Mi flujo de trabajo de programación con LLM para 2026 (Addy Osmani)

Addy Osmani, ingeniero del equipo de Google Chrome, organizó este flujo de trabajo para usar LLM basándose en un año de experiencia programando con IA.

Principios clave:

• Primero la especificación, luego el código: redactar primero spec.md junto con el LLM, definir requisitos, arquitectura y estrategia de pruebas, y recién después empezar a programar. Lo describe como una “cascada de 15 minutos”
• Iterar en unidades pequeñas: no pedir un gran resultado de una sola vez, sino dividir el trabajo por función, procedimiento o bug. Si se le encarga un bloque grande, el resultado termina pareciendo “como si lo hubieran hecho 10 personas que nunca hablaron entre sí”
• Proporcionar suficiente contexto: compartir activamente el código relacionado, la documentación de la API y las restricciones. Usar herramientas como gitingest y repo2txt para inyectar el codebase al LLM
• Elegir el modelo y usarlos en paralelo: si un modelo se atasca, cambiar a otro. También conviene usar validación cruzada, como pedirle a Gemini que revise código escrito por Claude
• El humano debe estar siempre en el ciclo: tratar al LLM como un desarrollador junior “muy seguro de sí mismo, pero propenso a equivocarse”. Revisar y probar todo el código generado, y no hacer commit de código que uno no pueda explicar
• Control de versiones ultradetallado: hacer commit en cada tarea para asegurar “save points”. Ejecutar varias sesiones de IA en paralelo con git worktree
• Definir reglas con CLAUDE.md/GEMINI.md: escribir en archivos la guía de estilo del proyecto, los patrones preferidos, las reglas de lint, etc., e inyectarlas a la IA
• Integración con CI/CD: las pruebas automatizadas y los linters actúan como compuerta de calidad para el código generado por IA. Un ciclo de retroalimentación en el que los logs de fallos se vuelven a pasar a la IA

Puntos a tener en cuenta:

• En Anthropic, alrededor del 90% del código de Claude Code fue escrito por el propio Claude Code
• La IA recompensa las mejores prácticas existentes. El mayor efecto se da cuando las capacidades de un ingeniero senior (diseño, gestión de complejidad, criterio para automatizar) se combinan con la IA
• Las herramientas de IA amplifican la capacidad, no la reemplazan. Usar solo IA sin fundamentos puede terminar siendo una “versión con esteroides del efecto Dunning-Kruger”