AI-DLC frente a SDLC: cómo la IA está transformando el desarrollo de software y los equipos que hay detrás

Puntos clave

• El ciclo de vida del desarrollo impulsado por IA (AI-DLC), presentado por AWS en julio de 2025, cuenta con agentes de IA que planifican y ejecutan las tareas a lo largo de todo el ciclo de vida del software. Las personas aportan el contexto y aprueban cada paso relevante.
• AI-DLC es una metodología emergente. Se mantienen los principios en los que se basan Agile y DevOps, mientras que cambian los rituales que giran en torno al trabajo adaptado al ritmo humano.
• La tarea principal del ingeniero pasa de escribir manualmente la mayor parte del código a dirigir, verificar y supervisar lo que producen los agentes.
• Los equipos tienden cada vez más a formarse en grupos más reducidos, con mayor presencia de personal con experiencia y de carácter multifuncional, y la contratación de profesionales en los inicios de su carrera en puestos relacionados con la inteligencia artificial ya ha disminuido.
• Los equipos que cuentan con sólidos hábitos de pruebas y revisión sacan el máximo partido de ello. Empieza con un proyecto pequeño y cuantificable, y evalúalo en función de lo que realmente se lance al mercado antes de ampliar su implementación.

La mayoría de las organizaciones de ingeniería han aceptado e incluso adoptado la IA, aunque a menudo solo de forma mínima, limitándose a incorporar herramientas de IA a los procesos existentes. Los sprints, los traspasos y las colas de revisión se han mantenido igual, y los beneficios han sido reales. La pregunta más difícil es qué ocurre cuando el propio proceso se rediseña en torno a agentes de IA.

El ciclo de vida del desarrollo impulsado por la IA ( AI-DLC ) aporta una mayor claridad sobre cómo integrar la IA de una forma mucho más profunda y amplia. AWS presentó el AI-DLC en julio de 2025 como una metodología en la que la IA elabora un plan, formula preguntas aclaratorias y ejecuta el trabajo solo después de que las personas lo validen, en todas las fases, desde los requisitos hasta la implementación.

El AI-DLC está cambiando la forma en que se desarrolla el software, los puestos que contratan las empresas, las competencias que valoran y la estructura de los departamentos de ingeniería. Este artículo, que forma parte de una serie sobre cómo la IA está transformando los puestos de ingeniería, analiza ambos aspectos.

Del SDLC al AI-DLC: ¿qué ha cambiado realmente?

El ciclo de vida del desarrollo de software es la secuencia habitual de fases por las que pasa todo producto de software: requisitos, diseño, desarrollo, pruebas, implementación y mantenimiento. Las metodologías «Waterfall», «Agile», «Scrum» y «DevOps» son diferentes formas de llevar a cabo esas fases. Tradicionalmente, cada una de ellas parte de la base de que las personas realizan el trabajo en cada fase y de que la coordinación entre ellas es el principal coste que hay que gestionar. Los sprints, la organización del backlog y los trenes de lanzamiento existen para agrupar el trabajo en unidades lo suficientemente grandes como para justificar esa coordinación.

La IA ha evolucionado a lo largo de tres etapas dentro de ese marco:

1. Ciclo de vida del desarrollo de software (SDLC) llevado a cabo por personas. Las personas redactan los requisitos, diseñan el sistema, escriben el código y realizan las pruebas. La automatización se encarga de las compilaciones y las implementaciones.
2. Ciclo de vida del desarrollo de software (SDLC) asistido por IA. Las personas siguen planificando y dirigiendo el trabajo. Las herramientas de IA agilizan tareas concretas, como la finalización de código, la creación de estructuras de pruebas y la documentación, pero el proceso en su conjunto permanece intacto.
3. AI-DLC. La IA inicia y dirige el flujo de trabajo. Propone un plan, solicita la información contextual que no puede deducir y lo ejecuta una vez que las personas lo aprueban. Las personas conservan la capacidad de decisión y la responsabilidad en todo momento.

AWS sostiene que la segunda etapa tiene un límite. En su opinión, los métodos existentes se diseñaron para procesos de larga duración y dirigidos por personas, y la incorporación de la IA a los mismos perpetúa sus ineficiencias. AWS también sitúa el AI-DLC deliberadamente por debajo del desarrollo totalmente autónomo, en el que la IA genera aplicaciones completas con escasa intervención humana. Describe ambos enfoques como generadores de resultados subóptimos en cuanto a velocidad y calidad.

Cómo está organizada la AI-DLC

AI-DLC se desarrolla en tres fases: «Inception», en la que la IA transforma los objetivos empresariales en requisitos y unidades de trabajo que el equipo valida conjuntamente en una sesión de «Mob Elaboration»; «Construction», en la que la IA propone la arquitectura, el código y las pruebas; y «Operations», en la que la IA gestiona las implementaciones bajo la supervisión del equipo. Los sprints de dos semanas dan paso a «bolts» que se miden en horas o días.

El modelo aún se encuentra en fase de desarrollo. AWS publicó las definiciones de los flujos de trabajo como código abierto a finales de 2025; la fase de operaciones sigue considerándose en evolución y la terminología varía según los proveedores. Los principios de Agile y DevOps se mantienen tras la transición. Las organizaciones que tuvieron dificultades con Agile por las razones expuestas en «Por qué pueden fracasar los proyectos Agile» descubrirán que el AI-DLC acentúa esas debilidades.

AI-DLC frente a SDLC: una comparación fase por fase

Fase	Ciclo de vida del desarrollo de software (SDLC) tradicional	AI-DLC
Requisitos	Los responsables de producto y los analistas recogen las necesidades	Los agentes redactan los pliegos de condiciones y los criterios de aceptación y, a continuación, piden al equipo que subsane las deficiencias.
Arquitectura	Los arquitectos diseñan el sistema	Los agentes proponen opciones; los arquitectos aprueban las soluciones de compromiso
Desarrollo	Los ingenieros escriben y revisan código	Los agentes generan código bajo la supervisión de personas; los ingenieros lo revisan para comprobar que se ajusta a la intención del diseño.
Pruebas	Pruebas de control de calidad tras el desarrollo	Los agentes generan pruebas de forma continua; las personas evalúan el riesgo y la cobertura
Implementación	DevOps gestiona los procesos de lanzamiento	Los agentes colaboran en las liberaciones dentro de unos límites establecidos
Mantenimiento	Los ingenieros investigan los defectos	Los agentes analizan los datos de telemetría y proponen soluciones; los ingenieros las aprueban.

La responsabilidad sobre lo que se envía recae en las personas de ambas columnas. Lo que pasa a manos de los agentes de IA es el primer borrador. En el marco del AI-DLC, los agentes lo elaboran y las personas lo analizan, por lo que la revisión, el criterio y la calidad del contexto proporcionado a los agentes se convierten en los factores limitantes.

Una característica, dos ciclos de vida

Imaginemos una empresa de software B2B que incorpora una función de gestión de permisos de autoservicio para los administradores de los clientes. Esta función afecta a la autenticación, al acceso a la facturación y al registro de auditoría.

En un ciclo de vida de desarrollo de software (SDLC) tradicional, un gestor de producto redacta los requisitos a lo largo de varios días, el equipo planifica el trabajo en sprints, los ingenieros lo desarrollan y, posteriormente, el equipo de control de calidad lo somete a pruebas. Los requisitos más importantes, como por ejemplo si un administrador puede concederse a sí mismo acceso a la facturación, suelen surgir tarde, cuando cambiar de rumbo resulta costoso.

Según el AI-DLC:

1. Inicio. El responsable de producto expone el objetivo en una sola frase. El agente revisa el código fuente, redacta los requisitos y plantea preguntas: ¿Pueden los administradores elevar su propio nivel de acceso? ¿Qué acciones deben registrarse para cumplir con la normativa? Los equipos de producto, ingeniería y seguridad responden a estas preguntas de forma conjunta.
2. Desarrollo. El agente propone una lista fija de roles. El responsable de seguridad la rechaza porque los contratos de la empresa exigen la herencia de permisos y un registro de auditoría completo. El agente revisa el diseño antes de que se escriba ningún código de producción.
3. Verificación y puesta en marcha. El agente escribe pruebas de autorización negativas junto con el código y prepara una implementación por fases. Los ingenieros comprueban que no haya escalada de privilegios, y una persona aprueba cada paso antes de pasar a producción.

El agente resume el borrador. El resultado sigue dependiendo de personas que conozcan las normas del negocio lo suficientemente bien como para detectar lo que el agente ha dado por sentado.

De escribir código a dirigir el desarrollo

El AI-DLC desplaza el valor de la ingeniería de la escritura de código hacia la supervisión de los flujos de trabajo y la verificación de los resultados. AWS señala que los ingenieros de algunos de sus equipos más avanzados escriben a mano solo entre el 1 % y el 2 % de su código. En ese tipo de entorno, hay cinco habilidades que cobran más importancia que antes:

• Coordinación de agentes: dividir el trabajo en tareas bien delimitadas que los agentes puedan ejecutar en paralelo.
• Ingeniería de contexto: integrar los agentes en la arquitectura, las convenciones y los requisitos del sistema.
• Diseño de sistemas: definición de los límites y los patrones de integración sobre los que se basan los agentes.
• Validación y gobernanza: evaluar la corrección, la seguridad y la facilidad de mantenimiento, y decidir a qué elementos pueden acceder los agentes.
• Alineación empresarial: convertir los resultados en tareas concretas y verificables.

«El ingeniero de software del futuro no se definirá únicamente por la cantidad de código que escriba, sino por la eficacia con la que dirija, valide y amplíe el proceso de desarrollo».

Investigaciones recientes muestran por qué es tan importante revisar minuciosamente los resultados de la IA. En un ensayo aleatorio realizado por METR en julio de 2025, unos desarrolladores experimentados de código abierto tardaron un 19 % más en realizar tareas reales cuando utilizaron herramientas de IA; sin embargo, posteriormente creyeron que la IA les había permitido trabajar un 20 % más rápido. La actualización de METR de febrero de 2026 sugiere que es probable que las herramientas más recientes ayuden, aunque sus autores califican esa evidencia de débil. Las pruebas realizadas por Veracode en 2025 con más de 100 modelos revelaron que el código generado introducía vulnerabilidades del Top 10 de OWASP en el 45 % de los casos. El ingeniero capaz de detectar un fallo en un código que parece plausible tiene más valor que aquel que es capaz de escribirlo rápidamente.

Cómo el AI-DLC cambia la estructura del equipo de ingeniería

Las organizaciones tradicionales suelen realizar traspasos de trabajo entre especialidades funcionales: el departamento de producto lo define, el de ingeniería lo desarrolla, el de control de calidad lo prueba y el de operaciones lo pone en marcha. El modelo AI-DLC condensa esos traspasos en sesiones compartidas, lo que favorece la creación de grupos multifuncionales. La comparación que figura a continuación es un modelo ilustrativo.

Organización funcional tradicional	Posible estructura de AI-DLC
Vicepresidente de Ingeniería / Director Técnico	Vicepresidente de Ingeniería / Director Técnico
Gestión de productos	Responsable de productos basados en IA
Directores de ingeniería	Responsables de desarrollo de IA / Coordinadores
Desarrolladores de software	Ingenieros de sistemas / Full-Stack
Control de calidad / Pruebas	Calidad y validación de la IA
DevOps / SRE	Plataforma de agentes / Infraestructura
Arquitectura / Seguridad	Arquitectura de sistemas / Gobernanza de la IA

Se están observando varias tendencias:

• Equipos más reducidos, con mayor presencia de ingenieros sénior. AWS informa de que seis ingenieros sénior reconstruyeron el motor de inferencia de Amazon Bedrock en 76 días, un proyecto que, según las previsiones, requería 30 desarrolladores durante un periodo de entre 12 y 18 meses. AWS se refiere a su propio equipo, por lo que este resultado debe interpretarse como un caso ideal.
• Especialistas compartidos. Los expertos en seguridad, datos y plataformas prestan servicio a varios grupos y participan en las sesiones cuando es necesario para aportar su opinión.
• Horarios solapados. Las sesiones de elaboración son sincrónicas, lo que influye en la forma en que las empresas distribuyen el personal entre sus equipos distribuidos y nearshore.
• Una mayor funcionalidad de la plataforma. El informe DORA de 2025 relacionó directamente la calidad interna de la plataforma con la capacidad de una organización para obtener valor de la IA.

La responsabilidad sobre la arquitectura, la seguridad y la fiabilidad está cobrando cada vez más importancia. Cuando los agentes generan cambios rápidamente, las personas que establecen los límites, aprueban los accesos y se encargan de la estabilidad de la producción evitan que la rapidez se convierta en un riesgo.

Cómo cambia el proceso de contratación el AI-DLC

Para los responsables de contratación, el cambio más importante radica en lo que exige cada puesto. Los perfiles que se indican a continuación son más bien nuevos, en lugar de ser cargos ya consolidados.

Papel tradicional	Evolución posible	Prioridades en la contratación
Desarrollador de software	Ingeniero de software especializado en IA nativa	Flujos de trabajo de IA, revisión rigurosa, decisión del sistema
Ingeniero de software sénior	Responsable de desarrollo de IA o ingeniero de IA en el terreno	Orquestación, descomposición y diseño
Ingeniero de automatización de control de calidad	Ingeniero de calidad y validación de IA	Diseño de la evaluación, estrategia de pruebas, controles de calidad
Ingeniero de DevOps	Ingeniero de plataformas de IA	Entornos de agentes, control de acceso, observabilidad
Responsable técnico de producto	Responsable de producto especializado en IA nativa	Especificaciones y criterios de aceptación preparados para los agentes
Arquitecto de software	Arquitecto de sistemas de IA	Arquitectura, límites y patrones de integración
Jefe de Ingeniería	Responsable de ingeniería especializada en IA	Normas de calidad, orientación y capacidad de revisión

Amplitud frente a especialización estrecha

Cuando los agentes asumen tareas de implementación dentro de una especialidad, el valor se desplaza hacia la toma de decisiones que abarca varias especialidades. Ese es el patrón descrito en *El auge del empleado polivalente: cómo la IA está creando una nueva generación de puestos de trabajo*, y *El auge del ingeniero de IA desplegado en primera línea* ofrece un ejemplo claro. Las empresas seguirán necesitando especialistas con conocimientos profundos en materia de seguridad, rendimiento y tareas reguladas, aunque cada vez más de ellos prestarán apoyo a varios equipos a la vez, en lugar de dedicarse exclusivamente a uno solo.

Entrevistas que ponen a prueba el criterio

La clásica entrevista de programación, en la que un candidato escribe código desde cero en una pizarra, evalúa una habilidad que ahora pueden gestionar los agentes. Sin embargo, un candidato que se destaca en dar instrucciones pero que tiene carencias en los fundamentos supone un riesgo de otro tipo. La entrevista debería evaluar ambas habilidades. Entrega a los candidatos una solicitud de incorporación de cambios (pull request) escrita por un agente, con un error oculto en ella, y comprueba si lo detectan. Pídeles que redacten unas especificaciones a partir de las cuales un agente pudiera desarrollar el código, o que analicen en detalle un diseño propuesto por un agente.

Equipos más reducidos y con mayor experiencia

Cuando los agentes se encargan de los primeros borradores, los ingenieros con experiencia capaces de evaluar ese trabajo se convierten en un recurso escaso. Un pequeño equipo de veteranos que sepa dirigir y revisar adecuadamente puede aportar más que un equipo más numeroso que no sea capaz de hacerlo.

La cantera juvenil

La revisión de agosto de 2026 del estudio de Stanford «¿Canarios en la mina de carbón?» reveló que los trabajadores de entre 22 y 25 años empleados en profesiones expuestas a la IA se sitúan un 19 % por debajo de lo que estarían si hubieran seguido el ritmo de sus compañeros menos expuestos, debido principalmente a una menor contratación. Los trabajadores con experiencia no muestran una diferencia comparable, y los autores describen los resultados como indicadores tempranos más que como estimaciones causales. Si la implementación en los puestos de nivel inicial se automatiza, las empresas pierden la trayectoria tradicional que lleva de ingeniero junior a ingeniero sénior. Emparejar a los ingenieros junior con los sénior en sesiones de revisión y contratarlos para puestos de validación y de plataforma puede ayudar a reconstruirla.

La economía de la IA-DLC

El argumento comercial se basa en ciclos más cortos, un mayor rendimiento y un avance más rápido en la reducción de la deuda técnica. AWS informa de un aumento medio de 4,5 veces en la velocidad de implementación normalizada en proyectos piloto estructurados en Amazon Stores, con algunos equipos que superan las 10 veces. Los equipos que cambiaron tanto sus herramientas como sus prácticas obtuvieron mejores resultados que aquellos que simplemente incorporaron la IA a los flujos de trabajo existentes. Estos son los resultados de AWS sobre sus propios equipos.

Los datos independientes son más cautelosos. El informe DORA de 2025, basado en una encuesta a casi 5.000 profesionales del sector tecnológico, reveló que la adopción de la IA se asocia actualmente con un mayor rendimiento en las entregas, pero sigue estando relacionada con una menor estabilidad en las mismas. El informe concluye que la IA mejora el rendimiento de los equipos de ingeniería sólidos y agrava los problemas de los equipos con dificultades.

Los costes incluyen el gasto en tokens, que aumenta con la actividad de los agentes; el trabajo adicional que supone corregir una especificación defectuosa cuando esta se extiende a todas las unidades de trabajo; los riesgos de seguridad; los gastos generales de gobernanza; y el tiempo dedicado a la revisión por parte de los responsables. Los indicadores adecuados son el plazo de ejecución, la tasa de fallos en los cambios, los defectos que se han pasado por alto, el progreso en la reducción de la deuda técnica (tal y como se describe en «Consejos para gestionar la deuda técnica» ) y los resultados empresariales. Las líneas de código generadas y las reducciones de plantilla previstas son indicadores poco fiables.

Lo que deberían hacer ahora los líderes del sector tecnológico

1. Evalúa los cuellos de botella. Averigua en qué se invierte realmente el tiempo de entrega: requisitos, colas de revisión, pruebas o lanzamientos.
2. Prueba con un ámbito de trabajo limitado. Elige un servicio, autoriza a un pequeño equipo a reestructurar su funcionamiento y registra primero las métricas de referencia. AWS descubrió que sus mejores equipos redujeron su ritmo al principio, mientras desarrollaban el contexto de los agentes, así que hay que darles tiempo.
3. Define los controles. Decide quién aprueba los planes de los agentes, a qué pueden acceder los agentes, cómo se revisa el código generado y qué cobertura de pruebas se requiere.
4. Identificar las competencias. Decidir qué carencias en materia de coordinación, validación y diseño deben subsanarse mediante formación, contratación o apoyo externo.
5. Prueba con grupos reducidos antes de reorganizar. Pon en marcha uno o dos equipos multifuncionales y amplía la escala basándote en los resultados obtenidos.

Dirigido por personas, ejecutado por IA

AI-DLC supone un posible cambio en el modelo operativo que va más allá de las herramientas de programación para abarcar la planificación, la dotación de personal y la gobernanza. Cualquier competidor puede adquirir una licencia para utilizar estas herramientas. La ventaja duradera provendrá del rediseño de los flujos de trabajo, del desarrollo de las competencias que garanticen la fiabilidad de los resultados de los agentes y de mantener la responsabilidad en manos de las personas. Las cuestiones pendientes para los líderes son si el ingeniero de IA «full-stack» se convertirá en el perfil por defecto, cómo redefinir la trayectoria profesional desde ingeniero junior hasta senior y si la capacidad de ejecución acabará dependiendo más de la coordinación que del número de empleados.

¿Está tu equipo de ingeniería preparado para el desarrollo basado en la inteligencia artificial?

Si estás valorando si tu equipo de ingeniería cuenta con el talento y la estructura necesarios para el desarrollo basado en la inteligencia artificial, ponte en contacto con Zilker Partners para analizar los perfiles, el modelo de contratación y el diseño del equipo que mejor se adapten a tu plan de acción.

Preguntas frecuentes

¿Qué es AI-DLC?

AI-DLC, el ciclo de vida del desarrollo impulsado por IA, es una metodología de desarrollo de software presentada por AWS en julio de 2025. Los agentes de IA planifican y ejecutan el trabajo en las fases de requisitos, diseño, construcción y operaciones, mientras que las personas aportan el contexto empresarial y aprueban todas las decisiones importantes.

¿Cuál es la diferencia entre el AI-DLC y el SDLC?

En un ciclo de vida de desarrollo de software (SDLC) tradicional, las personas elaboran la primera versión de casi todos los artefactos y el trabajo pasa de un especialista a otro en sprints. En el ciclo de vida de desarrollo de IA (AI-DLC), los agentes elaboran esas primeras versiones y las personas las validan en ciclos cortos denominados «bolts». En ambos modelos, la responsabilidad sobre lo que se lanza al mercado recae en las personas.

¿Sustituye el AI-DLC al método ágil?

En principio, no. Los objetivos siguen siendo los ciclos de retroalimentación cortos, la validación frecuente y el software funcional. Los sprints de dos semanas y las ceremonias con muchas traspasos de tareas dan paso a ciclos más cortos y a sesiones de trabajo compartidas con el agente.

¿Cómo afectará el AI-DLC a los ingenieros noveles?

La contratación de personal sin experiencia en profesiones expuestas a la IA ya se ha ralentizado. Un estudio de Stanford reveló que el empleo de trabajadores de entre 22 y 25 años en esas profesiones es un 19 % inferior al que habría si hubiera seguido el mismo ritmo que sus homólogos de profesiones menos expuestas. Las empresas que deseen contar con una cantera de futuros directivos necesitan planes de desarrollo bien definidos, como el trabajo en pareja estructurado y la formación basada en evaluaciones.