La société OpenAI a annoncé que ses modèles intelligents sont devenus plus efficaces pour concevoir et moderniser des logiciels écrits dans des langages de programmation anciens qui souffrent d'une diminution du nombre de programmeurs les maîtrisant, tels que COBOL, Fortran et Visual Basic. Les données de l'entreprise indiquent qu'environ 40 % des banques dans le monde dépendent encore de systèmes reposant sur le langage COBOL. Bien que la transition vers des langages modernes coûte des millions de dollars et prenne beaucoup de temps, le départ à la retraite des programmeurs spécialisés impose à ces institutions la nécessité d'une migration technologique au cours des prochaines années.
L'entreprise s'est appuyée sur le développement de ces capacités en se basant sur les remarques et les retours d'expérience de développeurs et de clients du secteur des entreprises, les modèles de programmation rencontrant de véritables difficultés lors du traitement des langages de programmation obsolètes. Pour évaluer les performances, OpenAI a développé une suite de tests appelée MultiLangBench, qui demande aux modèles de construire des moteurs de bases de données compatibles avec SQLite dans un langage de programmation spécifique.
Les résultats des tests ont montré une supériorité notable, le modèle GPT‑6 Astra enregistrant un taux de réussite de 87,4 pour cent sur 20 langages, devançant largement le modèle GPT-5.6 Sol qui a affiché 26,8 pour cent. Malgré cette amélioration, le langage COBOL est resté le défi le plus difficile, le taux de réussite du modèle Astra s'élevant à environ 72 pour cent.
Pourquoi cette nouvelle est-elle importante ?
Les anciens systèmes bancaires constituent un obstacle majeur au développement technique en raison de leur lien avec des données financières critiques et des règles métier complexes qui exigent une précision absolue. L'importance de cette nouvelle évolution réside dans la capacité des modèles à préserver les comportements d'origine des logiciels lors du processus de conversion vers des langages tels que C++, Java, Kotlin, Python ou Rust.
Dans le cadre des évaluations de conversion qui préservent fidèlement le comportement des logiciels — telles que la méthode d'arrondi des nombres à virgule décimale complexe et le traitement des enregistrements manquants —, le modèle GPT-6.1 Sol a atteint la précision la plus élevée, soit 97,9 pour cent lors de l'utilisation d'un niveau de raisonnement élevé, tandis que la précision s'est élevée à 86,6 pour cent à des niveaux de raisonnement faibles.
Limites et exigences pratiques
OpenAI souligne que le succès de toute opération de migration logicielle nécessite la réussite de l'ensemble des tests de précision, en raison de la sensibilité des tâches bancaires. L'entreprise indique que ces capacités constituent un outil d'aide précieux pour les équipes de maintenance et de mise à jour, mais que le déploiement de logiciels dans des environnements de production réels nécessite toujours une révision humaine spécialisée et des tests rigoureux conformes aux règles métier et aux considérations liées au système.