Model OpenAI kini semakin efektif dalam membantu industri perbankan dalam migrasi perangkat lunak yang menggunakan bahasa pemrograman lama, terutama sistem yang masih banyak digunakan seperti COBOL, Fortran, dan Visual Basic. Sekitar 40% bank di seluruh dunia masih bergantung pada COBOL sebagai inti sistem mereka, dan jika ingin beralih ke bahasa baru, biaya dapat mencapai ratusan ribu dolar, dengan biaya waktu dan risiko yang sangat tinggi. Dengan semakin banyaknya programmer COBOL yang pensiun, menyelesaikan migrasi dalam beberapa tahun ke depan menjadi tugas yang mendesak. OpenAI menyatakan bahwa perbaikan kemampuan model dalam COBOL didasarkan pada umpan balik dari pengembang dan klien bisnis; dan dalam aplikasi praktis, memastikan perilaku program dan kondisi batas perhitungan numerik tetap konsisten adalah inti dari memastikan perilaku sistem setelah migrasi. Rencana di atas menunjukkan bahwa di atas alat otomatisasi yang ada, model AI memerlukan pengujian dan audit jangka panjang agar dapat beroperasi secara andal di lingkungan produksi.
Kemajuan Pengujian Kemampuan Model dalam Mempertahankan Perilaku dan Migrasi Bahasa Lama, Sorotan dan Keterbatasan
OpenAI melalui paket evaluasi MultiLangBench, menguji kinerja model dalam tugas-tugas seperti membangun mesin basis data yang kompatibel dengan SQLite dalam bahasa tertentu. GPT‑6 Astra mencapai tingkat kelulusan rata-rata 87,4% dalam 20 bahasa, meningkat secara signifikan dibandingkan generasi sebelumnya, GPT‑5.6 Sol, yang hanya 26,8%. Untuk COBOL, bahasa yang paling sulit diatasi, tingkat kelulusan Astra masih hanya 72%. Angka-angka ini menunjukkan bahwa meskipun ada peningkatan kinerja secara keseluruhan, masih ada jarak yang cukup jauh untuk diatasi agar dapat memenuhi kebutuhan ketat di industri perbankan sambil mempertahankan struktur data yang ada, aturan keuangan, dan mekanisme toleransi kesalahan.
Akurasi Migrasi Lintas Bahasa dan Batasan dalam Mempertahankan Perilaku, Kelayakan Produksi Sedang Diaudit
OpenAI juga telah mengevaluasi migrasi program COBOL ke bahasa modern seperti C++, Java, Kotlin, Python, atau Rust, sambil mempertahankan perilaku aslinya. Pengujian ini menunjukkan bahwa keberhasilan migrasi tidak hanya bergantung pada "kode yang lulus pengujian", tetapi juga harus mempertahankan aturan bisnis kunci, seperti penanganan pembulatan numerik dan pencatatan yang hilang. GPT-6.1 Sol, di bawah tingkat penalaran tinggi, dapat mencapai akurasi hingga 97,9%, sementara di bawah tingkat penalaran rendah, akurasi mencapai 86,6%. OpenAI menunjukkan bahwa untuk benar-benar mencapai migrasi tingkat produksi, semua pengujian harus lulus; jika tidak, diperlukan audit tambahan oleh ahli dan pengujian sistematis. Hasil ini menunjukkan bahwa migrasi yang dibantu AI dalam aplikasi keuangan yang sensitif terhadap risiko masih perlu terhubung secara ketat dengan logika bisnis di lapangan.
Data latar belakang menunjukkan bahwa penerapan model saat ini dalam bahasa lama terbatas pada kedalaman pemahaman logika penalaran dan struktur data. Berbeda dengan pengembangan perangkat lunak umum, sistem inti perbankan memerlukan output yang dapat diprediksi dan kepatuhan yang ketat, yang tidak dapat diselesaikan hanya dengan model yang dihasilkan secara otomatis. OpenAI menyatakan bahwa dalam mendorong migrasi modern, masih perlu berintegrasi dan memverifikasi proses pengujian di lokasi klien, mesin aturan bisnis, dan kerangka tata kelola data untuk memastikan bahwa "semua pengujian lulus" tetapi beroperasi tanpa risiko.
Secara keseluruhan, penelitian ini menunjukkan bahwa teknologi AI memang telah menunjukkan kemajuan signifikan dalam migrasi bahasa lama, terutama dalam peningkatan kinerja dan tingkat kelulusan di lingkungan multibahasa, tetapi COBOL tetap menjadi tantangan terbesar. Pemerintah dan lembaga keuangan yang ingin melakukan transisi mulus dari sistem COBOL yang ada ke arsitektur modern tidak hanya dapat mengandalkan kemampuan otomatisasi model, tetapi juga memerlukan dukungan dari audit manusia, definisi aturan yang ada, dan sistem pemantauan jangka panjang. OpenAI menunjukkan bahwa kemampuan mempertahankan perilaku memiliki nilai praktis bagi tim dalam memelihara dan memodernisasi sistem lama, tetapi untuk diterapkan di lingkungan produksi, masih perlu melalui pengujian dan evaluasi yang ketat untuk memastikan kesesuaian dengan aturan bisnis dan ketergantungan yang ada.