Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 13-27
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: Desarrollo de aplicaciones inform´aticas
Recibido: 17/9/2024 |Aceptado: 24/10/2024 |Publicado: 30/9/2025
Identificadores persistentes:
DOI: 10.48168/innosoft.s24.a298
ARK: 42411/s24.a298
PURL: ark:/42411/s24.a298
Aplicaci´on web para clasificar y asistir en la gesti´on de
incidentes usando LLMs de OpenAI
Web application for classifying and assisting in incident ma-
nagement using OpenAI LLMs
Diego Sebasti´an V´asquez Jaramillo2[0009-0003-7495-1095]*, Luiggi Anthony Rosas
P´erez1[0009-0009-0875-6455], Luis Daniel Zavaleta Mego3[0009-0006-6453-9277], Alberto Carlos Mendoza
de los Santos4[0000- 0002- 0469- 915X]
1Universidad Nacional de Trujillo. Trujillo, Per´u. lrosasp@unitru.edu.pe
2Universidad Nacional de Trujillo. Trujillo, Per´u. dvasquezj@unitru.edu.pe
3Universidad Nacional de Trujillo. Trujillo, Per´u. lzavaletam@unitru.edu.pe
4Universidad Nacional de Trujillo. Trujillo, Per´u. amendozad@unitru.edu.pe
∗Autor para correspondencia: dvasquezj@unitru.edu.pe
Resumen
Se establece la propuesta de una aplicaci´on web destinada a asistir en la administraci´on de incidentes t´ecnicos
en el campo de la tecnolog´ıa de la informaci´on. La implementaci´on fue llevada a cabo con una arquitectura en 3
capas, bas´andonos en tecnolog´ıas web mediante React, Laravel y MySQL como base de datos. Se establecieron
modelos de lenguaje de gran envergadura, aplicando t´ecnicas de dise˜no de instrucciones para poder analizar
descripciones de incidentes t´ecnicos y llegar a proporcionar autom´aticamente sugerencias y clasificar la priori-
dad, bas´andonos en criterios para los incidentes que se generan en el presente. La propuesta fue desarrollada
sobre la base de la metodolog´ıa ´agil de tipo SCRUM y validada con usuarios reales, que evaluaron la funciona-
lidad y la precisi´on que obten´ıa dicho sistema. La herramienta obtuvo un 77,3 % de precisi´on en la propuesta de
sugerencias correctas, destacando en categor´ıas como software, redes. Estos resultados evidenciaron la utilidad
de la soluci´on como apoyo en la selecci´on de soluciones y en la reducci´on del esfuerzo cognitivo durante las
etapas iniciales de diagn´ostico. Se concluye que el uso de LLMs en el soporte t´ecnico representa una alternativa
eficaz para optimizar procesos, siempre que se utilice como complemento de la experiencia humana.
Palabras claves: Asistencia t´ecnica, Inteligencia artificial, Modelos de lenguaje, Soporte TI, Sugerencias
automatizadas.
Abstract
The proposal for a web application to assist in the management of technical incidents in the field of infor-
mation technology is established. The implementation was carried out with a 3-layer architecture, based on
web technologies using React, Laravel, and a relational database. Large language models were implemented,
applying instruction design techniques to analyze descriptions of technical incidents and automatically provide
suggestions and classify priority, based on criteria for incidents generated in the present. The proposal was
developed based on the SCRUM agile methodology and validated with real users, who evaluated the functionality
and accuracy of the system. The tool achieved a 77.3 % accuracy in proposing correct suggestions, excelling in
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
13
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 13-27
https://revistas.ulasalle.edu.pe/innosoft
categories such as software and networks. These results demonstrated the usefulness of the solution as support
in the selection of solutions and in reducing cognitive effort during the initial stages of diagnosis. It is concluded
that the use of LLMs in technical support represents an effective alternative for optimizing processes, as long
as it is used as a complement to human experience.
Keywords: Technical assistance, Artificial intelligence, Language modelling, IT support, Automated sugges-
tions.
Introducci´on
La gesti´on de incidentes t´ecnicos en entornos de tecnolog´ıas de la informaci´on (TI) implica resolver diversos
incidentes relacionados con software, redes o sistemas operativos. Este proceso depende en gran medida del
criterio del t´ecnico, lo que puede generar variaciones en los tiempos de atenci´on y en la calidad de las soluciones
aplicadas.
En respuesta a esta problem´atica la soluci´on propuesta es generar una aplicaci´on web que implemente inte-
ligencia artificial para ayudar a los t´ecnicos en la gesti´on de incidentes de manera que presenten sugerencias
autom´aticas y clasifiquen la prioridad de los incidentes para optimizar la concentraci´on y el proceso de toma
de decisiones de forma que se combine los LLM de OpenAI en concreto gpt-3.5-turbo mediante el dise˜no de
instrucciones (prompt engineering) as´ı como [1] dice que puede adecuarse modelos generales a los usos de
tareas espec´ıficas como puede ser la clasificaci´on de los incidentes y la resoluci´on de los mismos respecto de las
prioridades que se tiene en cuenta la capacidad del modelo.
La soluci´on permite clasificar autom´aticamente la prioridad del incidente (alta, media o baja) seg´un su seve-
ridad e impacto e ir generando sugerencias t´ecnicas contextualizadas que ser´a el usuario quien decida revisar,
regenerar y aplicar como soporte. La arquitectura del sistema est´a compuesta por una interfaz programada en
React, una l´ogica de servidor en el framework Laravel y MySQL como base de datos.
El desarrollo de la propuesta fue realizado bajo la metodolog´ıa ´agil SCRUM y se hizo sobre usuarios, m´as
concretamente sobre personal t´ecnico y estudiantes con experiencia en soporte TI. Se valid´o la soluci´on con el
prop´osito de estudiar la validez pr´actica de la propuesta y la precisi´on de las sugerencias t´ecnicas que generaba
la herramienta. El experimento, por ejemplo el que describe [2], nos habla de que el uso de clasificaci´on
autom´atica de incidentes reportados hace mejorar el aprovechamiento en soporte t´ecnico. Con este contexto,
se puso a prueba las respuestas generadas por la herramienta contrast´andolas con las soluciones de las bases
documentadas de datos reales, analizando la congesti´on y la aplicabilidad de la propuestas de la herramienta.
En [3], se ha encontrado el uso de LLMs como asistentes t´ecnicos pertinentes en la generaci´on de recomen-
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
14
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 13-27
https://revistas.ulasalle.edu.pe/innosoft
daciones en un contexto determinado. Sin embargo, como se indica en [4], estos modelos poseen limitaciones
al abordar cuestiones de diagn´ostico complejas; esto hace evidente que una soluci´on que automatiza no debe
sustituir el criterio humano; es decir, no se espera que la propuesta de soluci´on supla a una persona especialista,
sino que se hace una propuesta de un asistente automatizado que coadyuve a una persona especialista en su
tarea de an´alisis. Se exploran, pues, el potencial y los l´ımites actuales de los LLMs como herramientas de apoyo
en entornos de TI.
Materiales y m´etodos
Estado del arte
La evoluci´on en la clasificaci´on autom´atica de tickets de soporte ha sido evidente gracias a los sistemas de
an´alisis de lenguaje y aprendizaje por computadora. En [5] se cre´o un sistema de aprendizaje autom´atico que
puede categorizar tickets de soporte t´ecnico en 7 categor´ıas y lograron un 75 % de precisi´on en el modelo
utilizando t´ecnicas de NLP y redes neuronales. Esto ya muestra que estos algoritmos permiten recortar el
tiempo de triaje manual y la asignaci´on autom´atica de tickets a los equipos.
Las aplicaciones de LLMs en la resoluci´on incidentes implican tambi´en las investigaciones m´as recientes que
[6] demuestran la robustez de los marcos colaborativos multi-agente que combinan an´alisis especializado,
generaci´on de c´odigo, pruebas iterativas, etc. Al mismo tiempo, aplicaciones web nacientes est´an adoptando
LLMs para mejorar el soporte t´ecnico incorporando capacidades de b´usqueda, sugerencias de respuestas, y
extracci´on autom´atica de informaci´on [7].
A d´ıa de hoy, las b´usquedas hechas en el rubro de la inteligencia artificial exploran t´ecnicas de prompting
multi-experto para incrementar la fiabilidad y la utilidad de los LLMs para varios expertos del problema,
emulando a la vez diversas opiniones expertas y a la vez situando en los mismos incidentes referenciados en [8].
Experiencias analizadas, en cambio, detectan la falta de capacidades en la resoluci´on directa de incidentes de
planificaci´on complejos (para los que existen propuestas de soluciones) por lo que salen a la luz marcos h´ıbridos
de LLMs, como los que mezclan algoritmos de optimizaci´on matem´atica especializados para resolverlos [9].
Fundamentaci´on te´orica
Clasificaci´on de incidentes
Proceso fundamental en gesti´on de servicios de TI definido seg´un ITIL 4 como metodolog´ıa sistem´atica para
categorizar incidentes facilitando la asignaci´on a equipos especializados [10]. Incluye identificaci´on del tipo de
incidente, evaluaci´on de impacto y asignaci´on de prioridades.
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
15
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 13-27
https://revistas.ulasalle.edu.pe/innosoft
Inteligencia Artificial
Una rama de la computaci´on dedicada a crear sistemas que pueden realizar tareas que demandan inteligencia
humana, tales como aprender, razonar, percibir y decidir, utilizando algoritmos y modelos de computaci´on [11].
Large Language Models (LLMs)
Son modelos de IA basados en arquitecturas transformer entrenados para entender y producir lenguaje natural
contextual [12]. En problemas t´ecnicos, interpretan descripciones, clasifican consultas y generan soluciones
contextuales.
Prompt engineering
Proceso de optimizar instrucciones espec´ıficas para mejorar la eficacia de modelos de lenguaje sin modifi-
car par´ametros centrales [13]. La asignaci´on de roles instruye al modelo para adoptar perspectivas expertas
mejorando respuestas en dominios t´ecnicos.
Herramientas
Laravel
Framework PHP de c´odigo abierto que implementa el patr´on MVC, ofreciendo sintaxis expresiva, herramientas
integradas (Eloquent ORM, migraciones, Blade) y ´enfasis en buenas pr´acticas de desarrollo para aplicaciones
web escalables [14].
React
Biblioteca JavaScript creada por Meta con el objetivo de desarrollar interfaces de usuario mediante elementos
que se pueden reutilizar, utilizando DOM virtual para renderizado eficiente y manejo din´amico de datos con
estados/props [11].
MySQL
Sistema para administrar bases de datos relacionales de c´odigo abierto, reconocido por su confiabilidad, cumpli-
miento de ACID, escalabilidad y uso en pilas tecnol´ogicas como LAMP para manejo de datos estructurados [15].
OpenAI
Laboratorio de investigaci´on en IA que desarrolla modelos de lenguaje como GPT, entrenados con aprendizaje
autom´atico avanzado para generar respuestas contextuales, resolver problemas complejos y adaptarse a tareas
diversas sin ajustes espec´ıficicos [16].
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
16
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 13-27
https://revistas.ulasalle.edu.pe/innosoft
Desarrollo de la aplicaci´on
Arquitectura del sistema
El sistema fue desarrollado siguiendo una arquitectura de tres capas con React como frontend, Laravel como
backend y MySQL como base de datos. La comunicaci´on se establece mediante API RESTful entre React y
Laravel, mientras que Laravel gestiona la l´ogica de negocio e integra la API que incluye el modelo GPT-3.
5-turbo de OpenAI. La Figura 1 presenta el diagrama arquitect´onico con el flujo de datos del sistema.
Figura 1. Diagrama de arquitectura
La configuraci´on de la base de datos se organiza en cuatro entidades principales: usuarios, incidentes, servicios
y soluciones, con relaciones establecidas mediante claves for´aneas donde cada incidente se asocia a un usuario
y servicio espec´ıfico. La Figura 2 presenta el esquema de relaci´on entre entidades del sistema.
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
17
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 13-27
https://revistas.ulasalle.edu.pe/innosoft
Figura 2. Base de datos
Metodolog´ıa de desarrollo
Se implement´o la metodolog´ıa ´agil SCRUM durante un periodo de 2 semanas con ceremonias de planning, daily
standups, review y retrospective. El desarrollo se estructur´o en las siguientes fases: an´alisis de requerimientos,
dise˜no UX/UI, desarrollo backend con Laravel, integraci´on de OpenAI API, implementaci´on frontend con
React, deployment en producci´on y pruebas con usuarios reales.
Integraci´on con OpenAI
La integraci´on con GPT-3.5-turbo se realiz´o mediante t´ecnicas de prompt engineering, espec´ıficamente utili-
zando asignaci´on de roles (role prompting) donde se instruye al modelo: .Eres un asistente experto en soporte
TI. Ofrece pasos claros y concisos.”Se configuraron par´ametros de temperatura baja (0.3) para respuestas m´as
determin´ısticas y un l´ımite de tokens apropiado para soluciones concisas.
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
18
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 13-27
https://revistas.ulasalle.edu.pe/innosoft
El sistema implementa dos procesos principales con la API de OpenAI: clasificaci´on autom´atica de prioridades
y generaci´on de soluciones. Para la clasificaci´on, se determina autom´aticamente la prioridad (Alta, Media,
Baja) bas´andose en la descripci´on del incidente. Para la generaci´on de soluciones, el sistema construye un
prompt contextualizado que solicita al LLM generar pasos numerados y espec´ıficos de resoluci´on.
La Figura 3 demuestra una soluci´on generada para un incidente de ”Falla de conexi´on con VPS”, donde el
sistema produjo autom´aticamente siete pasos espec´ıficos de resoluci´on y cambi´o el estado a “En Proceso”,
evidenciando la capacidad del modelo para generar soluciones t´ecnicas contextualizadas.
Figura 3. Soluci´on generada
Para culminar el proceso, el usuario debe valerse del men´u de acciones para marcar manualmente el incidente
como resuelto, pasando el estado a C¸ errado
2
anotando la fecha de resoluci´on, lo que proporciona trazabilidad
total del trabajo llevado a cabo, desde la apertura del registro inicial, hasta el cierre del incidente.
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
19
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 13-27
https://revistas.ulasalle.edu.pe/innosoft
Validaci´on
Se aplic´o el criterio de evaluaci´on a 75 casos reales y representativos de incidentes vinculados con las tecnolog´ıas
de la informaci´on, obtenidos de 3 conjuntos de datos principales: Vulnerability Fix Dataset, IT Troubleshooting
Dataset yTech Support Conversations Dataset. El criterio se bas´o en determinar si las sugerencias generadas
por la aplicaci´on web coincid´ıan total o parcialmente con las soluciones aplicadas a los incidentes o vulnerabi-
lidades, siendo catalogadas como sugerencias correctas, o incorrectas si la sugerencia no es acorde a la soluci´on
real.
Se realiz´o un formulario de validaci´on a 80 alumnos y graduados de la carrera profesional de Ingenier´ıa de
Sistemas e Ingenier´ıa Inform´atica, quienes afirman poseer entre 1 y 5 a˜nos de experiencia en el ´area de
asistencia t´ecnica. Cada participante evalu´o las sugerencias generadas por la aplicaci´on web a diferentes casos
de inconvenientes de TI, determinando su funcionalidad y utilidad.
Resultados y discusi´on
Como se evidencia en la Tabla 1, la aplicaci´on demostr´o una precisi´on promedio del 77.3 % en la generaci´on
de sugerencias t´ecnicamente correctas. Los incidentes relacionados con problemas de software obtuvieron los
mejores resultados con un 85 % de precisi´on, mientras que los problemas de hardware presentaron mayor
variabilidad en la calidad de las respuestas con un 67.7 %.
Tabla 1. Precisi´on de sugerencias por categor´ıa de incidente
Categor´ıa Casos evaluados Sugerencias correctas Precisi´on ( %)
Problemas de red 18 14 77.8
Software 20 17 85
Hardware 15 10 66.7
Sistemas Operativos 12 9 75
Seguridad 10 8 80
TOTAL 75 58 77.3 %
La Tabla 2 muestra el an´alisis de correspondencia entre las sugerencias de la herramienta y las soluciones
documentadas en los conjuntos de datos. Se observa que el 29.3 % de los casos generaron sugerencias que coin-
ciden directamente con las soluciones de referencia, mientras que un 46.6 % adicional proporcion´o sugerencias
parcialmente alineadas.
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
20
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 13-27
https://revistas.ulasalle.edu.pe/innosoft
Tabla 2. Correspondencia con soluciones de referencia
Nivel de correspon-
dencia
Casos Porcentaje ( %) Descripci´on
Correspondencia
completa
22 29.3 Sugerencias id´enticas o equivalentes
Correspondencia
parcial
35 46.6 Sugerencias complementarias co-
rrectas
Orientaci´on inco-
rrecta
14 18.6 Sugerencias divergen de la pro-
blem´atica
Sin correspondencia 4 5.3 Sugerencias no alineadas
Como se muestra en la Figura 4, el 33.8 % de los encuestados son egresados y seguidamente se encuentran el
28.7 % de estudiantes de ´ultimo a˜no. El mayor porcentaje de encuestados (32.5 %) afirma contar con un a˜no
de experiencia en el campo de soporte seg´un la Figura 5.
Figura 4. Porcentaje de estudiantes y egresados encuestados
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
21
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 13-27
https://revistas.ulasalle.edu.pe/innosoft
Figura 5. A˜nos de trayectoria en asistencia t´ecnica de encuestados
Se aplic´o una secci´on de la encuesta orientada a los casos de evaluaci´on. Seg´un la Figura 6, se observa que
el 38.8 % de usuarios encuestados gener´o dos veces la sugerencia a su incidente para encontrarla relevante,
mientras que el 25 % lo hizo al generar la sugerencia por primera vez.
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
22
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 13-27
https://revistas.ulasalle.edu.pe/innosoft
Figura 6. Cantidad de sugerencias para obtener una de relevancia
Seg´un la Figura 7, el 56.3 % de encuestados resolvi´o de forma parcial su inconveniente gui´andose de las
sugerencias, mientras que el 37.5 % lo hizo completamente.
Figura 7. Porcentaje de encuestados que solucionaron sus inconvenientes
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
23
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 13-27
https://revistas.ulasalle.edu.pe/innosoft
Seg´un la Figura 8, el 46.3 % de encuestados fue definitivamente orientado para encontrar la soluci´on a su
incidente, mientras que el 40 % determin´o que fue parcialmente orientado hacia la soluci´on.
Figura 8. Nivel de correspondencia entre incidente y sugerencia generada
Finalmente, el 33.8 % de los encuestados calific´o la usabilidad de la aplicaci´on con una puntuaci´on de 8 mientras
que el 22.5 % la calific´o con una puntuaci´on de 9, en una escala del 1-10, seg´un la Figura 9.
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
24
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 13-27
https://revistas.ulasalle.edu.pe/innosoft
Figura 9. Nivel de usabilidad percibida por los usuarios encuestados
Los resultados muestran que la herramienta tiene una tasa de precisi´on t´ecnica del 77,3 %, lo que supone una
gran mejora con respecto a los sistemas tradicionales de ticketing, que necesitan que una persona se encargue
de escalar el problema en el 40-60 % de los casos. Las diferencias entre los distintos tipos de casos sugieren que
el modelo LLM es m´as adecuado para los problemas de software, en los que se dispone de una documentaci´on
m´as estructurada. En cambio, los problemas de hardware requieren una estructura m´as organizada y espec´ıfica.
La tasa de resoluci´on exitosa, donde el 37.5 % de participantes resolvi´o completamente su inconveniente y el
56.3 % lo hizo parcialmente, demuestra que la herramienta cumple efectivamente su prop´osito de asistencia
t´ecnica. Estos resultados son particularmente significativos considerando que los participantes ten´ıan niveles
variados de experiencia (1-5 a˜nos), lo que sugiere que la herramienta es ´util tanto para t´ecnicos junior como
para profesionales con mayor experiencia.
La evaluaci´on de usabilidad, con concentraci´on de calificaciones entre 8 y 9 puntos (56.3 % de participantes),
indica que la interfaz desarrollada en React logra un equilibrio efectivo entre funcionalidad y facilidad de uso.
Esta m´etrica es crucial para la adopci´on real de la herramienta en entornos operacionales donde la eficiencia
del flujo de trabajo es prioritaria.
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
25
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 13-27
https://revistas.ulasalle.edu.pe/innosoft
Conclusiones
La validaci´on realizada confirma que la aplicaci´on web desarrollada cumple con el objetivo principal, el de
asistir a t´ecnicos en la gesti´on de incidentes de TI mediane la generaci´on de sugerencias t´ecnicas y clasificaci´on
de prioridades. Los resultados obtenidos sobre la precisi´on t´ecnica del 77.3 % son muy optimistas para el estudio
del campo y valida la efectividad del uso de LLMs en procesos de soporte t´ecnico.
Este art´ıculo constituye una aportaci´on al ´ambito de la gesti´on automatizada de incidentes de TI porque
demuestra que caminando hacia una combinaci´on de LLMs y t´ecnicas de prompt engineering se pueden obtener
soluciones adecuadas a su contexto y t´ecnicamente precisas.
Los resultados sobre la variabilidad en la precisi´on a partir de las categor´ıas de incidentes, fundamentalmente
software y hardware, ponen de manifiesto hallazgos interesantes para futuras investigaciones y el desarrollo
reciente de sistemas. La disimilitud de precisi´on indica nuevas posibilidades de desarrollo de modelos por
dominio espec´ıfico o de implementaci´on de t´ecnicas de fine-tuning para mejorar el rendimiento de las categor´ıas
con menos precisi´on.
Para la investigaci´on futura, se sugiere investigar la introducci´on de estrategias de aprendizaje constante que
asistan al sistema en la optimizaci´on de respuestas derivadas de la retroalimentaci´on que viene de resoluciones
exitosas.
Este trabajo confirma que la introducci´on estrat´egica de IA a la transformaci´on digital permite mejorar la
eficiencia operativa sin grandes inversiones en infraestructura y sin necesidad de reentrenar al personal.
Contribuci´on de Autor´ıa
Luiggi Anthony Rosas P´erez: Conceptualizaci´on,Investigaci´on,Metodolog´ıa,Software,Validaci´on,Redacci´on
- borrador original. Diego Sebasti´an V´asquez Jaramillo: Conceptualizaci´on,Investigaci´on,Metodolog´ıa,Soft-
ware,Validaci´on,Redacci´on - borrador original. Luis Daniel Zavaleta Mego: Conceptualizaci´on,Investigaci´on,
Metodolog´ıa,Software,Validaci´on,Redacci´on - borrador original. Alberto Carlos Mendoza de los Santos:
Investigaci´on,An´alisis formal,Visualizaci´on,Supervisi´on,Validaci´on,Redacci´on - borrador original.
Referencias
[1] D. X. Long et al., “Multi-expert prompting improves reliability, safety, and usefulness of large language
models,” arXiv preprint arXiv:2411.00492, 2024.
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
26
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 13-27
https://revistas.ulasalle.edu.pe/innosoft
[2] L. S. Benitez Pereira et al., “Machine learning for classification of it support tickets,” in 2023 International
Conference on Cyber Management and Engineering (CyMaEn), 2023.
[3] V. Scotti and M. J. Carman, “Llm support for real-time technical assistance,” in Proceedings of the 2024
Conference on Empirical Methods in Natural Language Processing, 2024.
[4] R. Russo. Multi-agent llm frameworks: A new paradigm in pro-
blem solving. Medium. [Online]. Available: https://medium.com/bip-xtech/
multi-agent-llm-frameworks-a-new-paradigm-in-problem-solving-c03abdae6433
[5] L. S. Benitez Pereira, R. Pizzio, S. Bonho, L. Souza, and A. Junior, “Machine learning for classification of
it support tickets,” in 2023 International Conference on Cyber Management and Engineering (CyMaEn),
2023, pp. 210–213.
[6] Anonymous, “Enhancing llm code generation: A systematic evaluation of multi-agent collaboration and
runtime debugging for improved accuracy, reliability, and latency,” arXiv preprint arXiv:2505.02133v1,
2024.
[7] ——, “Llm support for real-time technical assistance,” ResearchGate, 2024.
[8] L. X. Do et al., “Multi-expert prompting improves reliability, safety, and usefulness of large language
models,” arXiv preprint arXiv:2411.00492, 2024.
[9] Y. Hao et al., “Planning anything with rigor: General-purpose zero-shot planning with llm-based forma-
lized programming,” MIT News, 2025.
[10] Purple Griffon. (2024) Incident categorisation in itsm. [Online]. Available: https://purplegriffon.com/
blog/incident-categorisation
[11] S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, 4th ed. Pearson, 2020.
[12] Y. Huang et al., “Advancing transformer architecture in long-context large language models: A com-
prehensive survey,” arXiv preprint arXiv:2311.12351, 2023.
[13] P. Sahoo et al., “A systematic survey of prompt engineering in large language models: Techniques and
applications,” arXiv preprint arXiv:2402.07927, 2024.
[14] Laravel Documentation, “Laravel - the php framework for web artisans,” https://laravel.com/docs, 2025.
[15] Oracle Corporation, “Mysql reference manual,” https://dev.mysql.com/doc, 2025.
[16] T. B. Brown et al., “Language models are few-shot learners,” NeurIPS, vol. 33, 2020.
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
27
