OpenAI ขณะนี้กำลังช่วยให้ธนาคารมีประสิทธิภาพมากขึ้นในการย้ายซอฟต์แวร์ที่ใช้ภาษาโปรแกรมเก่า โดยเฉพาะ COBOL, Fortran และ Visual Basic ซึ่งยังคงเป็นที่นิยมใช้งานอยู่ โดย 40% ของธนาคารทั่วโลกยังคงใช้ COBOL เป็นหลัก หากต้องการเปลี่ยนไปใช้ภาษาใหม่ ค่าใช้จ่ายอาจสูงถึงหลายล้านดอลลาร์ และมีต้นทุนเวลาและความเสี่ยงที่สูงมาก ด้วยการเกษียณของโปรแกรมเมอร์ COBOL ที่มีอยู่ การย้ายในอีกไม่กี่ปีข้างหน้าจึงกลายเป็นภารกิจที่เร่งด่วน OpenAI ระบุว่าการปรับปรุงความสามารถของโมเดลในด้าน COBOL นั้นได้รับการชี้นำจากข้อเสนอแนะแบบเรียลไทม์จากนักพัฒนาและลูกค้าองค์กร และในการประยุกต์ใช้งานจริง การรักษาพฤติกรรมของโปรแกรมและเงื่อนไขขอบเขตในการคำนวณเชิงตัวเลขเป็นสิ่งสำคัญในการรับประกันว่าพฤติกรรมของระบบหลังการย้ายจะสอดคล้องกัน แผนงานดังกล่าวแสดงให้เห็นว่า โมเดล AI จำเป็นต้องมีการทดสอบและตรวจสอบอย่างต่อเนื่องบนเครื่องมืออัตโนมัติที่มีอยู่ เพื่อให้สามารถทำงานได้อย่างเชื่อถือได้ในสภาพแวดล้อมการผลิต
ความก้าวหน้าในการทดสอบความสามารถในการรักษาพฤติกรรมและการย้ายของโมเดลในภาษาเก่า ผลลัพธ์เด่นและข้อจำกัด
OpenAI ได้ใช้ชุดประเมิน MultiLangBench ในการทดสอบประสิทธิภาพของโมเดลในการสร้างฐานข้อมูลที่เข้ากันได้กับ SQLite ในภาษาที่กำหนด GPT‑6 Astra มีอัตราการผ่านเฉลี่ยถึง 87.4% ใน 20 ภาษา ซึ่งเพิ่มขึ้นอย่างมีนัยสำคัญจาก GPT‑5.6 Sol ที่มีอัตราการผ่านเพียง 26.8% สำหรับ COBOL ซึ่งเป็นภาษาที่ยากที่สุด อัตราการผ่านของ Astra ยังคงอยู่ที่เพียง 72% ตัวเลขเหล่านี้แสดงให้เห็นว่า แม้จะมีการปรับปรุงประสิทธิภาพโดยรวม แต่ยังมีระยะทางที่ต้องก้าวข้ามเพื่อให้สามารถรักษาโครงสร้างข้อมูลที่มีอยู่ กฎทางการเงิน และกลไกการทนต่อข้อผิดพลาดได้ภายใต้ความต้องการที่เข้มงวดของธนาคาร
ความแม่นยำในการย้ายข้ามภาษาและขีดจำกัดของการรักษาพฤติกรรม ความเหมาะสมในการผลิตกำลังอยู่ในระหว่างการตรวจสอบ
OpenAI ยังได้ประเมินการย้ายโปรแกรม COBOL ไปยังภาษาใหม่ เช่น C++, Java, Kotlin, Python หรือ Rust ในขณะที่รักษาพฤติกรรมเดิม การทดสอบเหล่านี้ชี้ให้เห็นว่าการย้ายที่ประสบความสำเร็จนั้นไม่เพียงแต่ต้อง "ผ่านการทดสอบโค้ด" แต่ยังต้องรักษากฎทางธุรกิจที่สำคัญ เช่น การจัดการการปัดเศษตัวเลขและการบันทึกข้อมูลที่ขาดหายไป GPT-6.1 Sol มีความแม่นยำสูงสุดถึง 97.9% ในระดับการอนุมานสูง และ 86.6% ในระดับการอนุมานต่ำ OpenAI ระบุว่า เพื่อให้การย้ายเข้าสู่การผลิตได้จริง การทดสอบทั้งหมดต้องผ่าน มิฉะนั้นจะต้องมีการตรวจสอบจากผู้เชี่ยวชาญเพิ่มเติมและการทดสอบระบบอย่างเป็นระบบ ผลลัพธ์เหล่านี้แสดงให้เห็นว่า การย้ายที่ช่วยโดย AI ในแอปพลิเคชันทางการเงินที่มีความเสี่ยงสูงยังคงต้องมีการเชื่อมโยงอย่างเข้มงวดกับตรรกะทางธุรกิจในสถานที่
ข้อมูลพื้นฐานระบุว่า โมเดลปัจจุบันมีความเหมาะสมในการใช้กับภาษาเก่า ถูกจำกัดโดยความลึกของความเข้าใจในตรรกะการอนุมานและโครงสร้างข้อมูล เมื่อเปรียบเทียบกับการพัฒนาซอฟต์แวร์ทั่วไป ระบบหลักของธนาคารต้องการผลลัพธ์ที่คาดการณ์ได้และความสอดคล้องที่เข้มงวด ซึ่งไม่สามารถแก้ไขได้เพียงแค่การสร้างโมเดลอัตโนมัติ OpenAI ระบุว่า ในการผลักดันการย้ายไปสู่ความทันสมัยยังคงต้องมีการรวมและตรวจสอบกระบวนการทดสอบในสถานที่ กฎทางธุรกิจ และโครงสร้างการจัดการข้อมูล เพื่อให้มั่นใจว่า "การทดสอบทั้งหมดผ่าน" แต่การดำเนินงานจริงไม่มีความเสี่ยง
โดยรวมแล้ว การวิจัยในรอบนี้แสดงให้เห็นว่า เทคโนโลยี AI มีความก้าวหน้าอย่างมีนัยสำคัญในการย้ายภาษาเก่า โดยเฉพาะอย่างยิ่งในด้านการปรับปรุงประสิทธิภาพและอัตราการผ่านในสภาพแวดล้อมหลายภาษา แต่ COBOL ยังคงเป็นความท้าทายที่ใหญ่ที่สุด หากรัฐบาลและสถาบันการเงินต้องการทำให้ระบบ COBOL ที่มีอยู่สามารถเปลี่ยนผ่านไปยังสถาปัตยกรรมสมัยใหม่ได้อย่างราบรื่น ไม่เพียงแต่ต้องพึ่งพาความสามารถในการทำงานอัตโนมัติของโมเดล แต่ยังต้องมีการตรวจสอบจากมนุษย์ที่เหมาะสม การกำหนดกฎที่มีอยู่ และระบบการตรวจสอบระยะยาว OpenAI ระบุว่าความสามารถในการรักษาพฤติกรรมมีคุณค่าจริงต่อทีมในการบำรุงรักษาและปรับปรุงระบบเก่า แต่เพื่อให้สามารถนำไปใช้ในสภาพแวดล้อมการผลิตได้ ยังต้องผ่านการทดสอบและการประเมินอย่างเข้มงวดเพื่อให้แน่ใจว่าสอดคล้องกับกฎทางธุรกิจและความสัมพันธ์ที่เกี่ยวข้อง