OpenAI는 2026년 7월 28일 생명과학 중심의 에이전트 지원 과학컴퓨팅 프로젝트 8건에 대한 현장 보고서를 공개했다. OpenAI는 코딩 에이전트가 연구 소프트웨어의 엔지니어링 제약을 줄이는 한편, 검증과 장기 관리는 여전히 인간에게 남아 있다고 밝혔다. 보고서에 따르면 5개 프로젝트는 Codex만 사용했고, 3개 프로젝트는 Codex와 Claude Code를 함께 썼으며, 작업 범위는 일상적 유지보수와 표적 최적화부터 대규모 언어 마이그레이션, GPU 네이티브 재설계까지 포함했다.

OpenAI에 따르면 과학컴퓨팅 도구는 논문에 딸린 코드로 시작하는 경우가 많았고, 소규모 학술팀은 패키징, 테스트, 최적화, 장기 지원에 충분한 엔지니어링 시간을 확보하기 어려웠다. 이에 따라 과학 인프라는 과학 데이터 생성이 빨라지는 상황에서도 지속적 유지보수가 필요한 느리고 취약한 작업 흐름에 의존해 왔다.

OpenAI는 AI 에이전트가 지루한 구현 작업을 맡아 엔지니어링 비용을 낮추고, 연구자가 더 빠르게 프로토타입을 만들며, 시간이 지나도 소프트웨어를 유지하고, 이전에는 비현실적으로 보였던 프로젝트를 시도하도록 돕는다고 설명했다. 한 사례에서 GPT-5.5는 유전체 변이 파일을 읽고 쓰는 Python 라이브러리 `cyvcf2`를 현대화했다. 특히 기존 빌드와 패키징 시스템을 설치, 테스트, 릴리스 흐름 개선을 위한 단일 프로세스로 교체했다.

보고서는 에이전트가 코드를 만든 뒤의 핵심 병목으로 검증을 지목했다. 기여자들은 에이전트가 구체적이고 범위가 명확한 요청은 효과적으로 처리했지만 과학적 타당성을 안정적으로 판단하지는 못했다고 말했다. 이에 인간 검토자는 외부 참고자료, 정확한 출력 일치, 기존 도구와의 동등성, 또는 시뮬레이션 데이터로 미리 정한 답을 이용했다.

프로젝트들은 대체로 한 번의 프롬프트보다 피드백 기반 반복을 통해 진전됐다. 기여자들은 넓은 목표를 더 작은 변경으로 나누고, 중간 벤치마크와 테스트 시스템을 사용했으며, 엣지 케이스와 미묘한 수치 차이가 초기 구현보다 더 오래 걸리는 ‘마지막 구간’에 상당한 노력을 들였다.

OpenAI는 구현 비용 하락이 비슷한 재작성물을 많이 만들어 사용자와 전문가의 관심을 분산시킬 수 있기 때문에 장기 관리가 여전히 필수라고 밝혔다. `MHCflurry`와 `cyvcf2` 변경 사항은 원래 업스트림 프로젝트에 병합됐고, `rustar-aligner`는 원 프로젝트가 방치된 뒤 새 커뮤니티 관리 체제로 옮겨졌다. 보고서는 Codex와 유사한 코딩 에이전트가 유지보수, 마이그레이션, 최적화, 구현 비용을 낮출 수 있지만, 과학적 가치는 무엇을 만들지, 어떻게 검증할지, 누가 유지할지에 대한 인간의 선택에 달려 있다고 결론냈다.

OpenAI는 2026년 7월 28일 생명과학 중심의 에이전트 지원 과학컴퓨팅 프로젝트 8건에 대한 현장 보고서를 공개했다. OpenAI는 코딩 에이전트가 연구 소프트웨어의 엔지니어링 제약을 줄이는 한편, 검증과 장기 관리는 여전히 인간에게 남아 있다고 밝혔다. 보고서에 따르면 5개 프로젝트는 Codex만 사용했고, 3개 프로젝트는 Codex와 Claude Code를 함께 썼으며, 작업 범위는 일상적 유지보수와 표적 최적화부터 대규모 언어 마이그레이션, GPU 네이티브 재설계까지 포함했다.

OpenAI에 따르면 과학컴퓨팅 도구는 논문에 딸린 코드로 시작하는 경우가 많았고, 소규모 학술팀은 패키징, 테스트, 최적화, 장기 지원에 충분한 엔지니어링 시간을 확보하기 어려웠다. 이에 따라 과학 인프라는 과학 데이터 생성이 빨라지는 상황에서도 지속적 유지보수가 필요한 느리고 취약한 작업 흐름에 의존해 왔다.

OpenAI는 AI 에이전트가 지루한 구현 작업을 맡아 엔지니어링 비용을 낮추고, 연구자가 더 빠르게 프로토타입을 만들며, 시간이 지나도 소프트웨어를 유지하고, 이전에는 비현실적으로 보였던 프로젝트를 시도하도록 돕는다고 설명했다. 한 사례에서 GPT-5.5는 유전체 변이 파일을 읽고 쓰는 Python 라이브러리 `cyvcf2`를 현대화했다. 특히 기존 빌드와 패키징 시스템을 설치, 테스트, 릴리스 흐름 개선을 위한 단일 프로세스로 교체했다.

보고서는 에이전트가 코드를 만든 뒤의 핵심 병목으로 검증을 지목했다. 기여자들은 에이전트가 구체적이고 범위가 명확한 요청은 효과적으로 처리했지만 과학적 타당성을 안정적으로 판단하지는 못했다고 말했다. 이에 인간 검토자는 외부 참고자료, 정확한 출력 일치, 기존 도구와의 동등성, 또는 시뮬레이션 데이터로 미리 정한 답을 이용했다.

프로젝트들은 대체로 한 번의 프롬프트보다 피드백 기반 반복을 통해 진전됐다. 기여자들은 넓은 목표를 더 작은 변경으로 나누고, 중간 벤치마크와 테스트 시스템을 사용했으며, 엣지 케이스와 미묘한 수치 차이가 초기 구현보다 더 오래 걸리는 ‘마지막 구간’에 상당한 노력을 들였다.

OpenAI는 구현 비용 하락이 비슷한 재작성물을 많이 만들어 사용자와 전문가의 관심을 분산시킬 수 있기 때문에 장기 관리가 여전히 필수라고 밝혔다. `MHCflurry`와 `cyvcf2` 변경 사항은 원래 업스트림 프로젝트에 병합됐고, `rustar-aligner`는 원 프로젝트가 방치된 뒤 새 커뮤니티 관리 체제로 옮겨졌다. 보고서는 Codex와 유사한 코딩 에이전트가 유지보수, 마이그레이션, 최적화, 구현 비용을 낮출 수 있지만, 과학적 가치는 무엇을 만들지, 어떻게 검증할지, 누가 유지할지에 대한 인간의 선택에 달려 있다고 결론냈다.