Les modèles de l’entreprise sont désormais plus performants pour travailler avec COBOL et d’autres langages anciens.
Les modèles d’OpenAI sont désormais meilleurs pour concevoir et migrer des logiciels écrits dans des langages de programmation anciens, alors que le nombre de programmeurs diminue, notamment COBOL, Fortran et Visual Basic. Comme l’explique la société, 40 pour cent des banques mondiales dépendent encore de systèmes COBOL, et migrer vers des systèmes utilisant des langages plus récents leur coûterait non seulement des millions à des centaines de millions, mais aussi beaucoup de temps. Les programmeurs qui travaillent avec COBOL prennent toutefois leur retraite, les banques qui l’utilisent encore devront donc migrer au cours des prochaines années.
La société indique que son travail visant à améliorer les capacités COBOL de ses modèles est guidé par les développeurs et les clients d’entreprise qui ont fourni des retours. Les modèles de codage semblent visiblement éprouver des difficultés lorsqu’il s’agit de travailler avec des langages anciens. OpenAI a créé une suite d’évaluation de l’IA appelée MultiLangBench, qui demande aux modèles de créer des moteurs de bases de données SQLite compatibles dans un langage de programmation donné. Elle a déclaré que GPT‑6 Astra affichait un taux de réussite moyen de 87,4 pour cent sur 20 langages, ce qui le rendait nettement plus efficace que GPT-5.6 Sol qui affichait un taux de réussite de 26,8 pour cent. COBOL demeure le langage le plus difficile à déchiffrer, avec un taux de réussite d’Astra de 72 pour cent.
OpenAI a également évalué les capacités de ses modèles en les faisant migrer des programmes COBOL vers des programmes utilisant C++, Java, Kotlin, Python ou Rust, tout en préservant ce que font les programmes. Pour que les modèles d’OpenAI puissent efficacement aider les institutions bancaires à migrer vers des langages modernes, ils doivent être capables de préserver les comportements des programmes COBOL, tels que la manière dont il arrondit les nombres avec des chiffres décimaux en excès et la façon dont il gère les enregistrements manquants. Dans ce cas, GPT-6.1 Sol a obtenu la précision la plus élevée, atteignant 97,9 pour cent, avec un niveau d’effort de raisonnement élevé. Avec un faible niveau d’effort de raisonnement, il a atteint une précision de 86,6 pour cent.
Dans son article, OpenAI admet qu’une migration n’est réussie que si « tous les tests passent ». Les programmes qui gèrent les tâches liées à la banque, après tout, doivent être extrêmement précis. « Des capacités de préservation du comportement comme celles-ci sont utiles pour les équipes qui entretiennent et modernisent des systèmes plus anciens, bien que leur application à des logiciels de production nécessite toujours l’avis d’experts et des tests par rapport aux règles métier et aux dépendances du système », a écrit OpenAI.
