OpenAI meldet Durchbruch bei der COBOL-Migration, doch Experten mahnen zur Vorsicht

OpenAI gab am 19. Oktober bekannt, dass seine neuesten KI-Modelle erhebliche Verbesserungen bei der Migration von Legacy-Software erzielt haben, mit einem besonderen Fokus auf veraltete Sprachen wie COBOL. Das Unternehmen behauptet, diese Fortschritte könnten Organisationen dabei helfen, kritische Infrastruktur zu warten und zu modernisieren, ohne bestehende Betriebsabläufe zu unterbrechen – was einen potenziellen Wandel darin markiert, wie Branchen mit jahrzehntealten Codebasen umgehen.

Was passiert ist

Die Ankündigung hebt die anhaltende Herausforderung durch Legacy-Systeme in der globalen Infrastruktur hervor. COBOL, entwickelt im Jahr 1959, bildet laut IBM immer noch mehr als 40 Prozent der Online-Bankensysteme ab, unterstützt 80 Prozent der persönlichen Kreditkartentransaktionen und wickelt 95 Prozent der Geldautomaten-Transaktionen ab. Es steuert zudem wesentliche staatliche Dienstleistungen, einschließlich der Sozialversicherung (Social Security) und des IRS. Trotz Bemühungen, die Sprache zu ersetzen, bleibt sie aufgrund des hohen Risikos, kritische Systeme zu beschädigen, und des Mangels an Entwicklern, die sie verstehen, fest verankert.

OpenAI berichtete, dass sein GPT-6.1 Sol Modell eine Genauigkeit der Verhaltensbewahrung von 87 Prozent bei geringem Reasoning-Aufwand erreichte, als es COBOL in moderne Sprachen wie C++, Java, Kotlin, Python und Rust migrierte. Diese Zahl stieg bei höherem Reasoning-Niveau auf 98 Prozent. Zum Vergleich: Ältere Modelle schnitten deutlich schlechter ab; GPT-5.6 Sol erzielte unter ähnlichen Bedingungen nur 5 Prozent. OpenAI betonte, dass eine Migration nur dann als erfolgreich gilt, wenn alle Tests bestanden werden, was sicherstellt, dass sich der neue Code identisch zum Original verhält.

Der Wettbewerber Anthropic ist ebenfalls in diesem Bereich tätig geworden, hat im Februar ein Playbook zur Code-Modernisierung veröffentlicht und seinen Claude Code Agent für ähnliche Aufgaben beworben. Während Anthropic keine spezifischen Benchmarks angab, erklärte das Unternehmen, dass sich die Wirtschaftlichkeit der COBOL-Modernisierung verschoben habe. Diese Nachricht führte Berichten zufolge zu einem Kursrückgang bei IBM, dessen Umsatz teilweise aus der Wartung von Legacy-Systemen stammt. Experten bleiben jedoch skeptisch hinsichtlich der unmittelbaren praktischen Anwendbarkeit vollständig automatisierter Ersetzungen.

Wie es funktioniert

Der Kernmechanismus besteht darin, große Sprachmodelle zu nutzen, um Quellcode von einer Programmiersprache in eine andere zu übersetzen, wobei das funktionale Verhalten erhalten bleibt. Der Ansatz von OpenAI basiert darauf, die Anzahl der Rechenschritte oder den Reasoning-Aufwand zu erhöhen, den das Modell für die Analyse des Problems aufwendet, bevor es eine Antwort generiert. Diese tiefere Analyse ermöglicht es dem Modell, die Logik und Struktur des Legacy-Codes besser zu verstehen, was zu höheren Genauigkeitsraten führt.

Entscheidend ist, dass der Prozess nicht nur auf die Syntaxübersetzung beschränkt ist. Die Modelle werden so getestet, dass der ausgegebene Code dieselben Test-Suites wie die ursprüngliche Software bestehen muss. Diese Verhaltensbewahrung ist für kritische Systeme unerlässlich, da selbst geringfügige Abweichungen Ausfälle verursachen können. Die Technologie zielt darauf ab, die mühsame und fehleranfällige Aufgabe des manuellen Umschreibens zu automatisieren, was potenziell die Kosten und die Zeit für Modernisierungsprojekte senken könnte.

Wichtige Details

• OpenAIs GPT-6.1 Sol erreichte eine Genauigkeit der Verhaltensbewahrung von 98 Prozent bei hohem Reasoning-Aufwand.
• COBOL unterstützt 95 Prozent der Geldautomaten-Transaktionen und 80 Prozent der persönlichen Kreditkartentransaktionen.
• Die geschätzten jährlichen Kosten der Ineffizienzen durch COBOL für das US-BIP belaufen sich auf rund 105 Milliarden Dollar.
• Experten weisen darauf hin, dass das Umschreiben von Code etwas anderes ist als der Ersatz ganzer komplexer Systeme.
• Anthropic veröffentlichte im Februar ein Playbook zur Code-Modernisierung, lieferte aber keine Leistungs-Benchmarks.
• Formale Verifikation und menschliche Überprüfung bleiben für die Sicherheit bei kritischen Migrationen essenziell.

Warum das wichtig ist

Für Software-Ingenieure und technische Führungskräfte signalisiert diese Entwicklung eine potenzielle Reduzierung der technischen Schulden, die mit Legacy-Systemen verbunden sind. Die Fähigkeit, COBOL automatisch in moderne Sprachen wie Python oder Rust zu übersetzen, könnte die Einstiegshürde für die Wartung dieser Systeme senken, die derzeit auf einen schrumpfenden Pool spezialisierter Entwickler angewiesen sind. Dies könnte zu erheblichen Kosteneinsparungen und verbesserter Sicherheit für Banken, Regierungen und andere Institutionen führen, die von veralteter Infrastruktur abhängen.

Allerdings muss der Hype durch die Realität der Systemkomplexität gedämpft werden. Experten warnen, dass KI-Tools derzeit mit dem breiteren Kontext von Legacy-Systemen kämpfen, die oft mehrere Sprachen, unterschiedliche Datenformate und komplexe Integrationen umfassen. Wie Vadim Zaytsev von der Universität Twente anmerkte, liegt die Hauptschwierigkeit darin, ein komplexes Legacy-System in kleinere, austauschbare Einheiten aufzuteilen – ein Aspekt, der in aktuellen Bewertungen nicht adressiert wird. Sich allein auf KI für solche Aufgaben zu verlassen, ohne robuste Tests und menschliche Aufsicht, birgt erhebliche Risiken.

Was Sie tun können

• Bewerten Sie KI-Coding-Tools zur Unterstützung bei der Dokumentation und dem Verständnis bestehenden Legacy-Codes, statt auf vollständige Ersetzung zu setzen.
• Implementieren Sie rigorose Test-Frameworks, um das Verhalten von Legacy- und modernisiertem Code Seite an Seite zu vergleichen.
• Investieren Sie in Methoden der formalen Verifikation, um mathematisch nachzuweisen, dass der übersetzte Code die spezifizierten Anforderungen erfüllt.
• Stellen Sie menschliche Aufsicht sicher, indem Entwickler mit Erfahrung in Legacy-Sprachen die KI-generierten Übersetzungen überprüfen.
• Beginnen Sie mit unkritischen Modulen, um die Zuverlässigkeit der KI-Migrationswerkzeuge zu testen, bevor Sie sie auf Kernsysteme anwenden.
• Bleiben Sie über Benchmark-Ergebnisse verschiedener Anbieter informiert, um die reale Einsatzbereitschaft dieser Technologien einzuschätzen.