Calidad de software en la era de la lA: tendencias, estándares y prácticas emergentes

Resumen

El presente artículo tuvo como objetivo analizar las principales tendencias, estándares y prácticas emergentes de calidad del software en el contexto de la inteligencia artificial (IA) durante el periodo 2020–2025, marcado por la consolidación de sistemas basados en aprendizaje automático (Machine Learning, ML) y, más recientemente, por la expansión de los modelos fundacionales y de lenguaje (LLM). Estas tecnologías han transformado los supuestos clásicos de la ingeniería del software, introduciendo nuevos desafíos relacionados con la incertidumbre, la explicabilidad y la gestión de riesgos socio-técnicos.

La metodología utilizada consistió en una revisión documental sistemática de literatura científica y de experiencias industriales relevantes publicadas durante el periodo de análisis. Entre los resultados más destacados se identificaron: (1) la necesidad de ampliar los modelos de calidad tradicionales para integrar dimensiones éticas y de riesgo técnico; (2) el fortalecimiento de las prácticas de prueba, despliegue y monitoreo en entornos MLOps/LLMOps,

075

con especial énfasis en la trazabilidad y la observabilidad de los modelos; y (3) el avance de la automatización del aseguramiento de la calidad mediante el uso de IA generativa en los procesos de validación, documentación y mantenimiento del software.

Con base en estos hallazgos, se propone una guía práctica (checklist) que orienta a las organizaciones a alinear sus prácticas de ingeniería y aseguramiento de calidad con los marcos normativos y regulaciones recientes aplicables al desarrollo responsable de sistemas de inteligencia artificial.

En conclusión, la calidad del software en la era de la IA requiere un enfoque integral, que combine marcos normativos sólidos, metodologías de ingeniería basadas en riesgo y una cultura de gobernanza responsable, garantizando la confiabilidad, transparencia y sostenibilidad de los sistemas inteligentes.