Patrones Arquitectónicos en la Generación de Código Asistida por IA: Revisión Sistemática
DOI:
https://doi.org/10.55204/trc.v6i2.e691Palabras clave:
Arquitectura de software, Patrones arquitectónicos, Inteligencia artificial generativa, Generación de código asistida por IA, Ingeniería de softwareResumen
La arquitectura de software desempeña un papel fundamental en el desarrollo de sistemas informáticos complejos, ya que define decisiones estructurales de alto nivel que influyen directamente en atributos de calidad como la mantenibilidad, la escalabilidad y la confiabilidad. De forma paralela, los avances recientes en inteligencia artificial generativa, en particular en modelos de lenguaje de gran escala, han impulsado su adopción en distintas fases de la ingeniería de software, principalmente en la generación automática de código. No obstante, los enfoques actuales tienden a centrarse en el nivel de implementación, prestando atención limitada a las decisiones arquitectónicas y al uso explícito de patrones arquitectónicos. Este trabajo presenta una revisión estructurada del estado del arte sobre la aplicación de inteligencia artificial generativa en la arquitectura de software, con énfasis en la relación entre requisitos, decisiones arquitectónicas y generación de código asistida por IA. La metodología se basa en un análisis cualitativo y comparativo de literatura científica reciente, identificando enfoques, beneficios y limitaciones reportadas. Los resultados evidencian que la IA generativa puede apoyar el diseño arquitectónico temprano, la alineación arquitectura código y el análisis arquitectónico, aunque persisten desafíos como la falta de datasets arquitectónicos, la limitada interpretabilidad y la ausencia de mecanismos de evaluación sistemática. Se concluye que la integración explícita de patrones arquitectónicos como conocimiento estructurado es clave para mejorar la coherencia y calidad del desarrollo de software asistido por inteligencia artificial.Descargas
Referencias
Abrahão, S., Grundy, J., Pezzè, M., Storey, M.-A., & Tamburri, D. A. (2025). Software Engineering by and for Humans in an AI Era. En ACM Transactions on Software Engineering and Methodology (Vol. 34, Número 5). https://doi.org/10.1145/3715111
Ajayi, O. O., Kurien, A. M., Djouani, K., & Dieng, L. (2025). A Multimodal Systematic Review of Drivers’ Fatigue Detection Methodologies, Datasets, and Models. En IEEE Access (Vol. 13, pp. 158266-158284). https://doi.org/10.1109/ACCESS.2025.3606900
Al-Azzoni, I., Iqbal, S., Al Ashkar, T., & Erum, Z. (2026). Integrating Model-Driven Engineering and Large Language Models for Test Scenario Generation for Smart Contracts. En Information (Switzerland) (Vol. 17, Número 1). https://doi.org/10.3390/info17010001
Autili, M., De Sanctis, M., Inverardi, P., Memon, M. A., Pelliccione, P., & Pettinari, S. (2026). A reference architecture for ethical-aware autonomous systems. En Journal of Systems and Software (Vol. 235). https://doi.org/10.1016/j.jss.2025.112749
Bhalla, J. S., & Jodhka, M. K. (2025). Leveraging Large Language Models in the Software Development Lifecycle: Opportunities and Challenges. En International Journal of Advanced Computer Science and Applications (Vol. 16, Número 11, pp. 43-51). https://doi.org/10.14569/IJACSA.2025.0161105
Cheng, H., Husen, J. H., Lu, Y., Racharak, T., Yoshioka, N., Ubayashi, N., & Washizaki, H. (2026). Generative AI for Requirements Engineering: A Systematic Literature Review. En Software—Practice and Experience (Vol. 56, Número 2, pp. 141-170). https://doi.org/10.1002/spe.70029
Compagnucci, I., Pinciroli, R., & Trubiani, C. (2026). Experimenting Architectural Patterns in Federated Learning Systems. En Journal of Systems and Software (Vol. 232). https://doi.org/10.1016/j.jss.2025.112655
Dhawan, M. (2026). Decoupling Deployment Velocity From Platform Governance: An Empirical Case Study of WebSocket-Enabled Gateway-Microservice Architecture. En IEEE Access (Vol. 14, pp. 9348-9358). https://doi.org/10.1109/ACCESS.2026.3654150
Erickson, J. S., Santos, H., Pinheiro, V., McCusker, J. P., & McGuinness, D. L. (2025). LLM experimentation through knowledge graphs: Towards improved management, repeatability, and verification. En Journal of Web Semantics (Vol. 85). https://doi.org/10.1016/j.websem.2024.100853
Esposito, M., Li, X., Moreschini, S., Ahmad, N., Cerny, T., Vaidhyanathan, K., Lenarduzzi, V., & Taibi, D. (2026a). Generative AI for software architecture. Applications, challenges, and future directions. En Journal of Systems and Software (Vol. 231). https://doi.org/10.1016/j.jss.2025.112607
Esposito, M., Li, X., Moreschini, S., Ahmad, N., Cerny, T., Vaidhyanathan, K., Lenarduzzi, V., & Taibi, D. (2026b). Generative AI for software architecture. Applications, challenges, and future directions. En Journal of Systems and Software (Vol. 231). https://doi.org/10.1016/j.jss.2025.112607
Fuentes-Quijada, G., Ruiz-González, F., & Caro, A. (2025). Enterprise Architecture and IT Governance to Support the BizDevOps Approach: A Systematic Mapping Study. En Information Systems Frontiers (Vol. 27, Número 3, pp. 865-888). https://doi.org/10.1007/s10796-024-10473-2
Gacitúa, R., Pereira, J., & Klafft, M. (2026). Explainability in Software Architectural Decisions: The ADR-E Framework and Empirical Evaluation. En IEEE Access (Vol. 14, pp. 9038-9061). https://doi.org/10.1109/ACCESS.2025.3648573
Hyun, S., & Hurtado, J. A. (2023). Traceability of Architectural Design Decisions and Software Artifacts: A Systematic Mapping Study. En Foundations of Computing and Decision Sciences (Vol. 48, Número 4, pp. 401-423). https://doi.org/10.2478/fcds-2023-0018
Le, D. M., Dang, D.-H., & Vo, H. D. (2025). Layered microservices architecture: A multitree-based domain-driven approach. En Information and Software Technology (Vol. 183). https://doi.org/10.1016/j.infsof.2025.107720
Liu, Z., Cheon, S., Stanbury, A., Jiao, X., Xing, W., & Kang, H. (2026). Towards contextual-based AI: A scoping review of artificial intelligence in X reality for personalized learning. En Computers and Education: Artificial Intelligence (Vol. 10). https://doi.org/10.1016/j.caeai.2025.100523
Nguyen, V.-V., Nguyen, H.-K., Nguyen, K.-S., Luong, T. M.-H., Vu, D.-Q., Phung, T.-N., & Nguyen, T.-V. (2026). A Novel Unified Framework for Automated Generation and Multimodal Validation of UML Diagrams. En CMES - Computer Modeling in Engineering and Sciences (Vol. 146, Número 1). https://doi.org/10.32604/cmes.2025.075442
Nouman, M., Azam, M., Saleh, A. M., Alsaeedi, A., & Abuaddous, H. Y. (2023). A systematic review of non-functional requirements mapping into architectural styles. En Bulletin of Electrical Engineering and Informatics (Vol. 12, Número 2, pp. 1226-1236). https://doi.org/10.11591/eei.v12i2.4081
Oruthotaarachchi, C., & Wijayanayake, J. (2025). Aligning Software Product Management with Software Engineering Concepts: A Systematic Literature Review. En Journal of Information Systems Engineering and Business Intelligence (Vol. 11, Número 2, pp. 143-159). https://doi.org/10.20473/jisebi.11.2.143-159
Rodrigues, H., Rito Silva, A., & Avritzer, A. (2025). Assessment of performance and its scalability in microservice architectures: Systematic literature review. En Journal of Systems and Software (Vol. 230). https://doi.org/10.1016/j.jss.2025.112500
Shaon, Md. S. H., & Akter, M. S. (2025). Modern Approaches to Software Vulnerability Detection: A Survey of Machine Learning, Deep Learning, and Large Language Models. En Electronics (Switzerland) (Vol. 14, Número 22). https://doi.org/10.3390/electronics14224449
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Jaime David Camacho Castillo, Christian Fernando Barragán Quizhpe, Alex Javier Canchignia Vasco, Enrique Marcelo Baño León, Santiago Enrique Paltan García
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores conservan los derechos morales y patrimoniales de sus obras. Puesto que Tesla Revista Científica es una publicación de acceso abierto, los lectores pueden reproducir total o parcialmente su contenido siempre y cuando proporcionen adecuadamente el crédito a los autores correspondientes y a la revista misma. Tesla Revista Científica se compromete a no hacer uso comercial de los textos que recibe y/o publica.
Nuestra revista se rige por las politicas internacionales SHERPA/RoMEO: Revista verde: Permiten el autoarchivo tanto del pre-print (borrador de un trabajo) como del post-print (la versión corregida y revisada por pares) y hasta de la versión final (maquetada tal como saldrá publicada en la revista).
Véase también "Derechos de autor y licencias".
