8月1日、The Decoderが「AI coding agents can modernize research software but can't judge if the science is right」と題した記事を公開した。OpenAIと複数の研究機関が共同でまとめたフィールドレポートを取り上げており、CodexやClaude Codeといったコーディングエージェントを活用した8つの実証ケーススタディが報告されている。最大の成果は品質管理ツールの統合プロジェクト「RustQC」における60倍超の高速化だが、レポートが一貫して強調するのはむしろ逆の側面だ——エージェントは実装を加速できるが、コードが科学的に正しいかどうかを自己評価する能力は持っていない。

OpenAIのフィールドレポートは、主に生物学分野の研究グループがコーディングエージェントを活用した8つのケーススタディをまとめたものだ。対象プロジェクトは、ビルドシステムの更新といった軽微なメンテナンスから、モダンな言語への全面書き直しまで幅広い。

60倍超の高速化——何が起きたか

最も目を引く成果が、RustQCとHelixForgeの2プロジェクトだ。

RustQCは、品質管理ツール15本を1つのRustプログラムに統合したもの。大規模データセットでの実行時間が15時間34分から14分54秒へと、60倍以上短縮された。

HelixForgeは、ゲノムの合成データ生成ツールをGPU対応版に書き直したプロジェクトだ。1,000万塩基対のゲノム領域を使ったテストでは、既存ツールのBamSurgeonと比較してパイプライン全体が59.6倍高速化。主要な計算ステップ単体では98.6倍の差がついた。速度だけでなく、精度指標（INDEL相関など）でも既存ツールを上回っている。

もう一つ注目したいのがrustar-alignerだ。20,000行超のC/C++で書かれ、メンテナンスが止まっていたゲノムマッパー「STAR」をRustで全面書き直した。酵母細胞の10,000リードを使った検証では、シングルエンドで99.815%、ペアエンドで99.883%の一致率を確認している。

速くなっても「科学的に正しいか」は別問題

ここが本レポートの核心だ。エージェントはタスクをこなすが、科学的正しさを自己評価できない。コードに誤りがあっても、確信を持ったように提示してくることが多い。

RustQCを主導したPhilip Ewelsの言葉が端的に示している。

"eloquent, convincing, and confidently wrong in ways that are easy to miss."（雄弁で説得力があり、見逃しやすい形で自信満々に間違える）

彼はエージェントに自分のコードの正確さを評価させることを一切禁じ、独立したテストハーネスを別途構築した。

bayesmのケーススタディは、バグの発見がいかに困難かを示す。Rustへの書き直しで2〜20倍の高速化を達成したが、高度な手法2つに誤りが含まれていた。一方では制御パラメータの逆数が使われており（意図した値の逆数が適用されていた）、もう一方は計算ロジック自体のバグだった。これらは数千件の既知データセットを使った詳細なキャリブレーションテストを実施して初めて発見された。

cyvcf2の開発者Brent Pedersenはこう述べている。

"With coding agents, it's quite easy to go fast; for now, to go far in science, there's still a need for expert guidance, understanding, taste, and care."（コーディングエージェントを使えば速く進むのは簡単だ。しかし今のところ、科学において遠くへ進むには、専門家の知見・理解・センス・慎重さが依然として必要だ）

役割分担の構造——人間が設計し、エージェントが実装する

全プロジェクトに共通するパターンは明確だ。目標・成功基準・検証方法の設定は人間が行い、実装をエージェントが担う。

hifiasm（ゲノムアセンブラー）の最適化では、研究者がまず学習用・検証用データセットを分けてテスト環境を構築し、そのうえでGPT-5.5（レポート執筆時点でOpenAIが研究機関向けに提供していたモデル）に最適化を依頼した。結果、実際のヒトゲノムデータでの実行時間が約15%削減された。

HI.SIM（遺伝データのシミュレーションライブラリ）は、GPT-5.2（同じくOpenAIの研究者向けモデル）が1パスで各部分を最適化し、新しいモデルでの2回目のパスを加えることで合計約31%の実行時間削減を達成。出力結果は変わっていない。

安易な書き直しがメンテナンス問題を生む

レポートはコスト削減効果の試算も示している。研究ソフトウェアのインストール問題の25〜50%をエージェントが解決できれば、100パッケージ規模で60万〜500万ドル相当の研究時間が節約できると見積もる。NumPy単体では年間約650時間のメンテナンス作業削減が期待できるとしている。

一方、低コストで書き直しが可能になることで、ユーザーコミュニティが分断される懸念もある。STARはメンテナンスが止まっていたためrustar-alignerがscverseコンソーシアムに移管されたが、FastQCの作者はRust版で既存ツールを置き換えることを断り、代わりに得た改善点を元のJava版に取り込んで同等の3倍高速化を達成した。

ボトルネックはコーディングから検証へ

レポートの著者らは、ボトルネックがコーディング自体からバリデーション・科学的レビュー・メンテナンス責任の明確化へと移りつつあると結論づけている。

この傾向は研究分野に限らない。The Decoderが別途報じたMETRの研究では、SWE-bench Verifiedで合格とされたAI生成コードの約半数が、実際のプロジェクトメンテナーには却下されることが示されている。また、curlプロジェクトがAI生成の脆弱性レポートによってメンテナーの時間が消費されるだけで有用な成果を生まないとしてバグバウンティプログラムを閉鎖した件も同誌は取り上げており、いずれもレポートの問題意識と共鳴する。

本レポートはOpenAIのサイエンス領域への注力の一環だ。同社はKevin Weil率いる専任サイエンスチームを設立しており、Weilは「2026年は科学にとって2025年のソフトウェアエンジニアリングと同じ年になる」と述べている。4月には生命科学向けの推論特化モデルGPT-Rosalindを発表し、50以上の公開データベースや生物学ツールに接続できるCodex向け生命科学プラグインを無償公開している。

詳細はAI coding agents can modernize research software but can't judge if the science is rightを参照していただきたい。