Segundo a OpenAI, a IA migra COBOL com 97,9 % de precisão

A IBM estima que o COBOL suporta 95 % das transações nos caixas automáticos e 80 % das transações com cartão de crédito presenciais. Para os bancos, este código antigo não é apenas um encargo técnico: é muitas vezes onde vivem as regras de negócio, e por vezes em mais lado nenhum. A OpenAI afirma agora que os seus modelos mais recentes conseguem reescrever estes programas em linguagens modernas sem alterar o seu comportamento, e indica 97,9 % de precisão no seu próprio teste de migração.

A dificuldade não se resume à idade do código. O COBOL e o Fortran, este último usado na previsão meteorológica e na análise de segurança de reatores nucleares, dispõem de muito menos material de treino do que o Python ou o JavaScript, e a sua documentação é frequentemente incompleta. Um programa reescrito pode funcionar sem qualquer erro e, ainda assim, produzir números diferentes. O COBOL, por exemplo, descarta as casas decimais extra, a menos que um programa peça explicitamente um arredondamento, e em finanças esse pormenor é todo o cálculo.

Para avaliar uma migração, o teste da OpenAI traduz programas COBOL existentes para C++, Java, Kotlin, Python ou Rust, e exige que a nova versão passe em todos os testes ocultos, incluindo as verificações de que os seus resultados observáveis coincidem com os do original. O GPT-6.1 Sol atingiu 86,6 % com um esforço de raciocínio baixo, contra 5,4 % para o GPT-5.6 Sol, e 97,9 % com um esforço mais elevado. A OpenAI indicou também uma redução de 39 % nos custos da API na configuração mais baixa.

Os progressos vão além do COBOL. No MultiLangBench, que pede aos modelos que construam um motor de base de dados compatível com o SQLite em 20 linguagens de programação, o GPT-6 Astra obteve em média 87,4 %, contra 26,8 % para o GPT-5.6 Sol, e melhorou em todas as linguagens. A sua pontuação em Fortran subiu de 21,4 para 83,5 %, e o COBOL, ainda a linguagem mais difícil, passou de 10,9 para 72,1 %. O modelo mais barato, o GPT-6 Luna, obteve em média 40,3 %, com um custo por amostra de cerca de menos 78 %: a OpenAI estima custos médios da API de 0,77 dólares contra 3,48 dólares.

O que muda primeiro é o custo da experimentação. Para as instituições que há muito evitam tocar nos sistemas centrais porque substituí-los é arriscado, uma forma mais barata de testar reescritas é o ponto prático, e a OpenAI defende que os custos mais baixos do Luna poderão permitir às equipas de engenharia realizar mais ensaios sem aumentar substancialmente os orçamentos. Os limites são tão claros como os ganhos: 97,9 % é uma pontuação no conjunto de testes da própria OpenAI, não uma garantia, e a empresa aponta ela própria o COBOL como a linguagem mais fraca nos seus resultados. As equipas terão de verificar o software migrado em cargas de trabalho reais e perante dependências não documentadas antes de o confiar em operações críticas.