Qué es SDLC con IA: el replanteamiento del ciclo del software

Cuando alguien dice que está "usando IA para programar", normalmente imagina una ventana de chat generando una función. Esta visión es estrecha y, peor aún, dificulta la toma de decisiones de quienes lideran los equipos técnicos.

El desarrollo de software nunca se ha centrado únicamente en escribir código. Es un ciclo y el acrónimo que describe este ciclo es SDLC: Ciclo de vida de desarrollo de software. La pregunta correcta no es "¿la IA escribe código?" Es "¿qué sucede con cada fase del ciclo cuando la IA participa en él?"

Este texto trata de eso. Sin magia, con proceso.

¿Qué es el SDLC, sin romanticismos?

El SDLC es la secuencia de pasos por los que pasa un software desde la ideación hasta el retiro. Las fases clásicas son: requisitos, diseño, implementación, pruebas, despliegue y mantenimiento.

Nadie vive estas fases en línea recta. Los equipos ágiles iteran, retroceden y toman atajos. Pero la estructura sigue siendo útil porque cada fase tiene un tipo de trabajo diferente, con riesgos diferentes.

Los requisitos es donde decides qué construir. El diseño es donde tú decides cómo. La implementación es donde escribes. La prueba es donde se comprueba. La implementación es donde usted entrega. El mantenimiento es donde vives con lo que entregaste, a veces durante años.

La mayoría de las conversaciones sobre IA se centran únicamente en la implementación. Es el error más común que veo entre los líderes técnicos.

El SDLC es también un contrato de calidad. Cada fase existe para reducir un riesgo específico: requisitos mal diseñados generan retrabajos costosos, un mal diseño genera deuda técnica, pruebas débiles generan un incidente en la producción. Cuando cambias quién hace el trabajo en cada fase, también cambias dónde se concentran los riesgos. Por tanto, la IA no puede entrar en el ciclo como un detalle de herramienta. Se trata de una redistribución del riesgo, y el riesgo es una cuestión de quienquiera que lidere.

Por qué "generar código" es la parte menos interesante

La generación de código es la fase más visible porque es la más demostrable. Introduces un pedido, sale una pieza funcional, todos quedan impresionados.

El problema es que escribir código nunca ha sido el verdadero cuello de botella para la mayoría de los equipos. El cuello de botella suele radicar en comprender el problema, alinear el diseño, mantener la base sana y no interrumpir la producción. Simplemente acelerar la escritura resuelve la parte fácil y deja intacta la parte difícil.

Peor aún: si la IA produce código más rápido, usted genera más código para revisar, probar y mantener. El cuello de botella se mueve, no desaparece. Aquellos que tratan la IA como un acelerador de escritura terminan con una cinta transportadora más rápida que descarga el trabajo en un corrector humano que sigue siendo el mismo.

Por eso defiendo una tesis simple: la IA en el SDLC es un cambio de proceso, no un complemento de productividad.

Qué cambia en cada fase

En los requisitos, la IA ayuda a transformar conversaciones sueltas en criterios de aceptación, encontrar contradicciones en un documento y generar preguntas que nadie hizo. No decide lo que es importante para el negocio, pero reduce la fricción de pasar del lote baldío al concreto.

En diseño, sirve para explorar alternativas. Usted describe una restricción y solicita tres enfoques con compensaciones. El valor está en ampliar la gama de opciones antes de tomar una decisión, no en subcontratar la decisión.

En implementación, genera, completa y refactoriza. Es la fase más madura y también la más peligrosa, porque el código parece estar listo antes de ser correcto. Hablo más sobre confiar en el código generado por IA en otro texto.

En las pruebas, cubre escenarios extremos que la prisa le haría ignorar, genera grandes cantidades de datos y escribe casos basados en el comportamiento esperado. Las pruebas son, en mi experiencia, una de las fases en las que la IA produce más resultados con menor riesgo.

Durante la implementación, ayuda a escribir scripts, revisar la configuración de la canalización y explicar por qué falló una compilación. Sigue siendo un área donde los errores son costosos, por lo que la supervisión debe ser mayor.

En mantenimiento, quizás la fase más subestimada, ayuda a comprender el código que nadie escribió ayer, mapear el impacto de un cambio y documentar lo que no estaba documentado. Quienes mantienen un sistema heredado saben que esta fase lleva más tiempo que toda la construcción inicial.

Tenga en cuenta una cosa importante al observar fase por fase: la ganancia no es uniforme. La IA rinde mucho en pruebas y mantenimiento, brinda cuidado en la implementación y el despliegue, y rinde poco cuando la decisión depende de un contexto comercial que la herramienta no tiene. Tratar cada etapa como si ganaras lo mismo es el camino más rápido hacia la frustración. Un buen líder calibra las expectativas por fase, no por exageraciones.

La paradoja que todo líder debe afrontar

Los números de este ciclo son reveladores. Según la encuesta Stack Overflow de 2025, con más de 49 mil encuestados, el 84% de los desarrolladores ya utiliza o planea utilizar la IA en el proceso de desarrollo, frente al 76% del año anterior.

La adopción ha aumentado. Confianza, no. En la misma encuesta, el 46% de los desarrolladores desconfía de la precisión de las herramientas de inteligencia artificial, en comparación con el 33% que confía en ellas, y solo el 3% confía firmemente en ellas.

Este desajuste no es una contradicción, es madurez. La gente utiliza la herramienta y, a medida que la utiliza, descubre dónde falla. Un líder que ignore esta paradoja prometerá ganancias que no serán sostenibles y frustrará al equipo con el primer mal despliegue.

La lectura correcta es diferente: la IA entra en el ciclo como un colaborador competente y a veces demasiado confiado, y el proceso debe absorber esto con revisión y gobernanza, no con fe.

¿Qué requiere esto de quienes lideran?

Repensar el SDLC con IA significa rediseñar dónde está el control de calidad. Si la generación se ha vuelto más rápida, la revisión debe ser más rigurosa, no más relajada.

Significa decidir, fase por fase, qué se delega y qué queda bajo la innegociable responsabilidad humana. Generar una prueba es una cosa. Aprobar una migración de base de datos en producción es otra.

Y significa medir el ciclo completo, no sólo la velocidad de escritura. Si el tiempo de entrega no mejora, si la tasa de defectos aumenta, si la base se vuelve más difícil de mantener, la IA no está ayudando al SDLC. Simplemente está acelerando una fase y trasladando el costo a las demás.

Repensar el ciclo es exactamente el tipo de trabajo que distingue a un equipo que utiliza IA con un método de uno que simplemente pega respuestas de chat.

Si es responsable de un equipo, comience mapeando sus seis fases y preguntando, en cada una, dónde la IA reduce el riesgo y dónde introduce nuevos riesgos. Es un ejercicio de tarde que vale más que cualquier demostración. Para profundizar en los detalles de cada etapa, consulte la IA en cada fase de SDLC.