Resumen ejecutivo

• El 19 de octubre, OpenAI publicó resultados de dos pruebas propias sobre lenguajes «de pocos recursos» como COBOL, Fortran y Visual Basic: en migración de COBOL a C++, Java, Kotlin, Python o Rust, GPT‑6.1 Sol llegó a 86,6% de precisión con esfuerzo de razonamiento bajo y a 97,9% con esfuerzo alto.

• En MultiLangBench, que pide construir un motor de base de datos compatible con SQLite en 20 lenguajes, GPT‑6 Astra promedió 87,4% de tests aprobados; COBOL siguió siendo el más difícil, con 72,1%.

• Lo que no dice: son evaluaciones de la propia empresa y, como aclara OpenAI, llevar esto a software en producción sigue requiriendo revisión experta y pruebas contra las reglas de negocio.

• Para developers de bancos y fintech, la oportunidad está en saber Java o Python, testing, SQL y, sobre todo, leer y validar código heredado.

COBOL es un lenguaje de hace más de seis décadas que casi nadie estudia hoy, pero sigue procesando una parte enorme de las operaciones financieras del mundo. Según los datos que cita OpenAI en su anuncio, COBOL sostiene más del 40% de los sistemas de banca online, el 80% de las transacciones presenciales con tarjeta de crédito y el 95% de las transacciones en cajeros automáticos. El problema es conocido: quienes saben mantener esos sistemas se están retirando, la documentación suele estar incompleta y migrar a lenguajes modernos es caro y lento. Por eso la noticia de esta semana importa más allá del titular. Si los modelos de IA empiezan a migrar COBOL con resultados confiables, el trabajo de los equipos de tecnología de bancos y fintech va a cambiar. En esta nota repasamos qué anunció OpenAI, qué no dice y qué conviene aprender si trabajás (o querés trabajar) en ese mundo.

Qué anunció OpenAI

En su artículo «Advancing coding in low-resource programming languages», OpenAI presentó dos evaluaciones pensadas para lenguajes con poco código y documentación disponibles para entrenar modelos:

1. Migración de COBOL

La prueba pide migrar programas COBOL a C++, Java, Kotlin, Python o Rust conservando exactamente su comportamiento. Una migración solo cuenta como exitosa si pasa todos los tests ocultos, que exigen paridad byte a byte en las salidas observables. Los resultados:

• GPT‑6.1 Sol con esfuerzo de razonamiento bajo: 86,6% de precisión, frente a 5,4% de GPT‑5.6 Sol en la misma configuración, con alrededor del 61% del costo de API.

• GPT‑6.1 Sol con esfuerzo alto: 97,9%, casi saturando la evaluación.

OpenAI da un ejemplo de por qué esto es difícil: la aritmética de punto fijo de COBOL descarta los decimales sobrantes salvo que se pida redondeo de forma explícita. Una reescritura que redondea puede funcionar sin errores y, aun así, producir resultados financieros distintos.

2. MultiLangBench

La segunda prueba pide construir desde cero un motor de base de datos compatible con SQLite en 20 lenguajes distintos. Con esfuerzo máximo, GPT‑6 Astra logró un promedio de 87,4% de tests aprobados, frente a 26,8% de GPT‑5.6 Sol, y mejoró en todos los lenguajes. En COBOL pasó de 10,9% a 72,1%: sigue siendo el lenguaje más difícil. La empresa anunció que publica el entorno de evaluación y los tests en GitHub.

La cobertura de medios especializados coincidió en los números. The Decoder destacó la mejora frente a generaciones anteriores y Engadget puso el foco en los bancos: migrar estos sistemas puede costar desde millones hasta cientos de millones de dólares, y los programadores que conocen COBOL se están retirando.

Qué no dice el anuncio

• Son pruebas propias. Las dos evaluaciones las diseñó OpenAI. La publicación de MultiLangBench permite que otros la revisen, pero todavía no hay resultados independientes en sistemas bancarios reales.

• Un benchmark no es un core bancario. Los sistemas reales tienen millones de líneas, dependencias con bases de datos, procesos batch, integraciones y reglas de negocio que muchas veces solo existen en el código.

• La revisión humana sigue siendo obligatoria. La propia OpenAI escribe que aplicar esta capacidad a software en producción «todavía requiere revisión experta y pruebas contra las reglas de negocio y las dependencias del sistema».

• No elimina el problema regulatorio. En banca, cualquier cambio en sistemas críticos pasa por controles de riesgo, auditoría y cumplimiento que ningún modelo resuelve por sí solo.

Por qué importa para bancos y fintech en Argentina

Muchos bancos de la región conviven con sistemas centrales antiguos y capas modernas encima: homebanking, apps, billeteras y APIs que hablan con ese núcleo. Las fintech, en cambio, suelen nacer con stacks modernos, pero se integran todo el tiempo con esos sistemas. Si la IA abarata y acelera la migración, es razonable esperar más proyectos de modernización, y esos proyectos necesitan personas que:

• entiendan el lenguaje de destino (sobre todo Java, muy presente en banca, y Python);

• puedan leer el código heredado para validar que la migración respeta la lógica original;

• sepan escribir tests que comprueben ese comportamiento;

• dominen SQL y el modelo de datos sobre el que corren las operaciones.

En otras palabras: la IA puede escribir la primera versión de la migración, pero alguien tiene que demostrar que no se rompió nada. Si te interesa cómo la IA ya está transformando el sector, mirá esta nota sobre FinTech con IA en Argentina.

Qué conviene aprender si querés trabajar en este mundo

1. Java o Python, con buenas bases

Java sigue siendo uno de los lenguajes más usados en sistemas bancarios y es uno de los destinos de migración de la prueba. Python es clave para scripting, datos y automatización. Elegí uno como principal y aprendelo a fondo: tipos, colecciones, manejo de errores, programación orientada a objetos. Para arrancar, repasá qué es Java y cómo aprender a programar con Java.

2. Testing

En una migración, los tests son la red de seguridad. Aprender a escribir pruebas unitarias y de integración, y a comparar salidas entre dos versiones de un sistema, es justamente la habilidad que el anuncio pone en el centro.

3. SQL y modelado de datos

Las operaciones financieras viven en bases de datos. Saber consultar, validar y entender transacciones, saldos y conciliaciones es indispensable.

4. Leer código que no escribiste

No hace falta que te vuelvas experto en COBOL, pero sí que puedas leer código heredado, entender su lógica y detectar casos borde como el del redondeo. Es una habilidad que se entrena leyendo repositorios ajenos y documentando lo que entendés.

5. Trabajar con IA de forma crítica

El developer que gana valor no es el que compite contra la IA, sino el que sabe pedirle bien, revisar lo que produce y hacerse cargo del resultado. En esta guía explicamos cómo pasar de developer junior a senior usando IA.

Cursos recomendados de Coderhouse

• Carrera de Desarrollo Backend: para dominar la lógica del servidor, las bases de datos y la arquitectura de sistemas, el terreno donde se juegan las migraciones.

• Curso de Python: una base versátil para automatización, datos y desarrollo.

• Curso de SQL: para entender y validar los datos sobre los que corren las operaciones financieras.

• Curso de Testing QA Manual: para aprender los fundamentos del testing que garantizan que nada se rompa en el camino.

¿Querés estar del lado de quienes modernizan los sistemas financieros? Conocé la Carrera de Desarrollo Backend de Coderhouse.

Preguntas frecuentes

¿La IA va a reemplazar a los programadores de COBOL? No en el corto plazo. Puede acelerar la migración, pero OpenAI misma aclara que llevarla a producción requiere revisión experta y pruebas contra las reglas de negocio. Quien entiende el sistema original sigue siendo clave.

¿Conviene aprender COBOL? Puede ser un nicho interesante, pero para la mayoría conviene más dominar Java o Python, testing y SQL, y aprender a leer código COBOL lo suficiente como para validar migraciones.

¿Qué es un lenguaje de «pocos recursos»? Es un lenguaje con poco código y documentación disponibles para entrenar modelos de IA, como COBOL, Fortran o Visual Basic, a diferencia de Python o JavaScript, que tienen enormes volúmenes de código público.

¿Estos resultados son independientes? No: son evaluaciones diseñadas por OpenAI. La empresa publicó MultiLangBench en GitHub para que otros puedan revisarlo, pero conviene esperar pruebas independientes antes de sacar conclusiones definitivas.