La migración empieza con una demanda muy distinta: unas 2.500 fusiones al día en mayo de 2026 pasaron a más de 30.000 en septiembre. Anthropic atribuye a Claude trabajo de ingeniería e investigación que encareció Git. Su respuesta, Scion, es un servicio interno para agentes conectados, no repositorios locales autosuficientes.
Según la empresa, siete ingenieros construyeron además Antique y servicios auxiliares, migrando en cinco meses. Es un problema arquitectónico concreto, no un veredicto universal contra Git. Y revela otro límite: distribuir código barato no elimina verificar comportamiento combinado ni asignar responsabilidad.
La carga eran extracciones tanto como commits
El historial principal rondaba 100 GB y la copia comprimida superaba 25 GB. Sin contar entornos, sandboxes o investigación, CI hacía unos 25 millones de checkouts diarios. Una descarga ingenua produciría más de 600 petabytes de tráfico Git al día, calculó Anthropic.
Ya utilizaba clones superficiales, extracciones dispersas, instantáneas y cientos de espejos. Reducían tráfico pero las instantáneas envejecían y el historial parcial complicaba diff, búsquedas y blame. Otra caché no necesariamente resolvía la forma de las solicitudes.
Git da a cada clon datos y funciones para independencia y trabajo sin conexión. Los clientes dominantes eran trabajos conectados que necesitaban un directorio, diferencia o ancestro común. Repartirles independencia de portátil imponía el coste de capacidades poco usadas.
El servidor pasa a ser el ordenador del control de fuentes
Scion traslada historial, creación de commits, diferencias, fusiones y rebases al servidor. El cliente mantiene caché limitada y materializa solo archivos necesarios. Algunos trabajos usan API sin checkout. Cambia sincronización de iguales completos por un servicio de cálculo compartido.
El registro básico es un changeset en un log anticipado que describe cambios frente al padre. Los archivos comprimidos y direccionados por contenido viven aparte. Su inmutabilidad permite reutilización segura en cachés, sin construir e intercambiar grandes packfiles Git por cada cambio.
Siguen referencias como ramas y etiquetas, pero se desaconsejan muchas fuera de principal y lanzamientos por el coste de coordinación global. Índices de blame, copias y relaciones son derivados separados, inmediatos o bajo demanda. Cambiar un índice no obliga a alterar registros básicos o clientes.
Demonios de nodos comparten objetos y cachés regionales separan clientes del servicio autorizado. La jerarquía evita que un fallo regional inunde el centro. Checkouts dispersos o virtuales reducen archivos; API los evita. El precio es depender más de red y servidor que un clon autónomo.
Las ganancias internas explican la migración, no todos los siguientes pasos
Anthropic informa aciertos de caché superiores al 99% en cada nivel, CPU y memoria 200 veces menores que los espejos y checkouts de minutos a segundos. Dice devolver 25% de CPU CI al conjunto. Son medidas internas, no comparaciones reproducibles por terceros.
Claude también ayudó a construir. Un modelo interno temprano habría rehecho la ingestión manual con veinte veces menos memoria y cuatro veces más velocidad, conservando requisitos implícitos. Es optimización concreta declarada por la compañía, no garantía de que toda reescritura mejore o preserve supuestos ocultos.
Google Piper y Meta Sapling ya afrontaron monorepos grandes con diseños distintos; Sapling conserva flujos Git. Scion parte del cliente automático siempre conectado. Adoptarlo implicaría revisión, búsqueda, identidad, permisos y CI, no instalar una utilidad más rápida.
La revisión humana mira intención; las interacciones siguen siendo difíciles
La compañía dice que cada cambio mantiene revisión humana, pero centrada en intención en vez de cada línea. Aumenta la confianza en pruebas, explicaciones y análisis automático. Cumplir el objetivo no demuestra implementar bien o respetar invariantes no expresadas.
Los ingenieros tuvieron que decir no repetidamente. Algunos componentes escaneaban linealmente commits en vez de consultar Antique para la hora autorizada de fusión. La crítica adversarial podía inducir comprobaciones y complejidad excesivas. El modelo útil también exigía rechazar soluciones locales plausibles.
Scion bloquea conflictos textuales, no semánticos. Una edición cambia función y llamadas; otra añade una llamada con supuestos antiguos. Fusionan sin problema y juntas fallan. Una cola convencional prueba el conjunto antes del siguiente lote, pero cientos o miles de cambios durante una prueba vuelven inviable el bloqueo global.
Por eso se invierte en pruebas después de fusionar y antes de desplegar. Fuzzing, simulaciones aisladas, límites, permisos por directorio y aprobaciones por riesgo ayudan. No eliminan el riesgo semántico: acercan detección y reparación al lanzamiento, donde controles aún deben impedir combinaciones malas.
Falta comparar calidad a lo largo del tiempo
Monitores Claude persistentes llamados superfans observan telemetría y logs por Slack junto a alertas tradicionales. Pueden hallar patrones fuera de umbrales, pero más vigilancia no es resultado. Reparar rápido importa con detección rápida y capacidad de aislar o revertir.
Las fusiones cuentan actividad, incluidos cambios pequeños, experimentales o revertidos. No hay tasas independientes de defectos, frecuencia de rollback, tendencias de incidentes ni proporción escrita y revisada por agentes. Sin eso no sabemos si mayor capacidad mejoró fiabilidad o solo carga de gobernanza.
La lección transferible es menor que sustituir Git. APIs, cachés compartidas, espacios virtuales y revisión por riesgo pueden atacar límites conservando historial portátil y resiliencia offline. La mayoría no ha demostrado la carga excepcional ni el control integrado de Anthropic.
Scion enseña cómo generar código obliga a cambiar la plataforma. La prueba fuerte uniría ahorro con lanzamientos estables, responsabilidad clara y menos fallos escapados. Hasta entonces, es un resultado de ingeniería con coste explícito de verificación, no un modelo universal de producción segura.
Lectura relacionada con documentar el contexto de trabajo: bases de conocimiento de documentos técnicos ; segundos cerebros nativos de IA.