Todo desarrollador que ha usado herramientas de codificación con IA reconoce el mismo bucle frustrante: indicaciones, generación de código, algo falla, nuevas indicaciones, se rompe otra cosa y así sucesivamente hasta caer en lo que hoy se llama doom prompting donde el tiempo y los tokens se consumen sin avanzar. Ese enfoque de aceptar código generado sin entenderlo es lo que Andrej Karpathy denominó vibe coding y funciona para proyectos descartables, pero colapsa en trabajos serios.

Una alternativa es aplicar disciplina de ingeniería de software al desarrollo asistido por IA mediante desarrollo impulsado por especificaciones. El principio es simple y conocido: encontrar problemas en la especificación cuesta mucho menos que encontrarlos en el código. Llevar el testing hacia la izquierda aplicado a IA significa revisar requisitos y planes antes de pedir al modelo que genere código. Un flujo estructurado con fases y puertas de revisión reduce el riesgo de caer en doom prompting.

El flujo práctico se articula en cuatro fases: Specify, Plan, Tasks e Implement. Cada fase genera artefactos en Markdown que sirven como documentación y como contexto persistente para los agentes IA. Además existe un archivo de principios o constitución que define reglas transversales como estándares de código, enfoque de pruebas y restricciones arquitectónicas que deben cumplirse en todo lo que la IA genere.

Trabajar así cambia la rutina diaria. En lugar de ver al asistente IA como un par programador que se supervisa minuto a minuto, se le delega trabajo con especificaciones claras y se revisan los resultados como si fueran pull requests de un colaborador humano. La fase de planificación suele ser la más valiosa porque revela suposiciones y decisiones de alto nivel que, si son incorrectas, son baratas de corregir en esa etapa. Por ejemplo, detectar que una infraestructura asumida en la nube no estaba configurada como se esperaba evita arreglos costosos en Terraform más adelante.

El coste de la sobrecarga existe y para tareas simples no siempre compensa. Para características complejas la inversión inicial en especificaciones y planes suele amortizarse evitando largas sesiones de ajuste mediante prompts. Aunque el uso de tokens aumenta por generar especificaciones, planes y listas de tareas, ese consumo suele compensar frente al desperdicio que provoca el bucle de indicaciones interminable.

Un aspecto interesante es la diferencia entre orquestar el flujo con código tradicional o con prompts detallados. Herramientas que usan modelos de última generación responden muy bien a plantillas y puertas de revisión expresadas en lenguaje natural, lo que permite resultados deterministas sin montar complejas tuberías de control. La calidad de la fase de plan depende también de las capacidades de investigación del asistente IA, por ejemplo búsqueda web y exploración del repositorio.

Al aplicar esto a infraestructura como código hay que adaptar plantillas e instrucciones a la naturaleza declarativa de Terraform, separar requisitos cloud-agnósticos de implementaciones proveedor específicas y validar contra APIs y registros de módulos. En muchos casos conviene enseñar a la IA a componer módulos de alto nivel en lugar de orquestar recursos primitivos, de modo que el código resultante sea mantenible y alineado con buenas prácticas.

Los artefactos generados funcionan bien para colaboración: son archivos que se pueden versionar, revisar y usar como memoria del proyecto para retomar sesiones sin reexplicar el contexto. El enfoque también facilita trabajar en paralelo en varias funcionalidades y escalar el trabajo de equipos pequeños gracias a que la IA puede implementar características completas mientras el equipo prepara la siguiente especificación.

En Q2BSTUDIO aplicamos estos principios en nuestros servicios de desarrollo de software a medida y aplicaciones a medida para ofrecer entregables más fiables y alineados con la visión del cliente. Como expertos en inteligencia artificial también implementamos flujos de trabajo con agentes IA que respetan principios de calidad y seguridad, y combinamos esto con servicios de ciberseguridad para asegurar la infraestructura y el código generado. Si quieres explorar cómo integrar IA en tus productos o automatizar procesos con garantías, podemos ayudarte a definir especificaciones técnicas, planes y pipelines que minimicen riesgos y aceleren la entrega.

Ofrecemos soluciones completas que incluyen desarrollo de software a medida, integración de inteligencia artificial para empresas, servicios cloud AWS y Azure, servicios de inteligencia de negocio y proyectos con Power BI. Nuestro enfoque une experiencia en agentes IA, automatización y prácticas de seguridad para que la delegación a modelos sea una ventaja, no una fuente de deuda técnica. Conoce más sobre cómo aplicamos IA en proyectos reales visitando nuestra página de inteligencia artificial y descubre nuestros servicios de aplicaciones a medida.

En definitiva, el desarrollo impulsado por especificaciones ofrece una manera práctica de romper el ciclo de la condena del doom prompting: desplaza la detección de errores hacia la especificación, trata la implementación IA como delegación y refuerza la fase de planificación cuando la investigación técnica aporta valor. Para proyectos significativos este método devuelve control, previsibilidad y mejor alineación con objetivos de negocio, reduciendo la probabilidad de costosas correcciones posteriores.