Agen Pengkode AI Memodernisasi Perangkat Lunak Penelitian yang Sudah Tua, tetapi Tidak Dapat Mengetahui Apakah Sains Benar

Laporan lapangan dari OpenAI dan kolaborator akademis menemukan bahwa agen pengkodean AI dapat secara dramatis mempercepat modernisasi perangkat lunak ilmiah yang sudah tua, menulis ulang alat dalam bahasa yang lebih cepat, dan memangkas waktu proses hingga berkali-kali lipat. Masalahnya: agen yang sama tidak dapat menilai secara andal apakah pekerjaan mereka benar secara ilmiah, sering kali menyajikan kode buggy dengan penuh keyakinan.

Laporan tersebut, diterbitkan pada 1 Agustus 2026 dan didokumentasikan oleh The Decoder, meneliti delapan studi kasus — sebagian besar dalam bidang biologi — di mana kelompok penelitian menggunakan agen pengkodean seperti Codex dan Claude Code untuk menyelamatkan, mengoptimalkan, dan menulis ulang perangkat lunak penting. Untuk pelaporan berkelanjutan mengenai alat yang mengubah ilmu pengetahuan dan industri, ikuti berita AI terbaru.

Krisis Tenang dalam Perangkat Lunak Ilmiah

Sebagian besar perangkat lunak yang mendasari penelitian modern dimulai sebagai kode pendukung untuk satu makalah. Tim akademis kecil membuat alat ini tanpa sumber daya untuk pengujian, pemeliharaan, atau pengoptimalan yang tepat. Hasilnya adalah fondasi yang rapuh: program-program yang tetap penting di seluruh bidang namun memerlukan perbaikan terus-menerus. Laporan lapangan OpenAI menunjukkan bahwa agen pengkodean AI dapat membantu menutup kesenjangan yang sudah lama ada.

Proyek-proyek tersebut berkisar dari pemeliharaan rutin hingga penulisan ulang penuh dalam bahasa pemrograman modern, dan beberapa di antaranya memberikan peningkatan kinerja yang menarik.

Membangun kembali STAR di Rust

Salah satu proyek yang lebih ambisius, rustar-aligner, membangun kembali STAR dari awal di Rust. STAR adalah alat yang banyak digunakan untuk memetakan pembacaan sekuensing dari sel ke lokasi terkaitnya dalam genom. Program asli berisi lebih dari 20.000 baris C dan C++ dan tidak lagi dipelihara secara aktif, meskipun program tersebut tetap tertanam di banyak jalur penelitian.

Untuk memverifikasi penulisan ulang, tim menguji kedua alat tersebut pada 10.000 pembacaan sekuensing pendek dari sel ragi. Untuk pembacaan satu ujung, pelurus karat memberikan hasil yang sama seperti STAR dalam 99,815 persen kasus. Untuk pembacaan berpasangan, tingkat persetujuannya adalah 99,883 persen. Perbandingan tersebut melampaui lokasi yang dipetakan untuk mencakup beberapa bidang penting lainnya yang dihasilkan oleh kedua program untuk setiap pembacaan, dan tidak ada alat yang memetakan pembacaan apa pun yang gagal dipetakan oleh program lainnya.

Percepatan 60 Kali Lipat

RustQC memberikan percepatan terbesar dengan menggabungkan 15 alat kontrol kualitas terpisah ke dalam satu program. Pada kumpulan data yang besar, waktu proses turun drastis dari 15 jam 34 menit menjadi hanya 14 menit dan 54 detik — peningkatan yang lebih dari 60 kali.

Proyek lainnya, HelixForge, menggantikan alat untuk menghasilkan data genom sintetik dengan versi yang dipercepat GPU. Dalam pengujian yang menggunakan data dari satu donor dan sepuluh juta pasangan basa bagian genom, HelixForge menyelesaikan seluruh pipeline 59,6 kali lebih cepat dibandingkan BamSurgeon asli, dengan langkah komputasi utama saja yang berjalan 98,6 kali lebih cepat.

Dalam modernisasi yang lebih konvensional, GPT-5.5 menggantikan proses pembuatan dan instalasi cyvcf2 yang sudah ketinggalan zaman, sebuah pustaka Python untuk membaca data genetik. Semakin terlibatnya migrasi MHCflurry, Claude Code dan Codex bergantian berperan sebagai pengembang dan peninjau sambil mem-porting sekitar 10.000 baris kode dari TensorFlow ke PyTorch. MHCflurry adalah model imunologi yang memprediksi target mana yang akan dikenali oleh sel imun.

'Meyakinkan Diri Salah'

Namun, temuan utama ini sungguh menyedihkan. Di seluruh studi kasus, agen menyelesaikan tugas yang ditentukan dengan cepat tetapi tidak dapat menilai apakah pekerjaan mereka benar secara ilmiah. Bahkan ketika kode mereka mengandung kesalahan, sistem sering kali menyajikannya dengan penuh keyakinan.

Brent Pedersen, pengembang cyvcf2, menangkap ketegangan tersebut dalam laporannya: "Dengan agen pengkodean, cukup mudah untuk bergerak cepat; untuk saat ini, untuk mencapai kemajuan dalam sains, masih diperlukan bimbingan, pemahaman, rasa, dan perhatian dari para ahli."

Philip Ewels, yang memimpin proyek RustQC, berterus terang. Dia menggambarkan para agen tersebut sebagai "fasih, meyakinkan, dan yakin bahwa mereka salah dalam hal-hal yang mudah untuk dilewatkan." Ewels tidak pernah membiarkan model menilai keakuratan pekerjaan mereka sendiri, melainkan membangun rangkaian pengujian independen untuk mengetahui kesalahan mereka.

Kesalahan Menyembunyikan di Pandangan Biasa

Studi kasus bayesm menggambarkan betapa sulitnya menangkap kesalahan ini. Penulisan ulang Rust-nya berjalan antara dua hingga dua puluh kali lebih cepat dari aslinya, tetapi versi pertama dari dua metode lanjutan mengandung cacat halus. Salah satunya, agen membalikkan parameter kontrol kunci, menyebabkan program menggunakan kebalikan dari nilai yang diinginkan. Bug terpisah memengaruhi penghitungan itu sendiri. Para peneliti baru menemukan kedua masalah tersebut setelah menjalankan uji kalibrasi mendetail terhadap ribuan kumpulan data sintetis dengan hasil yang diketahui.

Episode ini menggarisbawahi perubahan struktural dalam cara para ilmuwan bekerja bersama AI: alih-alih menulis kode sendiri, tugas utama mereka adalah memverifikasi hasil secara ketat — sebuah peran yang menuntut keahlian domain mendalam yang tidak dapat disediakan oleh agen itu sendiri.

Apa Artinya Bagi Sains

Temuan ini muncul di tengah perdebatan sengit mengenai seberapa besar otonomi yang harus diberikan pada sistem AI pada domain berisiko tinggi. Percepatan ini benar-benar transformatif — pengurangan waktu proses sebesar 60 kali lipat dapat mengubah pekerjaan semalam menjadi rehat kopi. Namun kontribusi paling penting dari laporan ini mungkin adalah kejujurannya mengenai batasan-batasan tersebut. Agen yang cepat, lancar, dan persuasif, namun tidak mampu menilai sendiri validitas ilmiah, adalah alat yang ampuh hanya di tangan para ahli yang tahu persis apa yang harus diperiksa.

Bagi para peneliti yang terlibat, pelajaran yang bisa diambil sangatlah jelas: AI dapat membangun kembali ilmu pengetahuan dengan kecepatan yang luar biasa, namun penilaian manusia tetap menjadi beban.

Tetap Terdepan dalam AI

Dari terobosan penelitian hingga penerapan di perusahaan, laju perubahan tidak ada habisnya. Tandai AI Buzz Wire untuk liputan berkelanjutan dan berdasarkan fakta tentang bagaimana kecerdasan buatan mengubah sains, bisnis, dan masyarakat.

Baca lebih lanjut berita penelitian AI →