Cuando se habla de lo que la IA sabe programar, casi todo el foco se lo llevan los lenguajes de moda: Python, TypeScript, React o Rust. Sin embargo, el sector financiero mundial sigue apoyándose en una base de código escrita cuando Yuri Gagarin volaba al espacio.
Alrededor del 95% de todas las operaciones en cajeros automáticos del planeta y la compensación de pagos interbancarios siguen corriendo en COBOL, un lenguaje de 1959. Sus autores originales llevan décadas jubilados, la documentación se perdió hace tiempo y apenas hay repositorios en GitHub. Los bancos tenían pánico a tocar sus mainframes IBM: un error de redondeo de un céntimo podía acabar en los tribunales.
Un reciente estudio de OpenAI sugiere que estamos a las puertas de una gran refactorización. El modelo GPT-6.1 Sol ha dado un salto espectacular al comprender y migrar lenguajes heredados de bajos recursos (Low-Resource Languages).
Del 5% al 98%: la fuerza de las trazas sintéticas de ejecución
En un benchmark de migración semántica desde COBOL hacia lenguajes modernos, la generación anterior arrojaba cifras muy modestas:
- GPT-5.6 Sol apenas resolvía un 5.4% de las tareas;
- El nuevo GPT-6.1 Sol en modo de razonamiento básico subió el listón al 86.6%;
- Y al activar el modo de razonamiento profundo (High Reasoning Effort), la precisión de migración alcanzó un asombroso 97.9%.
¿Cómo logró OpenAI entrenar al modelo sin montañas gigantescas de código? El secreto está en las trazas sintéticas de ejecución (Synthetic Execution Traces). Entrenaron a la red neuronal para simular registros de mainframes y la lógica paso a paso de las operaciones en memoria. El modelo dejó de adivinar texto por estadística y aprendió a reproducir físicamente los algoritmos.
En el benchmark MultiLangBench (escribir un motor de base de datos en 20 lenguajes), el buque insignia GPT-6 Astra logró un 87.4% global y elevó la nota específica de COBOL al 72.1%.
Como ya observamos al seguir la evolución de la familia de modelos GPT-5.6 Sol, especializar el modelo en razonamiento profundo rinde mucho más que limitarse a engordar el corpus de textos.
La trampa de COMP-3: por qué el código antiguo no se traduce de forma ingenua
El mayor peligro al modernizar código bancario reside en la aritmética traicionera de los decimales empaquetados (Packed Decimal, o formato COMP-3 en COBOL).
En COBOL los cálculos se realizan con precisión decimal fija: si no se indica explícitamente la directiva ROUNDED, los dígitos sobrantes simplemente se truncan hacia cero. Usar tipos estándar float o double acumula errores de coma flotante y descuadra los balances financieros.
Aquí tienes un cálculo clásico de intereses en COBOL:
IDENTIFICATION DIVISION.
PROGRAM-ID. CALC-INTEREST.
DATA DIVISION.
WORKING-STORAGE SECTION.
01 WS-PRINCIPAL PIC 9(7)V99 COMP-3 VALUE 10000.00.
01 WS-RATE PIC 9V9999 COMP-3 VALUE 0.0525.
01 WS-INTEREST PIC 9(5)V99 COMP-3.
PROCEDURE DIVISION.
COMPUTE WS-INTEREST = WS-PRINCIPAL * WS-RATE.
DISPLAY "Calculated Interest: " WS-INTEREST.
STOP RUN.
GPT-6.1 Sol detecta ese truncamiento implícito y genera el equivalente en Rust con aritmética decimal estricta:
use rust_decimal::Decimal;
use rust_decimal_macros::dec;
use rust_decimal::RoundingStrategy;
fn calculate_interest(principal: Decimal, rate: Decimal) -> Decimal {
// En COBOL COMP-3 sin ROUNDED explícito, el resultado se trunca a 2 decimales hacia cero
let raw_interest = principal * rate;
raw_interest.round_dp_with_strategy(2, RoundingStrategy::ToZero)
}
fn main() {
let principal = dec!(10000.00);
let rate = dec!(0.0525);
let interest = calculate_interest(principal, rate);
println!("Calculated Interest: {}", interest); // Exactamente 525.00
}
Nunca uses tipos de coma flotante al migrar algoritmos financieros. La exactitud solo se garantiza con tipos decimales de precisión fija y especificando de forma explícita la estrategia de truncamiento de dígitos.
El estudio de OpenAI confirma que la capacidad lógica de los modelos razonadores ha alcanzado un nivel capaz de modernizar con seguridad la infraestructura crítica mundial.


