Cómo la IA impulsa el desarrollo de software

Columna

Desarrollo De Software

Innovación

Tecnología

19 de mayo de 2025

Cómo la IA impulsa el desarrollo de software

El uso inadecuado de la tecnología, sin el debido conocimiento técnico, puede comprometer la calidad, la seguridad y la sostenibilidad de las soluciones desarrolladas

La inteligencia artificial (IA) se ha vuelto vital en el mundo de la tecnología, y esto también aplica a quienes crean programas de computadora y aplicaciones. La IA ya dejó de ser una moda pasajera para consolidarse como una fuerza que mejora el desarrollo de software. A través de técnicas avanzadas como el aprendizaje automático (machine learning), el procesamiento del lenguaje natural (PLN) y la visión por computadora, la IA amplía las posibilidades de innovación, optimizando desde la etapa de concepción hasta las fases de mantenimiento y actualización.

Este texto explora cómo la aplicación estratégica de la IA, realizada con conocimiento fundamentado, puede resultar en softwares más modernos, eficientes y alineados con las necesidades del mercado contemporáneo, en constante transformación. También se abordarán los peligros asociados al uso inadecuado de este tipo de tecnología, sin el debido conocimiento técnico, lo que puede comprometer la calidad, la seguridad y la sostenibilidad de las soluciones desarrolladas.

Una de las áreas en las que la IA más puede ayudar es la de creación y refinamiento automático del código. Programas que aprenden de muchos ejemplos de código consiguen ayudar a los desarrolladores a escribir las partes repetitivas, a tener ideas de cómo programar mejor e incluso a encontrar puntos donde el programa puede estar lento. Herramientas con IA son capaces de analizar el código que ya existe y sugerir cambios para aprimorar su funcionamiento, inclusive en cuestiones de seguridad. Esto libera a los desarrolladores de un trabajo manual y repetitivo, permitiendo que se concentren en la estructura general del programa.

Otra aplicación importante de la inteligencia artificial está en la detección de fallos y en la automatización de pruebas en los sistemas de software. Algoritmos inteligentes pueden identificar patrones recurrentes de error, permitiendo la creación de pruebas más amplias y eficientes, incluso encontrando problemas que podrían pasar desapercibidos en pruebas hechas por humanos. Además, la IA consigue analizar los registros de error para detectar rápidamente la causa de los problemas, optimizando el proceso de depuración y corrección de fallos.

La primera fase de la concepción de un software —entender lo que el cliente quiere y escribir lo que el programa necesita hacer—, también puede ser mejorada con la IA. Técnicas de procesamiento de lenguaje natural pueden ser utilizadas para analizar documentos con solicitudes de clientes y encontrar fragmentos ambiguos, contradictorios o incompletos, garantizando que la demanda quede clara para todas las partes involucradas. La inteligencia artificial también consigue auxiliar al equipo de desarrollo en la priorización de las actividades, considerando los beneficios potenciales y los riesgos asociados a cada iniciativa.

Además, la IA analiza datos de proyectos antiguos para predecir problemas, como retrasos o gastos extras, y estimar con mayor precisión el tiempo y el esfuerzo necesarios en cada etapa de los proyectos, haciendo la planificación más asertiva y optimizando los recursos.

Método

Incluso con el gran potencial de la inteligencia artificial en la optimización del desarrollo de software, es muy importante que el desarrollador tenga experiencia en la producción de códigos, ya que necesitará un conocimiento profundo para encontrar soluciones específicas para determinados problemas o para entender, supervisar y adaptar las soluciones creadas por la IA. Por ello, los desarrolladores e ingenieros de software deben ser capaces de:

  • Elegir las herramientas de IA y las formas más adecuadas de aplicarlas: los problemas de software no son todos iguales, ni todas las herramientas de IA ayudan de la misma manera. Saber qué algoritmo, qué técnica o qué herramienta usar en cada momento es crucial para obtener buenos resultados;
  • Preparar y analizar los datos para “enseñar” a la IA: la eficiencia de la herramienta de inteligencia artificial depende de la calidad y relevancia de los datos utilizados en su entrenamiento. Los profesionales con conocimientos técnicos deben ser capaces de recopilar, tratar, organizar y analizar adecuadamente estos datos, para que la IA aprenda correctamente y pueda aplicar este conocimiento en nuevos contextos;
  • Comprender y verificar las sugerencias de la IA: las herramientas de IA proporcionan varios tipos de información, que deben ser verificadas de manera crítica, de acuerdo con los objetivos del proyecto. Es preciso comprender cómo funcionan los softwares para identificar soluciones que sean eficaces y seguras.
  • Incluir la IA en el desarrollo: el uso de la IA no sustituye el trabajo que el profesional de TI ya hacía. Es fundamental que el desarrollador sepa integrar las herramientas de inteligencia artificial a sus actividades actuales, garantizando una sinergia eficiente con los demás procesos y herramientas existentes.
  • Monitorear los modelos de IA: las herramientas de inteligencia artificial pueden desactualizarse debido a cambios en los datos o en las demandas. Por ello, es importante monitorear constantemente su desempeño y hacer ajustes o nuevos entrenamientos cuando sea necesario.

Riesgos

Si la IA es utilizada en el desarrollo de software por personas sin conocimientos técnicos, podría perjudicar la calidad, la seguridad y la eficiencia de la gestión de posibles cambios que puedan ser necesarios en el futuro.

Herramientas de IA que generan códigos sin la supervisión y revisión de desarrolladores experimentados pueden causar la infiltración de errores fallos de seguridad en los programas y resultar en códigos que no funcionan bien o que son susceptibles a ataques, problemas muchas veces difíciles de rastrear.

Además, si el equipo de desarrollo no entiende completamente un código hecho por la inteligencia artificial, puede tener dificultad tanto en el mantenimiento como en la implementación de cambios y mejoras en el sistema, aumentando los costos y el tiempo de desarrollo.

Mejoras en una parte del programa tienen el potencial de perjudicar otras, por lo que, si el equipo de desarrollo no entiende todos los aspectos y consecuencias de una mejora en el código sugerida por la IA, pueden surgir problemas de rendimiento y en la capacidad del sistema para manejar muchos usuarios en el futuro, por ejemplo.

En cuanto a la seguridad, al mismo tiempo que la IA ayuda a localizar fallos, puede causar la paralización de otras prácticas importantes. Además, una IA mal enseñada puede generar códigos con nuevas fallas de seguridad o ignorar reglas ya establecidas.

Por último, es importante saber que la IA puede contener prejuicios si los datos usados para entrenarla presentan estos prejuicios. Esto puede llevar a comportamientos inesperados o injustos en el software. Y, como algunos modelos de IA funcionan como “cajas negras”, puede ser difícil entender los motivos de sus decisiones, lo que dificulta la corrección de posibles sesgos.

Conclusión

La inteligencia artificial es una herramienta poderosa que puede cambiar la forma en que se desarrollan los softwares, haciendo el trabajo más rápido y los programas mejores, al mismo tiempo que facilita la implementación de innovaciones. Desde ayudar a escribir y mejorar el código hasta probar los programas de forma inteligente y entender lo que los clientes necesitan, la IA tiene el potencial de transformar cada etapa del desarrollo.

Sin embargo, es esencial recordar que, para tener éxito, los equipos de desarrollo necesitan tener mucho conocimiento técnico y experiencia. Usar la IA sin cuidado y experiencia puede traer más problemas que soluciones, perjudicando la calidad, la seguridad y la capacidad de adaptación a cambios del software en el futuro.

Por lo tanto, la mejor manera de aprovechar al máximo la IA en el desarrollo de software es combinar la inteligencia de las máquinas con el conocimiento y la experiencia de las personas. Invertir en la capacitación y en el desarrollo de las habilidades técnicas en IA de los profesionales de TI es fundamental para garantizar que esta poderosa tecnología se utilice de manera eficaz y responsable, allanando el camino para un futuro con software más innovador y de alta calidad.

Este contenido fue producido por:

Cesar Soares Stenico

LinkedIn

Desarrollador de sistemas, es graduado en Ciencias de la Computación y tiene un MBA en Digital Business. Actúa en la construcción de aplicaciones web, con un fuerte entusiasmo por nuevas tecnologías, sistemas blockchain e ingeniería de software. Con un perfil innovador, busca constantemente aplicar soluciones modernas y eficientes en el desarrollo de sistemas.

Quién publicó esta columna

Skylar

"Startup" de tecnologia e legendagem que faz parte das iniciativas do Pecege, utiliza inteligência artificial e técnicas linguísticas para fazer legendagem em tempo real. Atuante nas áreas de educação, eventos, agronegócio, tecnologia, saúde, entretenimento e esportes, entre outras. Acesse o site!

También te puede interesar

02 de octubre de 2026

Determinantes de la ubicación de supermercados en São Paulo

Un estudio investigó los factores determinantes de la ubicación de supermercados en el estado de São Paulo, con el objetivo de investigar los factores que explican la presencia y expansión de estos establecimientos, considerando dimensiones socioeconómicas, demográficas y de mercado. Se utilizaron datos de los Censos Demográficos de 2010 y 2022 del IBGE y información del Cadastro Nacional de Pessoas Jurídicas de la Receita Federal do Brasil para construir una base de datos georreferenciada. Se aplicó un modelo de clasificación Random Forest, ajustado por grid search con validación cruzada, priorizando la métrica recall-macro debido al desbalanceo de la variable dependiente, que representó la presencia o ausencia de supermercados en un buffer de 50 metros. Los resultados indicaron que la ubicación de supermercados está fuertemente asociada a características demográficas, de ingresos y de población en el entorno. El análisis de importancia de las variables evidenció que factores sociodemográficos, como alfabetización de ancianos, ingresos familiares y la presencia de otros establecimientos de alimentación, ejercieron una influencia significativa, especialmente en el entorno inmediato. Los hallazgos reforzaron la hipótesis de que la distribución espacial de supermercados no es aleatoria, siendo condicionada por características socioeconómicas y por la estructura comercial del territorio, ofreciendo subsidios para decisiones empresariales y planificación urbana.

Palabras clave: Análisis espacial; Aprendizaje automático; Expansión; Ubicación comercial; Supermercados.

Neurociencia Y Aprendizaje En La Educación

02 de octubre de 2026

Educación Antirracista: Prácticas Educativas Inclusivas y Desarrollo Social

La educación antirracista, comprendida como eje estructurante de la educación inclusiva y del desarrollo social, fue investigada en el contexto brasileño. El estudio tuvo como objetivo identificar y analizar, con base en documentos legales y en la percepción de profesores, las prácticas educativas capaces de promover el antirracismo en la escuela y en la sociedad, y cómo la implementación de las Leyes nº 10.639/03 y nº 11.645/08 contribuyó a la justicia social. Se adoptó un enfoque cualitativo y documental, con análisis de legislación educacional, directrices curriculares, informes institucionales y literatura académica. Complementariamente, se aplicó un cuestionario semiestructurado a 295 profesores de Educación Básica. Los datos fueron evaluados cuantitativa y cualitativamente, por medio de análisis de contenido temático, y validados con estudios bibliográficos. Los resultados revelaron una paradoja: a pesar de un marco legal robusto, la implementación de las políticas antirracistas se mostró frágil y puntual, con carencia de formación docente, materiales didácticos adecuados y monitoreo. Se constató la persistencia de desigualdades educacionales significativas entre estudiantes blancos y negros, y la mayoría de los profesores reconoció la ocurrencia de racismo en las escuelas, pero sin protocolos institucionales claros. El análisis neurocientífico demostró que el racismo impacta negativamente el desarrollo cognitivo y emocional de los estudiantes. Se concluyó que la educación antirracista es central para una educación de calidad, exigiendo compromiso político, inversión pública y articulación intersectorial. La integración de la Neurociencia en la formación docente y la producción de materiales cualificados son cruciales para fortalecer el papel de la escuela en la construcción de una sociedad más justa e inclusiva.

Palabras clave: Desarrollo Social; Educación Antirracista; Justicia Social; Ley 10.639/03; Prácticas Educativas Inclusivas.

Neurociencia Y Aprendizaje En La Educación

02 de octubre de 2026

Caminos de la Inclusión: Percepciones de Padres y Profesores sobre la Escolarización de Estudiantes con Doble Excepcionalidad en el Contexto Brasileño

La Doble Excepcionalidad, caracterizada por la coexistencia de Altas Habilidades/Superdotación y trastornos del neurodesarrollo, representa un fenómeno complejo que desafía los modelos tradicionales de identificación y escolarización. El estudio tuvo como objetivo comprender las percepciones de padres o tutores, profesores y otros profesionales de la educación sobre la escolarización de estudiantes con Doble Excepcionalidad en el contexto brasileño, investigando desafíos, estrategias pedagógicas y posibilidades de inclusión basadas en la equidad. La investigación adoptó un enfoque cualitativo, exploratorio y descriptivo, y recopiló datos a través de un cuestionario en línea, voluntario y anónimo, respondido por 25 participantes. Los datos discursivos fueron analizados mediante análisis de contenido temático. Los resultados indicaron que el conocimiento sobre el tema se construye frecuentemente a partir de experiencias personales y profesionales, revelando lagunas en la formación sistematizada. Se identificaron dificultades en la identificación de estos estudiantes, en la formación docente y en la implementación de planes educativos individualizados, flexibilización pedagógica y enriquecimiento curricular. Se relataron repercusiones socioemocionales, como frustración y baja autoestima. Sin embargo, algunas escuelas demostraron prácticas inclusivas fundamentadas en la equidad, articulando necesidades específicas y potencialidades. Aunque los resultados no permiten generalizaciones, evidenciaron la necesidad de fortalecer la formación profesional y la articulación entre escuela, familia y servicios especializados. Se concluyó que la inclusión de estudiantes con Doble Excepcionalidad requiere prácticas que reconozcan simultáneamente sus dificultades y potencialidades, garantizando condiciones equitativas de participación, aprendizaje y desarrollo.

Palabras clave: Desarrollo humano; Formación docente; Inclusión escolar; Neurodivergencia; Prácticas pedagógicas.

02 de octubre de 2026

Modelado predictivo para la gestión de inventarios: aumento de la productividad y la eficiencia en un centro de distribución de alimentos

La gestión eficiente de las operaciones logísticas en centros de distribución es fundamental para la competitividad, especialmente en actividades intensivas en mano de obra, que impactan los costos operativos y el nivel de servicio. El estudio tuvo como objetivo desarrollar y evaluar diferentes modelos de pronóstico de demanda para optimizar la gestión de inventario y recursos en un centro de distribución de alimentos. Para ello, se utilizaron datos históricos de movimiento de un sistema WMS, aplicando modelos de regresión lineal, suavización exponencial de Holt-Winters y el algoritmo LightGBM. Los resultados indicaron que los modelos tradicionales presentaron limitaciones en la captura de la dinámica de la demanda, con un rendimiento inferior al LightGBM. El algoritmo de aprendizaje automático demostró un rendimiento superior, especialmente después de la incorporación de mayor granularidad de los datos y variables temporales, lo que permitió una mayor adherencia a la dinámica de la demanda. La aplicación del modelo resultó en una reducción del 36,38% en el desplazamiento para el pallet picking y del 31,98% para el case picking, totalizando una reducción global del 33,64%. Se concluyó que la utilización de modelos predictivos contribuyó a la mejora de la eficiencia operativa, permitiendo una mejor asignación de recursos y organización de los artículos en el proceso de separación de pedidos.

Palabras clave: Aprendizaje automático; Clasificación ABC; Eficiencia operativa; Logística; Pronóstico de demanda.

02 de octubre de 2026

Transformación de Datos en Estrategia: Investigación Aplicada para la Optimización de Operaciones en Ecoturismo

La creciente demanda en el turismo ecológico en Minas Gerais impulsó la búsqueda de inteligencia de negocios para transformar datos de clientes en información estratégica. El estudio objetivó estructurar un pipeline de ciencia de datos para recolectar, segmentar y clasificar la base de clientes de una operación de ecoturismo, con el fin de optimizar acciones de marketing y anticipar movimientos de mercado. Se realizó una investigación exploratoria, de naturaleza cuali-cuantitativa, por medio de un estudio de caso. Se utilizaron 2.777 registros transaccionales de una empresa de ecoturismo, referentes a enero de 2024 a diciembre de 2025. El proceso metodológico involucró recolección automatizada de datos (API Google Sheets), tratamiento y enriquecimiento (ETL), validación y creación de atributos RFM (Recencia, Frecuencia y Valor Monetario). Se aplicó reducción de dimensionalidad vía PCA y agrupamiento K-Means, con el número de clusters definido por el método del Codo y Silhouette Score. Se validaron los resultados con DBSCAN y K-Medoids. Los resultados revelaron la identificación de tres segmentos comportamentales de clientes: “Fiel”, “Bajo Valor” y “Potencial”. El segmento “Fiel” representó el mayor valor económico acumulado, mientras que el “Potencial” se destacó por el alto ticket promedio y potencial de conversión en recurrencia. La integración de las técnicas de análisis de datos demostró ser un método robusto y replicable para generar inteligencia en el ecoturismo. Se concluyó que el pipeline de ciencia de datos estructurado viabilizó la segmentación comportamental de la base de clientes, la validación estadística de los grupos y la creación de un sistema predictivo para nuevos compradores, proporcionando subsidios para decisiones estratégicas basadas en datos y futuros análisis.

Palabras clave: Clusterización; Inteligencia de negocios; Machine Learning; Segmentación de clientes; Toma de decisiones.

02 de octubre de 2026

Clasificación de clientes morosos mediante técnicas supervisadas de aprendizaje automático

El riesgo de incumplimiento en operaciones de crédito demandó enfoques analíticos para anticipar pérdidas. Este estudio evaluó comparativamente el desempeño de modelos supervisados de aprendizaje automático en la clasificación de clientes incumplidos en operaciones de tarjeta de crédito. Se utilizó la base pública “Default of Credit Card Clients”, de la Universidad de California Irvine, con 30.000 observaciones y desbalanceo de clases. Se emplearon los algoritmos Regresión Logística, Random Forest y Extreme Gradient Boosting. El desbalanceo se trató mediante la asignación de pesos a las clases, y la optimización de los modelos se realizó con el método RandomizedSearchCV, priorizando la sensibilidad. Los resultados de la validación cruzada indicaron que el modelo Extreme Gradient Boosting presentó mayor capacidad de identificación de la clase incumplida y mejor desempeño discriminatorio, seguido por Random Forest y Regresión Logística, con una sensibilidad de 0,8250 y un AUC-ROC de 0,7844 para el XGBoost. El análisis de interpretabilidad, realizado por la técnica Shapley Additive Explanations (SHAP), evidenció la predominancia de variables asociadas al comportamiento de pago, especialmente el historial de retrasos. Se concluyó que los modelos basados en árboles, particularmente técnicas de boosting, se mostraron más adecuados para capturar patrones complejos en los datos, configurándose como alternativas consistentes para la gestión de riesgo de crédito.

Palabras clave: Aprendizaje Automático; Tarjeta de Crédito; Clasificación; Extreme Gradient Boosting; Riesgo de Crédito.

02 de octubre de 2026

Análisis de Sentimientos sobre Bancos Brasileños en Twitter/X: Comparación entre Instituciones Tradicionales y Digitales

Un estudio analizó la percepción pública sobre instituciones financieras brasileñas en la plataforma Twitter/X, resaltando la importancia del monitoreo de sentimientos en redes sociales para la comprensión de la reputación y la experiencia del cliente en el sector bancario. El objetivo consistió en comparar la percepción de los usuarios sobre la imagen y la reputación de bancos tradicionales y digitales, a partir de los patrones de sentimiento identificados en las manifestaciones analizadas, buscando identificar diferencias estructurales entre estos grupos. La metodología se basó en el análisis de 1.096 tweets recopilados entre noviembre de 2022 y junio de 2023. Se utilizaron dos enfoques complementarios de análisis de sentimientos, la suma y la media de las etiquetas, para captar el sentimiento mayoritario y los matices de la percepción. Adicionalmente, se desarrollaron el Modelo de Perfil de Mercado, con indicadores de reputación emocional, riesgo reputacional, neutralidad y polarización, y el Modelo de Clusterización Bancaria, que permitió agrupar las instituciones conforme a patrones de percepción. Los resultados indicaron predominancia de sentimientos neutros y negativos, mayor volumen de interacciones en los bancos digitales y diferencias estructurales en la intensidad emocional de las percepciones, con mayor estabilidad en los bancos digitales y mayor polarización en los tradicionales. Se concluyó que la combinación de técnicas analíticas y estadísticas contribuyó a una comprensión profunda de la imagen institucional en el entorno digital, evidenciando la importancia de estrategias de gestión de la reputación basadas en datos.

Palabras clave: Bancos digitales; Bancos tradicionales; Modelado de datos; Opinion mining; Redes Sociales.

02 de octubre de 2026

Optimización de la planificación presupuestaria anual mediante metodologías de gestión de proyectos

El Plan Presupuestario Anual (POA) es un proceso crucial para traducir la estrategia organizacional en metas operativas y financieras, pero frecuentemente enfrenta presiones de plazos, dependencias interdepartamentales y la repetición de gastos habituales. El estudio objetivó analizar cómo la aplicación combinada de prácticas de gestión de proyectos y del Presupuesto Base Cero (PBC) puede optimizar el POA. Para ello, se desarrolló un estudio de caso en la operación brasileña de una compañía abierta del sector de bebidas, utilizando investigación documental de su informe de resultados de 2023 y un cuestionario anónimo aplicado a 47 encuestados. El análisis documental indicó crecimiento de la receta neta, expansión del margen bruto y del EBITDA ajustado, y avance contenido de los gastos de ventas, generales y administrativos, sugiriendo disciplina de costos y apalancamiento operativo. El relevamiento complementario reveló alta percepción de efecto cascada en el cronograma, fuerte apoyo a la definición de responsables por paquetes de costos y preferencia por justificación técnica de los gastos, además de demanda por flexibilidad controlada tras la definición de la línea base. Se concluyó que la estructuración del POA como proyecto, asociada al rigor del PBC, aumentó la previsibilidad del proceso, reforzó la responsabilidad sobre los gastos y amplió la coherencia entre la ejecución presupuestaria y el desempeño económico-financiero.

Palabras clave: Control de Costos; Eficiencia Operativa; Presupuesto Base Cero; PMBOK; Sector de Bebidas.

02 de octubre de 2026

Innovación en modelos de negocio tradicionales y su impacto en el entorno laboral

El estudio analizó cómo la innovación aplicada en modelos de negocio tradicionales impacta el ambiente de trabajo. Con este objetivo, se realizó una investigación de campo que involucró a 225 profesionales de diferentes sectores y niveles jerárquicos. La recolección de datos se llevó a cabo a través de un cuestionario estructurado, que investigó el perfil, las percepciones y los comportamientos de los participantes en relación con la innovación. Los resultados obtenidos indicaron que los colaboradores de empresas consideradas innovadoras percibieron niveles elevados de innovación, demostraron mayor compromiso, motivación para proponer mejoras y una mejor comprensión de los cambios implementados. En contraste, los profesionales de empresas tradicionales presentaron una percepción de innovación más baja, mayor neutralidad frente a las transformaciones y niveles más elevados de estrés e inseguridad en el ambiente laboral. Se observó, además, que el liderazgo, la comunicación clara, el apoyo y la capacitación adecuada fueron identificados como factores esenciales para facilitar la adaptación a los cambios y aumentar la receptividad de los colaboradores. Se concluyó que la tipología organizacional, asociada a la cultura y a las prácticas de gestión, influye directamente en la forma en que se vive la innovación internamente y sus efectos en el ambiente de trabajo.

Palabras clave: Compromiso; Empresas tradicionales; Gestión del cambio.