Cómo hice que Sharp fuera 950 veces más rápido y por qué importa ahora que Bun se unió a Anthropic

La noticia de que Bun se unió a Anthropic y de que Claude Code se distribuye como un ejecutable de Bun ha acelerado una transformación en el ecosistema JavaScript. Esto no es solo una novedad, es una señal de hacia dónde va la infraestructura web y por qué librerias tradicionales como Sharp empiezan a quedarse cortas frente a nuevas exigencias de rendimiento y despliegue.

El problema con Sharp no es que sea malo, Sharp es sólido y ampliamente usado en producción. El problema es que fue diseñado para un mundo distinto y presenta limitaciones relevantes: sin soporte nativo HEIC por defecto; requiere compilaciones de libvips y capas Docker custom para entornos Lambda; pipelines de CI complicados; extracción de metadatos lenta porque decodifica la imagen completa solo para leer dimensiones; lectura completa de archivos grandes cuando bastaría con leer unos cientos de bytes; y comportamientos subóptimos bajo cargas concurrentes y arquitecturas serverless modernas.

Mientras desarrollábamos aplicaciones con muchas imágenes en Q2BSTUDIO, empresa especializada en software a medida y aplicaciones a medida con foco en inteligencia artificial y ciberseguridad, chocamos con esos límites: procesar miles de imágenes era lento, los servidores estaban saturados y los usuarios esperaban. Decidimos crear una alternativa optimizada desde cero.

Nació bun-image-turbo, una libreria escrita en Rust pensada desde el primer día para Bun y Node.js, 100 por ciento open source y con licencia MIT. No necesita compilaciones locales ni builds personalizados y añade soporte nativo HEIC. En la práctica, en pruebas en un Apple M1 Pro con Bun 1.3.3 la extracción de metadatos pasó de 3.4 ms a 0.004 ms, es decir 950 veces más rápida. Otras mejoras: operaciones concurrentes 2.6 veces más rápidas y pipelines de transformación 1.6 veces más rápidos.

¿Cómo se consigue ese salto de rendimiento? Con una pila de optimizaciones claras y aplicables en cualquier producto de imagen: lectura solo de cabeceras para metadatos evitando decodificar píxeles completos; shrink on decode que decodifica a escala reducida para JPEG y HEIC; redimensionado en varios pasos usando filtros Box para grandes reducciones; selección adaptativa de algoritmo según factor de escala; y uso de TurboJPEG con SIMD para aceleración por hardware en x86 y ARM.

El impacto real en producción fue significativo. Procesar 1000 cargas de usuarios pasó de tardar minutos de CPU al doble o triple de consumo a reducirse a fracciones de ese tiempo, con menos servidores y costes operativos más bajos. Menos latencia se traduce en mejor experiencia de usuario y en menores costes de infraestructura, algo fundamental cuando se trabaja con servicios cloud AWS y Azure y despliegues serverless.

En Q2BSTUDIO aplicamos estas lecciones en proyectos de software a medida y soluciones de inteligencia artificial para empresas. Si buscas desarrollar aplicaciones que procesen grandes volúmenes de imágenes o potenciar flujos de datos con agentes IA, podemos diseñar arquitecturas eficientes y seguras que integren estas optimizaciones. Conoce más sobre nuestro enfoque en aplicaciones a medida y software a medida y cómo implementamos capacidades de inteligencia artificial para empresas.

Además, en Q2BSTUDIO ofrecemos servicios complementarios esenciales para proyectos reales: ciberseguridad y pentesting para proteger los pipelines de imágenes y datos, servicios cloud AWS y Azure para despliegues escalables, y servicios de inteligencia de negocio y Power BI para explotar insights a partir de activos multimedia. Las soluciones que entregamos abarcan desde la automatización de procesos hasta agentes IA integrados que aceleran tareas repetitivas.

Si eres desarrollador o responsable técnico, estas son las recomendaciones prácticas: evita decodificar imágenes completas cuando solo necesites metadatos; usa decodificación a escala cuando vayas a generar miniaturas; emplea pasos progresivos de reducción para downscales agresivos; y selecciona librerias optimizadas para SIMD cuando trabajes con JPEG intensivamente. Estas técnicas reducen CPU, IOPS y costes de red.

El proyecto bun-image-turbo continúa evolucionando con soporte ampliado para AVIF, APIs de streaming para ficheros grandes, builds en WebAssembly para edge runtimes y más filtros y efectos. Es un ejemplo de cómo el código abierto puede impulsar mejoras prácticas en rendimiento que benefician a toda la comunidad.

En resumen, el ecosistema JavaScript está cambiando y adaptarse significa diseñar sistemas desde la base pensando en serverless, en aceleración nativa y en seguridad. En Q2BSTUDIO combinamos experiencia en desarrollo de software a medida, inteligencia artificial, ciberseguridad y servicios cloud para llevar esas innovaciones a producción y obtener mejoras tangibles en rendimiento y costes.

Si quieres optimizar el procesamiento de imágenes en tu plataforma, integrar capacidades de agentes IA, o montar una arquitectura escalable en AWS o Azure con seguridad y business intelligence usando Power BI, en Q2BSTUDIO estamos listos para ayudarte.