De la algoritmia clásica a la inteligencia generativa: la IA como nuevo paradigma en la ingeniería de software

Juan Rigoberto  Castillo Serracín; Javier Miguel  Gómez S.

doi:10.48204/contacto.v6n1.11292

Soumis septembre 20, 2026

Publiée 2026-09-23

Artículos académicos

Vol. 6 No 1 (2026): Revista Contacto

De l’ algorithmique classique à l’intelligence générative : l’IA comme nouveau paradigme dans l’ingénierie logicielle.

Juan Rigoberto Castillo Serracín⁺⁻
Javier Miguel Gómez S. ⁺⁻

DOI https://doi.org/10.48204/contacto.v6n1.11292

PDF (Español (España))

Références

DOI: 10.48204/contacto.v6n1.11292

Publiée: 2026-09-23

Comment citer

Castillo Serracín, J. R., & Gómez S. , J. M. (2026). De l’ algorithmique classique à l’intelligence générative : l’IA comme nouveau paradigme dans l’ingénierie logicielle . Revista Contacto, 6(1), 26–43. https://doi.org/10.48204/contacto.v6n1.11292

Ce travail est disponible sous licence Creative Commons Attribution - Pas d’Utilisation Commerciale - Partage dans les Mêmes Conditions 4.0 International.

Résumé

La présente recherche analyse la rupture épistémologique en génie logiciel provoquée par la transition du paradigme déterministe traditionnel vers des modèles probabilistes fondés sur l’intelligence artificielle générative. Au moyen d’une revue bibliographique structurée (2021-2026) et d’une triangulation de données industrielles, on examine l’obsolescence du codage manuel dans les applications à usage général, mise en contraste avec sa pertinence irréductible dans les systèmes critiques pour la sécurité (Safety-Critical Systems). Les résultats montrent que le modèle assisté actuel accroît la productivité, mais introduit des risques significatifs de vulnérabilité et de dette technique en raison du biais d’automatisation et de la limitation du contexte. Un nouveau modèle d’ingénierie générative systémique est proposé, reposant sur des fenêtres de contexte massif et un raisonnement multimodal, et l’on conclut que le rôle de l’ingénieur doit évoluer inéluctablement de l’écriture syntaxique vers l’architecture et l’audit de systèmes stochastiques dans un cadre de supervision humaine obligatoire.

Téléchargements

Les données relatives au téléchargement ne sont pas encore disponibles.

Références

CISA. (2023). Shifting the balance of cybersecurity risk: Principles and priorities for security-by-design and default. Cybersecurity & Infrastructure Security Agency. https://www.cisa.gov/resources-tools/resources/secure-by-design
Chen, M., Tworek, J., Jun, H., Yuan, Q., Pinto, H. P. d. O., Kaplan, J., ... & Zaremba, W. (2021). Evaluating large language models trained on code. arXiv preprint arXiv:2107.03374. https://doi.org/10.48550/arXiv.2107.03374
Dohmke, T., Dellangnol, I., & Pulley, C. (2023). Sea change: The future of AI and software development. GitHub. https://github.blog/2023-06-27-the-economic-impact-of-the-ai-powered-developer-lifecycle-and-lessons-from-github-copilot/
GitHub. (2024). The state of the octoverse 2024: AI and the evolution of the developer workflow. GitHub News. https://github.blog/news-insights/octoverse/octoverse-2024/
GitHub. (2024). The state of the Octoverse: 2024 report on open source software. GitHub Resources. https://github.blog/octoverse/
GitClear. (2024). Coding on Copilot: 2023 data suggests downward pressure on code quality. https://www.gitclear.com/coding_on_copilot_data_shows_ais_downward_pressure_on_code_quality
Hou, X., Zhao, Y., Liu, Y., Yang, Z., Wang, K., Li, L., ... & Lo, D. (2024). Large language models for software engineering: A systematic literature review. arXiv preprint arXiv:2308.10620. https://doi.org/10.48550/arXiv.2308.10620
IBM Security. (2025). X-Force Threat Intelligence Index 2025: The impact of generative AI on cyber resilience. IBM Corporation. https://www.ibm.com/reports/threat-intelligence
Knight, J. C. (2002). Safety-critical systems: Challenges and directions. Proceedings of the 24th International Conference on Software Engineering (ICSE), 547-550. https://doi.org/10.1145/581339.581406
Lakhani, K. R., & Sull, D. (2024). The era of the AI-augmented engineer: Beyond syntactic coding. Harvard Business Review. https://hbr.org/2024/02/how-ai-is-changing-the-way-developers-work
McKinsey & Company. (2023). Unleashing developer productivity with generative AI. McKinsey Digital. https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/unleashing-developer-productivity-with-generative-ai
Mozannar, H., Bansal, G., Fourney, A., & Horvitz, E. (2024). Reading between the lines: Modeling user behavior and costs in AI-assisted programming. arXiv preprint arXiv:2210.14306.
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. 2022 IEEE Symposium on Security and Privacy (SP), 754-768. https://arxiv.org/abs/2108.09293
Peng, S., Kalliamvakou, E., Cihon, P., & Demarrer, M. (2023). The impact of AI on developer productivity: Evidence from GitHub Copilot. arXiv preprint arXiv:2302.06590.
Perry, N., Srivastava, M., Kumar, D., & Boneh, D. (2023). Do users write more insecure code with AI assistants? Proceedings of the 2023 ACM SIGSAC Conference on Computer and Communications Security, 2785–2799. https://doi.org/10.1145/3548606.3560605
Reid, M., Savinov, N., Teplyashin, D., & Co-authors (Google DeepMind). (2024). Gemini 1.5: Unlocking multimodal understanding across millions of tokens of context. Google DeepMind Technical Report.
Russo, D., Laredo, J. L., Storey, M. A., Hoda, R., Serebrenik, A., & Pandita, R. (2024). Generative AI in software engineering must be human-centered: The Copenhagen Manifesto. Journal of Systems and Software, 216, 112115. https://dl.acm.org/doi/10.1016/j.jss.2024.112115
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30.