IA mejora la programación en COBOL y Fortran

OpenAI asegura que sus modelos más recientes mejoran de forma notable al programar y migrar software escrito en lenguajes con pocos datos disponibles, como COBOL, Fortran, OCaml y Visual Basic. Son tecnologías antiguas, pero siguen sosteniendo bancos, cajeros automáticos, sistemas de previsión meteorológica y otros servicios esenciales.

El problema es que estos lenguajes tienen menos código y documentación pública que Python o JavaScript. Además, muchas empresas dependen de programas creados hace décadas, con documentación incompleta y reglas de negocio que solo están explicadas dentro del propio código.

Eso hace que modernizarlos sea delicado. Una migración puede parecer correcta y aun así cambiar una regla financiera importante, como la forma en que COBOL descarta decimales cuando no se solicita un redondeo explícito.

Mejores resultados al crear software desde cero

OpenAI midió el avance con MultiLangBench, una evaluación en la que los modelos deben construir desde cero un motor compatible con SQLite en 20 lenguajes. El sistema tiene que organizar el proyecto, gestionar datos, controlar errores y añadir funciones sin romper lo que ya funciona.

En esta prueba, GPT-6 Astra logró una tasa media de pruebas superadas del 87,4%, frente al 26,8% de GPT-5.6 Sol. El modelo mejoró en los 20 lenguajes analizados.

Los resultados fueron especialmente relevantes en varios lenguajes poco habituales:

• COBOL: del 10,9% al 72,1%
• OCaml: del 25,6% al 85,8%
• Fortran: del 21,4% al 83,5%
• Visual Basic: del 27,5% al 89,4%

Astra superó el 83% en 19 de los 20 lenguajes. COBOL siguió siendo el más difícil, con un 72%.

También hubo una opción más económica. GPT-6 Luna alcanzó una media del 40,3% y mejoró a su predecesor en todos los lenguajes probados, con un coste estimado de 0,77 dólares por muestra, frente a 3,48 dólares. Eso supone una reducción aproximada del 78%.

Migrar COBOL sin cambiar el comportamiento

La segunda evaluación analizó si un modelo podía convertir programas COBOL a C++, Java, Kotlin, Python o Rust manteniendo exactamente lo que hacían originalmente.

Para considerarla correcta, la migración debía superar pruebas ocultas y producir resultados idénticos, byte por byte. No bastaba con que el nuevo programa se ejecutara: tenía que conservar reglas como el redondeo, el tratamiento de registros ausentes y la gestión de transacciones.

En esta prueba, GPT-6.1 Sol alcanzó una precisión del 86,6% con un nivel bajo de razonamiento, frente al 5,4% de GPT-5.6 Sol. Además, costó un 39% menos. Con un nivel alto de razonamiento, llegó al 97,9%.

Qué cambia para las empresas

Para un equipo que mantiene sistemas antiguos, estos avances pueden reducir el trabajo de localizar errores, entender repositorios desconocidos o preparar una migración. Por ejemplo, una empresa podría pedir ayuda para trasladar un programa COBOL a Java sin perder la lógica que calcula pagos o procesa registros bancarios.

Pero los resultados proceden de evaluaciones controladas. Antes de usar una migración en producción, siguen siendo necesarios expertos que revisen el código, las dependencias externas y las reglas específicas del negocio. Un error pequeño puede alterar un saldo, una nómina o un informe regulatorio.

OpenAI también ha publicado el entorno y las pruebas de MultiLangBench para que los desarrolladores puedan revisar cómo se mide el rendimiento y detectar las carencias más importantes para sus propios proyectos.

La señal importante es que la IA empieza a ser más útil en el software que las empresas no pueden reemplazar de un día para otro. El siguiente punto a vigilar será si estos resultados se mantienen en sistemas reales, mucho más grandes y con reglas menos visibles que las de una prueba automatizada.