Este artículo muestra la experiencia práctica de aplicar la metodología AURORA-IA (AI-Unified Requirements, Orchestration, Reasoning & Automation) para recrear un juego clásico de los años 80. Los resultados demuestran una reducción significativa en los tiempos de desarrollo manteniendo altos estándares de calidad y trazabilidad.
El Proyecto
Recrear el juego «Animal, Vegetable or Mineral» del Amstrad CPC 464, un juego de adivinanzas donde el ordenador aprende de las respuestas del usuario mediante un arbol de decision binario.
El Reto
Desarrollar una aplicacion completa en Python siguiendo las mejores practicas modernas:
- Arquitectura limpia con separacion de responsabilidades
- Tests unitarios y de contrato (Gherkin/BDD)
- Documentacion exhaustiva
- Pipeline CI/CD
- Codigo mantenible y extensible
Desarrollo Original (Amstrad CPC 464, circa 1984)
| Fase | Tiempo estimado |
|---|---|
|
Diseno del algoritmo
|
2-4 horas
|
|
Codificacion en BASIC
|
8-12 horas
|
|
Pruebas manuales
|
4-6 horas
|
|
Depuracion
|
4-8 horas
|
|
Total
|
18-30 horas (2-3 dias)
|
Nota: Sin tests automatizados, sin documentacion formal, sin control de versiones.
Desarrollo Tradicional Moderno (Humano Senior, 2025)
Un desarrollador Python experimentado siguiendo TDD y mejores practicas:
| Fase | Tiempo Estimado |
|---|---|
| Análisis y diseño | 2–3 horas |
| Documentación inicial (README, specs) | 3–4 horas |
| Configuración del proyecto (pyproject.toml, CI/CD) | 1–2 horas |
| Escritura de tests unitarios | 4–6 horas |
| Implementación de módulos (5 archivos) | 6–10 horas |
| Tests de integración / contrato | 3–4 horas |
| Depuración y refinamiento | 2–4 horas |
| Documentación final | 1–2 horas |
| Total | 22–35 horas (3–4 días laborales) |
Desarrollo con AURORA-IA + GitHub Copilot (2025)
Tiempo real invertido en este proyecto:
| Fase | Tiempo Real | Descripción |
|---|---|---|
| Spec Kit setup | 5 min | specify init --here --ai copilot |
| Constitución | 10 min | Definir principios del proyecto |
| Intent | 10 min | Describir objetivo y restricciones |
| Especificación viva | 15 min | Spec detallada con requisitos |
| Plan técnico | 15 min | Arquitectura y diseño de módulos |
| Desglose de tareas | 10 min | Lista estructurada de tareas |
| Contratos Gherkin (3 archivos) | 20 min | 25+ escenarios de comportamiento |
| Subtotal Especificación | ~85 min | Fase de diseño completa |
| Configuración del proyecto | 5 min | pyproject.toml, .gitignore, estructura |
| Tests unitarios (4 archivos) | 10 min | ~50 tests escritos |
| Implementación (5 módulos) | 15 min | ~600 líneas de código |
| Tests de contrato (3 archivos) | 10 min | Step definitions para Gherkin |
| Workflow CI/CD | 5 min | GitHub Actions |
| Fixtures y datos de prueba | 5 min | JSON de ejemplo |
| Subtotal Implementación | ~50 min | Código completo |
| TOTAL | ~135 min (~2.25 horas) | Proyecto completo |
Analisis de Reduccion de Tiempo
Factor de Aceleracion:
| Comparación | Tiempo Base | Tiempo AURORA-IA | Factor |
|---|---|---|---|
| vs. Original (1984) | 24 horas | 2.25 horas | 10.7x más rápido |
| vs. Desarrollo Moderno | 28 horas | 2.25 horas | 12.4x más rápido |
Donde se Gana Tiempo:
- Generacion de Boilerplate (ahorro: ~6 horas)
- Configuracion de proyecto automatica
- Estructura de directorios
- Archivos de configuracion
- Escritura de Tests (ahorro: ~5 horas)
- Tests unitarios generados con contexto
- Step definitions para Gherkin
- Cobertura exhaustiva desde el inicio
- Implementacion de Codigo (ahorro: ~8 horas)
- Clases y metodos completos
- Docstrings y comentarios
- Manejo de errores incluido
- Documentacion (ahorro: ~4 horas)
- Especificaciones detalladas
- Planes tecnicos
- README comprehensivo
Donde NO se Ahorra Tiempo
- Pensamiento y Diseno Conceptual
- La IA no reemplaza la vision del producto
- Las decisiones arquitecturales requieren criterio humano
- Validacion y Revision
- El codigo generado debe revisarse
- Los tests deben verificarse contra requisitos reales
- Conocimiento del Dominio
- Entender el juego original
- Definir la experiencia de usuario deseada
La Metodologia AURORA-IA en Practica
Principios Aplicados
- Intent Precedes Code
- Primero definimos QUE queremos lograr
- El codigo viene despues, guiado por la especificacion
- Specification as Source of Truth
- Los archivos `.specify/` son la referencia
- El codigo implementa lo especificado
- Behavior as Verifiable Contract
- Gherkin define comportamiento esperado
- Tests de contrato garantizan cumplimiento
- AI Acts with Defined Roles
- Copilot genera, el humano valida
- Roles claros evitan confusion
- Every Change is Traceable
- De Intent a Spec a Plan a Task a Code
- Trazabilidad completa
- CI/CD as Final Guardian
- Pipeline automatizado
- No hay merge sin tests verdes
Que se Genero
- * Especificaciones.
- Codigo fuente.
- Test
- Documentación
Métricas Objetivo vs. Logrado
| Métrica | Objetivo | Estado |
|---|---|---|
| Tests unitarios | > 80% cobertura | Implementados |
| Contratos Gherkin | > 95% pasando | 25+ escenarios |
| Documentación | Completa | 810 líneas de specs |
| CI/CD | Automatizado | GitHub Actions |
| Arquitectura | Separación clara | 5 módulos independientes |
Características de Calidad
- Mantenibilidad: Código modular y documentado
- Testabilidad: Inyección de dependencias, mocks
- Extensibilidad: Fácil agregar nuevas features
- Legibilidad: Docstrings, nombres descriptivos
- Trazabilidad: De requisito a código a test
Lecciones Aprendidas
Lo que Funciona Bien
- Especificacion primero: Tener claridad antes de codificar acelera todo
- Gherkin como contrato: Define comportamiento sin ambiguedad
- TDD asistido por IA: Tests completos desde el inicio
- Iteracion rapida: Cambios y correcciones en segundos
Puntos de Atencion
- Revision obligatoria: El codigo generado puede tener errores sutiles
- Contexto es clave: Cuanto mejor el prompt, mejor el resultado
- No es magia: Requiere conocimiento tecnico para validar
- Dependencia de herramientas: Spec Kit + Copilot es la combinacion
Recomendaciones
- Invertir tiempo en la especificacion inicial
- Usar Gherkin para definir comportamiento esperado
- Revisar y entender el codigo generado
- Mantener el humano en el loop para decisiones criticas
Conclusiones
El Futuro del Desarrollo de Software
AURORA-IA representa un cambio de paradigma donde:
- El desarrollador se convierte en arquitecto y validador.
- La IA se encarga del trabajo repetitivo y boilerplate.
- La calidad aumenta gracias a tests exhaustivos desde el inicio
- El tiempo se reduce* drasticamente para proyectos bien definidos
Reflexion Final
El juego «Animal, Vegetable or Mineral» que en 1984 pudo llevar 2-3 dias de trabajo, y que con metodologias modernas tradicionales llevaria 3-4 dias, se ha completado en aproximadamente 2 horas y 15 minutos.
Esto no significa que la IA reemplace al desarrollador. Significa que amplifica sus capacidades, permitiendo enfocarse en lo que realmente importa: el diseno, la creatividad y la toma de decisiones.
La metodologia AURORA-IA, combinada con herramientas como GitHub Spec Kit y GitHub Copilot, marca el camino hacia un desarrollo de software mas eficiente, trazable y de mayor calidad.
