Кейс Anthropic: как компания переписала систему контроля версий под ИИ-агентов
Anthropic заменила Git собственной системой контроля версий Scion. Монорепозиторий компании переехал на неё за пять месяцев: ИИ-агенты стали вносить в код в разы больше изменений, чем выдерживала инфраструктура, рассчитанная на людей. Кейс опубликован 13 октября 2026 года в инженерном блоге компании, разбор также сделал Simon Willison.
Коротко о главном
- В мае 2026 года Anthropic в среднем вливала около 2 500 изменений кода в день, к сентябрю — более 30 000 в день.
- История основной ветки монорепозитория — почти 100 ГБ, сжатая рабочая копия — более 25 ГБ.
- Компания выполняет порядка 25 млн выгрузок кода в день для CI, не считая окружений разработчиков, песочниц агентов и исследовательских задач.
- Свою систему контроля версий Scion построила команда из семи человек, миграция с Git заняла пять месяцев.
- Параллельно в тот же период были сделаны система код-ревью Antique, поиск по коду и система прав доступа.
Что было до: Git перестал справляться
Anthropic описывает свой случай как нетипичный: компания использует Claude для написания кода активнее почти всех на рынке, поэтому раньше других упирается в пределы инструментов, рассчитанных на человеческий масштаб работы. Узким местом стала инфраструктура вокруг моделей: контроль версий, сборки и CI.
Git устроен как децентрализованная система: каждая копия репозитория самодостаточна, умеет считать различия, читать историю и работать полностью офлайн. Для большинства проектов такой дизайн подходит. Монорепозиторий Anthropic в него перестал помещаться.
Компания перепробовала стандартные обходные пути: неполные клоны, частичные выгрузки, внутренние зеркала Git и снапшоты репозитория в объектном хранилище. В пике работало несколько сотен внутренних зеркал. Это давало отсрочку, но с ростом числа слияний зеркала становились всё сложнее в эксплуатации, а снапшоты всё сильнее отставали от актуального состояния основной ветки.
Наблюдение Anthropic: почти все клиенты системы — это агенты и задачи, которые по определению находятся онлайн. Свойства Git, которые делают его удобным для распределённой офлайн-работы, начали мешать масштабированию. Компания задала себе вопрос: как выглядел бы контроль версий, если бы агенты, всегда подключённые к сети, были заложены в основу с самого начала?
Какое решение выбрали: Scion и Antique
Anthropic построила собственную систему контроля версий Scion и систему код-ревью Antique. По описанию Simon Willison, Scion напоминает переизобретение централизованного контроля версий в духе Subversion. Компания опиралась на опыт более ранних решений для больших монорепозиториев, Google Piper и Meta Sapling, но строила систему под свои задачи.
Принципы, которые заложили в Scion:
- Клиенты всегда онлайн. Вместо полной копии репозитория на каждой машине клиент запрашивает данные у сервера по мере необходимости.
- Асимметрия клиента и сервера. Сервер отвечает на вопросы об истории файлов, создаёт коммиты, выполняет слияния и перебазирования. Клиент держит ограниченный локальный кэш объектов, раскладывает файлы рабочей копии на диске, следит за изменениями файловой системы и даёт удобный интерфейс работы с сервером.
Инженер Scion Ник Г. в обсуждении на Hacker News сказал, что поддержки офлайн-работы в системе нет намеренно. По его словам, Claude — самый активный пользователь Scion и он обязательно онлайн, поэтому офлайн-режим просто не был важен.
Компания также активно применяет состязательное ревью, когда одна модель ищет изъяны в работе другой. По наблюдению Anthropic, такой подход бывает близоруким: инженерам приходилось направлять Claude, чтобы тот не переусложнял части системы в ответ на гипотетические риски. Simon Willison отмечает, что получил такой же опыт в собственных проектах.
Результаты: только то, что есть в источнике
Anthropic приводит конкретные цифры по нагрузке и срокам, но не публикует метрик вроде ускорения сборок или экономии денег. Их в источнике нет, поэтому мы их не приводим.
| Показатель | Значение |
|---|---|
| Слияний кода в день, май 2026 | около 2 500 |
| Слияний кода в день, сентябрь 2026 | более 30 000 |
| История основной ветки | почти 100 ГБ |
| Сжатая рабочая копия | более 25 ГБ |
| Выгрузок кода в день для CI | порядка 25 млн |
| Команда Scion | семь человек |
| Миграция с Git | пять месяцев |
Anthropic прямо оговаривает: их нагрузка необычна, и в ближайшее время мало у кого возникнут такие же проблемы. При этом компания предполагает, что другие организации, активно использующие ИИ-инструменты для написания кода, рано или поздно столкнутся с похожими узкими местами.
Что из этого повторить российскому бизнесу
Полностью повторить кейс Anthropic в России не получится и не нужно: собственная система контроля версий — это проект уровня крупной технологической компании. Логика кейса переносится на обычные задачи, где ИИ-агенты начинают генерировать больше работы, чем выдерживают привычные процессы.
Первый урок: узким местом становится инфраструктура вокруг модели. Если ИИ-агент готовит ответы клиентам в десять раз быстрее, ограничением станет CRM, регламент согласования или база знаний, куда эти ответы нужно положить. Второй урок: стоит пересмотреть процессы, которые проектировались под ручной труд. Anthropic не оптимизировала Git, а задала вопрос, как выглядел бы процесс, если бы агенты были его основными пользователями с самого начала.
Третий урок касается контроля качества. Состязательное ревью, которое применяет Anthropic, применимо и в бизнесе: один агент готовит документ или ответ, второй проверяет его на ошибки и противоречия. Это снижает риск, что модель уверенно выдаст неверную формулировку.
Практические сценарии, где такой подход уже работает: агент отвечает на типовые обращения клиентов, а второй проверяет ответ на соответствие базе знаний; агент готовит отчёт по продажам, а проверяющий сверяет цифры с выгрузкой из CRM. Похожие задачи мы разбираем в материале про AI для аналитики и отчётности и в разборе о том, может ли AI заполнять CRM без ручного копирования.
Про инструменты: в России доступны GigaChat и YandexGPT, а также открытые модели DeepSeek, Qwen, Llama, которые можно развернуть на своих серверах. Последний вариант важен, если агенты работают с персональными данными клиентов: обработка внутри контура упрощает соблюдение 152-ФЗ. Риски, которые стоит держать в голове: качество ответов моделей на узких темах, утечка данных при передаче во внешние сервисы и отсутствие понятного владельца процесса внутри компании.
С чего начать: 3–5 шагов
- Посчитайте реальный объём. Сколько заявок, документов или обращений в день проходит через отдел. Это ваш аналог «2 500 изменений в день», точка отсчёта.
- Найдите узкое место после ИИ. Определите, что именно не выдержит ускорения: согласование, выгрузка из CRM, ручная проверка. Часто это не сама модель.
- Выберите один процесс и один отдел. Не автоматизируйте всё сразу. Подойдёт обработка входящих заявок или проверка типовых договоров.
- Добавьте проверяющего агента. Настройте вторую модель или второй сценарий, который сверяет результат с источником данных.
- Зафиксируйте метрики до и после. Время ответа, доля ошибок, число обработанных единиц, иначе результат нечем будет доказать.
Понять, стоит ли автоматизировать конкретный процесс, можно за несколько минут — для этого есть бесплатная оценка AIPAI Score. А общая последовательность внедрения описана в гайде как внедрить ИИ-агента в компании.
Частые вопросы
Что такое Scion у Anthropic?
Это собственная система контроля версий, которую Anthropic построила вместо Git для своего монорепозитория. Её сделала команда из семи человек, миграция заняла пять месяцев. Система рассчитана на клиентов, которые всегда онлайн, — в первую очередь на ИИ-агентов.
Почему Anthropic отказалась от Git?
Из-за роста нагрузки: с примерно 2 500 слияний кода в день в мае 2026 года до более 30 000 в сентябре. История основной ветки достигла почти 100 ГБ, а число выгрузок кода для CI — порядка 25 млн в день. Стандартные обходные пути вроде внутренних зеркал и снапшотов перестали справляться.
Можно ли применить этот опыт в небольшой российской компании?
Свою систему контроля версий строить не нужно. Полезны принципы: искать узкое место после ИИ, пересматривать процессы под агентов и добавлять проверку результата второй моделью. Инструменты — GigaChat, YandexGPT или открытые модели вроде DeepSeek и Qwen на своих серверах.
Заключение
Кейс Anthropic полезен способом мышления: когда ИИ-агенты начинают работать быстрее людей, ограничением становится инфраструктура, а не модель. Если хотите разобрать, где такое узкое место в ваших процессах и что с ним делать, обсудите это с командой AIPAI: мы внедряем корпоративные ИИ-инструменты для сотрудников и поможем выбрать первый процесс для автоматизации.
