Esta guía de Augment Code, escrita por Paula Hingel, propone un modelo de seis etapas para entender cómo los agentes de IA están reestructurando el ciclo de vida del desarrollo de software. Su tesis central: la IA no mejora el SDLC de manera uniforme — eleva el rendimiento en algunas etapas mientras aumenta el riesgo de inestabilidad en otras. Este desequilibrio no es una fatalidad tecnológica, sino el síntoma de una adopción desigual llevada a cabo sin redibujar los límites de revisión. El artículo se apoya en el informe DORA 2025, que establece una correlación positiva entre la adopción de IA y el rendimiento de entrega/desempeño del producto, pero una correlación negativa con la estabilidad de la entrega: la madurez del proceso importa más que la herramienta.
Las seis etapas se releen bajo este prisma. (1) Requisitos y planificación: la especificación se convierte en el mecanismo de control que guía al agente; el humano se centra en la calidad de los requisitos y en resolver la ambigüedad. (2) Diseño y arquitectura: más decisiones requieren revisión humana explícita, para evitar el "vibe architecting" — decisiones de infraestructura o integración tomadas en segundos, más rápido de lo que la gobernanza puede seguir el ritmo. (3) Implementación: el desarrollador pasa de escribir código a orquestar, validar y aprobar. (4) Pruebas y QA: el riesgo central es la validación circular, en la que las pruebas generadas por IA confirman el código generado por IA en lugar de verificar el requisito real; una especificación precisa es la salvaguarda. (5) Despliegue: las ganancias de rendimiento generan riesgos de estabilidad, de ahí la necesidad de controles de reversión reforzados. (6) Mantenimiento y operaciones: los agentes asumen la detección y la corrección, mientras el humano gestiona las excepciones y el endurecimiento.
Se identifican tres riesgos estructurales: erosión del pipeline junior (automatizar tareas fundamentales más rápido de lo que se rediseñan los roles junior reduce el futuro grupo de seniors), la validación circular y las brechas de gobernanza a escala. En espejo con estos riesgos, surgen tres roles: Intent Engineering (traducir objetivos ambiguos en especificaciones verificables), Agentic DevOps/Infra (orquestar agentes) y AI Governance/Assurance.
La guía se apoya en datos: el 70% del tiempo de desarrollo se dedica a comprender código existente, un estudio de CMU (807 repositorios) que muestra +30% de problemas de análisis estático y +40% de complejidad, y el sistema DRS de Meta (más de 10.000 cambios desplegados durante una congelación de código). Concluye con cinco recomendaciones operativas: auditar una etapa antes de escalar, someter a prueba de estrés la gobernanza, situar la especificación en el centro, definir políticas de reversión explícitas y rediseñar el rol junior en torno a la revisión.