AI การเขียนโค้ด COBOL คืออะไร และทำไมจึงสำคัญกว่าที่คิด
AI การเขียนโค้ด COBOL คือความสามารถของโมเดลปัญญาประดิษฐ์ในการอ่าน ทำความเข้าใจ สร้าง และย้ายโปรแกรมที่เขียนด้วยภาษา COBOL ซึ่งเป็นหนึ่งในภาษาโปรแกรมที่มีข้อมูลจำกัด แต่ยังใช้ขับเคลื่อนระบบการเงิน การประกัน และบริการภาครัฐจำนวนมาก การที่ AI เรียนรู้ภาษาเหล่านี้ได้ดีขึ้นจึงไม่ใช่เรื่องย้อนยุค แต่คือกุญแจในการดูแลและยกระดับโครงสร้างพื้นฐานดิจิทัลที่โลกยังพึ่งพาอยู่ทุกวัน
สิ่งที่เกิดขึ้นคือผู้พัฒนาโมเดลรายใหญ่เผยแพร่งานวิจัย Advancing Coding in Low-Resource Programming Languages เมื่อ 19 ตุลาคม 2026 เพื่อแสดงความก้าวหน้าในการเขียนและย้ายโค้ดในภาษาโปรแกรมที่มีข้อมูลฝึกน้อย เช่น COBOL Fortran OCaml และ Visual Basic ภาษาเหล่านี้มีโค้ดและเอกสารให้โมเดลเรียนรู้น้อยกว่าภาษาอย่าง Python และ JavaScript แต่กลับรองรับโครงสร้างพื้นฐานที่สำคัญและบริการจำเป็นทั่วโลก COBOL รองรับระบบธนาคารออนไลน์มากกว่า 40 เปอร์เซ็นต์ ธุรกรรมบัตรเครดิตที่จุดบริการ 80 เปอร์เซ็นต์ และธุรกรรมผ่านเอทีเอ็ม 95 เปอร์เซ็นต์ ขณะที่ Fortran ใช้ในการพยากรณ์อากาศและการวิเคราะห์ความปลอดภัยของเครื่องปฏิกรณ์นิวเคลียร์
แรงผลักดันสำคัญมาจากเสียงสะท้อนของนักพัฒนาและลูกค้าองค์กรที่พบว่าโมเดลเขียนโค้ดรุ่นก่อนทำงานกับภาษาโปรแกรมที่มีข้อมูลจำกัดได้ไม่ดีนัก เอกสารระบบมักไม่ครบ คนเขียนรุ่นแรกเกษียณหรือย้ายงานไปแล้ว และกฎธุรกิจสำคัญจำนวนมากถูกฝังอยู่ในโค้ดเท่านั้น การพัฒนาให้ AI ทำงานกับภาษาเหล่านี้ได้ดีขึ้นและทันสมัยขึ้นอาจช่วยให้ทีมดูแลและปรับปรุงซอฟต์แวร์ที่จำเป็นต่อการให้บริการได้ดียิ่งขึ้น สำหรับผู้อ่านสายเทคโนโลยี นี่ไม่ใช่ข่าวไกลตัว เพราะหลายองค์กรยังมีระบบหลักที่เขียนด้วย COBOL บนเมนเฟรมและกำลังขาดแคลนโปรแกรมเมอร์รุ่นใหม่ที่อ่านโค้ดเหล่านี้ออก

MultiLangBench OpenAI เปลี่ยนเกม: จาก syntax สู่การสร้างเอนจินฐานข้อมูลเต็มตัว
หัวใจของการประกาศครั้งนี้คือ MultiLangBench OpenAI ชุดประเมินใหม่ที่เลิกถามคำถามง่ายอย่างเติมโค้ดหรือแก้บั๊กทีละบรรทัด แล้วหันไปวัดงานวิศวกรรมซอฟต์แวร์จริงระดับสร้างระบบทั้งตัว แทนที่จะดูแค่ว่าโมเดลเขียน syntax ถูกหรือไม่ MultiLangBench บังคับให้โมเดลออกแบบโครงสร้างโค้ด จัดการสถานะ และรับมือข้อผิดพลาดในงานยาวที่ใกล้เคียงโปรดักชันมากกว่าที่เคย
MultiLangBench ทดสอบว่าโมเดลสามารถสร้างเอนจินฐานข้อมูลที่เข้ากันได้กับ SQLite ขึ้นใหม่ตั้งแต่ต้น โดยใช้ภาษาโปรแกรมที่แตกต่างกัน 20 ภาษาได้หรือไม่ ตามเอกสารชุดทดสอบ โมเดลต้องเขียน SQLite เวอร์ชัน 3.40.1 ขึ้นมาใหม่ในภาษาที่กำหนด มีเพียงเอกสารของ SQLite ให้อ่าน ห้ามใช้อินเทอร์เน็ต และต้องลบ SQLite ทุกรูปแบบออกจากเครื่องก่อนเริ่ม โปรแกรมที่ได้จะรับไฟล์ฐานข้อมูลเริ่มต้นและคำสั่ง SQL แล้วสร้างไฟล์ฐานข้อมูลใหม่ จากนั้นใช้ SQLite ตัวจริงตรวจว่าข้อมูลตรงตามที่คาดหวังหรือไม่ ทำให้สามารถใช้ชุดทดสอบเดียวกันได้กับทุกภาษา
การออกแบบแบบนี้ทำให้ MultiLangBench วัดสิ่งที่ benchmark ยอดนิยมก่อนหน้าแตะไม่ถึง คือความสามารถในการสร้างระบบขนาดใหญ่ในงานเขียนโค้ดยาวต่อเนื่อง ไม่ใช่แค่แก้บั๊กทีละจุดแบบ SWE-bench โมเดลต้องจัดโครงสร้างโค้ดเบส จัดการสถานะ รับมือกับข้อผิดพลาด และเพิ่มความสามารถใหม่ โดยยังคงรักษาฟังก์ชันการทำงานเดิมไว้ ชุดประเมินนี้จึงสะท้อน GPT-6 ทักษะการพัฒนาในบริบทที่ใกล้เคียงงานจริงของทีมวิศวกรซอฟต์แวร์มากกว่าการวัดด้วยโจทย์สั้น ๆ ที่เน้นเพียงความถูกต้องระดับบรรทัด
ตัวเลขที่น่าตกใจ: GPT-6 Astra และ GPT-6.1 Sol กับภาษาที่มีข้อมูลจำกัด
จุดที่ควรจับตาไม่ใช่แค่มี benchmark ใหม่ แต่คือขนาดของการกระโดดด้านความสามารถ GPT-6 ทักษะการพัฒนาดูเหมือนจะก้าวข้ามข้อจำกัดเดิมของภาษาโปรแกรมที่มีข้อมูลจำกัดไปไกล ตัวเลขที่รายงานออกมาทำให้ภาพของ AI การเขียนโค้ด COBOL เปลี่ยนจากของเล่นทดลองเป็นเครื่องมือที่เริ่มแตะระดับการใช้งานจริงได้แล้ว
ในการประเมิน MultiLangBench GPT‑6 Astra มีอัตราการผ่านการทดสอบเฉลี่ย 87.4 เปอร์เซ็นต์ในภาษาโปรแกรม 20 ภาษา เพิ่มขึ้นจาก 26.8 เปอร์เซ็นต์ของ GPT‑5.6 Sol ผลลัพธ์ดีขึ้นในทุกภาษาที่ทดสอบ รวมถึง COBOL ที่กระโดดจาก 10.9 เปอร์เซ็นต์เป็น 72.1 เปอร์เซ็นต์ OCaml จาก 25.6 เปอร์เซ็นต์เป็น 85.8 เปอร์เซ็นต์ Fortran จาก 21.4 เปอร์เซ็นต์เป็น 83.5 เปอร์เซ็นต์ และ Visual Basic จาก 27.5 เปอร์เซ็นต์เป็น 89.4 เปอร์เซ็นต์ Astra ได้คะแนนมากกว่า 83 เปอร์เซ็นต์ใน 19 จาก 20 ภาษา โดย COBOL ยังเป็นภาษาที่ยากที่สุดที่ได้ 72 เปอร์เซ็นต์
ด้านต้นทุน GPT‑6 Luna ซึ่งเป็นตัวเลือกที่ประหยัดกว่า ก็ยังทำได้ดีกว่า GPT‑5.6 Sol ในทุกภาษาที่ทดสอบ โดยมีอัตราการผ่านการทดสอบเฉลี่ย 40.3 เปอร์เซ็นต์ และมีค่าใช้จ่าย API โดยประมาณต่ำลงราว 78 เปอร์เซ็นต์ ในการประเมินการย้ายโค้ด COBOL โมเดล GPT‑6.1 Sol มีความแม่นยำ 86.6 เปอร์เซ็นต์เมื่อใช้การให้เหตุผลระดับต่ำ เทียบกับ GPT‑5.6 Sol ที่ทำได้เพียง 5.4 เปอร์เซ็นต์ และใช้ค่าใช้จ่ายน้อยลง 39 เปอร์เซ็นต์ เมื่อเพิ่มระดับการให้เหตุผล ความแม่นยำเพิ่มเป็น 97.9 เปอร์เซ็นต์ ซึ่งผู้พัฒนาเองยอมรับว่าใกล้เพดานของการประเมินนี้แล้ว
จาก benchmark สู่การย้ายโค้ด legacy: โอกาสและกับดัก
ตัวเลขสวยหรูไม่ได้แปลว่าพร้อมโยนระบบหลักทั้งหมดให้ AI ดูแลทันที แต่ชัดเจนว่าภาพเกมเปลี่ยนไปแล้ว โดยเฉพาะเรื่องการย้ายโค้ด legacy ที่เคยเป็นโปรเจกต์ยาวหลายปี ตอนนี้เริ่มมีหลักฐานว่าบางส่วนอาจลดเหลือระดับเดือนหรือสัปดาห์ได้ หากเตรียมงานให้ดีพอ
การประเมินชุดที่สองให้โมเดลย้ายโปรแกรม COBOL ไปเป็น C++ Java Kotlin Python หรือ Rust โดยต้องคงการทำงานของแต่ละโปรแกรมไว้ทุกประการ การย้ายให้สำเร็จต้องอาศัยความเข้าใจทั้งตรรกะทางธุรกิจของโปรแกรมและพฤติกรรมเฉพาะของภาษา COBOL เช่น fixed‑point arithmetic ที่ตัดทศนิยมส่วนเกินทิ้ง หากโค้ดใหม่เปลี่ยนไปปัดเศษ แม้จะรันได้แต่ตัวเลขทางการเงินจะผิด ผลคือ GPT‑6.1 Sol ทำความแม่นยำได้ 86.6 เปอร์เซ็นต์ที่ระดับการให้เหตุผลต่ำ และเมื่อเพิ่ม effort ก็ขึ้นไปถึง 97.9 เปอร์เซ็นต์
อย่างไรก็ตาม ผู้พัฒนาโมเดลย้ำเองว่าการใช้กับซอฟต์แวร์โปรดักชันยังต้องมีผู้เชี่ยวชาญตรวจทานและทดสอบกับกฎธุรกิจของระบบก่อนเสมอ ทีมที่จะใช้ AI ย้ายระบบควรลงทุนสร้างชุดทดสอบแบบ byte‑for‑byte จาก production traffic ก่อน เพราะสิ่งที่ทำให้ GPT‑6.1 Sol ได้ 86.6 เปอร์เซ็นต์คือชุดทดสอบแบบนั้น ผลการประเมินเหล่านี้แสดงให้เห็นถึงความก้าวหน้าในการช่วยให้ทีมต่าง ๆ ย้ายโค้ดได้แม่นยำยิ่งขึ้นและมีค่าใช้จ่ายที่ต่ำลง ขณะปรับปรุงซอฟต์แวร์ที่ธุรกิจของตนต้องพึ่งพาให้ทันสมัยยิ่งขึ้น แต่ก็เตือนเราว่า benchmark ที่ดีไม่สามารถแทนที่วินัยด้านวิศวกรรมและการทดสอบในโลกจริงได้
แล้วต่อไปควรทำอย่างไรกับ AI ที่อ่าน COBOL ออกแล้ว
เมื่อ AI เริ่มอ่านและเขียนภาษาโปรแกรมที่มีข้อมูลจำกัดได้ดีขึ้น คำถามไม่ใช่ว่าจะใช้หรือไม่ใช้ แต่คือจะใช้แบบไหนให้คุ้มและปลอดภัยที่สุด สำหรับองค์กรที่มีระบบ legacy จำนวนมาก การเพิกเฉยต่อความเปลี่ยนแปลงนี้อาจเสี่ยงพอ ๆ กับการรีไรต์ระบบโดยไม่มีแผน
งานวิจัยนี้ชี้ว่าความสามารถในการรักษาพฤติกรรมการทำงานของระบบให้คงเดิมเป็นประโยชน์ต่อทีมที่ดูแลและปรับปรุงระบบรุ่นเก่าให้ทันสมัยยิ่งขึ้น การพัฒนาให้ AI ทำงานกับภาษาเหล่านี้ได้ดียิ่งขึ้นและทันสมัยยิ่งขึ้น อาจช่วยให้ทีมดูแลและปรับปรุงซอฟต์แวร์ที่จำเป็นต่อการให้บริการได้ดียิ่งขึ้น ผู้พัฒนาได้เผยแพร่ชุดเครื่องมือประเมินและชุดทดสอบ MultiLangBench บน GitHub พร้อมผลลัพธ์ของแต่ละภาษา เพื่อให้ชุมชนและองค์กรนำไปวัดโมเดลที่ตนใช้งานเอง ตัวเลขจะมีความหมายมากขึ้นเมื่อมีคนนอกนำไปรันกับโมเดลจากค่ายอื่น ซึ่งต้องรอให้มีการปล่อย harness หรือให้ชุมชนเขียนกันเอง
ทางปฏิบัติ ทีมไอทีควรเริ่มจากการทำ inventory ระบบ legacy ระบุว่ามีภาษาใดบ้างที่เข้าข่ายภาษาโปรแกรมที่มีข้อมูลจำกัด จากนั้นทดลองใช้โมเดล GPT‑6 รุ่นต่าง ๆ กับงานเล็ก เช่น การอ่านโค้ดและสร้างเอกสาร การเขียนชุดทดสอบเพิ่ม หรือการ refactor โมดูลย่อย ก่อนขยับไปสู่การย้ายโค้ดทั้งระบบ การให้ข้อเสนอแนะกลับไปยังผู้พัฒนาโมเดลเกี่ยวกับจุดที่ทำได้ดี จุดที่ยังผิด และเวิร์กโฟลว์ที่ต้องการ จะช่วยกำหนดแนวทางการฝึกและประเมินโมเดลรุ่นถัดไปให้รองรับซอฟต์แวร์ที่เราต้องพึ่งพาได้ดียิ่งขึ้น หากมองให้ถูกมุม AI ที่เขียน COBOL และ Fortran ได้ไม่ใช่คู่แข่งของโปรแกรมเมอร์ แต่เป็นเครื่องมือใหม่ในการต่ออายุระบบที่ไม่มีใครอยากแตะให้ปลอดภัยขึ้นและเข้าใจง่ายขึ้น






