Языки из прошлого, критичные для настоящего

Когда разработчики думают об искусственном интеллекте и программировании, в голову, как правило, приходят Python, JavaScript или TypeScript. Однако за кулисами мировой финансовой системы, государственных структур и крупнейших корпораций продолжают работать совсем другие языки — старые, малоизвестные, почти забытые. COBOL, Fortran, Visual Basic, OCaml — именно они обеспечивают работу инфраструктуры, от которой зависят миллиарды людей каждый день.

COBOL обслуживает более 40% систем онлайн-банкинга, 80% транзакций по банковским картам при личном присутствии и 95% операций через банкоматы, а Fortran используется в метеорологических прогнозах и анализе безопасности ядерных объектов.

ℹ Что такое low-resource языки?
Low-resource programming languages (языки с малой обучающей базой) — это языки программирования, для которых в открытом доступе существует значительно меньше кода и документации, чем для популярных языков вроде Python или JavaScript. Это затрудняет обучение AI-моделей на таком материале.

OpenAI называет языки COBOL, Fortran и Visual Basic «low-resource», потому что моделям доступно гораздо меньше кода и документации для обучения, чем для Python или JavaScript. Тем не менее именно эти языки составляют фундамент критически важных систем по всему миру.

Улучшение способности ИИ работать с этими языками могло бы помочь командам поддерживать и модернизировать программное обеспечение, от которого зависят базовые сервисы.

Два новых бенчмарка: как OpenAI измеряет прогресс

Чтобы сделать прогресс измеримым, OpenAI разработала два оценочных инструмента. MultiLangBench проверяет, способна ли модель построить SQLite-совместимый движок базы данных с нуля на 20 различных языках программирования. Оценка миграции COBOL проверяет, может ли модель перенести существующие программы на другой язык, сохраняя их поведение. Вместе они тестируют два взаимодополняющих навыка: создание нового программного обеспечения и сохранение функциональности существующего.


graph TD
    A[OpenAI: оценка низкоресурсных языков] --> B[MultiLangBench]
    A --> C[COBOL Migration Eval]
    B --> D[20 языков программирования]
    B --> E[Построение SQLite-движка с нуля]
    C --> F[Перенос COBOL-кода на современный язык]
    C --> G[Проверка идентичности поведения]
    D --> H[GPT-6 Astra: 87.4%]
    F --> I[GPT-6.1 Sol: до 97.9%]

MultiLangBench: строим базу данных на 20 языках

Задание разворачивается в рамках расширенной сессии кодирования: модель должна добавлять функции, управлять состоянием и не нарушать то, что уже работает. Вместо оценки интерфейса каждого языка тест проверяет базу данных, которую создаёт программа.

При максимальных усилиях рассуждения GPT-6 Astra достигает среднего процента прохождения тестов 87,4% на 20 языках — по сравнению с 26,8% для GPT-5.6 Sol.

Улучшения затронули все тестируемые языки, включая COBOL (с 10,9% до 72,1%), OCaml (с 25,6% до 85,8%), Fortran (с 21,4% до 83,5%) и Visual Basic (с 27,5% до 89,4%).

💡 Важная деталь
COBOL остаётся самым сложным языком в MultiLangBench. Несмотря на впечатляющий рост с 10,9% до 72,1%, именно он показал наихудший результат среди всех 20 языков. GPT-6 Astra превысил 83% на всех остальных 19 языках.

Оценка миграции COBOL: сохранить логику десятилетий

Перенос COBOL-кода на современные языки — задача принципиально иная, чем просто написание нового кода. Это важно, потому что переписанная программа может успешно выполняться и при этом изменить финансовый результат — например, округлить десятичные значения там, где исходная программа их усекала.

OpenAI проверяет наблюдаемые результаты побайтово с помощью скрытых тестов. Миграция считается успешной только в том случае, если все тесты пройдены.

GPT-6.1 Sol достигает точности 86,6% при низких усилиях рассуждения, по сравнению с 5,4% для GPT-5.6 Sol при тех же настройках — и при этом обходится в 61% от стоимости API. При более высоких усилиях рассуждения точность достигает 97,9%, что приближает оценку к насыщению.

«Прогресс здесь означает понимание десятилетий бизнес-логики и помощь разработчикам в модернизации этих систем с сохранением всего, что в них работает.» — OpenAI

Сравнительная таблица результатов

ЯзыкGPT-5.6 Sol (MultiLangBench)GPT-6 Astra (MultiLangBench)Прирост
COBOL10,9%72,1%+61,2 п.п.
OCaml25,6%85,8%+60,2 п.п.
Fortran21,4%83,5%+62,1 п.п.
Visual Basic27,5%89,4%+61,9 п.п.
Среднее (20 языков)26,8%87,4%+60,6 п.п.
ОценкаМодельТочность (низкие усилия)Точность (высокие усилия)
Миграция COBOLGPT-5.6 Sol5,4%—
Миграция COBOLGPT-6.1 Sol86,6%97,9%

Почему это важно для реального бизнеса

Представьте масштаб задачи: крупные банки, налоговые службы и страховые компании по всему миру держат в эксплуатации миллионы строк COBOL-кода, написанного ещё в 1970–1980-х годах. Эти системы работают, и именно поэтому никто не торопится их трогать. Но специалисты, умеющие читать и поддерживать COBOL, уходят на пенсию, а новые не приходят.

Эти языки обеспечивают работу программного обеспечения, на которое опираются банки, правительства и предприятия. Прогресс в этой области означает понимание десятилетий бизнес-логики и помощь разработчикам в модернизации этих систем с сохранением того, что работает.

⚠ Важное предупреждение
Высокие оценки моделей на тестах — это ещё не гарантия безопасности в продакшне. OpenAI подчёркивает, что результаты обнадёживают, но не являются производственной гарантией: специалисты всё равно должны проверять код и тестировать его с учётом реальных бизнес-правил и зависимостей.

Пример: чем опасна «почти правильная» миграция

Допустим, старый COBOL-код вычисляет процент по вкладу и усекает результат до двух знаков после запятой:

COMPUTE INTEREST = BALANCE * RATE / 100
MOVE FUNCTION INTEGER(INTEREST * 100) / 100 TO INTEREST-DISPLAY

Если новая программа на Python округлит это значение вместо усечения:

interest = round(balance * rate / 100, 2)  # Может дать другой результат!

Разница на уровне одной копейки в одной транзакции — это катастрофа при масштабировании на миллионы операций в день. Именно поэтому побайтовая проверка выходных данных в оценке OpenAI принципиально важна.

Открытый бенчмарк: проверьте сами

OpenAI сообщает, что выпускает конфигурацию оценки, набор тестов и результаты по каждому языку на GitHub. Это означает, что любая команда разработчиков или исследователей может воспроизвести тесты, сравнить модели и предложить улучшения.

📝 Как это использовать на практике

Если ваша организация работает с legacy-кодом на COBOL, Fortran или Visual Basic, вы можете:

  1. Загрузить бенчмарк MultiLangBench с GitHub OpenAI
  2. Запустить тесты на вашем конкретном диалекте или версии языка
  3. Сравнить результаты GPT-6 Astra и GPT-6.1 Sol с учётом соотношения цена/качество
  4. Начать пилотный проект миграции с экспертной проверкой результатов

Итог: новая эра поддержки legacy-систем

Объявление OpenAI от 19 октября 2026 года — это не просто технический результат. Это сигнал для всей индустрии: AI-модели начинают по-настоящему понимать «мёртвые» с точки зрения популярности, но живые с точки зрения эксплуатации языки.

Скачок GPT-6.1 Sol в тесте миграции COBOL — с 5,4% до 86,6% за одно поколение моделей — беспрецедентен. А результат 97,9% при высоких усилиях рассуждения говорит о том, что автоматизированная помощь в модернизации legacy-кода из области фантастики переходит в область реально применимых инструментов.

Главное, что нужно помнить: ИИ здесь выступает не как замена экспертизы, а как её усилитель. Финальное слово всегда за специалистом, который понимает бизнес-контекст и специфику конкретной системы.