GPT-6.1 SolがCOBOLテストで97.9%正答——レガシーシステム刷新の切り札になるか

公開日：2026年10月20日更新日：2026年10月21日文：クリスタルメソッド編集部監修：河合継（代表取締役）

GPT-6.1 SolのCOBOLテスト結果——何が起きたのか

2026年10月19日、OpenAIはGPT-6.1 Solがコードマイグレーション評価で高推論努力時に97.9%のスコアを記録したと発表した（dataconomy.com）。同モデルは2026年9月29日にリリース済みで（respan.ai）、低推論努力でも86.6%を達成している。前世代のGPT-5.6 Solが低推論努力で5.4%にとどまっていたことと対比すると、能力の飛躍は際立っている（dataconomy.com）。

この評価はC++・Java・Kotlin・Python・Rustの5言語へのCOBOL変換を問うもので、隠しテストではバイト単位の完全一致出力を要求する厳格な設計だ。COBOLの固定小数点演算における端数処理の扱いが最大の難所とされており、その精度向上が今回のスコアを支えた（dataconomy.com）。

なお、この評価はOpenAI自社設計・自社実施であり、外部機関による独立した検証は行われていない。この点は結果を解釈する際に常に念頭に置く必要がある（dataconomy.com）。

高精度なCOBOL変換が実務の刷新にどう効くかは、OpenAIの銀行レガシーシステム刷新で解説しています。

関連記事VOICEVOX 使い方｜インストールから音声生成まで【2026】

GPT-6.1 COBOL活用が注目される構造的背景

OpenAIは、COBOLが40%以上のオンラインバンキングと95%のATM取引を支えていると引用している（dataconomy.com）。1959年に設計されたこの言語は、金融・保険・公共機関の基幹システムに深く組み込まれており、対応エンジニアの減少と移行コストの大きさから、書き換えの必要性が認識されながら手がつかないままのシステムが世界中に残っている。

日本でも構造は重なる。経済産業省が2018年に指摘した「2025年の崖」の文脈でも、メインフレームとCOBOLで動く基幹システムの刷新が繰り返し課題として挙げられてきた。問題は技術的な複雑さだけではない。ドキュメントが失われコードだけが残っているケース、業務ロジックがプログラム内に暗黙的に埋め込まれたまま数十年にわたって引き継がれてきたケースが多く、移行の起点となる「現状把握」すら困難な状況が少なくない。

今回のGPT-6.1 Solの評価結果は、AIがその難所——特に端数処理のような数値演算精度が求められる変換——において従来モデルより大きく前進したことを示している。この前進が実務でどこまで通用するかという問いに、多くのIT部門・システム部門が関心を持つのは必然だ。

GPT-6.1 SolによるCOBOLマイグレーションの処理フロー。AI変換後に専門家レビューが必須であることをOpenAI自身が明記しており、変換候補の本番直接投入は想定されていない。

次に読む：GPT-6.1 Solの導入コストとリスクは？

GPT-6.1 Solのサイバーリスク最高評価——企業導入の現実解をコスト構造から読む

日本のレガシーシステム活用における可能性と限界

活用可能性として最も現実的なのは、「可読化・ドキュメント生成」と「段階的な部分移行」の2つだ。

COBOLシステムの多くは、実装当時のドキュメントが失われコードだけが残っている。GPT-6.1 Solのような高精度モデルは、既存のCOBOLコードを読み込ませて業務ロジックの説明文を生成したり、処理フローを現代的な言語で注釈化する用途に使いやすい。このステップだけでも、後続の移行判断や工数見積もりに寄与する可能性がある。

部分移行においては、バッチ処理のように入出力が比較的明確なモジュールから着手するアプローチが実務に即している。今回の評価でバイト単位の完全一致出力が要求されたことは、こうした精度要求の高さを反映しており、バッチ処理のような用途での変換精度の重要性と合致する。

一方で、限界は明確だ。今回のスコアはOpenAI自社設計の評価によるものであり、実際の業務システムへの変換精度を保証するものではない（dataconomy.com）。実務のCOBOLコードは、標準文法から逸脱したベンダー依存の拡張機能や、数十年分の修正履歴が積み重なった非構造的なコードを含む場合が多く、評価環境との乖離が生じやすい。

OpenAI自身も、生産環境への投入には専門家レビューが必要と明記している（dataconomy.com）。法的責任・監査対応・障害時の根本原因分析の観点から、人間による検証工程の省略は現時点では許容されない。

コスト面での試算も欠かせない。GPT-6.1 Solは入力100万トークンあたり2ドル、出力100万トークンあたり10ドルの価格設定で（respan.ai）、前世代GPT-5.6 SolよりAPIコストは61%に抑えられているとされる（dataconomy.com）。ただし高推論努力モードで品質を引き出す場合のコスト増加と、大規模COBOLコードベース処理時のトークン消費量は、事前に試算しておく必要がある。

GPT-6.1 COBOL活用——モデル・アプローチ別の比較

比較軸	GPT-6.1 Sol（高推論）	GPT-6.1 Sol（低推論）	GPT-6 Astra（高推論）	GPT-5.6 Sol
COBOLテストスコア	97.9%	86.6%	記載なし	5.4%
MultiLangBench（20言語）	記載なし	記載なし	平均87.4%	平均26.8%
相対APIコスト	GPT-5.6 Solの61%		—	基準
入力単価（100万トークン）	$2		—	公表なし
出力単価（100万トークン）	$10		—	公表なし
外部独立検証	なし（全評価がOpenAI自社実施）
生産環境への直接適用	不可（専門家レビュー必須とOpenAIが明記）

COBOLマイグレーション能力という軸では、GPT-6.1 Solの高推論努力モードが現時点で最も高いスコアを示している。ただし各モデルの評価条件は統一されておらず、外部検証も存在しないため、表の数値はOpenAIの自社評価に基づく参考値として解釈する必要がある。

日本企業が今取るべき実務上の示唆

現時点での位置づけは「本番移行に直接使う」ではなく、「評価と試験運用を開始する」段階だ。

まず、実際に手元のCOBOLコードの一部をAPIに投入し、出力品質を自社環境で確認することが出発点になる。評価環境のスコアが高くても、自社システム固有のベンダー拡張や業務慣行が絡む変換精度は別途検証が必要だ。スモールスタートによる品質把握が、その後の投資判断の根拠になる。

次に、専門家レビューの体制を先に設計する。AIが変換候補を出力しても、COBOLと移行先言語の双方に精通したエンジニアが検証に関与しなければ生産環境への反映は行えない。人材不足がそもそもの課題であるケースでは、外部の専門ベンダーとの連携体制を同時に整備する必要がある。

また、移行判断の前段として「現状把握」の用途からAIを活用することも有効だ。ドキュメントが欠落しているシステムに対し、コード読解・業務ロジックの文章化・移行リスク分析の補助にAIを使うことは、移行の是非を判断するための材料を揃える段階から実務に組み込める。

COBOLのレガシーシステム刷新は、技術の問題である以上に意思決定の問題だ。今回のGPT-6.1 Solの評価結果は、技術的な選択肢が広がったことを示しているが、それ自体が意思決定を代替するわけではない。移行対象の選定・コスト試算・体制整備・リスク管理の枠組みは、引き続き人間側の判断で設計される必要がある。

マルチモーダルAIの活用動向についてはマルチモーダルAIの解説を参考にされたい。