Agile + IA: propuesta de actualización

Cómo evolucionar los 4 principios frente a LLMs y agentes autónomos

Silueta de una persona compuesta por texto de código, con un haz de luz verde recorriendo su columna, sobre fondo negro estrellado

Por qué revisar Modern Agile ahora

Modern Agile se formuló en 2016, antes de que existieran los LLMs conversacionales, los agentes de código autónomos o el Model Context Protocol. La investigación reunida en documentación de investigación —reportes de industria, papers académicos de 2025-2026 y guías prácticas de proveedores— apunta a un cambio de fondo, no cosmético:

  • DORA 2025 encuentra que la IA actúa como amplificador: magnifica tanto las fortalezas como las debilidades organizacionales ya existentes. El 90% de los profesionales ya usan IA, pero un 30% sigue sin confiar en el código que genera — la brecha no es de adopción, es de sistema organizacional. (ver reporte DORA 2025 en Fuentes)
  • Thoughtworks Technology Radar Vol. 33 marca 2025 como el año en que la industria dejó atrás el “vibe coding” informal para tomarse en serio el contexto, la infraestructura y la seguridad de los agentes.
  • El propio Joshua Kerievsky coescribió en 2025 el AI and Agile Software Development Research Roadmap del taller XP2025, donde sostiene que las prácticas de XP (pair programming, TDD, propiedad colectiva) son precisamente la estructura que hace falta para dirigir y validar salidas de IA — es decir, Modern Agile no se descarta, se aplica al nuevo contexto.

La propuesta de este documento no es reemplazar los 4 principios, sino leerlos de nuevo con las prácticas que ya está validando la industria, y evaluar si hace falta un quinto.

Los 4 principios, releídos para la era de los agentes

1. Haz que las personas sean geniales

Qué cambia: “las personas” ahora incluye explícitamente a quienes dirigen agentes, no solo a quienes escriben código a mano. El estudio de Microsoft sobre supervisión humana de agentes (Human Oversight of Agentic Systems in Practice) documenta que los desarrolladores ya ejercen 4 formas de supervisión — control a priori, co-planeación, monitoreo en tiempo real y revisión posterior — y que su productividad “increíble” depende de que la organización les dé herramientas para ejercerlas bien, no de que dejen de pensar.

Riesgo documentado: varios papers (DORA, Thoughtworks, HBR) coinciden en que la IA puede erosionar la seguridad psicológica en vez de aumentarla, si se usa para vigilar en lugar de empoderar. “Make People Awesome” en 2026 implica proteger explícitamente el tiempo de pensamiento crítico del equipo, no solo automatizar tareas.

Prácticas concretas a incorporar:

  • Alfabetización en IA como responsabilidad del equipo (no solo del “AI Coach” o Scrum Master), siguiendo la brecha de habilidades de prompting identificada como la frustración más votada en el taller XP2025 (78.6% de los votos).
  • Sesiones de “interview me” antes de features grandes (patrón de Anthropic: el agente entrevista al humano para escribir un spec compartido antes de implementar).
  • Debriefs regulares y transparentes de decisiones tomadas por agentes, para sostener confianza.

2. Entrega valor continuamente

Qué cambia: el cuello de botella deja de ser “escribir código” y pasa a ser “verificar y dirigir”. El AI-Native Large-Scale Agile Manifesto (Ericsson) lo resume como el paso de un proceso secuencial con fases y gates manuales a un proceso paralelo por defecto: planificación, implementación y verificación ocurren simultáneamente porque el costo de cada actividad individual cae drásticamente cuando un agente puede generar código o tests en minutos.

Prácticas concretas a incorporar:

  • Spec-driven development: los specs pasan a ser artefactos vivos y versionados que tanto personas como agentes leen y actualizan (no documentación estática que se desactualiza). Herramientas citadas: SpecKit, OpenSpec (Thoughtworks).
  • Continuous AI (GitHub Next): extender el patrón de CI/CD a tareas de razonamiento — triage continuo de issues, documentación continua, simplificación continua de código — como parte normal del flujo de entrega, no como iniciativas aparte.
  • Los pocos gates que quedan deben ser verificaciones automatizables por agentes, no reuniones de aprobación manual.

3. Haz de la seguridad un prerequisito

Qué cambia: “seguridad” ahora cubre explícitamente los riesgos propios de la autonomía agéntica: errores irreversibles (el caso documentado de un agente de Replit borrando una base de datos de producción), fuga de credenciales, inyección de prompts, y sesgos que se comportan distinto en producción que en evaluación.

Prácticas concretas a incorporar:

  • “Human in Control, not Human in the Loop” (AI-Native Agile Manifesto): el humano define el intent y los límites antes de que el agente actúe, no solo revisa después.
  • Safe Outputs (GitHub): contrato determinístico explícito de qué puede producir un agente — por defecto solo lectura, sin permiso para abrir PRs o modificar contenido salvo que se declare.
  • Verificación como puerta de salida, no como sugerencia: darle al agente algo que produzca pase/falla (tests, build, comparación de screenshot) en vez de confiar en que “se ve terminado” (best practice central de Anthropic para Claude Code).
  • Revisión adversarial en contexto limpio: un segundo agente o subagente revisa el diff sin haber participado en producirlo, para no heredar el sesgo de “ya lo hice bien”.

4. Experimenta y aprende rápido

Qué cambia: el ciclo de experimento-aprendizaje se acorta de días a minutos, pero el riesgo de “agent thrashing” (bucles infinitos de corrección sin converger) reemplaza al riesgo de experimentar poco. Thoughtworks lo nombra como uno de los motivos centrales para adoptar una metodología disciplinada en vez de “vibe coding” puro.

Prácticas concretas a incorporar:

  • Sesiones cortas con límite explícito de correcciones: si el mismo problema se corrige más de dos veces en una sesión, reiniciar contexto con un prompt mejor informado, en vez de seguir acumulando parches (patrón documentado por Anthropic).
  • Tratar los prompts, specs y configuraciones de contexto (CLAUDE.md, AGENTS.md) como código: se versionan, se revisan, se podan cuando dejan de ser útiles.
  • Multiplicar los experimentos en paralelo (várias sesiones de agente en worktrees aislados) en vez de solo acelerar un experimento a la vez.

¿Hace falta un quinto principio?

La evidencia no es unánime, pero converge en un tema: la relación entre intención humana y ejecución de la máquina necesita ser un principio explícito, no un supuesto implícito de “Deliver Value Continuously”. Tres fuentes independientes llegan a formulaciones muy parecidas:

  • AI-Native Agile Manifesto (Ericsson): “Human intent, machine velocity” — humanos dirigen, agentes ejecutan.
  • AGENTSWAY: el humano como orquestador, con roles explícitos de agentes especializados (planning, prompting, coding, testing, fine-tuning).
  • El paper “AI-gile” (ScienceDirect, citado de segunda mano — ver documentación de investigación) identifica el rebalanceo de roles humano/IA como uno de los tres patrones recurrentes en cómo la IA presiona sobre los principios ágiles existentes, junto con la gestión de la colaboración y la erosión/regeneración de principios.

Propuesta de quinto principio (borrador para discutir con el equipo):

Haz explícita la intención — mantén al humano en control, no solo en el bucle. Los agentes ejecutan más rápido de lo que cualquier humano puede supervisar línea por línea. La agilidad ya no depende solo de qué tan rápido entregamos, sino de qué tan bien declaramos qué queremos y qué límites no se deben cruzar antes de que la ejecución empiece. Un intent mal definido, ejecutado a velocidad de máquina, es un riesgo mayor que un intent mal definido ejecutado a mano.

Esto no reemplaza “Make Safety a Prerequisite” (que cubre el cómo protegernos), sino que cubre el quién decide qué — la brecha de gobernanza y alineación que tanto DORA como el roadmap de Kerievsky señalan como la causa raíz de que la IA amplifique problemas preexistentes en vez de resolverlos.

Roles y ceremonias: qué se transforma

Antes Ahora (según la investigación)
Scrum Master facilita reuniones AI Coach / Orquestador: elige y configura herramientas de IA, enseña alfabetización en IA, orquesta el flujo humano-agente (Scrum.org)
Developer escribe código Developer define intent, provee contexto, verifica resultados — “de la ejecución a la dirección” (AI-Native Agile Manifesto)
Documento de requisitos estático Spec viva, versionada, legible por agentes y personas (SpecKit, OpenSpec, AGENTSWAY)
Code review humano exclusivo Revisión adversarial por subagente en contexto limpio + revisión humana final (Anthropic, Human Oversight paper)
Retro de sprint + Retro de contexto: qué partes de CLAUDE.md/AGENTS.md siguen sirviendo, cuáles podar
Daily standup + Reporte de qué hicieron los agentes en background (Continuous AI) desde el último standup

Riesgos y antipatrones a vigilar

Documentados de forma consistente en Thoughtworks, DORA y el paper de supervisión humana:

  • Complacencia con código generado por IA — aceptar sin revisar porque “siempre funciona”.
  • Shadow IT acelerado por IA — herramientas y agentes adoptados sin gobernanza, fuera de la vista del equipo de plataforma.
  • Erosión de la colaboración — mayor satisfacción individual con la IA puede venir acompañada de menor cohesión de equipo (hallazgo citado en el roadmap XP2025).
  • Agent thrashing — bucles de corrección que no convergen, por falta de un check verificable.
  • Regresión a la media creativa — los modelos entrenados en el pasado tienden a producir ideas derivativas; la ideación divergente sigue siendo trabajo humano.

Agenda abierta (para seguir investigando con el equipo)

Del roadmap de investigación XP2025 (coescrito por Kerievsky), los 5 ejes que probablemente apliquen también a nuestro contexto:

  1. Ecosistema de herramientas e integración (evitar la “parálisis por demasiadas herramientas”).
  2. Factores humanos, alfabetización en IA y mentalidad de equipo.
  3. Gobernanza, cumplimiento y uso seguro de IA.
  4. Realización y evaluación de valor (¿cómo medimos que la IA realmente ayuda, no solo que se usa?).
  5. Creatividad y multimodalidad en agile con IA.

Fuentes

El índice completo está en documentación de investigación, organizado en reportes de industria, papers académicos y guías prácticas.

Reportes de industria

Papers académicos

  • Zhang, Herda, Pichler, Abrahamsson, Hanssen, Kerievsky, et al. (2025). AI and Agile Software Development: A Research Roadmap from the XP2025 Workshop. arXiv:2508.20563
  • Britto, Palmgren, Saini, Ohlin (Ericsson, 2026). The AI-Native Large-Scale Agile Software Development Manifesto. arXiv:2605.07717
  • Bandara et al. (2025). Agentsway — Software Development Methodology for AI Agents-Based Teams. arXiv:2510.23664
  • Hoda, R. (2025/2026). Toward Agentic Software Engineering Beyond Code: Framing Vision, Values, and Vocabulary. arXiv:2510.19692
  • Dhanorkar, Passi, Vorvoreanu (Microsoft, 2026). Human oversight of agentic systems in practice. arXiv:2606.05391
  • Zhang, Herda, Pichler, et al. (2025). AI and Agile Software Development: From Frustration to Success — XP2025 Workshop Summary. arXiv:2506.20159
  • (2025). Context Engineering for AI Agents in Open-Source Software. arXiv:2510.21413
  • Zhang et al. (2026). AI-gile: Revisiting Agile principles in the era of AI. ScienceDirect (paywall; citado de segunda mano, ver documentación de investigación).

Guías prácticas