OpenAI أصبح نموذجها أكثر فعالية في مساعدة صناعة البنوك على انتقال البرمجيات من اللغات القديمة، وخاصة أنظمة COBOL وFortran وVisual Basic التي لا تزال تُستخدم على نطاق واسع. حوالي 40% من البنوك العالمية لا تزال تعتمد على COBOL كنظام أساسي، وإذا تم الانتقال إلى لغة جديدة، فقد تصل التكاليف إلى مئات الآلاف من الدولارات، بالإضافة إلى أن تكاليف الوقت والمخاطر مرتفعة جدًا. مع تقاعد مصممي COBOL تدريجياً، أصبح إكمال الانتقال في السنوات القادمة مهمة ملحة. وأشارت OpenAI إلى أن تحسين قدرات النموذج في COBOL تم توجيهه بناءً على ملاحظات المطورين والعملاء من الشركات؛ وفي التطبيق العملي، فإن ربط سلوك البرنامج بشروط الحدود في العمليات الحسابية هو جوهر ضمان سلوك النظام بعد الانتقال. تُظهر هذه الخطة أنه يجب أن يخضع النموذج لاختبارات ومراجعات طويلة الأمد فوق الأدوات الآلية الحالية، لضمان عمله بشكل موثوق في بيئة الإنتاج.
تقدم اختبار الاحتفاظ بسلوك النموذج وقدرته على الانتقال من اللغات القديمة، النقاط البارزة والقيود
قامت OpenAI بتقييم أداء النموذج في مهام مثل إنشاء محرك قاعدة بيانات متوافق مع SQLite تحت لغات معينة من خلال مجموعة تقييم MultiLangBench. حقق GPT‑6 Astra معدل نجاح بلغ 87.4% في 20 لغة، وهو تحسن ملحوظ مقارنةً بـ GPT‑5.6 Sol الذي حقق 26.8%. أما بالنسبة لـ COBOL، وهو اللغة الأكثر تحديًا، فلا يزال معدل النجاح لـ Astra عند 72%. تُظهر هذه الأرقام أنه على الرغم من التحسن العام في الأداء، إلا أنه لا يزال هناك مسافة كبيرة يجب قطعها لتلبية المتطلبات الصارمة في صناعة البنوك مع الحفاظ على الهياكل البيانات الحالية والقواعد المالية وآليات التحمل.
دقة الانتقال بين اللغات وحدود الاحتفاظ بالسلوك، ملاءمة الإنتاج تخضع للمراجعة
كما قامت OpenAI بتقييم انتقال برامج COBOL إلى لغات حديثة مثل C++ وJava وKotlin وPython أو Rust، مع الحفاظ على السلوك الأصلي. تشير هذه الاختبارات إلى أن النجاح في الانتقال لا يعتمد فقط على "اجتياز الكود للاختبارات"، بل يتطلب أيضًا الحفاظ على القواعد التجارية الأساسية مثل معالجة التقريب العددي والسجلات المفقودة. تحت مستوى استدلال عالٍ، يمكن أن تصل دقة GPT-6.1 Sol إلى 97.9%، بينما في مستوى استدلال منخفض، تصل إلى 86.6%. وأشارت OpenAI إلى أنه لتحقيق انتقال على مستوى الإنتاج، يجب أن تنجح جميع الاختبارات، وإلا فستكون هناك حاجة لمراجعة إضافية من الخبراء واختبارات منهجية. تُظهر هذه النتائج أن الانتقال المدعوم بالذكاء الاصطناعي في التطبيقات المالية الحساسة للمخاطر لا يزال بحاجة إلى توافق صارم مع منطق الأعمال في الموقع.
تشير المعلومات الخلفية إلى أن قابلية استخدام النموذج الحالي في اللغات القديمة مقيدة بفهمه لعمق المنطق والاستدلال وهياكل البيانات. مقارنةً بتطوير البرمجيات العامة، تتطلب أنظمة البنوك الأساسية مخرجات قابلة للتنبؤ وامتثالًا صارمًا، ولا يمكن حل هذه الأمور فقط من خلال نماذج التوليد الآلي. وأشارت OpenAI إلى أنه في دفع عملية الانتقال الحديثة، لا يزال من الضروري دمج والتحقق من عمليات الاختبار في الموقع، ومحركات قواعد الأعمال، وهياكل إدارة البيانات مع العملاء لضمان "اجتياز جميع الاختبارات" ولكن دون مخاطر فعلية.
بشكل عام، تُظهر هذه الدراسة أن تقنيات الذكاء الاصطناعي قد حققت تقدمًا ملحوظًا في انتقال اللغات القديمة، خاصة في تحسين الأداء ومعدلات النجاح في البيئات متعددة اللغات، لكن COBOL لا يزال يمثل أكبر التحديات. إذا أرادت الحكومات والمؤسسات المالية الانتقال بسلاسة من أنظمة COBOL الحالية إلى الهياكل الحديثة، فلا يمكن الاعتماد فقط على قدرات النماذج الآلية، بل تحتاج أيضًا إلى مراجعة بشرية مكملة، وتعريف القواعد الحالية، ونظام مراقبة طويل الأمد. وأشارت OpenAI إلى أن قدرة الاحتفاظ بالسلوك توفر قيمة عملية للفرق في صيانة وتحديث الأنظمة القديمة، ولكن يجب أن تمر عبر اختبارات وتقييمات صارمة قبل إدخالها في بيئة الإنتاج، لضمان توافقها مع قواعد الأعمال والعلاقات المعتمدة.