¿Puede la IA resolver la crisis del código COBOL que sostiene la banca global?

Detrás de cada transferencia, cada retiro de cajero automático, cada tarjeta de crédito deslizándose, existe un código escrito décadas atrás en COBOL — un lenguaje de programación creado en 1959 que todavía mueve miles de millones de dólares en operaciones cada día. Según IBM, COBOL impulsa más del 40% de los sistemas bancarios en línea del mundo, el 80% de las transacciones con tarjetas de crédito presenciales y el 95% de las transacciones en cajeros automáticos. El lenguaje fue diseñado para una época en que las computadoras ocupaban pisos enteros y los programadores se contaban en cientos. Hoy, ejecutándose en mainframes que se convirtieron en parte de la infraestructura invisible de la economía, COBOL es tan omnipresente como el aire que respiramos: solo te das cuenta de que existe cuando falla.

Y el problema se profundiza. Los programadores de COBOL están envejeciendo y abandonando la fuerza laboral — la edad promedio de un desarrollador COBOL se sitúa entre 45 y 55 años, y cada vez menos jóvenes están aprendiendo el lenguaje. El resultado es una crisis silenciosa que ya comenzó: los bancos e instituciones financieras enfrentan un escenario donde migrar el código heredado a lenguajes modernos costaría millones — o cientos de millones — de dólares, sin garantizar que el proceso no introdujera errores catastróficos en sistemas que nadie se atreve a tocar.

El anuncio de OpenAI

El 19 de octubre de 2026, OpenAI anunció avances significativos en la capacidad de sus modelos de IA para trabajar con lenguajes de programación de bajo recurso — COBOL, Fortran y Visual Basic. El anuncio llegó acompañado de los resultados brutales de dos evaluaciones que la propia empresa creó para medir el progreso: MultiLangBench y la evaluación de migración COBOL.

En MultiLangBench, que le pide al modelo construir un motor de base de datos compatible con SQLite desde cero en 20 lenguajes de programación diferentes, GPT-6 Astra logró una tasa de aprobación promedio del 87,4% — un salto masivo respecto al 26,8% del GPT-5.6 Sol. En todos los 20 lenguajes, los resultados mejoraron. Para COBOL específicamente, el modelo saltó del 10,9% al 72,1%. Esto significa que, por primera vez, un modelo de IA puede escribir código COBOL funcional de forma confiable.

Pero la verdadera prueba — la que importa a los bancos — fue la evaluación de migración. Aquí, el modelo recibe un programa COBOL existente y debe migrarlo a otro lenguaje (C++, Java, Kotlin, Python o Rust) preservando exactamente el mismo comportamiento. El detalle crucial: el código no solo debe traducirse sintácticamente. Debe mantener la lógica de negocio, incluyendo detalles oscuros como cómo el programa redondea números con cifras decimales excedentes o maneja registros ausentes. Para un sistema bancario, un error en este nivel podría significar dinero desaparecido, transacciones duplicadas o informes regulatorios incorrectos.

GPT-6.1 Sol logró 86,6% de precisión a bajo esfuerzo de razonamiento y 97,9% a esfuerzo alto — un número tan cercano a la saturación que el propio artículo de OpenAI reconoce que la evaluación está "cercade saturación." El modelo también costó un 39% menos en APIs que la versión anterior. Los números son impresionantes. La cautela es igual.

El abismo entre benchmark y producción

En un benchmark controlado, 97,9% puede sonar cercano a la perfección. En el mundo real de los sistemas bancarios, un 2,1% de error significa miles de transacciones corruptas. La propia OpenAI reconoce esto en su artículo: "aplicarlo a software de producción aún requiere revisión experta y pruebas contra las reglas de negocio y dependencias del sistema".

El caso COBOL no es solo un problema técnico — es un problema de escala y riesgo sistémico. Cuando un banco decide migrar, no se trata de traducir una aplicación de tareas. Son millones de líneas de código repartidas en décadas de fusiones, adquisiciones y actualizaciones de emergencia. Cada módulo depende de otro. Cada regla de negocio fue implementada de forma diferente en sistemas diferentes. Antony Jenkins, ex CEO de Barclays, dijo a Sott.net que "es inmensamente complejo". Para grandes instituciones financieras, "el problema de reemplazar la tecnología vieja va más allá de un grupo cada vez menor de expertos".

La analogía más precisa es pensar en la migración COBOL como equivalente a reconstruir el motor de un avón en pleno vuelo — y el avón es un Boeing 747 transportando 300 pasajeros que no saben que el motor está siendo reemplazado. Cualquier fallo en la migración podría resultar en transacciones financieras duplicadas, balances incorrectos, informes regulatorios falsos. ¿Y si el error se descubre meses después, después de que las declaraciones trimestrales ya fueron enviadas al regulador?

Qué sigue

Lo que OpenAI demostró no es que la migración COBOL está resuelta — es que los modelos de IA se están acercando rápidamente a una capacidad que, hace dos años, parecía ciencia ficción. El salto del 5,4% al 86,6% en precisión de migración COBOL, en una generación de modelo, es más rápido que cualquier predicción de analistas.

Pero hay una diferencia fundamental entre un benchmark controlado y un mainframe bancario. MultiLangBench prueba programas aislados con comportamiento conocido. Un banco tiene décadas de código heredado donde las reglas de negocio están incrustadas en lógica de variables, comentarios en tres idiomas diferentes, y parches de emergencia aplicados hace 15 años que nadie más entiende. La IA puede documentar, traducir, sugerir migraciones — pero hasta que el modelo pueda no solo traducir código sino entender el contexto empresarial que lo produjo, la migración COBOL seguirá siendo un esfuerzo híbrido: la IA haciendo el trabajo pesado, los humanos haciendo el juicio crítico.

La pregunta es si este enfoque híbrido será lo suficientemente rápido para prevenir que las crisis de habilidades en COBOL causen fallos sistémicos antes de que la tecnología de migración madure. O si el momento en que los últimos programadores veteranos se jubilen llegará antes de que los modelos estén listos para tocar los sistemas que sostienen la economía global.

Fuentes: The Verge, OpenAI, Engadget

✓ Fuentes independientes cruzadas y verificadas antes de la publicación