OpenAI está ayudando a la industria bancaria a hacer más efectivas las migraciones de software de lenguajes de programación heredados, especialmente en sistemas que aún utilizan ampliamente COBOL, Fortran y Visual Basic. El 40% de los bancos a nivel mundial todavía dependen de COBOL como su núcleo, y cambiar a un nuevo lenguaje puede costar hasta cientos de miles de dólares, además de que el costo de tiempo y riesgo es muy alto. A medida que los programadores de COBOL se jubilan gradualmente, completar la migración en los próximos años se convierte en una tarea urgente. OpenAI ha indicado que la mejora de las capacidades del modelo en COBOL se guía por los comentarios de desarrolladores y clientes empresariales; y en la aplicación práctica, sobrevivir a las condiciones límite de comportamiento del programa y cálculos numéricos es fundamental para asegurar que el comportamiento del sistema sea consistente después de la migración. Este esquema muestra que, sobre las herramientas de automatización existentes, los modelos de IA necesitan pruebas y auditorías a largo plazo para funcionar de manera confiable en entornos de producción.
Progreso en las pruebas de retención de comportamiento y capacidad de migración de modelos en lenguajes heredados, puntos destacados y limitaciones
OpenAI ha evaluado el rendimiento de los modelos en tareas como la creación de motores de bases de datos compatibles con SQLite en lenguajes específicos a través del conjunto de evaluación MultiLangBench. GPT‑6 Astra alcanzó una tasa de aprobación promedio del 87.4% en 20 lenguajes, lo que representa una mejora significativa en comparación con el 26.8% de la generación anterior, GPT‑5.6 Sol. En cuanto a COBOL, el lenguaje más difícil de superar, la tasa de aprobación de Astra sigue siendo solo del 72%. Estas cifras muestran que, aunque hay una mejora general en el rendimiento, aún queda un camino considerable por recorrer para cumplir con las estrictas demandas de la industria bancaria, manteniendo al mismo tiempo las estructuras de datos existentes, las reglas financieras y los mecanismos de tolerancia a fallos.
Límites de precisión en la migración entre lenguajes y retención de comportamiento, la aplicabilidad en producción está siendo evaluada
OpenAI también ha evaluado la migración de programas COBOL a lenguajes modernos como C++, Java, Kotlin, Python o Rust, manteniendo al mismo tiempo el comportamiento original. Estas pruebas indican que el éxito de la migración no solo depende de que "el código pase las pruebas", sino también de retener reglas comerciales críticas, como el manejo de redondeo numérico y registros faltantes. GPT-6.1 Sol, bajo alta carga de razonamiento, puede alcanzar una precisión de hasta 97.9%, mientras que con baja carga de razonamiento, tiene un 86.6%. OpenAI señala que para lograr una migración a nivel de producción, todas las pruebas deben aprobarse; de lo contrario, se requerirán auditorías adicionales por expertos y pruebas sistemáticas. Estos resultados indican que la migración asistida por IA, en aplicaciones financieras sensibles al riesgo, aún necesita alinearse estrictamente con la lógica comercial en el terreno.
Los datos de contexto indican que la aplicabilidad actual de los modelos en lenguajes heredados está limitada por la profundidad de comprensión de la lógica de razonamiento y las estructuras de datos. En comparación con el desarrollo de software general, los sistemas centrales bancarios requieren salidas predecibles y estricta conformidad, lo que no puede resolverse únicamente con modelos generativos automatizados. OpenAI indica que, al impulsar la migración moderna, aún es necesario integrar y validar los procesos de prueba en el sitio del cliente, los motores de reglas comerciales y las arquitecturas de gobernanza de datos para garantizar que "todas las pruebas sean aprobadas" pero sin riesgos en la operación real.
En resumen, esta ronda de investigación muestra que la tecnología de IA ha logrado avances significativos en la migración de lenguajes heredados, especialmente en la mejora del rendimiento y las tasas de aprobación en entornos multilingües, pero COBOL sigue siendo el mayor desafío. Si los gobiernos y las instituciones financieras desean realizar una transición fluida de los sistemas COBOL existentes a arquitecturas modernas, no solo deben depender de la capacidad de automatización de los modelos, sino que también necesitan un apoyo de auditoría humana, definición de reglas existentes y un sistema de monitoreo a largo plazo. OpenAI señala que la capacidad de retención de comportamiento tiene un valor práctico para los equipos en el mantenimiento y modernización de sistemas heredados, pero para ser implementados en entornos de producción, aún deben pasar por pruebas y evaluaciones rigurosas para asegurar su compatibilidad con las reglas comerciales y las dependencias.