La computación científica sostiene buena parte de la investigación moderna, pero su software —nacido en muchos casos como código adjunto a artículos académicos, sin empaquetado, pruebas ni mantenimiento sostenido— se ha rezagado frente al ritmo de generación de datos. Esa deuda técnica frena descubrimientos y obliga a dedicar mucho tiempo a configurar y depurar herramientas.
OpenAI ha publicado un informe de campo con ocho proyectos de computación científica asistida por agentes, cinco con Codex y tres combinando Codex con Claude Code, la mayoría en ciencias de la vida. Los proyectos abarcan desde mantenimiento rutinario hasta migraciones de lenguaje a gran escala y rediseños nativos para GPU. Entre los casos destaca la modernización de cyvcf2, una biblioteca de Python para lectura y escritura de variantes genómicas, cuyo sistema de compilación heredado fue sustituido por un proceso unificado con ayuda de GPT-5.5. Otros proyectos, como MHCflurry, incorporaron los cambios al repositorio original, mientras que rustar-aligner pasó a nueva custodia comunitaria tras el abandono del proyecto inicial.
Los autores describen un cambio de rol: el investigador pasa de implementar a verificar y orquestar, definiendo objetivos, métricas de corrección y criterios de entrega. Los agentes aceleran las tareas de ingeniería bien acotadas, pero no logran juzgar por sí solos la validez científica de su trabajo y a menudo expresan confianza incluso cuando cometen errores. Por eso, los enfoques más robustos usan referencias externas o criterios medibles de aceptación. El informe concluye que los agentes reducen el coste de mantener, migrar y reescribir software científico, aunque el valor real depende de las decisiones humanas sobre qué construir, cómo verificarlo y quién lo sostendrá a largo plazo.