Pular para o conteúdo
artigos
atualizado AI-DLCAI AgentsSpec-Driven DevelopmentSoftware EngineeringAWS

O que é AI-DLC? O ciclo de desenvolvimento orientado por IA, visto de dentro de um rollout

AI-DLC é o método da AWS em que a IA conduz o trabalho e as pessoas decidem nos gates. O que é, como o AI-DLC 2 funciona hoje (5 fases, 33 estágios, 14 agentes, os defaults da 2.11), a diferença para o playbook de SDLC AI-native da Anthropic, quando não usar e por que Spec-Driven Development tem que vir antes. Escrito de dentro de um rollout real.

No AI-DLC, a IA conduz e o humano decide. Todo o resto do método existe para manter honesta a segunda metade dessa frase.

AI-DLC, o AI-Driven Development Life Cycle, é um método de construir software em que um agente de IA planeja o trabalho, faz as perguntas e escreve todos os artefatos, dos requisitos ao código, enquanto pessoas aprovam ou rejeitam o resultado em gates entre uma etapa e outra. A AWS publicou o método em julho de 2025. Desde junho de 2026 ele também vem como AI-DLC 2, um motor de workflow open source que roda dentro do Claude Code, do Kiro (CLI e IDE), do Codex, do Cursor, do opencode e do GitHub Copilot. A release atual é a 2.11.0, de 8 de outubro de 2026: cinco fases, 33 estágios, 14 agentes.

O AI-DLC não é o playbook de SDLC AI-native da Anthropic. Aquele é outro documento, de outra empresa, e muita gente confunde os dois; a diferença tem uma seção própria mais abaixo.

Escrevo sobre Spec-Driven Development há um ano e construí uma fintech de 13 apps em 70 dias especificando antes de gerar. Nos últimos meses também estive dentro de uma grande organização de engenharia onde o AI-DLC saiu dos squads piloto e virou um programa de treinamento para as pessoas que vão espalhar o método por todos os times. Tudo o que vem a seguir sai do método público, da release atual e desse rollout, sem os nomes.

AI-DLC é um método, não uma ferramenta

Comece pelo que todo mundo erra primeiro. AI-DLC é um jeito de organizar o trabalho de software em volta de um agente de IA. A AWS descreve como metodologia, e as análises independentes concordam. O texto da TT PSC resumiu em uma linha: a contribuição do AI-DLC “não é a geração de código em si”, é “um modelo operacional controlado em que a IA participa de Inception, Construction e Operations, enquanto os humanos continuam responsáveis pelas decisões”.

A ferramenta veio depois. A primeira versão aberta, em novembro de 2025, era um conjunto de arquivos de regras para o Amazon Q e de steering files para o Kiro. O AI-DLC 2 transformou isso num motor com comando próprio, aidlc, que instala o workflow dentro do agente de código que você já usa. A AWS chama cada um desses agentes de harness: o Claude Code é um, o Cursor é outro. Dá para praticar o método sem o motor. Não dá para tirar valor do motor sem o método.

O AI-DLC 2 em números

fases
5
de Initialization a Operation
estágios
33
cada um com um agente líder
agentes
14
11 especialistas, 2 revisores, 1 composer
harnesses
7
Claude Code, Kiro, Codex, Cursor e outros
Repositório público awslabs/aidlc-workflows, release 2.11.0 (8 de outubro de 2026), conferido em 13 de outubro de 2026.

A IA faz as perguntas e você decide

O coração do método é uma inversão. No desenvolvimento assistido por IA comum, quem começa a conversa é você. Você escreve o prompt, a IA ajuda numa tarefa, e o processo em volta continua o mesmo que o time já tinha. No AI-DLC quem começa é a IA. Você entrega uma intenção, e ela propõe o plano, pergunta o que precisa saber, rascunha o artefato e para esperando a sua aprovação antes de seguir.

O whitepaper usa um app de navegação para explicar. Você define o destino. O app dá as curvas. Você continua olhando a estrada e pode pegar outra rua, mas parou de ler o mapa.

Desenvolvimento assistido por IA

  1. 01Você escreve o prompt e a IA responde
  2. 02A IA ajuda numa tarefa por vez
  3. 03O processo é o que foi feito para humanos
  4. 04As decisões ficam no histórico do chat

AI-DLC

  1. 01Você declara uma intenção e a IA faz as perguntas
  2. 02A IA propõe o plano e a decomposição
  3. 03O processo é refeito em volta da velocidade da IA
  4. 04As decisões ficam em arquivos versionados no repo
A troca é de quem dirige. O humano não saiu. O humano foi para os gates.

Isso muda o que é trabalho bom para você. Você não ganha mais escrevendo o prompt perfeito. Ganha respondendo às perguntas certas com o contexto certo, e se recusando a aprovar o que você não consegue explicar.

Por que a AWS diz que não dá para parafusar IA no Scrum

O primeiro princípio do whitepaper é reimaginar em vez de adaptar. O argumento é simples e eu acho que está certo. O Scrum foi feito para um time de pessoas que precisa de duas semanas para entregar um incremento funcionando, então os rituais têm o tamanho desse ritmo: planning, daily, review, retro. Um agente entrega o mesmo incremento em horas. Mantenha os rituais de duas semanas e o agente passa a maior parte da vida esperando uma reunião.

O paper dá nome aos dois fracassos dos lados. O desenvolvimento assistido por IA mantém o processo antigo e acrescenta autocomplete, então nunca muda a estrutura do trabalho. O desenvolvimento autônomo deixa o agente construir sozinho, o que ainda não funciona, porque o contexto e as decisões críticas ainda dependem de uma pessoa. O AI-DLC fica no meio: a IA conduz, o humano aprova.

O vocabulário: Intent, Unit, Bolt

O AI-DLC renomeou as partes do trabalho de propósito. O sétimo princípio do whitepaper diz que um praticante deve conseguir começar em um dia, então cada termo novo corresponde a um antigo.

Palavras velhas, palavras novas

Termo do AI-DLCO que substituiO que significa
IntentÉpico de negócioA declaração do que precisa ser alcançado e por quê. O ponto de partida que a IA decompõe.
UnitÉpico técnicoUma parte autocontida da solução que entrega valor mensurável e pode ser construída e implantada sozinha.
BoltSprintUma fatia de entrega medida em horas ou dias, não em semanas. No AI-DLC 2, uma fatia planejada sobre uma ou mais Units dependentes.
Mob ElaborationPlanning e refinamentoO time e a IA numa sessão só: a IA propõe histórias e Units, o time corrige.
Mob ConstructionCódigo, review, testesA IA gera design, código e testes; os engenheiros aprovam ou pedem mudanças em cada passo.
Deployment UnitRelease candidateCódigo, configuração e infraestrutura testados em função, segurança e requisitos não funcionais.
Bolt não é sprint com outro nome. É mais curto porque a IA comprime o tempo de produzir um artefato de dias para minutos.

Uma ideia antiga mudou de casa: os steering files. Na versão 1 eram arquivos markdown no repositório que diziam ao Kiro ou ao Amazon Q as regras do projeto. No AI-DLC 2 esse papel é de regras guardadas numa pasta de memória, em camadas de organização, time, projeto e fase, e cada harness carrega essas regras sozinho.

Dois termos da tabela merecem uma segunda olhada. A Intent é a única entrada que um humano precisa acertar, e o método quase não diz como acertar. A lacuna é grande o suficiente para ganhar um artigo só dela. E o Mob Elaboration é onde mora a maior parte do valor e da dor. É um ritual, com regras sobre quem senta na sala, e tem um guia próprio.

Cinco fases e 33 estágios no AI-DLC 2

A primeira versão do AI-DLC tinha três fases: Inception, Construction e Operations. O AI-DLC 2 tem cinco. Ganhou Initialization, que monta o workspace em menos de um segundo sem nenhuma pessoa envolvida, e Ideation, que transforma um pedido vago numa iniciativa aprovada antes de qualquer requisito ser escrito.

O ciclo de vida do AI-DLC 2

  1. 0.1 a 0.3

    Initialization

    Monta o workspace, detecta o projeto, cria o estado. Automático.

    • Workspace Scaffold
    • Workspace Detection
    • State Initialization
  2. 1.1 a 1.7

    Ideation

    Vale a pena construir isso, e o que exatamente é?

    • Intent Capture and Framing
    • Market Research
    • Feasibility
    • Scope Definition
    • Team Formation
    • Rough Mockups
    • Approval and Handoff

    Gate: Gate de verificação 1

  3. 2.1 a 2.9

    Inception

    Requisitos, design e as Units de trabalho.

    • Reverse Engineering
    • Practices Discovery
    • Requirements Analysis
    • User Stories
    • Refined Mockups
    • Domain Design
    • Units Generation
    • Contract Design
    • Delivery Planning

    Gate: Gate de verificação 2

  4. 3.1 a 3.7

    Construction

    Design, código e testes, uma Unit por vez.

    • Functional Design
    • NFR Requirements
    • NFR Design
    • Infrastructure Design
    • Code Generation
    • Build and Test
    • CI Pipeline

    Gate: Gate de verificação 3

  5. 4.1 a 4.7

    Operation

    Deploy, observabilidade e o que se aprende volta para a Ideation.

    • Deployment Pipeline
    • Environment Provisioning
    • Deployment Execution
    • Observability Setup
    • Incident Response
    • Performance Validation
    • Feedback and Optimization
Todo estágio que o seu perfil roda, fora da Initialization, termina num gate de aprovação humana; na Construction o padrão é uma aprovação por Unit. Os gates de verificação rodam checagens automáticas de rastreabilidade entre as fases. Lista de estágios da documentação da 2.11.0, conferida em 13 de outubro de 2026.

Dois tipos de checkpoint atravessam esse mapa, e a diferença importa. No fim de cada estágio que o seu perfil roda existe um gate de aprovação: você responde Approve ou Request Changes, com as suas palavras, e nada anda até você responder. Entre as fases existe um gate de verificação: uma checagem automática de que cada requisito vira uma história, nada ficou órfão e os artefatos concordam entre si. O primeiro pega julgamento ruim. O segundo pega ligação quebrada.

A Construction dobra a primeira regra, e muito explicador não percebe. Por padrão o motor leva uma Unit por vez pelos estágios de design e pelo código, e você aprova cada Unit num checkpoint só, em vez de aprovar estágio por estágio. A Construction também oferece o Continue automatically, que deixa o motor seguir depois de cada Unit sem perguntar, e aí os checkpoints comuns de conclusão também somem. O que ainda te para: o plano de código (a menos que a aprovação de plano esteja desligada para aquele trabalho), a confirmação de resumo se estiver ligada, a aprovação do walking skeleton, a sua escolha do comando que prova que uma Unit funciona, e toda falha. Nenhum perfil ou configuração deixa o agente aprovar um gate no seu lugar; a documentação exige uma mensagem real de uma pessoa, e só uma flag de bypass para a máquina inteira baixa isso.

Cada estágio tem um agente líder. A AWS entrega 14: 11 especialistas de domínio (produto, design, entrega, arquitetura, plataforma AWS, compliance, DevSecOps, desenvolvimento, qualidade, pipeline e deploy, operações), dois revisores que julgam requisitos e design técnico, e um composer que monta rotas sob medida. O princípio de design é “Small Mob, Broad Agents”: poucos agentes amplos em vez de dezenas de especialistas estreitos, porque uma cadeia de especialistas estreitos é só waterfall com marketing melhor.

A maioria dos estágios roda inline, na sua conversa com o agente. Quatro são montados de outro jeito. Reverse Engineering é um pipeline de dois passos (um agente de desenvolvimento varre o código, um agente de arquitetura escreve a síntese). Practices Discovery e Code Generation rodam como subagents despachados. User Stories foi desenhado como um mob de agentes (agentes, não pessoas; o ritual humano é o Mob Elaboration), com os agentes de design, desenvolvimento e qualidade escrevendo em paralelo.

Desde a 2.11.0 esse mob de agentes é opcional. Todo estágio tem um agente líder e pode listar agentes de apoio que revisam ou contribuem, como o agente de DevSecOps num estágio de design. Esses agentes de apoio só entram quando a configuração collaborators está ligada, e ela vem ligada só no perfil enterprise. Em todo o resto cada estágio roda com o agente líder, e /aidlc --collaborators on traz os outros de volta para um trabalho. De um jeito ou de outro, tudo é gravado numa pasta por intent dentro do seu repo, com um arquivo de estado e um log de auditoria só de acréscimo com 115 tipos de evento em 25 categorias (documentação da 2.11.0, conferida em 13 de outubro de 2026).

A escolha de design mais importante do AI-DLC 2 não aparece nesse mapa. A rota é decidida por um motor determinístico, código comum, e não pelo modelo. O modelo pensa dentro de cada estágio. O motor decide qual estágio vem depois, uma Unit só conta como verificada por um comando de checagem que uma pessoa aprovou, os revisores são outros agentes, e guardas impedem o modelo de mover o estado do workflow por conta própria. A versão 1 confiava que o agente seguiria regras escritas em prosa, e o slop nasce exatamente dessa confiança: um modelo que escolhe a própria rota e corrige a própria lição. A versão 2 tirou esses poderes dele. Desde a 2.11 a maioria dos perfis começa com parte dessas guardas baixada (mais sobre Guard Policy abaixo), e a documentação chama a proteção de escrita da auditoria de guardrail, não de fronteira de segurança. O que nenhuma configuração baixa é o gate humano.

Os detalhes do que mudou entre as versões, e de quais gambiarras caseiras o AI-DLC 2 tornou obsoletas, estão em AI-DLC 2: o que mudou.

Um bugfix não precisa de 33 estágios

O décimo princípio do whitepaper original é o que eu guardaria se só pudesse guardar um: nada de workflow engessado. Um bugfix não precisa de modelagem de domínio. Uma feature nova precisa. A IA propõe a profundidade, e o humano ajusta.

O AI-DLC 2 transformou esse princípio em 11 perfis de workflow (a documentação chama de scopes). Você escolhe um pelo nome, ou descreve o trabalho e o motor sugere.

Perfis de workflow no AI-DLC 2

PerfilEstágiosUse para
Classic18 / 33A cerimônia da versão 1: Inception e Construction, uma aprovação por estágio. O padrão quando você não escolhe nada.
Express10 / 33Requisitos já claros. O caminho mais leve dos requisitos até código e testes.
Feature33 / 33Uma feature de produção pelo ciclo inteiro.
Enterprise33 / 33Trabalho regulado ou de alto risco. Profundidade máxima e as guardas mais rígidas.
MVP23 / 33Um primeiro incremento real, sem a fase de Operation.
Proof of concept8 / 33Isso funciona, afinal?
Bugfix9 / 33Um defeito conhecido, uma correção focada, um teste de regressão.
Refactor10 / 33Muda a estrutura, mantém o comportamento.
Infrastructure13 / 33Ambientes, IaC, pipelines, custo.
Security patch10 / 33Uma CVE ou uma vulnerabilidade pontual.
Workshop26 / 33Uma sessão de treinamento facilitada.
Para o que não cabe em nenhum, /aidlc compose pede ao agente composer uma rota sob medida e espera a sua aprovação.

A release 2.11.0 também enxugou a cerimônia dentro dos perfis. Todo perfil, menos o enterprise, agora começa trabalho novo com Guard Policy off. A Guard Policy não decide quais gates você vê. Ela decide o quanto as cercas do motor seguram. No strict as cinco ficam de pé. No off quatro caem (reaprovação de plano, congelamento de review, transição de estado, escopo de leitura do revisor), e cada uma que cai ainda vai para o log de auditoria; só a cerca de presença humana e a posse da Unit nunca se mexem. O efeito que você nota: no strict um plano editado volta para aprovação, no off você recebe uma linha dizendo o que mudou e a rodada segue, e dá para aprovar por cima de um review que não terminou. A outra chave nova é /aidlc --plan-approval on|off, que decide se o plano de código precisa da sua aprovação antes de o código ser escrito. Ela vem desligada no express e no poc e ligada no resto, e o agente nunca pode desligá-la por você. Se o seu time precisa do rigor antigo, uma linha Mode: strict no arquivo de memória do time segura isso para todo mundo. Fonte: as notas da release 2.11.0, conferidas em 13 de outubro de 2026.

E existe uma décima segunda resposta que a tabela não lista: não usar AI-DLC. No rollout que acompanhei, um engenheiro rodou o ritual inteiro para mudar uma única linha de código. O playbook interno logo ganhou uma regra nova, escrita por alguém do piloto: se você já sabe exatamente o que digitar, digite. O AI-DLC se paga quando o trabalho pede decomposição e decisões de mais de uma pessoa. Abaixo disso, a cerimônia custa mais do que economiza.

Dez princípios, e o único que o AI-DLC 2 força

O whitepaper, escrito por Raja SP na AWS, se apoia em dez princípios. A maioria dos explicadores só lista. A pergunta útil é quais o motor que a AWS entrega manteve, porque é o motor que o seu time vai rodar de verdade.

Os dez princípios do AI-DLC contra a release 2.11.0

#PrincípioO que pedeNo AI-DLC 2.11
1Reimaginar em vez de adaptarDesenhar o processo em volta da IA, não enfiar IA no processo antigo.Mantido. Bolts no lugar de sprints; cinco fases no lugar do calendário de cerimônias.
2Inverter a direção da conversaA IA planeja e pergunta; a pessoa responde e aprova.Mantido. Cada estágio faz as perguntas e para num gate de aprovação.
3Técnicas de design no núcleoDDD, BDD e TDD fazem parte do método, não são escolha do time.Mantido como estágios: Domain Design, Functional Design, NFR Design, Build and Test.
4Alinhar com a capacidade da IAA IA ainda não é autônoma, então pessoas validam.Reforçado. Um motor determinístico decide a rota, e um gate exige uma mensagem real sua.
5Atender sistemas complexosManter contexto entre serviços, usuários e código antigo.Mantido: Reverse Engineering para brownfield, trabalho em vários repos, Units na ordem das dependências.
6Manter o que melhora a simbiose humanaManter os pontos de contato humanos que melhoram decisões.Mantido: um gate de aprovação em cada estágio. A 2.11 enxugou os agentes em volta do gate, não o gate.
7Facilitar a transição pela familiaridadeMapear termos novos nos antigos para o time começar em um dia.Mantido. O perfil Classic é a cerimônia da versão 1.
8Enxugar responsabilidadesMenos passagens de bastão entre times especialistas.Mantido como Small Mob, Broad Agents: 14 agentes amplos, não dezenas de estreitos.
9Minimizar estágios, maximizar fluxoMenos fronteiras entre fases, ciclos de feedback mais curtos.Forçado. O mapa completo tem 33 estágios; a maioria dos perfis corta uma rodada para 8 a 18.
10Nada de workflow engessadoA IA propõe a profundidade; a pessoa ajusta.Mantido: 11 perfis mais um agente composer para rotas sob medida.
Princípios do whitepaper AI-DLC Method Definition. Comportamento do motor pela documentação do awslabs/aidlc-workflows na 2.11.0, conferida em 13 de outubro de 2026.

Nove de dez sobreviveram. O que força é o nono. Um método que pede para minimizar estágios agora tem 33, e a resposta da AWS foi deixar você pular a maioria a cada rodada em vez de ter menos estágios. Funciona quando alguém escolhe o perfil de propósito. Falha quando o time roda o mapa inteiro só porque ele existe.

Os gates são o método

Tire tudo do AI-DLC e sobra um loop. A IA produz um artefato. Uma pessoa confere. O próximo passo usa o artefato conferido como entrada. O whitepaper chama cada conferência humana de função de perda (loss function): ela pega a decisão errada onde voltar atrás é barato, antes que ela se multiplique por tudo o que vem depois.

Essa leitura está certa, e esconde o ponto mais fraco do método. O gate só é tão bom quanto a pessoa parada nele, e a IA produz artefatos mais rápido do que uma pessoa consegue ler com cuidado. O que eu vi quebrar, em ordem de frequência:

Como os gates falham na prática

  • O artefato parece completo e não diz nada.Um documento de requisitos bem formatado parece de verdade. Alguém de produto no rollout comparou com um e-mail falso do banco: o formato familiar desliga o ceticismo.
  • Quem revisa está cansado.Depois de uma hora lendo documentos gerados, as pessoas aprovam sem ler. Sessões com mais de uma hora viraram carimbo.
  • Quem revisa não conhece o domínio.Os seniores interrogavam cada afirmação e demoravam mais. Os juniores aceitavam a primeira saída. Quanto menos você sabe, mais você confia.
  • A décima aprovação do dia.A confiança se calibra pelo histórico. O agente acertou nove vezes, então a décima ganha uma olhada.
Nenhum desses é bug de ferramenta. São limites humanos, e o método só funciona se for desenhado em volta deles.

A correção é mais de ritmo do que de ferramenta. Sessões de uma hora. Pausa entre gates; o arquivo de estado faz a pausa custar zero. Manager presente nos primeiros mobs para segurar a pressa de aprovar. E uma regra para toda pessoa que revisa: antes de aprovar, diga numa frase o que o artefato faz e por que está certo. Se não consegue, você não terminou de ler. O argumento completo, com as contramedidas, está em gates são uma função de perda.

O AI-DLC precisa de Spec-Driven Development antes

Aqui está a minha principal discordância com o jeito como o AI-DLC costuma ser apresentado. Os times ouvem falar, se empolgam com os agentes e as fases, e tentam pular do autocomplete para um ciclo de 33 estágios. Não funciona, e o motivo não é a ferramenta.

O AI-DLC assume que o seu pessoal já sabe especificar. Cada gate pede para uma pessoa julgar uma spec: requisitos, histórias, design, o plano de cada Unit. Um time que nunca praticou escrever spec não consegue julgar uma. Então o agente produz artefatos plausíveis baseados nas próprias suposições, as pessoas aprovam porque parecem bons, e o código que sai do outro lado precisa ser consertado na mão. A execução que o agente deveria carregar volta para as pessoas. Isso é mais lento do que escrever o código você mesmo.

O modelo vai satisfazer qualquer especificação que você der, boa ou ruim. Estatisticamente ele cai em qualquer ponto entre a melhor e a pior versão do que você quis dizer. Especificar bem é a única alavanca que mexe nessa distribuição, e é por isso que eu vejo Spec-Driven Development como o degrau antes do AI-DLC, não como concorrente.

Coloque o AI-DLC na escada agêntica que uso com times, de L1 a L5, e ele cai num degrau só: L4, onde o agente planeja, constrói e entrega atrás de um gate, e a pessoa aprova no gate. Os degraus de baixo são onde o time aprende a escrever e julgar specs. Pule esses degraus e os gates viram carimbo.

O caminho até o AI-DLC na escada L1 a L5

  1. L1

    Assistido

    Autocomplete dentro do Scrum que você já roda. Quem desenvolve escreve e decide tudo.

    Digitação mais rápida. Mesma estrutura.

  2. L2

    Supervisionado

    O agente muda arquivos a pedido, a partir de uma spec escrita dentro da tarefa. Uma pessoa revisa cada diff.

    O time aprende a escrever e julgar specs.

  3. L3

    Pull request

    O agente pega a tarefa inteira a partir da spec e abre o pull request. Você verifica contra a spec.

    A spec vira contrato, não papelada.

  4. L4

    Autônomo

    O agente planeja, decompõe e constrói; as pessoas decidem nos gates.

    É aqui que o AI-DLC começa a se pagar.

  5. L5

    Totalmente agêntico

    Bolts medidos em horas, e a Operation alimentando a Ideation sem uma pessoa iniciar cada ciclo.

    Para onde o whitepaper aponta. O motor ainda precisa de uma pessoa para iniciar o próximo ciclo, então trate como direção.

5 níveis, do mais básico (Assistido) ao mais avançado (Totalmente agêntico).

A maioria dos times que eu encontro está em L1 ou L2 e acha que está perto do topo, porque já entrega mais rápido do que no ano passado. Como pontuar o seu time em cada degrau, e por que o item mais fraco define o seu teto, está no playbook de agentic SDLC. O argumento mais estreito, hábito de spec primeiro e ciclo depois, está em AI-DLC vs Spec-Driven Development.

AI-DLC e o playbook de SDLC AI-native da Anthropic respondem perguntas diferentes

Busque “Anthropic AI-DLC” ou “Claude AI-DLC” e o Google mostra o AI-native SDLC playbook da Anthropic. Ele não é o AI-DLC. A AWS escreveu o AI-DLC; a Anthropic escreveu o playbook. A confusão faz sentido: os dois começam de uma intenção escrita em palavras comuns, os dois encadeiam artefatos versionados de uma etapa para a outra, e os dois colocam a pessoa nos gates em vez de em cada linha.

A diferença está no que cada um te entrega.

AI-DLC da AWS

  1. 01Um método mais um motor open source que você instala (aidlc)
  2. 02Cinco fases, 33 estágios, 14 agentes, 11 perfis
  3. 03Um motor determinístico decide qual estágio roda depois
  4. 04Roda em sete harnesses, entre eles o Claude Code
  5. 05Você adota o ciclo, ou um perfil dele

Playbook de SDLC AI-native da Anthropic

  1. 01Um playbook de plays, sem motor para instalar
  2. 02Seis estágios: Plan, Design, Build, Test, Deploy, Maintain
  3. 03Cada estágio commita um arquivo que o próximo lê: intent.md, spec.md, plan.md, o diff, o PR
  4. 04Montado sobre recursos do Claude Code: plan mode, CLAUDE.md, skills, hooks como gates de aprovação
  5. 05Você adota play por play, na ordem das dependências
Os dois documentos conferidos em 13 de outubro de 2026. Mesma direção, unidade de adoção diferente: um ciclo contra um conjunto de práticas.

Então eles respondem perguntas diferentes. O AI-DLC responde “que processo o time roda, estágio por estágio, e quem aprova o quê”. O playbook responde “qual parte do SDLC que já temos a gente muda agora”. Um time no Claude Code pode usar os dois: rodar o AI-DLC dentro do Claude Code e pegar plays como hooks como gates de aprovação ou evals contínuos no CI onde os estágios do AI-DLC são rasos. O setup da primeira metade está em AI-DLC com Claude Code.

Uma coisa que o playbook acerta e o AI-DLC deixa com você: ele reserva o code review humano para código regulado e crítico, e deixa camadas de review agêntico cuidarem do resto. O AI-DLC ainda coloca uma pessoa em cada aprovação, e o rollout que acompanhei mostrou o que o review humano custa na velocidade de um agente: o code review nunca foi redesenhado para o volume, e as mudanças empilharam à espera de alguém.

Não adote o AI-DLC em bloco

O AI-DLC é o framework público mais completo para construir com agentes. Mesmo assim eu não diria para um time adotar.

Adotar em bloco é anunciar “agora a gente faz AI-DLC”. As pessoas vão ler o paper e assistir às palestras, e tentam reproduzir um método desenhado por uma empresa com outra escala, outra cultura e outra stack. Estudam em vez de construir. E quando não encaixa, culpam a si mesmas ou o método.

Trate como gôndola de supermercado. Leve o que resolve um problema que você tem de verdade: artefatos que ficam no repo, gates entre as etapas, fatias medidas em horas, o hábito de deixar a IA perguntar. Deixe o resto. Escreva o que levou, o que deixou e por quê.

O AI-DLC 2 é a prova de que essa é a postura certa. Os times que adotaram a versão 1 construíram camadas por cima: arquivos de estado, retrospectivas, construção em paralelo, regras próprias. O AI-DLC 2 entregou a maior parte disso como recurso nativo. O encanamento caseiro ficou obsoleto numa release. O que sobreviveu foi o julgamento que esses times tinham codificado: as regras contra vibe coding, o ritual para moldar uma intenção, o senso de quando não usar o método. O argumento está em não adote o AI-DLC, roube dele.

O que acontece quando um time de verdade roda o método

A documentação descreve o método. O rollout acrescentou isto.

O throughput sobe desde o primeiro dia e o cycle time piora antes de melhorar. O agente produz código na hora, então as mudanças mergeadas por dev disparam. Mas ninguém redesenhou o code review para o volume novo, então as mudanças se acumulam esperando uma pessoa, e o tempo entre o primeiro commit e o deploy sobe antes de cair. Essa curva em J é a coisa mais previsível de um rollout de AI-DLC, e o motivo mais comum para um manager matar o rollout cedo demais. Mais em por que o AI-DLC te deixa mais lento primeiro.

A context window é restrição de design, não detalhe. Uma Inception num repositório real enche boa parte de uma janela de um milhão de tokens. Os times aprenderam a limpar o contexto em todo gate, nunca no meio de uma fase, e a retomar pelo arquivo de estado. A qualidade caía visivelmente quando a janela passava de três quartos. Código legado piora tudo, porque o agente precisa fazer engenharia reversa do que existe antes de propor qualquer coisa. Está tudo em AI-DLC em brownfield.

Produto não precisa ficar no mob inteiro. Depois da engenharia reversa o agente faz uma lista longa de perguntas, e a maioria é técnica. O padrão que funcionou: os engenheiros respondem as técnicas, e produto entra nas dúvidas de negócio. O guia de Mob Elaboration tem o resto do ritual.

As regras que seguraram a qualidade eram pequenas e específicas. Nunca edite código gerado na mão; volte para o design. Comece as perguntas exploratórias com “Do not update any documents.” Peça a crítica num contexto limpo, porque o agente defende o que escreveu. Estão reunidas em seis regras contra vibe coding dentro do AI-DLC.

E o trabalho muda. Os squads encolhem para pods de um engenheiro e um PM. Engenheiros de backend entregam front-end. O engenheiro continua dono do código em produção, porque quando quebra de madrugada não é o agente que recebe a ligação. Matrizes de competência que premiam escrever código começam a premiar a coisa errada. Isso é do squad ao pod, e o lado da medição está em depois dos story points.

Como começar sem jogar fora um trimestre

Uma primeira rodada de AI-DLC que te ensina alguma coisa

Entrada

Um time que já escreve spec e quer testar o AI-DLC

  1. REPODeixe o repositório legível para um agente

    Um AGENTS.md ou CLAUDE.md curto com a stack, os padrões, as bibliotecas proibidas e um exemplo de cada. Código legado sem isso produz chute.

  2. PICKEscolha uma feature real, não uma correção de uma linha

    Algo que peça decomposição e decisões de mais de uma pessoa. Pequeno o bastante para terminar numa semana.

  3. INSTALLInstale o motor no agente que você já usa

    aidlc config para o seu harness, depois aidlc doctor. O setup completo no Claude Code tem guia próprio.

  4. RUNRode o perfil Classic

    O Classic é a cerimônia da versão 1 e o começo mais suave: Inception e Construction, 18 estágios. O Feature roda os 33; deixe para depois. Sessões de uma hora, contexto limpo nos gates, e ligue collaborators se quiser o mob de agentes de volta.

  5. MEASURELeia o throughput ao lado do cycle time

    Espere a curva em J. Decida depois de umas quatro semanas se você está aprendendo ou travado.

Saída

Uma feature entregue pelo método, e uma lista honesta do que manter, mudar ou largar.

O setup concreto, com os comandos, está em AI-DLC com Claude Code. Se o seu time ainda não especifica, comece um degrau antes com como escrever uma spec, ou com um kit mais leve, como o claude-sdd-kit para Claude Code ou o pi-sdd-kit para pi, e volte quando escrever e julgar spec parecer normal.

O que as análises independentes acrescentam

A AWS escreveu o método, então leia quem não escreveu. O guia de AIDLC da Augment Code mapeia os nomes concorrentes para a mesma mudança (o AI-DLC da AWS, o agentic software development da Forrester, o ADLC da Cycode). A Wiz lê o método como problema de segurança: a velocidade é o ativo e o risco ao mesmo tempo, com cerca de um quinto dos pacotes sugeridos pela IA apontando para dependências que não existem. A Mission Cloud acrescenta a ideia de spec viva, mantida em sincronia com o código por um agente.

A Augment também dá nome à escolha real por trás disso tudo: human in the loop, em que uma pessoa aprova cada passo, contra human on the loop, em que uma pessoa observa e intervém. O AI-DLC como a AWS entrega está firme no loop. A 2.11.0 andou um pouco para o on the loop, com defaults mais leves e o Continue automatically na Construction, mas um gate ainda precisa de uma pessoa. As análises convergem no ponto que o rollout me ensinou: a IA não é a parte difícil. As pessoas nos gates são.

Perguntas frequentes

O que significa AI-DLC?

AI-Driven Development Life Cycle, o ciclo de vida de desenvolvimento orientado por IA. É um método de desenvolvimento de software publicado pela AWS em julho de 2025, em que um agente de IA planeja o trabalho e produz os artefatos enquanto as pessoas aprovam ou rejeitam nos gates. A implementação open source fica em github.com/awslabs/aidlc-workflows.

Quais são as fases do AI-DLC?

O método original tem três: Inception, Construction e Operations. A maioria dos artigos ainda ensina essas.

O AI-DLC 2, a versão que a AWS entrega hoje, tem cinco: Initialization, Ideation, Inception, Construction e Operation, com 33 estágios entre elas. Release 2.11.0, conferida em 13 de outubro de 2026.

O AI-DLC é da Anthropic?

Não. O AI-DLC vem da AWS. A Anthropic publicou outro documento, o AI-native SDLC playbook: seis estágios de plays montados sobre recursos do Claude Code, sem motor para instalar. O AI-DLC roda dentro do Claude Code, e provavelmente é daí que vem a confusão.

AIDLC é o mesmo que o AI-DLC da AWS?

Quase sempre, sim. A AWS escreve AI-DLC no texto e aidlc no nome do repositório e no comando. Alguns fornecedores usam AIDLC de forma mais solta para qualquer jeito de tocar entrega de software com IA, então confira se a página fala do método da AWS ou de uma ideia geral.

O AI-DLC é só para quem usa AWS?

Não. O método não depende de fornecedor, e o AI-DLC 2 roda dentro do Claude Code, Kiro CLI, Kiro IDE, Codex CLI, Cursor, opencode e GitHub Copilot com o mesmo motor.

Ficam as digitais da AWS: um dos 14 agentes é especialista em plataforma AWS, e vêm junto servidores MCP opcionais da AWS. Em outra nuvem você ignora ou troca.

Alguém já implementou AI-DLC no trabalho? Como foi?

Acompanhei um rollout numa grande organização de engenharia, dos squads piloto até um programa de treinamento. O throughput subiu primeiro e o cycle time piorou antes de melhorar, porque o review não foi redesenhado para o volume.

O que segurou a qualidade foi ritmo e regras pequenas: sessões de uma hora, limpar o contexto nos gates, nunca editar código gerado na mão. Os detalhes estão nas seções acima.

O AI-DLC substitui o Scrum ou o Agile?

Substitui os rituais, não os valores. As sprints viram bolts medidos em horas, o planning vira Mob Elaboration e a daily encolhe para poucos minutos. Kanban encaixa melhor do que sprint.

Os times que tentaram manter sprints de duas semanas em volta de um agente viram o agente esperando o calendário.

O que acontece com o Scrum Master no AI-DLC?

O método não fala do papel. Os rituais que um Scrum Master conduz encurtam ou somem, e aparece um novo: alguém precisa facilitar o Mob Elaboration, manter as sessões em uma hora e impedir a sala de aprovar o que ninguém leu. A AWS publica um guia de facilitação para quem conduz um time nos primeiros workflows.

Como AppSec entra no AI-DLC?

Dentro do método, um agente de DevSecOps e um de compliance participam dos estágios, existe um perfil security-patch para CVEs, e o perfil enterprise segura as guardas mais rígidas. Fora dele, vale o ponto da Wiz: agentes entregam mais rápido do que um time de segurança revisa, então checagens que rodam em toda mudança importam mais do que uma fila de review.

Qual a diferença entre AI-DLC e Spec-Driven Development?

Spec-Driven Development é uma prática: escreva a spec, deixe o agente construir a partir dela, verifique contra ela. O AI-DLC é um ciclo completo que assume que o seu time já faz isso, e acrescenta fases, gates, agentes e rituais de time em volta. SDD é o pré-requisito, não a alternativa.

O que é um Bolt no AI-DLC?

Bolt é a fatia de entrega que substitui a sprint: trabalho medido em horas ou dias em vez de semanas. No AI-DLC 2 é uma fatia planejada sobre uma ou mais Units dependentes, e a ordem de construção segue o grafo de dependências entre as Units.

Preciso do Kiro para usar AI-DLC?

Não. O Kiro foi a primeira casa dos steering files do AI-DLC, mas o AI-DLC 2 trata sete harnesses como primeira classe, incluindo Claude Code, Cursor e Codex.

O AI-DLC é gratuito?

É. Os workflows são open source sob a licença MIT-0. Você paga pelo modelo que o seu agente usa, e uma rodada de AI-DLC lê e escreve muito contexto, então acompanhe a conta de tokens nas primeiras rodadas.

Quando não usar AI-DLC?

Quando você já sabe exatamente o que mudar. Uma correção de uma linha, um typo, uma configuração. O método se paga quando o trabalho pede decomposição e decisões de mais de uma pessoa. Abaixo disso, use um perfil mais leve como Bugfix ou Express, ou simplesmente escreva o código.

Para onde ir agora

O AI-DLC é a resposta pública mais clara até agora para a pergunta que todo líder de engenharia está fazendo: como construir software com agentes sem perder o controle do que vai para produção. A resposta não são os agentes. São os gates, os artefatos e as pessoas capazes de julgá-los. Coloque o seu time para especificar primeiro, leve do método o que encaixa e meça com honestidade quando a curva afundar.