Modelo de Desarrollo Asistido por IA

Propósito y contexto

Este documento está pensado para equipos que vienen de metodologías Agile, Scrum o Kanban tradicionales y que ahora deben adaptarse a una realidad donde una sola persona, con criterio de negocio y apoyo de IA, puede ejecutar funciones que antes requerían varios roles especializados.

Narrativa base Pasamos de administrar personas y handoffs a administrar contexto, decisiones, prompts, evidencia y validación con usuario final.

Qué NO es este modelo

🚫

No es "tirar código con IA"

El objetivo no es reemplazar disciplina por velocidad. La IA acelera la construcción, pero no elimina el criterio de negocio ni la responsabilidad humana.

🚫

No elimina Agile

Agile evoluciona: de un modelo de equipo distribuido a un modelo compacto asistido por IA. Los principios de entrega incremental y feedback continuo permanecen.

🚫

No es autónomo en producción

La IA puede sugerir, diagnosticar y generar. La aprobación, el merge, el deploy y la responsabilidad operativa deben permanecer bajo control humano.

Resumen ejecutivo

🔄

Agile no desaparece

Evoluciona de un modelo de equipo distribuido a un modelo compacto asistido por IA. Los rituales y principios se adaptan, no se descartan.

📋

El tablero Kanban sigue siendo válido

Pero ahora mide madurez de decisión, especificación, ejecución, QA y evidencia — no sólo avance por persona.

⏱️

Nueva métrica: HDAI

Horas de Desarrollo Asistido por IA. Incluye contexto funcional, prompts, revisión técnica, QA, corrección y deploy.

👤

El talento clave cambia

El nuevo perfil entiende procesos de negocio, levanta requerimientos, documenta criterios, instruye IA y valida resultados.

🛡️

Producción exige mayor control

La IA puede asistir en diagnóstico y correcciones, pero no opera cambios productivos sin revisión humana, ambientes, rollback y trazabilidad.

Principio rector La IA acelera la construcción, pero la responsabilidad del producto, la seguridad, la calidad y la decisión de negocio siguen siendo humanas.

De Agile tradicional a desarrollo asistido por IA

En un flujo Agile tradicional, el avance dependía de handoffs entre Product Owner, analista, diseñador, desarrollador, QA, DevOps y usuario final. En el modelo asistido por IA, varias de estas funciones se compactan en una célula de producto dirigida por una persona con criterio de negocio, contexto técnico y capacidad de validar resultados.

Dimensión	Agile / Scrum tradicional	Desarrollo asistido por IA
Unidad de gestión	Sprint, historia de usuario, tarea	Decisión, spec IA Ready, prompt, evidencia QA
Flujo principal	Handoffs entre personas	Loops entre humano, IA y usuario final
Cuello de botella	Disponibilidad del equipo técnico	Claridad del contexto y calidad de validación
Valor del líder	Priorizar backlog y coordinar equipo	Traducir negocio a instrucciones ejecutables y gobernar calidad
Riesgo operativo	Retrasos, mala coordinación, deuda técnica	Velocidad sin control, criterios ambiguos, cambios no trazables
Evidencia de avance	Tickets cerrados, horas, entregables	HDAI, prompts, commits, builds, QA, deploys, feedback

Lo que permanece de Agile ✔

Entrega incremental Priorización continua del backlog Feedback frecuente del usuario Criterios de aceptación Revisiones y retrospectivas Mejora continua del producto

Lo que cambia ↗

El equipo se comprime: una persona puede operar como Product Owner, analista funcional, QA y release manager.
La especificación se vuelve más importante, porque la IA ejecuta rápido aquello que se le pide, aunque la instrucción sea incompleta.
El QA aumenta de valor, porque el código generado requiere validación funcional, técnica y de negocio.
El tablero deja de ser un mecanismo de asignación de personas y se vuelve un mecanismo de control de madurez del producto.

AI Delivery Board: nuevo tablero operativo

El tablero recomendado no elimina Kanban; lo adapta al flujo IA. La columna crítica es Spec IA Ready: ahí se confirma que la necesidad del usuario fue traducida a una instrucción clara, probada y validable.

01 · Ideas / Backlog

Capturar oportunidades, dolores y mejoras

✓ Problema de negocio descrito

02 · Discovery con usuario

Entender flujo actual, reglas, datos y excepciones

✓ Usuario y escenario definidos

⭐ 03 · Spec IA Ready
Convertir necesidad en instrucción ejecutable
✓ Criterios de aceptación y QA definidos

04 · En CODEX

Generar o modificar código

✓ Cambio en rama o entorno local

05 · Build OK

Validar compilación, lint y dependencias

✓ Build/lint sin errores bloqueantes

06 · QA Funcional

Probar como usuario final

✓ Checklist completado con evidencia

07 · Corrección

Corregir bugs, seguridad y casos límite

✓ Defectos críticos cerrados

08 · Deploy Staging

Validar en ambiente controlado

✓ Usuario o líder valida staging

09 · Producción

Liberar cambio controlado

✓ Deploy + rollback + monitoreo

10 · Feedback

Recibir aprendizaje real del usuario

✓ Nuevos tickets o cierre formal

Ticket AI Ready — anatomía Problema de negocio · Usuario final · Flujo actual · Flujo deseado · Reglas · Datos · Permisos · Criterios de aceptación · Prompt principal · Checklist QA · Evidencia requerida

Métricas y productividad: HDAI

Métrica madre HDAI = Horas de Desarrollo Asistido por IA. Incluye contexto funcional, arquitectura, prompting, revisión técnica, QA, corrección, deploy y documentación. Las líneas de código son volumen, no esfuerzo.

Categorías HDAI

Categoría	Qué mide	Ejemplo de evidencia
Contexto funcional	Conversaciones con usuario, decisiones de negocio	Minuta, notas, requerimiento
Arquitectura / diseño técnico	Modelo de datos, permisos, flujos	Diagrama, decisión técnica
Prompting ChatGPT / CODEX	Dirección de IA para crear o ajustar	Prompt principal, prompts correctivos
Revisión técnica	Lectura de código, build, lint	Resultado de npm run lint/build
QA funcional	Pruebas como usuario final	Checklist, capturas, bugs
Corrección / hardening	Bugs, seguridad, performance	Commits, issues cerrados
Deploy	Staging, producción, variables	Deploy ID, versión, rollback
Documentación	Manual, release notes, narrativa	MD, guía, one-pager

KPIs recomendados

HDAI Total

Σ horas por categoría

Costo real del módulo

Prompts por módulo

Cantidad prompts principales + correctivos

Complejidad de dirección

Ciclos QA

N° de rondas de prueba

Madurez funcional

Retrabajo %

Hrs corrección / HDAI total

Eficiencia del proceso

Build Success Rate

Builds exitosos / builds totales

Estabilidad técnica

Tiempo idea → producción

Días desde discovery hasta deploy

Velocidad de entrega

Defect Leakage

Bugs post-QA encontrados por usuario

Calidad antes de producción

Modelo de madurez

Uso informal

Prompts sin bitácora ni control. Retrabajo y poca trazabilidad.

Asistente individual

IA para ideas, código y docs. Dependencia en memoria personal.

Integrado al flujo

Specs IA Ready, QA y commits vinculados. Punto de partida recomendado.

Gobernado

Métricas, aprobaciones, ambientes, rollback.

Fábrica compacta

Roles híbridos, tableros, productividad y control integrados.

El nivel resaltado (2) es el objetivo de adopción inicial del equipo.

Nuevos perfiles para desarrollar productos

El talento clave ya no se define solo por dominar un lenguaje. El nuevo valor está en entender procesos reales, documentar requerimientos, convertirlos en instrucciones ejecutables para IA, validar entregables y comunicarse con el usuario final.

Regla de contratación No contratar primero por lenguaje. Contratar por capacidad de entender, estructurar, instruir, validar y aprender.

🧠

AI Product & Business Process Analyst

Convertir conversación de negocio en specs IA Ready.

ProcesosRedacción Criterios aceptaciónQA funcionalPrompts

🗂️

AI Delivery Lead

Gobernar tablero, prioridades, evidencia y releases.

KanbanGestión de riesgos ComunicaciónSeguimiento

⚙️

CODEX Operator / AI Software Engineer

Ejecutar cambios técnicos con IA y revisar impacto.

GitFramework Bases de datosTestingSeguridad

🔍

QA Funcional con IA

Diseñar escenarios y validar que el producto resuelva el proceso.

Casos de pruebaDatos RolesEvidencia

🎨

UX/UI bajo demanda

Reducir fricción visual y mejorar adopción.

PrototiposFlujos Consistencia UI

🎯

Product Owner / Founder Operator

Definir valor, prioridad y aceptación final.

VisiónNegocio ArquitecturaDecisión ejecutiva

Scorecard de contratación

Entendimiento de procesos de negocio25%

Documentación de requerimientos20%

QA y pensamiento de casos límite15%

Uso de IA / prompts15%

Pensamiento analítico10%

Comunicación con usuario10%

Base técnica (Git, SQL, APIs)5%

Herramientas para administrar productividad y billing

Ninguna herramienta por sí sola explica el valor. El valor surge de cruzar actividad, tickets, prompts, QA y releases. Se recomienda separar tres capas:

Capa	Herramienta sugerida	Uso
Actividad de desarrollo	WakaTime	Medir tiempo por proyecto, lenguaje, editor y actividad de código
Time & billing	Clockify / Toggl Track / Harvest	Registrar HDAI por proyecto, cliente, tarea y categoría
Gestión de trabajo	GitHub Issues / Linear / Jira / Trello	Tablero AI Delivery, tickets, estados, prioridades
Evidencia técnica	GitHub	Commits, branches, pull requests, líneas modificadas
Deploy	Netlify / Vercel / CI-CD / VPS logs	Evidencia de liberación y monitoreo
Administración empresarial	Odoo Timesheets / Projects	Integrar proyecto, timesheet, venta, factura y rentabilidad

Stack recomendado para iniciar

WakaTime — medir actividad técnica real en repositorios.
Clockify o Toggl Track — capturar HDAI por categoría.
GitHub — commits, branches, releases y evidencia técnica.
Tablero AI Delivery en GitHub Projects, Trello, Linear o Jira.
Dashboard mensual (hoja de cálculo) para consolidar costo, avance y madurez.

Sistemas en producción: mantenimiento asistido por IA

Principio de producción IA puede sugerir, diagnosticar, generar pruebas y proponer parches. La aprobación, el merge, el deploy y la responsabilidad operativa deben permanecer bajo control humano.

Flujo recomendado para mantenimiento

Etapa	Uso de IA	Control obligatorio
Incidente / solicitud	Resumir reporte, identificar módulo y síntomas	Ticket con severidad, impacto y usuario afectado
Diagnóstico	Analizar logs, código, commits recientes y posibles causas	No exponer secretos ni datos sensibles al modelo
Análisis de impacto	Proponer archivos afectados, riesgos y dependencias	Revisión humana de alcance
Propuesta de fix	Generar parche o instrucciones CODEX	Rama separada, diff revisable
Pruebas	Generar checklist, pruebas unitarias y casos funcionales	QA mínimo según severidad
Aprobación	Preparar resumen ejecutivo del cambio	Aprobación humana antes de merge/deploy
Deploy	Asistir en release notes y monitoreo	Ventana, rollback y responsable asignado
Postmortem	Resumir causa raíz y acciones preventivas	Registro de aprendizaje y deuda técnica

Clasificación de cambios productivos

Tipo	Ejemplos	Nivel de control
Bajo riesgo	Texto, estilo, etiquetas, copy sin lógica	Revisión ligera + deploy normal
Medio riesgo	Validaciones, filtros, dashboard, cambios UI con datos	QA funcional + staging
Alto riesgo	Roles, pagos, datos financieros, RLS, permisos, integraciones	Revisión técnica + QA + aprobación + rollback
Crítico	Producción financiera, compliance, seguridad, migraciones irreversibles	Change advisory + respaldo + ventana + monitoreo intensivo

Reglas no negociables en producción

Nunca pegar secretos, llaves, tokens, datos personales o información confidencial en prompts sin control.
Nunca hacer deploy directo a producción desde código generado por IA sin revisión humana.
Todo cambio productivo debe tener ticket, rama, diff, QA, aprobación y rollback plan.
Los modelos pueden equivocarse con alta confianza; la evidencia técnica y funcional pesa más que la respuesta del modelo.
El mantenimiento asistido por IA debe reducir tiempo de diagnóstico y corrección, no reducir controles de cambio.

Riesgos, controles y gobernanza

Riesgo	Manifestación	Control recomendado
Ambigüedad funcional	La IA construye algo que no resuelve el proceso	Spec IA Ready con criterios de aceptación
Deuda técnica acelerada	Mucho código sin arquitectura clara	Revisión técnica, refactor controlado, estándares
Fugas de información	Datos sensibles en prompts o logs	Redacción anonimizada, políticas de datos
Prompt injection / outputs inseguros	Instrucciones maliciosas o código vulnerable	Validar outputs, no ejecutar sin revisión, controles OWASP
Cambios no trazables	No se sabe por qué se modificó algo	Ticket + prompt + commit + release notes
Falsa sensación de calidad	Compila pero no funciona para el usuario	QA funcional y validación con usuario real
Dependencia en una persona	Todo el contexto queda en la cabeza del founder	Documentar specs, decisiones y bitácora HDAI

Política mínima de gobernanza IA

Todo uso de IA en desarrollo debe estar asociado a un ticket o módulo.
Todo cambio relevante debe quedar vinculado a un commit, PR o release.
Los prompts principales deben guardarse o resumirse en la tarjeta del trabajo.
Los criterios de aceptación deben escribirse antes del QA.
Producción requiere ambiente de prueba, aprobación humana y plan de reversa.
Los datos sensibles deben anonimizarse antes de usarse en prompts.
Cada cierre de sprint debe producir aprendizaje: bugs, retrabajo, deuda y mejoras.

Plan de adopción 30-60-90 días

0 – 30 días

Ordenar la operación

Definir tablero AI Delivery, categorías HDAI, plantillas de ticket y QA.

✓ Trazabilidad mínima desde hoy

31 – 60 días

Medir productividad

Instalar WakaTime, usar Clockify/Toggl, vincular commits y tickets.

✓ Reporte por proyecto y módulo

61 – 90 días

Estandarizar y formar equipo

Capacitar perfiles híbridos, definir reglas para producción y postmortems.

✓ Modelo repetible para escalar

Rutina semanal sugerida

Día	Actividad
Lunes	Priorizar backlog y convertir tickets clave a Spec IA Ready
Mar–Jue	Ejecución CODEX, revisión técnica y builds
Jueves	QA funcional con evidencia y lista de bugs
Viernes	Deploy controlado, release notes, métricas HDAI y retro corta
Mensual	Reporte ejecutivo de valor creado, módulos, madurez, riesgos y deuda técnica

Plantillas operativas

11.1 Plantilla de ticket AI Ready

Campo	Contenido esperado
Proyecto / módulo	Nombre del producto y componente afectado
Usuario final	Rol que usará la funcionalidad
Problema de negocio	Dolor o necesidad concreta
Flujo actual	Cómo se realiza hoy
Flujo deseado	Cómo debe funcionar después
Reglas de negocio	Condiciones, permisos, cálculos, excepciones
Datos requeridos	Tablas, campos, APIs, archivos o fuentes
Criterios de aceptación	Lista verificable de condiciones para cerrar
Prompt principal	Instrucción para ChatGPT/CODEX
QA checklist	Pruebas por rol, datos, errores y responsive
Evidencia	Capturas, build, commit, deploy, comentarios usuario

11.2 Bitácora HDAI

Fecha	Proyecto	Módulo	Categoría	Horas	Prompts	Resultado	Evidencia
AAAA-MM-DD	LDA / Asambia / CreditOS	Nombre módulo	QA / CODEX / Deploy	1.5	3	Build OK	Commit / link / nota
AAAA-MM-DD			Contexto funcional			Spec IA Ready	Ticket #

11.3 Checklist de cambio en producción asistido por IA

Ticket con severidad e impacto.
Causa probable documentada.
Archivos y módulos afectados listados.
Rama separada y diff revisado.
Pruebas funcionales y técnicas ejecutadas.
Validación de permisos, datos sensibles y seguridad.
Plan de rollback documentado.
Aprobación humana registrada.
Deploy monitoreado.
Postmortem si fue incidente o cambio crítico.

Mensaje final

El nuevo reto para equipos de desarrollo no es aprender a pedirle código a la IA. El reto es construir un sistema operativo de producto donde negocio, especificación, IA, QA, evidencia y producción trabajen con velocidad y control.