Business Agility con IA · entrega predecible y flujo que mejora
hola@leanimprovements.esMontamos la base de conocimiento que comparten producto, QA, desarrollo y sus IAs: los estándares técnicos, de QA y de desarrollo, versionados en el repositorio, y el conocimiento funcional del producto en un RAG con Qdrant que cualquier modelo puede consultar. Así el discovery parte de lo que el producto ya sabe y el código no depende de qué modelo use cada persona ni de sus prompts.
Cuando cada persona usa su modelo, sus prompts y su copia de las normas, el código acaba dependiendo de quién lo escribió y con qué herramienta.
Reglas técnicas, de QA y de desarrollo en un AGENTS.md, skills y guías versionadas junto al código, que lee cualquier agente sea cual sea el modelo. Las reglas orientan; los hooks, los tests y la integración continua obligan: lo que no cumple el estándar no se mergea.
Reglas de negocio, especificaciones y decisiones indexadas en Qdrant, clasificadas (regla o referencia, vigente o en revisión) y servidas por API a cualquier modelo o agente, con un presupuesto de tokens por pregunta.
Un chat con IA generativa sobre el contexto de vuestro producto y vuestras reglas. Cada respuesta cita el documento del que sale y, si la base no tiene la respuesta, lo dice en vez de inventarla.
Producto pregunta por reglas de negocio, casos de uso y decisiones anteriores, y hace el discovery sobre lo que el producto ya sabe: del chat sale el business case, y de ahí épicas e historias con criterios en Gherkin, con la fuente citada.
Ver Product Management con IALa IA revisa cada pull request contra los estándares de vuestra organización, no contra los suyos. Ya lo hemos montado para un cliente, con sus reglas de desarrollo estandarizadas en una base compartida.
Ver desarrollo con IACruzamos los flujos de negocio del cliente con la base de conocimiento en Qdrant para saber qué escenarios de prueba ya existen y cuáles faltan.
Ver QA con IALa base la escriben y la mantienen vuestros profesionales; la IA la consulta. Delegamos en la IA la escritura del código, pero las reglas que la guían, el criterio y las decisiones son siempre de las personas.
En una wiki que nadie lee
Versionados en el repositorio y leídos por cualquier agente
Depende del modelo y del dev
Mismas reglas para todos, exigidas en CI
Cada iniciativa empieza de cero
Parte de lo que el producto ya sabe, con fuentes
Repartido en documentos y personas
Consultable por API y por chat, con citas
Documentación entera en cada prompt
Solo lo relevante, con presupuesto y caché
El módulo de contexto de producto de nuestra plataforma, en piloto: sirve reglas y referencias por API a cualquier modelo, con presupuesto de tokens, caché de la parte fija y citas a la fuente. Lo consumen su chat de Discovery, que genera el business case, y la generación de épicas e historias.
Revisión de pull requests con IA a partir de las reglas y estándares de desarrollo del cliente, estandarizados en una base compartida.
Normalmente no. Los estándares técnicos y de QA caben enteros en el contexto y funcionan mejor versionados en el repositorio, junto al código. El RAG tiene sentido para el conocimiento de producto: mucho volumen, que cambia y no cabe entero.
Frente a meter toda la documentación en cada prompt, sí: solo entra lo relevante, con un presupuesto fijo, y la parte estable va en caché, que los principales proveedores cobran a una fracción del precio normal. Frente a no dar contexto, añade tokens, pero evita respuestas inventadas. Y si vuestra base es pequeña os lo diremos: a veces basta con meterla entera y cachearla.
Sí. La base y la búsqueda no dependen de ningún modelo: se consultan por API desde Claude, OpenAI, Gemini o un agente propio. Cambiar de modelo no obliga a cambiar las reglas.
No. Producto la usa para preguntar por reglas de negocio y hacer discovery sobre lo que ya existe; QA y desarrollo, para trabajar con el mismo estándar. Es la misma base para todos.
Lo medimos. Preparamos un conjunto de preguntas reales con su respuesta esperada y comprobamos si la búsqueda trae el fragmento correcto (recall@k, MRR) antes de dar la base por buena, y volvemos a medir cuando cambia.
Qdrant se puede autoalojar, así que la base puede vivir en vuestra infraestructura. El contenido recuperado se marca como dato no fiable y las instrucciones fijas le dicen a la IA que no siga órdenes que aparezcan dentro de un documento.
Con una sesión de 30 minutos para ver dónde viven hoy vuestras reglas y vuestro conocimiento de producto. De ahí sale qué va al repositorio, qué va al RAG y por dónde empezar.
Reserva 30 minutos. Vemos dónde viven hoy tus reglas y tu conocimiento de producto, y qué va al repositorio y qué al RAG.
