Soufiane Keli, consultor en OCTO Technology, propone un enfoque metódico que permite a la IA generativa producir casi el 100 % del código en un proyecto de software real. Lejos de ser mágica, esta estrategia combina rigurosamente prácticas probadas dentro de un proceso estructurado en cuatro etapas.

Etapa 0: Onboarding diario del LLM

A diferencia de un desarrollador humano que conserva el contexto entre sesiones, el LLM debe ser "recontratado" cada día. Esta etapa crucial consiste en reformular sistemáticamente el contexto global del proyecto, sus objetivos funcionales y arquitectónicos. Tratar al modelo como un "junior que empieza de nuevo cada mañana" impone una disciplina de documentación beneficiosa: el contexto explícito se convierte en un activo compartido por todo el equipo, y no solo en un conocimiento tácito en manos de unos pocos.

Etapa 1: Exploración y planificación atómica

Antes de cualquier generación, cada historia de usuario se somete a una descomposición meticulosa en tareas atómicas con descripciones precisas. Paradójicamente, esta propia planificación utiliza un LLM para identificar el nivel óptimo de granularidad. Esta etapa transforma objetivos funcionales vagos en especificaciones técnicas accionables, reduciendo drásticamente la ambigüedad que los modelos gestionan mal.

Etapa 2: Desarrollo iterativo spec-driven

El desarrollo propiamente dicho se apoya en prompts altamente estructurados que comprenden cuatro elementos: una especificación técnica detallada, ejemplos ilustrativos de código, los estándares y convenciones del proyecto, y una checklist explícita de Definition of Done (DoD). Si el resultado no es satisfactorio, el enfoque prescribe un ajuste metódico del prompt o del contexto, evitando iteraciones aleatorias. Este rigor convierte la interacción con el LLM de una conversación improvisada en un proceso de ingeniería reproducible.

Etapa 3: Capitalización continua

Después de cada ciclo, las lecciones aprendidas enriquecen progresivamente una base de conocimiento organizacional: patrones exitosos, formulaciones de prompts eficaces, escollos identificados, ejemplos documentados. Este bucle de mejora continua convierte la experiencia individual en capital intelectual colectivo, acelerando los proyectos futuros.

Principio fundamental y validación en el terreno

El principio rector rechaza explícitamente la generación monolítica: "No le pidas a la IA que lo haga todo de una vez". En su lugar, tareas atómicas + estándares claros + iteración rápida producen simultáneamente velocidad Y calidad, objetivos tradicionalmente vistos como antagónicos.

De manera crucial, este enfoque fue demostrado en un entorno brownfield por Loïc Lefloch y Simon Belbeoch en OCTO Technology, lo que prueba su aplicabilidad más allá de proyectos greenfield idealizados. El contexto brownfield —con código heredado, restricciones arquitectónicas existentes, deuda técnica— representa el terreno de trabajo real para la mayoría de los desarrolladores.

Posicionamiento pragmático

Keli posiciona explícitamente este método como una combinación pragmática de buenas prácticas públicamente disponibles, no como una innovación radical. Esta modestia estratégica refuerza su credibilidad: el enfoque no requiere una revolución cultural, sino únicamente una orquestación disciplinada de técnicas conocidas adaptadas al contexto de la IA generativa.