OpenAI a publié le 20 octobre un rapport de recherche annonçant avoir considérablement renforcé les capacités de construction et de migration de ses modèles comme GPT-6 Astra sur des « langages de programmation à faibles ressources » tels que COBOL, Fortran et Visual Basic. Ces langages disposent de peu de code et de documentation publics, mais constituent l'ossature de systèmes critiques comme les banques, les distributeurs automatiques, les prévisions météorologiques et jusqu'à l'analyse de sûreté nucléaire — personne ne les touche au quotidien, mais dès qu'un problème survient, tout l'édifice vacille.
Pour quantifier ces capacités, OpenAI a conçu deux séries de tests : MultiLangBench demande au modèle de construire de zéro un moteur de base de données compatible SQLite en 20 langages ; l'autre exige de migrer des programmes COBOL vers C++, Java, Python et Rust, tout en préservant intact le comportement métier d'origine. Le bilan est éclatant : GPT-6 Astra atteint un taux moyen de réussite aux tests de 87.4 % sur les 20 langages, soit plus du triple des 26.8 % de la génération précédente GPT-5.6 Sol ; pour les seuls langages peu courants, le COBOL bondit de 10.9 % à 72.1 %, le Fortran passe de 21.4 % à 83.5 %, et le Visual Basic grimpe de 27.5 % à 89.4 %.
Les modèles économiques font aussi bonne figure, avec des migrations proches du plafond des évaluations
Plus intéressant encore du côté des coûts. Le GPT-6 Luna, moins cher, affiche un taux de réussite moyen de 40.3 %, mais avec des coûts d'API environ 78 % inférieurs à ceux de GPT-5.6 Sol. Sur la migration spécialisée COBOL, GPT-6.1 Sol atteint même en faible intensité de raisonnement une précision de 86.6 %, écrasante face aux 5.4 % de GPT-5.6 Sol, avec en prime un coût réduit de 39 % ; en passant à une intensité de raisonnement supérieure, la précision atteint directement 97.9 %, frôlant presque le plafond de l'évaluation — ce qui signifie que pour remplacer par un langage moderne du code bancaire central qui tourne depuis des décennies, la machine peut déjà livrer une copie presque exploitable.
OpenAI souligne que ces avancées peuvent aider les entreprises à maintenir d'anciens systèmes, corriger des défauts et faire progresser la modernisation logicielle. Mais l'entreprise pose aussi une note lucide : avant de mettre les résultats de migration par l'IA en production, une revue par des experts reste nécessaire, ainsi que des tests tenant compte des règles métier et des dépendances spécifiques. Après tout, le code qui fait tourner les distributeurs automatiques et les centrales nucléaires ne tolère aucun « à peu près » — le modèle peut considérablement raccourcir la distance entre la compréhension et la réécriture, mais il en est encore loin pour prendre la décision finale à la place des humains.