El abaratamiento de la optimización de software, propiciado por los modelos de lenguaje, está cambiando qué proyectos de rendimiento salen adelante y cuáles se descartan. El autor, Dan Luu, sostiene que tareas que antes exigían equipos especializados —escribir un compilador JIT, ajustar el multihilo de un motor de búsqueda, crear un índice tipo BitFunnel— ahora se resuelven con un agente y unas pocas frases en lenguaje natural, lo que permite abordar optimizaciones que solo merecían la pena a gran escala.
Para ilustrarlo, Luu describe un experimento con FRE, el motor de regex construido con ayuda de un agente que se iteró sobre el banco de pruebas rebar. Añadir compilación nativa bajo demanda (AOT) para búsquedas largas en ripgrep ofreció mejoras de 2x a 4x en consultas simples y un 7 % en consultas representativas, un resultado modesto pero conseguido en minutos tecleando instrucciones a Codex. También plantea que, en lugar de complicar el comparador de regex, lo razonable sería indexar la máquina completa, un proyecto que él mismo ya acometió en Bing con BitFunnel.
Otro ejemplo es la IA de Azulejo que construyó sin experiencia previa en IAs de juegos: en pocas horas de iteración con GPT-5.1/5.2 logró la IA más fuerte del mundo en ese juego, apoyándose sobre todo en optimizaciones como el multihilo, imposibles de justificar manualmente. Luu cierra apuntando que la siguiente frontera es depurar y verificar ese código generado, porque "optimizar gratis" solo sirve si los atajos no introducen regresiones.