Esta guía de Augment Code, redactada por Paula Hingel, propone un modelo de seis etapas para comprender cómo los agentes de IA están reestructurando el ciclo de vida del desarrollo de software. Su tesis central: la IA no mejora uniformemente el SDLC — aumenta el rendimiento en algunas etapas mientras eleva el riesgo de inestabilidad en otras. Este desequilibrio no es una fatalidad tecnológica, sino el síntoma de una adopción desigual llevada a cabo sin redefinir 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/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 dirige al agente; los humanos se centran en la calidad del requisito 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. (3) Implementación: el desarrollador pasa de escribir código a orquestar, validar y aprobar. (4) Pruebas y QA: el riesgo central es la validación circular, donde las pruebas generadas por IA confirman código generado por IA en lugar de verificar el requisito real; una especificación precisa es la salvaguarda. (5) Despliegue: las ganancias de rendimiento crean riesgos de estabilidad, de ahí la necesidad de controles de rollback más sólidos. (6) Mantenimiento y operaciones: los agentes se encargan de la detección y la corrección, los humanos gestionan las excepciones y el endurecimiento.
Se nombran tres riesgos estructurales: erosión del pipeline junior (automatizar tareas fundamentales más rápido de lo que se rediseñan los roles junior reduce la futura reserva de seniors), la validación circular y las brechas de gobernanza a escala. En paralelo, surgen tres roles: Intent Engineering (traducir objetivos ambiguos en especificaciones comprobables), Agentic DevOps/Infra (orquestar agentes) y AI Governance/Assurance.
La guía se respalda en datos: el 70% del tiempo del desarrollador dedicado a comprender código existente, un estudio de CMU (807 repositorios) que muestra +30% de incidencias de análisis estático y +40% de complejidad, y el sistema DRS de Meta (>10.000 cambios desplegados durante una congelación de código). Concluye con cinco recomendaciones operativas: auditar una etapa antes de escalar, someter la gobernanza a pruebas de estrés, situar la especificación en el centro, definir políticas explícitas de rollback y rediseñar el rol junior en torno a la revisión.