Bagaimana penulisan ulang itu terjadi

Anthropic membeli Bun pada Desember 2025 dan berupaya mengganti basis kode Zig-nya dengan Rust. Perusahaan tersebut menjalankan versi pra-rilis Claude Fable 5—sebuah LLM yang tidak tersedia bagi siapa pun pada saat itu. Enam puluh empat salinan model tersebut bekerja secara paralel, menghasilkan sekitar 1.300 baris kode per menit secara total.

Insinyur utama Jarred Sumner tidak menyerahkan masalah tersebut begitu saja kepada agen-agen AI dan pergi. Ia terlebih dahulu menghabiskan waktu berjam-jam menyusun panduan yang memetakan idiom Zig ke padanan Rust. Uji coba dengan tiga file memungkinkannya untuk mengalibrasi hasil keluaran agen sebelum menangani repositori secara penuh. Untuk setiap perubahan yang disarankan oleh agen, dua agen "adversarial" meninjaunya, dan Sumner mengawasi seluruh proses secara langsung selama 11 hari penuh.

Akuntansi internal Anthropic mencatat penggunaan token sebesar $165.000. Angka tersebut hanya mencerminkan panggilan API mentah yang dilakukan sebelum kode digabungkan ke dalam cabang utama (main branch).

Biaya tersembunyi

Angka $165 ribu tersebut belum termasuk komputasi yang dibutuhkan untuk menstabilkan kode Rust yang baru. Perbaikan pasca-penggabungan (post-merge), proses integrasi berkelanjutan (continuous-integration), dan pengujian tambahan dapat mendorong total pengeluaran menjadi lebih tinggi, menurut analisis internal. Estimasi tersebut menggunakan harga API publik; karena Claude Fable 5 adalah pratinjau pribadi, harga aktual yang dibayarkan mungkin berbeda.

Kecepatan versus keamanan

Penulisan ulang tersebut menghasilkan runtime Rust yang berjalan lebih cepat daripada versi Zig aslinya, tetapi juga meninggalkan tumpukan audit (audit backlog) yang cukup besar. Sekitar 4% dari file Rust yang baru dihasilkan mengandung blok "unsafe"—kode yang melewati jaminan keamanan ketat Rust. Proyek Rust yang ditulis secara manual biasanya memiliki persentase yang jauh lebih rendah, yang berarti peninjau sekarang harus memverifikasi bahwa blok-blok tersebut tidak mengekspos bug korupsi memori.

Hasil keluaran agen akan menjadi tidak berarti tanpa keahlian Sumner. Bahkan pada kecepatan 1.300 baris per menit, kode tersebut membutuhkan pengawas yang berpengetahuan luas untuk menangkap kesalahan logika, memastikan koherensi arsitektur, dan mengonfirmasi bahwa rangkaian pengujian (test suite) benar-benar mencakup implementasi baru tersebut.

Kapan AI bersinar, dan kapan tidak

Porting Bun adalah contoh penerjemahan yang sempurna: satu bahasa ke bahasa lain, dengan rangkaian pengujian komprehensif yang sudah tersedia. Batasan yang bersih tersebut memberikan target yang jelas bagi LLM dan membatasi kebutuhan akan pemecahan masalah yang kreatif. Namun, sebagian besar pekerjaan perangkat lunak melibatkan perubahan aturan bisnis, penanganan persyaratan yang ambigu, atau membangun fitur baru dari nol. Dalam skenario yang lebih berantakan tersebut, tingkat bantuan AI yang sama kemungkinan besar tidak akan menghasilkan kecepatan atau manfaat biaya yang sebanding.

Pendukung pengembangan yang dibantu AI menunjuk pada angka produktivitas mentah—ribuan baris yang dihasilkan dalam hitungan menit—sebagai bukti bahwa model bahasa besar dapat menggantikan tim besar. Kasus Anthropic meredam pandangan tersebut: biaya token utama tidak mencakup komputasi substansial yang dibutuhkan untuk validasi pasca-penggabungan, dan utang keamanan (safety debt) yang tercipta oleh kode "unsafe" akan memerlukan upaya manusia untuk menyelesaikannya.

Apa yang perlu diperhatikan selanjutnya

Anthropic belum mengungkapkan apakah mereka berencana untuk menerapkan alur kerja berbasis Claude yang sama ke basis kode lainnya. Jika ya, perusahaan perlu memperhitungkan total biaya siklus hidup, bukan hanya tagihan token. Pengamat harus memperhatikan:

  • Seberapa cepat tumpukan audit menyusut dan apakah proporsi "unsafe" menurun saat peninjau melakukan refaktorisasi kode.
  • Apakah penggunaan di masa mendatang menggunakan model yang lebih matang yang dapat dibeli secara publik, yang dapat membuat estimasi biaya menjadi lebih transparan.
  • Dampaknya terhadap adopsi Bun: runtime yang lebih cepat mungkin menarik pengguna, tetapi masalah keamanan apa pun dapat meniadakan keuntungan tersebut.

Kesimpulan

AI dapat mempercepat secara drastis penerjemahan kode yang sederhana, tetapi biaya komputasi hilir dan verifikasi manusia dapat menggerus penghematan dari tagihan token. Penulisan ulang Bun menunjukkan bahwa meskipun model bahasa besar dapat menghasilkan kode dalam jumlah besar dengan cepat, keahlian manusia tetap penting untuk keamanan, ketepatan, dan pekerjaan bernuansa yang menggerakkan sebagian besar proyek perangkat lunak.