OpenAI on julkaissut uuden raportin, jossa tarkastellaan kahdeksaa tieteellisen tutkimuksen ohjelmistoprojektia, joissa tekoälyyn perustuvia koodausagentteja käytettiin ohjelmistojen kehittämiseen ja optimointiin. Raportin mukaan agentit nopeuttivat ohjelmien suorituskykyä, helpottivat vanhojen koodipohjien ylläpitoa ja vähensivät kehittäjien työmäärää.
Raportti perustuu OpenAI Codex-agenttia hyödyntäneisiin projekteihin. Viidessä hankkeessa käytettiin pelkästään Codexia ja kolmessa sekä Codexia että Anthropicin Claude Code -työkalua.
Kyseessä on OpenAI oma selvitys omien tuotteidensa käytöstä, joten tuloksia ei voi pitää riippumattomana tutkimuksena. Raportti tarjoaa kuitenkin mielenkiintoisen katsauksen siihen, millaisiin ohjelmistokehityksen tehtäviin tekoälyagentit soveltuvat tällä hetkellä parhaiten.
Tieteellisillä ohjelmistoilla on pitkä ylläpito-ongelma
Raportissa nostetaan esiin tutkimusohjelmistojen yksi suurimmista haasteista. Monet tieteelliset työkalut kehitetään yksittäisiä tutkimuksia varten pienissä tutkimusryhmissä. Kun tutkimus valmistuu, ohjelmisto jää usein ilman aktiivista ylläpitoa.
Vuosien aikana koodiin kertyy teknistä velkaa, mutta sen korjaamiseen ei yleensä ole rahoitusta eikä erillistä ohjelmistokehitystiimiä.
OpenAI mukaan juuri tällaisissa tilanteissa tekoälyagentit voivat olla hyödyllisiä. Ne pystyvät tekemään aikaa vieviä ohjelmistojen ylläpitotehtäviä, joiden toteuttaminen olisi muuten hidasta tai liian kallista.
Agentit tekivät kolmenlaisia tehtäviä
Raportin kahdeksassa projektissa tekoälyagentit työskentelivät pääasiassa kolmella osa-alueella. Ensimmäinen oli ohjelmistojen rakennus- ja pakkausjärjestelmien uudistaminen.
Toinen oli olemassa olevan koodin suorituskyvyn optimointi. Kolmas oli kokonaan uusien ohjelmistoversioiden tai ohjelmointikielien käyttöönotto, esimerkiksi vanhan ohjelman siirtäminen Rust-kielelle tai GPU-kiihdytetyksi versioksi.
OpenAI mukaan nämä ovat tehtäviä, joissa tekoäly pystyi tuottamaan käyttökelpoista koodia suhteellisen itsenäisesti.
Genomiikan ohjelmistot nopeutuivat selvästi
Yksi raportin esimerkeistä on HI.SIM, DNA-sekvensoinnin simulointiin käytettävä ohjelmisto. Projektissa GPT-5.2- ja GPT-5.6-agentit tekivät kaksi pitkälti itsenäistä optimointikierrosta, joiden seurauksena ohjelman suoritusaika lyheni noin 31 prosenttia ilman muutoksia tuloksiin.
Toinen esimerkki on Hifiasm-genomikokoaja. Sen suorituskyky parani noin 25 prosenttia testikohteessa ja noin 15 prosenttia erillisellä ihmisen genomidatalla.
Projektiin osallistuneet kehittäjät kertoivat, että tekoäly rakensi itse testausympäristöjä, ehdotti optimointeja ja analysoi niiden vaikutuksia.
He kuitenkin korostivat, että ihmisen asiantuntemusta tarvittiin edelleen esimerkiksi profilointitulosten tulkitsemiseen ja virheellisten ehdotusten karsimiseen.
Vanhoja ohjelmistoja siirrettiin uusiin teknologioihin
Useissa hankkeissa tekoälyä käytettiin myös laajoihin ohjelmistouudistuksiin. MHCflurry-projektissa vanha TensorFlow- ja Keras-pohjainen neuroverkkomalli siirrettiin PyTorchiin säilyttäen yhteensopivuus aiemmin julkaistujen mallien kanssa.
Toinen esimerkki oli bayesm-rs, jossa R-kielellä kirjoitettu tilastokirjasto toteutettiin uudelleen Rustilla.
Tulokset vastasivat alkuperäistä ohjelmistoa ennalta määritellyn tarkkuuden rajoissa, mutta suorituskyky parani huomattavasti.
Yhdellä prosessoriytimellä ohjelma oli noin 2,3–2,7 kertaa nopeampi. Kahdeksalla ytimellä nopeus kasvoi 4,4–9,5-kertaiseksi.
Kehittäjien mukaan tekoäly onnistui hyvin tehtävissä, joissa alkuperäisestä ohjelmistosta löytyi selkeä vertailukohta. Sen sijaan tilastollista harkintaa vaativat ratkaisut jäivät edelleen ihmisten vastuulle.
Rust ja GPU-kiihdytys toivat suurimmat nopeushyödyt
Raportin näyttävimmät tulokset saavutettiin projekteissa, joissa kokonaisia ohjelmistoja rakennettiin uudelleen.
Yksi niistä oli rustar-aligner, jossa laajasti käytetty RNA-sekvenssien kohdistusohjelma STAR toteutettiin kokonaan uudelleen Rust-ohjelmointikielellä.
Projektin kehittäjän mukaan noin 20 000 rivin ohjelman uudelleenkirjoittaminen olisi aiemmin ollut useiden kuukausien tai jopa vuosien työ. Tekoälyagenttien avulla projekti valmistui huomattavasti nopeammin.
RustQC-projektissa puolestaan yhdistettiin 15 erillistä RNA-sekvenssidatan laadunvalvontatyökalua yhdeksi ohjelmaksi.
Suorituskyky parani noin 60-kertaiseksi, ja levyoperaatioiden määrä väheni noin 25-kertaisesti.
Lisäksi FastQC ja Trim Galoren Rust-versiot toimivat seitsemän ja kolme kertaa alkuperäisiä ohjelmia nopeammin säilyttäen niiden toiminnan ennallaan.
Toinen noin 60-kertainen nopeusparannus saavutettiin HelixForge-projektissa, jossa mutaatiosimulaattori BAMSurgeon rakennettiin uudelleen hyödyntämään näytönohjaimen laskentatehoa.
Suurin työ jäi edelleen ihmisille
Vaikka raportin tulokset ovat vaikuttavia, lähes kaikki kehittäjät nostivat esiin saman rajoituksen. Tekoäly pystyi kirjoittamaan paljon toimivaa koodia, mutta se ei kyennyt arvioimaan, olivatko tulokset tieteellisesti oikeita.
Agentit saattoivat esittää virheellisiä ratkaisuja erittäin itsevarmasti. Siksi kehittäjien oli rakennettava kattavat testit, joissa uutta ohjelmistoa verrattiin vanhaan toteutukseen tai ennalta tunnettuihin simuloituihin tuloksiin.
Raportin perusteella suurin osa kehitysprosessista jakautui kahteen vaiheeseen: tekoäly tuotti nopeasti ensimmäisen version, minkä jälkeen ihmiset käyttivät huomattavasti aikaa tulosten tarkistamiseen, poikkeustapausten käsittelyyn ja pienimpienkin laskennallisten erojen selvittämiseen.
Halvempi ohjelmistokehitys tuo myös uusia riskejä
Raportissa nostetaan esiin myös tekoälyavusteisen kehityksen mahdolliset haittapuolet. Kun ohjelmistojen uudelleenkirjoittaminen muuttuu aiempaa helpommaksi, eri tutkimusryhmät voivat alkaa ylläpitää omia versioitaan samoista työkaluista.
Tällöin tulokset eivät välttämättä ole enää täysin vertailukelpoisia eri laboratorioiden välillä.
OpenAI mukaan tärkeä kysymys ei enää ole pelkästään se, pystyykö tekoäly kirjoittamaan ohjelmiston uudelleen, vaan myös se, kuka vastaa sen pitkäaikaisesta ylläpidosta ja kehittämisestä.
Raportti korostaa, että onnistuneissa projekteissa vastuu säilyi selvästi määritellyllä kehittäjäyhteisöllä myös sen jälkeen, kun tekoäly oli tuottanut suuren osan uudesta koodista.