OpenAI relie les agents de codage à des logiciels scientifiques développés plus rapidement

OpenAI a publié un rapport de terrain documentant huit projets de calcul scientifique où des agents de codage ont permis de réduire significativement les temps d'exécution. Cinq projets ont utilisé Codex seul, trois autres une combinaison de Codex et de Claude Code, l'agent d'Anthropic. Les résultats chiffrés sont notables : sur HI.SIM, un simulateur de séquençage ADN, deux passes d'optimisation quasi autonomes menées par GPT-5.2 puis GPT-5.6 ont réduit le temps de calcul de 31 % sans altérer les résultats, selon le contributeur Andrew Ho. Sur Hifiasm, outil d'assemblage de génomes à partir de lectures PacBio HiFi, le gain atteint 25 % sur la cible d'optimisation principale et environ 15 % sur des données de séquençage humain distinctes, d'après Suyash Shringarpure. Pour bayesm-rs, un portage en Rust de modèles statistiques issus du package R bayesm, les performances ont été multipliées par 2,3 à 2,7 sur un seul cœur de processeur, et jusqu'à 4,4 à 9,5 fois sur huit cœurs, tout en respectant les tolérances d'estimation fixées au départ. D'autres projets, comme cyvcf2, MHCflurry ou le portage complet en Rust de l'aligneur ARN STAR, ont porté sur la modernisation de systèmes de build, la migration de frameworks ou la réécriture de code non maintenu.

Ce rapport met en lumière un problème bien documenté : les logiciels développés pour accompagner une seule publication scientifique, souvent codés par de petites équipes académiques sans soutien technique dédié, accumulent une dette technique que personne n'a le temps ni le budget de résorber. En automatisant les tâches de packaging, d'optimisation de performance et de portage de langage, les agents de codage rendent soudain envisageables des chantiers auparavant jugés trop coûteux en temps, comme la réécriture à la main d'un aligneur de 20 000 lignes de code. Pour la recherche scientifique, cela pourrait signifier des outils plus rapides, mieux maintenus et donc plus fiables pour des communautés entières de chercheurs qui dépendent de ces logiciels sans pouvoir les faire évoluer elles-mêmes.

Il faut toutefois noter qu'il s'agit d'un rapport publié par OpenAI sur l'usage de son propre produit, construit à partir de témoignages des contributeurs impliqués, ce qui n'enlève rien à l'intérêt du phénomène observé. Plusieurs contributeurs insistent sur les limites persistantes du procédé : la supervision humaine reste indispensable pour orienter les modèles, interpréter les résultats de profilage et vérifier les sorties, comme le rappelle James Ferguson à propos du contrôle visuel de plus de 900 graphiques avant publication. Les agents accélèrent l'exécution, mais le jugement scientifique, lui, demeure une tâche humaine.