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

Enviado Setembro 20, 2026

Publicado 2026-09-23

Artículos académicos

Vol. 6 N.º 1 (2026): Revista Contacto

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

PDF (Español (España))

Referências

DOI: 10.48204/contacto.v6n1.11292

Publicado: 2026-09-23

Como Citar

Castillo Serracín, J. R., & Gómez S. , J. M. (2026). De la algoritmia clásica a la inteligencia generativa: la IA como nuevo paradigma en la ingeniería de software. Revista Contacto, 6(1), 26–43. https://doi.org/10.48204/contacto.v6n1.11292

Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0.

Resumo

La presente investigación analiza la ruptura epistemológica en la ingeniería de software provocada por la transición del paradigma determinista tradicional hacia modelos probabilísticos basados en Inteligencia Artificial Generativa. Mediante una revisión bibliográfica estructurada (2021-2026) y la triangulación de datos industriales, se examina la obsolescencia de la codificación manual en aplicaciones de propósito general, contrastada con su vigencia irreductible en sistemas críticos de seguridad (Safety-Critical Systems). Los resultados evidencian que el modelo asistido actual incrementa la productividad, pero introduce riesgos significativos de vulnerabilidad y deuda técnica debido al sesgo de automatización y la limitación de contexto. Se propone un nuevo Modelo de Ingeniería Generativa Sistémica fundamentado en ventanas de contexto masivo y razonamiento multimodal, concluyendo que el rol del ingeniero debe evolucionar ineludiblemente de la escritura sintáctica hacia la arquitectura y auditoría de sistemas estocásticos bajo un esquema de supervisión humana obligatoria

Downloads

Não há dados estatísticos.

Referências

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.