Trends
如果你问一位首席信息官夜里为什么睡不着，很少会听到“模型跑分”这类答案。多半是某次薪资批处理、某个理赔作业，或者一套跑了三十年、如今团队里没人能完整讲清楚的订票系统。
这正是当下“用大模型处理 COBOL”热潮的现实背景。有报道称，OpenAI 在 10 月 19 日的一次发布中宣称，其最新模型在处理遗留代码方面取得了“实质性提升”，并将其定位为缓解“能安全改动这些系统的工程师严重短缺”的一条出路。问题是真的，关注是好事，但这个叙事框架有偏差——如果企业不加辨别地照单全收，是要付出代价的。
真正的锁定是组织记忆，而非语法
COBOL 从 1959 年服役至今。语言本身啰嗦但不难，一个合格开发者两周就能掌握语法。让这些系统动不了的，是程序里编码了大量从未被写进任何文档的业务规则：八十年代末并购时定下的一个舍入约定、为某一类账户单开的例外、一条改过又改回来的监管公式。代码是唯一幸存的规格说明书。
人们说“没人敢碰”，意思不是代码读不懂，而是没人能证明改动是安全的——因为测试基准就是生产系统本身。所以迁移不是翻译，而是从一件人工制品里还原意图，然后逐条判断：这个意图今天还是业务想要的吗？
AI 真正改变了什么
有三项实打实的收益，而且都不小。
规模化理解。 模型可以在几分钟内概括一段四千行的程序、列出输入输出、给出它究竟在做什么的合理叙述。资深工程师做同样的活要按周计费。即便叙述不完美，它也给了评审者一个起点。
特征化测试。 生成测试脚手架和夹具数据，把系统当前的行为冻结下来，正是模型擅长的高重复度枯燥工作。在改动之前先把行为钉死，是任何迁移中最有价值的单项工程动作。
起草与映射。 依赖图、字段级血缘、初版翻译、迁移方案、数据字典重建。这些二十年来一直没人给预算的、不起眼的“连接组织”。
图示：来源页预览图（仅作编辑上下文；版权归属原发布方） · 来源引用：www.theverge.com
反方观点：把误读的规则翻译得无比自信
失败模式并不是模型写出跑不通的代码，而是它写出地道、能编译、看起来很合理的现代代码，却在“一千个账户里有三个”的那条分支上悄悄改变了行为——而那条分支往往承载着最大的余额。
循环验证才是陷阱。如果你先让模型解释一段程序，再让它基于这套解释生成测试，那么测试验证的是模型的阅读理解，而不是业务的真实意图。你造出了一个速度极快、自信满满的复读机。生成的测试套件全绿、迁移上线，差异在十八个月后的一次审计中浮出水面。
还有一层结构性反对意见。受监管机构必须能够解释为什么这项改动是安全的——向审计师、向监管者、向董事会解释。“模型说是这样”不构成控制措施。任何 AI 辅助的迁移都需要一条人类可读的证据链：提取了哪些规则、每一条由谁确认、用哪个测试证明。这条链很贵，而且恰恰是厂商不卖的那部分。
第三是激励问题。卖工具远比卖五年耐心的组织考古容易得多。可以预期会有一批产品承诺“让您的大型机现代化”，实际交付的是一层迁移封装——风险没有消除，只是搬到了一个团队同样没人能调试的运行时抽象里。
真正的杠杆点在哪里
要主动收窄野心。把 AI 对准那些枯燥的大多数：文档、依赖映射、测试脚手架、字段血缘、报表程序转换、迁移方案初稿。把人留在涉及钱的路径上——利息计提、资格判定、清算结算、税务计算，以及任何挂着监管标签的东西。
回报最高的用法，恰恰几乎没人给预算：用模型建立那份从未被建立过的清册。一张机器可读的地图，从程序到业务规则、到人类责任人、到风险评级。哪怕你一行代码都不迁移，这份资产也有价值——它把一项无据可查的负债，变成了可管理的负债。
图示：HEXOPS 原创配图（受选题启发，非复制原文图片） · 来源引用：www.theverge.com
30 天行动方案
第 1 周——清点与分级
只选一个业务域，不要一上来就覆盖全资产。列出其中每个程序、接口、批处理排程和最后修改日期。按“爆炸半径”排序：如果它静默失败，什么会坏、谁会察觉。你在找的是两三个“出错也不致命”的模块，因为试点就放在那里。
第 2 周——确立事实基准
让模型为候选程序产出大白话摘要，然后交到真正懂这套系统的那个人手上——通常是临近退休、又被过度占用的一位。他做出的修正，是你这一年能产出的最有价值的数据集。把它记录下来。
第 3 周——做一个刻意无聊的试点
选一个业务风险低、但复杂度真实的模块。用特征化测试冻结其行为，产出 AI 辅助的翻译版本，并要求对照这些测试逐行人工签核。只度量两件事：消耗的资深工程师工时，以及评审中发现的缺陷数——不要度量转换了多少行代码。
第 4 周——诚实地算经济账
比较三个数字：试点单模块的成本、什么都不做（含关键人风险）的成本、以及采购厂商方案的成本。如果试点需要的资深评审比你预期更多，那是发现，不是失败——正是这个数字告诉你项目能否规模化。
核心要点
- COBOL 的障碍是失传的意图与不可证明的安全性，不是陌生语法；AI 解决的是语法，不是意图。
- 最危险的产出不是跑不通的代码，而是流畅、可编译、且通过了“由同一模型自身理解生成的测试”的代码。
- 回报最高的应用是理解、特征化测试，以及建立那份从未被建立过的清册。
- 受监管业务需要人类可读的证据链，“模型说是这样”过不了审计。
- 在无聊且可承受失败的模块上做试点，度量资深工程师工时，而不是转换行数。
下一步
- 在委托迁移项目之前，先委托一次单业务域清点。
- 本季度内，为你改动最频繁的遗留模块搭起行为冻结测试基线。
- 立刻在变更管理政策中加入“AI 改动证据”要求，赶在第一个 AI 辅助版本发布之前。
- 按姓名识别出你的单点故障工程师，通过结构化的模型辅助评审会议开始沉淀他们的知识。
资料来源
- Can AI help solve the COBOL code crisis? — The Verge AI
