Die COBOL-Migration hat mit „Advancing coding in low-resource programming languages", dem offiziellen Forschungsbeitrag von OpenAI vom 19. Oktober 2026, eine Wende genommen. Der Beitrag berichtet über zwei neue Evaluationen: GPT-6.1 Sol migrierte COBOL-Programme mit 86,6 % Genauigkeit bei niedriger Reasoning-Stufe und 97,9 % bei höherer Stufe in moderne Sprachen, während der Vorgänger GPT-5.6 Sol in derselben niedrigen Einstellung nur 5,4 % erreichte. Für Banken und Behörden, die noch immer jahrzehntealte Systeme betreiben, wiegt ein Sprung dieser Größenordnung schwerer als ein weiterer Bestwert in einer verbreiteten Sprache.
Gemessen wird echte Arbeit, nicht auswendig gelernte Syntax
OpenAI hat zwei Prüfstände gebaut. Der erste, MultiLangBench, lässt das Modell eine SQLite-kompatible Datenbank-Engine von Grund auf erstellen, und zwar getrennt in 20 verschiedenen Programmiersprachen. Geprüft werden langfristige Engineering-Fähigkeiten: Code organisieren, Zustand verwalten, Fehler behandeln und Funktionen ergänzen, ohne Bestehendes zu beschädigen. Die zweite ist eine COBOL-Migrations-Evaluation: Bestehende COBOL-Programme werden nach C++, Java, Kotlin, Python oder Rust migriert, und versteckte Tests verlangen bytegenaue Übereinstimmung der beobachtbaren Ausgaben – nur wer alle Tests besteht, gilt als erfolgreich, denn schon eine kleine Änderung der Geschäftslogik lässt die Bücher nicht mehr aufgehen. Ein Benchmark prüft den Neubau, der andere die originalgetreue Bewahrung: genau die beiden Aufgaben, die Legacy-Teams am häufigsten erledigen.
Die größten Fortschritte liegen in den Sprachen mit den wenigsten Trainingsdaten
In MultiLangBench erreicht GPT-6 Astra eine durchschnittliche Testbestehensrate von 87,4 % über die 20 Sprachen, gegenüber 26,8 % bei GPT-5.6 Sol, mit Verbesserungen in jeder getesteten Sprache. Im Detail ist der Abstand noch deutlicher: COBOL steigt von 10,9 % auf 72,1 %, Fortran von 21,4 % auf 83,5 %, Visual Basic von 27,5 % auf 89,4 % und OCaml von 25,6 % auf 85,8 %. In 19 der 20 Sprachen liegt Astra über 83 %, COBOL bleibt mit 72,1 % die härteste. Auch die günstigere Option wurde stärker: GPT-6 Luna erreicht im Schnitt 40,3 % und liegt damit vor dem früheren Flaggschiff, bei geschätzten API-Kosten von etwa 0,77 US-Dollar pro Beispiel gegenüber 3,48 US-Dollar bei GPT-5.6 Sol – rund 78 % günstiger. In der Migrations-Evaluation kostete GPT-6.1 Sols Ergebnis von 86,6 % zudem nur 61 % dessen, was die vorherige Generation kostete.
Warum Finanz- und öffentliche Systeme den Einsatz bestimmen
Ressourcenarmen Sprachen fehlt es nicht an Bedeutung, sondern an Fehlertoleranz. Die von OpenAI zitierten Zahlen: COBOL trägt mehr als 40 % der Online-Banking-Systeme, 80 % der Kartentransaktionen im stationären Handel und 95 % der Geldautomaten-Transaktionen, während Fortran in der Wettervorhersage und in Sicherheitsanalysen für Kernreaktoren eingesetzt wird. Das Wartungsproblem ist strukturell: Dokumentation ist lückenhaft, die ursprünglichen Entwickler sind längst weg, und entscheidende Geschäftsregeln stehen nur noch im Code. Das Beispiel im Beitrag ist bezeichnend: Die Festkomma-Arithmetik von COBOL verwirft überschüssige Dezimalstellen, sofern nicht ausdrücklich eine Rundung verlangt wird. Ein Migrationswerkzeug, das still auf Rundung umstellt, erzeugt ein Programm, das fehlerfrei läuft, aber andere Geldbeträge berechnet. Die Forderung nach bytegenauer Gleichheit fängt genau solche stillen Abweichungen ab.
Taugt das schon für die Migration eines Produktivsystems?
Allein noch nicht. OpenAI zieht die Grenze im Beitrag selbst klar: Der Einsatz dieser Fähigkeiten auf Produktivsoftware erfordert weiterhin fachkundige Prüfung und Tests gegen die Geschäftsregeln und Abhängigkeiten des Systems. Die Werte stammen zudem aus OpenAIs eigenen Evaluationen; die verfügbare externe Kontrolle besteht darin, MultiLangBench selbst nachzurechnen – dessen Aufbau und Testsuite sind samt den Ergebnissen je Sprache auf GitHub veröffentlicht. Branchenweit verlässt der Wettbewerb der Coding-Modelle die Komfortzone verbreiteter Sprachen: DeepSeek-V4.1-Flash erreichte zuvor 77 Punkte auf DeepSWE, einem weiteren Benchmark für realistische Engineering-Aufgaben. Der umsichtige Weg für Legacy-Teams ist ein kleiner Pilot: ein Modul mit Testabdeckung auswählen, migrieren, die Verhaltensgleichheit mit eigenen Tests nachweisen und erst dann den Umfang erweitern.
