SDLC nativo de IA: cómo Tenex paga por resultados y usa Git para que los agentes no pierdan el hilo

Si una IA hace a tu ingeniero el doble de rápido y le pagas por hora, le estás pagando la mitad por el mismo trabajo. Esa paradoja empujó a CJ Hess a dejar su consultora de ingeniería y a Tenex a diseñar un SDLC nativo de IA donde se paga por lo entregado, no por el tiempo frente al teclado. Alex Lieberman, cofundador de Tenex, y Hess, su líder de proyectos especiales, lo contaron en AI Engineer New York, en una conversación con el podcast Latent Space.

La compañía ya suma 75 personas y trabaja con empresas del Fortune 2000 y del mercado medio. Nació como un taller de desarrollo impulsado por IA y hoy recibe cada vez más encargos de transformación completa: llevar a las organizaciones de «AI absent» a «AI native». Su modelo de compensación se apoya en story points, y Lieberman reporta una brecha de ingresos de aproximadamente cuatro veces entre los ingenieros mejor y peor pagados. Según el resumen del episodio, ajustar la paga de tareas como arquitectura o reuniones con clientes ha dado más trabajo que el temor inicial a que la gente inflara estimaciones o enviara código malo para sumar puntos. Los estrategas de IA de Tenex responden por la retención y el crecimiento de cada cliente, así que tienen incentivos para frenar trabajo que no sirve.

La pieza técnica es MetaHarness: un conjunto compartido de skills, documentos de proyecto y una CLI. Planes y decisiones se guardan en Git junto al código, de modo que un agente que retoma una tarea lee no solo qué se construyó, sino por qué. En su ensayo «Building an AI-Native SDLC», Tenex explica la lógica con algo de historia. Waterfall intentó predecirlo todo; Winston Royce, que dibujó su diagrama en 1970, advirtió en el mismo texto que ese método «invita al fracaso». Agile (2001) lo resolvió con ciclos cortos y conversación constante, pero dejó el contexto en la cabeza de las personas. Los agentes no tienen esa memoria: no pueden heredar lo que nunca se escribió. Con 100 agentes sobre un mismo sistema, el plano compartido deja de ser burocracia y se convierte en lo único que evita que la obra se descarrile.

Qué cambia en el SDLC nativo de IA

El ciclo de Tenex parece convencional: requisitos y accesos, alcance y planificación, revisión de diseño, construcción, demos de control, pruebas y QA, lanzamiento y soporte intensivo con traspaso. Lo distinto es lo que ocurre dentro de cada fase. Sus ocho principios incluyen tratar el contexto como parte del sistema, mantener un plan que puede cambiar, compartir el conocimiento tácito mediante skills reutilizables, dar al proceso una interfaz para máquinas y validar para que la autonomía sea segura.

Hess lo resume desde la práctica: a medida que los modelos mejoran, programa menos y dedica más tiempo a convertir el contexto del cliente en algo que el modelo pueda usar. Es la misma tensión que viven otras organizaciones: en Spotify, duplicar los cambios de código reveló que escribir ya no era el cuello de botella, y en Tenex ese cuello de botella se llama contexto.

Hay una advertencia importante. Tenex admite que tanta estructura puede ser excesiva para un equipo pequeño con un solo proyecto.

Cómo aplicar el SDLC nativo de IA en tu empresa

No hace falta copiar MetaHarness entero. Estas son las lecciones transferibles:

Escribe lo que antes se quedaba en la conversación. Plan, criterios de aceptación, decisiones y evidencia deben vivir en el repositorio, versionados. Si un agente no puede leerlo, no existe.

Empieza por un solo flujo. Elige un proyecto, define las fases y qué artefacto produce cada una. El principio, que se escucha al arranque del episodio, es que no se puede automatizar un proceso que no existe.

Convierte el conocimiento tácito en skills compartidas. Lo que tu mejor ingeniero hace «porque sí» debe quedar como instrucción reutilizable por humanos y agentes. Eon lo logró con un gateway MCP al pasar el onboarding de ingenieros de dos días a dos minutos.

Premia el trabajo que no cabe en un ticket. Entender el problema del cliente o decidir qué construir es hoy la parte más valiosa. Si tu esquema de incentivos solo cuenta tareas cerradas, la desincentivas.

Mide el costo de mantener. Valida con evidencia, no solo con checklists.

Construir tu propio software: el dilema de «Kill My SaaS»

El episodio también incluye un experimento de Latent Space: reemplazar una herramienta de gestión de ponentes que costaba $43.000 al año. Recibieron 72 propuestas, y el equipo ganador según los jueces humanos quedó en el puesto 19 del ranking del juez de IA. Cumplir una lista de escenarios no es lo mismo que saber si la gente querrá usar el producto.

Lieberman advierte que, cuanto más grande es la empresa, más caro y arriesgado es sacar un sistema establecido, y que alguien tendrá que mantener lo construido. El anfitrión responde que el ahorro no es el único beneficio: ser dueño del flujo permite iterar en minutos en lugar de esperar meses a un proveedor. Ambos argumentos son válidos; la decisión depende de cuánta atención recurrente puedas dedicar.

Un mercado aún sin respuesta

Lieberman es escéptico con la IA vertical: si cada empresa espera una solución única, ¿cómo se entrega con márgenes de software? Su interlocutor citó Harvey, OpenEvidence y Bloomberg como contraejemplos de productos que se vuelven el lugar donde la gente trabaja. Hess propone otra pregunta: ¿el producto mejora el flujo de trabajo o solo es una función del agente que ya usas?

Para los líderes tecnológicos, la conclusión es práctica. Antes de comprar más agentes, revisa si tu organización puede dejarles el contexto por escrito, si tus incentivos pagan por resultados y si tienes capacidad para mantener lo que construyes. Quien se plantee un SDLC nativo de IA debería preguntarse hoy: ¿qué parte de nuestro proceso solo existe en la memoria de las personas?