Nicholas Carlini, investigador del equipo Safeguards de Anthropic, dirigió un experimento ambicioso: hacer construir un compilador C en Rust íntegramente por agentes Claude Opus 4.6 trabajando en paralelo, sin intervención humana directa sobre el código.

Arquitectura multiagente: 16 instancias de Claude trabajaron simultáneamente en contenedores Docker aislados, compartiendo un repositorio Git upstream. Cada agente selecciona de forma autónoma su siguiente tarea mediante un sistema de bloqueo de archivos. La sincronización se apoya en Git: un agente reclama una tarea, trabaja en ella, envía sus cambios (push) y pasa a la siguiente. No se requiere ninguna comunicación explícita entre agentes.

Resultados impresionantes: en aproximadamente 2.000 sesiones de Claude Code y 20.000 dólares de coste de API (2.000 millones de tokens de entrada, 140 millones de tokens de salida), el compilador resultante, de 100.000 líneas, compila con éxito Linux 6.9 en tres arquitecturas (x86, ARM, RISC-V), así como proyectos importantes como QEMU, FFmpeg, SQLite, PostgreSQL, Redis e incluso Doom, con un 99% de éxito en las suites de pruebas de compiladores, incluida la suite GCC torture.

Lecciones de diseño: el autor comparte cuatro conclusiones clave. Primero, la calidad de las pruebas es crítica porque los agentes resuelven exactamente lo que se especifica. Segundo, hay que ponerse en el lugar de Claude: cada agente entra en un entorno vacío sin contexto, lo que exige documentación exhaustiva y una salida mínima para preservar la ventana de contexto. Tercero, facilitar el paralelismo es esencial: fácil cuando fallan muchas pruebas independientes, pero la compilación del kernel Linux planteó un problema porque todos los agentes corregían los mismos errores. La solución: usar GCC como "oráculo de referencia" para distribuir aleatoriamente los archivos a compilar. Cuarto, especializar a los agentes por rol (deduplicación, optimización, revisión de diseño, documentación) maximiza la eficiencia.

Progresión del modelo: el artículo también sirve como referencia de capacidades. Opus 4 apenas producía un compilador funcional, Opus 4.5 permitió el primer compilador que superaba las suites de pruebas, y Opus 4.6 lleva los límites más lejos al compilar proyectos reales a gran escala.

Preocupaciones de seguridad: el autor, apoyándose en su experiencia en pentesting, señala que superar las pruebas no garantiza la corrección del software. El despliegue autónomo de código no verificado por humanos representa un riesgo real que exige nuevas estrategias de seguridad. El código fuente está disponible en GitHub (anthropics/claudes-c-compiler).