OpenAI Tembus Tembok Bahasa Kuno: GPT-6.1 Sol Mampu Migrasi Kode COBOL Perbankan dengan Akurasi 97,9 Persen

Dunia perbankan dan infrastruktur finansial global selama puluhan tahun dihantui oleh sebuah bom waktu tak kasat mata: ketergantungan kronis pada bahasa pemrograman COBOL. Bahasa warisan era akhir dekade 1950-an ini diam-diam masih menjadi fondasi pemrosesan transaksi triliunan rupiah di berbagai belahan bumi. Ketika para insinyur senior yang merancang sistem mainframe tersebut memasuki usia pensiun satu demi satu, perbankan modern kebingungan mencari penerus yang bersedia mempelajari sintaksis uzur tersebut.

Di tengah kecemasan yang terus memuncak, OpenAI pada awal pekan ketiga Oktober 2026 merilis pengumuman riset monumental yang menarik perhatian industri teknologi finansial global. Melalui serangkaian pengujian benchmarking terbaru, OpenAI mendemonstrasikan lonjakan kemampuan model bahasa generasi terbarunya, GPT-6.1 Sol dan varian GPT-6 Astra, dalam memodernisasi kode program lawas berkategori sumber daya rendah atau low-resource languages, khususnya COBOL dan Fortran.

Hasil evaluasi yang dirilis OpenAI menunjukkan lompatan presisi yang sangat dramatis. Dalam uji migrasi aplikasi COBOL menjadi bahasa modern seperti Python, Java, Kotlin, C++, dan Rust, tingkat akurasi konversi GPT-6.1 Sol melesat hingga 86,6 persen pada tingkat penalaran rendah, dan menyentuh angka spektakuler 97,9 persen ketika dioperasikan pada tingkat penalaran tinggi. Sebagai perbandingan, model generasi sebelumnya yaitu GPT-5.6 Sol hanya mampu membukukan akurasi sebesar 5,4 persen pada beban uji yang sama.

Mengapa Menyelamatkan Kode COBOL Begitu Genting bagi Perbankan Global dan Nasional

Bagi khalayak umum yang terbiasa menggunakan aplikasi perbankan digital atau mobile banking di ponsel pintar, COBOL mungkin terdengar seperti artefak museum masa silam. Namun data industri mengungkapkan kenyataan yang sangat berbanding terbalik dengan persepsi tersebut.

Menurut laporan riset teknologi informasi IBM, bahasa COBOL saat ini masih menopang lebih dari 40 persen sistem perbankan online dunia, memproses 80 persen transaksi kartu kredit fisik secara langsung di kasir, dan menangani 95 persen dari total penarikan uang tunai di mesin ATM di seluruh dunia. Di Indonesia sendiri, hampir seluruh bank papan atas berstatus BUMN maupun swasta besar masih mengandalkan sistem perbankan inti atau core banking system berbasis mainframe yang fondasi dasarnya ditulis dalam bahasa COBOL.

Ketergantungan ini menimbulkan tantangan operasional yang sangat kompleks:

• Krisis Regenerasi Tenaga Ahli: Rata-rata usia insinyur perangkat lunak yang menguasai COBOL saat ini berada di atas 55 tahun. Tingkat pensiun mencapai lebih dari sepuluh persen per tahun, sementara kurikulum universitas ilmu komputer modern di Indonesia dan luar negeri sudah lama meniadakan pengajaran mainframe demi mengejar tren kecerdasan buatan, web, dan komputasi awan.
• Hilangnya Dokumentasi Teknis: Sistem aplikasi perbankan yang telah berjalan selama tiga puluh hingga empat puluh tahun kerap kali kehilangan dokumen arsitektur aslinya. Aturan bisnis yang mengatur skema bunga, denda pinjaman, hingga verifikasi mutasi rekening hanya tersimpan di dalam jalinan baris kode program tanpa ada catatan panduan yang komprehensif.
• Biaya dan Risiko Migrasi yang Sangat Masif: Proyek penulisan ulang sistem perbankan inti sering kali memakan waktu bertahun-tahun dengan anggaran mencapai ratusan miliar rupiah. Risiko terjadinya galat perhitungan atau downtime sistem membuat dewan direksi perbankan ragu untuk merombak total sistem lama mereka.

Arsitektur Tolok Ukur MultiLangBench dan Pembuktian Uji Buta OpenAI

Untuk membuktikan bahwa lonjakan performa model kecerdasan buatan miliknya bukan sekadar trik pemasaran, OpenAI memperkenalkan kerangka evaluasi baru yang diberi nama MultiLangBench, yang kini telah dipublikasikan secara terbuka di repositori GitHub agar dapat diverifikasi oleh para pengembang independen.

Dalam tolok ukur MultiLangBench, model AI ditantang untuk membangun mesin basis data yang kompatibel dengan SQLite dari nol dalam dua puluh bahasa pemrograman yang berbeda, mulai dari Python, Rust, hingga bahasa minim pustaka data seperti OCaml, Fortran, dan Visual Basic. Pada pengujian ini, model GPT-6 Astra berhasil mencapai rata-rata kelulusan uji sebesar 87,4 persen di seluruh bahasa, jauh mengungguli GPT-5.6 Sol yang hanya mencapai 26,8 persen. Untuk bahasa COBOL sendiri yang terkenal kaku dan minim data latihan di internet, skor kelulusan berhasil menembus 72,1 persen.

Sedangkan pada evaluasi migrasi kode COBOL, OpenAI menerapkan standar validasi buta yang sangat ketat. Program hasil konversi AI dianggap berhasil hanya apabila menghasilkan keluaran bita per bita yang identik persis dengan program aslinya saat dipasok berbagai skenario data ekstrem.

Selain masalah logika pembulatan desimal, tantangan teknis lain yang berhasil ditangani dengan sangat baik oleh model penalaran OpenAI adalah perbedaan representasi karakter biner. Sistem mainframe perbankan tradisional sejak puluhan tahun silam menggunakan format pengodean EBCDIC, sementara sistem komputasi modern di era cloud dan server Linux menggunakan standar pengodean UTF-8 atau ASCII.

Perbedaan mendasar ini kerap kali menyebabkan data teks nasabah, alamat, dan nomor referensi transaksi menjadi rusak atau korup ketika dikonversi secara membabi buta menggunakan skrip konversi konvensional. Model GPT-6.1 Sol dilatih untuk mengenali pemetaan tabel representasi karakter biner tersebut secara kontekstual, sehingga data string perbankan dapat bertransisi dengan mulus ke dalam skema basis data relasional modern seperti PostgreSQL atau MySQL tanpa menimbulkan anomali pemotongan karakter.

Presisi mutlak ini menjadi krusial karena COBOL memiliki karakteristik aritmetika titik tetap atau fixed-point arithmetic yang unik. Dalam COBOL, angka desimal yang melebihi batas presisi akan langsung dipangkas tanpa pembulatan kecuali jika sang pembuat program menentukan perintah pembulatan secara eksplisit. Sebuah program Python hasil terjemahan AI bisa saja berjalan lancar tanpa pesan galat, namun jika logika pembulatan desimalnya melenceng satu sen saja, akumulasi salah hitung pada jutaan transaksi perbankan akan menjadi bencana finansial yang fatal.

Tabel Perbandingan: Tolok Ukur Model OpenAI pada Bahasa Pemrograman Kuno

Berikut adalah rekapitulasi data hasil pengujian performa berbagai model OpenAI dalam menangani modernisasi bahasa pemrograman low-resource:

Apa Artinya Terobosan Ini bagi Dunia Perbankan dan Pengembang di Indonesia?

Lompatan teknologi yang dihadirkan oleh model penalaran terbaru OpenAI ini membuka babak baru bagi transformasi digital institusi keuangan di Indonesia. Selama bertahun-tahun, bank-bank nasional di tanah air sering kali menunda modernisasi sistem perbankan inti mereka karena kekhawatiran biaya konsultan luar negeri yang luar biasa mahal dan risiko kesalahan manusiawi yang tinggi saat mengonversi jutaan baris kode uzur.

Dengan kehadiran asisten cerdas yang mampu memahami semantik COBOL dan memetakannya ke bahasa modern seperti Java atau Rust, alur kerja rekayasa perangkat lunak mengalami perubahan mendasar:

• Dokumentasi Otomatis Aturan Bisnis: Model AI dapat ditugaskan untuk membedah modul program COBOL yang berusia puluhan tahun, lalu menghasilkan diagram alur kerja, spesifikasi kamus data, dan dokumentasi logika bisnis dalam bahasa manusia yang mudah dipahami oleh analis muda.
• Pembuatan Rangka Pengujian Regresi Otomatis: Sebelum kode lama dipensiunkan, model kecerdasan buatan dapat membuat ribuan skenario pengujian unit atau unit test otomatis untuk menjamin bahwa kode mikroservis baru yang dibangun di lingkungan cloud menghasilkan keluaran yang sama persis dengan sistem mainframe.
• Pengurangan Beban Anggaran Modernisasi: Proyek yang dulunya diperkirakan memakan waktu lima tahun kerja tim konsultan kini berpotensi dipersingkat menjadi hitungan bulan dengan bantuan agen AI berkemampuan reasoning tinggi.

Kendati demikian, OpenAI sendiri secara transparan memberikan catatan peringatan penting. Hasil akurasi 97,9 persen pada lingkungan tolok ukur bukan berarti perusahaan perbankan dapat membiarkan sistem kecerdasan buatan melakukan migrasi otomatis secara mandiri tanpa pengawasan manusia. Kehadiran insinyur perangkat lunak senior, auditor keamanan siber, dan penjamin kualitas tetap menjadi benteng pertahanan utama untuk memverifikasi setiap baris kode yang akan diterapkan pada peladen produksi.

Menatap Era Baru Komputasi Warisan Bersama Kecerdasan Buatan

Pencapaian OpenAI dalam menaklukkan bahasa COBOL menegaskan bahwa peran revolusi kecerdasan buatan tidak semata-mata terpaku pada penciptaan hal-hal baru yang futuristik. Di balik gemerlap aplikasi percakapan dan generator gambar, kecerdasan buatan ternyata mampu menjadi jembatan penyelamat bagi infrastruktur digital purba yang menopang peradaban modern saat ini.

Bagi para pengembang perangkat lunak di Indonesia, perkembangan ini mengirimkan pesan yang sangat jelas. Menguasai arsitektur sistem lama dan memahami cara mengorkestrasikan model kecerdasan buatan untuk meremajakan sistem tersebut akan menjadi salah satu keahlian paling bernilai tinggi di industri teknologi dalam dekade mendatang.

—

**