OpenAI revendique une percée dans la migration du COBOL, mais les experts appellent à la prudence

OpenAI a annoncé le 19 octobre que ses derniers modèles d'IA ont réalisé des améliorations substantielles dans la migration de logiciels hérités, ciblant spécifiquement des langages vieillissants comme le COBOL. L'entreprise affirme que ces avancées pourraient aider les organisations à maintenir et moderniser leurs infrastructures critiques sans perturber les opérations existantes, marquant ainsi un changement potentiel dans la manière dont les industries gèrent des bases de code vieilles de plusieurs décennies.

Ce qui s'est passé

Cette annonce met en lumière le défi persistant des systèmes hérités dans l'infrastructure mondiale. Le COBOL, développé en 1959, soutient encore plus de 40 % des systèmes bancaires en ligne, prend en charge 80 % des transactions par carte de crédit en personne et traite 95 % des transactions aux guichets automatiques (GAB), selon IBM. Il alimente également des services gouvernementaux essentiels, notamment la Sécurité sociale et l'IRS. Malgré les efforts pour le remplacer, le langage reste ancré en raison du risque élevé de casser des systèmes critiques et de la rareté des développeurs qui le maîtrisent.

OpenAI a rapporté que son modèle GPT-6.1 Sol a atteint une précision de préservation du comportement de 87 % avec un effort de raisonnement faible lors de la migration du COBOL vers des langages modernes tels que C++, Java, Kotlin, Python et Rust. Ce chiffre est monté à 98 % avec des niveaux de raisonnement plus élevés. Pour donner un ordre d'idée, les modèles précédents étaient nettement moins performants, GPT-5.6 Sol n'obtenant que 5 % dans des conditions similaires. OpenAI a souligné qu'une migration n'est considérée comme réussie que si tous les tests passent, garantissant que le nouveau code se comporte identiquement à l'original.

Le concurrent Anthropic s'est également lancé dans ce domaine, publiant un guide de modernisation du code en février et promouvant son agent Claude Code pour des tâches similaires. Bien qu'Anthropic n'ait pas fourni de benchmarks spécifiques, il a déclaré que l'économie de la modernisation du COBOL avait changé. Cette nouvelle aurait entraîné une baisse des actions d'IBM, qui génère des revenus grâce à la maintenance des systèmes hérités. Cependant, les experts restent sceptiques quant à la praticité immédiate de remplacements entièrement automatisés.

Comment cela fonctionne

Le mécanisme central consiste à utiliser de grands modèles de langage pour traduire le code source d'un langage de programmation à un autre tout en préservant son comportement fonctionnel. L'approche d'OpenAI repose sur l'augmentation des étapes de calcul, ou effort de raisonnement, que le modèle consacre à l'analyse du problème avant de générer une réponse. Cette analyse plus approfondie permet au modèle de mieux comprendre la logique et la structure du code hérité, entraînant des taux de précision plus élevés.

Crucialement, le processus ne porte pas uniquement sur la traduction syntaxique. Les modèles sont testés pour garantir que le code produit passe les mêmes suites de tests que le logiciel original. Cette préservation du comportement est vitale pour les systèmes critiques où même de légères déviations peuvent provoquer des défaillances. La technologie vise à automatiser la tâche fastidieuse et sujette aux erreurs de la réécriture manuelle, réduisant potentiellement le coût et le temps nécessaires aux projets de modernisation.

Détails clés

• Le GPT-6.1 Sol d'OpenAI a atteint une précision de préservation du comportement de 98 % avec un effort de raisonnement élevé.
• Le COBOL prend en charge 95 % des transactions aux GAB et 80 % des transactions par carte de crédit en personne.
• Le coût annuel estimé des inefficacités liées au COBOL pour le PIB américain avoisine les 105 milliards de dollars.
• Les experts notent que la réécriture de code est distincte du remplacement de systèmes complexes entiers.
• Anthropic a publié un guide de modernisation du code en février mais n'a fourni aucun benchmark de performance.
• La vérification formelle et la revue humaine restent essentielles pour assurer la sécurité lors de migrations critiques.

Pourquoi c'est important

Pour les ingénieurs logiciels et les leaders techniques, cette évolution signale une réduction potentielle de la dette technique associée aux systèmes hérités. La capacité de traduire automatiquement le COBOL vers des langages modernes comme Python ou Rust pourrait abaisser la barrière à l'entrée pour la maintenance de ces systèmes, qui dépendent actuellement d'un vivier restreint de développeurs spécialisés. Cela pourrait conduire à des économies significatives et à une amélioration de la sécurité pour les banques, les gouvernements et autres institutions dépendant d'infrastructures obsolètes.

Cependant, l'engouement doit être tempéré par la réalité de la complexité des systèmes. Les experts avertissent que les outils d'IA peinent actuellement à saisir le contexte global des systèmes hérités, qui impliquent souvent plusieurs langages, des formats de données divers et des intégrations intriquées. Comme l'a noté Vadim Zaytsev de l'Université de Twente, la difficulté clé réside dans la décomposition d'un système hérité complexe en unités plus petites et remplaçables, un aspect que les évaluations actuelles ne traitent pas. S'appuyer uniquement sur l'IA pour de telles tâches sans tests robustes et supervision humaine pose des risques importants.

Ce que vous pouvez faire

• Évaluez les outils de codage IA pour assister la documentation et la compréhension du code hérité existant plutôt que pour un remplacement complet.
• Mettez en œuvre des cadres de test rigoureux pour comparer le comportement du code hérité et du code modernisé côte à côte.
• Investissez dans des méthodes de vérification formelle pour prouver mathématiquement que le code traduit répond aux exigences spécifiées.
• Maintenez une supervision humaine en faisant relire les traductions générées par l'IA par des développeurs familiers avec les langages hérités.
• Commencez par des modules non critiques pour tester la fiabilité des outils de migration IA avant de les appliquer aux systèmes centraux.
• Restez informé des résultats de benchmarks provenant de plusieurs fournisseurs pour évaluer la maturité réelle de ces technologies.