Selon OpenAI, l'IA migre du COBOL avec 97,9 % de précision

IBM estime que le COBOL prend en charge 95 % des transactions aux distributeurs automatiques et 80 % des paiements par carte de crédit en magasin. Pour les banques, ce vieux code n'est pas seulement un fardeau technique : c'est souvent là que vivent les règles métier, et parfois nulle part ailleurs. OpenAI affirme désormais que ses modèles les plus récents peuvent réécrire ces programmes dans des langages modernes sans en modifier le comportement, et annonce une précision de 97,9 % à son propre test de migration.

La difficulté ne tient pas seulement à l'âge du code. Le COBOL et le Fortran, utilisé notamment pour la prévision météorologique et l'analyse de la sûreté des réacteurs nucléaires, disposent de bien moins de données d'entraînement que Python ou JavaScript, et leur documentation est souvent incomplète. Un programme réécrit peut s'exécuter sans la moindre erreur et produire pourtant des chiffres différents. Le COBOL, par exemple, supprime les décimales superflues, sauf si un programme demande explicitement un arrondi, et en finance ce détail constitue tout le calcul.

Pour évaluer une migration, le test d'OpenAI traduit des programmes COBOL existants en C++, Java, Kotlin, Python ou Rust, et exige que la nouvelle version réussisse tous les tests cachés, y compris la vérification que ses sorties observables correspondent à celles de l'original. GPT-6.1 Sol atteint 86,6 % avec un faible effort de raisonnement, contre 5,4 % pour GPT-5.6 Sol, et 97,9 % avec un effort plus élevé. OpenAI indique également une baisse de 39 % des coûts de l'API avec le réglage le plus bas.

Les progrès dépassent le seul COBOL. Sur MultiLangBench, qui demande aux modèles de construire un moteur de base de données compatible avec SQLite dans 20 langages de programmation, GPT-6 Astra obtient en moyenne 87,4 %, contre 26,8 % pour GPT-5.6 Sol, et progresse dans chacun des langages. Son score en Fortran passe de 21,4 à 83,5 %, et le COBOL, toujours le langage le plus difficile, passe de 10,9 à 72,1 %. Le modèle moins cher GPT-6 Luna atteint en moyenne 40,3 %, pour un coût environ 78 % inférieur par échantillon : OpenAI estime le coût moyen de l'API à 0,77 $ contre 3,48 $.

Ce qui change en premier, c'est le coût de l'expérimentation. Pour les institutions qui ont longtemps évité de toucher à leurs systèmes centraux, parce que les remplacer est risqué, un moyen moins coûteux de tester des réécritures constitue l'enjeu pratique. OpenAI soutient que les coûts plus faibles de Luna pourraient permettre aux équipes d'ingénierie de multiplier les essais sans augmenter sensiblement leur budget. Les limites sont aussi claires que les gains : 97,9 % est un score obtenu sur la suite de tests d'OpenAI, non une garantie, et l'entreprise elle-même désigne le COBOL comme le langage le plus faible de ses résultats. Les équipes devront encore vérifier les logiciels migrés sur des charges de travail réelles et sur des dépendances non documentées avant de leur confier des opérations critiques.