Anthropic создала собственную систему контроля версий Scion из-за лавины кода от ИИ

Проблема масштаба: ИИ пишет больше, чем можно обработать

Компания Anthropic столкнулась с неожиданным побочным эффектом широкого внедрения своих же моделей Claude: объём генерируемого программного кода вырос настолько, что существующая инфраструктура разработки перестала с ним справляться. Об этом сообщает 3DNews со ссылкой на источник. Речь идёт не о качестве кода, а о чисто инженерной проблеме — пропускной способности инструментов, которые этот код должны принимать, хранить и обрабатывать.

Почему стандартный Git не справился

Git — де-факто стандарт для контроля версий в современной разработке. Однако он проектировался в расчёте на темпы, которые задают люди: коммиты, ветки, слияния происходят с человеческой скоростью. Когда генерация кода становится массовой и автоматической, нагрузка на систему контроля версий растёт кратно. По-видимому, именно это и произошло в Anthropic: объёмы изменений превысили возможности традиционного подхода.

Scion: внутреннее решение

Ответом компании стала собственная система контроля версий под названием Scion. Детали её архитектуры в источнике не раскрываются, но сам факт разработки внутреннего инструмента показателен. Крупные технологические компании обычно не создают альтернативы Git без серьёзных причин — это дорого и рискованно. Если Anthropic пошла на это, значит, существующие решения действительно перестали удовлетворять потребности.

Что это говорит о тренде

Ситуация в Anthropic — не изолированный случай, а симптом более широкого сдвига. По мере того как ИИ-ассистенты всё активнее участвуют в написании кода, инфраструктура разработки оказывается узким местом. Инструменты, рассчитанные на человека-разработчика, могут не выдерживать нагрузки, которую создаёт автоматическая генерация. Это открывает нишу для новых решений — как внутренних, так и коммерческих.

Вопросы без ответов

Остаётся неясным, насколько широко Scion используется внутри Anthropic, какие именно ограничения Git стали критичными и планирует ли компания открывать или публиковать детали системы. Также неизвестно, идёт ли речь о полностью новой архитектуре или о надстройке над существующими решениями. Эти детали имеют значение для оценки того, насколько описанный опыт применим в других компаниях.

Практический вывод

Для команд, активно использующих ИИ-генерацию кода, история Anthropic — сигнал: стоит заранее оценивать, выдержит ли ваша инфраструктура разработки рост объёмов. Возможно, узким местом окажется не модель, а инструменты вокруг неё. Пока же пример Anthropic показывает, что лидеры рынка ИИ уже сталкиваются с последствиями собственного успеха — и решают проблемы собственными силами.