Estado del Arte de la Ingeniería de Software Basada en Inteligencia Artificial
DOI:
https://doi.org/10.65011/prismaods.v5.i2.193Palabras clave:
inteligencia artificial, ingeniería de software, automatizaci´ón, modelos generativos, aprendizaje profundoResumen
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.
Descargas
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
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/
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.
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
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Maria Teodolinda Ortega Ovalle (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Todo el contenido de Prisma ODS se publica bajo la Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0).
Los autores conservan los derechos de autor y otorgan a la revista el derecho de primera publicación.
Se permite la libre copia, distribución, adaptación y reutilización del contenido para cualquier fin legal,
siempre que se otorgue la atribución adecuada a los autores y a la fuente original.
Más información en: https://creativecommons.org/licenses/by/4.0/
