ChatGPT aprende a programar en COBOL para modernizar sistemas bancarios y públicos
La inteligencia artificial empieza a ampliar su campo de acción más allá de Python, JavaScript y otros lenguajes actuales. OpenAI ha entrenado sus modelos para trabajar con tecnologías antiguas como COBOL, Fortran, OCaml y Visual Basic, que todavía sostienen una parte importante de los sistemas informáticos de bancos, aseguradoras, administraciones y grandes empresas.
El objetivo no es únicamente generar código nuevo. La compañía quiere que ChatGPT sea capaz de entender, corregir y migrar aplicaciones heredadas, es decir, programas desarrollados hace décadas que continúan funcionando, pero que resultan difíciles y costosos de mantener.
La IA se adentra en los lenguajes que sostienen la infraestructura crítica
Cuando se habla de programación asistida por inteligencia artificial, es habitual pensar en el denominado vibe coding. Este término describe una forma de desarrollo en la que el usuario explica en lenguaje natural lo que necesita y el modelo genera buena parte del código.
Hasta ahora, esta práctica se ha asociado principalmente con lenguajes modernos y populares. Sin embargo, muchos sistemas esenciales siguen utilizando tecnologías con varias décadas de historia. COBOL, por ejemplo, continúa presente en plataformas de procesamiento financiero y en aplicaciones administrativas de gran escala.
El problema es que cada vez hay menos profesionales especializados en estos lenguajes. Además, algunas aplicaciones fueron creadas por equipos que ya no trabajan en las compañías y cuya documentación se ha perdido o ha quedado incompleta. Esto convierte cualquier modificación en una tarea lenta, cara y con riesgo de provocar errores en procesos críticos.
GPT-6 Astra mejora su rendimiento en 20 lenguajes
Para medir la capacidad de sus modelos, OpenAI ha desarrollado MultiLangBench, una prueba en la que la inteligencia artificial debe construir un motor compatible con SQLite utilizando 20 lenguajes de programación diferentes.
SQLite es una base de datos ligera muy extendida en aplicaciones, dispositivos y servicios digitales. Crear un motor compatible obliga al modelo a comprender estructuras de datos, operaciones de almacenamiento y reglas de funcionamiento, no solo a completar fragmentos aislados de código.
Según los resultados publicados, GPT-6 Astra alcanzó una tasa media de éxito del 87,4 % en MultiLangBench. El modelo anterior, GPT-5.6 Sol, obtuvo un 26,8 %, lo que representa una diferencia considerable en tareas relacionadas con lenguajes menos habituales.
- COBOL: el porcentaje de éxito subió del 10,9 % al 72,1 %.
- Fortran: pasó del 21,4 % al 83,5 %.
- Visual Basic: alcanzó una tasa cercana al 90 %.
Estos datos indican que los modelos más recientes no solo reconocen la sintaxis de lenguajes antiguos, sino que también pueden trabajar con sus estructuras y patrones de programación. La sintaxis es el conjunto de reglas que define cómo debe escribirse un programa para que pueda ser interpretado correctamente.
Migrar COBOL sin cambiar el comportamiento del programa
La aplicación más relevante de estos avances está en la modernización de software. Muchas organizaciones necesitan trasladar sus aplicaciones de COBOL a tecnologías como C++, Java, Kotlin, Python o Rust, pero no pueden permitirse que el nuevo programa se comporte de forma distinta al original.
Para comprobar esta capacidad, OpenAI también ha utilizado una prueba específica de migración de COBOL. El sistema debe transformar el código manteniendo la misma funcionalidad y superar comprobaciones que comparan los resultados del programa antiguo con los del nuevo.
GPT-6.1 Sol obtuvo un 86,6 % de éxito con un esfuerzo de razonamiento reducido. Cuando se le permitió utilizar un proceso de análisis más exhaustivo, la cifra ascendió al 97,9 %.
La evaluación incluye pruebas ocultas y exige una coincidencia byte por byte en las salidas observables. Un byte es una unidad básica de información digital. En este contexto, la comparación busca garantizar que el programa migrado produce exactamente los mismos resultados en las situaciones evaluadas.
Una ayuda para los equipos, no un reemplazo automático
El rendimiento anunciado puede facilitar la modernización de infraestructuras, pero no elimina la necesidad de supervisión humana. Los sistemas bancarios, administrativos y empresariales suelen estar conectados con numerosos servicios, bases de datos y procesos internos.
Un modelo de IA puede analizar grandes volúmenes de código y proponer una migración en menos tiempo, pero los equipos técnicos todavía deben revisar la seguridad, el cumplimiento normativo y el comportamiento del software en situaciones no contempladas por las pruebas.
El riesgo es especialmente relevante cuando un error afecta a pagos, prestaciones públicas, historiales de clientes o cálculos financieros. Por eso, la validación automatizada y las pruebas de regresión —que comprueban que una modificación no rompe funciones existentes— seguirán siendo fundamentales.
Un banco de pruebas abierto para analizar los resultados
OpenAI ha publicado MultiLangBench en GitHub para que los desarrolladores puedan examinar la metodología y consultar el rendimiento separado por lenguaje. La disponibilidad del banco de pruebas permitirá comparar modelos y comprobar hasta qué punto las mejoras se mantienen en distintos escenarios.
La evolución de ChatGPT en COBOL y Fortran muestra que la inteligencia artificial no solo está cambiando la forma de crear aplicaciones nuevas. También puede convertirse en una herramienta para conservar y actualizar una parte de la infraestructura digital que, aunque antigua, sigue siendo esencial para el funcionamiento de la economía y de los servicios públicos.
