OpenAIは、習得したプログラマの数が減少しつつあるCOBOL、Fortran、Visual Basicなどのレガシープログラミング言語で書かれたソフトウェアの構築および更新において、同社のAIモデルの効率がさらに向上したと発表しました。同社のデータによると、世界中の銀行の約40%が依然としてCOBOLベースのシステムに依存しています。近代的な言語への移行には数百万ドルのコストと多大な時間がかかりますが、専門プログラマの定年退職により、これらの金融機関は今後数年間で技術的な移行を余儀なくされています。
同社は、プログラミングモデルがレガシープログラミング言語の処理において実際の課題に直面していた当時、開発者や企業向け顧客からのフィードバックや意見に基づいて、これらの機能を開発しました。パフォーマンスを評価するために、OpenAIはMultiLangBenchと呼ばれるテストスイートを開発し、モデルに対して特定のプログラミング言語でSQLite互換のデータベースエンジンの構築を要求しました。
テスト結果では顕著な優位性が示され、GPT-6 Astraモデルは20の言語にわたって87.4%の成功率を記録し、26.8%を記録したGPT-5.6 Solモデルを大きく上回りました。この改善にもかかわらず、COBOL言語は依然として最も困難な課題であり続け、Astraモデルの成功率は約72%に達しました。
このニュースが重要な理由
銀行のレガシーシステムは、極めて高い精度が求められる重要な財務データや複雑なビジネスルールに結びついているため、技術発展における大きな障害となっています。新しい進歩の重要性は、C++、Java、Kotlin、Python、Rustなどの言語への変換プロセス中に、モデルが元のプログラムの動作を維持できる能力にあります。
複雑な小数点数の丸め方や欠損レコードの処理など、プログラムの動作を正確に維持する変換評価プロセスにおいて、GPT-6.1 Solモデルは、高レベルの推論を使用した際に97.9%という最高の精度を記録し、低レベルの推論では86.6%の精度に達しました。
制限事項と実用上の要件
OpenAIは、銀行業務の重要性を考慮すると、いかなるソフトウェア移行プロセスの成功においても、すべての精度テストに合格することが求められると強調しています。同社は、これらの機能が保守および更新チームにとって価値ある補助ツールである一方、実際の稼働環境（プロダクション環境）へのソフトウェアの展開には、依然として専門的な人間によるレビューと、ビジネスルールおよびシステムに関連する考慮事項に適合した厳格なテストが必要であると指摘しています。