Percepción del uso de herramientas de generación de código por IA (vibe coding) y plataformas low-code en la deuda técnica y la arquitectura de software en estudiantes avanzados de programas universitarios relacionados con desarrollo de software en Cúcuta
Palabras clave:
Arquitectura De Software, Deuda Técnica, Inteligencia Artificial Generativa, Low-Code, Vibe CodingResumen
El crecimiento acelerado de las herramientas de inteligencia artificial generativa aplicadas al desarrollo de software y el auge de las plataformas low-code han transformado las dinámicas de programación, documentación y construcción de soluciones digitales en entornos académicos y profesionales. El presente artículo tiene como objetivo caracterizar la percepción de estudiantes avanzados de programas universitarios relacionados con desarrollo de software en Cúcuta acerca del uso de herramientas de generación de código por IA (vibe coding) y plataformas low-code, y examinar su relación con la deuda técnica y las decisiones de arquitectura de software durante el año 2026. La investigación adopta un enfoque mixto con alcance descriptivo y diseño no experimental de corte transversal. Para la recolección de información se plantea la aplicación de encuestas estructuradas, entrevistas semiestructuradas y revisión documental de evidencias técnicas autorizadas. Se espera identificar las herramientas más utilizadas, las ventajas percibidas en productividad y aprendizaje, así como los riesgos relacionados con mantenibilidad, comprensión del código, dependencia tecnológica, integración de componentes y sostenibilidad arquitectónica. Los hallazgos permitirán formular criterios orientadores para una adopción responsable de herramientas de IA generativa y plataformas low-code en contextos universitarios vinculados con ingeniería de software.
Referencias
Alamin, M. A. A., Uddin, G., Malakar, S., Afroz, S., Haider, T., & Iqbal, A. (2023). Developer discussion topics on the adoption and barriers of low code software development platforms. Empirical Software Engineering, 28, Article 4. https://doi.org/10.1007/s10664-022-10244-0
Alfonso, I., Conrardy, A., Sulejmani, A., Nirumand, A., Ul Haq, F., Gomez-Vazquez, M., Sottet, J.-S., & Cabot, J. (2024). Building BESSER: An open-source low-code platform. In H. van der Aa, D. Bork, R. Schmidt, & A. Sturm (Eds.), Enterprise, business-process and information systems modeling: BPMDS and EMMSAD 2024 (Lecture Notes in Business Information Processing, Vol. 511, pp. 203–212). Springer. https://doi.org/10.1007/978-3-031-61007-3_16
Butler, J., Suh, J., Haniyur, S., & Hadley, C. (2025). Dear diary: A randomized controlled trial of generative AI coding tools in the workplace. In 2025 IEEE/ACM 47th International Conference on Software Engineering: Software Engineering in Practice (ICSE-SEIP) (pp. 319–329). IEEE. https://doi.org/10.1109/ICSE-SEIP66354.2025.00034
Cruz Trochez, A. C., Bastidas Díaz, B. A., & Pardo Calvache, C. J. (2026). La gestión de la deuda de procesos en equipos de desarrollo de software: Una revisión sistemática de la literatura. Prospectiva, 24(1), 1–14. https://doi.org/10.15665/rp.v24i1.3741
Departamento Nacional de Planeación. (2025). Política nacional de inteligencia artificial (Documento CONPES 4144). https://colaboracion.dnp.gov.co/CDT/Conpes/Econ%C3%B3micos/4144.pdf
Estevez Gonzalez, J. C. (2024). Prototipo de aplicación móvil utilizando una herramienta de desarrollo multiplataforma para trabajadores de servicios independientes [Trabajo de grado de pregrado, Universidad Autónoma de Bucaramanga]. Repositorio Institucional UNAB. http://hdl.handle.net/20.500.12749/22618
Käss, S., Strahringer, S., & Westner, M. (2022). Drivers and inhibitors of low code development platform adoption. In 2022 IEEE 24th Conference on Business Informatics (CBI) (pp. 196–205). IEEE. https://doi.org/10.1109/CBI54897.2022.00028
Martínez Ramírez, A. F., & Cruz Fajardo, J. C. (2019). Prototipo de software mediante plataformas low-code para automatizar el proceso de recepción y emisión de facturación electrónica: Caso de estudio Redsis S.A.S. [Trabajo de grado de especialización, Universidad Distrital Francisco José de Caldas]. Repositorio Institucional de la Universidad Distrital Francisco José de Caldas. http://hdl.handle.net/11349/22864
Meske, C., Hermanns, T., von der Weiden, E., Loser, K.-U., & Berger, T. (2025). Vibe coding as a reconfiguration of intent mediation in software development: Definition, implications, and research agenda. IEEE Access, 13, 213242–213259. https://doi.org/10.1109/ACCESS.2025.3645466
Pérez, B. R. (2023). Deuda técnica en arquitectura: Una estrategia de identificación. Ingeniería y Competitividad, 25(3), e-21413071. https://doi.org/10.25100/iyc.v25i3.13071
Pérez-Gutiérrez, B. R., Castellanos, C., & Correal, D. (2020). A computational model of a natural language processing system for architectural technical debt management. Journal of Physics: Conference Series, 1587(1), Article 012020. https://doi.org/10.1088/1742-6596/1587/1/012020
Pérez-Gutiérrez, B. R., Correal, D. E., & Vera-Rivera, F. H. (2022). Un enfoque de machine learning para apoyar la identificación de la deuda técnica en arquitectura. Mundo FESC, 12(23), 126–140. https://doi.org/10.61799/2216-0388.1198
Pinto, G., de Souza, C., Rocha, T., Steinmacher, I., de Souza, A., & Monteiro, E. (2024). Developer experiences with a contextualized AI coding assistant: Usability, expectations, and outcomes. In Proceedings of the 2024 IEEE/ACM 3rd International Conference on AI Engineering—Software Engineering for AI (CAIN ’24) (pp. 81–91). Association for Computing Machinery. https://doi.org/10.1145/3644815.3644949
Ray, P. P. (2025). A review on vibe coding: Fundamentals, state-of-the-art, challenges and future directions [Preprint]. TechRxiv. https://doi.org/10.36227/techrxiv.174681482.27435614/v1
Rios, N., de Mendonça Neto, M. G., & Spínola, R. O. (2018). A tertiary study on technical debt: Types, management strategies, research trends, and base information for practitioners. Information and Software Technology, 102, 117–145. https://doi.org/10.1016/j.infsof.2018.05.010
Vaithilingam, P., Zhang, T., & Glassman, E. L. (2022). Expectation vs. experience: Evaluating the usability of code generation tools powered by large language models. In Extended abstracts of the 2022 CHI Conference on Human Factors in Computing Systems (pp. 1–7). Association for Computing Machinery. https://doi.org/10.1145/3491101.3519665
Publicado
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
