La inteligencia artificial está transformando la forma en que interactuamos con la tecnología, y su impacto se extiende ahora a áreas que antes parecían inalcanzables. OpenAI ha anunciado mejoras sustanciales en sus modelos de lenguaje, específicamente en su habilidad para manejar lenguajes de programación de bajo recurso. Estos avances son clave para mantener y modernizar sistemas que sustentan servicios esenciales a nivel global.

El desafío de los lenguajes de bajo recurso

Lenguajes como COBOL, Fortran y Visual Basic son la columna vertebral de una vasta cantidad de infraestructura crítica, desde sistemas bancarios hasta pronósticos meteorológicos y análisis de seguridad de reactores nucleares. A pesar de su importancia, estos lenguajes presentan un desafío significativo para los modelos de IA debido a la escasez de código y documentación disponible para su entrenamiento. Esto contrasta con lenguajes más modernos como Python o JavaScript, que poseen una abundancia de recursos.

El mantenimiento y la modernización de software escrito en estos lenguajes son tareas complejas. A menudo, la documentación es incompleta, los desarrolladores originales ya no están en la empresa y las reglas de negocio críticas solo existen dentro del código. Esto dificulta la corrección de errores o la migración a nuevos lenguajes, procesos que requieren preservar el comportamiento exacto de los sistemas.

Evaluaciones que marcan la diferencia

Para medir el progreso en esta área, OpenAI desarrolló dos evaluaciones clave:

  • MultiLangBench: Esta prueba evalúa la capacidad de un modelo para construir un motor de base de datos compatible con SQLite desde cero en 20 lenguajes de programación diferentes.
  • Evaluación de migración de COBOL: Aquí, se mide la habilidad de un modelo para migrar programas existentes de COBOL a otros lenguajes, como C++, Java, Kotlin, Python o Rust, asegurando que el comportamiento original del programa se mantenga intacto.

Estas evaluaciones buscan probar dos habilidades complementarias: la creación de software nuevo y la preservación de la funcionalidad del software existente.

Resultados prometedores

Los últimos modelos de OpenAI han mostrado mejoras notables en ambas evaluaciones, ofreciendo mayor precisión y eficiencia en costos.

MultiLangBench: Construyendo desde cero

En la prueba MultiLangBench, GPT-6 Astra alcanzó una tasa de aprobación promedio del 87.4% en 20 lenguajes, un salto significativo desde el 26.8% de GPT-5.6 Sol. Las mejoras se observaron en cada lenguaje evaluado, incluyendo:

  • 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%

GPT-6 Luna, una opción de menor costo, también superó a su predecesor, alcanzando un 40.3% de tasa de aprobación con una reducción de costos estimada del 78%.

Migración de COBOL: Preservando la lógica de negocio

La migración de COBOL es particularmente desafiante debido a la necesidad de comprender la lógica de negocio y el comportamiento específico del lenguaje. Por ejemplo, la aritmética de punto fijo de COBOL descarta dígitos decimales excedentes a menos que se solicite explícitamente el redondeo. Una migración exitosa debe replicar estos detalles para evitar resultados financieros incorrectos.

En esta evaluación, GPT-6.1 Sol logró una precisión del 86.6% con bajo esfuerzo de razonamiento, frente al 5.4% de GPT-5.6 Sol, y con un costo un 39% menor. Con un esfuerzo de razonamiento mayor, la precisión alcanzó un impresionante 97.9%, lo que indica un progreso significativo hacia migraciones de código más precisas y asequibles.

Implicaciones para el software empresarial

“Nuestro objetivo es ayudar a los modelos a aplicar habilidades de ingeniería de software en más lenguajes: comprender repositorios desconocidos, planificar cambios, usar herramientas de construcción, ejecutar pruebas y depurar fallos.”

Estos avances no solo demuestran la creciente capacidad de los modelos de IA para trabajar con una amplia gama de lenguajes de programación, sino que también los hacen más rentables. La retroalimentación de desarrolladores y clientes empresariales es fundamental para guiar a OpenAI en la mejora continua de sus modelos, enfocándose en la comprensión de repositorios, la planificación de cambios, el uso de herramientas de construcción, la ejecución de pruebas y la depuración de fallos.

Estos progresos abren la puerta a una modernización más eficiente y segura de los sistemas heredados, lo que es vital para la estabilidad y el avance de innumerables servicios esenciales en todo el mundo. Te invitamos a probar estos modelos a través de la API y compartir tu experiencia, lo cual es invaluable para el desarrollo futuro de estas herramientas.