AI se zaměřila na jazyky mimo hlavní proud
Většina pozornosti kolem programovací AI se točí kolem Pythonu, JavaScriptu, Javy nebo C++. Ve firmách však stále běží velké množství systémů napsaných v jazycích, které se dnes na univerzitách a v nových projektech objevují méně často.
Typickým příkladem je COBOL. OpenAI uvádí, že tento jazyk podporuje více než 40 procent online bankovních systémů, 80 procent osobních karetních transakcí a 95 procent transakcí v bankomatech. Fortran se zase používá například při předpovědi počasí nebo analýzách bezpečnosti jaderných reaktorů. Tato čísla pocházejí z materiálů, na které OpenAI odkazuje ve svém oznámení, nikoli z nového nezávislého průzkumu.
Problém staršího podnikového kódu nespočívá jen v syntaxi. Dokumentace může být neúplná, původní autoři už ve firmě nemusí pracovat a některá pravidla mohou být zapsaná pouze v samotném programu. Převod do nového jazyka proto připomíná rekonstrukci domu, ke kterému chybí projektová dokumentace. Nestačí, aby nová verze vypadala podobně. Musí se chovat stejně.
OpenAI se proto nesoustředila pouze na generování krátkých funkcí. Nové testy zkoumají delší práci s kódem, organizaci projektu, práci se stavem, zpracování chyb i zachování původního chování programu.
MultiLangBench staví databázi ve 20 jazycích
První test dostal název MultiLangBench. Model v něm musí od začátku vytvořit databázový stroj kompatibilní se SQLite. Úloha probíhá ve 20 programovacích jazycích, mezi nimiž jsou například C, C#, C++, COBOL, Fortran, Java, JavaScript, OCaml, Python, Rust, Visual Basic nebo Zig.
Testovací systém používá databázové soubory jako společné rozhraní. Model dostane počáteční databázi a SQL dotaz. Jeho program musí vytvořit očekávaně upravenou databázi. Výsledek se následně porovnává s referenční implementací SQLite.
To je důležité, protože stejný princip dovoluje porovnávat různé jazyky. Model nemůže získat dobré hodnocení jen tím, že napíše kód, který vypadá správně. Program musí projít testy a vrátit správný výsledek.
GPT-6 Astra dosáhl při maximální úrovni uvažování průměrné úspěšnosti 87,4 procenta. GPT-5.6 Sol ve stejném typu měření dosáhl 26,8 procenta. Astra se zlepšil ve všech testovaných jazycích. U COBOLu vzrostl výsledek z 10,9 na 72,1 procenta, u Fortranu z 21,4 na 83,5 procenta a u Visual Basicu z 27,5 na 89,4 procenta.
COBOL zůstal nejslabším jazykem Astra. Model v něm přesto překročil 72 procent, zatímco u 19 z 20 jazyků se dostal nad 83 procent. To ukazuje, že méně používaný jazyk zůstává pro model obtížnější, i když se rozdíl proti starší generaci výrazně zmenšil.
Levnější model má nižší skóre
OpenAI zveřejnila také výsledek modelu GPT-6 Luna. Ten dosáhl průměrné úspěšnosti 40,3 procenta, tedy méně než Astra, ale více než GPT-5.6 Sol. Náklady na jeden vzorek byly podle OpenAI přibližně 0,77 dolaru, zatímco u GPT-5.6 Sol šlo o 3,48 dolaru.
Rozdíl je důležitý pro firmy, které chtějí AI používat při delších úlohách. Vývoj databázového stroje od začátku vyžaduje mnoho volání modelu a opakované testování. Cena jednotlivého dotazu proto neříká celý příběh, ale u podobných pracovních postupů se rychle násobí.
OpenAI zároveň zveřejnila testovací prostředí a sadu úloh na GitHubu. Vývojáři si tak mohou prohlédnout, co přesně se měří, a porovnat výsledky s jazyky, které používají ve vlastních firmách.
Převod COBOLu musí zachovat chování programu
Druhá zkouška se zaměřuje na převod existujících programů napsaných v COBOLu do C++, Javy, Kotlinu, Pythonu nebo Rustu. Nehodnotí pouze to, zda nový program projde kompilací. Rozhodující je, zda se chová stejně jako původní verze.
U starších finančních systémů mohou mít význam i detaily, které by člověk při běžném přepisu snadno přehlédl. OpenAI uvádí příklad pevné desetinné aritmetiky v COBOLu. Program může přebytečná desetinná místa zahodit, pokud není výslovně požadováno zaokrouhlení. Nový program, který začne automaticky zaokrouhlovat, může běžet bez chyb a přitom vypočítat jinou finanční částku.
Test proto používá skryté zkoušky a požaduje shodu pozorovatelných výstupů po jednotlivých bajtech. Migrace je úspěšná pouze tehdy, když program projde všemi testy.
GPT-6.1 Sol dosáhl při nízké úrovni uvažování přesnosti 86,6 procenta. GPT-5.6 Sol měl při stejném nastavení 5,4 procenta. Při vysoké úrovni uvažování se GPT-6.1 Sol dostal na 97,9 procenta. OpenAI současně uvádí, že tato varianta stála 61 procent nákladů staršího modelu, tedy o 39 procent méně.
Výsledky nejsou náhradou za testování
Skóre 97,9 procenta zní přesvědčivě, ovšem neznamená, že lze starý bankovní systém převést jedním příkazem a bez kontroly nasadit. Test měří konkrétní sadu úloh a skrytých testů. Skutečný podnikový software může obsahovat vazby na databáze, dávkové zpracování, operační systém, účetní pravidla nebo interní postupy, které benchmark nepokrývá.
OpenAI sama upozorňuje, že produkční nasazení vyžaduje odbornou revizi a testování podle obchodních pravidel a závislostí konkrétního systému. U finančního nebo státního softwaru je to více než formální poznámka pod čarou. Chyba v zaokrouhlení, zpracování chybějícího záznamu nebo pořadí transakcí může změnit výsledek, i když nový program vypadá čistěji.
Praktická hodnota AI proto spočívá hlavně v urychlení práce. Model může pomoci vysvětlit neznámý kus kódu, navrhnout první převod, připravit testy nebo hledat rozdíly mezi starou a novou verzí. Rozhodnutí, že nová implementace opravdu zachovává původní logiku, musí zůstat na lidech, kteří rozumějí systému i jeho provozu.
Co to znamená pro české firmy
Pro české vývojové týmy je téma relevantní hlavně tam, kde firma provozuje dlouholeté ekonomické, výrobní, logistické nebo finanční systémy. Oznámení OpenAI se týká programovacích jazyků, nikoli české lokalizace aplikace. Zdroj neuvádí zvláštní českou verzi ani samostatnou dostupnost pro Českou republiku.
Modely lze podle OpenAI využít prostřednictvím API. U GPT-6.1 Sol činí podle aktuálně ověřených údajů cena 0,10 dolaru za milion vstupních tokenů a 0,50 dolaru za milion výstupních tokenů. Skutečné náklady při migraci však závisí na délce kódu, počtu opakovaných testů, úrovni uvažování a množství potřebných oprav. Přepočet na koruny se mění podle kurzu a v ceně nejsou zahrnuty náklady na kontrolu, provoz infrastruktury ani případné úpravy systému.
OpenAI v oznámení nesrovnává MultiLangBench s Gemini, Claude ani dalšími současnými modely. Z dostupných výsledků proto nelze tvrdit, že GPT-6 Astra je v práci s málo používanými jazyky nejlepší na trhu. Lze říct pouze to, že v interním testu OpenAI dosáhl výrazně lepšího výsledku než starší modely stejné společnosti.
Celý výzkum je popsán v oficiálním oznámení OpenAI. Firma v něm uvádí datum zveřejnění 19. října 2026 a zároveň potvrzuje, že chce modely učit pracovat s větším množstvím jazyků, nástrojů, testů a neznámých repozitářů.
FAQ
Co jsou low-resource programovací jazyky?
Jde o jazyky, ke kterým existuje méně veřejného zdrojového kódu, dokumentace a příkladů než například u Pythonu nebo JavaScriptu. Pro AI je proto obtížnější naučit se jejich syntaxi i typické způsoby použití.
Dokáže AI převést COBOL do Pythonu bez kontroly vývojáře?
Ne. Testy OpenAI ukazují zlepšení v zachování chování programu, ale skutečný systém může obsahovat závislosti a obchodní pravidla mimo benchmark. Výsledek musí projít odbornou revizí a testováním.
Lze si test MultiLangBench vyzkoušet?
OpenAI zveřejnila nastavení testu a testovací sadu na GitHubu. Vývojáři si tak mohou prohlédnout metodiku a porovnat výsledky s jazyky, které používají ve vlastních projektech.
