Las specs son el código fuente. El código es un artefacto de build.
Por qué cerrar el ciclo con reverse discovery no agrega un comando — invierte qué cosa es el activo de un sistema de software.
el LLM es el compilador
reverse discovery es el decompilador — un decompilador común recupera solo estructura; este recupera además la intención, el por qué
01 · Antes — el código es la verdad
Así funciona hoy casi todo proyecto: el activo es el código. La spec —si existe— es documentación: se escribe una vez y se pudre en silencio, porque nada la obliga a moverse cuando el código se mueve. A los seis meses nadie le cree, y con razón. Cuando el documento y el código dicen cosas distintas, gana el código. Siempre.
Fíjense la consecuencia económica: todo lo que la organización sabe del sistema vive en un artefacto que solo se puede leer ejecutándolo. Cuando el único que lo entiende se jubila, el conocimiento se jubila con él.
02 · La analogía — nadie edita el binario
Pensemos en C. Nadie parchea el binario compilado a mano — sería una locura: se edita
el .c y se recompila. El binario es descartable, regenerable;
el .c es el activo. La tesis dice: con LLMs suficientemente buenos, el
código fuente pasa a ocupar el lugar del binario. Se edita la spec y se
«recompila»: el LLM genera el código.
Un compilador solo, sin embargo, va en una dirección. Mientras la metodología era solo forward (intención → spec → código), la spec era una entrada más — no la representación canónica — porque el mundo está lleno de sistemas donde solo existe el código. Falta la vuelta.
03 · Después — el ciclo cerrado invierte el activo
Reverse discovery agrega la dirección inversa: código → spec. Es el
decompilador. Y con las dos direcciones, cualquier sistema — incluso el
legacy sin un solo documento — puede entrar al formato canónico. Con una condición que
hace todo el trabajo: el código legacy mezcla intención con accidente. Bugs de los que
los clientes ya dependen, timeouts que nadie decidió. Un decompilador ingenuo fotocopia
los bugs como features. Por eso el paso que ninguna herramienta automática puede hacer
es un gate humano: la máquina extrae candidatas con evidencia, y solo
una persona dictamina qué era intención (preserve), qué era bug
(fix) y qué nadie decidió jamás (undefined).
04 · Corolarios — lo que se desprende solo
El activo se aprecia; el código se deprecia. Si el código es regenerable, cada mejora de los modelos mejora el «build» gratis: el mismo paquete de specs, recompilado con el LLM de 2027, produce mejor código. Las specs son la única inversión que no envejece — y ese es el argumento comercial: no se vende la reescritura, se vende el activo que sobrevive también a la próxima reescritura.
La fidelidad se vuelve medible. Si se decompila lo que se compiló y el resultado coincide con lo que había, la metodología es lossless — y eso es un número, como el bootstrap test de un compilador que se compila a sí mismo:
discovery(forward(specs)) ≈ specs.
Nadie en el espacio spec-driven mide la fidelidad de su propia metodología; este ciclo
la convierte en un número publicable.Drift y migración son el mismo problema. Una spec que quedó tres semanas atrás del código es 5% de drift; un legacy sin ningún documento es 100% de drift. La misma pregunta, a distinta escala — con la honestidad de que hoy son instrumentos distintos, no un motor común.
05 · Truth-pass — qué es real hoy, qué sigue siendo visión
El pitch es hermoso, y justamente por eso hay que tenerle desconfianza. La regla de la casa: under-claim, luego cablear, luego re-claim. Estado al día de hoy (kit 1.90.0):
| Afirmación | Estado | Dónde |
|---|---|---|
| Curación con veredictos, gate medido, ledger auditable apéndice-only | REAL | 1.64.0 · ADR-009/010 |
| Oráculo que distingue comportamiento preservado de fixes declarados | REAL | 1.65.0 · golden-diff |
| Round-trip por cobertura de ID (¿qué specs son trazables en el código?) | REAL | 1.65.0 · roundtrip, advisory |
| Round-trip semántico (¿el código dice lo mismo que la spec?) | REAL (medido, acotado) | recoverability 0.815 medido, comportamiento medido en 12/12 — ancla nombres y comportamiento · 1.90 · ADR-030 (enmendado) |
| Reemplazabilidad de implementación, demostrada en sistemas acotados — compilaciones independientes regeneran el mismo sistema desde el paquete canónico, y un oráculo oculto lo certifica — cuatro compiladores ciegos de dos vendors (Haiku · Sonnet · Opus · OpenAI Codex gpt-5.5) — un solo modelo del segundo vendor, así que el brazo es un test de falsación, no un relevamiento | REAL | Diamond Bench: 12 arquetipos (11 Python + 1 JavaScript, uno multi-unidad): 8 PASS, 4 PARTIAL (medido en septiembre de 2026) · 1.74–1.99 · ADR-017/018/020/025/028/029/042 |
| Fidelidad por compilador (reverse discovery sobre cada artefacto compilado) + curación humana de código generado por máquina, un veredicto por observación | REAL | 1.79–1.80 · ADR-022/023 · UNMEASURED queda literal donde no hay veredicto |
| La autoría controlada (EARS+STE) reduce la varianza entre compiladores | REAL (medido, comportamiento-primero: los arquetipos densos ayudaron, los simples dieron nulo/daño; la varianza estructural sola ya no sostiene una afirmación — ADR-027) | deconfundido en 5 arquetipos: REDUCED en 1 (guard −61%, NOISY 0.642), IMPROVED en 1 (scheduler, +1 verde de oráculo), dos nulos, uno WORSE · 1.76–1.84 · ADR-019/021/024/025/026/027 |
| «El código es totalmente regenerable desde las specs» (sistemas arbitrarios) | VISIÓN | la mitad acotada es REAL (fila de arriba): el bench corrió sobre 12 arquetipos, 8 regeneran al mismo sistema bajo un oráculo oculto, 4 PARTIAL. Lo que sigue siendo VISIÓN es la palabra totalmente y las palabras sistemas arbitrarios — generalizar más allá de arquetipos acotados es la frontera abierta que M5 existe para contestar, y ninguna corrida la contestó todavía (ADR-018) |
| «Drift = reverse discovery incremental, mismo motor» | RECHAZADO | idea válida, arquitectura rechazada · ADR-011 |
Y nótese lo elegante: la parte del diamante que ya es real — la capa de juicio humano formal, trazable y bloqueante — es exactamente la que ninguna herramienta del espacio tiene. La parte que sigue siendo visión es la que cualquiera podría prometer. Está construido lo difícil y falta lo glamoroso: el orden correcto.
06 · Por qué «diamante»
Porque no es la feature. Reverse discovery — el comando — es solo la primera materialización. Lo que el ciclo cerrado cambia es la categoría del proyecto entero: de metodología de desarrollo a formato de representación canónica de sistemas. El código va y viene; las decisiones — evidenciadas, juzgadas, registradas — son lo único que vale la pena migrar.
Estado verificado contra kit 1.96.0 · fuentes: ADR-009, ADR-010, ADR-011, ADR-016–ADR-030, CHANGELOG-1.64.0, CHANGELOG-1.65.0, CHANGELOG-1.72.0–1.96.0 · los estados REAL/VISIÓN/RECHAZADO siguen la regla INV-TRUTH-01 del repo.
07 · El programa, medido — T0 → 1.96.0
El programa Diamond corrió como ocho releases del kit midiéndose a sí mismo. Cada número de abajo sale de un reporte commiteado y regenerable en el repo — ninguno es narrado:
| Instrumento | Resultado medido | Releases |
|---|---|---|
| Diamond Bench — 12 arquetipos acotados × 4 compiladores ciegos de dos vendors (Haiku · Sonnet · Opus · OpenAI Codex gpt-5.5), cada uno juzgado por un oráculo oculto | 8 PASS · 4 PARTIAL (medido en septiembre de 2026). El oráculo además cazó un bug de aliasing convergente que dos compiladores independientes compartían — un defecto que ninguna revisión de código de uno solo habría marcado como sospechoso. | 1.74–1.99 |
| Lenguaje controlado, deconfundido — prosa libre vs EARS+STE, misma generación, oráculo compartido, 5 arquetipos | REDUCED en 1, IMPROVED en 1: el guard, denso en decisiones, bajó la varianza −61%; el control y la state-machine leyeron nulo; el transformer leyó WORSE — la reescritura afiló una ambigüedad latente («exactly the fields») hacia un compromiso que el oráculo rechaza; el segundo arquetipo denso en decisiones (scheduler) ganó un verde de oráculo y subió el pass-rate medio mientras la varianza subía — dos compiladores habían convergido en el mismo error en prosa libre. | 1.76–1.83 |
| Varianza intra-modelo, el piso de ruido — bench-r2 sobre 10 arquetipos × 4 modelos × 2 corridas | NOISY: las re-corridas del mismo modelo difieren estructuralmente casi tanto como modelos distintos (intra/inter medio 0.82), mientras el comportamiento se mantiene estable en 36 de 40 re-corridas. Sumar el segundo vendor sacó dos arquetipos de NOISE — ensanchó la dispersión entre compiladores más que el piso intra. Toda afirmación de varianza del programa lleva ahora un calificador SIGNAL/NOISY/NOISE por arquetipo, y la lectura del lenguaje controlado de arriba es comportamiento-primero. | 1.84 |
| Primer arquetipo no-Python — un rate limiter de token-bucket en JavaScript, 4 compiladores ciegos bajo un oráculo oculto | PASS 25/25 × 4, implementaciones distintas, superficie estática (exports del módulo listados por Node) 3/6/3 y 8 — la afirmación de reemplazabilidad se sostiene fuera de Python; una entrada JS sin node en el PATH se lee como PENDING/UNMEASURED, nunca como un pase falso. | 1.85 |
| Primer arquetipo multi-unidad — ledger-lite: dos módulos unidos por un ADR de costura, compile/0.1 ejercitado sobre 2 unidades fuente, 4 compiladores ciegos bajo un oráculo oculto | El primer IR del bench con aristas reales (3, extraídas de la decisión de costura): PASS 24/24 × 4, unidad de entrada enrutada a través del CLI sobre ambas unidades, superficie estática main+post — la costura se sostiene bajo 4 compiladores independientes, de dos vendors; el wrong/ que rompe la costura (lógica de balance movida al CLI) y el que ignora por completo la unidad del modelo leen ambos en rojo. | 1.85 |
| Recuperabilidad round-trip — cuánto de la IR fijada pueden anclar los órganos reversos mecánicos, sobre 12 arquetipos × 4 compiladores cada uno | Recoverability media 0.815, medida — los órganos reversos anclan nombres y comportamiento; el anclaje del manifest leería 1.000 y se excluye por tautológico (es lo que el compilador CLAIMEÓ, no lo recuperado). Leía 0.062 con la dimensión de comportamiento UNMEASURED en 12/12 hasta que los 12 oráculos fueron curados con tags de AC por caso (1.90, ADR-030 enmendado): una ausencia nombrada, no un cero, y lo que movió el número fue el tagging — payloads y expectativas intactos. La mitad reversa del diamante es una medición con techo declarado, no una promesa. | 1.90 |
| Brazo cross-vendor — los mismos 12 arquetipos compilados a ciegas por un SEGUNDO vendor (OpenAI Codex, gpt-5.5 vía codex-cli), mismos paquetes canónicos, mismos oráculos ocultos (ADR-042) | El brazo valida en los 12 y le gana a los brazos Claude en dos entradas (rest-handler 15/15, scheduler 30/30). Pierde exactamente un caso, en transformer, y ese caso es el hallazgo: leyó «un objeto con exactamente los campos first/last/age» como una prohibición de campos extra, declaró esa lectura en su unresolved_intent antes de que el oráculo la juzgara, y la reprodujo en una segunda corrida independiente. Los tres modelos Claude habían convergido en la otra lectura, así que la ambigüedad era invisible mientras todos los compiladores venían de un solo vendor — la misma ambigüedad latente que la fila de lenguaje controlado, más arriba, destapó desde el otro lado. La entrada pasó de PASS a PARTIAL. Lo que sigue SIN MEDIR: un solo modelo de ese vendor, n=2 corridas, dos vendors de muchos. | 1.99 |
| Fidelidad por compilador — el extractor estático de M1 aplicado a cada artefacto compilado | Compiladores casi idénticos en conducta exponen superficies visiblemente distintas: 19–21/23 sobre el mismo oráculo a través de 4, 5, 8 y 13 funciones públicas. | 1.79 |
| Curación de código generado por máquina — un veredicto humano por observación, append-only, store fail-closed | El cierre se mide donde un humano juzgó y queda el literal UNMEASURED donde nadie lo hizo — la ausencia se nombra, nunca se inventa. | 1.80 |
| El método sobre sí mismo — los releases salieron con una revisión ciega antes del release (independiente en la mayoría; dos, 1.74.0 y 1.75.0, fueron auto-revisiones inline y lo dicen en sus changelogs) | Las revisiones cazaron defectos reales en la mayoría de los releases — cada hallazgo está registrado en el changelog de ese release. Un conteo por release publicado antes acá no tenía ledger detrás del número exacto y fue retirado por la revisión de 1.85.0; esto es lo que el repo puede mostrar de verdad. | 1.73–1.81 |
Límite de procedencia: los tres arms de Claude se compilaron a mano y registraron el alias del modelo, no el id exacto resuelto. Existe un script para registrarlo (ADR-050) pero no se corrió ninguna ronda real, así que esa brecha sigue abierta.
La hipótesis emergente — declarada como hipótesis, no como conclusión: la autoría controlada paga donde la prosa tenía holgura, y no hace nada o daña donde no la tenía. El instrumento para seguir poniéndola a prueba ya está en el repo.