Yeniden yazım süreci nasıl gerçekleşti

Anthropic, Aralık 2025'te Bun'ı satın aldı ve Zig kod tabanını Rust ile değiştirmeye karar verdi. Şirket, o dönemde başka hiç kimsenin erişemediği bir LLM olan Claude Fable 5'in ön sürümünü çalıştırdı. Modelin altmış dört kopyası paralel olarak çalışarak toplamda dakikada yaklaşık 1.300 satır kod üretti.

Baş mühendis Jarred Sumner, sorunu ajanlara bırakıp kenara çekilmedi. Önce Zig deyimlerini (idioms) Rust karşılıklarıyla eşleştiren bir kılavuz taslaklamak için saatlerini harcadı. Üç dosyadan oluşan bir deneme sürüşü, tüm depoya (repository) girişmeden önce ajanların çıktılarını kalibre etmesini sağladı. Ajanların önerdiği her değişiklik için iki "adversarial" (çekişmeli) ajan inceleme yaptı ve Sumner, 11 günlük sürecin tamamında tüm süreci canlı olarak izledi.

Anthropic'in dahili muhasebesi, 165.000 dolarlık token kullanımı kaydetti. Bu rakam, kod ana dala (main branch) birleşmeden önce yapılan ham API çağrılarını yansıtmaktadır.

Gizli maliyet

165 bin dolarlık rakam, yeni Rust kodunu stabilize etmek için gereken hesaplama (compute) maliyetini içermiyor. Dahili bir analize göre, birleşme sonrası düzeltmeler, sürekli entegrasyon (CI) çalışmaları ve ekstra testler toplam harcamayı daha da artırabilir. Tahmin, halka açık API fiyatlandırmasını kullanıyor; Claude Fable 5 özel bir ön izleme sürümü olduğu için ödenen gerçek fiyat farklılık gösterebilir.

Hız ve güvenlik karşı karşıya

Yeniden yazım, orijinal Zig sürümünden daha hızlı çalışan bir Rust çalışma zamanı (runtime) ortaya çıkardı ancak aynı zamanda hatırı sayılır bir denetim birikimine (audit backlog) yol açtı. Yeni oluşturulan Rust dosyalarının yaklaşık %4'ü, Rust'ın katı güvenlik garantilerini devre dışı bırakan "unsafe" blokları içeriyor. El yazması Rust projelerinde bu oran genellikle çok daha düşüktür; bu da denetçilerin artık bu blokların bellek bozulması (memory-corruption) hatalarına yol açıp açmadığını doğrulaması gerektiği anlamına geliyor.

Ajanların çıktısı, Sumner'ın uzmanlığı olmadan anlamsız kalırdı. Dakikada 1.300 satır hızında bile, kodun mantıksal hataları yakalamak, mimari tutarlılığı sağlamak ve test paketinin yeni uygulamayı gerçekten kapsadığını teyit etmek için bilgili bir denetleyiciye ihtiyacı vardır.

Yapay zekanın parladığı ve parlamadığı anlar

Bun portu, halihazırda mevcut olan kapsamlı bir test paketiyle bir dilden diğerine yapılan ders kitaplık bir çeviriydi. Bu net sınır, LLM'e açık bir hedef sundu ve yaratıcı problem çözme ihtiyacını sınırladı. Ancak çoğu yazılım çalışması; değişen iş kurallarını, belirsiz gereksinimleri yönetmeyi veya sıfırdan yeni özellikler inşa etmeyi içerir. Bu daha karmaşık senaryolarda, aynı düzeydeki yapay zeka desteğinin benzer hız veya maliyet avantajları sağlaması pek olası değildir.

Yapay zeka destekli geliştirmenin savunucuları, büyük dil modellerinin büyük ekiplerin yerini alabileceğinin kanıtı olarak dakikalar içinde üretilen binlerce satır gibi ham üretkenlik rakamlarına işaret ediyor. Anthropic vakası bu görüşü dengeliyor: Başlıktaki token maliyeti, birleşme sonrası doğrulama için gereken önemli hesaplama maliyetini dışarıda bırakıyor ve "unsafe" kodun yarattığı güvenlik borcu (safety debt), çözülmesi için insan emeği gerektirecektir.

Sırada ne var?

Anthropic, aynı Claude güdümlü iş akışını diğer kod tabanlarına uygulayıp uygulamayacağını açıklamadı. Eğer uygularsa, şirket sadece token faturasını değil, toplam yaşam döngüsü maliyetini de hesaba katmak zorunda kalacaktır. Gözlemciler şunları takip etmeli:

  • Denetim birikiminin ne kadar hızlı azaldığı ve denetçiler kodu yeniden yapılandırırken (refactor) "unsafe" oranının düşüp düşmediği.
  • Gelecekteki çalışmaların, maliyet tahminlerini daha şeffaf hale getirebilecek, halka açık olarak satın alınabilen daha olgun bir model kullanıp kullanmayacağı.
  • Bun'ın benimsenmesi üzerindeki etkisi: Daha hızlı çalışma zamanları kullanıcı çekebilir, ancak olası güvenlik endişeleri bu kazancı nötrleyebilir.

Özet

Yapay zeka, basit kod çevirilerini hızlandırabilir ancak sonraki aşamadaki hesaplama ve insan doğrulama maliyetleri, token faturası tasarruflarını eritebilir. Bun yeniden yazımı, büyük dil modelleri çok miktarda kodu hızla üretebilse de; güvenlik, doğruluk ve çoğu yazılım projesini yürüten nüanslı işler için insan uzmanlığının vazgeçilmez olduğunu gösteriyor.