Desarrollo guiado
por IA.
Este sitio es una guía operativa para que equipos de desarrollo adopten IA de forma disciplinada, sin perder calidad ni control técnico. No se trata de usar herramientas por separado: es una metodología completa que ordena cómo el equipo toma decisiones, genera artefactos y construye software con IA en cada etapa del ciclo.
Sigue este orden para comprender AI-SDLC desde los conceptos básicos hasta la implementación avanzada. Para equipos nuevos: completa los laboratorios 01-06 antes de intentar aplicar en producción.
Implementación Pixarron/Mentora
Esta es una implementación concreta de AI-SDLC. La metodología es portable y puede adaptarse a otros stacks, pero aquí mostramos cómo se aplica con nuestras herramientas actuales.
El proceso completo
Cada etapa produce artefactos que alimentan la siguiente. La IA actúa en cada fase, pero los humanos controlan las decisiones críticas.
Flujo Jira recomendado
Métricas DORA 2025
El marco de referencia para medir el desempeño de ingeniería. La edición 2025 agregó Reliability como quinta métrica y renombró MTTR a Failed Deployment Recovery Time.
Fuente: dora.dev · Reporte 2025
Las 7 capacidades que amplifican el impacto de la IA
DORA 2025 identifica 7 capacidades organizacionales que amplifican el valor de adoptar IA, y que cuando faltan, hacen que la IA empeore el desempeño. Estas no son métricas — son condiciones del entorno. Click en cada capacidad para profundizar.
Fuente: DORA 2025 — State of AI-assisted Software Development
Arquitectura y stack para scaleup de IA moderna
Click en cualquier componente para ver descripción, propósito, cuándo se usa y si la intervención es humana o de IA.
Herramientas por capa
Cada herramienta tiene un rol preciso en el proceso. La clave no es tener más herramientas, sino saber cuándo y cómo usarlas dentro del flujo metodológico.
El stack en acción
Así se mueven las herramientas a través del proceso en cada escenario del equipo.
Plantillas listas para usar
Copia, adapta y versiona en Confluence y GitHub. La consistencia entre artefactos es lo que permite que la IA entienda el contexto del proyecto.
Principios del desarrollo guiado por IA
Estas reglas son las que separan a los equipos que usan IA como una calculadora de los que la integran como parte del proceso de ingeniería.
Cobertura del stack actual
📚 Bases metodológicas que sustentan este modelo Click para expandir · 9 prácticas
Los 9 principios anteriores no nacieron en este sitio: son síntesis de prácticas establecidas por la industria. Esta es la genealogía intelectual de AI-SDLC. Click en cualquier base para ver origen, definición y aplicación concreta en este modelo.
Modelo de madurez AI-SDLC
Cinco niveles progresivos (0 → 4). El objetivo no es saltar al final: cada nivel asienta las bases del siguiente. Avanza de forma deliberada.
Evalúa tu madurez AI-SDLC
Responde el checklist para diagnosticar tu nivel actual y obtener recomendaciones personalizadas.
Nivel 3 — Arquitectura multi-agente
La evolución natural del nivel 2: en lugar de un agente generalista, múltiples agentes especializados colaboran orquestados por la SPEC. Cada agente tiene un rol definido, herramientas específicas y puntos de control donde el humano valida.
Herramientas de orquestación
Roadmap de mejoras — tu stack
¿Está tu equipo listo para AI-SDLC?
La metodología no es universal. Sin cimientos, amplifica el caos existente. Esta sección te ayuda a evaluar si es el momento, cuándo evitarla, y cómo medir si realmente funciona.
Pre-requisitos antes de adoptar
Si tu equipo no cumple al menos 7 de 10, no estás listo para AI-SDLC todavía. Resuelve los fundamentos primero.
Cuándo NO usar la metodología completa
SDD y PromptOps son overhead en ciertos contextos. Sé honesto: si estás en alguno de estos escenarios, aplica solo las partes que sumen.
Cómo medir si la metodología está funcionando
Los KPIs de adopción son distintos de las métricas DORA. Miden si el propio método está siendo usado y generando valor.
Convenciones y acuerdos de trabajo
Las convenciones no son burocracia: son el lenguaje común que permite que la IA entienda el repositorio y que el equipo trabaje sin fricción.
PromptOps: prompts como código
Los prompts son artefactos de ingeniería, no solo strings. Deben versionarse, revisarse y pasar por las mismas etapas de calidad que el código.
├── chatbot/
│ ├── system.v1.md
│ ├── system.v2.md
│ └── persona-support.v1.md
├── evaluator/
│ └── academic-feedback.v1.md
/evals
└── chatbot-basic.yaml
/datasets
└── student-answers.json
PROMPT_CHANGELOG.md
2. Prompt inicial en /prompts/{nombre}.v1.md
3. Implementación y testing
4. Evaluación con dataset
5. PR con comparación de versiones
6. Deploy y observabilidad
7. Mejora continua → v2, v3...
id: chatbot-system
version: 2
author: jorge.paz
date: 2026-04-28
model: gpt-4o
eval_score: 0.89
---
Eres un asistente...
v2: "Responde en máximo 3 frases cortas, tono pedagógico" → Mejor, pero falta estructura.
v3: "Usa formato: 1) Concepto clave, 2) Ejemplo práctico, 3) Próximo paso" → Optimal.
Cada versión es un archivo separado con metadata, eval_score, y PR de aprobación.
Cómo se calcula el eval_score
El eval_score: 0.89 no aparece por magia. Es la media ponderada de aciertos sobre un eval set fijo de entradas y criterios esperados. Hay dos paradigmas complementarios:
assert output.length < 500
assert json.parse(output)
estos 3 criterios? Devuelve
score 0-1 por cada uno."
eval_score = (Σ assertions_passed · weight) / total_weight. Guárdalo en el frontmatter y regéneralo en CI cada vez que cambie el prompt o el eval set.
A/B Testing de prompts en producción
El eval offline tiene un límite: no captura los patrones reales del tráfico. Antes de promover v2 a default, pásalo por split testing:
v1 (control)v2 (challenger)v2 gana de forma estadísticamente significativa, se promueve a default. Si empata, gana el más barato o el más rápido.
Política de rollback de prompts
Si v3 deteriora producción a las 3am — por ejemplo, empieza a responder fuera de alcance o con latencias altas — debes poder revertir sin redeploy.
PROMPT_VERSION=v2 (en variable de entorno, LaunchDarkly, Unleash o similar). El registry expone todas las versiones publicadas, no solo la "production":// Backend lee el flag en cada request const version = env.PROMPT_VERSION || 'v3'; const prompt = registry.load('chatbot-system', version);
IA y Control Humano
La IA acelera, pero el humano decide. Tabla de responsabilidades claras en cada etapa del ciclo.
Seguridad en el ciclo de desarrollo
La seguridad no es una etapa al final. Es una práctica que se aplica desde el IDE hasta producción — shift-left security.
Antipatrones del desarrollo con IA
Los errores que cometen casi todos los equipos cuando adoptan IA sin metodología. Identificarlos es el primer paso para evitarlos.
Laboratorios de aprendizaje
Ejercicios concretos para que el equipo practique la metodología. Cada lab tiene objetivo, duración estimada y entregable esperado.
Glosario del AI-SDLC
Los términos que el equipo debe conocer para trabajar con esta metodología. Sin lenguaje común, las conversaciones son más lentas y los malentendidos más frecuentes.
FAQ — Dudas comunes del equipo
Las preguntas que surgen siempre cuando un equipo adopta desarrollo guiado por IA. Respuestas directas, sin rodeos.
Referencias
Libros, reportes, papers y recursos que sustentan la metodología AI-SDLC. La idea no es citar todo, sino dar al equipo un punto de entrada confiable para profundizar en cada área.