Entre mayo y septiembre de 2026, las fusiones de código diarias en Anthropic pasaron de 2.500 a más de 30.000. El uso de modelos como Claude para programar eliminó la lentitud al escribir software. Sin embargo, trasladó el problema a la infraestructura de soporte. Las herramientas de control de versiones y de integración continua estaban pensadas para la cadencia humana. Ante este ritmo industrial, comenzaron a fallar.
El repositorio monolítico de la compañía superaba los 100 gigabytes de historial, con descargas de trabajo de más de 25 gigabytes. Cada día se ejecutaban 25 millones de revisiones de código. De gestionarse con herramientas convencionales, habrían saturado la red interna. Mantener Git resultaba inviable para gestionar el flujo continuo de agentes inteligentes. Por ello, la organización diseñó su propia alternativa en solo cinco meses.
El límite físico de las herramientas pensadas para humanos
La automatización de tareas de desarrollo mediante agentes provocó una saturación rápida de los conductos de integración habituales. Los modelos de lenguaje iteran, optimizan y generan componentes a gran velocidad. Multiplican por diez la capacidad de cualquier equipo de programadores. Al acelerarse esa producción, la capacidad de procesar cambios se convirtió en la principal barrera operativa de la compañía.
Para sostener el volumen inicial bajo Git, los equipos técnicos desplegaron cientos de servidores espejo internos. Además, recurrieron a técnicas de clonación parcial. Sin embargo, estas soluciones provisionales perdieron eficacia a medida que el monorrepositorio crecía. El coste de sincronizar ramas y actualizar historiales superó los límites de memoria. Mantener la consistencia entre servidores desbordó el almacenamiento de las máquinas dedicadas.
Las premisas de la descentralización frente al entorno de los agentes
Git nació hace dos décadas sobre una base conceptual clara: la distribución completa y el trabajo sin conexión. Cada desarrollador almacena una copia exacta del proyecto en su equipo local. Esto permite consultar historiales, comparar versiones o registrar cambios sin red. Este modelo resulta idóneo para personas en equipos individuales, pero entra en conflicto directo con los sistemas automatizados.
En Anthropic, los clientes del código son agentes de software y tareas de integración continua en la nube. Estas entidades operan conectadas de forma permanente. Descargar decenas de gigabytes de historial para modificar unas pocas líneas resulta ineficiente. Supone un desperdicio crítico de recursos y ancho de banda. La autonomía local que popularizó a Git se transformó en un obstáculo insalvable para el trabajo de los agentes.
Scion y el cambio hacia una arquitectura centralizada y asimétrica
La respuesta de los ingenieros fue el desarrollo de Scion, un sistema de control de versiones con arquitectura centralizada y asimétrica. A diferencia de Git, donde el cliente asume funciones de servidor, Scion delega el esfuerzo computacional en la nube. El cliente local solo gestiona una memoria intermedia ligera. Además, solicita al servidor únicamente los archivos necesarios para su tarea inmediata, sin descargar el árbol completo.
La unidad básica de Scion es el registro de cambios o changeset. Este elemento se almacena en una base de datos distribuida mediante operaciones rápidas y sin bloqueos. No se generan paquetes comprimidos de gran tamaño ni se requiere la coordinación de punteros globales para cada modificación. Los datos derivados, como el historial de líneas o las diferencias entre versiones, se calculan bajo demanda. Este procesamiento incremental se ejecuta directamente en los servidores.
Esta separación permite que muchas tareas de evaluación automática ni siquiera requieran descargar código en disco. Los servicios consultan las diferencias y los estados del repositorio a través de interfaces de programación de aplicaciones (API) directas. Gracias a este diseño, la infraestructura redujo en doscientas veces su consumo de procesador y memoria. A su vez, las comprobaciones pasaron de varios minutos a escasos segundos.
La redefinición de las herramientas básicas ante el código sintético
El caso de Anthropic anticipa las tensiones operativas que vivirá el sector. La generación de código sintético mediante inteligencia artificial transformará por completo los flujos de trabajo tradicionales. Las utilidades pensadas para humanos revelan sus límites estructurales. No pueden responder cuando el ritmo de producción pasa de decenas a decenas de miles de integraciones diarias.
El diseño de Scion demuestra una premisa clave: la infraestructura debe evolucionar al compás de la IA. La escalabilidad exige adaptar las plataformas de soporte a la velocidad de los modelos. Las máquinas son ya las principales autoras del código. Adaptar el control de versiones, las pruebas y la colaboración a este entorno exigirá repensar las bases de la ingeniería de sistemas.
Si te ha gustado este artículo y quieres recibir más contenido sobre innovación y tecnología directamente en tu correo, suscríbete a nuestra newsletter y mantente siempre actualizado. No somos de los que llenan tu bandeja, solo compartimos los lunes.
