Bun 1.4 reescrito por IA: el fin de programar como lo conocíamos

Bun 1.4: 1 millón de líneas de Rust escritas por IA en 11 días

El runtime de JavaScript Bun publicó en agosto su versión 1.4, que reescribió más de 1 millón de líneas de código fuente desde Zig a Rust. El detalle que pasó desapercibido para la mayoría del debate —centrado en si Rust es mejor que Zig— es cómo se hizo: un solo desarrollador, Jarred Sumner, dirigió a múltiples agentes de IA que trabajaron en paralelo durante 11 días y entregaron 6.778 commits. Según reconstruyó Paul Dix, CTO de InfluxData, el coste aproximado en tokens al precio API de entonces rondó los US$165.000. Tras esos 11 días iniciales, los agentes continuaron refinando el código durante meses antes del lanzamiento estable.

Lo que Bun 1.4 demuestra en producción es algo que hasta ahora solo se veía en demos: un equipo de agentes —no una persona tecleando durante un año— produciendo software complejo, mantenible y desplegado en millones de máquinas de desarrolladores.

Por qué esto es distinto a un "AI escribe código"

La narrativa habitual sobre programación asistida por IA dice: "acelera el prototipo". Bun 1.4 rompe esa idea. Según la crónica de Dix, el código generado por IA:

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Se integró con un sistema de verificación contra el comportamiento de la versión original en Zig.
Fue refinado mediante bucles de prueba y error durante meses.
Acabó ejecutándose de forma estable en producción.

En otras palabras: la IA no escribió un borrador que humanos pulieron; la IA escribió, probó y mejoró el software completo, con humanos definiendo dirección, arquitectura y criterios de aceptación. El propio Dix cuenta dos ejemplos propios en un fork de InfluxDB: una integración con Apache Iceberg (con API, CLI, compactor, manifests y S3) que quedó funcional tras unas 14 horas de supervisión, y un sistema de replicación edge con su propia API, CLI y métricas, terminado en unas 28 horas más iteraciones.

Ninguno de los dos proyectos es "un prototipo bonito": es software en funcionamiento, validado contra un clúster real, desplegado y observándose en métricas de AWS.

Lo que cambió para los que programan dentro de Anthropic y OpenAI

Dix señala que desarrolladores de Anthropic y OpenAI han desplazado su trabajo "hacia arriba en el stack": ya no revisan cada línea de los cientos de PRs que shippean por semana. En su lugar, construyen harnesses, prompts y sistemas de verificación que permiten a los agentes producir software a escala. Esa es la capa que ellos llaman "loops".

La diferencia con el resto del ecosistema es el acceso: ellos trabajan con modelos pre-release como Fable 5 (Anthropic) o Astra (OpenAI) y, sobre todo, con presupuestos de tokens casi ilimitados. El resto usamos asignaciones semanales que se reinician. Es, literalmente, vivir en el futuro cercano: lo que ellos hacen hoy con presupuesto ilimitado, la mayoría lo podrá hacer en uno o dos años —cuando el coste caiga y la velocidad suba.

El mercado ya se está reordenando

La presión competitiva por la capa de coding agents es feroz en 2026. Meta presentó en agosto Muse Code, su primer agente de programación dedicado, construido sobre el modelo Muse Spark 1.2 y lanzado desde Meta Superintelligence Labs. Según publicó CNBC, su directora Alexandr Wang lo posicionó por precio más que por capacidad: tiene un "contributor tier" más de 10 veces más barato que el pay-as-you-go estándar, y ofrece zero-data retention para empresas preocupadas por su código propietario.

Microsoft, por su parte, dejó claro en su llamada de resultados de julio —que reportó US$331.800M de ingresos anuales— que venderá a las empresas sus propios modelos MAI sobre sus chips Maia 200, instándolas a mantener el "harness" separado del modelo para no quedar atrapadas con un solo proveedor. Su argumento, recogido por TechCrunch, es que depender de un único laboratorio de frontera para la capa agéntica es un riesgo arquitectónico: si el modelo se niega, tu producto se cae.

El punto de Microsoft es el mismo que el de Dix: el cuello de botella ya no es generar código, es verificarlo y dirigirlo.

¿Qué significa esto para tu startup?

Si tu empresa todavía organiza el desarrollo de software como en 2022 —sprints, code review línea por línea, estimaciones en story points— estás pagando un coste organizativo que pronto será opcional. La pregunta deja de ser "¿cuánto tarda un dev en escribir esta feature?" y pasa a ser "¿qué feature queremos shippear y qué harness necesitamos para verificarla?".

Trespalancas concretas que ya puedes mover:

Mide el coste por feature en horas-agente, no en horas-persona. Si tu equipo usa Claude Code, Codex, Cursor o cualquier harness, lleva un log de cuántas iteraciones toma cada entrega y dónde falla la verificación. Esa métrica reemplazará a los puntos de historia en 12-18 meses.
Invierte en la capa de verificación, no en más programadores. El ROI ya está en montar tests E2E, mocks de servicios externos, comparadores de output y entornos efímeros. Quien verifica bien, shippea más rápido con los mismos agentes.
Rediseña tu ciclo de release alrededor de bucles cortos agente-máquina-humano. El patrón Bun —prototipo en días, refinamiento continuo durante meses con agentes— solo es viable si tu CI/CD puede absorber merges automatizados y tu QA puede señalar regresiones sin esperar a un humano.

La conclusión incómoda de Dix —y la razón del titular "el fin de programar"— es que vamos a tener más software funcionando que nunca, pero la mayor parte no habrá sido escrita ni leída por humanos. Lo que no va a extinguirse es el trabajo de decidir qué construir y cómo saber que funciona. Ahí es donde un founder sigue siendo insustituible.