O AI-DLC: o ciclo de vida de desenvolvimento orientado por IA

Cunhada por Raja SP, da AWS, em 2025 e descrita em seu artigo técnico "AI-Driven Development Lifecycle (AI-DLC) Method Definition", a metodologia AI-DLC é apresentada como uma colaboração entre máquina e humano, em oposição a métodos anteriores como Agile e Scrum, que eram fundamentalmente centrados no ser humano. O autor compara essa mudança à substituição das carruagens puxadas a cavalo pelo automóvel. Mas, enquanto simplesmente acrescentar IA ao Agile produz um "cavalo mais rápido", para tomar emprestada uma metáfora com frequência atribuída por engano a Henry Ford, o AI-DLC representa uma evolução mais profunda.

Se nos últimos anos as ferramentas de IA vinham sendo integradas ao SDLC, o AI-DLC representa um passo além nessa integração. Em resumo, a IA não fica relegada ao papel de mera ferramenta de geração de código. Não é apenas uma parte do desenvolvimento: é o centro dele. A colaboração entre a IA e as pessoas é contínua, e os engenheiros humanos assumem um papel mais de supervisão.

Também é diferente do termo "ciclo de vida da IA", que descreve como os próprios modelos de IA são construídos, e não como eles são usados para auxiliar no desenvolvimento de software.

O artigo de Raja SP define dez princípios que constituem a base do AI-DLC.

A IA não deve ser simplesmente acoplada às metodologias de desenvolvimento de software já existentes. A IA não é apenas mais uma ferramenta de produtividade: é uma participante central. A pergunta que se faz é como seria o SDLC se a IA sempre tivesse existido. O resultado é um SDLC centrado na IA e nativo de IA.

O desenvolvimento assistido por IA tradicionalmente consiste em desenvolvedores que enviam prompts continuamente à IA generativa para que ela execute tarefas isoladas. No novo paradigma, em vez de pedir ajuda a uma IA e esperar que ela execute a tarefa, o desenvolvedor descreve sua intenção, e a IA usa seus recursos de agente para criar um plano, fazer perguntas, executar, validar e manter, tudo isso enquanto busca, por iniciativa própria, a aprovação de seu parceiro humano.

As metodologias anteriores deixavam que as equipes de desenvolvimento escolhessem suas próprias técnicas de design. O AI-DLC centraliza o design e traz as disciplinas de engenharia para dentro da própria metodologia. Práticas como domain-driven design (DDD), behavior-driven development (BDD) e test-driven development (TDD) passam a ser parte integrante do fluxo de trabalho. Isso padroniza a qualidade da engenharia.

A IA não pode ser 100% autônoma. O artigo recomenda a validação e a supervisão humanas das decisões da IA, para que ela se beneficie do discernimento das pessoas.

No software corporativo, a complexidade vai muito além de escrever código. Sistemas de grande porte são compostos de vários serviços, arquiteturas, diferentes tipos de usuários e stakeholders e, inevitavelmente, anos de dívida técnica espinhosa. Uma das propostas de valor do AI-DLC é preservar todo esse contexto ao longo do projeto, de modo que os desenvolvedores possam se beneficiar continuamente dessa compreensão excepcionalmente abrangente.

O AI-DLC transforma profundamente o desenvolvimento de software, mas mantém o papel da participação humana onde ela é necessária. Mantém-se uma cultura de feedback contínuo ao longo dos projetos para ajudar a garantir que o desenvolvimento continue alinhado aos objetivos do negócio. Esses pontos de contato são automatizados e documentados para que as pessoas possam se concentrar em tomar as melhores decisões.

O autor reconheceu que as organizações não conseguem trocar de metodologia da noite para o dia. O processo é gradual e se integra a conceitos e fluxos de trabalho já existentes, com os quais as organizações estão familiarizadas, de modo que a adoção causa o mínimo de ruptura.

Como a IA consegue executar o trabalho e manter o contexto entre disciplinas, tarefas que antes exigiam equipes separadas de especialistas agora podem ser concluídas por equipes mais integradas, com uma compreensão de nível mais alto. O resultado são repasses menos frequentes.

O SDLC tradicional divide o trabalho em fases distintas, como planejamento, design, implementação, testes e implantação. Ao final de cada fase, a informação passa de uma para a seguinte. O AI-DLC dilui essas fronteiras ao tratar as fases como um fluxo contínuo em que as tarefas ocorrem de forma simultânea e não linear. O resultado são ciclos de feedback mais curtos e um progresso mais rápido.

O AI-DLC não prescreve um fluxo de trabalho rígido para cada projeto: é adaptativo. Não força os projetos a passar por um processo predefinido. Em cada cenário, a IA analisa os objetivos e as restrições e gera o fluxo de trabalho personalizado que faz mais sentido para aquele projeto específico.

O framework levanta a pergunta: e se o desenvolvimento de software não fosse construído em torno das limitações humanas? Metodologias anteriores, como Waterfall e Agile, foram concebidas para ajudar equipes humanas a coordenar seu esforço. A IA muda radicalmente essa premissa central.

Com uma metodologia de spec-driven development (SDD), o AI-DLC enfatiza intenções em vez de processos rígidos e permite que a IA descubra como construir algo que atenda da melhor forma a essas especificações. Dessas intenções derivam as unidades, conjuntos de tarefas que representam o caminho da IA para realizar a intenção. Um bolt é uma iteração por meio da qual as unidades de trabalho são executadas.

O trabalho avança por várias fases. A fase de concepção capta as intenções e as traduz em unidades por meio da elaboração em grupo (mob elaboration), um ritual colaborativo de planejamento de software em que uma equipe multidisciplinar e um sistema de IA trabalham juntos para converter ideias de negócio de alto nível em histórias de usuário.

É aqui que começa a análise de requisitos. Os requisitos não funcionais (RNFs) definem atributos, guardrails e restrições essenciais. As avaliações de risco também são feitas aqui, mas tanto os riscos quanto os requisitos são verificados e reavaliados continuamente ao longo de todo o ciclo de vida.

Os arquivos de direcionamento são documentos markdown, armazenados em um repositório, que definem as regras, as restrições, os padrões de arquitetura e os fluxos de trabalho que os agentes devem seguir. Eles são criados durante a fase de concepção, mas participam das três fases do AI-DLC. Esses arquivos funcionam como uma fonte de verdade persistente para os agentes de IA ao longo do projeto.

É na fase de construção que a execução acontece. Durante a construção em grupo, a equipe humana e a IA escrevem, testam e implementam o código em conjunto.

Na fase final de operação, a IA usa os requisitos de negócio da fase de concepção e as decisões técnicas da fase de construção para gerenciar a implementação, automatizar a infraestrutura e monitorar o sistema em produção.

Em todas as fases do SDLC, a IA tem um papel central.

Em um SDLC tradicional, as pessoas traduzem manualmente os objetivos de negócio em planos de projeto. As organizações vêm experimentando fluxos de trabalho em que assistentes de IA ajudam a converter metas de alto nível em planos. No AI-DLC, os agentes de IA fazem perguntas de esclarecimento, identificam ambiguidades, dão sugestões e apontam oportunidades que poderiam passar despercebidas. Essas contribuições são convertidas em histórias de usuário e roteiros de projeto. A IA agêntica mantém esse contexto ao longo de todo o projeto.

No AI-DLC, a IA não se limita a resumir reuniões. Ela analisa e-mails, chamados de suporte, transcrições e documentação para identificar conflitos e lacunas antes mesmo de o desenvolvimento começar. Se alguém mencionar em uma reunião um evento âncora que conflita com o cronograma do projeto tal como foi descrito em outra reunião, o agente pode sinalizar essa possível discrepância e propor uma solução. Isso produz uma visão de conjunto do projeto, do início ao fim, que dificilmente uma única pessoa ou equipe conseguiria manter.

A inteligência artificial transforma o design de software em uma colaboração iterativa. A IA pode propor arquiteturas de aplicação, esquemas de banco de dados, APIs, configurações de infraestrutura e designs de interface do usuário, explicando as vantagens e as desvantagens de cada abordagem. Ela consegue gerar rapidamente protótipos interativos, comparar designs alternativos e revisar a documentação de arquitetura à medida que o projeto evolui.

A tarefa central da engenharia de software (escrever código) é a área do SDLC em que a utilidade da IA é mais evidente e aquela em que ela assume seu papel mais autônomo. Os agentes de IA para programação entendem o contexto do projeto, os padrões de programação e a lógica de negócio, e conseguem construir de forma autônoma levando tudo isso em conta. Os desenvolvedores validam decisões e refinam o código gerado pela IA.

O teste dá lugar a uma fase mais ampla de verificação, já que a IA gera e executa testes continuamente ao longo do desenvolvimento, em vez de esperar que ele termine. Ela analisa o código em busca de defeitos, detecta regressões, valida a conformidade com as restrições de arquitetura. Isso acontece em segundo plano, a cada etapa.

No AI-DLC, a implementação é outro processo em otimização contínua. Os agentes preparam planos de lançamento, validam configurações de infraestrutura, geram documentação, monitoram implantações em produção e otimizam pipelines de CI/CD. A IA ajuda ativamente a garantir que as versões sejam estáveis e seguras, além de alinhadas aos objetivos operacionais.

O AI-DLC vai além da manutenção tradicional de software ao tratar os sistemas em produção como fonte permanente de feedback. Ao preservar o conhecimento ao longo de todo o ciclo de vida, a IA permite que cada versão se beneficie das lições aprendidas nos ciclos de desenvolvimento anteriores.

O artigo incentiva as organizações a praticar os diversos rituais e a incorporar o AI-DLC às próprias ferramentas de orquestração, com o objetivo de reduzir ao mínimo a necessidade de reformulações profundas.

O framework adota como padrão ferramentas da AWS, como o Kiro e o Amazon Q Developer. Mas também pode ser usado com plataformas de agentes como o IBM Bob e o Claude Code.

O IBM Bob, por exemplo, é um parceiro de desenvolvimento de ponta a ponta, baseado em agentes e estruturalmente otimizado para o AI-DLC. O IBM Bob traz os modos Ask e Plan, que partem de intenções de alto nível para construir a estrutura inicial de design da aplicação. Há o Agent Mode, para escrever, modificar e refatorar código ou para corrigir bugs e criar novos arquivos. Os usuários também podem ajustar o comportamento do Bob criando modos personalizados, com papéis especializados, restrições de ferramentas e fluxos de trabalho da equipe.