Linguagens pouco suportadas: avaliar riscos e uso seguro
OpenAI anuncia avanços em linguagens de programação pouco suportadas
Linguagens pouco suportadas, como COBOL, Fortran e Visual Basic, ganharam destaque em uma postagem da OpenAI no X, publicada em 19 de outubro de 2026. A empresa afirma que avanços recentes em seus modelos melhoram o apoio à criação e à migração de software nessas linguagens — usadas em sistemas dos quais bancos, governos e empresas dependem.
O anúncio importa porque parte da infraestrutura de negócios ainda contém décadas de regras e rotinas escritas em tecnologias que recebem menos atenção nos dados de treinamento de modelos de IA. Mas há uma distinção importante: a OpenAI descreve uma melhoria de capacidade, e a postagem consultada não apresenta resultados quantitativos ou uma avaliação independente que comprove o desempenho em projetos reais.
O que foi anunciado — e o que ainda não foi demonstrado?
Na postagem oficial da OpenAI no X, a empresa afirma que avanços recentes em seus modelos ajudam desenvolvedores a construir e migrar software em COBOL, Fortran e Visual Basic. A postagem destaca o desafio de compreender lógica de negócios acumulada ao longo de décadas e de modernizar sistemas sem perder o que já funciona.
A mensagem também convida equipes que trabalham com esses sistemas a indicar linguagens e fluxos de trabalho prioritários. Isso sinaliza que a empresa está buscando entender necessidades de clientes e desenvolvedores, mas não equivale a um compromisso de suporte a qualquer linguagem ou ferramenta específica.
Na postagem consultada, a OpenAI não informa quais modelos receberam as melhorias, como foram medidos os resultados, quais versões de COBOL, Fortran ou Visual Basic foram contempladas, nem quais ferramentas estão disponíveis para uso. A postagem também não apresenta preços. Portanto, não é possível concluir com base nela que uma equipe já pode automatizar uma migração ou substituir revisões técnicas por código gerado.
Por que essas linguagens são um desafio para modelos de IA?
Modelos de linguagem aprendem padrões a partir de grandes coleções de dados. Linguagens populares, como Python e Java, tendem a estar mais representadas nesses materiais. Já linguagens com menos exemplos disponíveis — ou com sintaxe e práticas específicas — podem ser mais difíceis para o modelo interpretar e gerar corretamente. “Pouco suportada” descreve aqui uma limitação relativa de dados e familiaridade, não significa que a linguagem deixou de ser usada ou que não exista conhecimento técnico sobre ela.
Uma pesquisa da Microsoft Research, apresentada no evento NeurIPS DL4Code 2025, avaliou quatro estratégias para adaptar modelos a linguagens de programação com poucos recursos: recuperação de informações relevantes, arquiteturas com agentes, chamadas a ferramentas e geração guiada por feedback. Os autores relatam que chamadas a ferramentas foram particularmente eficazes para linguagens pouco suportadas; para linguagens mais presentes nos dados, arquiteturas com agentes e recuperação de informações tiveram maior vantagem. Os resultados são descritos no estudo da Microsoft Research.
Essa pesquisa oferece contexto técnico independente para o problema, mas não valida diretamente a alegação da OpenAI: ela avalia estratégias de adaptação, não o modelo ou a atualização mencionados na postagem. A diferença é relevante para quem precisa decidir se uma ferramenta está pronta para uso em produção.
O que empresas e equipes de tecnologia podem fazer agora?
Para organizações que mantêm sistemas legados, o anúncio pode ser um motivo para acompanhar a evolução das ferramentas, não para iniciar uma migração sem avaliação. Antes de testar uma IA em código crítico, defina uma tarefa limitada e um critério de sucesso que possa ser conferido por especialistas. Por exemplo, peça que a ferramenta explique um trecho de código e identifique dependências, sem permitir que altere o sistema. Depois, compare a explicação com a documentação e o conhecimento da equipe.
Exemplo hipotético: uma equipe que mantém uma rotina em COBOL poderia avaliar se um assistente consegue resumir a função de um módulo e apontar dúvidas para investigação. O resultado seria apenas uma hipótese de trabalho: um profissional precisaria confirmar a interpretação antes de usá-la para orientar qualquer alteração. O mesmo cuidado vale para conversão de código entre linguagens, em que uma tradução aparentemente válida pode mudar regras de negócio, tratamento de exceções ou comportamento em situações incomuns.
Na análise de uma ferramenta, vale observar se ela permite trabalhar com exemplos representativos e se a equipe consegue revisar cada saída. Também é útil verificar como o sistema lida com dependências, documentação incompleta e convenções próprias da empresa. A postagem consultada não detalha essas capacidades; elas precisam ser confirmadas na ferramenta concreta que sua organização considerar.
Se você estiver comparando assistentes, este guia de IAs para programar pode ajudar a organizar a avaliação. Para sistemas antigos, porém, não compare apenas a qualidade de uma sugestão isolada: considere a possibilidade de rastrear a origem da resposta e de submeter mudanças a testes e revisão técnica.
Como interpretar o avanço sem confundir anúncio com garantia?
O ponto promissor é a atenção explícita a linguagens que sustentam sistemas de negócio, mas que costumam ficar à margem do foco em linguagens mais populares. O limite é que a postagem consultada não demonstra precisão, redução de custos ou segurança em um ambiente empresarial específico. Para decidir sobre adoção, procure informações verificáveis sobre o modelo e suas avaliações e teste qualquer solução em tarefas delimitadas, com revisão humana.
Em resumo: a OpenAI afirma ter melhorado o apoio à construção e à migração de software em COBOL, Fortran e Visual Basic. A pesquisa independente reforça que adaptar modelos a linguagens pouco representadas exige estratégias próprias, mas não confirma o desempenho descrito na postagem. Para empresas, a resposta prudente é acompanhar as ferramentas, avaliar evidências e manter especialistas responsáveis por validar o código e preservar a lógica de negócio.
Fontes consultadas
- Adapting Language Models for Low-Resource Programming Languages – Microsoft Research
- OpenAI on X: "Our latest model advances bring stronger capabilities for building and migrating software in low-resource programming languages such as COBOL, Fortran, and Visual Basic. These languages
Atualizado em 20/10/2026.
