Contexto técnico, instrucciones persistentes, validación humana y métricas.
Por Jesús Andrés Bergaño García, AWS Platform Manager en ALIANDO.
Incorporar la inteligencia artificial al desarrollo de software ya no consiste únicamente en disponer de herramientas avanzadas, sino en integrarlas de forma efectiva en los procesos de trabajo. Este artículo presenta los principales aprendizajes de un proyecto desarrollado por ALIANDO para una entidad financiera de Latinoamérica, en el que se incorporó IA generativa a distintas fases del ciclo de desarrollo (SDLC).
Las capacidades que ofrece la IA generativa ya permiten explicar código, proponer funciones, generar pruebas y elaborar documentación. Sin embargo, dentro de una organización grande, esa no es la pregunta más importante. La pregunta real es otra: ¿cómo convertir esas capacidades en una forma de trabajo útil, segura, medible y repetible?
Con esa premisa, el proyecto se centró en incorporar inteligencia artificial en actividades reales del ciclo de desarrollo de software (SDLC). La iniciativa se centró en tres áreas principales: codificación, documentación y pruebas, y se desarrolló en entornos tecnológicos diversos, desde aplicaciones Java hasta plataformas SAP ABAP y SAP Fiori.
La experiencia mostró que la inteligencia artificial puede aportar beneficios relevantes en determinados escenarios, pero el valor no aparece simplemente por incorporar una herramienta, sino cuando se combina el contexto técnico, el conocimiento del equipo, la validación humana y métricas que permitan evaluar el impacto de cada caso de uso.
Primer desafío: la IA necesita entender cómo trabaja la organización
Uno de los primeros aprendizajes del proyecto fue comprobar que un asistente de IA sin contexto puede ofrecer resultados sorprendentes en una demostración y ser poco útil cuando llega a un entorno empresarial. Los equipos de desarrollo trabajan con versiones específicas de software, convenciones de código, decisiones de arquitectura, restricciones de seguridad y procesos internos de despliegue que un modelo de lenguaje desconoce por defecto.
En SAP, por ejemplo, la integración no era tan sencilla como en un repositorio Java, debido a las restricciones propias de los entornos, los pasos manuales asociados a las órdenes de transporte y las configuraciones específicas de cada plataforma. Incluso la instalación y la conexión requirieron un proceso de prueba y error, porque el comportamiento de las herramientas variaba según el equipo y el entorno.
La respuesta a estas limitaciones pasó por evolucionar desde el uso de prompts aislados hacia archivos de contexto, reglas persistentes, agentes especializados y estructuras diferenciadas por tecnología. En Java, estas configuraciones recogían decisiones como la arquitectura hexagonal, límites entre entidades y DTO, la inyección de dependencias, la gestión de transacciones y los criterios para ejecutar cambios por fases. En Fiori, el contexto incorporó restricciones de versión y reglas de compatibilidad con los componentes disponibles.
Los logros: velocidad, estandarización y conocimiento reutilizable
Los resultados más visibles aparecieron en tareas bien delimitadas y con un contexto técnico suficientemente definido. En una experiencia piloto desarrollada sobre SAP Fiori, el equipo estimó que la construcción manual de una primera versión habría requerido varios días de trabajo. Utilizando IA junto con el contexto técnico previamente preparado, fue posible generar un primer entregable funcional en aproximadamente 20 y 25 minutos, que posteriormente requirió validación y ajustes por parte del equipo de desarrollo.
El resultado no fue perfecto: se identificaron errores menores en algunas propiedades visuales y en la obtención del contexto dentro de determinados controladores. Pero la experiencia mostró un cambio importante en la distribución del trabajo: menos tiempo dedicado a construir estructuras repetitivas y más tiempo para revisar la lógica, la calidad y el comportamiento.
En el entorno Java, uno de los desarrolladores señaló que el uso de asistentes basados en IA facilitó una refactorización amplia ejecutada por fases, permitiendo dedicar más tiempo a la validación funcional y a la revisión de las decisiones arquitectónicas. Más allá de la velocidad, el principal logro fue dejar documentadas reglas de arquitectura y modernización, como la adopción de Spring JPA, la reducción del manejo manual de transacciones, el uso consistente de DTO, inyección de dependencias y una base para incorporar pruebas unitarias donde antes no existía cobertura.
Ver "Qué se logró en la práctica" - www.aliando.com/hubfs/Artículo7_Integración-de-IA-generativa-en-el-SDLC_ALIANDO_Imagen1.jpg
Los desafíos reales: no todo lo que genera la IA es una mejora
La experiencia también puso de manifiesto que la adopción de la IA en entornos empresariales debe ir acompañada de mecanismos de control y validación. En una prueba de optimización sobre código ABAP, una propuesta generada por IA aumentó los tiempos de respuesta respecto al código original. El resultado dejó un aprendizaje claro: un “código optimizado” no significa necesariamente mejor software. La única forma de comprobarlo es medir los resultados y utilizar ese conocimiento para retroalimentar el modelo con resultados reales.
Otro de los desafíos fue el consumo de recursos. En una ejecución experimental se registraron alrededor de 430.000 tokens, ocho agentes y 227 llamadas a herramientas durante unos 26 minutos. Estos datos, por sí solos, no son ni positivos ni negativos, pero demuestran la necesidad de incorporar una disciplina similar a FinOps en el uso de la IA para el desarrollo de software, basada en medir tiempo, consumo, coste y calidad para identificar qué configuraciones aportan realmente valor.
La experiencia también confirmó que los resultados no son uniformes entre lenguajes y escenarios. Mientras que un escenario bien estructurado sobre SAP Fiori produjo una reducción muy significativa de los tiempos de desarrollo, tareas más complejas o tecnologías con menor representación requieren más iteración, instrucciones más precisas y ciclos de retroalimentación más intensos. La IA no elimina la necesidad de experiencia; cambia dónde se aplica esa experiencia.
El cambio más profundo: del desarrollador que escribe todo, al equipo que especifica y valida
Uno de los aprendizajes que surgió durante el proyecto fue que el rol del desarrollador está empezando a transformarse. En lugar de concentrar todo el esfuerzo en escribir cada línea, el equipo de desarrollo define mejor las especificaciones, establece las reglas de arquitectura y criterios de calidad, y valida que los resultados generados respondan a los requisitos esperados.
Ver "Los desafíos reales de adoptar IA en el SDLC" - www.aliando.com/hubfs/Artículo7_Integración-de-IA-generativa-en-el-SDLC_ALIANDO_Imagen2.jpg
De la prueba de concepto a una capacidad organizacional
La principal lección que deja el proyecto para otras organizaciones es que incorporar IA al ciclo de desarrollo de software (SDLC) requiere combinar dos enfoques. Por un lado, identificar casos de uso donde el valor pueda demostrarse rápidamente, como la generación de estructuras repetitivas, la documentación, las pruebas, el análisis de código o la refactorización guiada. Por otro, desarrollar las capacidades que permitan sostener esos beneficios, mediante contexto versionado, agentes reutilizables, revisión de código, seguridad, métricas y formación del equipo.
La experiencia desarrollada durante el proyecto mostró que el impacto de la IA no se limita a “programar más rápido”. La experiencia observada sugiere que existe una oportunidad para estandarizar conocimiento, reducir trabajo repetitivo, acelerar la modernización y mejorar la capacidad de los equipos para validar y evolucionar software.
La IA no reemplaza la ingeniería de software, sino que está transformando la forma de practicarla. La obliga a ser más explícita haciendo visibles las reglas que antes permanecían en el conocimiento de unas pocas personas, expone la necesidad de medir y convierte el contexto en un activo cada vez más relevante.
Ahí reside, probablemente, el cambio más importante: pasar de utilizar la IA como una herramienta a integrarla como una capacidad organizativa que contribuya a mejorar el desarrollo de software.
Desafíos observados y respuesta aplicada
Ver "Desafíos observados y respuesta aplicada"
*Los tiempos y consumos incluidos corresponden a observaciones y estimaciones reportadas por los equipos durante sesiones de trabajo del proyecto realizadas en junio de 2026 con equipos Java, ABAP y Fiori. Se presentan como evidencia de aprendizaje del proyecto, no como promesas comerciales ni como resultados extrapolables a otros entornos.
