연구 현장의 소프트웨어는 논문을 뒷받침하는 작은 코드에서 출발하는 경우가 많습니다. 한두 명의 학술팀이 급하게 만든 도구가 오랜 시간 유지되면서, 어느 순간 한 분야 전체의 파이프라인을 떠받치는 핵심 인프라가 됩니다. 테스트와 최적화, 설치 체계가 낡아도 쉽게 교체할 수 없는 이유입니다. OpenAI와 학술 파트너들의 현장 보고서는 이런 방치된 연구 소프트웨어를 AI 코딩 에이전트가 어디까지 되살릴 수 있는지 8개 사례로 살펴봅니다.
사례의 폭은 단순한 빌드 현대화부터 대규모 재작성까지 이어집니다. GPT-5.5는 유전체 데이터를 읽는 Python 라이브러리 cyvcf2의 오래된 설치 과정을 바꿨고, Claude Code와 Codex는 면역학 모델 MHCflurry 약 1만 줄을 TensorFlow에서 PyTorch로 옮겼습니다. 2만 줄이 넘는 C/C++ 기반 STAR는 Rust로 다시 구현됐습니다. 여러 품질관리 도구를 하나로 합친 RustQC는 대규모 데이터셋 처리 시간을 15시간 34분에서 14분 54초로 줄였습니다. GPU 네이티브 도구 HelixForge는 BamSurgeon보다 전체 파이프라인을 59.6배 빠르게 실행했습니다.
그러나 빠른 실행이 과학적 정확성을 보증하지는 않습니다. rustar-aligner는 STAR와 거의 같은 결과를 냈지만, bayesm 재작성판에서는 더 까다로운 문제가 나타났습니다. 실행 시간은 2~20배 줄었고 출력도 자연스러웠지만, 한 방법의 핵심 제어 매개변수가 역수로 뒤집혀 있었습니다. 연구자들은 수천 개의 합성 데이터셋과 알려진 결과를 대조하는 정밀 calibration을 수행한 뒤에야 오류를 확인했습니다. HART에서도 결과의 개연성만으로는 충분하지 않았고, 계산량과 보정 계수의 문제가 남았습니다.
이 보고서가 보여주는 역할 분담은 분명합니다. 사람은 연구 목적과 성공 조건, 검증 절차를 정의하고 AI는 구현과 최적화를 담당합니다. RustQC를 이끈 Philip Ewels가 모델에게 자신의 결과를 평가하게 하지 않고 별도 테스트 하니스를 만든 것도 같은 맥락입니다. AI가 잘하는 일과 사람이 반드시 책임져야 하는 일을 분리해야 합니다.
이 변화는 생산성의 소멸이 아니라 병목의 이동입니다. 설치 문제를 해결하고 유지보수 시간을 줄이면 연구자에게 큰 가치가 생길 수 있지만, 값싼 재작성은 프로젝트를 여러 갈래로 쪼개고 숙련된 유지보수자의 시간을 더 압박할 수도 있습니다. 원본 프로젝트에 직접 반영할지, 유지보수가 끊긴 도구를 새 조직으로 넘길지, 기존 구현에 개선만 되돌릴지도 결정해야 합니다.
결국 연구용 AI 코딩의 기준은 ‘얼마나 빨리 새 코드를 만들었는가’가 아닙니다. 독립적인 테스트와 calibration으로 잘못을 드러낼 수 있는가, 그리고 그 결과를 누가 장기적으로 책임질 것인가입니다. 코딩 에이전트는 연구 소프트웨어를 현대화할 수 있습니다. 과학적 판단까지 자동화했다고 믿는 순간, 가장 찾기 어려운 오류가 시스템 안에 남습니다.