Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 1
PORTADA
(Elaborada por la revista)
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 21
Estado del Arte de la Ingeniería de Software Basada en
Inteligencia Artificial
State Of the Art of Artificial Intelligence Based Software Engineering
Maria Teodolinda Ortega Ovalle
maria.ortegao@up.ac.pa
https://0009-0000-3629-9751
Universidad de Panamá
Panamá
Artículo recibido: 28/02/2026
Aceptado para publicación: 31/03/2026
Conflictos de Intereses: Ninguno que declarar
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 22
RESUMEN
La integración de la inteligencia artificial (IA) en la ingeniería de software ha
transformado profundamente los procesos de desarrollo, mantenimiento y gestión del ciclo de
vida del software. Este artículo presenta un estado del arte actualizado que examina la
evolución histórica de la IA aplicada a la ingeniería de software, las técnicas predominantes,
las áreas de aplicación más relevantes y las tendencias emergentes que están redefiniendo la
disciplina. El propósito del estudio es sintetizar los avances más significativos y analizar
críticamente su impacto en la productividad, la calidad del software y el rol del ingeniero. La
metodología empleada consiste en una revisión documental sistemática de literatura científica
reciente, incluyendo artículos indexados, reportes técnicos y estudios de caso industriales.
Los resultados muestran que los modelos generativos, el aprendizaje profundo y los sistemas
autónomos están impulsando nuevas formas de automatización en tareas como la generación
de código, las pruebas inteligentes, la refactorización automática y la gestión de pipelines
DevOps. Asimismo, se identifican desafíos persistentes relacionados con la interpretabilidad,
la seguridad, los sesgos algorítmicos y la dependencia tecnológica. Se concluye que la
ingeniería de software basada en IA se encuentra en una fase de consolidación acelerada, con
un potencial significativo para transformar la práctica profesional y abrir nuevas líneas de
investigación interdisciplinaria.
Palabras clave: inteligencia artificial, ingeniería de software, automatización,
modelos generativos, aprendizaje profundo
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 23
ABSTRACT
The integration of artificial intelligence (AI) into software engineering has profoundly
transformed development processes, maintenance activities, and lifecycle management. This
article presents an updated state of the art that examines the historical evolution of AI applied
to software engineering, the predominant techniques, the most relevant application areas, and
the emerging trends reshaping the discipline. The purpose of this study is to synthesize the
most significant advances and critically analyze their impact on productivity, software
quality, and the evolving role of software engineers. The methodology consists of a
systematic documentary review of recent scientific literature, including indexed articles,
technical reports, and industrial case studies. The results indicate that generative models,
deep learning, and autonomous systems are driving new forms of automation in tasks such as
code generation, intelligent testing, automatic refactoring, and DevOps pipeline management.
Persistent challenges are also identified, including interpretability, security, algorithmic bias,
and technological dependency. The study concludes that AI‑based software engineering is
undergoing rapid consolidation, with significant potential to transform professional practice
and open new interdisciplinary research avenues.
Keywords: artificial intelligence, software engineering, automation, generative
models, deep learning
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 24
INTRODUCCIÓN
La ingeniería de software está experimentando una transformación profunda impulsada por
los avances recientes en inteligencia artificial (IA), aprendizaje automático (ML) y modelos
de lenguaje de gran escala (LLMs). Esta convergencia tecnológica ha redefinido la forma en
que se diseñan, desarrollan, prueban y mantienen los sistemas de software, dando lugar a una
nueva disciplina: la ingeniería de software basada en IA. En este contexto, la IA no solo actúa
como herramienta de automatización, sino como un agente cognitivo capaz de colaborar con
los desarrolladores, generar código, detectar fallos, optimizar procesos y apoyar la toma de
decisiones técnicas (Kalech, 2019; Russell & Norvig, 2021).
Los avances recientes en modelos generativos han acelerado esta evolución. Herramientas
como GitHub Copilot, Amazon CodeWhisperer y modelos basados en transformadores han
demostrado mejoras significativas en productividad, reduciendo el tiempo de desarrollo entre
un 20% y un 55% en tareas específicas (Adepoju, 2023; Bakal et al., 2025; Faros AI, 2025;
GitHub, 2025). Estas herramientas funcionan como “parejas de programación” inteligentes,
capaces de sugerir código, completar funciones y asistir en la resolución de errores en tiempo
real (Kimmel et al., 2024).
Sin embargo, este aumento de productividad viene acompañado de desafíos importantes.
Diversos estudios han demostrado que el código generado por IA presenta una mayor
propensión a vulnerabilidades de seguridad, especialmente cuando los desarrolladores no
proporcionan instrucciones explícitas sobre prácticas seguras (Endor Labs, 2025; Skadden,
2025; WIPO, 2025). La automatización intensiva también está modificando el perfil
profesional del ingeniero de software, generando procesos simultáneos de deskilling y
upskilling, donde ciertas habilidades tradicionales pierden relevancia mientras emergen
nuevas competencias como la ingeniería de prompts, la validación de salidas generadas por
IA y la supervisión algorítmica (Crowston & Bolici, 2025).
En paralelo, la investigación académica ha consolidado un cuerpo teórico robusto que explica
cómo ML y DL se integran en el ciclo de vida del software. Revisiones sistemáticas recientes
muestran que estas técnicas se aplican ampliamente en predicción de defectos, reparación
automática de programas, análisis estático y dinámico, generación de código y optimización
de rendimiento (Hou et al., 2023; Wang et al., 2022; Le Goues, 2019; MDPI, 2024). Este
conocimiento técnico se complementa con perspectivas históricas que evidencian que la
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 25
relación entre IA y software no es nueva, sino que se remonta a los sistemas expertos y
enfoques simbólicos de los años ochenta (Rich & Waters, 1986; Partridge, 2013).
Finalmente, la integración de IA en ingeniería de software plantea implicaciones éticas,
legales y organizacionales que no pueden ignorarse. Organismos internacionales como
UNESCO (2021) y WIPO (2025) han advertido sobre la necesidad de marcos regulatorios
que garanticen transparencia, responsabilidad y protección de la propiedad intelectual en
sistemas generativos. Estas consideraciones son fundamentales para comprender el estado
actual y futuro de la disciplina.
En conjunto, este artículo presenta un análisis exhaustivo del estado del arte de la ingeniería
de software basada en IA, integrando evidencia empírica, marcos teóricos, estudios de caso
industriales y revisiones sistemáticas para ofrecer una visión clara de los avances, desafíos y
oportunidades que definen esta nueva era tecnológica.
METODOLOGÍA
La metodología empleada en este estudio se basó en los lineamientos formales para
revisiones sistemáticas y mapeos de literatura en ingeniería de software, siguiendo enfoques
ampliamente utilizados en investigaciones recientes sobre IA aplicada al desarrollo de
software (Wang et al., 2022; Hou et al., 2023). El proceso se desarrolló en cuatro fases:
planificación, búsqueda, selección y síntesis.
En la fase de planificación se definieron los objetivos de la revisión, centrados en identificar
los avances, desafíos y tendencias de la ingeniería de software basada en inteligencia
artificial, con énfasis en productividad, seguridad, automatización y el impacto de los
modelos de lenguaje de gran escala. Se establecieron preguntas de investigación orientadas a
comprender cómo la IA transforma el ciclo de vida del software, qué técnicas son más
utilizadas y cuáles son las implicaciones técnicas y organizacionales de su adopción.
La fase de búsqueda incluyó consultas exhaustivas en bases de datos académicas de alto
impacto, como IEEE Xplore, ACM Digital Library, SpringerLink, ScienceDirect, MDPI y
arXiv. También se incorporaron fuentes técnicas provenientes de organizaciones líderes en la
industria, como GitHub, IBM, Endor Labs, Faros AI, UNESCO y WIPO, con el fin de
complementar la evidencia científica con reportes industriales recientes. En total, se
identificaron 143 documentos entre artículos científicos, revisiones sistemáticas, estudios de
caso, informes técnicos y libros especializados.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 26
Figura 1. Modelo PRISMA
Fuente: Elaboración propia.
Durante la fase de selección se aplicaron criterios de inclusión y exclusión. Se incluyeron
estudios publicados entre 2019 y 2025, con excepciones justificadas para obras históricas
fundamentales (Rich & Waters, 1986; Partridge, 2013). Los documentos debían abordar
explícitamente la aplicación de IA, ML, DL o LLMs en actividades del ciclo de vida del
software, tales como generación de código, predicción de defectos, reparación automática,
análisis estático o dinámico, productividad del desarrollador o seguridad del software. Se
excluyeron trabajos sin aporte técnico verificable, estudios centrados exclusivamente en
educación o negocios, publicaciones sin acceso a texto completo y documentos duplicados.
La fase de análisis consistió en la extracción sistemática de información relevante de cada
estudio, incluyendo objetivos, metodología, contribuciones, limitaciones, técnicas de IA
utilizadas y resultados empíricos. Posteriormente, se realizó un proceso de codificación
temática que permitió agrupar los estudios en categorías conceptuales: productividad y
asistencia al desarrollador (Adepoju, 2023; Bakal et al., 2025; Faros AI, 2025), seguridad del
código generado por IA (Endor Labs, 2025; Skadden, 2025), automatización inteligente y
reparación de programas (Le Goues, 2019; MDPI, 2024), impacto organizacional y cambios
en habilidades profesionales (Crowston & Bolici, 2025), y fundamentos teóricos e históricos
de la disciplina (Kalech, 2019; Rich & Waters, 1986).
Finalmente, se elaboró una síntesis integradora que combina evidencia empírica, marcos
teóricos, estudios de caso industriales y revisiones sistemáticas, permitiendo construir una
visión clara y actualizada del estado del arte de la ingeniería de software basada en
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 27
inteligencia artificial. Este enfoque metodológico garantiza rigor, trazabilidad y coherencia en
la interpretación de los hallazgos, y proporciona una base sólida para comprender las
tendencias emergentes, los desafíos actuales y las oportunidades futuras en esta área en rápida
evolución.
RESULTADOS
El análisis de los 38 estudios incluidos tras el proceso PRISMA permitió construir una visión
integrada y crítica sobre el papel actual de la inteligencia artificial en el desarrollo de
software. La literatura revisada muestra una evolución acelerada del campo, pero también
revela tensiones, inconsistencias metodológicas y vacíos que limitan la consolidación de
conclusiones definitivas. Los estudios se distribuyen principalmente en cuatro ejes temáticos:
productividad del desarrollador, seguridad del código generado por IA, automatización
inteligente de tareas técnicas y transformaciones organizacionales. A partir de esta
clasificación emergen patrones que permiten comprender no solo lo que la IA está logrando,
sino también lo que aún no ha resuelto.
Panorama general de los estudios incluidos.
Los estudios analizados abarcan investigaciones académicas, reportes industriales y
evaluaciones experimentales. Aunque existe consenso en que la IA está modificando
profundamente el ciclo de vida del software, la evidencia empírica sigue fragmentada.
Muchos trabajos se apoyan en experimentos controlados con muestras pequeñas, mientras
que los reportes industriales tienden a enfatizar beneficios sin detallar rigurosamente sus
limitaciones. Esta heterogeneidad metodológica obliga a interpretar los resultados con cautela
y a contrastar continuamente los hallazgos entre fuentes.
Productividad y asistencia al desarrollador.
Los estudios coinciden en que las herramientas basadas en modelos de lenguaje incrementan
la velocidad de desarrollo y reducen la carga cognitiva asociada a tareas repetitivas. Sin
embargo, el análisis crítico revela que estas mejoras no son uniformes. En contextos donde
las tareas requieren creatividad, razonamiento profundo o conocimiento del dominio, la IA
tiende a producir código correcto en apariencia, pero conceptualmente defectuoso. Esto
obliga al desarrollador a adoptar un rol más cercano a la supervisión y validación que a la
simple generación de soluciones. La literatura sugiere que la productividad aumenta, pero
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 28
también que la dependencia excesiva de la IA puede generar una falsa sensación de
competencia técnica, especialmente en desarrolladores novatos.
Seguridad del código generado por IA.
Los estudios industriales muestran que el código generado por IA puede introducir
vulnerabilidades difíciles de detectar mediante inspección manual. Aunque la IA acelera la
producción de código, también puede replicar patrones inseguros presentes en sus datos de
entrenamiento. La literatura científica coincide en que la IA, por sí sola, no garantiza
seguridad; más bien, amplifica tanto buenas como malas prácticas. La integración de análisis
estático, pruebas automatizadas y validación humana aparece como una necesidad ineludible.
A pesar de ello, pocos estudios ofrecen métricas estandarizadas para evaluar la seguridad del
código generado, lo que limita la comparabilidad entre investigaciones.
Automatización inteligente y reparación de software.
La revisión muestra avances significativos en la capacidad de la IA para generar parches,
corregir errores sintácticos y sugerir refactorizaciones. Sin embargo, los estudios más críticos
advierten que la IA tiende a resolver síntomas y no causas. Los modelos pueden corregir un
error puntual sin comprender la arquitectura general del sistema, lo que genera soluciones
localmente correctas, pero globalmente inestables. La literatura también señala que la IA es
más efectiva en tareas bien definidas y repetitivas, mientras que su desempeño disminuye en
problemas que requieren interpretación contextual o razonamiento de largo alcance.
Impacto organizacional y transformación del rol profesional.
Los estudios coinciden en que la adopción de IA está transformando la dinámica de los
equipos de desarrollo. El rol del programador se desplaza hacia actividades de diseño,
supervisión, integración y evaluación crítica del código generado. Sin embargo, esta
transición no está exenta de tensiones. Algunos estudios advierten que la introducción de IA
puede profundizar brechas de habilidades, generar dependencia tecnológica y modificar la
cultura de revisión de código. La literatura industrial tiende a presentar estos cambios como
oportunidades, mientras que la literatura académica enfatiza los riesgos asociados a la pérdida
de comprensión profunda del sistema.
Vacíos y oportunidades identificadas
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 29
La revisión revela la ausencia de métricas estandarizadas para evaluar productividad, calidad
y seguridad en entornos asistidos por IA. También se identifican pocos estudios
longitudinales que analicen el impacto real de la IA en equipos de desarrollo a lo largo del
tiempo. La dimensión ética y regulatoria aparece mencionada, pero rara vez abordada con
profundidad. Finalmente, existe una brecha importante en la integración de IA en procesos
avanzados como DevSecOps, pruebas automatizadas de alto nivel y mantenimiento
evolutivo.
DISCUSIÓN
La revisión realizada permite comprender que la incorporación de inteligencia artificial en el
desarrollo de software no constituye simplemente una mejora incremental de las herramientas
existentes, sino una transformación estructural del proceso de producción tecnológica. Sin
embargo, los resultados obtenidos revelan una tensión constante entre el entusiasmo por las
capacidades emergentes de la IA y las limitaciones metodológicas, técnicas y
organizacionales que aún persisten. Esta tensión atraviesa todos los estudios analizados y
obliga a interpretar los hallazgos con una mirada crítica que vaya más allá de la descripción
de beneficios inmediatos.
En primer lugar, aunque la mayoría de los estudios reporta incrementos en productividad,
esta mejora no puede considerarse homogénea ni universal. La evidencia muestra que la IA
es altamente efectiva en tareas repetitivas, estructuradas y de bajo nivel cognitivo, pero su
desempeño disminuye cuando se enfrenta a problemas que requieren razonamiento profundo,
comprensión del dominio o interpretación contextual. Esto sugiere que la productividad
observada no proviene de una sustitución del trabajo intelectual del desarrollador, sino de una
redistribución de esfuerzos hacia actividades de supervisión, verificación y toma de
decisiones. En este sentido, la IA no elimina la carga cognitiva, sino que la desplaza hacia
niveles más abstractos, lo cual exige nuevas competencias profesionales que aún no están
plenamente definidas en la literatura.
En segundo lugar, la discusión sobre seguridad evidencia una paradoja significativa. Aunque
la IA acelera la generación de código, también introduce riesgos que pueden comprometer la
integridad de los sistemas. La ausencia de métricas estandarizadas y la falta de estudios
longitudinales dificultan evaluar el impacto real de estas vulnerabilidades en entornos
productivos. La literatura industrial tiende a minimizar estos riesgos, mientras que la
literatura académica los enfatiza, lo que revela una brecha entre la percepción empresarial y
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 30
la evidencia científica. Esta divergencia sugiere la necesidad de marcos de evaluación más
rigurosos que permitan medir de manera objetiva la seguridad del código generado por IA.
En tercer lugar, los avances en automatización inteligente y reparación de software muestran
un progreso notable, pero también exponen limitaciones estructurales. La IA es capaz de
corregir errores sintácticos y generar parches funcionales, pero rara vez comprende la
arquitectura global del sistema. Esto implica que las soluciones generadas pueden ser
correctas en apariencia, pero inestables a largo plazo. La literatura coincide en que la IA
opera eficazmente en espacios de solución acotados, pero su capacidad para razonar sobre
sistemas complejos sigue siendo limitada. Esta observación es crucial, ya que cuestiona la
idea de que la IA pueda reemplazar procesos de mantenimiento profundo o decisiones
arquitectónicas críticas.
Finalmente, el impacto organizacional emerge como un eje transversal que condiciona la
adopción efectiva de la IA. Los estudios muestran que la introducción de estas herramientas
modifica la cultura de trabajo, redefine roles y genera nuevas dependencias tecnológicas. Sin
embargo, la mayoría de las investigaciones se centra en los beneficios operativos y dedica
poca atención a las implicaciones éticas, formativas y laborales. La falta de estudios que
analicen estas dimensiones desde una perspectiva crítica limita la comprensión integral del
fenómeno y evidencia un vacío que debe ser abordado en futuras investigaciones.
En conjunto, la discusión revela que la IA está transformando el desarrollo de software, pero
lo hace de manera desigual, incompleta y, en ocasiones, contradictoria. Los beneficios son
reales, pero también lo son los riesgos y las limitaciones. La literatura actual ofrece una
visión prometedora, aunque fragmentada, que requiere ser consolidada mediante estudios más
rigurosos, métricas estandarizadas y análisis longitudinales que permitan evaluar el impacto
real de la IA en el tiempo. Esta revisión demuestra que la IA no debe ser entendida como un
sustituto del desarrollador, sino como un agente que reconfigura las prácticas, competencias y
estructuras del desarrollo de software contemporáneo.
RECOMENDACIONES
A partir del análisis crítico realizado, se vuelve evidente que el avance de la inteligencia
artificial en el desarrollo de software requiere un enfoque más riguroso, sistemático y
equilibrado tanto en la investigación como en la práctica profesional. En primer lugar, es
necesario que los estudios futuros adopten metodologías más homogéneas y comparables. La
falta de métricas estandarizadas para evaluar productividad, calidad y seguridad limita la
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 31
posibilidad de construir conclusiones sólidas y dificulta la replicabilidad de los resultados. La
comunidad científica debería avanzar hacia la creación de marcos de evaluación
consensuados que permitan medir de manera objetiva el impacto real de la IA en el ciclo de
vida del software.
Asimismo, se recomienda el desarrollo de investigaciones longitudinales que permitan
observar cómo evoluciona la adopción de IA en equipos y organizaciones a lo largo del
tiempo. La mayoría de los estudios actuales se basa en experimentos de corta duración o en
reportes industriales que no capturan los efectos sostenidos, las adaptaciones culturales ni las
transformaciones en las prácticas profesionales. Comprender estos procesos es fundamental
para evaluar la sostenibilidad de la integración de IA y para anticipar riesgos asociados a la
dependencia tecnológica, la pérdida de habilidades o la erosión del conocimiento profundo
del sistema.
Otra recomendación clave es fortalecer la formación de los desarrolladores en competencias
críticas que les permitan interactuar con la IA de manera informada y responsable. La
evidencia muestra que la IA desplaza la carga cognitiva hacia tareas de supervisión,
verificación y toma de decisiones, lo que exige habilidades avanzadas de análisis,
razonamiento y evaluación técnica. Las instituciones educativas y las organizaciones deben
adaptar sus programas de formación para preparar a los profesionales a trabajar en entornos
híbridos donde la IA actúa como colaborador técnico, pero no como sustituto del juicio
experto.
En el ámbito organizacional, se recomienda adoptar estrategias de integración gradual que
permitan evaluar el impacto de la IA antes de su implementación masiva. La introducción
abrupta de herramientas automatizadas puede generar tensiones culturales, desigualdades en
la distribución del conocimiento y resistencia por parte de los equipos. Un enfoque
progresivo, acompañado de procesos de capacitación y espacios de reflexión crítica, puede
facilitar una adopción más equilibrada y sostenible.
Finalmente, es necesario que la investigación futura aborde con mayor profundidad las
dimensiones éticas y regulatorias asociadas al uso de IA en el desarrollo de software. La
literatura actual menciona estos aspectos, pero rara vez los analiza de manera sistemática.
Temas como la responsabilidad ante errores generados por IA, la transparencia de los
modelos, la protección de datos y la equidad en el acceso a estas tecnologías deben ocupar un
lugar central en la agenda de investigación. Solo mediante un enfoque integral que combine
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 32
rigor técnico, reflexión ética y análisis organizacional será posible aprovechar plenamente el
potencial de la IA sin comprometer la calidad, seguridad y sostenibilidad del desarrollo de
software.
Limitaciones del Estudio
Aunque esta revisión sistemática ofrece una síntesis amplia y crítica sobre el papel de la
inteligencia artificial en el desarrollo de software, es necesario reconocer varias limitaciones
que condicionan el alcance y la interpretación de los resultados. La primera limitación
proviene de la heterogeneidad metodológica de los estudios incluidos. La literatura combina
experimentos controlados, reportes industriales, análisis cualitativos y evaluaciones técnicas
sin un marco común de comparación. Esta diversidad dificulta establecer conclusiones
generalizables y obliga a interpretar los hallazgos dentro de sus propios contextos, evitando
extrapolaciones que podrían resultar engañosas.
Una segunda limitación se relaciona con la disponibilidad y calidad de la evidencia empírica.
Muchos estudios presentan muestras pequeñas, escenarios artificiales o evaluaciones
centradas en tareas muy específicas, lo que reduce la capacidad de comprender el impacto
real de la IA en entornos productivos complejos. Los reportes industriales, por su parte,
suelen enfatizar beneficios operativos sin detallar rigurosamente sus limitaciones, lo que
introduce un sesgo de optimismo que debe ser considerado al analizar sus conclusiones. La
ausencia de estudios longitudinales también limita la posibilidad de evaluar cómo evoluciona
la adopción de IA a lo largo del tiempo y cuáles son sus efectos sostenidos en equipos y
organizaciones.
Otra limitación importante es la falta de métricas estandarizadas para evaluar productividad,
calidad y seguridad en contextos asistidos por IA. La literatura utiliza indicadores dispares, lo
que dificulta la comparación entre estudios y la construcción de un marco conceptual sólido.
Esta carencia metodológica no solo afecta la validez externa de los resultados, sino que
también revela un vacío en la propia disciplina, que aún no ha desarrollado herramientas
robustas para medir el impacto de la IA en el ciclo de vida del software.
Finalmente, la revisión se vio condicionada por la disponibilidad de fuentes recientes y por la
rápida evolución del campo. La velocidad con la que emergen nuevas herramientas, modelos
y prácticas hace que cualquier síntesis corra el riesgo de quedar desactualizada en un periodo
relativamente corto. Además, algunas dimensiones relevantes como las implicaciones éticas,
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 33
regulatorias y formativas aparecen mencionadas en la literatura, pero rara vez son abordadas
con la profundidad necesaria para comprender su impacto real.
En conjunto, estas limitaciones no invalidan los hallazgos de la revisión, pero sí subrayan la
necesidad de interpretarlos con prudencia y de promover investigaciones futuras más
rigurosas, comparables y sostenidas en el tiempo. Reconocer estas restricciones permite situar
los resultados en su justa medida y contribuye a fortalecer la base científica sobre la cual se
construirá el futuro del desarrollo de software asistido por inteligencia artificial.
CONCLUSIONES
La revisión realizada permite afirmar que la inteligencia artificial está reconfigurando de
manera sustantiva el desarrollo de software, pero lo hace a través de un proceso complejo,
desigual y todavía en consolidación. Los 38 estudios analizados muestran que la IA no
constituye un reemplazo del trabajo humano, sino un agente que redistribuye
responsabilidades, modifica flujos de trabajo y redefine las competencias necesarias para
participar en la producción tecnológica contemporánea. Aunque los beneficios reportados son
significativos, especialmente en términos de productividad y automatización de tareas
repetitivas, estos avances deben interpretarse con cautela debido a la heterogeneidad
metodológica de los estudios y a la ausencia de métricas estandarizadas que permitan
comparaciones rigurosas.
Los hallazgos evidencian que la IA incrementa la velocidad de desarrollo y facilita la
generación de código, pero también introduce riesgos que pueden comprometer la calidad y
seguridad de los sistemas. La capacidad de los modelos para producir soluciones plausibles,
aunque conceptualmente incorrectas, plantea desafíos importantes para la supervisión
humana y para la formación de desarrolladores capaces de evaluar críticamente las propuestas
generadas por la IA. Esta situación revela una paradoja central: la IA reduce la carga
operativa, pero incrementa la necesidad de juicio experto, comprensión profunda del dominio
y habilidades de verificación.
Asimismo, la automatización inteligente muestra avances notables en reparación de software
y generación de parches, pero su efectividad disminuye cuando se enfrenta a problemas que
requieren razonamiento global o comprensión arquitectónica. Esto sugiere que la IA opera
con mayor precisión en espacios de solución acotados, mientras que su capacidad para
intervenir en decisiones estratégicas del ciclo de vida del software sigue siendo limitada. La
literatura coincide en que la supervisión humana continúa siendo indispensable, no solo para
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 34
corregir errores, sino para garantizar coherencia, estabilidad y alineación con los objetivos del
sistema.
En el plano organizacional, la adopción de IA está transformando la cultura de trabajo y los
roles profesionales. Sin embargo, esta transición no está exenta de tensiones. La dependencia
creciente de herramientas automatizadas puede profundizar brechas de habilidades, generar
desigualdades en la distribución del conocimiento técnico y alterar dinámicas de
colaboración. La literatura industrial tiende a enfatizar los beneficios operativos, mientras que
la literatura académica advierte sobre los riesgos asociados a la pérdida de comprensión
profunda del sistema y a la delegación excesiva de tareas críticas.
Finalmente, la revisión revela vacíos importantes que deben ser abordados por futuras
investigaciones. La falta de métricas estandarizadas limita la capacidad de evaluar de manera
objetiva el impacto real de la IA en productividad, calidad y seguridad. La escasez de
estudios longitudinales impide comprender cómo evoluciona la adopción de IA en el tiempo
y cuáles son sus efectos sostenidos en equipos y organizaciones. Además, las dimensiones
éticas, regulatorias y formativas aparecen mencionadas, pero rara vez analizadas con la
profundidad que requieren.
En conjunto, las conclusiones de esta revisión muestran que la IA representa una oportunidad
significativa para transformar el desarrollo de software, pero también un desafío que exige
marcos metodológicos más rigurosos, prácticas de supervisión más robustas y una reflexión
crítica sobre su impacto técnico, humano y organizacional. El futuro del desarrollo asistido
por IA dependerá no solo de los avances tecnológicos, sino de la capacidad de la comunidad
científica y profesional para integrar estas herramientas de manera responsable, estratégica y
sostenible.
REFERENCIAS
Abbas, T., Rathore, S. A., Turki, A., Khan, S., Alghushairy, O., & Daud, A. (2025).
Enhancing software engineering with AI: Innovations, challenges, and future
directions. IET Software, Article ID 5691460. https://doi.org/10.1049/sfw2/5691460
Adepoju, S. (2023). GitHub Copilot’s impact on developer productivity: A review of early
evidence. International Journal of Scientific Research in Science and Technology,
10(4), 814–822. https://doi.org/10.32628/IJSRST2221192
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 35
Agunuru, A. K. R. (2025). AI tools for data performance enhancement: A comprehensive
review. Journal of Computer Science and Technology Studies, 7(6), 639–648.
Alenezi, M., & Akour, M. (2025). AI-driven innovations in software engineering: A review of
current practices and future directions. Applied Sciences, 15(3), 1344.
https://doi.org/10.3390/app15031344
Amershi, S., Begel, A., Bird, C., DeLine, R., Gall, H., Kamar, E., Nagappan, N., Nushi, B., &
Zimmermann, T. (2019). Software engineering for machine learning: A case study. In
2019 IEEE/ACM 41st International Conference on Software Engineering: Software
Engineering in Practice (ICSE-SEIP) (pp. 291–300). IEEE.
https://doi.org/10.1109/ICSE-SEIP.2019.00042
Bakal, G., Dasdan, A., Katz, Y., Kaufman, M., & Levin, G. (2025). Experience with GitHub
Copilot for developer productivity at Zoominfo. arXiv.
https://arxiv.org/abs/2501.13282
Bourbakis, N. G. (1992). Engineering artificially intelligent systems: Concepts, techniques,
and tools. World Scientific.
Carter, W., & Dawson, E. (2025). AI-assisted code generation: Enhancing software
development productivity with large language models [Technical report].
ResearchGate.
Crowston, K., & Bolici, F. (2025). Deskilling and upskilling with AI systems. Information
Research, 30(iConf).
Endor Labs. (2025). The most common security vulnerabilities in AI-generated code.
https://www.endorlabs.com/learn/the-most-common-security-vulnerabilities-in-ai-
generated-code
Faros AI. (2025). Is GitHub Copilot worth it? Real world data reveals the answer.
https://www.faros.ai/blog/is-github-copilot-worth-it-real-world-data-reveals-the-
answer
GitHub. (2025). Quantifying GitHub Copilot’s impact in the enterprise with Accenture.
https://github.blog/news-insights/research/research-quantifying-github-copilots-
impact-in-the-enterprise-with-accenture/
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 36
Hou, X., Zhao, Y., Liu, Y., & Yang, Z. (2023). Large language models for software
engineering: A systematic literature review. arXiv.
https://doi.org/10.48550/arXiv.2308.10620
Huyen, C. (2022). Designing machine learning systems. O’Reilly Media.
IBM. (2025). AI code generation. https://www.ibm.com/think/topics/ai-code-generation
Kalech, M. (2019). Artificial intelligence methods for software engineering. Springer.
Kimmel, B., Geisert, A., Yaro, L., et al. (2024). Enhancing programming error messages in
real time with generative AI. arXiv. https://arxiv.org/abs/2402.08072
Le Goues, C. (2019). Automated program repair. Communications of the ACM, 62(10), 1–
28.
MDPI. (2024). CodeTransFix: A neural machine translation approach for context-aware
Java program repair with CodeBERT. Applied Sciences, 15(7), 3632.
https://www.mdpi.com/2076-3417/15/7/3632
Morovati, M. M., Nikanjam, A., & Khomh, F. (2024). Fault localization in deep learning-
based software: A system-level approach. arXiv.
https://doi.org/10.48550/arXiv.2411.08172
O’Boyle, M. F., & Cavazos, J. (2005). Automatic tuning of inlining heuristics. In Proceedings
of the ACM/IEEE Conference on Supercomputing (SC).
Partridge, D. (2013). Artificial intelligence and software engineering. Routledge.
https://doi.org/10.4324/9780203058572
Rich, C., & Waters, R. C. (Eds.). (1986). Readings in artificial intelligence and software
engineering. Morgan Kaufmann.
Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.).
Pearson.
Skadden. (2025). U.S. Copyright Office publishes report on copyright and artificial
intelligence. https://www.skadden.com/insights/publications/2025/02/copyright-
office-publishes-report
Sommerville, I. (2015). Software engineering (10th ed.). Pearson.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 2 - Año 2026
Página | 37
Terragni, V., Vella, A., Roop, P., & Blincoe, K. (2025). The future of AI-driven software
engineering. ACM Transactions on Software Engineering and Methodology, 34(5),
Article 120. https://doi.org/10.1145/3715003
UNESCO. (2021). Recommendation on the ethics of artificial intelligence.
https://www.unesco.org/en/artificial-intelligence/recommendation-ethics
Virvou, M., Tsihrintzis, G. A., Bourbakis, N. G., & Jain, L. C. (Eds.). (2022). Handbook on
artificial intelligence empowered applied software engineering (Vol. 1). Springer.
Wang, S., Huang, L., Gao, A., Ge, J., Zhang, T., & Fan, H. (2022). Machine learning/deep
learning for software engineering: A systematic literature review. IEEE Transactions
on Software Engineering. https://doi.org/10.1109/TSE.2022.3173346
WIPO. (2025). Generative AI: Navigating intellectual property.
https://www.wipo.int/documents/d/frontier-technologies/docs-en-pdf-generative-ai-
factsheet.pdf
Wong, W. E., Gao, R., & Li, Y. (2016). A survey on software fault localization. IEEE
Transactions on Software Engineering. https://doi.org/10.1109/TSE.2016.2521368
© Los autores. Este artículo se publica en Prisma ODS bajo la Licencia Creative Commons Atribución 4.0
Internacional (CC BY 4.0). Esto permite el uso, distribución y reproducción en cualquier medio, incluidos fines
comerciales, siempre que se otorgue la atribución adecuada a los autores y a la fuente original.
: https://doi.org/10.65011/prismaods.v5.i2.193
Cómo citar este artículo (APA 7ª edición):
Ortega Ovalle, M. T. (2026). Estado del Arte de la Ingeniería de Software Basada en
Inteligencia Artificial. Prisma ODS: Revista Multidisciplinaria Sobre Desarrollo
Sostenible, 5(2), 21-37. https://doi.org/10.65011/prismaods.v5.i2.193
