# ia-sdlc-cutting-hype-aijournal-2025-09-15

## Veille

IA en el ciclo de vida del desarrollo de software - Calidad frente a velocidad - Aseguramiento sistemático de la calidad - AI Journal

## Titre Article

AI in the SDLC: Cutting Through the Hype

## Date

2025-09-15

## URL

https://aijourn.com/ai-in-the-sdlc-cutting-through-the-hype/

## Keywords

IA en el SDLC, Ciclo de Vida del Desarrollo de Software, Aseguramiento de la Calidad, Generación de Código, Vulnerabilidades de Seguridad, Deuda Técnica, Pruebas, Revisión de Código

## Authors

Edgar Kussberg, AIJ Guest Post

## Ton

**Perfil:** Profesional-Crítico | Publicación invitada analítica | Analítico-Prescriptivo | Intermedio-Experto

Kussberg adopta el tono de un defensor del aseguramiento de la calidad, moderando el entusiasmo por la IA con una cautela rigurosa. El título "Cutting Through the Hype" señala una postura escéptica. La estructura equilibrada — promesas → desafíos → estrategias — revela una evaluación medida. Las citas de investigaciones (el estudio de Stanford University sobre desarrolladores que introducen vulnerabilidades) fundamentan empíricamente las advertencias. El lenguaje técnico (etapas del SDLC, deuda técnica, vulnerabilidades de seguridad) se dirige a líderes de ingeniería. Las prescripciones sistemáticas (pruebas unitarias obligatorias, herramientas de control de calidad separadas) proporcionan medidas de mitigación aplicables. El tono serio y profesional evita tanto el cinismo desdeñoso como el entusiasmo ingenuo. Típico de las columnas de invitados de revisión tecnológica que introducen una perspectiva contraria centrada en la calidad frente al optimismo predominante sobre la IA.

## Pense-betes

- La IA transforma el SDLC, pero la velocidad a corto plazo puede sacrificar el valor a largo plazo
- Evolución: coescritura de código → generación de funcionalidades completas por agentes
- Correlación entre la adopción de IA y la disminución de la estabilidad de las entregas
- Los desarrolladores aceptan sugerencias de IA sin revisión exhaustiva → ruptura de la propiedad del código
- Límites: complejidad del código, complejidad cognitiva, duplicación de código
- Documentación exhaustiva esencial para la alineación arquitectónica y el contexto de la IA
- Priorizar la velocidad perjudica la calidad general: errores sutiles, ineficiencias, problemas de mantenibilidad
- Eliminar el código no utilizado es crítico (vulnerabilidades de seguridad)
- Modelos de IA entrenados con código existente: perpetúan/amplifican sesgos y vulnerabilidades
- Estudio de Stanford: los desarrolladores con asistentes de IA son más propensos a introducir vulnerabilidades y a considerarlas seguras
- Dependencia excesiva de la IA → degradación de las habilidades humanas
- Estrategias: pruebas unitarias obligatorias, revisiones de código rigurosas, herramientas especializadas, verificación de bibliotecas de terceros
- Separar la generación de código y el aseguramiento de calidad utilizando diferentes herramientas de IA

## RésuméDe400mots

Edgar Kussberg explora cómo la Inteligencia Artificial está transformando radicalmente el Ciclo de Vida del Desarrollo de Software (SDLC), prometiendo ganancias de eficiencia y productividad comparables a las de la revolución industrial. Sin embargo, es crucial distinguir el hype de la realidad, ya que la mayoría de los desarrolladores trabajan sobre bases de código complejas y existentes, donde los errores pueden tener consecuencias significativas. La pregunta no es si las herramientas de IA funcionan, sino si la velocidad a corto plazo se produce a expensas del valor a largo plazo.

La IA avanza a través de las diversas etapas del SDLC, pasando de la coescritura de código a la generación de funcionalidades completas por parte de agentes de codificación. Esta evolución hace imperativo garantizar que el código generado por IA cumpla con altos estándares de calidad y seguridad desde las primeras etapas del proceso de desarrollo. La creciente adopción de la IA, incluidos los asistentes de codificación y los agentes autónomos, ha mostrado una correlación con una disminución de la estabilidad de las entregas, lo que subraya la necesidad de barreras de protección para evitar comprometer la estabilidad, la seguridad o el rendimiento del código.

A pesar del potencial de una mayor productividad, la IA introduce desafíos de gestión. Los desarrolladores se sienten más productivos, pero a menudo aceptan las sugerencias de la IA sin una revisión exhaustiva, lo que puede provocar una ruptura en la propiedad del código y en su mantenibilidad futura. Para abordar esto, los equipos deben establecer límites claros sobre la complejidad del código, minimizar la complejidad cognitiva y mantener estándares estrictos respecto a la duplicación de código. Una documentación exhaustiva también es esencial para que el código generado por IA se alinee con la arquitectura general y para proporcionar contexto relevante a los sistemas de IA.

Priorizar la velocidad puede perjudicar la calidad general del código. La IA puede producir código que funciona a corto plazo, pero que introduce errores sutiles, ineficiencias o problemas de mantenibilidad que se acumulan con el tiempo. Eliminar el código no utilizado es un hábito crítico, ya que las herramientas de IA pueden generar referencias y dependencias superfluas, creando vulnerabilidades de seguridad.

Además, los modelos de IA, a menudo entrenados con bases de código open source existentes, pueden perpetuar o amplificar sesgos y vulnerabilidades. Un estudio de Stanford University demostró que los desarrolladores que utilizaban asistentes de IA eran más propensos a introducir vulnerabilidades de seguridad y a considerarlas seguras. Una dependencia excesiva de la IA también puede conducir a una degradación de las habilidades humanas.

Para garantizar la calidad, son necesarias estrategias de pruebas robustas, incluidas pruebas unitarias obligatorias independientes del proceso de generación de código. Las revisiones de código rigurosas no son negociables, y se necesitan herramientas especializadas para identificar y clasificar errores complejos, vulnerabilidades de seguridad y problemas de licencias de bibliotecas de terceros.

En conclusión, la IA es una herramienta poderosa que amplifica las capacidades humanas, pero no reemplaza el juicio y la responsabilidad humanos. Es esencial separar la generación de código de su aseguramiento de calidad utilizando diferentes herramientas de IA para evitar sesgos.

## GrapheDeConnaissance

- Edgar Kussberg —publie→ AI in the SDLC: Cutting Through the Hype (DOCUMENT, 0.98)
- Edgar Kussberg —travaille_chez→ Sonar (ORGANISATION, 0.97)
- IA —s_applique_à→ SDLC (METHODOLOGIE, 0.97)
- adoption —réduit→ stabilité livraison (CONCEPT, 0.95)
- rapport DORA 2024 —affirme_que→ une augmentation de 25% de l'adoption IA corrèle avec une baisse de 7,2% de la stabilité de livraison (AFFIRMATION, 0.95)
- assistants de code —réduit→ sécurité du code produit (CONCEPT, 0.93)
- Stanford University —publie→ étude sur assistants IA et vulnérabilités sécurité (DOCUMENT, 0.95)
- dépendance excessive —réduit→ compétences développeurs (CONCEPT, 0.9)
- code inutilisé —permet→ vulnérabilités sécurité (CONCEPT, 0.88)
- revue de code rigoureuse —réduit→ dette technique (CONCEPT, 0.85)
- Edgar Kussberg —recommande→ séparer la génération de code IA de l'assurance qualité IA via des outils différents (AFFIRMATION, 0.92)
- modèles génératifs —est_basé_sur→ bases de code open-source (CONCEPT, 0.9)
- biais et vulnérabilités —observé_dans→ modèles génératifs (TECHNOLOGIE, 0.87)
- tests unitaires obligatoires —améliore→ qualité du code généré (CONCEPT, 0.85)

---
Canonical: https://www.thekb.eu/es/fiches/ia-sdlc-cutting-hype-aijournal-2025-09-15/