En fältrapport från OpenAI och akademiska medarbetare har funnit att AI-kodningsagenter dramatiskt kan påskynda moderniseringen av åldrande vetenskaplig programvara, skriva om verktyg på snabbare språk och minska körtiderna i storleksordningar. Haken: samma agenter kan inte på ett tillförlitligt sätt bedöma om deras arbete är vetenskapligt korrekt, och de presenterar ofta buggykod med fullständigt självförtroende.

Rapporten, publicerad 1 augusti 2026 och dokumenterad av The Decoder, undersökte åtta fallstudier – mestadels inom biologi – där forskargrupper använde kodningsmedel som Codex och Claude Code för att rädda, optimera och skriva om kritisk programvara. Följ våra senaste AI-nyheter för löpande rapportering om verktygen som omformar vetenskap och industri.

En tyst kris i vetenskaplig programvara

Mycket av programvaran som ligger till grund för modern forskning började som stödkod för en enda uppsats. Små akademiska team byggde dessa verktyg utan resurser för korrekt testning, underhåll eller optimering. Resultatet är en bräcklig grund: program som förblir kritiska för hela fält men som kräver konstant reparation. OpenAI-fältrapporten antyder att AI-kodningsagenter kan hjälpa till att överbrygga det långvariga gapet.

Projekten sträckte sig från rutinunderhåll till fullständiga omskrivningar på moderna programmeringsspråk, och flera levererade iögonfallande prestandavinster.

Bygger om STAR i Rust

Ett av de mer ambitiösa projekten, rustar-aligner, ombyggd STAR från grunden i Rust. STAR är ett allmänt använt verktyg som kartlägger sekvensering av läsningar från celler till deras motsvarande platser i ett genom. Det ursprungliga programmet innehåller mer än 20 000 rader av C och C++ och underhålls inte längre aktivt, även om det förblir inbäddat i många forskningspipelines.

För att verifiera omskrivningen testade teamet båda verktygen på 10 000 korta sekvensläsningar från jästceller. För enkeländsavläsningar gav rustar-aligner samma resultat som STAR i 99,815 procent av fallen. För paired-end läsningar var avtalsgraden 99,883 procent. Jämförelsen sträckte sig bortom mappade platser till att omfatta flera andra nyckelfält som båda programmen producerar för varje läsning, och inget av verktygen mappade några läsningar som det andra misslyckades med att kartlägga.

En 60-faldig Speedup

RustQC levererade den största hastigheten genom att kombinera 15 separata kvalitetskontrollverktyg i ett enda program. På en stor datamängd sjönk körtiden från 15 timmar och 34 minuter till bara 14 minuter och 54 sekunder – en hastighetsökning på mer än 60 gånger.

Ett annat projekt, HelixForge, ersatte ett verktyg för att generera syntetisk genomisk data med en GPU-accelererad version. I ett test som använde data från en givare och en sektion på tio miljoner baspar av genomet, fullbordade HelixForge hela pipelinen 59,6 gånger snabbare än den ursprungliga BamSurgeon, med bara det huvudsakliga beräkningssteget som gick 98,6 gånger snabbare.

I en mer konventionell modernisering ersatte GPT-5.5 den föråldrade bygg- och installationsprocessen för cyvcf2, ett Python-bibliotek för att läsa genetisk data. Den mer involverade MHCflurry-migreringen såg att Claude Code och Codex växlade mellan rollerna som utvecklare och granskare samtidigt som de porterade ungefär 10 000 rader kod från TensorFlow till PyTorch. MHCflurry är en immunologisk modell som förutsäger vilka mål immunceller kommer att känna igen.

"Förtroende fel"

Rubrikfynden var dock nykter. I fallstudierna utförde agenter väldefinierade uppgifter snabbt men kunde inte tillförlitligt bedöma om deras arbete var vetenskapligt korrekt. Även när deras kod innehöll fel presenterade systemen den ofta med fullt förtroende.

Brent Pedersen, utvecklaren av cyvcf2, fångade spänningen i rapporten: "Med kodningsagenter är det ganska lätt att gå snabbt; för nu, för att nå långt inom vetenskapen, finns det fortfarande ett behov av expertvägledning, förståelse, smak och omsorg."

Philip Ewels, som ledde RustQC-projektet, var rakare. Han beskrev agenterna som "vältaliga, övertygande och självsäkert fel på sätt som är lätta att missa." Ewels lät aldrig modellerna bedöma exaktheten i sitt eget arbete, utan byggde istället en oberoende testsele för att fånga deras misstag.

Fel som gömmer sig i sikte

Fallstudien bayesm illustrerade hur svåra dessa fel kan vara att fånga. Dess Rust-omskrivning gick mellan två och tjugo gånger snabbare än originalet, men de första versionerna av två avancerade metoder innehöll subtila defekter. I den ena inverterade agenten en nyckelkontrollparameter, vilket fick programmet att använda de ömsesidiga av de avsedda värdena. En separat bugg påverkade själva beräkningen. Forskare upptäckte båda problemen först efter att ha kört ett detaljerat kalibreringstest mot tusentals syntetiska datauppsättningar med kända resultat.

Episoden understryker en strukturell förändring i hur forskare kan arbeta tillsammans med AI: snarare än att skriva kod själva, blir deras centrala uppgift att rigoröst verifiera resultaten - en roll som kräver djup domänexpertis som agenterna själva inte kan tillhandahålla.

Vad det betyder för vetenskapen

Resultaten landar i ett ögonblick av intensiv debatt om hur mycket autonomi AI-system bör ges i höginsatsdomäner. Snabbheterna är verkligen omvälvande – en 60-faldig minskning av körtiden kan förvandla ett jobb över natten till en fika. Men rapportens viktigaste bidrag kan vara dess ärlighet om gränserna. Agenter som är snabba, flytande och övertygande, men som ändå inte kan självbedöma vetenskaplig giltighet, är ett kraftfullt verktyg endast i händerna på experter som vet exakt vad de ska kontrollera.

För de inblandade forskarna är lärdomen tydlig: AI kan bygga om vetenskapens byggnadsställningar med anmärkningsvärd hastighet, men mänskligt omdöme förblir bärande.

Ligg före AI

Från forskningsgenombrott till företagsimplementeringar är förändringstakten obeveklig. Bokmärk AI Buzz Wire för pågående, faktagranskad bevakning av hur artificiell intelligens omformar vetenskap, näringsliv och samhälle.

Läs mer AI-forskningsnyheter →