Cuando los desarrolladores usan asistentes de IA para codificar, generan documentación con modelos de lenguaje o crean casos de prueba automáticamente, la naturaleza del trabajo se transforma, no solo su velocidad.
01 · El cambioQué ha cambiado
Nuevas preguntas surgen que los marcos tradicionales de DoD no abordan:
- ¿Quién verifica que el código generado por IA es correcto, más allá de que compile?
- ¿Los casos de prueba generados automáticamente cubren escenarios significativos o solo técnicamente simples?
- ¿Las fuentes de datos que usó el modelo son fiables y actuales?
- ¿Se ha evaluado el sesgo potencial en los outputs, especialmente los que afectan a decisiones humanas?
- ¿Puede alguien explicar por qué la IA llegó a esa conclusión?
Si el equipo no tiene respuestas claras a estas preguntas, lo que ha entregado no está realmente Done.
02 · La actualizaciónLo que la DoD necesita incorporar
En lugar de expandir las listas de verificación extensamente, los equipos deben llegar a acuerdos explícitos sobre estas áreas críticas:
- Revisión de outputs de IA: criterios claros de revisión humana del código, documentación o pruebas generadas
- Trazabilidad de las fuentes: capacidad de identificar y verificar las fuentes de datos externas usadas por la IA
- Calidad del prompt: documentar e iterar los prompts importantes como artefactos de trabajo
- Comprobación de sesgos: cribado de los outputs de IA en funcionalidades con impacto en usuarios
- Responsabilidad humana explícita: clarificar que los equipos mantienen la responsabilidad a pesar de las capacidades generativas de la IA
- Aspectos legales y de privacidad: asegurarse de que el uso de herramientas de IA cumple con los requisitos organizativos y normativos
03 · El facilitadorEl papel del Scrum Master en todo esto
El Scrum Master no escribe la DoD: lo hace el equipo. Sin embargo, este rol puede facilitar la conversación sobre cómo la IA ha transformado los flujos de trabajo. Las retrospectivas centradas en "¿qué partes de nuestro trabajo han cambiado desde que usamos IA?" pueden desencadenar discusiones productivas sobre la modernización de los criterios de Done.
04 · La prácticaUn ejemplo práctico: antes y después
Una evolución típica de la DoD incorpora estas adiciones:
- Código y calidad: el código generado por IA requiere verificación de lógica más allá de la comprobación de sintaxis; los casos de prueba automáticos necesitan validación de escenarios de negocio
- Documentación: la documentación generada por IA debe ser validada por alguien con conocimiento contextual del producto
- Calidad del output de IA (nueva sección): los prompts deben registrarse; las fuentes de datos deben verificarse; se realizan revisiones de sesgo para funcionalidades con impacto en usuarios
- Privacidad y cumplimiento: el uso de herramientas de IA debe cumplir las políticas de privacidad organizativas; los datos personales de usuarios no pueden procesarse a través de herramientas de IA no aprobadas
La DoD funciona como un acuerdo vivo que refleja las prácticas de trabajo reales. Actualizar la DoD para reflejar el uso de IA no es burocracia. Es una señal de que el equipo está siendo honesto sobre cómo trabaja.