La inteligencia artificial (IA) ha dejado de ser una promesa para convertirse en el motor que está remodelando el diseño, la construcción y la validación de software. Con incrementos de productividad de hasta el 20%, las empresas líderes ya están transformando sus ciclos de desarrollo para reducir costes y mejorar la fiabilidad del código.
Para analizar este cambio de paradigma, contamos con la visión de cuatro referentes tecnológicos de Banco Santander y Cognizant.
Resumen de claves: La IA en la ingeniería de software
Experto | Cargo y Compañía | Visión estratégica |
Fernando J. Muñoz-Costi | Head of Engineering Excellence, Banco Santander | La productividad puede crecer un 20% gracias a la IA. |
Javier Escribano | Software Engineering Chapter Lead, Banco Santander | El programador pasa del desarrollo bruto al "tuning" fino. |
José Manuel Zafra | Head of BFS&I Iberia, Cognizant | Los procesos son más fiables, pero los LLM tienen un 90% de exactitud. |
Pablo Herrero | Head of Sales for Software and Platform Engineering , Cognizant | La IA opera bajo un modelo de probabilidad, no de certeza absoluta. |
¿Hacia un modelo donde la IA genere el 100% del código?
Actualmente, según Javier Escribano, "nos encontramos en un escenario donde el 80% del código lo hace la IA y el 20% de tuning fino lo hace el programador".
Sin embargo, la tendencia apunta a un futuro de automatización total. El camino hacia un modelo de generación del 100% es viable, siempre que el contexto y el prompting (instrucciones dadas a la IA) sean lo suficientemente robustos y completos.
Ventajas competitivas de la adopción de IA:
- Reducción de costes: Procesos que antes eran largos y costosos ahora son ágiles.
- Mayor fiabilidad: Según José Manuel Zafra, los nuevos algoritmos permiten un desarrollo más seguro y robusto.
- Optimización de tiempos: La detección temprana de incidencias acelera el time-to-market.
Desafíos técnicos: De la probabilidad a la precisión
"La IA es tan abrumadora que hay que afinar mucho para que el tiempo y la respuesta sean los adecuados", afirma Javier Escribano. Para mitigar este margen de error, Javier Escribano propone una metodología de trabajo específica:
- Atomizar el proceso: Dividir el desarrollo en tareas pequeñas y manejables.
- Revisión iterativa: Supervisar cada módulo de forma independiente para asegurar la coherencia del conjunto.
A pesar de su potencia, la IA generativa no es infalible. Pablo Herrero recuerda que "esta tecnología está diseñada sobre modelos de probabilidad". Esto implica que, como matiza Zafra, "un modelo de lenguaje extenso (LLM) suele proporcionar un 90% de exactitud".
Calidad de software y detección de errores
Uno de los mayores saltos cualitativos se da en el área de QA (Quality Assurance). Fernando J. Muñoz-Costi destaca que "la IA ha eliminado la necesidad de invertir horas manuales en la revisión de líneas de código". Hoy, la inteligencia artificial identifica incidencias de forma instantánea, permitiendo que los desarrolladores se centren en la arquitectura y la innovación. El resultado, en palabras de Zafra, son "productos finales de mayor calidad".
