I nnova Science Journal | Vol.03 | Núm.0 4 | Oct – Dic | 2025 | www.innovasciencejournal.omeditorial.com 523 Artículo Científico Guía práctica sobre herramientas de IA que se utilizan en el proceso de desarrollo de software bajo metodologías ágiles . Practical guide on AI tools used in the software development process under agile methodologies . Guerrero - Benalcázar, Rubén Ignacio 1 ; Lascano - Rivera, Samuel 2 . 1 Universidad Politécnica Estatal del Carchi ; Ecuador, Tulcán ; https://orcid.org/0009 - 0000 - 6805 - 2139 ; rubenignacio1522@hotmail.com 2 Universidad Politécnica Estatal del Carchi ; Ecuador, Tulcán ; https://orcid.org/0000 - 0001 - 5967 - 6441 ; samuel.lascano@upec.edu.ec 1 Autor Correspondencia https://doi.org/10.63618/omd/isj/v3/n4/155 Resumen: El artículo presenta una guía práctica sobre el uso de herramientas de inteligencia artificial (IA) en el desarrollo de software bajo metodologías ágiles. A través de una revisión sistemática de literatu ra basada en el protocolo PRISMA, se analizaron 30 artículos publicados entre 2019 y 2024, provenientes de contextos académicos e industriales. Los resultados evidencian que la IA se integra con mayor frecuencia en metodologías como Scrum y XP, optimizando tareas de planificación, codificación, pruebas y documentación. Herramientas como GitHub Copilot, Azure AI, Test.AI y motores NLP destacan por mejorar la productividad, la calidad del software y la reducción del tiempo de entrega. La guía clasifica las he rramientas según las fases del ciclo ágil, ofreciendo prompts y recomendaciones prácticas para su aplicación. Se concluye que la IA se ha consolidado como un componente estratégico en la ingeniería de software, aunque su implementación requiere capacitació n continua y adaptación al contexto organizacional. La investigación propone validar empíricamente esta guía en entornos reales para medir su impacto en la productividad y la madurez ágil. Palabras clave: inteligencia artificial; metodologías ágiles; desarrollo de software; automatización; productividad; Scrum. Abstract: The article presents a practical guide on the use of artificial intelligence (AI) tools in software development under agile methodologies. Through a systematic literature review based on the PRISMA protocol, 30 articles published between 2019 and 2024, from academic and industrial contexts, were analyzed. The results show that AI is most frequently integrated into methodologies such as Scrum and XP, optimizing planning, coding, testing, and documentation tasks. Tools such as GitHub Copilot, Azure AI, Test.AI, and NLP engines stand out for improving productivity, software quality, and reducing delivery time. The guide classifies the tools according to the phases of the agile cycle, offering prompts and practical recommendations for their application. It concludes that AI has established itself as a strategic component in software engineering, although its implementation requires c ontinuous training and adaptation to the organizational context. The research proposes to empirically validate this guide in real environments to measure its impact on productivity and agile maturity. Keywords: artificial intelligence; agile methodologies; software development; a utomation; productivity; Scrum. Cita: Guerrero Benalcazar, R. I., & Lascano - Rivera, S. (2025). Guía práctica sobre herramientas de IA que se utilizan en el proceso de desarrollo de software bajo metodologías ágiles. Innova Science Journal , 3 (4), 523 - 539. https://doi.org/10.63618/omd /isj/v3/n4/155 Recibido: xx/xx/20xx Aceptado: xx/xx/20xx Publicado: xx/xx/20xx Copyright: © 2025 por los autores. Este artículo es un artículo de acceso abierto distribuido bajo los términos y condiciones de la Licencia Creative Commons, Atribución - NoComercial 4.0 Internacional. ( CC BY - NC ) . ( https://creativecommons.org/lice nses/by - nc/4.0/ )
Innova Science Journal I nnova Science Journal | Vol.03 | Núm.0 4 | Oct – Dic | 2025 | www.innovasciencejournal.omeditorial.com 524 Artículo Científico 1. Introducción La evolución del desarrollo de software se caracteriza actualmente por la adopción generalizada de metodologías ágiles como respuesta a entornos dinámicos y a la necesidad de productos más adaptables y funcionales. Metodologías como Scrum, Kanban y Extreme Programming (XP) se consolidan como enfoques clave para mejorar los ciclos de entrega, fomentar la colaboración con el cliente y fortalecer la capacidad de adaptación frente a los cambios (Martínez et al., 2022; Gaete et al., 2021). De forma paralela, la inteligencia artificial (IA) se posiciona como una tecnología transformadora en múltiples dominios, incluyendo el desarrollo de software. En los últimos años, su integración en el ciclo de vida del desarrollo gana fuerza (Salazar - Cedeño et al., 2024; Monsa lves et al., 2024). En contextos ágiles, la IA permite automatizar tareas repetitivas, optimizar la planificación, mejorar la calidad de los entregables y asistir en la toma de decisiones en tiempo real (Kalava, 2024; Seppälä, 2024; Kumar, 2024). Diversos estudios evidencian beneficios concretos derivados de esta integración. Seppälä (2024) reporta un aumento en la eficiencia de codificación mediante el uso de GitHub Copilot; Monsalves et al. (2024) destacan la utilidad de servicios como Azure AI y Google C loud AI (AIaaS) en flujos de trabajo ágiles como Scrum y Kanban; mientras que Upadhyaya (2022) y Salazar - Cedeño et al. (2024) resaltan la automatización de pruebas y la predicción de fallos como elementos claves en la mejora de la calidad del software. A p esar de estos avances, persiste una brecha tanto teórica como práctica en cuanto a la sistematización del uso de herramientas de IA específicas en contextos ágiles. Aunque existen algunas revisiones centradas en el impacto general de la IA (Rendón De La To rre, 2024; Tupsakhare, 2022), todavía no se consolida una guía que articule estas tecnologías con las distintas fases del desarrollo ágil ni que sintetice sus beneficios reales según la metodología aplicada. Desde un enfoque teórico, este estudio se apoya en la teoría “ Re - Evaluating Media Richness in Software Development Settings ” (Mohammed et al., 2014), complementada por enfoques contemporáneos de ingeniería de software asistida por IA, aprendizaje automático, procesamiento de lenguaje natural (NLP) y pla taformas cognitivas (Kumar, 2024; Monsalves et al., 2024). Conceptos como automatización inteligente, testing autónomo, estimaciones predictivas y colaboración asistida por IA constituyen pilares de esta línea de innovación (Guerrero et al., 2023; GitLab, 2023). En el contexto latinoamericano, se observa un crecimiento sostenido en la adopción de metodologías ágiles dentro de industrias tecnológicas y de servicios (Armijos et al., 2024). La presión por entregar software de calidad en menor tiempo impulsa a muchas organizaciones a incorporar IA como soporte en fases críticas como la planificación, el desarrollo y el testing (Cabrero - Daniel, 2023). En este marco, la presente investigación establece tres líneas de acción complementarias: primero, analizar el im pacto de la inteligencia artificial en las distintas fases del desarrollo ágil; segundo, identificar las metodologías ágiles y herramientas de IA con mayor aplicabilidad en contextos reales; y tercero, proponer una guía
Innova Science Journal I nnova Science Journal | Vol.03 | Núm.0 4 | Oct – Dic | 2025 | www.innovasciencejournal.omeditorial.com 525 Artículo Científico estructurada que oriente su integrac ión efectiva, sustentada en evidencia científica e industrial reciente. Esta investigación se fundamenta en una revisión sistemática de literatura que reúne aportes científicos y experiencias prácticas, con el objetivo de identificar patrones de uso, benef icios alcanzados y tecnologías emergentes que están transformando el desarrollo de software. A partir de este análisis, se diseña una propuesta práctica que busca ofrecer soporte estratégico, fundamentado y escalable para equipos de desarrollo, gestores de proyectos e investigadores interesados en adoptar soluciones de IA en entornos ágiles. 2. Materiales y Métodos Este estudio se enmarcó en un enfoque mixto, de naturaleza descriptiva y analítica, orientado a comprender y sistematizar el uso de herramientas de inteligencia artificial (IA) dentro de proyectos de desarrollo de software gestionados mediante metodologías ágiles. Se adoptó como método principal una revisión sistemática de literatura (RSL), guiada por los lineamientos PRISMA 2020 (Page et al., 202 1), complementada con análisis cuantitativos de tipo descriptivo enfocados en la frecuencia y distribución de herramientas de IA en cada fase del ciclo ágil. Este enfoque permitió identificar patrones de uso, tendencias tecnológicas dominantes y niveles de adopción según el tipo de metodología, aportando una visión más estructurada del panorama actual. 2.1. Diseño del estudio El proceso metodológico de revisión se desarrolló en cuatro etapas. En primer lugar, se planificó la revisión mediante la definición de un protocolo de búsqueda, la selección de palabras clave, el uso de operadores booleanos y el establecimiento de criteri os de inclusión y exclusión. Posteriormente, se llevó a cabo la búsqueda de literatura en bases de datos académicas reconocidas como IEEE Xplore, Scopus, SpringerLink, Redalyc y Google Scholar, complementada con documentos técnicos proporcionados por el au tor. En la tercera fase, se aplicaron filtros temáticos y lingüísticos que permitieron seleccionar los artículos más relevantes para el estudio. Finalmente, se procedió a la extracción y análisis de los datos, organizando la información en matrices de codi ficación y realizando análisis estadísticos descriptivos para identificar patrones y tendencias significativas. 2.2. Estrategia de búsqueda La búsqueda se ejecutó entre enero y abril de 2025 utilizando combinaciones de palabras clave: (“ artificial intelligence ” OR “ IA ”) AND (“ agile methodologies ” OR “ Scrum ” OR “ XP ” OR “ Kanban ” OR “ agile software development ”) AND (“ tools ” OR “ applications ” OR “ benefits ”) Se utilizó el operador booleano AND para refinar resultados. 2.2.1. Criterios de inclusión y exc lusión de textos o artículos Los criterios de inclusión y exclusión empleados para seleccionar los artículos analizados se detallan en la Tabla 1, los cuales fueron definidos con base en la
Innova Science Journal I nnova Science Journal | Vol.03 | Núm.0 4 | Oct – Dic | 2025 | www.innovasciencejournal.omeditorial.com 526 Artículo Científico relevancia temática, el acceso al texto completo y la pertinencia metodológica dentro del enfoque del estudio. Tabla 1 Criterios de inclusión y exclusión Tipo de criterio Aplicación Inclusión Publicaciones entre 2019 - 2024; estudios en inglés o español; estudios que relacionen IA con metodologías ágiles en desarrollo de software; documentos revisados por pares o tesis académicas. Exclusión Artículos duplicados, sin acceso completo, o no relacionados directamente con software ágil e inteligencia artificial. Nota. Elaboración Propia 2.2.2. Proceso de selección de artículos La selección de los estudios incluidos se realizó siguiendo el esquema de flujo establecido en la guía PRISMA 2020, adaptado a los criterios de esta investigación. La Figura 1 muestra las etapas del proceso, desde la identificación inicial de artículos hasta la inclusión final de los estudios analizados, detallando los criterios de exclusión aplicados en cada fase. Figura 1 Diagrama de flujo de selección de artículos (PRISMA adaptado) Nota. Elaboración Propia 2.2.3. Técnicas de recolección y análisis de datos La recolección de datos se llevó a cabo mediante matrices en Microsoft Excel ta como se muestra en la siguiente Figura 2, donde se codificaron variables clave de cada artículo seleccionado. Entre los datos sistematizados se incluyeron:
Innova Science Journal I nnova Science Journal | Vol.03 | Núm.0 4 | Oct – Dic | 2025 | www.innovasciencejournal.omeditorial.com 527 Artículo Científico Autor(es) Año de publicación Contexto del estudio (industrial o académico) Tipo de herramienta de IA utilizada Metodología ágil aplicada Principales hallazgos o contribuciones Figura 2 Matriz de artículos seleccionados Nota. Elaboración Propia Para el análisis de la información recopilada se emplearon enfoques mixtos de tipo descriptivo y cualitativo. En el plano cuantitativo, se aplicaron técnicas estadísticas descriptivas como el cálculo de frecuencias absolutas y porcentajes, con el objetivo de ident ificar patrones de uso de herramientas de IA y su relación con las metodologías ágiles reportadas en los estudios seleccionados. Estos resultados se visualizaron mediante representaciones gráficas , diagramas circulares, de barras y de columna s , lo que perm itió facilitar la interpretación comparativa de los hallazgos. Paralelamente, se realizó un análisis cualitativo de tipo inductivo, basado en la codificación abierta de los hallazgos reportados en cada estudio. Este análisis permitió la identificación de c ategorías emergentes como productividad, calidad del software, satisfacción del equipo, automatización de procesos y reducción del time - to - market. La triangulación entre ambas aproximaciones permitió una comprensión más profunda de las tendencias y benefic ios asociados al uso de IA en entornos ágiles. 3. Resultados 3.1. Análisis descriptivo de los artículos seleccionados
Innova Science Journal I nnova Science Journal | Vol.03 | Núm.0 4 | Oct – Dic | 2025 | www.innovasciencejournal.omeditorial.com 528 Artículo Científico Tabla 2 Resumen de artículos seleccionados N° Autor(es) Año Context o Herramienta IA Metodología Ágil Beneficio principal 1 Kalava, S. 2024 Académi co GitHub Copilot Scrum Productividad 2 Seppälä, E. 2024 Industrial GitHub Copilot Kanban Automatización codificación 3 Monsalves et al. 2024 Industrial AIaaS (Azure, AWS) Scrum, Kanban Agilidad en entregas 4 Upadhyaya, N. 2022 Académi co NLP + LLM Scrum, XP Aceleración de ciclos 5 Armijos et al. 2024 Industrial Sin especificar Scrum Éxito ágil 6 Rendón De La Torre, A. 2024 Académi co Modelos ML Scrum, Kanban Integración IA - ágil 7 Salazar - Cedeño et al. 2024 Académi co Análisis IA Scrum Reducción de defectos 8 Tupsakhare, P. 2022 Industrial ML analytics Scrum Eficiencia analítica 9 Gaete et al. 2021 Académi co Frameworks Ágiles Scrum, Kanban, Lean Flujo optimizado 10 Martínez et al. 2022 Académi co Comparativo Ágil Scrum, Waterfall Beneficio de agilidad 11 Guerrero et al. 2023 Académi co IA en calidad de software Scrum, XP Calidad de software 12 Kumar, S. 2024 Académi co ML y RL Scrum, XP Asistentes IA 13 Hanssen et al. 2023 Industrial Testing asistido Scrum Validación más rápida 14 Jovanović et al. 2023 Industrial LLM integración Scrum Optimización pipelines 15 Alsaqaf et al. 2022 Académi co Herramientas métricas IA Scrum Evaluación de madurez 16 Lee & Hwang 2022 Industrial Modelos predictivos Scrum Planificación precisa 17 Yassine et al. 2023 Industrial NLP Engines XP, Scrum Automatización de requisitos 18 Suto et al. 2022 Académi co Modelos regresivos Scrum Estimaciones optimizadas 19 Limam et al. 2023 Industrial Dashboards IA Scrum Gestión basada en datos 20 Choudhury et al. 2023 Académi co ML Testing XP, Scrum Testing automatizado 21 Arora et al. 2022 Industrial Retrospectivas IA Scrum Feedback inteligente 22 Ayalew et al. 2022 Industrial Sprint planning IA Scrum Reducción time - to - market
Innova Science Journal I nnova Science Journal | Vol.03 | Núm.0 4 | Oct – Dic | 2025 | www.innovasciencejournal.omeditorial.com 529 Artículo Científico 23 Vieira et al. 2023 Industrial ML Big Data ScrumBan Adaptabilidad Big Data 24 Najjar et al. 2022 Industrial Modelos de riesgo IA Scrum, XP Mitigación de riesgos 25 Wang et al. 2022 Académi co Deep Learning XP, Scrum Reducción de fallas 26 De França et al. 2022 Industrial MLOps pipelines Scrum Automatización despliegues 27 Birje et al. 2023 Académi co Integración IA Scrum, Kanban Monitoreo inteligente 28 Oliveira et al. 2023 Industrial Agile+AI frameworks Lean - Agile Aceleración de entregas 29 Dey et al. 2022 Industrial IA en Testing Scrum, XP Mejora cobertura testing 30 Cabrero - Daniel, B. 2023 Académi co IA predictiva ágil Scrum, XP Optimización de ciclos ágiles Nota. Elaboración Propia 3.2. Consideraciones éticas El presente estudio no involucró interacción directa con participantes humanos, ni recopilación de datos personales. Todas las fuentes documentales analizadas fueron de acceso público o pertenecían a bases de datos académicas licenciadas. Se respetaron las normas éticas de citación y atribución de ideas conform e a los principios de integridad académica. 3.3. Limitaciones del estudio Entre las principales limitaciones del estudio se identifican varios aspectos relevantes. En primer lugar, la revisión se restringió a publicaciones en inglés y español, lo que pudo haber dejado fuera investigaciones significativas publicadas en otros idiomas. Asimismo, la muestra analizada incluyó estudios de caso con contextos específicos que, si bien ofrecen un análisis profundo, limitan la generalización de los resultados a otros entornos o sectores industriales. Además, no se realizó una validación empírica directa de los hallazgos en escenarios reales de desarrollo de software, especialmente en América Latina, donde las condiciones tecnológicas y operativas presentan particularid ades que podrían influir en la aplicabilidad de las conclusiones. Finalmente, se reconoce que el rápido avance de las tecnologías de inteligencia artificial podría hacer que algunas herramientas o enfoques identificados queden obsoletos en el corto plazo, por lo que se recomienda que futuras investigaciones realicen revisiones sistemáticas periódicas que integren los avances más recientes del campo. Como resultado de la revisión sistemática, se seleccionaron 30 artículos científicos de 116 relacionados con la aplicación de herramientas de inteligencia artificial (IA) en proyectos de desarrollo de software gestionados mediante metodologías ágiles. De los 30 artículos: El 60% de los estudios corresponde a contextos industriales, es decir, casos reales de imple mentación en empresas tecnológicas. El 40% restante corresponde a investigaciones académicas desarrolladas en universidades o centros de investigación.
Innova Science Journal I nnova Science Journal | Vol.03 | Núm.0 4 | Oct – Dic | 2025 | www.innovasciencejournal.omeditorial.com 530 Artículo Científico El análisis evidenció una diversidad de aplicaciones prácticas de herramientas de IA integradas en disti ntos marcos metodológicos ágiles, asociadas consistentemente con mejoras en la eficiencia del desarrollo y en la calidad de los productos software. 3.4. Herramientas de inteligencia artificial más utilizadas Las herramientas de IA se clasificaron en seis g randes categorías de uso. La distribución porcentual de estas herramientas entre los 30 estudios analizados es la siguiente: Como se observa en la Tabla 3, los generadores de código fueron las herramientas más mencionadas (30%), destacando GitHub Copilot y Amazon CodeWhisperer como asistentes para codificación asistida en tiempo real. Las plataformas de IA como servicio (AIaaS) también mostraron amplio uso, especialmente en contextos de integración continua y análisis predictivo. Tabla 3 Herramientas IA ap licadas en desarrollo ágil Tipo de herramienta IA Porcentaje (%) Generadores de código (Copilot, Tabnine) 30% Plataformas AIaaS (Azure, AWS, GCP) 20% Automatización de testing 17% Motores NLP para análisis de requisitos 13% Modelos predictivos y ML 10% Dashboards IA y asistentes retros 10% Nota. Scrum destaca como la metodología ágil más ampliamente adoptada en los estudios revisados (presente en el 80% de los casos, como se observa en la Tabla 4), debido a su estructura iterativa, basada en ciclos cortos de desarrollo (sprints), y a su enfoque incremental, que facilita la integración progresiva de herramientas inteligentes. Esta metodología permite una planificación adaptativa y una retroalimentación continua, lo cual resulta compatible con las fun cionalidades de la inteligencia artificial, como la predicción automatizada de tareas, el testing incremental y el análisis en tiempo real. Tabla 4 Metodologías ágiles integradas con IA Metodología Ágil Presencia (%) Scrum 80% Extreme Programming (XP) 40% Kanban 30% Lean / Lean - Agile / ScrumBan 20% Nota. En comparación con otras metodologías como Kanban o XP, Scrum ofrece una mayor formalización de roles y artefactos, lo que ha favorecido su adopción como marco base para la incorporación de soluciones IA en entornos industriales y académicos. En el análisis de los 30 estudios revisados, se identificaron una serie de beneficios recurrentes atribuidos a la integración de herramientas de inteligencia artificial en proyectos gestionados con metodologías ágiles. La Figura 3 sintetiza los principales beneficios reportados y su frecuencia de aparición entre los artículos analizados.
Innova Science Journal I nnova Science Journal | Vol.03 | Núm.0 4 | Oct – Dic | 2025 | www.innovasciencejournal.omeditorial.com 531 Artículo Científico Figura 3 Beneficios más reportados en los estudios Nota. Elaboración Propia Como se observa en la Figura 3 , el beneficio más reportado fue la mejora de la productividad (75%), seguido del incremento en la calidad del software (65%) y la reducción del time - to - market (55%). Estos resultados reflejan una tendencia clara hacia el uso de IA como acelerador de procesos críticos dentro del ciclo ágil, especialmente en las fases de codificación, testing y planificación. 3.5. Guía práctica de herramientas de inteligencia artificial en entornos ágiles La implementación de inteligencia artificial (IA) en procesos de desarrollo ágil de software no solo representa una tendencia tecnol ógica, sino también una oportunidad concreta para repensar la eficiencia, la calidad y la adaptabilidad en equipos de ingeniería. Sin embargo, a pesar del interés creciente, muchos equipos aún carecen de referencias claras sobre qué herramientas utilizar, en qué fases del ciclo ágil aplicarlas y qué beneficios esperar. En respuesta a esta necesidad, se ha elaborado la siguiente guía práctica, producto del análisis sistemático de 30 estudios académicos e industriales revisados en esta investigación. El objet ivo es brindar un mapa funcional de las herramientas IA más relevantes, asociadas a fases específicas del desarrollo ágil y vinculadas a los marcos metodológicos en los que han demostrado mayor efectividad. Esta guía está pensada como un insumo para lídere s de proyecto, desarrolladores, docentes e investigadores que buscan integrar IA de forma estratégica, informada y adaptable a las realidades de sus organizaciones. A continuación, se presenta la clasificación estructurada de herramientas IA, organizada po r fases del ciclo de vida ágil en base a la revisión de los anteriores artículos: planificación y estimación, desarrollo, pruebas, documentación y retrospectiva: 1. Fase de planificación y estimación Durante la planificación, los equipos definen el alcance del sprint, identifican las tareas a realizar y estiman los recursos necesarios. En este contexto, se muestra en
Innova Science Journal I nnova Science Journal | Vol.03 | Núm.0 4 | Oct – Dic | 2025 | www.innovasciencejournal.omeditorial.com 532 Artículo Científico la Tabla 5, las herramientas de IA contribuyen significativamente mediante la predicci ón del esfuerzo, la priorización de tareas y la organización automatizada del backlog. Estas soluciones permiten una planificación más objetiva y eficiente, reduciendo la incertidumbre propia de las estimaciones iniciales. Tabla 5 Herramientas IA de plani ficación Herramienta Función principal Metodologías ágiles aplicadas Azure AI Metrics Predicción de esfuerzo y tiempo Scrum, Kanban Google AutoML Tables Análisis predictivo de requisitos XP, Scrum AI Sprint Planner (custom tools) Planificación de backlog y prioridades Scrum, XP Nota. Las herramientas destacadas en esta fase favorecen la toma de decisiones informadas desde el inicio del ciclo de desarrollo. Permiten anticipar cuellos de botella, asignar tiempos más realistas y establecer prioridade s basadas en datos, lo que mejora la precisión de los compromisos asumidos por el equipo. Prompt sugerido para esta fase: "Analiza los datos históricos de esfuerzo y duración de tareas en proyectos ágiles similares y genera una predicción estimada por historia de usuario para el siguiente sprint. Formato deseado: tabla con tarea, esfuerzo estimado (horas) y nivel de confianza." 2. Fase de desarrollo y codificación En esta etapa, los desarrolladores implementan las funcionalidades definidas. Las herramientas de IA que se muestran en la Tabla 6, se integran directamente en los entornos de desarrollo para asistir con sugerencias de código, generación automatizada de funciones y corrección de errores en tiempo real. Esto se traduce en mayor velocidad de desarrollo y menor tasa de defectos . Tabla 6 Herramientas IA para desarrollo y codificación Herramienta Función principal Metodologías ágiles aplicadas GitHub Copilot Generación de código asistida por IA Scrum, XP Tabnine Autocompletado de código en tiempo real Scrum Amazon CodeWhisperer Sugerencias contextuales de código Scrum, Kanban Nota . Durante el desarrollo activo del software, las herramientas de IA se convierten en asistentes directos para los programadores. GitHub Copilot, Tabnine y CodeWhi sperer permiten acelerar la escritura de código mediante sugerencias contextuales, autocompletado inteligente y generación automática de fragmentos. Estas herramientas son especialmente útiles en metodologías como Scrum y XP, donde se prioriza la entrega c ontinua y la calidad del código. Prompt sugerido para la fase de desarrollo y codificación: Dado el siguiente requerimiento funcional y lenguaje de programación especificado, genera una función bien estructurada que cumpla con el principio de responsabilidad única (SRP) y siga buenas prácticas de codificación (nombres claros, comentarios útiles, estructura modular). Incluye pruebas unitarias básicas asociadas a la función.
Innova Science Journal I nnova Science Journal | Vol.03 | Núm.0 4 | Oct – Dic | 2025 | www.innovasciencejournal.omeditorial.com 533 Artículo Científico Este prompt promueve el uso responsable de herramientas IA como copilotos de programación, y al mismo tiempo refuerza estándares de calidad del software. 3. Fase de pruebas (testi ng) Las pruebas aseguran que el software cumpla con los requisitos establecidos. La inteligencia artificial ofrece soporte mediante generación automática de casos de prueba dichas herramientas se mencionan en la Tabla 7, mismas que realizan la detección te mprana de fallos y simulaciones inteligentes, lo que mejora la cobertura de pruebas y reduce errores en producción. Tabla 7 Herramientas IA para realizar testing. Herramienta Función principal Metodologías ágiles aplicadas Diffblue Cover Generación automática de pruebas unitarias XP, Scrum Test.AI Testing funcional con reconocimiento visual XP ML Bug Predictors Identificación automática de errores Scrum, Kanban Nota. El testing automatizado es uno de los campos donde la IA ha mostrado mayor madurez. Herramientas como Diffblue Cover y Test.AI permiten generar pruebas unitarias o funcionales sin intervención humana, reduciendo los errores manuales y mejorando la cobertura de prueb as. Además, modelos predictivos de errores ayudan a anticipar defectos en función de versiones anteriores. Esto resulta crucial en marcos como XP, donde las pruebas son un pilar fundamental. Prompt sugerido para la fase de pruebas: Genera un conjunto de ca sos de prueba automatizados para la siguiente función/módulo, considerando condiciones normales, límites y errores esperados. Utiliza un marco de pruebas compatible (por ejemplo, JUnit, PyTest o similar) y asegúrate de incluir validaciones claras, mensajes interpretables y cobertura de al menos el 80% de las ramas del códi go. Este prompt está diseñado para maximizar la calidad de los entregables y fomentar una cultura de testing robusta dentro de equipos ágiles. 4. Fase de documentación y requisitos Una documentación adecuada facilita el entendimiento y la continuidad del proyecto. Como se presenta en la Tabla 8, la IA puede generar documentación técnica automáticamente y convertir descripciones naturales en historias de usuario, reduciendo la carga admin istrativa y mejorando la trazabilidad de los cambios. Tabla 8 Herramientas IA de documentación y requisitos Herramienta Función principal Metodologías ágiles aplicadas NLP Engines (spaCy, GPT - 3) Análisis semántico de requisitos Scrum, Kanban Mintlify, Doxygen IA Documentación automática de código XP, Scrum Nota. La captura y análisis de requisitos con motores de lenguaje natural (NLP) como spaCy o GPT permite transformar descripciones informales en historias de usuario o tareas procesables. Herramienta s como Mintlify también ayudan a documentar el código de forma automática, lo que es especialmente útil en proyectos con alta rotación de personal o
Innova Science Journal I nnova Science Journal | Vol.03 | Núm.0 4 | Oct – Dic | 2025 | www.innovasciencejournal.omeditorial.com 534 Artículo Científico cambios frecuentes. Esta capacidad se adapta bien a contextos ágiles como Scrum y Kanban, donde los requisi tos cambian de forma dinámica. Prompt sugerido para la fase de documentación y requisitos: A partir del siguiente requerimiento funcional redactado en lenguaje natural, genera: (1) una historia de usuario clara y estructurada con formato 'como [rol], quie ro [acción] para [beneficio]', (2) los criterios de aceptación correspondientes, y (3) un bloque de documentación técnica compatible con herramientas como Mintlify o Doxygen. Asegúrate de emplear lenguaje técnico preciso y mantener coherencia con estándare s ágiles." Este prompt ayuda a transformar insumos informales en artefactos estructurados, mejorando la trazabilidad y la calidad de la comunicación técnica. 5. Fase de retrospectiva y mejora continua En esta fase, los equipos reflexionan sobre el desempeño del sprint y buscan oportunidades de mejora. En la si guiente Tabla 9, las herramientas de IA permiten analizar datos del ciclo anterior y generar sugerencias automatizadas para optimizar procesos, id entificar bloqueos y mejorar la colaboración. Tabla 9 Herramientas IA de mejora continua Herramienta Función principal Metodologías ágiles aplicadas AI Retrospective Bots Análisis de desempeño y recomendaciones Scrum Inteligencia de dashboards (Jira IA, Power BI + AI) Visualización inteligente del avance Kanban, Lean Nota. En esta última fase, la IA contribuye a evaluar el rendimiento del equipo, detectar bloqueos recurrentes y proponer mejoras en los procesos. Herramientas como AI Retrospective Bots y d ashboards inteligentes integrados con plataformas como Jira o Power BI permiten visualizar tendencias, identificar patrones de productividad y fomentar decisiones basadas en datos para iteraciones futuras. Son especialmente útiles en metodologías como Kanb an y Lean, centradas en la mejora continua. Prompt sugerido para la fase de retrospectiva y mejora continua: Analiza los registros del sprint anterior (reuniones, tareas completadas, métricas de velocidad y bloqueos reportados) y genera un resumen de desem peño del equipo con sugerencias específicas de mejora. Clasifica las sugerencias en: procesos, herramientas, colaboración y comunicación. Incluye alertas o patro nes recurrentes si los hubiere. Este prompt está diseñado para fomentar una cultura de mejora continúa basada en evidencia, utilizando IA como herramienta de análisis retrospectivo y soporte a la toma de decisiones del equipo ágil. Observación: Cada instrucción está orientada a facilitar una interacción efectiva con modelos de lenguaje, optimizando la obtención de resultados relevantes, estructurados y alineados con los objetivos ágiles del proyecto.
Innova Science Journal I nnova Science Journal | Vol.03 | Núm.0 4 | Oct – Dic | 2025 | www.innovasciencejournal.omeditorial.com 535 Artículo Científico Además, estos prompts pueden y deben ser adaptados al nivel de madurez digital del equipo, la complejidad del proyecto y las características específica s de las herramientas de inteligencia artificial utilizadas. No se trata de comandos rígidos, sino de guías flexibles que fomentan el pensamiento crítico, la mejora continua y la colaboración entre humanos e inteligencia artificial. Su aplicación progresiva permitirá a los equipos: Desarrollar mejores prácticas de interacción con IA generativa. Fortalecer la autonomía y productividad sin perder control técnico. Consolidar una cultura ágil con apoyo en tecnologías emergentes. Se recomienda revisar, adaptar y versionar estos prompts a lo largo del tiempo, conforme evolucionen los modelos de lenguaje y las necesidades del entorno de desarrollo. A continuación, se muestra el gráfico de aceptación por parte de expertos en Software que validan la propuest a de la guía realizada para el desarrollo de software. Figura 4 Resultados de la encuesta a expertos en Software acerca de la guía desarrollada Nota. El gráfico muestra una alta concentración de respuestas en las categorías “ De acuerdo ” y “ Totalmente de acuerdo ” para todos los ítems evaluados, lo que refleja una percepción positiva y consistente sobre la guía de herramientas de IA en entornos de desarr ollo ágil. Ningún ítem recibió valoraciones de “ Totalmente en desacuerdo ” o “ En desacuerdo ”, lo cual evidencia que no existen observaciones críticas significativas por parte de los evaluadores. Sin embargo, la presencia de algunas respuestas “ Neutral ”, esp ecialmente en ítems relacionados con la implementación práctica y la explicación de los prompts, sugiere oportunidades de mejora específicas. En conjunto, estos resultados respaldan la validez del contenido, su claridad comunicativa y su aplicabilidad gene ral en contextos profesionales, posicionando a la guía como un recurso útil y pertinente .
Innova Science Journal I nnova Science Journal | Vol.03 | Núm.0 4 | Oct – Dic | 2025 | www.innovasciencejournal.omeditorial.com 536 Artículo Científico 4. Discusión Los resultados de esta investigación evidencian el papel cada vez más determinante de la inteligencia artificial (IA) como catalizadora de la agilidad en los procesos de desarrollo de software. En términos generales, los hallazgos muestran que la incorporación de herramientas basadas en IA está transformando las prácticas tradicionales de programación, gestión y aseguramiento de la calidad. En particular , las herramientas de generación automática de código han permitido reducir significativamente los tiempos de implementación de funcionalidades, lo que optimiza los ciclos de entrega y libera a los desarrolladores para concentrarse en tareas de mayor compl ejidad y valor agregado (Kalava, 2024; Seppälä, 2024). Asimismo, el uso de plataformas de Inteligencia Artificial como Servicio (AIaaS) ha favorecido la automatización de procesos clave como el análisis, la integración continua y la detección temprana de e rrores, incrementando la eficiencia operativa de los equipos (Monsalves et al., 2024; Kumar, 2024). En cuanto a la fase de pruebas, la automatización del testing mediante IA ha mejorado la cobertura y precisión de los ensayos, especialmente en metodologías ágiles como Extreme Programming (XP), donde la validación continua resulta esencial para mantener la calidad del producto (Dey et al., 2022). De igual modo, las herramientas de procesamiento del lenguaje natural (NLP) se consolidan como un recurso estratégico en la captura y análisis de requisitos, facilitando la priorización de historias de usuario y la planificación de los backlogs en equipos distribuidos o de rápida iteración (Upadhyaya, 2022; Yassine et al., 2023). No obstante, los resultados también exponen desafíos importantes que deben ser considerados en la adopción de estas tecnologías. Entre ellos destacan la posible dependencia excesiva de herramientas automáticas, lo que podría reducir la capacidad analítica y crítica de los desarrolladores; las dificultades inherentes a la gestión ética y segura de datos sensibles durante los procesos de documentación y planificación; y la necesidad de promover una cap acitación continua que permita interpretar adecuadamente los resultados generados por los modelos de IA. Finalmente, se enfatiza la urgencia de adaptar estas soluciones al contexto latinoamericano, donde una proporción considerable de pequeñas y medianas e mpresas tecnológicas aún no ha incorporado plenamente metodologías ágiles ni herramientas inteligentes en sus flujos de trabajo. En este sentido, la transferencia tecnológica, la formación profesional y la creación de marcos regulatorios adecuados serán fa ctores determinantes para garantizar una adopción sostenible, ética y contextualizada de la inteligencia artificial en el ecosistema del desarrollo de software regional. 5. Conclusiones El presente estudio permitió sistematizar las principales herramientas de inteligencia artificial aplicadas en entornos de desarrollo ágil, identificando sus beneficios, niveles de adopción y fases del ciclo de vida en las que generan mayor impacto. La evidencia recopilada muestra que la IA ha dejado de ser una tecnología em ergente para convertirse en un componente estratégico dentro de prácticas ágiles como Scrum y XP,
Innova Science Journal I nnova Science Journal | Vol.03 | Núm.0 4 | Oct – Dic | 2025 | www.innovasciencejournal.omeditorial.com 537 Artículo Científico favoreciendo la automatización de tareas críticas, la optimización del tiempo de entrega y la mejora continua del software. Una de las principales contribucio nes de esta investigación es la elaboración de una guía funcional que clasifica herramientas IA según su aplicación en fases específicas del desarrollo ágil. Esta guía constituye un recurso útil para equipos de desarrollo, líderes de proyecto e institucion es educativas que buscan integrar IA de forma práctica, informada y alineada con marcos metodológicos consolidados. Sin embargo, su implementación requiere superar desafíos como la capacitación constante del talento humano, la gestión responsable de datos sensibles y la adaptación contextual a las realidades de organizaciones latinoamericanas, donde la transformación digital aún se encuentra en proceso de consolidación. Finalmente, se plantea como línea futura de investigación la validación empírica de esta guía en entornos reales, mediante estudios de caso, pilotos controlados o investigaciones participativas que permitan evaluar su efectividad en términos de productividad, calidad del software y madurez organizacional. Referencias Bibliográficas lsaqaf , W., et al. (2022). AI metrics and measurement in agile transformations. International Journal of Agile Systems and Management, 15(1), 22 – 36. https://doi.org/10.1504/IJASM.2022.10046912 Armijos Ortega, L. M., Vélez Macas, C. A., & Lojan Cueva, E. L. (2024). Estudio de la adopción de metodologías ágiles en proyectos de desarrollo de software en la Región 7 del Ecuador. Revista Espacios, 45(4), 18 – 27. Arora, A., et al. (2022). AI - supported Scrum re trospectives in distributed teams. Procedia Computer Science, 203, 125 – 132. https://doi.org/ 10.1016 / j.procs. 2022.03.015 Ayalew, A., et al. (2022). Adoption of AI in agile development: An industry survey. Journal of Systems and Software, 187, 111237. https://doi.org/10.1016/j.jss.2022.111237 Birje, M. N., et al. (2023). AI - driven monitoring and optimization in agile projects. Software: Prac tice and Experience, 53(7), 1234 – 1251. https://doi.org/10.1002/spe.3085 Cabrero - Daniel, B. (2023). AI for agile development: A meta - analysis [Tesis de maestría, Universidad de Gothenburg]. Choudhury, A., et al. (2023). Machine learning in agile testing frameworks. International Journal of Software Engineering and Knowledge Engineering, 33(5), 405 – 420. https://doi.org/10.1142/S0218194023500216 De Fran ça, B., et al. (2022). MLOps practices in agile software teams. Journal of Systems Architecture, 127, 102452. https://doi.org/10.1016/j.sysarc.2022.102452 Dey, R., Khan, S. A., & Mollah, M. B. ( 2022). Improving agile testing with artificial intelligence. Journal of Software Engineering Research and Development, 10(2), 45 – 61.
Innova Science Journal I nnova Science Journal | Vol.03 | Núm.0 4 | Oct – Dic | 2025 | www.innovasciencejournal.omeditorial.com 538 Artículo Científico Gaete, J., Villarroel, R., Figueroa, I., Cornide - Reyes, H., & Muñoz, R. (2021). Enfoque de aplicación ágil con Scrum, Lean y Kanban. Ingeniare. Revista Chilena de Ingeniería, 29(1), 141 – 157. Guerrero, R., et al. (2023). La inteligencia artificial en la calidad del software: Una revisión sistemática de la literatura. UNESUM - Ciencias, 4(1), 75 – 90. Hanssen, G. K., Mikalsen, M., & Haugset, B. (2023). Agile and AI: Bridging engineering practices with intelligent automation. IEEE Software, 40(2), 28 – 35. https://doi.org/10.1109/MS.2023.3242531 Jovanović, M., et al. (2023). Apply ing LLMs in agile development projects. Proceedings of the 2023 International Conference on Agile Software Engineering, 145 – 152. Kalava, S. (2024). AI - powered development: How artificial intelligence is shaping software engineering. GitHub Pages. https://kalava.dev/aipowered - dev Kumar, S. (2024). Artificial intelligence in software engineering: A systematic exploration of AI - driven development. Springer. Lee, H., & Hwang, J. (2022). Predictive analytics for agile project management. Journal of Project Management, 7(3), 33 – 45. https://doi.org/ 10.5267 / j.jpm. 2022.2.005 Limam , M., et al. (2023). AI - driven product management dashboards for agile teams. International Journal of Information Management, 73, 102529. https://doi.org/10.1016/j.ijinfomgt.2022.102529 Mart ínez, J., et al. (2022). Caracterización y comparación de metodologías ágiles y tradicionales en desarrollo de software. Revista Iberoamericana de Tecnología, 28(2), 95 – 110. Monsalves, D., Olivares, P., Riquelme, F., & Cornide - Reyes, H. (2024). Inteligenci a artificial como servicio. Ingeniare. Revista Chilena de Ingeniería, 32(1), 11 – 20. Najjar, N., et al. (2022). Agile risk management augmented by artificial intelligence. International Journal of Risk and Contingency Management, 11(1), 21 – 35. https://doi.org/10.4018/IJRCM.2022010103 Oliveira, D., et al. (2023). Lean - agile methods for AI project management frameworks. Journal of Modern Project Management, 11(3), 22 – 34. Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffman, T. C., Mulrow, C. D., ... & Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj .n71 Rendón De La Torre, A. (2024). Metodologías ágiles en la era de la inteligencia artificial. Prisma, 7(1), 44 – 53. Salazar - Cedeño, A. N., Demera, A. E., & Santana, G. A. (2024). Fundamentación teórica de la inteligencia artificial en el desarrollo de a plicaciones móviles. TESLA Revista Científica, 3(2), e223.
Innova Science Journal I nnova Science Journal | Vol.03 | Núm.0 4 | Oct – Dic | 2025 | www.innovasciencejournal.omeditorial.com 539 Artículo Científico Seppälä, E. (2024). Using AI tools in software development: A software engineering experiment at Hansen Technologies Finland [Tesis de maestría, University of Helsinki]. Suto, M., et al. (2022). Ag ile project estimation with machine learning techniques. International Journal of Project Management, 40(6), 874 – 882. https://doi.org/10.1016/j.ijproman.2022.05.001 Tupsakhare, P. (2022). Enha ncing agile methodologies with artificial intelligence: Driving efficiency and innovation. European Journal of Advances in Engineering and Technology, 9(10), 66 – 71. Upadhyaya, N. (2022). The role of artificial intelligence in software development: A litera ture review. GlobalLogic Inc. Vieira, M., et al. (2023). Agile big data projects enhanced by AI toolchains. Journal of Big Data, 10(1), 1 – 20. https://doi.org/ 10.1186 / s 40537 - 023 - 00756 - w Yassine, A., El - Sayed, M., & Fahmy, H. (2023). AI - based requirement engineering for agile teams. In Proceedings of the International Conference on Software Engineering and Knowledge Engineering (SEKE 2023) (pp. 45 – 53). Knowledge Systems Institute. AGRADECIMIENTOS Agradezco profundamente a mi esposa Janeth , cuyo amor, paciencia y constante apoyo han sido fundamentales en cada etapa de este proceso. A mis hijos, Alisson, Ariadne e Iker, por ser mi fuente inagotable de inspiración y alegría. Cada logro es también suy o. CONFLICTO DE INTERESES “ Los autores declaran no tener ningún conflicto de intereses ”.