¿Qué es AI-DLC? El ciclo de desarrollo guiado por IA, visto desde dentro de un rollout
AI-DLC es el método de AWS en el que la IA conduce el trabajo y las personas deciden en los gates. Qué es, cómo funciona AI-DLC 2 hoy (5 fases, 33 etapas, 14 agentes, los defaults de la 2.11), en qué se diferencia del playbook de SDLC AI-native de Anthropic, cuándo no usarlo y por qué Spec-Driven Development tiene que venir antes. Escrito desde dentro de un rollout real.
En AI-DLC la IA conduce y la persona decide. Todo lo demás en el método existe para que la segunda mitad de esa frase siga siendo cierta.
AI-DLC, el AI-Driven Development Life Cycle, es un método para construir software en el que un agente de IA planifica el trabajo, hace las preguntas y escribe todos los artefactos, de los requisitos al código, mientras las personas aprueban o rechazan el resultado en gates entre un paso y otro. AWS lo publicó en julio de 2025. Desde junio de 2026 también viene como AI-DLC 2, un motor de workflow open source que corre dentro de Claude Code, Kiro (CLI e IDE), Codex, Cursor, opencode y GitHub Copilot. La release actual es la 2.11.0, del 8 de octubre de 2026: cinco fases, 33 etapas, 14 agentes.
AI-DLC no es el playbook de SDLC AI-native de Anthropic. Ese es otro documento, de otra empresa, y mucha gente los confunde; la diferencia tiene su propia sección más abajo.
Escribo sobre Spec-Driven Development desde hace un año, y construí una fintech de 13 apps en 70 días especificando antes de generar. En los últimos meses también estuve dentro de una gran organización de ingeniería donde AI-DLC pasó de los squads piloto a un programa de formación para las personas que lo van a llevar a todos los equipos. Todo lo que sigue sale del método público, de la release actual y de ese rollout, sin los nombres.
AI-DLC es un método, no una herramienta
Empieza por lo que todo el mundo entiende mal primero. AI-DLC es una forma de organizar el trabajo de software alrededor de un agente de IA. AWS lo describe como metodología, y los análisis independientes coinciden. El texto de TT PSC lo resumió en una línea: la contribución de AI-DLC “no es la generación de código en sí”, es “un modelo operativo controlado en el que la IA participa en Inception, Construction y Operations, mientras los humanos siguen siendo responsables de las decisiones”.
La herramienta llegó después. La primera versión abierta, en noviembre de 2025, era un conjunto de archivos de reglas para Amazon Q y de steering files para Kiro. AI-DLC 2 lo convirtió en un motor con comando propio, aidlc, que instala el workflow dentro del agente de código que ya usas. AWS llama harness a cada uno de esos agentes: Claude Code es uno, Cursor es otro. Puedes practicar el método sin el motor. No puedes sacarle valor al motor sin el método.
AI-DLC 2 en números
- fases
- 5
- de Initialization a Operation
- etapas
- 33
- cada una con un agente líder
- agentes
- 14
- 11 especialistas, 2 revisores, 1 composer
- harnesses
- 7
- Claude Code, Kiro, Codex, Cursor y más
La IA hace las preguntas y tú decides
El corazón del método es una inversión. En el desarrollo asistido por IA de siempre, la conversación la empiezas tú. Escribes el prompt, la IA ayuda en una tarea, y el proceso alrededor sigue siendo el que tu equipo ya tenía. En AI-DLC empieza la IA. Le das una intención, y ella propone el plan, pregunta lo que necesita saber, redacta el artefacto y se detiene a esperar tu aprobación antes de seguir.
El whitepaper usa una app de navegación para explicarlo. Tú fijas el destino. La app te da los giros. Sigues mirando la calle y puedes tomar otra ruta, pero dejaste de leer el mapa.
Desarrollo asistido por IA
- 01Tú escribes el prompt y la IA responde
- 02La IA ayuda en una tarea a la vez
- 03El proceso es el que se hizo para humanos
- 04Las decisiones quedan en el historial del chat
AI-DLC
- 01Tú declaras una intención y la IA hace las preguntas
- 02La IA propone el plan y la descomposición
- 03El proceso se rehace alrededor de la velocidad de la IA
- 04Las decisiones quedan en archivos versionados en el repo
Esto cambia lo que significa hacer bien tu trabajo. Ya no ganas escribiendo el prompt perfecto. Ganas respondiendo las preguntas correctas con el contexto correcto, y negándote a aprobar lo que no sabes explicar.
Por qué AWS dice que no se puede atornillar IA a Scrum
El primer principio del whitepaper es reimaginar en lugar de adaptar. El argumento es simple y creo que es correcto. Scrum se diseñó para un equipo de personas que necesita dos semanas para entregar un incremento que funcione, así que sus rituales tienen el tamaño de ese ritmo: planning, daily, review, retro. Un agente entrega el mismo incremento en horas. Si mantienes los rituales de dos semanas, el agente pasa la mayor parte de su vida esperando una reunión.
El paper nombra los dos fracasos de cada lado. El desarrollo asistido por IA mantiene el proceso viejo y le suma autocompletado, así que nunca cambia la estructura del trabajo. El desarrollo autónomo deja al agente construir solo, lo que todavía no funciona, porque el contexto y las decisiones críticas siguen dependiendo de una persona. AI-DLC queda en el medio: la IA conduce, la persona aprueba.
El vocabulario: Intent, Unit, Bolt
AI-DLC renombró las piezas del trabajo a propósito. El séptimo principio del whitepaper dice que alguien con experiencia debería poder empezar en un día, así que cada término nuevo se corresponde con uno viejo.
Palabras viejas, palabras nuevas
| Término de AI-DLC | Qué reemplaza | Qué significa |
|---|---|---|
| Intent | Épica de negocio | Una declaración de qué hay que lograr y por qué. El punto de partida que la IA descompone. |
| Unit | Épica técnica | Una parte autocontenida de la solución que entrega valor medible y se puede construir y desplegar sola. |
| Bolt | Sprint | Una porción de entrega medida en horas o días, no en semanas. En AI-DLC 2, una porción planificada sobre una o más Units dependientes. |
| Mob Elaboration | Planning y refinamiento | El equipo y la IA en una sola sesión: la IA propone historias y Units, el equipo las corrige. |
| Mob Construction | Código, review, pruebas | La IA genera diseño, código y pruebas; los ingenieros aprueban o piden cambios en cada paso. |
| Deployment Unit | Release candidate | Código, configuración e infraestructura probados en función, seguridad y requisitos no funcionales. |
Una idea vieja se mudó: los steering files. En la versión 1 eran archivos markdown en el repositorio que le decían a Kiro o a Amazon Q las reglas del proyecto. En AI-DLC 2 ese papel lo cumplen reglas guardadas en una carpeta de memoria, en capas de organización, equipo, proyecto y fase, y cada harness las carga por su cuenta.
Dos términos de la tabla merecen una segunda mirada. La Intent es la única entrada que una persona tiene que acertar, y el método casi no dice cómo acertarla. El hueco es tan grande que tiene su propio artículo. Y en el Mob Elaboration vive la mayor parte del valor y del dolor. Es un ritual, con reglas sobre quién se sienta en la sala, y tiene su propia guía.
Cinco fases y 33 etapas en AI-DLC 2
La primera versión de AI-DLC tenía tres fases: Inception, Construction y Operations. AI-DLC 2 tiene cinco. Sumó Initialization, que arma el workspace en menos de un segundo sin ninguna persona involucrada, e Ideation, que convierte un pedido vago en una iniciativa aprobada antes de escribir cualquier requisito.
El ciclo de vida de AI-DLC 2
- 0.1 a 0.3
Initialization
Arma el workspace, detecta el proyecto, crea el estado. Automático.
- Workspace Scaffold
- Workspace Detection
- State Initialization
- 1.1 a 1.7
Ideation
¿Vale la pena construir esto, y qué es exactamente?
- Intent Capture and Framing
- Market Research
- Feasibility
- Scope Definition
- Team Formation
- Rough Mockups
- Approval and Handoff
Gate: Gate de verificación 1
- 2.1 a 2.9
Inception
Requisitos, diseño y las Units de trabajo.
- Reverse Engineering
- Practices Discovery
- Requirements Analysis
- User Stories
- Refined Mockups
- Domain Design
- Units Generation
- Contract Design
- Delivery Planning
Gate: Gate de verificación 2
- 3.1 a 3.7
Construction
Diseño, código y pruebas, una Unit a la vez.
- Functional Design
- NFR Requirements
- NFR Design
- Infrastructure Design
- Code Generation
- Build and Test
- CI Pipeline
Gate: Gate de verificación 3
- 4.1 a 4.7
Operation
Despliegue, observabilidad y lo aprendido vuelve a Ideation.
- Deployment Pipeline
- Environment Provisioning
- Deployment Execution
- Observability Setup
- Incident Response
- Performance Validation
- Feedback and Optimization
Dos tipos de checkpoint atraviesan ese mapa, y la diferencia importa. Al final de cada etapa que corre tu perfil hay un gate de aprobación: respondes Approve o Request Changes, con tus palabras, y nada avanza hasta que respondas. Entre fases hay un gate de verificación: un chequeo automático de que cada requisito se convierte en una historia, nada quedó huérfano y los artefactos concuerdan entre sí. El primero atrapa mal criterio. El segundo atrapa vínculos rotos.
Construction dobla la primera regla, y muchos explicadores no lo ven. Por defecto el motor lleva una Unit a la vez por sus etapas de diseño y su código, y apruebas cada Unit en un solo checkpoint en lugar de aprobar etapa por etapa. Construction también ofrece Continue automatically, que deja al motor seguir después de cada Unit sin preguntar, y entonces los checkpoints normales de cierre también desaparecen. Lo que todavía te detiene: el plan de código (salvo que la aprobación de plan esté apagada para ese trabajo), la confirmación de resumen si está encendida, la aprobación del walking skeleton, tu elección del comando que prueba que una Unit funciona, y cada falla. Ningún perfil ni ajuste deja que el agente apruebe un gate por ti; la documentación exige un mensaje real de una persona, y solo un flag de bypass para toda la máquina baja eso.
Cada etapa tiene un agente líder. AWS trae 14: 11 especialistas de dominio (producto, diseño, entrega, arquitectura, plataforma AWS, compliance, DevSecOps, desarrollo, calidad, pipeline y despliegue, operaciones), dos revisores que juzgan requisitos y diseño técnico, y un composer que arma rutas a medida. El principio de diseño es “Small Mob, Broad Agents”: pocos agentes amplios en lugar de decenas de especialistas angostos, porque una cadena de especialistas angostos es waterfall con mejor marketing.
La mayoría de las etapas corre inline, en tu conversación con el agente. Cuatro están armadas de otra forma. Reverse Engineering es un pipeline de dos pasos (un agente de desarrollo recorre el código, un agente de arquitectura escribe la síntesis). Practices Discovery y Code Generation corren como subagents despachados. User Stories está diseñada como un mob de agentes (agentes, no personas; el ritual humano es el Mob Elaboration), con los agentes de diseño, desarrollo y calidad escribiendo en paralelo.
Desde la 2.11.0 ese mob de agentes es opcional. Cada etapa tiene un agente líder y puede listar agentes de apoyo que revisan o contribuyen, como el agente de DevSecOps en una etapa de diseño. Esos agentes de apoyo solo entran cuando el ajuste collaborators está encendido, y viene encendido solo en el perfil enterprise. En todo lo demás cada etapa corre con el agente líder, y /aidlc --collaborators on trae a los otros de vuelta para un trabajo. De una forma u otra, todo queda en una carpeta por intent dentro de tu repo, con un archivo de estado y un log de auditoría de solo agregado con 115 tipos de evento en 25 categorías (documentación de la 2.11.0, verificada el 13 de octubre de 2026).
La decisión de diseño más importante de AI-DLC 2 no aparece en ese mapa. La ruta la decide un motor determinístico, código común, y no el modelo. El modelo piensa dentro de cada etapa. El motor decide qué etapa sigue, una Unit solo cuenta como verificada mediante un comando de chequeo que una persona aprobó, los revisores son otros agentes, y unas guardas impiden que el modelo mueva el estado del workflow por su cuenta. La versión 1 confiaba en que el agente siguiera reglas escritas en prosa, y el slop nace justamente de esa confianza: un modelo que elige su propia ruta y se corrige su propia tarea. La versión 2 le quitó esos poderes. Desde la 2.11 la mayoría de los perfiles arranca con parte de esas guardas bajadas (más sobre Guard Policy abajo), y la documentación llama a la protección de escritura de la auditoría un guardrail, no una frontera de seguridad. Lo que ningún ajuste baja es el gate humano.
Los detalles de qué cambió entre versiones, y de qué parches caseros dejó obsoletos AI-DLC 2, están en AI-DLC 2: qué cambió.
Un bugfix no necesita 33 etapas
El décimo principio del whitepaper original es el que yo conservaría si solo pudiera conservar uno: nada de workflows rígidos. Un bugfix no necesita modelado de dominio. Una feature nueva sí. La IA propone la profundidad y la persona la ajusta.
AI-DLC 2 convirtió ese principio en 11 perfiles de workflow (la documentación los llama scopes). Eliges uno por nombre, o describes el trabajo y el motor te sugiere uno.
Perfiles de workflow en AI-DLC 2
| Perfil | Etapas | Úsalo para |
|---|---|---|
| Classic | 18 / 33 | La ceremonia de la versión 1: Inception y Construction, una aprobación por etapa. El valor por defecto si no eliges nada. |
| Express | 10 / 33 | Requisitos ya claros. El camino más liviano de los requisitos a código y pruebas. |
| Feature | 33 / 33 | Una feature de producción por todo el ciclo. |
| Enterprise | 33 / 33 | Trabajo regulado o de alto riesgo. Profundidad máxima y los guards más estrictos. |
| MVP | 23 / 33 | Un primer incremento real, sin la fase de Operation. |
| Proof of concept | 8 / 33 | ¿Esto funciona siquiera? |
| Bugfix | 9 / 33 | Un defecto conocido, una corrección enfocada, una prueba de regresión. |
| Refactor | 10 / 33 | Cambia la estructura, conserva el comportamiento. |
| Infrastructure | 13 / 33 | Ambientes, IaC, pipelines, costo. |
| Security patch | 10 / 33 | Una CVE o una vulnerabilidad puntual. |
| Workshop | 26 / 33 | Una sesión de formación facilitada. |
La release 2.11.0 también recortó la ceremonia dentro de los perfiles. Todos los perfiles, menos enterprise, ahora arrancan el trabajo nuevo con Guard Policy off. La Guard Policy no decide qué gates ves. Decide cuánto aguantan las cercas del motor. En strict las cinco quedan en pie. En off caen cuatro (reaprobación del plan, congelamiento del review, transición de estado, alcance de lectura del revisor), y cada una que cae igual queda en el log de auditoría; solo la cerca de presencia humana y la propiedad de la Unit nunca se mueven. El efecto que notas: en strict un plan editado vuelve a aprobación, en off recibes una línea que dice qué cambió y la corrida sigue, y puedes aprobar por encima de un review que no terminó. El otro switch nuevo es /aidlc --plan-approval on|off, que decide si el plan de código necesita tu aprobación antes de escribir código. Viene apagado en express y poc y encendido en el resto, y el agente nunca puede apagarlo por ti. Si tu equipo necesita el rigor de antes, una línea Mode: strict en el archivo de memoria del equipo lo sostiene para todos. Fuente: las notas de la release 2.11.0, verificadas el 13 de octubre de 2026.
Y hay una duodécima respuesta que la tabla no muestra: no usar AI-DLC. En el rollout que seguí, un ingeniero corrió el ritual completo para cambiar una sola línea de código. El playbook interno pronto ganó una regla nueva, aportada por alguien del piloto: si ya sabes exactamente qué escribir, escríbelo. AI-DLC se paga cuando el trabajo necesita descomposición y decisiones de más de una persona. Por debajo de eso, la ceremonia cuesta más de lo que ahorra.
Diez principios, y el único que AI-DLC 2 fuerza
El whitepaper, escrito por Raja SP en AWS, se apoya en diez principios. La mayoría de los explicadores solo los listan. La pregunta útil es cuáles mantuvo el motor que AWS entrega, porque el motor es lo que tu equipo va a correr de verdad.
Los diez principios de AI-DLC contra la release 2.11.0
| # | Principio | Qué pide | En AI-DLC 2.11 |
|---|---|---|---|
| 1 | Reimaginar en lugar de adaptar | Diseñar el proceso alrededor de la IA, no meter IA en el proceso viejo. | Se mantiene. Bolts en lugar de sprints; cinco fases en lugar del calendario de ceremonias. |
| 2 | Invertir la dirección de la conversación | La IA planifica y pregunta; la persona responde y aprueba. | Se mantiene. Cada etapa hace sus preguntas y se detiene en un gate de aprobación. |
| 3 | Técnicas de diseño en el núcleo | DDD, BDD y TDD son parte del método, no una elección del equipo. | Se mantiene como etapas: Domain Design, Functional Design, NFR Design, Build and Test. |
| 4 | Alinearse con la capacidad de la IA | La IA todavía no es autónoma, así que las personas validan. | Reforzado. Un motor determinístico decide la ruta, y un gate exige un mensaje real tuyo. |
| 5 | Atender sistemas complejos | Mantener el contexto entre servicios, usuarios y código viejo. | Se mantiene: Reverse Engineering para brownfield, trabajo en varios repos, Units en orden de dependencias. |
| 6 | Conservar lo que mejora la simbiosis humana | Conservar los puntos de contacto humanos que mejoran las decisiones. | Se mantiene: un gate de aprobación en cada etapa. La 2.11 recortó los agentes alrededor del gate, no el gate. |
| 7 | Facilitar la transición con lo conocido | Mapear términos nuevos a los viejos para empezar en un día. | Se mantiene. El perfil Classic es la ceremonia de la versión 1. |
| 8 | Simplificar responsabilidades | Menos traspasos entre equipos especialistas. | Se mantiene como Small Mob, Broad Agents: 14 agentes amplios, no decenas de angostos. |
| 9 | Minimizar etapas, maximizar flujo | Menos fronteras entre fases, ciclos de feedback más cortos. | Forzado. El mapa completo tiene 33 etapas; la mayoría de los perfiles recorta una corrida a 8 a 18. |
| 10 | Nada de workflows rígidos | La IA propone la profundidad; la persona la ajusta. | Se mantiene: 11 perfiles más un agente composer para rutas a medida. |
Nueve de diez sobrevivieron. El que se fuerza es el noveno. Un método que pide minimizar etapas ahora trae 33, y la respuesta de AWS fue dejarte saltar la mayoría en cada corrida en lugar de tener menos. Funciona cuando alguien elige el perfil a propósito. Falla cuando el equipo corre el mapa completo solo porque existe.
Los gates son el método
Quítale todo a AI-DLC y queda un loop. La IA produce un artefacto. Una persona lo revisa. El siguiente paso usa el artefacto revisado como entrada. El whitepaper llama a cada revisión humana una función de pérdida (loss function): atrapa la decisión equivocada donde dar marcha atrás es barato, antes de que se multiplique en todo lo que viene después.
Esa lectura es correcta, y esconde el punto más débil del método. El gate es tan bueno como la persona parada en él, y la IA produce artefactos más rápido de lo que una persona puede leer con cuidado. Lo que vi romperse, en orden de frecuencia:
Cómo fallan los gates en la práctica
- El artefacto parece completo y no dice nada.Un documento de requisitos bien formateado parece real. Alguien de producto en el rollout lo comparó con un correo falso de tu banco: el formato familiar apaga el escepticismo.
- Quien revisa está cansado.Después de una hora leyendo documentos generados, la gente aprueba sin leer. Las sesiones de más de una hora convirtieron los gates en sellos.
- Quien revisa no conoce el dominio.Los seniors interrogaban cada afirmación y tardaban más. Los juniors aceptaban la primera salida. Cuanto menos sabes, más confías.
- La décima aprobación del día.La confianza se calibra con el historial. El agente acertó nueve veces, así que la décima recibe un vistazo.
La solución es más de ritmo que de herramienta. Sesiones de una hora. Pausas entre gates; el archivo de estado hace que pausar no cueste nada. El manager presente en los primeros mobs para frenar la prisa por aprobar. Y una regla para toda persona que revisa: antes de aprobar, di en una frase qué hace el artefacto y por qué está bien. Si no puedes, no terminaste de leer. El argumento completo, con las contramedidas, está en los gates son una función de pérdida.
AI-DLC necesita Spec-Driven Development antes
Aquí está mi principal desacuerdo con cómo se suele presentar AI-DLC. Los equipos oyen hablar de él, se entusiasman con los agentes y las fases, e intentan saltar del autocompletado a un ciclo de 33 etapas. No funciona, y la razón no es la herramienta.
AI-DLC asume que tu gente ya sabe especificar. Cada gate le pide a una persona que juzgue una spec: requisitos, historias, diseño, el plan de cada Unit. Un equipo que nunca practicó escribir specs no puede juzgar una. Entonces el agente produce artefactos plausibles basados en sus propias suposiciones, las personas los aprueban porque se ven bien, y el código que sale por el otro lado hay que arreglarlo a mano. La ejecución que debía cargar el agente vuelve a las personas. Eso es más lento que escribir el código tú mismo.
El modelo va a satisfacer cualquier especificación que le des, buena o mala. Estadísticamente cae en cualquier punto entre la mejor y la peor versión de lo que quisiste decir. Especificar bien es la única palanca que mueve esa distribución, y por eso veo Spec-Driven Development como el escalón previo a AI-DLC, no como su competidor.
Pon AI-DLC en la escalera agéntica que uso con equipos, de L1 a L5, y cae en un solo escalón: L4, donde el agente planifica, construye y entrega detrás de un gate, y la persona aprueba en el gate. Los escalones de abajo son donde el equipo aprende a escribir y juzgar specs. Sáltalos y los gates se vuelven un sello.
El camino hacia AI-DLC en la escalera L1 a L5
- L1
Asistido
Autocompletado dentro del Scrum que ya corres. Quien desarrolla escribe y decide todo.
Tipeo más rápido. Misma estructura.
- L2
Supervisado
El agente cambia archivos a pedido, desde una spec escrita dentro de la tarea. Una persona revisa cada diff.
El equipo aprende a escribir y juzgar specs.
- L3
Pull request
El agente toma la tarea completa desde la spec y abre el pull request. Tú verificas contra la spec.
La spec se vuelve contrato, no papeleo.
- L4
Autónomo
El agente planifica, descompone y construye; las personas deciden en los gates.
Aquí AI-DLC empieza a pagarse.
- L5
Totalmente agéntico
Bolts medidos en horas, y Operation alimentando Ideation sin que una persona arranque cada ciclo.
Hacia donde apunta el whitepaper. El motor todavía necesita una persona para arrancar el siguiente ciclo, así que tómalo como dirección.
La mayoría de los equipos que conozco están en L1 o L2 y creen que están cerca de la cima, porque ya entregan más rápido que el año pasado. Cómo puntuar a tu equipo en cada escalón, y por qué el ítem más débil fija tu techo, está en el playbook de agentic SDLC. El argumento más acotado, primero el hábito de la spec y después el ciclo, está en AI-DLC vs Spec-Driven Development.
AI-DLC y el playbook de SDLC AI-native de Anthropic responden preguntas distintas
Busca “Anthropic AI-DLC” o “Claude AI-DLC” y Google te muestra el AI-native SDLC playbook de Anthropic. No es AI-DLC. AWS escribió AI-DLC; Anthropic escribió el playbook. La confusión se entiende: los dos parten de una intención escrita en palabras comunes, los dos encadenan artefactos versionados de un paso al siguiente, y los dos ponen a la persona en los gates en lugar de en cada línea.
La diferencia está en lo que cada uno te entrega.
AI-DLC de AWS
- 01Un método más un motor open source que instalas (aidlc)
- 02Cinco fases, 33 etapas, 14 agentes, 11 perfiles
- 03Un motor determinístico decide qué etapa corre después
- 04Corre en siete harnesses, Claude Code entre ellos
- 05Adoptas el ciclo, o un perfil de él
Playbook de SDLC AI-native de Anthropic
- 01Un playbook de plays, sin motor que instalar
- 02Seis etapas: Plan, Design, Build, Test, Deploy, Maintain
- 03Cada etapa hace commit de un archivo que la siguiente lee: intent.md, spec.md, plan.md, el diff, el PR
- 04Armado sobre funciones de Claude Code: plan mode, CLAUDE.md, skills, hooks como gates de aprobación
- 05Adoptas play por play, en orden de dependencias
Así que responden preguntas distintas. AI-DLC responde “qué proceso corre el equipo, etapa por etapa, y quién aprueba qué”. El playbook responde “qué parte del SDLC que ya tenemos cambiamos ahora”. Un equipo en Claude Code puede usar los dos: correr AI-DLC dentro de Claude Code y tomar plays como hooks como gates de aprobación o evals continuos en CI donde las etapas de AI-DLC se quedan cortas. El setup de la primera mitad está en AI-DLC con Claude Code.
Algo que el playbook resuelve y AI-DLC te deja a ti: reserva el code review humano para código regulado y crítico, y deja que capas de review agéntico se encarguen del resto. AI-DLC todavía pone una persona en cada aprobación, y el rollout que seguí mostró lo que cuesta el review humano a velocidad de agente: el code review nunca se rediseñó para el volumen, y los cambios se apilaron a la espera de alguien.
No adoptes AI-DLC en bloque
AI-DLC es el framework público más completo para construir con agentes. Aun así no le diría a un equipo que lo adopte.
Adoptarlo en bloque es anunciar “ahora hacemos AI-DLC”. La gente va a leer el paper y a ver las charlas, e intenta reproducir un método diseñado por una empresa con otra escala, otra cultura y otro stack. Estudian en lugar de construir. Y cuando no encaja, se culpan a sí mismos o al método.
Trátalo como la góndola de un supermercado. Llévate lo que resuelve un problema que de verdad tienes: artefactos que viven en el repo, gates entre pasos, porciones medidas en horas, la costumbre de dejar que la IA pregunte. Deja el resto. Escribe qué te llevaste, qué dejaste y por qué.
AI-DLC 2 es la prueba de que esa es la postura correcta. Los equipos que adoptaron la versión 1 construyeron capas encima: archivos de estado, retrospectivas, construcción en paralelo, reglas propias. AI-DLC 2 entregó la mayor parte de eso como funciones nativas. La plomería casera quedó obsoleta en una release. Lo que sobrevivió fue el criterio que esos equipos habían codificado: sus reglas contra el vibe coding, su ritual para darle forma a una intención, su sentido de cuándo no usar el método. El argumento está en no adoptes AI-DLC, róbale.
Qué pasa cuando un equipo real lo usa
La documentación describe el método. El rollout agregó esto.
El throughput sube desde el primer día y el cycle time empeora antes de mejorar. El agente produce código al instante, así que los cambios mergeados por dev se disparan. Pero nadie rediseñó el code review para el volumen nuevo, entonces los cambios se acumulan esperando a una persona, y el tiempo entre el primer commit y el despliegue sube antes de bajar. Esa curva en J es lo más predecible de un rollout de AI-DLC, y la razón más común por la que un manager lo mata antes de tiempo. Más en por qué AI-DLC te hace más lento primero.
La context window es una restricción de diseño, no un detalle. Una Inception en un repositorio real llena buena parte de una ventana de un millón de tokens. Los equipos aprendieron a limpiar el contexto en cada gate, nunca en medio de una fase, y a retomar desde el archivo de estado. La calidad caía de forma visible cuando la ventana pasaba de tres cuartos. El código legado lo empeora, porque el agente tiene que hacer ingeniería inversa de lo que existe antes de proponer nada. Todo eso está en AI-DLC en brownfield.
Producto no necesita quedarse en todo el mob. Después de la ingeniería inversa el agente hace una lista larga de preguntas, y la mayoría son técnicas. El patrón que funcionó: los ingenieros responden las técnicas y producto se suma para las dudas de negocio. La guía de Mob Elaboration tiene el resto del ritual.
Las reglas que sostuvieron la calidad eran pequeñas y específicas. Nunca edites a mano el código generado; vuelve al diseño. Empieza las preguntas exploratorias con “Do not update any documents.” Pide la crítica en un contexto limpio, porque el agente defiende lo que escribió. Están reunidas en seis reglas contra el vibe coding dentro de AI-DLC.
Y el trabajo cambia. Los squads se achican hacia pods de un ingeniero y un PM. Ingenieros de backend entregan front-end. El ingeniero sigue siendo dueño del código en producción, porque cuando se rompe de madrugada no es al agente al que llaman. Las matrices de competencias que premian escribir código empiezan a premiar lo equivocado. Eso es del squad al pod, y el lado de la medición está en después de los story points.
Cómo empezar sin perder un trimestre
Una primera corrida de AI-DLC que te enseña algo
Entrada
Un equipo que ya escribe specs y quiere probar AI-DLC
- REPOHaz que un agente pueda leer el repositorio
Un AGENTS.md o CLAUDE.md corto con el stack, los patrones, las librerías prohibidas y un ejemplo de cada uno. El código legado sin esto produce adivinanzas.
- PICKElige una feature real, no una corrección de una línea
Algo que necesite descomposición y decisiones de más de una persona. Lo bastante chico para terminarlo en una semana.
- INSTALLInstala el motor en el agente que ya usas
aidlc config para tu harness, después aidlc doctor. El setup completo en Claude Code tiene su propia guía.
- RUNCorre el perfil Classic
Classic es la ceremonia de la versión 1 y el comienzo más suave: Inception y Construction, 18 etapas. Feature corre las 33; déjalo para después. Sesiones de una hora, contexto limpio en los gates, y enciende collaborators si quieres el mob de agentes de vuelta.
- MEASURELee el throughput junto al cycle time
Espera la curva en J. Decide después de unas cuatro semanas si estás aprendiendo o trabado.
Salida
Una feature entregada con el método, y una lista honesta de qué conservar, cambiar o dejar.
El setup concreto, con los comandos, está en AI-DLC con Claude Code. Si tu equipo todavía no especifica, empieza un escalón antes con cómo escribir una spec, o con un kit más liviano, como claude-sdd-kit para Claude Code o pi-sdd-kit para pi, y vuelve cuando escribir y juzgar specs se sienta normal.
Qué suman los análisis independientes
AWS escribió el método, así que lee a quienes no lo escribieron. La guía de AIDLC de Augment Code mapea los nombres que compiten por el mismo cambio (el AI-DLC de AWS, el agentic software development de Forrester, el ADLC de Cycode). Wiz lo lee como un problema de seguridad: la velocidad es el activo y el riesgo a la vez, con cerca de una quinta parte de los paquetes sugeridos por la IA apuntando a dependencias que no existen. Mission Cloud suma la idea de una spec viva, que un agente mantiene sincronizada con el código.
Augment también le pone nombre a la elección real detrás de todo esto: human in the loop, donde una persona aprueba cada paso, frente a human on the loop, donde una persona observa e interviene. AI-DLC tal como lo entrega AWS está firme en el loop. La 2.11.0 se movió un poco hacia on the loop, con defaults más livianos y Continue automatically en Construction, pero un gate todavía necesita una persona. Los análisis coinciden en lo que el rollout me enseñó: la IA no es la parte difícil. Las personas en los gates sí.
Preguntas frecuentes
¿Qué significa AI-DLC?
AI-Driven Development Life Cycle, el ciclo de vida de desarrollo guiado por IA. Es un método de desarrollo de software que AWS publicó en julio de 2025, en el que un agente de IA planifica el trabajo y produce los artefactos mientras las personas los aprueban o rechazan en los gates. La implementación open source está en github.com/awslabs/aidlc-workflows.
¿Cuáles son las fases de AI-DLC?
El método original tiene tres: Inception, Construction y Operations. La mayoría de los artículos todavía enseña esas.
AI-DLC 2, la versión que AWS entrega hoy, tiene cinco: Initialization, Ideation, Inception, Construction y Operation, con 33 etapas entre ellas. Release 2.11.0, verificada el 13 de octubre de 2026.
¿AI-DLC es de Anthropic?
No. AI-DLC viene de AWS. Anthropic publicó otro documento, el AI-native SDLC playbook: seis etapas de plays armadas sobre funciones de Claude Code, sin motor que instalar. AI-DLC corre dentro de Claude Code, y probablemente de ahí viene la confusión.
¿AIDLC es lo mismo que AI-DLC de AWS?
Casi siempre, sí. AWS escribe AI-DLC en el texto y aidlc en el nombre del repositorio y en el comando. Algunos proveedores usan AIDLC de forma más suelta para cualquier forma de llevar la entrega de software con IA, así que revisa si la página habla del método de AWS o de una idea general.
¿AI-DLC es solo para AWS?
No. El método no depende del proveedor, y AI-DLC 2 corre dentro de Claude Code, Kiro CLI, Kiro IDE, Codex CLI, Cursor, opencode y GitHub Copilot con el mismo motor.
Quedan las huellas de AWS: uno de los 14 agentes es especialista en plataforma AWS, y vienen servidores MCP opcionales de AWS. En otra nube los ignoras o los reemplazas.
¿Alguien implementó AI-DLC en el trabajo? ¿Cómo le fue?
Seguí un rollout en una gran organización de ingeniería, de los squads piloto a un programa de formación. El throughput subió primero y el cycle time empeoró antes de mejorar, porque el review no se rediseñó para el volumen.
Lo que sostuvo la calidad fue el ritmo y reglas pequeñas: sesiones de una hora, limpiar el contexto en los gates, nunca editar a mano el código generado. Los detalles están en las secciones de arriba.
¿AI-DLC reemplaza a Scrum o a Agile?
Reemplaza los rituales, no los valores. Los sprints se vuelven bolts medidos en horas, el planning se vuelve Mob Elaboration y la daily se reduce a unos minutos. Kanban encaja mejor que los sprints.
Los equipos que intentaron mantener sprints de dos semanas alrededor de un agente vieron al agente esperando al calendario.
¿Qué pasa con el Scrum Master en AI-DLC?
El método no nombra el rol. Los rituales que conduce un Scrum Master se acortan o desaparecen, y aparece uno nuevo: alguien tiene que facilitar el Mob Elaboration, mantener las sesiones en una hora y evitar que la sala apruebe lo que nadie leyó. AWS publica una guía de facilitación para quien acompaña a un equipo en sus primeros workflows.
¿Cómo encaja AppSec en AI-DLC?
Dentro del método, un agente de DevSecOps y uno de compliance participan en las etapas, hay un perfil security-patch para CVEs, y el perfil enterprise mantiene las guardas más estrictas. Fuera de él, vale el punto de Wiz: los agentes entregan más rápido de lo que un equipo de seguridad revisa, así que los chequeos que corren en cada cambio importan más que una cola de review.
¿Cuál es la diferencia entre AI-DLC y Spec-Driven Development?
Spec-Driven Development es una práctica: escribe la spec, deja que el agente construya desde ella, verifica contra ella. AI-DLC es un ciclo completo que asume que tu equipo ya hace eso, y le suma fases, gates, agentes y rituales de equipo. SDD es el prerrequisito, no la alternativa.
¿Qué es un Bolt en AI-DLC?
Un Bolt es la porción de entrega que reemplaza al sprint: trabajo medido en horas o días en lugar de semanas. En AI-DLC 2 es una porción planificada sobre una o más Units dependientes, y el orden de construcción sigue el grafo de dependencias entre Units.
¿Necesito Kiro para usar AI-DLC?
No. Kiro fue la primera casa de los steering files de AI-DLC, pero AI-DLC 2 trata siete harnesses como de primera clase, incluidos Claude Code, Cursor y Codex.
¿AI-DLC es gratis?
Sí. Los workflows son open source bajo la licencia MIT-0. Pagas el modelo que usa tu agente, y una corrida de AI-DLC lee y escribe mucho contexto, así que vigila la cuenta de tokens en las primeras corridas.
¿Cuándo no usar AI-DLC?
Cuando ya sabes exactamente qué cambiar. Una corrección de una línea, un typo, un ajuste de configuración. El método se paga cuando el trabajo necesita descomposición y decisiones de más de una persona. Por debajo de eso, usa un perfil más liviano como Bugfix o Express, o simplemente escribe el código.
A dónde ir ahora
AI-DLC es la respuesta pública más clara hasta ahora a la pregunta que se hace todo líder de ingeniería: cómo construir software con agentes sin perder el control de lo que llega a producción. La respuesta no son los agentes. Son los gates, los artefactos y las personas capaces de juzgarlos. Pon a tu equipo a especificar primero, llévate del método lo que encaje y mide con honestidad cuando la curva se hunda.
Para equipos de ingeniería
¿Vas a llevar AI-DLC a un equipo? Ayudo a organizaciones de ingeniería a puntuar cada proyecto en la escalera L1 a L5, elegir el techo que permite el costo del error y subir un ítem a la vez.
Hablemos