Come è avvenuta la riscrittura

Anthropic ha acquisito Bun nel dicembre 2025 e ha deciso di sostituire il suo codebase in Zig con Rust. L'azienda ha utilizzato una versione pre-release di Claude Fable 5 — un LLM non disponibile per nessun altro in quel momento. Sessantaquattro copie del modello hanno lavorato in parallelo, producendo circa 1.300 righe di codice al minuto in totale.

L'ingegnere capo Jarred Sumner non ha semplicemente affidato il problema agli agenti per poi voltarsi dall'altra parte. Ha trascorso ore a redigere una guida che mappasse gli idiomi di Zig nei corrispondenti di Rust. Una prova su tre file gli ha permesso di calibrare l'output degli agenti prima di affrontare l'intero repository. Per ogni modifica suggerita dagli agenti, due agenti "avversari" la revisionavano, e Sumner ha seguito l'intero processo in diretta per tutti gli 11 giorni.

La contabilità interna di Anthropic ha registrato 165.000 dollari di utilizzo di token. Quella cifra riflette solo le chiamate API grezze effettuate prima che il codice venisse unito al ramo principale.

Il costo nascosto

La cifra di 165.000 dollari omette la potenza di calcolo necessaria per stabilizzare il nuovo codice Rust. Le correzioni post-merge, le esecuzioni di integrazione continua e i test extra potrebbero far lievitare la spesa totale, secondo un'analisi interna. La stima utilizza i prezzi pubblici delle API; poiché Claude Fable 5 era in anteprima privata, il prezzo effettivo pagato potrebbe differire.

Velocità contro sicurezza

La riscrittura ha prodotto un runtime Rust che è più veloce della versione originale in Zig, ma ha anche lasciato un considerevole arretrato di audit. Circa il 4% dei nuovi file Rust generati contiene blocchi "unsafe" — codice che bypassa le rigide garanzie di sicurezza di Rust. I progetti Rust scritti a mano presentano tipicamente una percentuale molto più bassa, il che significa che i revisori ora devono verificare che tali blocchi non espongano bug di corruzione della memoria.

L'output degli agenti non avrebbe alcun senso senza l'esperienza di Sumner. Anche a 1.300 righe al minuto, il codice necessita di un supervisore esperto per individuare errori logici, garantire la coerenza architettonica e confermare che la suite di test copra realmente la nuova implementazione.

Quando l'IA brilla e quando no

Il porting di Bun è stato un esempio da manuale di traduzione: da un linguaggio a un altro, con una suite di test completa già pronta. Questo confine netto ha fornito all'LLM un obiettivo chiaro e ha limitato la necessità di problem-solving creativo. La maggior parte del lavoro software, tuttavia, comporta il cambiamento di regole di business, la gestione di requisiti ambigui o la creazione di nuove funzionalità da zero. In scenari più complessi, è improbabile che lo stesso livello di assistenza dell'IA produca vantaggi comparabili in termini di velocità o costi.

I sostenitori dello sviluppo aumentato dall'IA indicano i numeri della produttività grezza — migliaia di righe generate in pochi minuti — come prova che i grandi modelli linguistici possono sostituire grandi team. Il caso Anthropic tempera questa visione: il costo principale dei token esclude la sostanziale potenza di calcolo necessaria per la validazione post-merge, e il debito di sicurezza creato dal codice "unsafe" richiederà sforzi umani per essere risolto.

Cosa osservare in futuro

Anthropic non ha rivelato se intende applicare lo stesso flusso di lavoro guidato da Claude ad altri codebase. Se lo farà, l'azienda dovrà tenere conto del costo totale del ciclo di vita, non solo del conto dei token. Gli osservatori dovrebbero prestare attenzione a:

  • Quanto velocemente diminuisce l'arretrato di audit e se la proporzione di "unsafe" scende man mano che i revisori rifattorizzano il codice.
  • Se le esecuzioni future utilizzeranno un modello più maturo acquistabile pubblicamente, il che potrebbe rendere le stime dei costi più trasparenti.
  • L'impatto sull'adozione di Bun: runtime più veloci potrebbero attirare utenti, ma eventuali problemi di sicurezza potrebbero annullare questo vantaggio.

In sintesi

L'IA può potenziare enormemente le traduzioni di codice dirette, ma i costi di calcolo a valle e di verifica umana possono erodere i risparmi sul conto dei token. La riscrittura di Bun dimostra che, sebbene i grandi modelli linguistici possano generare enormi quantità di codice rapidamente, l'esperienza umana rimane essenziale per la sicurezza, la correttezza e il lavoro di precisione che guida la maggior parte dei progetti software.