Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

Esta obra est´a bajo una Licencia

Creative Commons Atribuci´on

4.0 Internacional.

Tipo de art´ıculo: Art´ıculos originales

Tem´atica: Inteligencia Artiﬁcial

Recibido: 20/12/2024 |Aceptado: 17/01/2025 |Publicado: 30/03/2025

Identiﬁcadores persistentes:

DOI: 10.48168/innosoft.s23.a259

ARK: ark:/42411/s23/a259

PURL: 42411/s23/a259

La IA Generativa en el Desarrollo de Software: Impacto en

Diversas Industrias

Generative AI in Software Development: Impact on Various

Industries

Guliana Lulichac Ramos1[0009- 0006- 5503- 7451]*, Fernando Pantoja Payajo2[0009-0008-0252-607X],

Marcelino Torres Villanueva3[0000-0002-9797-1510]

1Universidad Nacional de Trujillo, Trujillo, Per´u. t033300220@unitru.edu.pe

2Universidad Nacional de Trujillo, Trujillo, Per´u. t033300220@unitru.edu.pe

3Universidad Nacional de Trujillo, Trujillo, Per´u. mtorres@unitru.edu.pe

∗Autor para correspondencia: t033300220@unitru.edu.pe

Resumen

El desarrollo de software experiment´o una transformaci´on signiﬁcativa mediante la integraci´on de tecnolog´ıas

de inteligencia artiﬁcial (IA) generativa. La investigaci´on se propuso evaluar la inﬂuencia de estas tecnolog´ıas

en diferentes industrias y sus implicaciones en los procesos de desarrollo mediante un an´alisis sistem´atico de

su impacto e implementaci´on en diversos sectores industriales. Se implement´o la metodolog´ıa PRISMA para

el an´alisis de publicaciones entre 2022 y 2024 en las bases de datos Scopus y SciELO, empleando criterios

espec´ıﬁcos de inclusi´on y t´erminos clave relacionados con aplicaciones de IA. El estudio revel´o una adopci´on

signiﬁcativa en las industrias farmac´eutica, alimentaria, salud dental y maxilofacial, mar´ıtima, miner´ıa, tele-

comunicaciones, salud mental y educaci´on m´edica, registr´andose un incremento sustancial en la producci´on

cient´ıﬁca, que evolucion´o de 40 documentos en 2022 a 54 en 2024. El an´alisis geogr´aﬁco mostr´o un liderazgo de

China en publicaciones Scopus, mientras que Brasil destac´o su investigaci´on en SciELO. Los hallazgos demos-

traron que estas tecnolog´ıas optimizaron la eﬁciencia en la generaci´on y depuraci´on de c´odigo, democratizando

el desarrollo de software y facilitando la creaci´on de soluciones efectivas sin requerir experiencia t´ecnica avan-

zada. Se concluy´o que, no obstante, los desaf´ıos en precisi´on e implicaciones ´eticas, las herramientas basadas

en IA generativa se consolidaron como elementos fundamentales para la competitividad organizacional en el

entorno tecnol´ogico contempor´aneo.

Palabras claves: Inteligencia artiﬁcial generativa, aprendizaje autom´atico, modelo generativo, red neuronal,

industria.

Abstract

Software development underwent a signiﬁcant transformation through the integration of generative artiﬁcial

intelligence (AI) technologies. The research set out to evaluate the inﬂuence of these technologies in diﬀerent

industries and their implications on development processes through a systematic analysis of their impact and

implementation in various industrial sectors. The PRISMA methodology was implemented for the analysis

of publications between 2022 and 2024 in the Scopus and SciELO databases, using speciﬁc inclusion criteria

and key terms related to AI applications. The study revealed signiﬁcant adoption in the pharmaceutical, food,

dental and maxillofacial health, maritime, mining, telecommunications, mental health and medical education

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

industries, registering a substantial increase in scientiﬁc production, which evolved from 40 documents in 2022

to 54 in 2024. The geographical analysis showed a leadership of China in Scopus publications, while Brazil

highlighted its research in SciELO. The ﬁndings showed that these technologies optimized the eﬃciency in

the generation and debugging of code, democratizing software development and facilitating the creation of

eﬀective solutions without requiring advanced technical expertise. It was concluded that, despite the challenges

in accuracy and ethical implications, tools based on generative AI were consolidated as fundamental elements

for organizational competitiveness in the contemporary technological environment.

Keywords: Generative artiﬁcial intelligence, machine learning, generative model, neural network, industry.

Introducci´on

Las herramientas de IA han transformado signiﬁcativamente la manera en que los desarrolladores escriben,

optimizan y mantienen c´odigo, promoviendo una mayor productividad y eﬁciencia. La llegada de modelos ge-

nerativos, como OpenAI Codex, ha generado inter´es por su capacidad para interpretar indicaciones en lenguaje

natural y traducirlas en fragmentos de c´odigo, funciones e incluso programas completos. Esta funcionalidad ha

demostrado ser valiosa para acelerar los ciclos de desarrollo y reducir la carga cognitiva de los programadores.

Entre las herramientas generativas m´as destacadas se encuentran ChatGPT y Google Gemini, que son capaces

de trabajar en m´ultiples lenguajes de programaci´on, tales como Python, JavaScript y C++, al igual que en

idiomas naturales como el ingl´es, espa˜nol o ´arabe. Estas herramientas est´an democratizando el acceso a la

programaci´on al permitir que personas con conocimientos limitados en codiﬁcaci´on puedan crear aplicaciones,

y al proporcionar a programadores experimentados opciones eﬁcientes para corregir errores o sugerir optimi-

zaciones. La popularidad de los generadores de c´odigo basados en IA sigue en aumento. Herramientas como

GitHub Copilot est´an revolucionando el proceso de programaci´on al automatizar tareas y sugerir fragmentos

de c´odigo, lo cual mejora tanto la eﬁciencia como la precisi´on en el desarrollo de software. Esto permite a los

desarrolladores concentrarse en los aspectos creativos de la programaci´on. Seg´un un estudio realizado por [1],

el 37 % de las organizaciones ya hab´ıa adoptado tecnolog´ıa de IA, lo que representa un aumento del 270 % en

comparaci´on con el 10 % registrado cuatro a˜nos antes. Adem´as, se proyecta que el mercado global de software

basado en IA alcance ingresos de 126 mil millones de d´olares para 2025 [2]. Este crecimiento subraya la rele-

vancia de las herramientas de generaci´on de c´odigo impulsadas por IA para individuos y empresas que buscan

mantenerse competitivos en el futuro.

Las herramientas generativas de inteligencia artiﬁcial (IA) para la generaci´on de c´odigo profesional, como

GitHub Copilot, Amazon CodeWhisperer y ChatGPT, presentan diferencias en calidad del c´odigo, manteni-

bilidad y escalabilidad. En [3] se evidenci´o que ChatGPT gener´o c´odigo correcto en el 65.2 % de los casos,

superando a GitHub Copilot con un 46.3 % y a Amazon CodeWhisperer con un 31.1 %. En cuanto a manteni-

bilidad, la deuda t´ecnica promedio fue m´as baja en Amazon CodeWhisperer, con 5.6 minutos, en comparaci´on

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

con 8.9 minutos para ChatGPT y 9.1 minutos para GitHub Copilot. A pesar de estas diferencias, todas las

herramientas enfrentan desaf´ıos signiﬁcativos relacionados con la precisi´on, la comprensi´on del contexto y

las implicaciones ´eticas, lo que exige una revisi´on exhaustiva del c´odigo generado por IA antes de su imple-

mentaci´on [4]. Asimismo, aunque otras herramientas, como Bing, han mostrado un rendimiento ligeramente

superior en ciertas m´etricas, ninguna ha demostrado ser claramente superior. Esto sugiere que las tecnolog´ıas

generativas de IA a´un requieren mejoras sustanciales para alcanzar su m´aximo potencial en el desarrollo de

software [5].

En [6] se analiza el papel crucial de la inteligencia artiﬁcial generativa (GenAI) en la transformaci´on de las

pr´acticas de desarrollo de software, con un enfoque particular en la Generaci´on de C´odigo Automatizado

(ACG). Se destacan diversas metodolog´ıas y algoritmos de IA empleados en ACG, cuya variedad permite el

dise˜no de soluciones personalizadas para abordar los desaf´ıos espec´ıﬁcos que surgen a lo largo del ciclo de vida

del desarrollo de software.

Seg´un [7], herramientas como GitHub Copilot, Tabnine, Replit Ghostwriter y Amazon CodeWhisperer han

demostrado ser eﬁcaces para tareas de codiﬁcaci´on, depuraci´on y optimizaci´on. No obstante, el estudio tambi´en

se˜nala limitaciones signiﬁcativas, como la incapacidad de estas herramientas para resolver escenarios complejos

de manera aut´onoma. Este desaf´ıo plantea importantes implicaciones ´eticas, particularmente en la dependencia

de la IA para tareas cr´ıticas de codiﬁcaci´on, como la necesidad de investigaci´on para mejorar los ﬁltros de

error y la personalizaci´on. En este trabajo se tiene como objetivo analizar el impacto de las herramientas de

generaci´on de c´odigo basadas en inteligencia artiﬁcial (IA) en el desarrollo de software, enfoc´andose en su rol

transformador como asistentes de codiﬁcaci´on. Adem´as, se busca evaluar el crecimiento proyectado de estas

tecnolog´ıas, cuya adopci´on se prev´e que impulse el mercado global de 22,580 millones de d´olares en 2024 a

138,360 millones de d´olares en 2032, seg´un [8]. Este an´alisis se orienta a comprender c´omo estas herramientas

est´an revolucionando los procesos de creaci´on y mantenimiento de software, al tiempo que responden a la

creciente complejidad de los proyectos y a la necesidad de mayor eﬁciencia en los ciclos de desarrollo.

Materiales y m´etodos o Metodolog´ıa computacional

Se llev´o a cabo una revisi´on sistem´atica de la literatura utilizando como referencia la metodolog´ıa PRIS-

MA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses). El prop´osito de esta revisi´on fue

analizar el impacto de las herramientas de inteligencia artiﬁcial generativa en el desarrollo de software, espec´ıﬁ-

camente en t´erminos de modelos de IA generativa usados y sectores del desarrollo de software involucrados.

¿Qu´e modelos de inteligencia artiﬁcial se est´an implementando en los procesos de desarrollo de software a

trav´es de diferentes industrias?

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

¿Cu´ales son los principales sectores industriales que est´an adoptando soluciones de software basadas en IA

generativa?

¿Qu´e impacto cuantitativo y cualitativo est´a teniendo la implementaci´on de IA en el desarrollo de software

para diferentes sectores industriales?

La b´usqueda se realiz´o utilizando los motores de b´usqueda SciELO y Scopus, seleccionados por su relevancia

en el ´ambito acad´emico y cient´ıﬁco para responder a las preguntas de investigaci´on usando la combinaci´on

de t´erminos clave en ingl´es: applications of artiﬁcial intelligence AND industries; applications AND of AND

artiﬁcial AND intelligence AND in AND industry y por ´ultimo applications AND of AND artiﬁcial AND

intelligence.

Tras realizar la b´usqueda por t´erminos, se aplic´o un ﬁltro adicional teniendo en cuenta los siguientes criterios

de inclusi´on:

1. Dentro del rango de 2022-2024 y solo 2024 en Scopus

2. Tipo de documento: Art´ıculo

3. Idiomas: espa˜nol, ingl´es, portugu´es (solo SciELO)

4. Acceso: Art´ıculos de acceso abierto y completos

5. Relevancia tem´atica: Directamente relacionados con IA generativa en desarrollo de software de dife-

rentes industrias.

De igual manera, se establecieron los criterios de exclusi´on para descartar art´ıculos que:

1. No abordaran directamente herramientas de IA generativa

2. Fueran anteriores a 2022

3. Estuvieran incompletos o no fueran de acceso abierto

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

Tabla 1. Cadenas de b´usqueda de t´erminos en Scopus

Base de

datos T´erminos usados

Sin

criterios de

exclusi´on

Cadena de b´usqueda

Con criterios

de inclusi´on,

exclusi´on y

sin duplicados

Scopus

“applications of

artiﬁcial intelligence”

AND “industries” 183,590

TITLE-ABS-KEY (“applications of

artiﬁcial intelligence” AND “industries”)

AND PUBYEAR ¿2022 AND PUBYEAR

¡2026 AND (LIMIT-TO (SUBJAREA,

“ENGI”) OR LIMIT-TO (SUBJAREA,

“COMP”) OR LIMIT-TO (SUBJAREA,

“ENER”) OR LIMIT-TO (SUBJAREA,

“MEDI”)) (66)

615

“applications AND of

AND artiﬁcial AND

intelligence AND in

AND industry”

TITLE-ABS-KEY (applications AND of

AND artiﬁcial AND intelligence AND in

AND industry) AND PUBYEAR ¿2022

AND PUBYEAR ¡2025 AND (LIMIT-TO

(DOCTYPE, “ar”)) AND (LIMIT-TO

(OA, “all”)) AND (LIMIT-TO

(SRCTYPE, “j”)) AND (LIMIT-TO

(EXACTKEYWORD, “Artiﬁcial

Intelligence”)) AND (LIMIT-TO

(SUBJAREA, “ENGI”))

applications AND of

AND artiﬁcial AND

intelligence

TITLE-ABS-KEY (applications AND of

AND artiﬁcial AND intelligence) AND

PUBYEAR ¿2022 AND PUBYEAR ¡2025

AND (LIMIT-TO (SUBJAREA,

“ENER”)) AND (LIMIT-TO

(DOCTYPE, “ar”)) AND (LIMIT-TO

(OA, “all”)) AND (LIMIT-TO

(SRCTYPE, “j”)) AND (LIMIT-TO

(EXACTKEYWORD, “Artiﬁcial

Intelligence”)) (270)

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

Tabla 2. Cadenas de b´usqueda de t´erminos en SciELO

Base de

datos T´erminos usados Sin

criterios Cadena de b´usqueda

Con criterios

de inclusi´on,

exclusi´on y

sin duplicados

SciELO

(applications of

artiﬁcial intelligence)

AND (industries) 176

(applications of artiﬁcial intelligence)

AND (industries) AND

is citable:(“is true”) AND

type:(“research-article”) AND

subject area:(“Engineering” OR “Exact

and Earth Sciences” OR “Applied Social

Sciences”)

applications AND of

AND artiﬁcial AND

intelligence AND in

AND industry

applications AND of AND artiﬁcial AND

intelligence AND in AND industry AND

year cluster:(“2023” OR “2024” OR

“2022”) AND type:(“research-article”)

AND subject area:(“Engineering” OR

“Applied Social Sciences” OR “Exact and

Earth Sciences” OR “multidisciplinary”)

applications AND of

AND artiﬁcial AND

intelligence

applications AND of AND artiﬁcial AND

intelligence AND year cluster:(“2024” OR

“2023” OR “2022”) AND

is citable:(“is true”) AND

type:(“research-article”) AND

subject area:(“Engineering” OR “Health

Sciences” OR “Applied Social Sciences”

OR “Exact and Earth Sciences” OR

“Agricultural Sciences” OR

“multidisciplinary” OR “Biological

Sciences” OR “Linguistics, Letters and

Arts”)

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

Figura 1. Diagrama de ﬂujo PRISMA

En la Figura 1 se representa el procedimiento utilizado para seleccionar los art´ıculos de las bases de datos

Scopus y SciELO, de los cuales se identiﬁcaron 1240 y 156 respectivamente y 1416 art´ıculos en total. Estos se

analizaron tomando en cuenta los criterios de inclusi´on y exclusi´on por medio de ﬁltros para su b´usqueda, y a

partir de este proceso, se seleccionaron 12 art´ıculos para su posterior revisi´on sistem´atica.

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

Resultados y discusi´on

En la Tabla 3 se registraron los art´ıculos con informaci´on ﬁltrada, destacando el uso de herramientas de

inteligencia artiﬁcial en diversas industrias.

Este an´alisis se enfoc´o ´unicamente en aquellos art´ıculos que hacen menci´on expl´ıcita a inteligencia artiﬁcial

(IA), aprendizaje autom´atico (Machine Learning), aprendizaje profundo (Deep Learning), redes neuronales,

modelos de lenguaje (LLM), GPT, u otras t´ecnicas claramente enmarcadas en el ´ambito de la IA aplicada en

una industria o campo espec´ıﬁco.

Adem´as, se incluy´o una columna que detalla los resultados presentados en cada art´ıculo para proporcionar

contexto sobre el uso de dichas herramientas. Se consideraron ´unicamente los art´ıculos publicados entre los

a˜nos 2022 y 2024.

Tabla 3. Resultados de b´usqueda de Scopus

T´ıtulo Resultados Herramientas IA Industria

Artiﬁcial

intelligence-

aided elec-

trochemical

sensors

for captu-

ring and

analyzing

ﬁngerprint

proﬁles of

medicinal

materials [9].

El empleo de sensores electroqu´ımicos com-

binados con inteligencia artiﬁcial ha demos-

trado su efectividad en el an´alisis qu´ımico de

materiales medicinales, como el polvo de cor-

namenta de ciervo sika. Se logr´o una clasiﬁca-

ci´on precisa del 97.9 %, con sensibilidad supe-

rior al 97 % y especiﬁcidad mayor al 98 %. El

sistema puede detectar adulteraciones con un

l´ımite del 2.8 %, adem´as de reducir el tiempo

de entrenamiento en un 65.6 % y el de pre-

dicci´on en un 71.4 %.

Support Vector. Machine

(SVM):

Modelo ´optimo con PCA-

reducido.

Random Forest (RF).

Extreme Learning Machine

(ELM).

Industria

farmac´eutica

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

Computer

vision in

the food

industry:

Accurate,

real-time,

and auto-

matic food

recogni-

tion with

pretrained

Mobile-

NetV2 [10]

El uso del modelo MobileNetV2, potenciado

por t´ecnicas de aprendizaje por transferen-

cia, aumento de datos y optimizaci´on de hi-

perpar´ametros, alcanz´o cerca del 93 % de pre-

cisi´on en la identiﬁcaci´on autom´atica de ali-

mentos. Este m´etodo permite un an´alisis eﬁ-

ciente y exacto, ideal para aplicaciones r´api-

das en la industria alimentaria.

Red neuronal convolucio-

nal MobileNetV2 preentre-

nado, conocido por su eﬁ-

ciencia y rapidez en tareas

de clasiﬁcaci´on de im´age-

nes.

Industria ali-

mentaria

Applications

of artiﬁcial

intelligence

in the ﬁeld

of oral and

maxillofacial

pathology:

A systema-

tic review

and meta-

analysis [11].

La inteligencia artiﬁcial ha mejorado signiﬁ-

cativamente la precisi´on diagn´ostica y la ges-

ti´on de enfermedades orales y maxilofacia-

les. Estos modelos destacan por su sensibi-

lidad y especiﬁcidad al identiﬁcar c´ancer oral

y otras lesiones, adem´as de prever con alta

precisi´on los resultados de tratamientos para

patolog´ıas malignas.

Modelos de machine lear-

ning (ML) y deep learning

(DL) para el an´alisis de

im´agenes m´edicas y predic-

ci´on de resultados.

Salud dental

y maxilofa-

cial

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

Development

and eva-

luation of

statistical

and artiﬁcial

intelligence

approaches

with micro-

bial shotgun

metageno-

mics data as

an untarge-

ted screening

tool for use

in food pro-

duction [12].

Con t´ecnicas como XAI y modelos avanza-

dos como XGBoost, se lograron identiﬁcar

anomal´ıas en el microbioma de leche cruda,

vinculadas a contaminantes externos y uso

de antibi´oticos. En comparaci´on con m´etodos

tradicionales como PCA, XAI ofreci´o clasiﬁ-

caciones precisas y detalladas sobre diferen-

cias microbianas, probando su valor en la me-

jora de la calidad y seguridad alimentaria.

Modelos de Machine Lear-

ning (ML): XGBoost (mo-

delo principal).Random

Forest (RF). LightGBM.

Inteligencia Artiﬁcial

Explicable (XAI): SHAP

(Shapley Additive Ex-

planations) para inter-

pretaci´on de modelos y

an´alisis de caracter´ısticas

impactantes.

Industria ali-

mentaria

Maritime

Cyber-

security

Leveraging

Artiﬁcial

Intelligence

Mechanisms:

Unveiling

Recent In-

novations

and Projec-

ting Future

Trends [13].

En el ´ambito mar´ıtimo, modelos como KNN,

RF y ANN han sido clave para detectar ano-

mal´ıas, analizar datos complejos y evaluar

riesgos en tiempo real. Se recomienda un

enfoque h´ıbrido y actualizaciones constantes

para enfrentar amenazas emergentes, con es-

pecial atenci´on a XAI y an´alisis descentrali-

zado.

K-Nearest Neighbors

(KNN)

Random Forest (RF)

Artiﬁcial Neural Networks

(ANN)

Industria

mar´ıtima,

con ´enfasis

en la ciber-

seguridad de

sistemas de

navegaci´on,

comuni-

caci´on y

gesti´on

portuaria.

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

Optimizing

Ship Draft

Observation

with Wave

Energy Atte-

nuation and

PaddlePaddle-

OCR in

an Anti-

Fluctuation

Device [14].

La integraci´on de PaddlePaddle-OCR y dis-

positivos anti-ﬂuctuaci´on permiti´o una pre-

cisi´on del 77.2 % en la medici´on de calados,

superando m´etodos tradicionales en entornos

de alta ﬂuctuaci´on. Adem´as, el dispositivo re-

dujo un 25 % las amplitudes de las ondas, au-

tomatizando procesos y minimizando el im-

pacto de la subjetividad humana. Este dise˜no

reutilizable y econ´omico es ideal para barcos

de carga a gran escala.

PaddlePaddle-OCR: Para

el reconocimiento ´optico de

caracteres en marcas de ca-

lado.

DBSCAN: Algoritmo para

clasiﬁcar datos de im´age-

nes y eliminar ruido.

Modelos de redes neurona-

les ligeras: CRNN y Mobi-

leNetV3.

Industria

mar´ıtima,

centrada

en la ob-

servaci´on y

monitoreo

de calados,

asegurando

la eﬁciencia

de carga y la

conformidad

regulatoria.

Assessing

CNN Ar-

chitectures

for Estima-

ting Correct

Posture in

Cruise Ma-

chinists [15].

Mediante redes neuronales convolucionales

(CNN), se logr´o evaluar de manera precisa

y en tiempo real las posturas laborales de

maquinistas en cruceros, contribuyendo a su

seguridad y reduciendo trastornos musculoes-

quel´eticos. Modelos como SqueezeNet y Goo-

gleNet alcanzaron m´as del 90 % de precisi´on,

adapt´andose con ´exito a las condiciones cam-

biantes de los entornos mar´ıtimos.

Redes neuronales convolu-

cionales (CNN):

SqueezeNet: Optimizado

para eﬁciencia y tama˜no

reducido.

GoogleNet (Inception v1):

Adecuado para detecci´on

de caracter´ısticas en m´ulti-

ples escalas.

Industria

mar´ıtima,

centrada en

la ergonom´ıa

y seguridad

laboral de

maquinistas

en cruceros.

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

Application

of Artiﬁcial

Intelligence

in Coal Mine

Ultra-Deep

Roadway

Enginee-

ring—A

Review [16].

La inteligencia artiﬁcial ha mejorado notable-

mente la predicci´on de propiedades mec´ani-

cas de la roca, la estabilidad del entorno y el

an´alisis de riesgos en t´uneles profundos. Mo-

delos como ANN, RF, XGBoost y CNN han

demostrado precisiones superiores al 90 % en

aplicaciones clave, consolid´andose como he-

rramientas esenciales en este campo.

Redes neuronales artiﬁcia-

les (ANN): Para predicci´on

de propiedades mec´anicas

y eventos s´ısmicos.

Modelos basados en

´arboles:

Redes neuronales

convolucionales

(CNN)

Bayesian Networks

(BN)

Soporte vectorial

(SVM)

Miner´ıa del

carb´on ultra-

profunda,

centrada

en la es-

tabilidad

estructural

de t´uneles,

evaluaci´on

de riesgos y

predicci´on

de desastres

geol´ogicos.

Decoding

Deep Lear-

ning appli-

cations for

diagnosis

and clas-

siﬁcation

of dental

diseases:

A scoping

review [17].

Las redes neuronales profundas permiten el

an´alisis cefalom´etrico automatizado, la pre-

dicci´on de resultados del tratamiento y la seg-

mentaci´on de im´agenes, mejorando la eﬁcien-

cia y la personalizaci´on del tratamiento. Los

algoritmos de aprendizaje profundo en soft-

ware como CephX™y Diagnocat™automa-

tizan la segmentaci´on de im´agenes, facilitan-

do la identiﬁcaci´on de estructuras anat´omi-

cas para una planiﬁcaci´on m´as precisa. En

general, el aprendizaje profundo empodera a

los ortodoncistas con herramientas avanzadas

para mejorar la calidad de la atenci´on al pa-

ciente.

Redes Neuronales Pro-

fundas: Aprendizaje Su-

pervisado y No Supervisa-

do para el diagn´ostico au-

tomatizado, an´alisis cefa-

lom´etrico y predicci´on de

resultados del tratamiento.

La segmentaci´on de im´age-

nes: CephX™y Diagno-

cat™, que utilizan algorit-

mos de aprendizaje profun-

do para identiﬁcar estruc-

turas anat´omicas.

Industria de

la Odonto-

log´ıa

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

Artiﬁcial

Intelligence

Enabled

Radio Pro-

pagation:

Path Loss

Improve-

ment and

Channel

Characte-

rization in

Vegetated

Environ-

ments [18].

El uso de redes neuronales multicapa (MLP)

para la predicci´on de la p´erdida de trayectoria

super´o a los modelos tradicionales, logrando

un error cuadr´atico medio (RMSE) de tan so-

lo 0.39 dB. En comparaci´on, el modelo ITU-

R, el mejor entre los convencionales, present´o

un RMSE de 3.65 dB. La t´ecnica ANN tam-

bi´en demostr´o ser m´as eﬁcaz que el m´etodo

CFAR para ﬁltrar el ruido impulsivo en los

perﬁles de retardo de potencia, identiﬁcando

un mayor n´umero de multitrayectos v´alidos.

Redes Neuronales Arti-

ﬁciales (ANN): Utiliza-

das para mejorar la predic-

ci´on de la p´erdida de tra-

yectoria en las se˜nales de

radiofrecuencia.

RedesNeuronales Mul-

ticapa (MLP): Se usan

para el reconocimiento de

patrones y la eliminaci´on

del ruido impulsivo en los

perﬁles de retardo de po-

tencia.

Algoritmo de

Levenberg-Marquardt:

Aplicado en el entre-

namiento de las redes

neuronales para mejorar la

eﬁciencia del proceso.

Industria de

las telecomu-

nicaciones,

enfocada en

el ´area de la

propagaci´on

de radiofre-

cuencia en

entornos con

vegetaci´on.

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

Mental

Illness Clas-

siﬁcation

on Social

Media Texts

Using Deep

Learning

and Trans-

fer Lear-

ning [19].

El modelo Transformer con m´etodos de fu-

si´on tard´ıa logr´o una puntuaci´on F1 de 89.65,

superando el rendimiento del modelo Ro-

BERTa (89) considerado como el estado del

arte en estudios previos. El modelo Trans-

former demostr´o ser eﬁcaz en la combinaci´on

del t´ıtulo y el contenido de las publicacio-

nes de Reddit para la detecci´on de trastornos

mentales. Entre los modelos de referencia, el

BiLSTM obtuvo el mejor resultado con una

puntuaci´on F1 de 83.84, mientras que la Re-

gresi´on Log´ıstica, dentro de los algoritmos de

aprendizaje autom´atico tradicional, alcanz´o

una puntuaci´on F1 de 77.87.

Aprendizaje Autom´ati-

co Tradicional (ML):

Clasiﬁcador de Vectores

de Soporte Lineal (Li-

nearSVC), (LR, NB, RF).

Aprendizaje Profundo

(DL):Redes Neuronales

Convolucionales (CNN),

Memoria a Corto Plazo

(LSTM), LSTM Bidirec-

cional (BiLSTM).

Transferencia de

Aprendizaje (TL):

BERT, AlBERT, RoBER-

Ta.

Salud mental

Plataforma

de Software

Educativa

Gamiﬁcada:

Experiencia

con Estu-

diantes de

Anatom´ıa

de la Uni-

versidad de

La Fronte-

ra [20].

Los estudiantes que emplearon la platafor-

ma alcanzaron caliﬁcaciones superiores en

las evaluaciones de conocimiento sobre ab-

domen en comparaci´on con el grupo de con-

trol. Los resultados del an´alisis estad´ıstico (t-

test) revelaron una inﬂuencia signiﬁcativa en

el aprendizaje de los estudiantes que utiliza-

ron la aplicaci´on, con un p-valor de 0,041.

Asimismo, el sistema de recomendaci´on, fun-

damentado en redes neuronales e integrado

en el asistente virtual, Demostr´o su eﬁcacia al

detectar las ´areas de mejora de los estudian-

tes y proporcionar recomendaciones adapta-

das a sus necesidades.

Sistemas de recomen-

daci´on: Estos sistemas

est´an dise˜nados para brin-

dar retroalimentaci´on a los

estudiantes y personalizar

el contenido seg´un sus

requerimientos.

Asistentes virtuales:

Funcionan como una pla-

taforma de interacci´on con

el usuario, proporcionando

un entorno para retroali-

mentaci´on, colaboraci´on

y personalizaci´on del

contenido.

Industria de

la educa-

ci´on m´edica,

espec´ıﬁca-

mente en la

ense˜nanza de

la anatom´ıa

a estudiantes

de medicina.

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

Figura 2. Distribuci´on geogr´aﬁca de investigaciones citables en SciELO sobre aplicaciones de inteligencia artiﬁcial

(2022-2024).

En la Figura 2 se muestra la distribuci´on por pa´ıses de los art´ıculos de investigaci´on relacionados con aplicacio-

nes de inteligencia artiﬁcial en diversas ´areas del conocimiento, como ingenier´ıa, ciencias de la salud, ciencias

sociales aplicadas, entre otras. Brasil lidera con la mayor cantidad de publicaciones, seguido por Sud´africa

y M´exico con cifras considerables. Otros pa´ıses como Colombia, Cuba y Ecuador presentan una representa-

ci´on moderada, mientras que Costa Rica, Chile y Portugal tienen menor participaci´on. Este gr´aﬁco reﬂeja la

prominencia de ciertos pa´ıses en el avance de investigaciones sobre inteligencia artiﬁcial.

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

Figura 3. Relaci´on de los pa´ıses en publicaciones en SCOPUS en orden ascendente, destacando la cantidad de

publicaciones por pa´ıs.

En la ﬁgura 3 se muestra un gr´aﬁco de barras que compara la cantidad de documentos asociados a diferentes

pa´ıses o territorios seg´un datos de Scopus. China lidera con una cantidad signiﬁcativamente mayor de docu-

mentos en comparaci´on con los dem´as pa´ıses. India, Estados Unidos, Alemania, y Reino Unido ocupan las

siguientes posiciones, aunque con cantidades considerablemente menores. Otros pa´ıses, como Polonia, Arabia

Saudita, Ir´an, Australia e Indonesia, presentan cifras m´as bajas en comparaci´on con los l´ıderes. Este an´alisis

podr´ıa reﬂejar tendencias en la producci´on cient´ıﬁca o acad´emica por pa´ıs dentro de un ´area espec´ıﬁca de

investigaci´on.

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

Figura 4. Distribuci´on anual de art´ıculos de investigaci´on en SciELO sobre aplicaciones de inteligencia artiﬁcial en la

industria (2022-2024)

En la Figura 4 se muestra la distribuci´on de art´ıculos de investigaci´on sobre aplicaciones de inteligencia artiﬁcial

en la industria por a˜nos (2022, 2023 y 2024). El gr´aﬁco evidencia un incremento signiﬁcativo en el n´umero de

publicaciones para 2024, con un total de 30 art´ıculos, seguido por 2023 con 20 publicaciones. En contraste,

el a˜no 2022 muestra un n´umero considerablemente menor, con solo 10 publicaciones registradas. Este an´alisis

reﬂeja un creciente inter´es y desarrollo de investigaciones relacionadas con inteligencia artiﬁcial en la industria

en a˜nos recientes.

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

Figura 5. Incremento anual en la cantidad de documentos en Scopus relacionados con aplicaciones de inteligencia

artiﬁcial (2022-2024)

En la Figura 5 se observa un gr´aﬁco de l´ıneas con el n´umero de documentos publicados en revistas acad´emicas

por a˜no, correspondiente al periodo 2022-2024. En 2022, se registraron 40 documentos, lo que aument´o a 48

en 2023. En 2024, se observa un incremento continuo, alcanzando 54 publicaciones. Este patr´on indica una

tendencia creciente en la producci´on cient´ıﬁca, reﬂejando un inter´es sostenido o mayor en el tema investigado

durante los ´ultimos a˜nos.

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

Figura 6. Relaci´on de modelos de IA usados en aplicaciones y su frecuencia de uso en publicaciones en SCOPUS

En la Figura 5 se muestra las tendencias de uso de modelos de inteligencia artiﬁcial (IA) destacados en los

art´ıculos revisados. Cada barra representa la frecuencia con la que un modelo espec´ıﬁco ha sido utilizado en

diversas aplicaciones, basado en la revisi´on sistem´atica de publicaciones recientes (2022-2024). Estas tendencias

reﬂejan no solo la popularidad de ciertos enfoques, sino tambi´en su relevancia en distintos campos del desarrollo

de software y otras industrias.

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

Figura 7. Representaci´on porcentual de incidencia de uso de las herramientas de IA en diversos campos.

Ciencias de la Computaci´on:

Seg´un [21], Jordan y Mitchell subrayan la importancia de la inteligencia artiﬁcial (IA) en la creaci´on de al-

goritmos soﬁsticados, el aprendizaje autom´atico y el procesamiento del lenguaje natural. Estas herramientas

permiten el desarrollo de sistemas que realizan tareas tradicionalmente asociadas con la inteligencia humana,

como resolver problemas complejos, traducir autom´aticamente y comprender tanto texto como voz. Adem´as,

la IA es la base de avances tecnol´ogicos como los asistentes virtuales, la visi´on por computadora y la ciberse-

guridad basada en datos predictivos.

Ingenier´ıa:

En el campo de la ingenier´ıa, Lee, Bagheri y Kao se˜nalan en [22] que la inteligencia artiﬁcial (IA) ha trans-

formado procesos clave al mejorar el dise˜no, la fabricaci´on y el mantenimiento de sistemas y estructuras. Por

ejemplo, los algoritmos de IA pueden predecir fallos en maquinaria, mejorar la eﬁciencia de la manufactura

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

en sistemas ciberf´ısicos y personalizar dise˜nos seg´un par´ametros espec´ıﬁcos. Esta integraci´on no solo reduce

costos y tiempo, sino que tambi´en eleva la calidad y precisi´on de los productos y servicios ofrecidos.

Matem´aticas:

De acuerdo con [23], Murphy explica que la IA utiliza modelos matem´aticos avanzados para resolver proble-

mas complejos que involucran grandes vol´umenes de datos. Estas capacidades permiten desarrollar algoritmos

predictivos y sistemas de simulaci´on que son esenciales en la investigaci´on cient´ıﬁca, el an´alisis ﬁnanciero y la

modelaci´on de fen´omenos f´ısicos. Por ejemplo, los m´etodos de aprendizaje autom´atico basados en matem´aticas

estad´ısticas son clave para descubrir patrones y realizar predicciones precisas.

Ciencia de Materiales:

Seg´un [24], Butler et al. mencionan que en el campo de la ciencia de materiales, la IA acelera signiﬁcativa-

mente el descubrimiento y dise˜no de nuevos materiales. Al emplear t´ecnicas como el aprendizaje profundo, los

investigadores pueden predecir propiedades y comportamientos de materiales a nivel molecular, optimizando

as´ı su uso en aplicaciones industriales, m´edicas y tecnol´ogicas. Esto reduce dr´asticamente el tiempo y los costos

asociados con los m´etodos experimentales tradicionales.

Ciencias Sociales:

Lazer et al., seg´un [25], destacan que la IA juega un papel crucial en el an´alisis de patrones de comportamiento

humano a partir de datos masivos. Esto facilita estudios sociol´ogicos, como la evaluaci´on de din´amicas sociales

y la predicci´on de tendencias en grupos de poblaci´on. Adem´as, la IA permite comprender fen´omenos complejos,

como la polarizaci´on social y los impactos de las pol´ıticas p´ublicas, ayudando a dise˜nar soluciones m´as efectivas.

F´ısica y Astronom´ıa:

Shallue y Vanderburg se˜nalan en [26] que en estas disciplinas la IA asiste en la interpretaci´on de grandes can-

tidades de datos complejos, como los generados por telescopios y simulaciones computacionales. Por ejemplo,

se utiliza para detectar exoplanetas, analizar se˜nales c´osmicas y estudiar fen´omenos astrof´ısicos que ser´ıan

imposibles de procesar manualmente debido a la escala y complejidad de los datos.

Ingenier´ıa Qu´ımica:

Venkatasubramanian se˜nala en [27] que la inteligencia artiﬁcial (IA) desempe˜na un papel esencial en la indus-

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

tria qu´ımica, optimizando procesos de producci´on, como la creaci´on de nuevos compuestos y el incremento de

la eﬁciencia en la fabricaci´on de productos. Adem´as, se utiliza para predecir reacciones qu´ımicas y desarrollar

materiales sostenibles, promoviendo una industria m´as eﬁciente, ecol´ogica y rentable.

Ciencias Ambientales:

De acuerdo con [28], Reichstein et al. mencionan que la IA se utiliza para monitorear y modelar cambios

ambientales, permitiendo una mejor gesti´on de recursos naturales. Por ejemplo, los sistemas basados en IA

pueden predecir desastres naturales, analizar el impacto del cambio clim´atico y proponer estrategias sostenibles

para la conservaci´on del medio ambiente.

Negocios, Gesti´on y Contabilidad:

Seg´un [29], Davenport y Ronanki explican que en el ´ambito empresarial, la IA automatiza procesos ﬁnancie-

ros y administrativos, como la auditor´ıa de cuentas, la previsi´on de ventas y la optimizaci´on de la cadena

de suministro. Adem´as, mejora la toma de decisiones estrat´egicas al proporcionar an´alisis basados en datos,

identiﬁcando tendencias y oportunidades que impulsan la eﬁciencia empresarial.

Energ´ıa:

Wang et al. mencionan en [30] que la inteligencia artiﬁcial (IA) impulsa la eﬁciencia energ´etica al optimizar

procesos relacionados con la generaci´on, distribuci´on y consumo de energ´ıa. Asimismo, permite integrar fuentes

renovables como la solar y la e´olica mediante el an´alisis en tiempo real y la previsi´on de la demanda energ´etica.

Estas aplicaciones son clave para avanzar hacia un futuro m´as sostenible.

Conclusiones

En los procesos de desarrollo de software, la implementaci´on de modelos avanzados de inteligencia artiﬁcial (IA)

est´a revolucionando la industria. Tecnolog´ıas como redes neuronales artiﬁciales (ANN), aprendizaje profundo

(Deep Learning) y aprendizaje autom´atico (Machine Learning) est´an siendo ampliamente utilizadas. Seg´un

el informe de GitHub [31], herramientas como GitHub Copilot, basadas en redes neuronales transformadoras

(como GPT), est´an facilitando la generaci´on de c´odigo de manera asistida. Adem´as, [32] destaca el uso de

algoritmos como XGBoost y Random Forest en an´alisis predictivos, mientras que las redes convolucionales

(CNN) y redes neuronales ligeras se emplean en aplicaciones espec´ıﬁcas para el procesamiento de im´agenes y

datos estructurados.

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

Los sectores industriales l´ıderes han adoptado r´apidamente estas soluciones basadas en IA generativa, mos-

trando un impacto transversal en ´areas como tecnolog´ıa, manufactura, salud, ﬁnanzas y educaci´on. El sector

tecnol´ogico, seg´un Stack Overﬂow [33], ha sido fundamental en integrar herramientas de generaci´on de IA

generativa para acelerar el desarrollo de software y mejorar la calidad del c´odigo. En el sector salud, [32]

se˜nala que se han utilizado estas tecnolog´ıas para an´alisis de im´agenes m´edicas y diagn´osticos automatizados,

mientras que en manufactura se aplican modelos de aprendizaje profundo para predecir fallos y optimizar

procesos de producci´on. Por su parte, Forrester [34] resalta que los sectores ﬁnanciero y educativo tambi´en

han integrado IA para personalizar servicios y mejorar la eﬁciencia operativa.

Estas tecnolog´ıas tienen un impacto en el desarrollo de software es tanto cuantitativo como cualitativo. Desde

una perspectiva cuantitativa, Gartner [35] informa que las organizaciones que han implementado IA han

incrementado su productividad en un 30 % y reducido signiﬁcativamente el tiempo empleado en tareas cr´ıticas,

como la generaci´on y depuraci´on de c´odigo. Herramientas como GitHub Copilot, seg´un el informe de GitHub

[31], disminuyen la carga cognitiva de los desarrolladores al automatizar tareas repetitivas, permiti´endoles

enfocarse en actividades m´as estrat´egicas.

Cualitativamente, [32] subraya que la IA generativa no solo incrementa la eﬁciencia, sino que democratiza

el desarrollo de software. Esto facilita que personas sin experiencia avanzada puedan crear soluciones efecti-

vas. Adem´as, Forrester [34] se˜nala que estas tecnolog´ıas transforman la colaboraci´on en equipos, mejoran la

comunicaci´on y reducen la deuda t´ecnica en proyectos complejos.

Contribuci´on de Autor´ıa

Guliana Lulichac Ramos: Investigaci´on,Conceptualizaci´on,Metodolog´ıa,Metodolog´ıa,Validaci´on,Softwa-

re,Redacci´on - borrador original,Escritura, revisi´on y edici´on.Fernando Pantoja Payajo: Administraci´on

de proyectos,Adquisici´on de fondos,Supervisi´on,Conceptualizaci´on,Investigaci´on,Metodolog´ıa,An´alisis for-

mal,Recursos,Visualizaci´on,Curaci´on de datos,Escritura, revisi´on y edici´on.Marcelino Torres Villanueva:

Supervisi´on,Conceptualizaci´on,Metodolog´ıa,An´alisis formal,Validaci´on,Redacci´on - borrador original.

Referencias

[1] K. Costello. (2018) Gartner survey of more than 3,000 cios re-

veals that enterprises are entering the third era of it. Accessed:

2024-12-06. [Online]. Available: https://www.gartner.com/en/newsroom/press-releases/

2018-10-16-gartner-survey-of-more-than-3000-cios-reveals-that-enterprises-are-entering-the-third-era-of-it

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

[2] B. Thormundsson. (2022) Global ai software market size 2018-2025. Accessed: 2024-12-06. [Online]. Avai-

lable: https://www.statista.com/statistics/607716/worldwide-artiﬁcial-intelligence-market-revenues/

[3] B. Yeti¸stiren, I. ¨

Ozsoy, M. Ayerdem, and E. T¨uz¨un, “Evaluating the code quality of ai-assisted code gene-

ration tools: An empirical study on github copilot, amazon codewhisperer, and chatgpt,” arXiv preprint

arXiv:2304.10778, 2023.

[4] Aarti, “Generative ai in software development: an overview and evaluation of modern coding tools,”

International Journal of Multidisciplinary Research, vol. 6, no. 3, p. 23271, 2024.

[5] M. A. Florez Mu˜noz, J. C. Jaramillo De La Torre, S. Pareja L´opez, S. Herrera, and C. A. Candela Uribe,

“Comparative study of ai code generation tools: Quality assessment and performance analysis,” LatIA,

vol. 2, p. 104, 2024.

[6] P. Tembhekar, M. Devan, and J. Jeyaraman, “Role of genai in automated code generation within devops

practices: Explore how generative ai,” Journal of Knowledge and Learning Science and Technology, vol. 2,

no. 2, pp. 500–512, 2023.

[7] M. Mehta, “A comparative study of ai code bots: Eﬃciency, features, and use cases,” International Journal

of Scientiﬁc Research Archives, vol. 13, no. 1, pp. 595–602, 2024.

[8] Polaris Market Research. (2024) Generative ai coding assistants market trends analysis report, 2032.

Accessed: 2024-12-06. [Online]. Available: https://www.polarismarketresearch.com/industry-analysis/

generative-ai-coding-assistants-market

[9] Z. Chang and H. Sun, “Artiﬁcial intelligence-aided electrochemical sensors for capturing and analyzing

ﬁngerprint proﬁles of medicinal materials,” International Journal of Electrochemical Science, vol. 19, no.

100887, 2024.

[10] S. Rokhva, B. Teimourpour, and E. H. Soltani, “Computer vision in the food industry: Accurate, real-

time, and automatic food recognition with pretrained mobilenetv2,” Food and Human Behavior, vol. 19,

no. 100378, 2024.

[11] N. S. Abdul et al., “Applications of artiﬁcial intelligence in the ﬁeld of oral and maxillofacial pathology:

A systematic review and meta-analysis,” BMC Oral Health, vol. 24, no. 122, 2024.

[12] K. L. Beck et al., “Development and evaluation of statistical and artiﬁcial intelligence approaches with mi-

crobial shotgun metagenomics data as an untargeted screening tool for use in food production,” mSystems,

vol. 9, no. 11, pp. 1–20, 2024.

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

[13] P. Kumar and A. Maharajan, “Maritime cybersecurity leveraging artiﬁcial intelligence mechanisms: Un-

veiling recent innovations and projecting future trends,” KSII Transactions on Internet and Information

Systems, vol. 18, no. 10, pp. 3010–3039, 2024.

[14] B. Yu, B. Wang, and Y. Zhang, “Application of artiﬁcial intelligence in coal mine ultra-deep roadway

engineering—a review,” Artiﬁcial Intelligence Review, vol. 57, no. 262, 2024.

[15] Y. Wei, H. Du, Q. Hu, and H. Wang, “Optimizing ship draft observation with wave energy attenuation

and paddlepaddle-ocr in an anti-ﬂuctuation device,” Journal of Marine Science and Engineering, vol. 12,

no. 1865, 2024.

[16] F. A. Panaite, M. Leba, and A. C. Ionica, “Assessing cnn architectures for estimating correct posture in

cruise machinists,” Eng, vol. 5, pp. 1785–1803, 2024.

[17] J.-M. Retrouvey and R. S. Conley, “Decoding deep learning applications for diagnosis and treatment

planning,” Dent. Press J. Orthod., vol. 27, no. 5, p. e22spe5, 2022.

[18] L. Gonsioroski et al., “Artiﬁcial intelligence enabled radio propagation: Path loss improvement and channel

characterization in vegetated environments,” J. Microw. Optoelectron. Electromagn. Appl., vol. 23, no. 1,

p. e2024277600, 2024.

[19] M. Arif, I. Ameer, N. B¨ol¨uc¨u, G. Sidorov, A. Gelbukh, and V. Elangovan, “Mental illness classiﬁcation

on social media texts using deep learning and transfer learning,” Comput. Sist., vol. 28, no. 2, 2024.

[20] M. Stambuk-Castellano, I. Contreras-McKay, A. Neyem, O. Inzunza, N. E. Ottone, and M. Del Sol,

“Plataforma de software educativa gamiﬁcada: Experiencia con estudiantes de anatom´ıa de la universidad

de la frontera,” Int. J. Morphol., vol. 40, no. 2, pp. 297–303, 2022.

[21] M. I. Jordan and T. M. Mitchell, “Machine learning: Trends, perspectives, and prospects,” Science, vol.

349, no. 6245, pp. 255–260, 2015.

[22] J. Lee, B. Bagheri, and H. A. Kao, “A cyber-physical systems architecture for industry 4.0-based manu-

facturing systems,” Manufacturing Letters, vol. 3, pp. 18–23, 2015.

[23] K. P. Murphy, Machine learning: A probabilistic perspective. MIT Press, 2012.

[24] K. T. Butler, D. W. Davies, H. Cartwright, O. Isayev, and A. Walsh, “Machine learning for molecular

and materials science,” Nature, vol. 559, no. 7715, pp. 547–555, 2018.

[25] D. Lazer et al., “Computational social science,” Science, vol. 323, no. 5915, pp. 721–723, 2009.

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

100

Revista Innovaci´on y Software

Vol. 6, No. 1, Mes Marzo-Agosto, 2025

ISSN: 2708-0935

P´ag. 76-101

https://revistas.ulasalle.edu.pe/innosoft

[26] C. J. Shallue and A. Vanderburg, “Identifying exoplanets with deep learning: A ﬁve-planet resonant chain

around kepler-80 and an eighth planet around kepler-90,” The Astronomical Journal, vol. 155, no. 2, p. 94,

2018.

[27] V. Venkatasubramanian, “The promise of artiﬁcial intelligence in chemical engineering: Is it here, ﬁnally?”

AIChE Journal, vol. 65, no. 2, pp. 466–478, 2019.

[28] M. Reichstein et al., “Deep learning and process understanding for data-driven earth system science,”

Nature, vol. 566, no. 7743, pp. 195–204, 2019.

[29] T. H. Davenport and R. Ronanki, “Artiﬁcial intelligence for the real world,” Harvard Business Review,

vol. 96, no. 1, pp. 108–116, 2018.

[30] J. Wang, H. Zhong, Z. Ma, Q. Xia, and C. Kang, “Review and prospect of integrated demand response

in the multi-energy system,” Applied Energy, vol. 242, pp. 773–782, 2019.

[31] GitHub, “2023 state of global software development,” 2023. [Online]. Available: http://www.comm.edu.

faculty/sussman/sussmanpage.htm

[32] McKinsey & Company, “The state of ai in 2023,” 2023. [Online]. Available: http://www.comm.edu.

faculty/sussman/sussmanpage.htm

[33] Stack Overﬂow, “Developer survey results,” 2023. [Online]. Available: http://www.comm.edu.faculty/

sussman/sussmanpage.htm

[34] Forrester, “Ai in software development,” 2023. [Online]. Available: http://www.comm.edu.faculty/

sussman/sussmanpage.htm

[35] Gartner, “Ai adoption in organizations,” 2023. [Online]. Available: http://www.comm.edu.faculty/

sussman/sussmanpage.htm

Facultad de Ingenier´ıa

Universidad La Salle, Arequipa, Per´u

facin.innosoft@ulasalle.edu.pe

101