Fra nisjeproblem til strategisk mulighet
Når vi snakker om KI-assistert programmering, handler diskusjonen ofte om moderne språk som Python, JavaScript eller Rust. Det er forståelig: Her finnes det store mengder offentlig kode, dokumentasjon og eksempler som modellene kan lære av. Men mange av systemene samfunnet faktisk er avhengig av, er skrevet i helt andre språk. COBOL behandler fortsatt store mengder finansielle og administrative data, mens Fortran brukes i blant annet numeriske modeller og værvarsling. Visual Basic og eldre enterprise-teknologier finnes fremdeles i interne verktøy som virksomheter ikke uten videre kan erstatte.
OpenAI publiserte 19. oktober 2026 nye resultater som tyder på at dette kompetansegapet er i ferd med å bli mindre. Selskapet har testet sine nyeste modeller både på utvikling i 20 forskjellige programmeringsspråk og på migrering av COBOL-programmer til nyere språk. Resultatene er imponerende, men de bør leses som et signal om teknologisk fremgang – ikke som en tillatelse til å la en KI-agent omskrive et produksjonssystem på egen hånd.
Hva MultiLangBench faktisk måler
Den nye evalueringen MultiLangBench ber modellen bygge en SQLite-kompatibel databasemotor fra bunnen av i et bestemt programmeringsspråk. Det er en vesentlig mer krevende oppgave enn å fullføre en funksjon eller rette en isolert feil. Modellen må organisere en større kodebase, håndtere tilstand og feil, implementere nye funksjoner og samtidig bevare eksisterende oppførsel.
Testoppsettet er offentlig tilgjengelig på GitHub. Kandidatprogrammet mottar en databasefil og en SQL-spørring, og resultatet kontrolleres deretter med den ekte SQLite-implementasjonen. Testen vurderer dermed observerbar programatferd, ikke om koden ser overbevisende ut. Av rundt 51 000 opprinnelige SQLite-tester ble 24 000 konvertert til dette formatet, mens standardkjøringen bruker et mindre utvalg på 272 tester av kostnadshensyn.
Ifølge OpenAIs egne resultater oppnådde GPT-6 Astra i gjennomsnitt 87,4 prosent beståtte tester på tvers av 20 språk, mot 26,8 prosent for GPT-5.6 Sol. Fortran økte fra 21,4 til 83,5 prosent, Visual Basic fra 27,5 til 89,4 prosent og COBOL fra 10,9 til 72,1 prosent. Den rimeligere GPT-6 Luna gjorde det også bedre enn forgjengeren i samtlige testede språk, men med et betydelig lavere gjennomsnittsresultat.
Tallene er rapportert av modellleverandøren selv. At testoppsettet og testfilene er åpne, gjør det mulig for andre å undersøke metoden og gjenskape deler av evalueringen, men resultatene bør fortsatt behandles som leverandørdata inntil de er bredt reprodusert uavhengig.
COBOL-migrering er mer enn oversettelse
Den andre evalueringen er nærmere et praktisk moderniseringsprosjekt. Her skal modellen flytte COBOL-programmer til C++, Java, Kotlin, Python eller Rust uten å endre programmenes oppførsel. OpenAI krever identiske resultater i skjulte tester og rapporterer at GPT-6.1 Sol oppnådde 86,6 prosent nøyaktighet med lav resonneringsinnsats og 97,9 prosent med høyere innsats.
Det er lett å tolke et slikt resultat som at automatisert migrering nå nærmer seg en løst oppgave. Det ville være for optimistisk. Et eldre virksomhetssystem består sjelden bare av kildekoden som skal oversettes. Det har avhengigheter til databaser, batchjobber, tilgangskontroll, meldingskøer, rapportering, maskinvare og andre systemer. I tillegg kan sentrale forretningsregler være dårlig dokumentert og bare eksistere som detaljer i koden.
COBOL illustrerer risikoen spesielt godt. Språket har presise regler for blant annet fast desimaltallsregning. En omskriving som runder et beløp der originalen fjerner overskytende desimaler, kan kompilere og kjøre uten synlige feil, men likevel produsere gale finansielle resultater. Byte-for-byte-sammenligning i skjulte tester er derfor en sterkere metode enn en vanlig kodevurdering, men selv et omfattende testsett kan bare kontrollere scenarioene det faktisk dekker.
IBM peker dessuten på at modernisering ikke bør reduseres til språkoversettelse. Plattform, dataarkitektur, kjøremiljø og transaksjonsintegritet må behandles som deler av samme system. NOAA beskriver på sin side modernisering av værvarslingsprogramvare som et langsiktig arbeid som krever kartlegging, koordinering og formelle prosjekter – ikke bare utskifting av gammel kode.
Der KI kan gi reell verdi allerede nå
Den mest realistiske gevinsten ligger ikke i helautomatisk migrering, men i å bruke KI til å redusere kostnaden ved å forstå og teste gamle systemer. En modell kan hjelpe utviklere med å forklare kodeflyt, identifisere duplisert logikk, foreslå testtilfeller og dokumentere forretningsregler som tidligere bare var implisitte. Den kan også lage et første utkast til en modulær omskriving, mens mennesker kontrollerer resultatet mot det opprinnelige systemet.
Dette kan være særlig verdifullt når de opprinnelige utviklerne har sluttet og dokumentasjonen er ufullstendig. I stedet for å starte med en full migrering kan virksomheten velge en gradvis prosess: kartlegge systemet, bygge karakteriseringstester, isolere stabile grensesnitt og erstatte én avgrenset komponent om gangen. KI kan øke tempoet i hvert av disse stegene uten å få myndighet til å godkjenne sitt eget arbeid.
En annen fordel er at rimeligere modeller kan gjøre bred analyse økonomisk mulig. Dersom en modell med lavere kostnad kan klassifisere tusenvis av programmer, finne avhengigheter og prioritere risikoområder, kan de dyreste modellene og menneskelige spesialistene brukes på de delene som faktisk krever dypest forståelse.
Slik bør virksomheter redusere risikoen
Før KI brukes i et moderniseringsprosjekt, bør organisasjonen etablere et referansepunkt for hvordan dagens system oppfører seg. Det innebærer å dokumentere input, output, grenseverdier, feiltilstander, avrundingsregler og ytelseskrav. Produksjonsdata bør ikke sendes til en ekstern modell uten at behandlingsgrunnlag, datalagring og leverandørvilkår er avklart.
Modellgenerert kode må behandles som kode fra en ekstern bidragsyter: Den skal gjennom fagfellevurdering, statisk analyse, sårbarhetstesting og en komplett CI/CD-prosess. For kritiske systemer bør testene sammenligne gammel og ny løsning parallelt over tid. Avvik må undersøkes, ikke automatisk «rettes» ved å anta at den nye implementasjonen er riktig.
Det er også viktig å unngå at modellen både foreslår migreringen og definerer alle akseptansekriteriene. Da kan den samme misforståelsen havne i både implementasjonen og testene. Tester bør hentes fra eksisterende produksjonsatferd, faglige regler og uavhengige spesifikasjoner, med godkjenning fra personer som kjenner virksomhetsområdet.
Et gjennombrudd – men ikke en autopilot
De nye resultatene viser at KI-assistert utvikling ikke lenger er begrenset til språk med enorme mengder offentlig kode. Det kan få stor betydning for virksomheter som har utsatt modernisering fordi kompetansen er knapp, risikoen høy og systemene vanskelige å forstå.
Samtidig er forskjellen mellom å bestå en benchmark og å overta ansvaret for et kritisk system enorm. MultiLangBench er verdifull fordi den tester fungerende programatferd og fordi metoden kan inspiseres. Den viser at modellene har blitt bedre verktøy. Den viser ikke at organisasjoner kan hoppe over arkitekturarbeid, sikkerhetskontroll eller domenekunnskap.
Den riktige konklusjonen er derfor verken at gammel kode bør stå urørt, eller at KI kan erstatte moderniseringsteamet. KI kan gjøre teamet raskere og gi det bedre oversikt. Ansvaret for hva som flyttes, hvordan det testes og når det er trygt å sette i produksjon, må fortsatt ligge hos mennesker.