Qué es AI-DLC y por qué AWS lo libera como código abierto
AI-DLC (AI-Driven Development Life Cycle) es un conjunto de reglas de orquestación que convierte a un asistente de código en un flujo de entrega de software estructurado y verificable. Lo publica AWS Labs en GitHub bajo licencia MIT-0, con 5.200 estrellas y 948 forks al momento de esta nota.
La diferencia con la mayoría de las herramientas del mercado es que no es un SDK ni un plugin. Es un núcleo neutral que se instala dentro del proyecto y se conecta al agente que ya usas: Claude Code, Kiro CLI, Kiro IDE, Codex CLI, Cursor, opencode y GitHub Copilot. El mismo motor determinista corre en los siete.
Para un founder técnico esto importa por una razón concreta: deja de atar tu proceso de desarrollo al proveedor de turno. Si mañana cambias de agente, la metodología, las reglas y el historial de decisiones siguen siendo tuyos.
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 díasUn núcleo, siete harnesses: cómo funciona en la práctica
La arquitectura separa dos capas. En core/ vive la metodología y el motor, escritos a mano y sin dependencias de proveedor. En harness/<nombre>/ viven manifiestos delgados que adaptan ese núcleo a cada agente. La instalación nativa no requiere Bun ni Node.js: un binario aidlc ejecuta los hooks y comandos.
El flujo de trabajo es corto:
aidlc config --harness claude
aidlc doctor
Después, dentro del proyecto, se invoca con /aidlc y una descripción del trabajo. En Codex CLI el comando es $aidlc; en Kiro IDE hay que elegir aidlc en el selector de agentes del panel de chat.
El sistema selecciona un workflow según la petición, pregunta por las decisiones que faltan y se detiene en puntos de aprobación humana antes de avanzar. Ese detalle no es cosmético: es la respuesta directa al problema de los agentes que ejecutan cambios sin supervisión.
Los números del sistema: 5 fases, 33 etapas y 14 agentes
El repositorio documenta su alcance con cifras concretas:
- 5 fases y 33 etapas, desde la inicialización hasta la operación.
- 14 agentes: 11 expertos de dominio, 2 revisores y un compositor adaptativo.
- 11 perfiles de workflow para features, corrección de bugs, infraestructura, seguridad, pruebas de concepto y entrega empresarial.
- Trazabilidad de 119 eventos de auditoría, más estado persistente, conocimiento de equipo y reglas aprendidas.
- 93 herramientas
aidlc-*.tsen el directorio de herramientas del núcleo.
El modelo recomendado por el proyecto es Claude Opus 4.8. La configuración de proveedor queda en manos del harness: en Kiro el acceso al modelo viene incluido, y en superficies compatibles se puede aplicar configuración de Amazon Bedrock.
Por qué importa: el agujero que AI-DLC intenta tapar
El contexto de mercado explica por qué AWS está empujando metodología y no solo modelos. TechTimes reportó que AWS anunció el 30 de junio de 2026 una inversión de US$1.000 millones en su organización Forward Deployed Engineering, y que la metodología AI-DLC es la base de ese stack: reglas legibles por agentes que corren en tres grandes momentos —Inception, Construction y Operations— con validación humana obligatoria en cada frontera de fase.
El mismo medio cita investigaciones de MIT, McKinsey, RAND y Gartner según las cuales entre el 73% y el 95% de los pilotos de IA empresarial no logran resultados medibles. La conclusión de esos informes es que el modelo no es el problema: el despliegue sí.
Hay más señales en la misma dirección. Según datos de encuestas a desarrolladores citados por OutSystems, el 74% del código generado por IA requiere retrabajo significativo o nunca llega a producción. Y Gartner, citado por SD Times, estima que solo el 8% de las organizaciones tiene IA agéntica en producción.
El mercado, mientras tanto, se mueve rápido: Analytics Insight proyecta que la IA agéntica pasó de US$8.190 millones en 2025 a US$12.130 millones en 2026, con una proyección de US$290.620 millones para 2035 y una CAGR del 42,88%. La misma fuente cita a McKinsey: el 62% de las organizaciones experimenta con agentes, pero solo el 23% escaló alguno.
La brecha entre experimentar y escalar es exactamente donde entra un framework de proceso como AI-DLC.
¿Qué significa esto para tu startup?
Si tu equipo ya usa agentes de código, el cuello de botella dejó de ser la generación de código y pasó a ser el control de calidad y la trazabilidad. Tres movimientos concretos:
- Adopta el flujo antes que la herramienta. Instala AI-DLC en un proyecto piloto con
aidlc config --harness <tu-agente>y correaidlc doctorpara verificar el entorno. Elige uno de los 11 perfiles de workflow que corresponda a trabajo real de tu backlog, no a una demo. - Usa los puntos de aprobación como control de riesgo. Configura los gates humanos en las etapas donde un error cuesta dinero: migraciones de base de datos, autenticación, pagos y cambios de infraestructura. Es la misma lista que cualquier revisión de código seria debería cubrir.
- Mide el retrabajo, no la velocidad. Si el 74% del código asistido por IA necesita reescritura, la métrica útil no es cuántas líneas genera tu agente por hora, sino cuántas llegan a producción sin corrección.
Un cuarto punto, más estratégico: el conocimiento que el sistema acumula —decisiones, reglas aprendidas, estado persistente— queda en tu repositorio. Eso es un activo que sobrevive al cambio de agente o de proveedor de modelos.
Los riesgos que conviene mirar de frente
Ninguna metodología elimina el problema de fondo. TechTimes recoge una advertencia relevante de analistas: el despliegue representa cerca del 20% del costo total de un sistema de IA, mientras el 80% restante se va en mantenerlo funcionando a través de actualizaciones de modelo, deriva de datos y casos límite que solo aparecen después de meses en producción.
Aplicado a tu startup: adoptar AI-DLC ordena el proceso de construcción, pero no te exime de presupuestar la operación. El propio repositorio lo advierte en su documentación: la IA generativa puede equivocarse, y hay que revisar el output y los costos antes de actuar sobre ellos.
También conviene ser realista sobre la curva de aprendizaje. El sistema trae 14 agentes y 33 etapas: es una metodología con opiniones fuertes, no una capa de autocompletado. En equipos de dos o tres personas, empezar por un perfil enfocado —un bug fix o una prueba de concepto— es más sensato que activar el flujo empresarial completo.
Conclusión
AI-DLC es la apuesta de AWS Labs por un problema que ninguna mejora de modelo resuelve sola: cómo hacer que un agente de código entregue software verificable y auditable. Con 5 fases, 33 etapas, 14 agentes y 119 eventos de auditoría, propone estructura donde hoy hay improvisación.
Para un founder hispanohablante con equipo pequeño, el valor inmediato no está en las cifras grandes del mercado de IA agéntica, sino en algo más simple: un proceso repetible que hace que el código generado por IA pase por revisión humana antes de tocar producción. Eso, hoy, sigue siendo la diferencia entre un piloto y un producto.
Fuentes
- awslabs/aidlc-workflows (fuente original)
- TechTimes: AWS Commits $1 Billion to Embed AI Engineers Inside Enterprise Clients
- SD Times: Introducing Harness Agent DLC
- OutSystems Agent Experience Is Now Generally Available
- Analytics Insight: Agentic AI Market Outlook 2026-2035
- Memeburn: 9 Best AI Coding Tools in 2026
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 días
