La irrupción de la inteligencia artificial (IA) está pegando fuerte en el desarrollo profesional de software y de soluciones digitales. Por un lado, el uso de herramientas de IA para generación de código y otras actividades, impacta en las metodologías y técnicas tradicionales de desarrollo. Daniel Yankelevich, fundador de Practia, entrega su opinión del presente tecnológico.

Por el otro, señaló el experto, el desarrollo de sistemas que incorporan modelos generativos de IA (en particular, modelos notables como los grandes modelos de lenguaje) que son probabilísticos, impacta en las arquitecturas y el diseño de los sistemas.

La ingeniería de software no se ocupa sólo de desarrollar programas. También considera aspectos como el costo del desarrollo y del uso de las soluciones, la calidad del resultado y la seguridad de su uso, entre otros.

Algunos ejemplos

Una metodología tradicional de desarrollo de software es, por ejemplo, el modelo V, que indicaba que antes de cada etapa se debían definir las pruebas correspondientes a esa etapa (de unidad para el desarrollo, de regresión para la integración, etc.). Esto casi nunca se cumplía y solía verse como un costo.

Hoy, contar con las pruebas es clave, porque está probado que los generadores de código funcionan mucho mejor si se cuenta con ellas. Tener datasets de validación no es más un costo, es una inversión. La verificación automática pasó de ser un lujo para tener un rol clave en la generación de código de calidad cuando se usan ciclos de generación-verificación de software con IA.

Hay numerosos investigadores de primera línea en laboratorios dedicados a estudiar estos temas, tanto en el ámbito académico como en las empresas. La prueba de sistemas que embeben a grandes modelos presenta desafíos únicos, y hay interesantes resultados. El desarrollo de agentes de IA está pasando de ser artesanal a contar con mejores prácticas, y poco a poco se incorporan procedimientos para desplegarlos en modo más seguro y confiable.

Los métodos neuro-simbólicos o la incorporación de ontologías en sistemas de agentes ya cuenta con código disponible para la comunidad en GitHub. De hecho, algunas universidades empiezan a proponer “core competencias” para la ingeniería de software en la era de la IA (que, sin ninguna sorpresa, incluyen algunos temas tradicionales, pero suman nuevos conceptos y prácticas).

La idea de que la IA programe sistemas de IA que puedan programar IA (parece un trabalenguas pero es la idea de la IA mejorándose a sí misma, tanto a nivel software como a nivel hardware) es una realidad. La empresa Ricursive Intelligence, que trabaja en esta área denominada self-improving, pasó a valer 4000 millones de dólares a menos de un año de su creación.

Innovando en la industria automotriz

Por otro lado, Daniel Yankelevich indicó que trabajar con sistemas que incluyen no determinismo no es nuevo. Trabajar con sistemas con el grado de no determinismo de los LLMs, cuestiones semánticas, agentes autónomos, es otra cosa y requiere nuevas técnicas además de adaptar técnicas existentes.

Además, usar generadores de código no es nuevo. Utilizar herramientas semánticas que modifican y trabajan sobre las especificaciones y los requerimientos o toman la iniciativa en otros pasos del proceso de desarrollo, requiere modificar la forma de trabajar. En este contexto, Nigel Vaz, CEO de Publicis Sapient, fue incluido en el Time 100 AI 2026, entre las 100 personas más influyentes en IA, por su visión sobre cómo integrar la inteligencia artificial en los flujos de trabajo de las grandes empresas.

Vaz sostiene que usar la IA solo para recortar costos es un mal uso de una tecnología transformadora y que el verdadero valor está en rediseñar los procesos operativos y crear flujos de trabajo reales.

Pensemos en la industria automotriz. El mayor cambio en la productividad no vino por hacer ruedas más rápido o por bajar el costo del sistema de refrigeración. Se produjo cuando Henry Ford introdujo la cadena de montaje en sus fábricas. Eso impactó no sólo en la productividad, también en el trabajo y en las organizaciones. El verdadero cambio es sistémico, no se produce por bajar un poco el costo en tareas aisladas.

La nueva ingeniería de software necesita herramientas, necesita talento y necesita ingenieros. También necesita una visión clara, que incluye los procesos productivos como tales y mira las soluciones completas. Como dice Nigel Vaz: podemos usar la tecnología para hacer que la oruga camine más rápido, pero el verdadero desafío es que se convierta en una mariposa.