OpenAI punta a semplificare la modernizzazione dei sistemi informatici basati su linguaggi di programmazione ormai poco utilizzati, ma ancora fondamentali per numerose infrastrutture aziendali. La società ha annunciato nuovi progressi dei propri modelli nella scrittura e nella migrazione di software realizzato con linguaggi come COBOL, Fortran e Visual Basic, spesso più difficili da gestire rispetto rispetto a tecnologie moderne a causa della minore disponibilità di codice e documentazione utilizzabili durante l’addestramento.

Il caso più significativo è quello di COBOL, un linguaggio storico che continua a sostenere una parte importante dei sistemi finanziari. Secondo i dati citati da OpenAI, COBOL è utilizzato in oltre il 40% dei sistemi di online banking, nell’80% delle transazioni con carta di credito effettuate nei negozi fisici e nel 95% delle operazioni agli sportelli automatici. Si tratta quindi di software tutt’altro che marginale, la cui manutenzione rimane essenziale per garantire il funzionamento dei servizi utilizzati quotidianamente da milioni di persone.

Il problema è che mantenere queste piattaforme può diventare complesso e costoso, la migrazione verso sistemi basati su linguaggi più recenti può richiedere da milioni a centinaia di milioni di dollari, oltre a tempi di lavoro considerevoli. A questo si aggiunge l’invecchiamento dei programmatori specializzati in COBOL, una situazione che potrebbe rendere sempre più difficile trovare le competenze necessarie per mantenere questi sistemi nei prossimi anni.

La documentazione potrebbe essere incompleta, gli sviluppatori che hanno realizzato il codice originale potrebbero non lavorare più per la stessa azienda e alcune regole aziendali potrebbero essere presenti soltanto all’interno dei programmi stessi; per questo motivo, modernizzare queste infrastrutture senza introdurre errori rappresenta una sfida importante, soprattutto quando sono coinvolte operazioni finanziarie.

Segui TuttoTech.net su Google Discover

Pubblicità-37%roborock F25 Steam
Amazon
roborock F25 Steam
379€599€
Vai all'offerta

GPT-6 Astra migliora nei linguaggi meno diffusi, ma COBOL resta difficile

Per misurare i progressi dei propri modelli, OpenAI ha sviluppato MultiLangBench, una suite di valutazione che verifica la capacità di realizzare da zero un motore di database compatibile con SQLite utilizzando 20 linguaggi di programmazione differenti. Il sistema deve gestire il codice sorgente, mantenere lo stato del programma, affrontare gli errori e aggiungere nuove funzionalità senza compromettere quelle già implementate.

La valutazione utilizza i database come punto di riferimento comune: al programma vengono forniti un database iniziale e una query SQL, mentre il risultato viene confrontato con quello prodotto dall’implementazione di riferimento di SQLite. In questo modo, OpenAI può verificare il funzionamento delle soluzioni indipendentemente dal linguaggio scelto.

I risultati mostrano un miglioramento significativo, GPT-6 Astra raggiunge una percentuale media di superamento dei test dell’87,4% sui 20 linguaggi considerati, contro il 26,8% registrato da GPT-5.6 Sol. I progressi riguardano tutte le tecnologie esaminate, comprese quelle meno diffuse nei moderni progetti software.

COBOL rimane tuttavia il linguaggio più impegnativo, GPT-6 Astra raggiunge un tasso di superamento dei test del 72,1%, partendo dal 10,9% di GPT-5.6 Sol; le prestazioni sono migliori in altri casi, con l’83,5% per Fortran e l’89,4% per Visual Basic, mentre in 19 linguaggi su 20 Astra supera la soglia dell’83%.

OpenAI evidenzia anche il ruolo di GPT-6 Luna, un’alternativa meno costosa che raggiunge una media del 40,3%. Secondo le stime dell’azienda, il costo medio dell’API per campione scende a 0,77 dollari, rispetto ai 3,48 dollari di GPT-5.6 Sol: una riduzione di circa il 78%. Si tratta di un aspetto importante per le aziende che devono valutare l’impiego dell’intelligenza artificiale in attività di sviluppo e manutenzione su larga scala.

Migrare COBOL senza alterare il funzionamento dei programmi

La seconda valutazione è ancora più direttamente legata alle esigenze delle banche e delle grandi organizzazioni: verificare se un modello sia in grado di trasferire programmi COBOL in linguaggi più moderni, come C++, Java, Kotlin, Python o Rust, mantenendo esattamente lo stesso comportamento.

Non basta, infatti, riscrivere un programma affinché funzioni senza errori apparenti; nei sistemi finanziari, anche una differenza apparentemente trascurabile nel trattamento dei dati può produrre risultati diversi. OpenAI cita, per esempio, l’aritmetica a virgola fissa di COBOL, che può eliminare le cifre decimali in eccesso se non viene richiesto esplicitamente l’arrotondamento. Una migrazione che introduca una regola differente potrebbe quindi completarsi senza problemi tecnici evidenti, ma restituire importi finanziari diversi da quelli previsti dal programma originale.

Per verificare che questo non accada, l’azienda utilizza test nascosti che richiedono la corrispondenza byte per byte degli output osservabili. Una migrazione viene considerata riuscita soltanto quando tutti i test vengono superati.

In questa prova, GPT-6.1 Sol raggiunge un’accuratezza dell’86,6% con un basso sforzo di ragionamento, contro appena il 5,4% di GPT-5.6 Sol nelle stesse condizioni; il costo dell’API risulta inoltre inferiore del 39%. Aumentando lo sforzo di ragionamento, l’accuratezza sale al 97,9%, avvicinandosi alla completa copertura della valutazione.

I risultati indicano che i modelli stanno diventando strumenti più promettenti per affrontare la modernizzazione del software aziendale, soprattutto quando occorre intervenire su codice complesso e poco documentato. OpenAI sottolinea però che questi progressi non eliminano la necessità di verifiche approfondite, l’impiego in ambienti di produzione richiede ancora la revisione di esperti e test rispetto alle regole aziendali e alle dipendenze degli altri sistemi.

L’obbiettivo dichiarato è ampliare ulteriormente le capacità dei modelli nelle attività di ingegneria del software, dalla comprensione di repository sconosciuti alla pianificazione delle modifiche, fino all’esecuzione dei test e alla risoluzione dei problemi. OpenAI sta inoltre rilasciando su GitHub la configurazione di valutazione e la suite di test di MultiLangBench, insieme ai risultati ottenuti per ciascun linguaggio, così da permettere agli sviluppatori di esaminare i criteri utilizzati e individuare eventuali limiti rilevanti per il proprio lavoro.

Per le banche e le aziende che dipendono da infrastrutture sviluppate decenni fa, l’intelligenza artificiale potrebbe quindi diventare un supporto concreto nella manutenzione e nella migrazione del codice. La sfida, tuttavia, non consiste soltanto nel tradurre un linguaggio di programmazione in un altro, occorre preservare con precisione tutte le regole che hanno permesso a quei sistemi di funzionare per anni, senza dimenticare che, soprattutto in ambito finanziario, la supervisione umana e i test rimangono indispensabili.

Potrebbero interessarti anche: