottleneck verschuift daarmee van het vinden van de juiste engineer naar het scherp formuleren van het juiste doel. En dat is een aanzienlijk eenvoudiger probleem om op te lossen.
Ook interessant: Crypto-wrench-aanvallen lopen op tot 52 zaken in zes maanden, merendeel in Frankrijk
Het OpenAI-rapport gaat verder dan alleen softwaremodernisering en raakt ook aan versnelling van wetenschappelijke doorbraken.
Agents die snellere code draaien, in schonere pijplijnen, op grotere datasets, leveren sneller resultaten op. In genomica betekenen snellere resultaten een eerdere identificatie van genetische varianten, sneller valideren van mogelijke medicijndoelen en kortere trajecten van hypothese tot experimentele bevestiging.
Dat snelheidseffect stapelt zich op.
Hoe Sam Altmans voorzichtigheid zich verhoudt tot deze versnelling
Het OpenAI-rapport verscheen op dezelfde dag dat OpenAI-CEO Sam Altman tegen TechCrunch zei dat het bedrijf mogelijk de “snelheid van AI-ontwikkeling moet doseren zodat de wereld eraan toe is”. Die spanning is reëel en het benoemen waard.
Een bedrijf dat tegelijk bewijsmateriaal publiceert dat zijn AI-codeagents 18-maandenprojecten in een week terugbrengen én stelt dat de wereld misschien nog niet klaar is voor wat volgt, spreekt zichzelf daarmee niet tegen.
Het beschrijft dezelfde realiteit vanuit twee invalshoeken.
Het veldrapport toont de capaciteit. Altmans uitspraak wijst op de gevolgen.
Beide zijn waar. De vraag die onbeantwoord blijft, is waar de feitelijke regie over het tempo ligt: bij de AI-labs, bij toezichthouders, of bij de onderzoekers die deze agents nu al in live genomische pijplijnen draaien.
Van onderzoeksnieuwigheid naar kritieke infrastructuur
Het bredere patroon is dat AI-codeagents in wetenschappelijke computing niet langer slechts geëvalueerd worden, maar daadwerkelijk in productie staan.
Het OpenAI-rapport is een veldrapport, geen academisch artikel. Dat verschil is essentieel.
Een onderzoeksartikel beschrijft wat mogelijk is onder gecontroleerde omstandigheden. Een veldrapport beschrijft wat er feitelijk gebeurde toen echte wetenschappers echte tools op echte problemen toepasten en het resultaat maten.
Wetenschappelijke computing liep historisch achter op consumentensoftware bij de adoptie van nieuwe tools.
De sprong van 18 maanden naar één week die in het OpenAI-rapport wordt gedocumenteerd, suggereert dat die achterstand sneller wordt ingehaald dan de meeste instellingen hadden voorzien. Labs en universiteiten die hun legacycode nog niet hebben gescreend op mogelijkheden voor agent-ondersteunde modernisering, lopen inmiddels aantoonbaar achter op peers die dat wel hebben gedaan.
De genomica-case staat bovendien niet op zichzelf.
Computationele chemie, klimaatmodellering, astrofysica en materiaalkunde draaien allemaal op vergelijkbaar verouderde codebases met even schaarse beheerders. De dynamiek die genomica tot een vroege adopter maakte, geldt in principe voor elke rekenintensieve wetenschap.
Wat OpenAI in één vakgebied beschrijft, lijkt zich moeiteloos te laten kopiëren naar een dozijn andere domeinen.
Lees verder: De Sparrow Wallet in Apple's Store bleek nep – en $1,8 miljoen is verdwenen