rars: 55K líneas de Rust escritas por IA en 5 semanas

¿Qué logró este desarrollador con IA?

55.000 líneas de código escritas en 5 semanas de noches y fines de semana, con un costo de apenas £40 en tokens subsidiados. Eso es lo que tomó crear rars, un compresor RAR completo en Rust que funciona con todas las versiones del formato, usando principalmente OpenAI Codex 5.5 y Claude Opus 4.7.

Para un founder tech, esto no es solo una curiosidad técnica: representa un cambio de paradigma en lo que un equipo pequeño puede lograr con IA. Lo que antes requería 5 años de trabajo especializado en ingeniería inversa, ahora se completa en semanas con asistencia de LLMs.

¿Cómo funcionó el proceso de desarrollo con LLMs?

El creador de rars utilizó un flujo de trabajo iterativo donde los modelos de IA generaban código basado en especificaciones técnicas del formato RAR. La clave no fue pedir código perfecto desde el inicio, sino establecer un ciclo de pruebas continuas que validaran cada iteración.

👥 ¿Quieres ir más allá de la noticia?

En nuestra comunidad discutimos las tendencias, compartimos oportunidades y nos ayudamos entre emprendedores. Sin humo, solo acción.

👥 Unirme a la comunidad

El proceso incluyó:

Uso de la función /goal de OpenAI para mantener el contexto del proyecto a largo plazo
Generación de tests automáticos que verificaban la compatibilidad con archivos RAR existentes
Iteración constante donde los errores de compilación y tests fallidos alimentaban nuevas solicitudes a los LLMs
Validación manual de casos edge que los modelos no podían resolver autónomamente

El resultado es un compresor funcional, aunque el autor admite que no es particularmente rápido y el código tiene la calidad típica de generación automática (lo que llama «55k lines of slop»). Pero funciona, y eso es lo que importa.

¿Qué dice esto sobre el estado de los LLMs para coding en 2026?

Según datos de SiliconFlow (2026), modelos como Kimi-Dev-72B alcanzan 60.4% en SWE-bench Verified, demostrando capacidad real para tareas de ingeniería de software complejas. Esto incluye parcheo autónomo de código y validación en entornos Docker reales.

El ecosistema de LLMs para desarrollo ha madurado significativamente:

Qwen3-Coder-480B: 480 mil millones de parámetros para codificación a escala de repositorio
DeepSeek-R1-0528: 87.5% en AIME 2025, mostrando razonamiento lógico avanzado
gpt-oss-120B: Versión open-source de OpenAI con 117B parámetros

Para founders, esto significa que tareas que antes requerían contratación de especialistas caros o meses de aprendizaje ahora son accesibles con suscripción a herramientas de IA y conocimiento técnico básico.

¿Por qué Rust para este proyecto?

Rust ofrece ventajas críticas para herramientas de compresión y manipulación de archivos:

Seguridad de memoria sin garbage collector: esencial para herramientas CLI que procesan grandes volúmenes de datos
Rendimiento comparable a C/C++: crucial para operaciones de I/O intensivas
Ecosistema maduro de parsing binario: librerías como Nom y Binread facilitan el trabajo con formatos propietarios

Sin embargo, el autor reconoce un desafío: la comunidad de IA aplicada a Rust aún está en crecimiento comparada con Python, lo que significa menos recursos y ejemplos disponibles.

¿Qué riesgos debe considerar un founder al usar LLMs para desarrollo?

Expertos como Sebastian Raschka en The State of LLMs 2025 advierten que escalar modelos por sí solo no resuelve problemas de sesgo. Antes de poner código generado por IA en producción, necesitas:

Auditorías de calidad del código más rigurosas que con código humano
Tests exhaustivos que cubran edge cases que los LLMs podrían ignorar
Revisión de seguridad, especialmente para herramientas que manipulan datos de usuarios

Kyle Kingsbury (aphyr) documenta en The Future of Everything Is Lies, I Guess cómo la automatización puede generar fricciones estructurales en sistemas complejos. El código funciona, pero puede crear deuda técnica oculta o comportamientos inesperados en producción.

¿Qué significa esto para tu startup?

Este caso de rars no es solo sobre compresión de archivos. Es una prueba de concepto de lo que equipos pequeños pueden lograr en 2026 con la combinación correcta de IA + lenguaje adecuado + flujo de trabajo iterativo.

Acciones concretas que puedes implementar:

Evalúa Kimi-Dev-72B para tareas de ingeniería de software: con 60.4% en SWE-bench Verified, es actualmente el líder open-source para coding. Puedes usarlo vía SiliconFlow o implementarlo localmente si tienes recursos.
Establece un pipeline de tests automático antes de empezar a usar LLMs para coding. Sin tests que validen cada iteración, el código generado se vuelve inmanejable rápidamente. Invierte en CI/CD robusto.
Considera Rust para herramientas de rendimiento crítico: si tu startup necesita CLI tools, procesamiento de archivos o sistemas de bajo nivel, Rust + IA puede acelerar desarrollo 10x comparado con enfoques tradicionales.
Usa marcos como LangGraph o LangChain para orquestar flujos complejos de IA. Según Redwerk (2026), estos frameworks son esenciales para mantener contexto en proyectos de larga duración como rars.
Presupuesta para iteración, no perfección: El autor gastó £40 en tokens. Para tu startup, planifica $100-500/mes en APIs de IA para desarrollo, asumiendo que necesitarás múltiples iteraciones antes de tener código production-ready.

La lección clave: la IA no reemplaza el juicio técnico. El creador de rars necesitaba entender lo suficiente de RAR, Rust y testing para guiar a los LLMs y validar resultados. Para founders, esto significa que la IA amplifica capacidades existentes, no crea expertise de la nada.

Conclusión

rars demuestra que en 2026, un desarrollador individual con acceso a LLMs avanzados puede completar proyectos que antes requerían equipos especializados y años de trabajo. El costo: £40 en tokens. El tiempo: 5 semanas de trabajo part-time. El resultado: 55.000 líneas de código funcional.

Para el ecosistema startup hispanohablante, esto abre oportunidades significativas. Equipos pequeños en LATAM y España pueden competir en terrenos que antes requerían capital de Silicon Valley. La barrera ya no es el acceso a talento caro, sino la capacidad de definir problemas claramente y validar soluciones rigurosamente.

El próximo año veremos más proyectos como rars: herramientas de infraestructura, parsers de formatos propietarios, migraciones de legacy code, todo asistido por IA. Los founders que adopten estos flujos de trabajo ahora tendrán ventaja competitiva en velocidad de ejecución.