Impacto de las herramientas de inteligencia artificial generativa en la productividad del desarrollo de software
Resumen
El desarrollo de software ha experimentado importantes transformaciones en los últimos años debido al avance de la inteligencia artificial generativa. Estas tecnologías permiten automatizar diversas tareas de programación, incluyendo la generación de código, la detección de errores y la documentación técnica. El objetivo del presente estudio es analizar el impacto del uso de herramientas de inteligencia artificial generativa en la productividad del desarrollo de software. La investigación se desarrolló mediante un enfoque cualitativo basado en el análisis documental de artículos científicos publicados entre los años 2020 y 2024. La búsqueda se realizó en bases de datos académicas como Scopus, IEEE Xplore, ScienceDirect y Google Scholar. Luego de aplicar criterios de selección se identificaron 24 artículos científicos relevantes para el análisis. Los resultados evidencian que el uso de herramientas de inteligencia artificial generativa contribuye a mejorar la productividad del desarrollo de software al reducir el tiempo de programación y facilitar la generación de código. Sin embargo, también se identificaron desafíos relacionados con la calidad del código generado automáticamente y la dependencia tecnológica. Se concluye que estas herramientas representan un recurso significativo para optimizar el proceso de desarrollo de software, aunque su implementación debe complementarse con la supervisión del programador.
Descargas
Citas
Austin, J., Reddy, S., & Marciniak, M. (2021). Software engineering practices enhanced by machine learning techniques. IEEE Software, 38(3), 45–52. https://doi.org/10.1109/MS.2021.3052100
Bird, C., Parnin, C., & Murphy-Hill, E. (2023). Taking flight with Copilot: Early insights and opportunities of AI-assisted programming tools. Communications of the ACM, 66(6), 56–63. https://doi.org/10.1145/3581784
Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., … Amodei, D. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33. https://doi.org/10.48550/arXiv.2005.14165
Chen, M., Tworek, J., Jun, H., Yuan, Q., Pinto, H., Kaplan, J., … Zaremba, W. (2021). Evaluating large language models trained on code. https://doi.org/10.48550/arXiv.2107.03374
Dakhel, A. M., Majdinasab, V., Nikanjam, A., Khomh, F., & Antoniol, G. (2023). GitHub Copilot AI pair programmer: Asset or liability? IEEE Transactions on Software Engineering. https://doi.org/10.1109/TSE.2023.3242087
Finnie-Ansley, J., Denny, P., Becker, B., & Luxton-Reilly, A. (2022). The robots are coming: Exploring generative AI in programming education. Proceedings of the 2022 ACM Conference on International Computing Education Research. https://doi.org/10.1145/3511861.3511863
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press. https://doi.org/10.7551/mitpress/10243.001.0001
Jurafsky, D., & Martin, J. (2020). Speech and language processing. Stanford University.
Kitchenham, B., & Charters, S. (2015). Guidelines for performing systematic literature reviews in software engineering. EBSE Technical Report. https://doi.org/10.1109/MC.2006.187
Li, Y., Zhang, W., & Zhao, X. (2023). Artificial intelligence applications in modern software engineering. IEEE Access, 11, 65789–65801. https://doi.org/10.1109/ACCESS.2023.3271842
Martin, R. C. (2009). Clean code: A handbook of agile software craftsmanship. Prentice Hall.
Nijkamp, E., Hayashi, H., Xiong, C., Savarese, S., & Zhou, Y. (2022). CodeGen: An open large language model for code generation. https://doi.org/10.48550/arXiv.2203.13474
Pearce, H., Ahmad, B., Tan, B., Dolan-Gavitt, B., & Karri, R. (2022). Asleep at the keyboard? Assessing the security of GitHub Copilot’s code contributions. IEEE Symposium on Security and Privacy. https://doi.org/10.1109/SP46214.2022.9833675
Pressman, R. S., & Maxim, B. (2014). Software engineering: A practitioner’s approach (8th ed.). McGraw-Hill.
Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.
Shneiderman, B. (2020). Human-centered artificial intelligence: Reliable, safe & trustworthy. International Journal of Human–Computer Interaction, 36(6), 495–504. https://doi.org/10.1080/10447318.2020.1741118
Svyatkovskiy, A., Deng, S., Fu, S., & Sundaresan, N. (2020). IntelliCode compose: Code generation using transformer models. Proceedings of the 28th ACM Joint Meeting on European Software Engineering Conference and Symposium on the Foundations of Software Engineering. https://doi.org/10.1145/3368089.3417058
Vaithilingam, P., Zhang, T., & Glassman, E. (2022). Expectation vs reality: The impact of AI code assistants on programming productivity. CHI Conference on Human Factors in Computing Systems. https://doi.org/10.1145/3491102.3502060
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A., … Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems. https://doi.org/10.48550/arXiv.1706.03762
Zhang, Q., Wang, L., & Li, H. (2022). Machine learning applications in software engineering. IEEE Transactions on Software Engineering. https://doi.org/10.1109/TSE.2022.3142836
Derechos de autor 2026 Mishell Stefany Vitery Barrera , Janick Rodrigo Cevallos Illicachi, Alexis Javier Sánchez Pozo, José Miguel Arizo Lara
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.png)
.png)
1.png)
