Agentische AI in de wetenschappelijke computing maakte dinsdag een concrete sprong vooruit toen OpenAI een veldrapport publiceerde waaruit blijkt dat onderzoekers AI-codeagenten inzetten om maanden werk aan wetenschappelijke software terug te brengen tot enkele dagen.
Het rapport documenteert echte implementaties in de genomica en bredere computationele biologie, waarbij taken die voorheen 18 maanden duurden, nu in ongeveer een week zijn voltooid.
OpenAI presenteert dit als bewijs dat agentische AI de manier waarop ontdekkingen tot stand komen nu al verandert – niet als toekomstbelofte, maar als bestaande capaciteit die in lopende onderzoeksprogramma’s wordt ingezet.
Agentische AI in Scientific Computing: wat OpenAI daadwerkelijk vaststelde
Agentische AI in scientific computing is de kern van het rapport, en de conclusies zijn concreet. Wetenschappers die aan genomische analysepijplijnen werken, gebruikten AI-codeagenten om verouderde wetenschappelijke software in een tempo te moderniseren dat twee jaar geleden simpelweg onrealistisch zou zijn geweest.
Eén casus in het rapport beschrijft een moderniseringstraject voor software waarvoor 18 maanden ontwikkeltijd was ingecalculeerd. Met AI-codeagenten werd datzelfde traject in één week afgerond.
De compressiefactor van grofweg 90% is niet simpelweg het gevolg van sneller code tikken.
Het weerspiegelt een fundamenteel ander werkmodel. De AI-agenten vulden niet slechts regels code aan.
Ze lazen de bestaande codebase, detecteerden verouderde onderdelen, stelden herschrijvingen voor, testten de output en herhaalden de cyclus – met minimale menselijke tussenkomst. Wetenschappers stuurden de agenten op doelen af, in plaats van elke stap gedetailleerd voor te schrijven.
Dit is het wezenlijke verschil tussen een AI‑agent en een traditionele code-assistent.
Een copilot suggereert de volgende regel code. Een agent plant een meerstapsopdracht, voert die over een hele sessie uit, bewaakt zijn eigen output en stuurt bij als resultaten buiten de verwachte bandbreedte vallen.
Het OpenAI-rapport is een van de meest concrete publieke inkijkjes tot nu toe in hoe dit er in de praktijk uitziet binnen onderzoeksinstellingen.
Waarom genomica de eerste testcase is voor AI-codeagenten
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 zich op. Het moderniseren van een genomische pijplijn vraagt normaal gesproken om ingenieurs die zowel de biologische context als de software-architectuur begrijpen.
Die combinatie is zeldzaam en duur.
AI-codeagenten omzeilen dat schaarsteprobleem. Ze kunnen documentatie in meerdere programmeertalen lezen, wetenschappelijke commentaarregels in oude code interpreteren en moderne equivalenten genereren zonder jaren domeinkennis te hoeven opbouwen.
De bottleneck verschuift daarmee van het vinden van de juiste engineer naar het formuleren van de juiste doelspecificatie. Dat is een aanmerkelijk eenvoudiger vraagstuk.
Ook interessant: Crypto-wrenchaanvallen lopen op tot 52 gevallen in zes maanden, merendeels in Frankrijk
Het OpenAI-rapport gaat bovendien in op versnelling van ontdekking buiten louter softwaremodernisering.
Agenten die snellere code draaien, in schonere pijplijnen, op grotere datasets, leveren sneller resultaten op. In de genomica betekent dat eerder genetische varianten identificeren, snellere validatie van medicijndoelen en kortere trajecten van hypothese tot experimentele bevestiging.
Die snelheidswinst heeft een cumulatief effect.
Hoe Sam Altmans voorzichtigheid zich verhoudt tot deze versnelling
Het veldrapport verschijnt op dezelfde dag dat OpenAI-CEO Sam Altman tegen TechCrunch zegt dat het bedrijf mogelijk de “snelheid van AI-ontwikkeling moet doseren zodat de wereld er klaar voor is”. Die spanning is reëel en benoemenswaardig.
Een bedrijf dat tegelijk aantoont dat zijn AI-codeagenten 18‑maandenprojecten terugbrengen tot een week én stelt dat de wereld mogelijk nog niet klaar is voor wat volgt, spreekt zichzelf niet tegen.
Het beschrijft dezelfde situatie vanuit twee perspectieven.
Het veldrapport laat de capaciteit zien. Altmans uitspraak benoemt de consequenties.
Beide zijn juist. De open vraag is waar de echte remkracht ligt: bij de labs, bij toezichthouders of bij de onderzoekers die deze agenten nu al in productiepijplijnen voor genomica laten draaien.
Van onderzoeksnieuwigheid naar wetenschappelijke infrastructuur
Het bredere patroon is dat AI-codeagenten in scientific computing niet langer alleen worden geëvalueerd, maar daadwerkelijk worden uitgerold.
Het OpenAI-rapport is een veldrapport, geen academische publicatie. Dat onderscheid is relevant.
Een onderzoeksartikel beschrijft wat mogelijk is in gecontroleerde omstandigheden. Een veldrapport beschrijft wat er gebeurde toen echte wetenschappers echte tools op echte problemen toepasten en de uitkomst maten.
Wetenschappelijke computing liep traditioneel achter op consumentensoftware bij het adopteren van nieuwe tools.
De compressie van 18 maanden naar één week, zoals in het OpenAI-rapport beschreven, suggereert dat die achterstand sneller wordt ingelopen dan de meeste instellingen hadden voorzien. Labs en universiteiten die hun legacycode nog niet hebben doorgelicht op agent-ondersteunde modernisering, lopen aantoonbaar achter op peers die dat al wel deden.
De genomica‑case is bovendien niet uniek voor de biologie.
Computationele chemie, klimaatmodellering, astrofysica en materiaalkunde draaien eveneens op sterk verouderde codebases met kleine, gespecialiseerde onderhoudsteams. De dynamiek die genomica tot eerste beweger maakte, geldt in feite voor elke data- en rekkenintensieve discipline.
Wat OpenAI in één veld documenteert, lijkt zich moeiteloos te laten reproduceren in talloze andere domeinen.
Lees ook: De Sparrow Wallet in Apple's Store bleek nep – en $1,8 miljoen is verdwenen