IA para modernizar COBOL: una oportunidad que todavía exige cautela

OpenAI sostiene que los avances de sus modelos pueden facilitar la migración de sistemas antiguos escritos en COBOL hacia lenguajes como C++, Java, Kotlin, Python y Rust, con el objetivo de preservar el comportamiento del software original. Sin embargo, expertos consultados por The Verge advierten que estos resultados todavía están lejos de demostrar que una inteligencia artificial pueda sustituir de forma segura sistemas críticos completos.

El desafío no consiste únicamente en traducir instrucciones de un lenguaje a otro. Los sistemas COBOL que siguen operando en organizaciones suelen reunir grandes volúmenes de código, formatos de datos heterogéneos, bases de datos, integraciones, trabajos automatizados, reglas de negocio y procesos operativos acumulados durante años. Una plataforma no deja de depender de todos esos elementos porque un programa individual pueda reescribirse en un lenguaje moderno.

Vadim Zaytsev, profesor asociado de evolución del software en la Universidad de Twente, explicó a The Verge que el mayor sistema que ha visto contenía 250 millones de líneas de COBOL, aunque precisó que no era necesariamente el más grande del mundo. En entornos de esa escala, incluso diferencias pequeñas entre el sistema original y el migrado pueden resultar inaceptables. Su conclusión resume el problema: reescribir código no equivale a sustituir un sistema.

La IA puede aportar valor en tareas como documentar rutinas, analizar código, detectar relaciones entre componentes, identificar redundancias, proponer traducciones delimitadas y ayudar a crear pruebas. Pero esos usos no eliminan la necesidad de verificar datos, integraciones, reglas de negocio y resultados operativos antes de modificar una plataforma crítica.

Qué resultados presentó OpenAI

OpenAI comunicó mejoras en la capacidad de sus modelos para migrar código escrito en lenguajes antiguos y modernizar sistemas existentes. La empresa sostiene que una migración solo puede considerarse exitosa cuando todas las pruebas pasan, porque conservar el comportamiento original es un requisito central.

En las evaluaciones divulgadas por la compañía, GPT-6.1 Sol alcanzó una precisión del 87 % en preservación del comportamiento con un nivel bajo de razonamiento y del 98 % con un nivel alto. En la misma comparación, GPT-6 Astra obtuvo aproximadamente un 86 % con bajo razonamiento, GPT-6 Sol un 21 % y GPT-5.6 Sol un 5 %.

OpenAI también informó avances en la capacidad de sus modelos para crear software de bases de datos en distintos lenguajes, incluido COBOL. La empresa presenta estas mejoras como una vía para hacer más precisa y asequible la modernización de software del que dependen muchas organizaciones.

El matiz importante es el alcance de las pruebas. Según la información recogida por The Verge, las evaluaciones se centraron en tareas de migración relativamente acotadas. No demostraron que los modelos puedan descomponer por sí solos sistemas empresariales complejos, identificar todas sus dependencias y sustituirlos por componentes independientes sin afectar la operación.

Un 98 % de preservación del comportamiento puede ser un resultado relevante dentro de una tarea bien delimitada, pero no significa que el 98 % de una plataforma completa esté listo para migrarse automáticamente. El porcentaje no sustituye las pruebas de integración, la validación de datos ni la revisión de las reglas de negocio que pueden estar distribuidas entre programas, archivos, bases de datos y procesos programados.

La brecha entre traducir código y modernizar un sistema

Arie van Deursen, profesor de ingeniería de software en la Universidad Tecnológica de Delft, calificó de superficial la presentación de OpenAI y señaló que aportaba pocos detalles sobre la tarea de migración evaluada. Según su valoración, el modelo se probó en una tarea relativamente sencilla y bien definida, con sistemas similares a aquellos con los que podría haber sido entrenado.

Van Deursen distingue entre mantener un sistema antiguo y modernizarlo: mantenerlo es considerablemente más sencillo que transformarlo. A su juicio, las tareas utilizadas por OpenAI para evaluar sus modelos están “a años luz” de la modernización real de sistemas heredados.

La dificultad fundamental consiste en dividir un sistema complejo en unidades más pequeñas que puedan reemplazarse individualmente. Para hacerlo, es necesario comprender qué programas dependen de otros, cómo circulan los datos, qué procesos se ejecutan en determinados momentos y qué decisiones de negocio están codificadas en partes poco documentadas de la plataforma.

Por esa razón, una conversión de código que compile correctamente no demuestra que un módulo pueda entrar en producción. Por ejemplo, una rutina traducida puede producir el mismo resultado en casos simples y, aun así, fallar al procesar excepciones, formatos de fecha, cálculos acumulados, datos incompletos o intercambios con sistemas externos.

Traducir un programa puede ser una tarea técnica; comprender todo lo que depende de él es una tarea de arquitectura, operación y negocio.

Anthropic e IBM: enfoques distintos para un problema más amplio

Anthropic también identifica una oportunidad comercial en la modernización de sistemas heredados. En febrero publicó un manual paso a paso de modernización de código y presentó su agente de programación Claude Code como una herramienta para trasladar COBOL a lenguajes como Java o Python.

La empresa afirmó que “la economía de la modernización de COBOL ha cambiado”, pero, de acuerdo con la información citada por The Verge, no aportó pruebas de rendimiento que permitieran determinar hasta qué punto Claude Code puede ejecutar migraciones completas con garantías. Anthropic no ofreció comentarios a The Verge antes de la publicación del artículo.

El enfoque de IBM, descrito en el material adicional disponible, pone mayor énfasis en comprender el ecosistema que rodea al código. Sus herramientas para modernizar aplicaciones COBOL en entornos IBM Z incluyen automatización, análisis de dependencias y asistencia de inteligencia artificial para mapear estructuras, flujos de datos, rutinas y relaciones entre componentes antes de modificar el sistema.

Este enfoque es relevante porque una modernización no se limita a trasladar programas de COBOL a otro lenguaje. También puede involucrar el entorno de ejecución, las bases de datos, los trabajos automatizados, el procesamiento por lotes, las interfaces y la integridad de las transacciones.

OpenAI: destaca resultados de traducción y preservación del comportamiento en pruebas acotadas. Sus modelos pueden apoyar conversiones, documentación y creación de pruebas, pero las evaluaciones publicadas no cubren por sí solas la sustitución de sistemas empresariales completos.
Anthropic: presenta Claude Code como apoyo para trasladar COBOL a lenguajes modernos. La información disponible no incluye pruebas equivalentes que permitan medir su desempeño en migraciones complejas de extremo a extremo.
IBM: se concentra en analizar dependencias, datos, rutinas, trabajos programados y componentes relacionados con aplicaciones heredadas. Ese inventario puede ser decisivo antes de definir qué transformar, qué conservar y en qué orden hacerlo.

El material adicional de IBM menciona que Royal Bank of Canada utilizó una herramienta de análisis para identificar dependencias, flujos de datos y la organización interna de aplicaciones centrales. También informa que National Organization for Social Insurance redujo de aproximadamente ocho horas a cerca de treinta minutos el análisis destinado a localizar código COBOL redundante o innecesario.

Estos casos describen aplicaciones de análisis y limpieza técnica, no una sustitución automática del núcleo COBOL. Su principal enseñanza es que la IA puede generar valor antes de una migración: al mejorar el inventario, localizar relaciones entre componentes, explicar rutinas y detectar posibles elementos redundantes.

Pruebas, verificación y supervisión humana

La preservación exacta del comportamiento exige mecanismos de validación más amplios que una comparación superficial entre el código original y el código generado. Una posibilidad consiste en ejecutar los mismos flujos de trabajo en el sistema antiguo y en el nuevo para comprobar si ambos producen resultados idénticos.

Otra opción es utilizar la IA para documentar la traducción, de modo que especialistas familiarizados con el lenguaje heredado puedan revisar el resultado. Esta documentación puede ayudar a reconstruir reglas de negocio que no estén explicadas en manuales actuales, pero debe contrastarse con el comportamiento real de la plataforma.

También puede recurrirse a la verificación formal, que utiliza técnicas matemáticas para comprobar computacionalmente que el código se comporta correctamente. Jacopo Mauro, profesor de matemáticas e informática en la Universidad del Sur de Dinamarca, señaló que la verificación formal podría permitir controles automáticos y ser preferible a una revisión humana en determinados casos.

Sin embargo, aplicar estos métodos al código heredado puede requerir una cantidad de trabajo muy grande. Mientras no existan mecanismos suficientemente desarrollados para validar de forma integral estas transformaciones, la supervisión humana seguirá siendo esencial.

Una ruta prudente para modernizar sistemas COBOL

La modernización no tiene que comenzar con una reescritura total ni con la elección inmediata de un lenguaje de destino. Una organización puede reducir incertidumbre y preparar cambios futuros mediante un proceso gradual, verificable y reversible.

Inventariar programas y procesos: identificar programas COBOL, bases de datos, archivos, interfaces, trabajos automatizados y componentes externos relacionados con cada operación.
Mapear dependencias y flujos de datos: determinar qué programas, archivos, procesos y sistemas dependen de cada componente antes de modificarlo.
Documentar reglas de negocio: registrar decisiones, cálculos, validaciones y excepciones que puedan estar implícitos en el código o en la operación diaria.
Identificar redundancias: localizar código posiblemente duplicado, innecesario o poco utilizado, sin asumir que puede eliminarse sin una revisión técnica.
Crear pruebas comparativas: definir casos de prueba y ejecutarlos tanto en el sistema original como en la versión transformada para detectar diferencias.
Empezar por módulos acotados: priorizar componentes de menor riesgo y con dependencias conocidas antes de intervenir en el núcleo de una operación crítica.
Ejecutar en paralelo cuando sea viable: procesar los mismos flujos en ambos sistemas durante una etapa de validación para identificar discrepancias antes del cambio definitivo.
Preparar reversión y trazabilidad: registrar cambios, pruebas, aprobaciones y resultados, además de contar con un mecanismo para volver al sistema anterior si aparece un fallo.

Por ejemplo, una organización podría utilizar IA para explicar una rutina COBOL y proponer una versión equivalente en Java o Python. Antes de ponerla en operación, debería comparar resultados con el programa original bajo escenarios normales, excepcionales y límite; verificar que las integraciones continúen funcionando; y confirmar que los procesos relacionados no sufran alteraciones.

En algunos casos, mantener temporalmente el núcleo COBOL puede ser la decisión más prudente. Si una plataforma concentra reglas de negocio difíciles de documentar, integraciones antiguas o procesos que no pueden separarse con seguridad, la modernización puede avanzar alrededor de ese núcleo mediante mejores interfaces, documentación, pruebas y análisis de dependencias.

Qué pueden aportar realmente los modelos de IA

La evidencia disponible sugiere que la IA puede acelerar parte del trabajo asociado a la modernización de sistemas heredados. Puede ayudar a traducir fragmentos de código, explicar rutinas antiguas, crear documentación inicial, localizar patrones, identificar posibles dependencias y asistir en la preparación de pruebas.

Sin embargo, la automatización parcial no elimina los riesgos principales. Las organizaciones deben validar datos, integraciones, reglas de negocio, dependencias entre sistemas y resultados operativos. En sistemas críticos, la exigencia de que no haya diferencias relevantes en el comportamiento limita la posibilidad de desplegar una traducción generada por IA sin pruebas exhaustivas y revisión especializada.

OpenAI reconoció que el código heredado sigue siendo un problema lejos de estar resuelto. Su portavoz, Oscar Haines, afirmó que la empresa está recabando comentarios de desarrolladores y organizaciones, y estudiando cómo mejorar las pruebas y la comprensión de los lenguajes de programación por parte de sus modelos.

La conclusión no es que la IA carezca de utilidad para COBOL. Por el contrario, puede reducir trabajo repetitivo y acelerar etapas de análisis, documentación y transformación. Pero traducir fragmentos de COBOL es una tarea distinta de reemplazar de forma segura las plataformas críticas que los utilizan.

Preguntas frecuentes sobre modernización de COBOL con IA

¿Puede la IA garantizar que un sistema nuevo funcionará igual que el original?
No. OpenAI comunicó hasta un 98 % de preservación del comportamiento en evaluaciones acotadas, pero ese resultado no demuestra que sea posible sustituir automáticamente sistemas empresariales completos. La equivalencia debe comprobarse mediante pruebas, comparación de flujos y revisión especializada.

¿Qué lenguajes pueden utilizarse como destino?
La información disponible menciona C++, Java, Kotlin, Python y Rust. La elección debe considerar la arquitectura existente, las integraciones, las capacidades del equipo y la posibilidad de probar y mantener el resultado.

¿La IA puede ayudar antes de iniciar una migración?
Sí. Puede apoyar el inventario técnico, el análisis de dependencias, la documentación de rutinas, la detección de código redundante y la preparación de pruebas.

¿Seguirán siendo necesarios especialistas humanos?
Sí. La comprensión de dependencias, reglas de negocio, datos, infraestructura y resultados operativos sigue requiriendo supervisión humana, especialmente cuando se modifican plataformas críticas.

La oportunidad no consiste en pulsar un botón para abandonar COBOL. Consiste en utilizar la IA para comprender mejor el sistema, reducir trabajo repetitivo y transformar por etapas aquello que pueda probarse, revertirse y mantenerse. Innovación IA puede acompañar el análisis técnico y la definición de una hoja de ruta de modernización gradual.

Fuente: artículo original.