DevAgents OSDevAgents OS
← Blog
·8 min de lectura·agentic-ai·google·adlc·sdlc·governance
Cristiano Ferreira

El fin del SDLC: por qué el ciclo de desarrollo de IAs Agénticas (ADLC) es un loop, no una línea

En la ingeniería de software tradicional, el deploy es la línea de meta. Cuando el código pasa a producción, el desarrollo se detiene y comienza el mantenimiento. Pero ¿qué pasa cuando el software no es estático? ¿Y cuando el sistema no está compuesto solo por funciones, sino por agentes de inteligencia artificial que nunca dejan de razonar?

Para la IA agéntica, la implementación no es el final. Es ahí donde empieza el verdadero ciclo.

El mercado acaba de oficializar esta transición. Durante el Google Cloud Next 2026, Google no solo presentó nuevos modelos; la empresa materializó un cambio fundamental en la arquitectura de trabajo al introducir el ADLC (Agent Development Lifecycle) como el sucesor natural del clásico SDLC.

Para líderes de tecnología, CTOs y arquitectos, esto no es solo un cambio de sigla. Es una alteración completa en el modelo de operación, gobernanza y costos de la ingeniería de software.

1. El contraste: SDLC (lineal) vs. ADLC (loop continuo)

El desarrollo de software a la antigua (SDLC) es una cinta de fábrica: planificar, programar, probar, implementar y mantener. Cada fase es secuencial, impulsada por validaciones humanas, pasando de una etapa a la vez. El control de calidad (QA) normalmente espera hasta el final del proyecto. Si cambias el alcance a mitad del ciclo, las cosas se rompen.

El ADLC (la nueva forma) funciona bajo una física distinta. El agente crea el andamiaje (scaffolding), prueba, evalúa su propio desempeño y pasa a producción. Las fases siguen un loop continuo, no una línea recta. La evaluación (Eval) se hace en tiempo real y el ciclo de vida se replanifica constantemente. El software pasa a ser un organismo que razona y se ajusta, y no un artefacto estático que solo ejecuta.

2. La automatización de la automatización: google-agents-cli

Hasta hace unos meses, esto era solo un modelo mental teórico. Ahora, gigantes como Google lo transformaron en línea de comandos.

La introducción de uvx google-agents-cli cambió el juego. En la práctica, esta herramienta toma tu agente de codificación preferido (ya sea Claude Code de Anthropic, Codex de OpenAI o herramientas locales) y lo convierte en un especialista en orquestar otros agentes sobre la infraestructura de nube.

Sin necesidad de saltar de terminal en terminal ni navegar por paneles en la nube, el desarrollador usa lenguaje natural para guiar al agente a través de habilidades complejas: desde diseñar el flujo de trabajo y estructurar el código del ADK (Agent Development Kit), hasta realizar despliegues y garantizar observabilidad.

3. Las 6 fases del ciclo de vida del agente (ADLC)

Construir un agente robusto bajo el nuevo paradigma del ADLC exige seis pasos integrados:

  1. Construir (Build): crear la estructura del agente equipándolo con herramientas. En el ecosistema híbrido actual, la elección del modelo (Gemini, Claude, GPT) es solo un detalle de enrutamiento.
  2. Prueba local (Test): ejecución en sandbox (Playground) con hot-reloading. El agente prueba sus hipótesis antes de cualquier contacto con la nube de producción.
  3. Evaluar (Eval): la transición de "Aprobado/Reprobado" a la arquitectura de LLM-as-a-judge. No solo evalúas si el código funciona, evalúas el razonamiento del agente y la eficiencia de la decisión tomada.
  4. Implementación (Deploy): el agente cobra vida (ej.: Agent Runtime en Cloud Run). Con arranques en frío de milisegundos, el agente permanece corriendo y razonando durante días para resolver problemas de largo horizonte.
  5. Registro (Register): integración en la estructura organizacional, garantizando que el agente tenga una identidad corporativa (IAM) rastreable.
  6. Operación continua (Observe): donde los agentes usan un banco de memoria para sesiones de largo plazo, se conectan vía protocolo MCP para usar herramientas y utilizan A2A (Agent-to-Agent) para realizar handoffs fluidos de un agente especialista a otro.

El riesgo oculto: un loop continuo exige gobernanza continua

Google acertó de lleno en la infraestructura del ADLC. El SDLC realmente termina en el deploy, mientras que el ADLC mantiene el loop de razonamiento corriendo en producción.

Pero es exactamente aquí donde la ingeniería corporativa encuentra su mayor riesgo.

Si el agente sigue razonando, optimizando y llamando herramientas después de la implementación, ¿quién está gobernando la ejecución? Como ya advertimos en DevAgents OS sobre el Triángulo de la Deuda en la IA Agéntica, un agente que opera en loop continuo sin límites arquitectónicos estrictos es una bomba de tiempo de Token Debt (costos de inferencia que explotan) y Autonomy Debt (operaciones no auditadas en producción).

Por eso las plataformas de Orquestación Agéntica son la pieza que falta en este rompecabezas. El ADK (Agent Development Kit) provee los bloques de construcción, pero la empresa necesita una capa superior de gobernanza que defina hasta dónde puede llegar ese "razonamiento continuo", cuánto puede costar y cuándo la aprobación humana (human-in-the-loop) debe ser obligatoria.

Cómo empezar sin ahogarse

Para las empresas que intentan migrar del SDLC al ADLC sin perder el control operacional, la regla es escalar con responsabilidad:

  1. Recorre primero el camino del prototipo: no intentes conectar toda la nube el día 1. Una clave de API local y un sandbox aislado son suficientes para probar el comportamiento del agente.
  2. Escribe tus evaluaciones (Evals) antes que el agente: en el ADLC, el scorecard de evaluación es lo que dicta la calidad. Si no sabes cómo medir el razonamiento de la máquina, no la pongas a razonar.
  3. Pasa las evaluaciones locales antes del deploy: nunca liberes un agente a la nube sin que el LLM-as-a-judge haya validado estrictamente sus barreras de seguridad y arquitectura.
  4. Agrega herramientas al final: haz que el loop de razonamiento básico funcione perfectamente antes de darle al agente acceso a la memoria corporativa y a sistemas externos vía MCP. El secreto no es el tamaño de la superficie de ataque, sino el control del flujo.

El desarrollo de software ya no se medirá por líneas de código escritas, sino por la calidad del razonamiento que implementamos en producción. Gobierna el loop, y la IA hará el resto.

Descubre cómo DevAgents OS gobierna el loop continuo del ADLC, con límites de costo y aprobación humana →

Referencias

_Publicado el 3 de agosto de 2026_