Buena parte del software crítico del mundo está escrito en lenguajes que las herramientas de programación con IA manejan mal. COBOL, Fortran y Visual Basic tienen mucho menos código y documentación públicos de los que aprender que Python o JavaScript, y aun así OpenAI recuerda que solo COBOL sostiene más del 40% de los sistemas de banca en línea. OpenAI informa ahora de grandes avances en dos pruebas que creó para medirlo, y las cifras importan a bancos, aseguradoras y gobiernos con código de hace décadas.
La primera prueba, MultiLangBench, pide a un modelo que construya desde cero un motor de base de datos compatible con SQLite en uno de 20 lenguajes, comprobado con pruebas adaptadas del propio conjunto de SQLite. Con el máximo esfuerzo de razonamiento, GPT-6 Astra supera de media el 87,4% de las pruebas, frente al 26,8% de GPT-5.6 Sol, y pasa del 83% en 19 de los 20 lenguajes. COBOL sigue siendo el más difícil, con un 72,1%, frente al 10,9% anterior; Fortran sube del 21,4% al 83,5% y Visual Basic del 27,5% al 89,4%. El más barato GPT-6 Luna llega al 40,3% con unos 0,77 dólares por muestra, frente a 3,48 de GPT-5.6 Sol.
La segunda prueba se acerca más al trabajo real: migrar programas COBOL existentes a C++, Java, Kotlin, Python o Rust, y una migración solo cuenta si unas pruebas ocultas muestran una salida idéntica byte a byte. Ese criterio importa porque la aritmética de coma fija de COBOL descarta los decimales sobrantes salvo que se pida redondear, y una reescritura que redondea puede ejecutarse sin errores y dar resultados distintos. GPT-6.1 Sol llega al 86,6% con esfuerzo bajo, frente al 5,4% de GPT-5.6 Sol con el mismo ajuste, y al 97,9% con más esfuerzo, cerca del techo.
Para quien compara modelos de programación, es la afirmación pública más sólida hasta ahora de que los modelos de frontera pueden ayudar con lenguajes heredados, y OpenAI ha publicado en GitHub la configuración de MultiLangBench y los resultados por lenguaje, lo que permite a otros comprobarlo. Esa apertura vale más que las cifras principales.
Las salvedades son importantes. Las dos pruebas las diseñó OpenAI y solo muestran modelos de OpenAI, así que no hay comparación con Claude ni con Gemini. Construir un motor de base de datos según una especificación conocida no es lo mismo que mantener un sistema bancario de hace 40 años cuyas reglas de negocio quizá solo existan en el código, escrito por desarrolladores que hace tiempo que se fueron. Casi saturar la prueba de migración dice más de la prueba que de la preparación para producción, y la propia OpenAI dice que las migraciones reales siguen necesitando revisión experta y pruebas contra las reglas de negocio. Los pilotos cuidadosos con el propio código siguen siendo la única medida fiable.