ESTUDIO DEL USO DE HERRAMIENTAS
DE IA PARA LA GESTIÓN DE PROYECTOS
DE SOFTWARE, COMO INSTRUMENTO
PARA MEJORAR LA SEGURIDAD DE
LAS APLICACIONES
STUDY OF THE USE OF AI TOOLS FOR SOFTWARE
PROJECT MANAGEMENT, AS AN INSTRUMENT
TO IMPROVE APPLICATION SECURITY
Mtro. Mario Orea León
Universidad Tecnologica de Tecamachalco, Mexico
Mtro. Victor Manuel Bravo Romero
Universidad Tecnologica de Tecamachalco, Mexico
Mtro. David Arenas Hernández
Universidad Tecnologica de Tecamachalco, Mexico
Dr. Manuel González Pérez
Universidad Tecnologica de Tecamachalco, Mexico
pág. 5383
DOI: https://doi.org/10.37811/cl_rcm.v9i3.18168
Estudio del Uso de Herramientas de IA para la Gestión de Proyectos de
Software, como Instrumento para Mejorar la Seguridad de las
Aplicaciones
Mtro. Mario Orea León1
mario.ol@ personal.uttecam.edu.mx
https://orcid.org/0000-0003-2145-7408
Universidad Tecnologica de Tecamachalco
Mexico
Mtro. Victor Manuel Bravo Romero
victor.br@ personal.uttecam.edu.mx
https://orcid.org/0009-0001-0394-2314
Universidad Tecnologica de Tecamachalco
Mexico
Mtro. David Arenas Hernández
david.ah@ personal.uttecam.edu.mx
https://orcid.org/0009-0005-3868-8909
Universidad Tecnologica de Tecamachalco
Mexico
Dr. Manuel González Pérez
m.gonzalez.perez@personal.uttecam.edu.mx
http://orcid.org/0000-0001-8700-2866
Universidad Tecnológica de Tecamachalco
Mexico
RESUMEN
En la era de la transformación digital, la seguridad de las aplicaciones de software se ha convertido en
un pilar fundamental para garantizar la confianza del usuario, la protección de datos y la continuidad
operativa de las organizaciones en todos los sectores. Esta investigación tuvo como objetivo estudiar el
uso de herramientas de inteligencia artificial (IA) para la gestión de proyectos de software para mejorar
la seguridad de las aplicaciones. Se aplicó un cuestionario a 91 estudiantes de Tecnologías de la
Información de la Universidad Tecnológica de Tecamachalco, Puebla. El cuestionario consta de quince
preguntas diseñadas para ser aplicadas a la estadística inferencial, ya que se ordenaron de dos en dos
para generar 225 hipótesis bivariadas. El diseño fue implementado con una escala Likert de 5 opciones,
la cual se dicotomizó para validar las hipótesis bivariadas con una prueba de chi-cuadrado. El proceso
de validación fue riguroso, con cuarenta hipótesis validadas en correlación lineal por coeficiente de
Pearson > 0.6 y con una prueba de chi-cuadrado de dos grados de libertad con un límite de confianza
del 95% y un error estadístico del 5%. De las 40 hipótesis validadas linealmente, solo nueve se tomaron
por razones de espacio.
Palabras clave: inteligencia artificial, desarrollo de software, gestión de proyectos, seguridad de
aplicaciones
1 Autor principal.
Correspondencia: m.gonzalez.perez@personal.uttecam.edu.mx
DOI: https://doi.org/10.37811/cl_rcm.v9i3.18168
Estudio del Uso de Herramientas de IA para la Gestión de Proyectos de
Software, como Instrumento para Mejorar la Seguridad de las
Aplicaciones
Mtro. Mario Orea León1
mario.ol@ personal.uttecam.edu.mx
https://orcid.org/0000-0003-2145-7408
Universidad Tecnologica de Tecamachalco
Mexico
Mtro. Victor Manuel Bravo Romero
victor.br@ personal.uttecam.edu.mx
https://orcid.org/0009-0001-0394-2314
Universidad Tecnologica de Tecamachalco
Mexico
Mtro. David Arenas Hernández
david.ah@ personal.uttecam.edu.mx
https://orcid.org/0009-0005-3868-8909
Universidad Tecnologica de Tecamachalco
Mexico
Dr. Manuel González Pérez
m.gonzalez.perez@personal.uttecam.edu.mx
http://orcid.org/0000-0001-8700-2866
Universidad Tecnológica de Tecamachalco
Mexico
RESUMEN
En la era de la transformación digital, la seguridad de las aplicaciones de software se ha convertido en
un pilar fundamental para garantizar la confianza del usuario, la protección de datos y la continuidad
operativa de las organizaciones en todos los sectores. Esta investigación tuvo como objetivo estudiar el
uso de herramientas de inteligencia artificial (IA) para la gestión de proyectos de software para mejorar
la seguridad de las aplicaciones. Se aplicó un cuestionario a 91 estudiantes de Tecnologías de la
Información de la Universidad Tecnológica de Tecamachalco, Puebla. El cuestionario consta de quince
preguntas diseñadas para ser aplicadas a la estadística inferencial, ya que se ordenaron de dos en dos
para generar 225 hipótesis bivariadas. El diseño fue implementado con una escala Likert de 5 opciones,
la cual se dicotomizó para validar las hipótesis bivariadas con una prueba de chi-cuadrado. El proceso
de validación fue riguroso, con cuarenta hipótesis validadas en correlación lineal por coeficiente de
Pearson > 0.6 y con una prueba de chi-cuadrado de dos grados de libertad con un límite de confianza
del 95% y un error estadístico del 5%. De las 40 hipótesis validadas linealmente, solo nueve se tomaron
por razones de espacio.
Palabras clave: inteligencia artificial, desarrollo de software, gestión de proyectos, seguridad de
aplicaciones
1 Autor principal.
Correspondencia: m.gonzalez.perez@personal.uttecam.edu.mx
pág. 5384
Study of the Use of AI Tools for Software Project Management, as an
Instrument to Improve Application Security
ABSTRACT
In the digital transformation era, software application security has become a critical pillar to ensure user
trust, data protection, and the operational continuity of organizations across all sectors. This research
aimed to study the use of artificial intelligence (AI) tools for software project management to improve
application security. A questionnaire was administered to 91 Information Technology students at the
Technological University of Tecamachalco, Puebla. The questionnaire consists of fifteen questions
designed to be applied to inferential statistics, as they were ordered two by two to generate 225 bivariate
hypotheses. The design was proprietary with a 5-option Likert scale, which was dichotomized to
validate the bivariate hypotheses with a chi-square test. The validation process was rigorous, with forty
hypotheses being validated in linear correlation by Pearson coefficient > 0.6 and with a two-degree-of-
freedom chi-square test with a 95% confidence limit and a 5% statistical error. Of the 40 hypotheses
validated linearly, only nine were taken for space reasons.
Keywords: artificial intelligence, software development, project management, application security
Artículo recibido 15 mayo 2025
Aceptado para publicación: 16 junio 2025
Study of the Use of AI Tools for Software Project Management, as an
Instrument to Improve Application Security
ABSTRACT
In the digital transformation era, software application security has become a critical pillar to ensure user
trust, data protection, and the operational continuity of organizations across all sectors. This research
aimed to study the use of artificial intelligence (AI) tools for software project management to improve
application security. A questionnaire was administered to 91 Information Technology students at the
Technological University of Tecamachalco, Puebla. The questionnaire consists of fifteen questions
designed to be applied to inferential statistics, as they were ordered two by two to generate 225 bivariate
hypotheses. The design was proprietary with a 5-option Likert scale, which was dichotomized to
validate the bivariate hypotheses with a chi-square test. The validation process was rigorous, with forty
hypotheses being validated in linear correlation by Pearson coefficient > 0.6 and with a two-degree-of-
freedom chi-square test with a 95% confidence limit and a 5% statistical error. Of the 40 hypotheses
validated linearly, only nine were taken for space reasons.
Keywords: artificial intelligence, software development, project management, application security
Artículo recibido 15 mayo 2025
Aceptado para publicación: 16 junio 2025
pág. 5385
INTRODUCCIÓN
En la era de la transformación digital, la seguridad de las aplicaciones software se ha convertido en un
pilar crítico para garantizar la confianza de los usuarios, la protección de datos y la continuidad
operativa de organizaciones en todos los sectores (European Union Agency for Cybersecurity [ENISA],
2023). Sin embargo, el desarrollo de software enfrenta desafíos sin precedentes: ciclos de vida cada vez
más cortos, requisitos de cumplimiento normativo más estrictos (como el Reglamento General de
Protección de Datos de la UE) y amenazas cibernéticas en constante evolución (Open Web Application
Security Project [OWASP], 2021).
Tradicionalmente, la gestión de proyectos de software ha priorizado aspectos como el cumplimiento de
plazos, la asignación de recursos y el control de costos, relegando en ocasiones la seguridad a etapas
tardías del proceso (McGraw, 2006). Esta desconexión ha demostrado ser insostenible, ya que
vulnerabilidades no detectadas en fases iniciales pueden traducirse en brechas críticas, con impactos
financieros devastadores (IBM Security, 2022).
En este contexto, las herramientas de inteligencia artificial (IA) emergen como un catalizador para
transformar la gestión de proyectos, no solo optimizando la eficiencia operativa, sino también
integrando la seguridad como un eje transversal desde el diseño hasta el despliegue (LeCun et al., 2015).
La capacidad de los sistemas de IA para analizar grandes volúmenes de datos, predecir riesgos,
automatizar tareas repetitivas y detectar patrones sutiles ofrece una oportunidad única para anticipar y
mitigar vulnerabilidades de forma proactiva (Allamanis et al., 2018) (Casey y Perry, 2025) (Cao et al.,
2025).
Por ejemplo, algoritmos de aprendizaje automático pueden identificar inconsistencias en el código
fuente, modelos predictivos pueden evaluar el impacto de cambios en la arquitectura del software
(Zhang et al., 2020) (Chai-Allah, 2025) (Vemulapalli, 2025), y sistemas de monitorización en tiempo
real, basados en redes neuronales, pueden alertar sobre comportamientos anómalos durante la ejecución
(Chowdhary et al., 2020).
A pesar de su potencial, la adopción de estas tecnologías en la gestión de proyectos de software aún
enfrenta barreras técnicas, culturales y metodológicas (Amershi et al., 2019).
INTRODUCCIÓN
En la era de la transformación digital, la seguridad de las aplicaciones software se ha convertido en un
pilar crítico para garantizar la confianza de los usuarios, la protección de datos y la continuidad
operativa de organizaciones en todos los sectores (European Union Agency for Cybersecurity [ENISA],
2023). Sin embargo, el desarrollo de software enfrenta desafíos sin precedentes: ciclos de vida cada vez
más cortos, requisitos de cumplimiento normativo más estrictos (como el Reglamento General de
Protección de Datos de la UE) y amenazas cibernéticas en constante evolución (Open Web Application
Security Project [OWASP], 2021).
Tradicionalmente, la gestión de proyectos de software ha priorizado aspectos como el cumplimiento de
plazos, la asignación de recursos y el control de costos, relegando en ocasiones la seguridad a etapas
tardías del proceso (McGraw, 2006). Esta desconexión ha demostrado ser insostenible, ya que
vulnerabilidades no detectadas en fases iniciales pueden traducirse en brechas críticas, con impactos
financieros devastadores (IBM Security, 2022).
En este contexto, las herramientas de inteligencia artificial (IA) emergen como un catalizador para
transformar la gestión de proyectos, no solo optimizando la eficiencia operativa, sino también
integrando la seguridad como un eje transversal desde el diseño hasta el despliegue (LeCun et al., 2015).
La capacidad de los sistemas de IA para analizar grandes volúmenes de datos, predecir riesgos,
automatizar tareas repetitivas y detectar patrones sutiles ofrece una oportunidad única para anticipar y
mitigar vulnerabilidades de forma proactiva (Allamanis et al., 2018) (Casey y Perry, 2025) (Cao et al.,
2025).
Por ejemplo, algoritmos de aprendizaje automático pueden identificar inconsistencias en el código
fuente, modelos predictivos pueden evaluar el impacto de cambios en la arquitectura del software
(Zhang et al., 2020) (Chai-Allah, 2025) (Vemulapalli, 2025), y sistemas de monitorización en tiempo
real, basados en redes neuronales, pueden alertar sobre comportamientos anómalos durante la ejecución
(Chowdhary et al., 2020).
A pesar de su potencial, la adopción de estas tecnologías en la gestión de proyectos de software aún
enfrenta barreras técnicas, culturales y metodológicas (Amershi et al., 2019).
pág. 5386
Este artículo explora cómo la integración estratégica de herramientas de IA en los flujos de trabajo de
gestión no solo mejora la eficiencia, sino que también fortalece la seguridad de las aplicaciones. Se
analiza el papel de la IA en la identificación temprana de riesgos, la priorización de tareas de seguridad
y la creación de marcos colaborativos entre desarrolladores, gestores de proyectos y equipos
de cybersecuridad (Forsgren et al., 2021).
La gestión tradicional de proyectos de software a menudo se ve obstaculizada por la dificultad de
predecir y mitigar riesgos, la asignación ineficiente de recursos y la falta de visibilidad en el progreso
del proyecto. Estas limitaciones pueden derivar en retrasos, sobrecostos y vulnerabilidades de seguridad
que comprometen la calidad y la fiabilidad de las aplicaciones (Boehm, 1988; McConnell, 2006).
La IA ofrece un abanico de herramientas y técnicas que pueden abordar estos desafíos de manera
efectiva. Los algoritmos de aprendizaje automático, por ejemplo, pueden analizar grandes volúmenes
de datos para identificar patrones y tendencias, lo que permite a los gerentes de proyecto tomar
decisiones más informadas y precisas (Russell & Norvig, 2016; Witten, Frank, Hall, & Pal, 2016). La
IA también puede automatizar tareas repetitivas, como la generación de informes y el seguimiento del
progreso, liberando tiempo valioso para que los equipos se concentren en actividades más estratégicas.
Además, la IA puede desempeñar un papel crucial en la mejora de la seguridad de las aplicaciones. Las
herramientas de análisis de código impulsadas por IA pueden detectar vulnerabilidades y errores de
seguridad en el código fuente, lo que permite a los desarrolladores corregirlos antes de que se conviertan
en problemas graves (OWASP, 2021; Schach, 2010). La IA también puede ayudar a identificar y mitigar
riesgos de seguridad durante todo el ciclo de vida del desarrollo de software, desde la fase de diseño
hasta la implementación y el mantenimiento.
Por lo tanto, afirmamos que el dominio de herramientas de IA en el desarrollo de software representa
un valor agregado significativo para los estudiantes de Tecnologías de la Información de la Universidad
Tecnológica de Tecamachalco.
Este conocimiento no solo mejora la seguridad de las aplicaciones, sino que también prepara a los
estudiantes para los desafíos y oportunidades del mercado laboral actual
Este artículo explora cómo la integración estratégica de herramientas de IA en los flujos de trabajo de
gestión no solo mejora la eficiencia, sino que también fortalece la seguridad de las aplicaciones. Se
analiza el papel de la IA en la identificación temprana de riesgos, la priorización de tareas de seguridad
y la creación de marcos colaborativos entre desarrolladores, gestores de proyectos y equipos
de cybersecuridad (Forsgren et al., 2021).
La gestión tradicional de proyectos de software a menudo se ve obstaculizada por la dificultad de
predecir y mitigar riesgos, la asignación ineficiente de recursos y la falta de visibilidad en el progreso
del proyecto. Estas limitaciones pueden derivar en retrasos, sobrecostos y vulnerabilidades de seguridad
que comprometen la calidad y la fiabilidad de las aplicaciones (Boehm, 1988; McConnell, 2006).
La IA ofrece un abanico de herramientas y técnicas que pueden abordar estos desafíos de manera
efectiva. Los algoritmos de aprendizaje automático, por ejemplo, pueden analizar grandes volúmenes
de datos para identificar patrones y tendencias, lo que permite a los gerentes de proyecto tomar
decisiones más informadas y precisas (Russell & Norvig, 2016; Witten, Frank, Hall, & Pal, 2016). La
IA también puede automatizar tareas repetitivas, como la generación de informes y el seguimiento del
progreso, liberando tiempo valioso para que los equipos se concentren en actividades más estratégicas.
Además, la IA puede desempeñar un papel crucial en la mejora de la seguridad de las aplicaciones. Las
herramientas de análisis de código impulsadas por IA pueden detectar vulnerabilidades y errores de
seguridad en el código fuente, lo que permite a los desarrolladores corregirlos antes de que se conviertan
en problemas graves (OWASP, 2021; Schach, 2010). La IA también puede ayudar a identificar y mitigar
riesgos de seguridad durante todo el ciclo de vida del desarrollo de software, desde la fase de diseño
hasta la implementación y el mantenimiento.
Por lo tanto, afirmamos que el dominio de herramientas de IA en el desarrollo de software representa
un valor agregado significativo para los estudiantes de Tecnologías de la Información de la Universidad
Tecnológica de Tecamachalco.
Este conocimiento no solo mejora la seguridad de las aplicaciones, sino que también prepara a los
estudiantes para los desafíos y oportunidades del mercado laboral actual
pág. 5387
METODOLOGÍA
Se aplicó un cuestionario a 91 estudiantes de Tecnologías de Información en la Universidad
Tecnológica de Tecamachalco, Puebla. El cuestionario consta de quince preguntas, mismas que fueron
diseñadas con la finalidad de llevarlas hasta estadística inferencial, ya que se ordenaron tomadas de dos
en dos para generar 225 hipótesis bivariadas. El diseño fue propio con escala de Likert de 5 opciones
que fueron dicotomizadas para validar las hipótesis bivariadas con Ji cuadrada. Este diseño fue realizado
aplicando la metodología Cuántica-Hamiltoniana-Euleriana (CHE). La validación del cuestionario se
llevó a cabo por expertos, aplicando 5 postulados de verificación y la correlación de Pearson, además
de la prueba de bondad de ajuste Ji cuadrada (Hernández et al, 2021).
Las 225 inferencias bivariadas se convirtieron en hipótesis y se validaron por dos métodos: a)
coeficiente de correlación de Pearson, para las correlaciones lineales y b) prueba de contraste Ji
cuadrada para las asociaciones no lineales. La muestra fue aleatoria y correlacional, sin discriminación
de género.
Cuestionario
1. Utilizo herramientas de IA para diseñar interfaces de usuario y experiencias de usuario
2. Utilizo herramientas de IA para generar código automáticamente
3. Utilizo herramientas de IA para realizar pruebas de software automatizadas.
4. Utilizo herramientas de IA para generar casos de prueba automáticamente
5. Utilizo herramientas de IA para gestionar y automatizar el ciclo de vida del desarrollo de software
6. Utilizo herramientas de IA para generar documentación técnica
7. Utilizo herramientas de IA para predecir y prevenir errores en el código
8. Utilizo herramientas de IA para optimizar el rendimiento del software.
9. Utilizo herramientas de IA para analizar y depurar código.
10. Utilizo herramientas de IA para la gestión de proyectos de software
11. Utilizo herramientas de IA para la seguridad del software, como la detección de vulnerabilidades
12. Estoy familiarizado con las herramientas de IA disponibles para el desarrollo de software
13. Considero que las herramientas de IA mejoran mi productividad en el desarrollo de software
14. Estoy interesado en aprender más sobre las herramientas de IA para el desarrollo de software
METODOLOGÍA
Se aplicó un cuestionario a 91 estudiantes de Tecnologías de Información en la Universidad
Tecnológica de Tecamachalco, Puebla. El cuestionario consta de quince preguntas, mismas que fueron
diseñadas con la finalidad de llevarlas hasta estadística inferencial, ya que se ordenaron tomadas de dos
en dos para generar 225 hipótesis bivariadas. El diseño fue propio con escala de Likert de 5 opciones
que fueron dicotomizadas para validar las hipótesis bivariadas con Ji cuadrada. Este diseño fue realizado
aplicando la metodología Cuántica-Hamiltoniana-Euleriana (CHE). La validación del cuestionario se
llevó a cabo por expertos, aplicando 5 postulados de verificación y la correlación de Pearson, además
de la prueba de bondad de ajuste Ji cuadrada (Hernández et al, 2021).
Las 225 inferencias bivariadas se convirtieron en hipótesis y se validaron por dos métodos: a)
coeficiente de correlación de Pearson, para las correlaciones lineales y b) prueba de contraste Ji
cuadrada para las asociaciones no lineales. La muestra fue aleatoria y correlacional, sin discriminación
de género.
Cuestionario
1. Utilizo herramientas de IA para diseñar interfaces de usuario y experiencias de usuario
2. Utilizo herramientas de IA para generar código automáticamente
3. Utilizo herramientas de IA para realizar pruebas de software automatizadas.
4. Utilizo herramientas de IA para generar casos de prueba automáticamente
5. Utilizo herramientas de IA para gestionar y automatizar el ciclo de vida del desarrollo de software
6. Utilizo herramientas de IA para generar documentación técnica
7. Utilizo herramientas de IA para predecir y prevenir errores en el código
8. Utilizo herramientas de IA para optimizar el rendimiento del software.
9. Utilizo herramientas de IA para analizar y depurar código.
10. Utilizo herramientas de IA para la gestión de proyectos de software
11. Utilizo herramientas de IA para la seguridad del software, como la detección de vulnerabilidades
12. Estoy familiarizado con las herramientas de IA disponibles para el desarrollo de software
13. Considero que las herramientas de IA mejoran mi productividad en el desarrollo de software
14. Estoy interesado en aprender más sobre las herramientas de IA para el desarrollo de software
pág. 5388
15. El uso de herramientas de IA en el desarrollo de software genera una ventaja competitiva en un
Ingeniero en TI
Escala de Likert: 1 = menor medida, 5 = máxima medida.
RESULTADOS Y DISCUSIÓN
Validación de cuestionario.
Postulados de validación por expertos que revisaron si:
1. Las preguntas se repitieron. Resultado = No se encontraron preguntas repetidas.
2. Las preguntas están parafraseadas; el encuestado las tomó como repetidas. No hubo preguntas
parafraseas.
3. La pregunta está parafraseada a propósito, se hicieron parafraseadas para cazar al encuestado en
contradicción. No se encontraron preguntas parafraseadas a propósito.
4. Las preguntas se correlacionaron o asociaron por casualidad. No se encontraron preguntas
correlacionadas por casualidad.
5. Las preguntas se correlacionaron o asociaron por su propia naturaleza. Si, se encontró que todas las
correlaciones o asociaciones tanto lineales (coeficiente de Pearson) como no lineales (Chi cuadrada)
fueron por la propia naturaleza de las preguntas.
Este cuestionario se aplicó y con los resultados. Las comparaciones fueron tomadas de una técnica de
conteo, una ordenación tomada de dos en dos.
Ecuación 1
𝑂 = 𝑝2 = 152 = 225
Donde:
O = al número de comparaciones bivariadas, que luego se convierten en inferencias, más adelante en
hipótesis y luego en tesis (hipótesis comprobadas).
p = al número de preguntas o ítems.
En la tabla 1 se muestran los resultados de los coeficientes de Pearson para evaluar el cuestionario de
las ordenaciones tomadas de dos en dos. Esta misma tabla servirá para evaluar las inferencias e hipótesis
bivariadas.
15. El uso de herramientas de IA en el desarrollo de software genera una ventaja competitiva en un
Ingeniero en TI
Escala de Likert: 1 = menor medida, 5 = máxima medida.
RESULTADOS Y DISCUSIÓN
Validación de cuestionario.
Postulados de validación por expertos que revisaron si:
1. Las preguntas se repitieron. Resultado = No se encontraron preguntas repetidas.
2. Las preguntas están parafraseadas; el encuestado las tomó como repetidas. No hubo preguntas
parafraseas.
3. La pregunta está parafraseada a propósito, se hicieron parafraseadas para cazar al encuestado en
contradicción. No se encontraron preguntas parafraseadas a propósito.
4. Las preguntas se correlacionaron o asociaron por casualidad. No se encontraron preguntas
correlacionadas por casualidad.
5. Las preguntas se correlacionaron o asociaron por su propia naturaleza. Si, se encontró que todas las
correlaciones o asociaciones tanto lineales (coeficiente de Pearson) como no lineales (Chi cuadrada)
fueron por la propia naturaleza de las preguntas.
Este cuestionario se aplicó y con los resultados. Las comparaciones fueron tomadas de una técnica de
conteo, una ordenación tomada de dos en dos.
Ecuación 1
𝑂 = 𝑝2 = 152 = 225
Donde:
O = al número de comparaciones bivariadas, que luego se convierten en inferencias, más adelante en
hipótesis y luego en tesis (hipótesis comprobadas).
p = al número de preguntas o ítems.
En la tabla 1 se muestran los resultados de los coeficientes de Pearson para evaluar el cuestionario de
las ordenaciones tomadas de dos en dos. Esta misma tabla servirá para evaluar las inferencias e hipótesis
bivariadas.
pág. 5389
Tabla 1. Resultado coeficiente de Pearson. Para validación de hipótesis bivariadas.
En la tabla 2 se presentan las hipótesis validadas con el coeficiente de correlación de Pearson y Ji
cuadrada para dos grados de libertad dicotomizada de la escala de Likert.
Tabla 2. Inferencias o hipótesis bivariadas validadas con Pearson y Ji cuadrada escogida por los autores.
Par Inferencia o hipótesis bivariada Pearson
(0.6)
Ji
Cuadrada
(3.84)
Tesis
(10,11) Si Utilizo herramientas de IA para la
gestión de proyectos de software
entonces Utilizo herramientas de IA
para la seguridad del software, como la
detección de vulnerabilidades
0.609 25.49 Utilizar herramientas de IA para la
gestión de proyectos de software,
permite mejorar la seguridad de las
aplicaciones
(2,3) Si Utilizo herramientas de IA para
generar código automáticamente
entonces Utilizo herramientas de IA
para realizar pruebas de software
automatizadas.
0.781 48.94 Utilizar herramientas de IA para
generar código automáticamente se
debe al buen uso de herramientas de
IA para realizar pruebas de software
automatizadas.
(2,7) Si Utilizo herramientas de IA para
generar código automáticamente
entonces Utilizo herramientas de IA
para predecir y prevenir errores en el
código
0.632 33.15 El uso de IA en la generación de
código, permite prevenir errores en el
desarrollo de software
(2,8) Si Utilizo herramientas de IA para
generar código automáticamente
entonces Utilizo herramientas de IA
para optimizar el rendimiento del
software.
0.648 25.06 El uso de IA en la generación de
código, permite optimizar el
rendimiento del software
(2,10) Si Utilizo herramientas de IA para
generar código automáticamente
entonces Utilizo herramientas de IA
para la gestión de proyectos de
software
0.617 32.40 Utilizar herramientas de IA para
generar código automáticamente,
permite utilizar IA en la gestión de
proyectos de SoftwareItem 1 Item 2 Item 3 Item 4 Item 5 Item 6 Item 7 Item 8 Item 9 Item 10 Item 11 Item 12 Item 13 Item 14 Item 15
Item 1 1.000
Item 2 -0.032 1.000
Item 3 0.117 0.781 1.000
Item 4 0.118 0.560 0.669 1.000
Item 5 0.162 0.479 0.567 0.649 1.000
Item 6 0.106 0.455 0.513 0.651 0.659 1.000
Item 7 0.062 0.632 0.689 0.628 0.703 0.515 1.000
Item 8 0.049 0.648 0.592 0.724 0.656 0.474 0.631 1.000
Item 9 0.103 0.436 0.492 0.609 0.626 0.481 0.551 0.686 1.000
Item 10 0.008 0.617 0.642 0.676 0.525 0.592 0.556 0.599 0.593 1.000
Item 11 0.202 0.576 0.680 0.658 0.747 0.604 0.669 0.639 0.685 0.609 1.000
Item 12 0.067 0.565 0.606 0.631 0.492 0.517 0.565 0.659 0.550 0.648 0.556 1.000
Item 13 0.065 0.499 0.660 0.558 0.622 0.602 0.627 0.484 0.502 0.519 0.528 0.487 1.000
Item 14 0.036 0.500 0.566 0.477 0.563 0.650 0.406 0.513 0.421 0.458 0.495 0.430 0.501 1.000
Item 15 -0.003 0.320 0.422 0.331 0.536 0.459 0.402 0.436 0.332 0.401 0.432 0.348 0.537 0.505 1.000
Tabla 1. Resultado coeficiente de Pearson. Para validación de hipótesis bivariadas.
En la tabla 2 se presentan las hipótesis validadas con el coeficiente de correlación de Pearson y Ji
cuadrada para dos grados de libertad dicotomizada de la escala de Likert.
Tabla 2. Inferencias o hipótesis bivariadas validadas con Pearson y Ji cuadrada escogida por los autores.
Par Inferencia o hipótesis bivariada Pearson
(0.6)
Ji
Cuadrada
(3.84)
Tesis
(10,11) Si Utilizo herramientas de IA para la
gestión de proyectos de software
entonces Utilizo herramientas de IA
para la seguridad del software, como la
detección de vulnerabilidades
0.609 25.49 Utilizar herramientas de IA para la
gestión de proyectos de software,
permite mejorar la seguridad de las
aplicaciones
(2,3) Si Utilizo herramientas de IA para
generar código automáticamente
entonces Utilizo herramientas de IA
para realizar pruebas de software
automatizadas.
0.781 48.94 Utilizar herramientas de IA para
generar código automáticamente se
debe al buen uso de herramientas de
IA para realizar pruebas de software
automatizadas.
(2,7) Si Utilizo herramientas de IA para
generar código automáticamente
entonces Utilizo herramientas de IA
para predecir y prevenir errores en el
código
0.632 33.15 El uso de IA en la generación de
código, permite prevenir errores en el
desarrollo de software
(2,8) Si Utilizo herramientas de IA para
generar código automáticamente
entonces Utilizo herramientas de IA
para optimizar el rendimiento del
software.
0.648 25.06 El uso de IA en la generación de
código, permite optimizar el
rendimiento del software
(2,10) Si Utilizo herramientas de IA para
generar código automáticamente
entonces Utilizo herramientas de IA
para la gestión de proyectos de
software
0.617 32.40 Utilizar herramientas de IA para
generar código automáticamente,
permite utilizar IA en la gestión de
proyectos de SoftwareItem 1 Item 2 Item 3 Item 4 Item 5 Item 6 Item 7 Item 8 Item 9 Item 10 Item 11 Item 12 Item 13 Item 14 Item 15
Item 1 1.000
Item 2 -0.032 1.000
Item 3 0.117 0.781 1.000
Item 4 0.118 0.560 0.669 1.000
Item 5 0.162 0.479 0.567 0.649 1.000
Item 6 0.106 0.455 0.513 0.651 0.659 1.000
Item 7 0.062 0.632 0.689 0.628 0.703 0.515 1.000
Item 8 0.049 0.648 0.592 0.724 0.656 0.474 0.631 1.000
Item 9 0.103 0.436 0.492 0.609 0.626 0.481 0.551 0.686 1.000
Item 10 0.008 0.617 0.642 0.676 0.525 0.592 0.556 0.599 0.593 1.000
Item 11 0.202 0.576 0.680 0.658 0.747 0.604 0.669 0.639 0.685 0.609 1.000
Item 12 0.067 0.565 0.606 0.631 0.492 0.517 0.565 0.659 0.550 0.648 0.556 1.000
Item 13 0.065 0.499 0.660 0.558 0.622 0.602 0.627 0.484 0.502 0.519 0.528 0.487 1.000
Item 14 0.036 0.500 0.566 0.477 0.563 0.650 0.406 0.513 0.421 0.458 0.495 0.430 0.501 1.000
Item 15 -0.003 0.320 0.422 0.331 0.536 0.459 0.402 0.436 0.332 0.401 0.432 0.348 0.537 0.505 1.000
pág. 5390
(3,2) Si Utilizo herramientas de IA para
realizar pruebas de software
automatizadas. entonces Utilizo
herramientas de IA para generar código
automáticamente
0.781 48.948 Utilizar herramientas de IA para
realizar pruebas de software
automatizadas, generan código
automáticamente
(3,4) Si Utilizo herramientas de IA para
realizar pruebas de software
automatizadas. entonces Utilizo
herramientas de IA para generar casos
de prueba automáticamente
0.669 28.3782 Utilizar herramientas de IA para
realizar pruebas de software
automatizadas permite generar casos
de prueba automáticamente
(3,7) Si Utilizo herramientas de IA para
realizar pruebas de software
automatizadas. entonces Utilizo
herramientas de IA para predecir y
prevenir errores en el código
0.6887 43.651148 Utilizar herramientas de IA para
realizar pruebas automatizadas,
permite predecir y prevenir errores de
código
(3,8) Si Utilizo herramientas de IA para
realizar pruebas de software
automatizadas. entonces Utilizo
herramientas de IA para optimizar el
rendimiento del software.
0.592 27.744 Utilizar herramientas de IA para
realizar pruebas de software
automatizadas, permite optimizar el
rendimiento del software
Argumentación de las tesis.
1. “Utilizar herramientas de IA para la gestión de proyectos de software, permite mejorar la seguridad
de las aplicaciones” . Como el límite es de 3.84 y los jovenes encuestados la toman 25.49, esto del
95% de confianza a un 99.9999. Además de tener una buena correlación lineal por el coeficiente de
Pearson de 0.609.
2. “Utilizar herramientas de IA para generar código automáticamente se debe al buen uso de
herramientas de IA para realizar pruebas de software automatizadas”. Como el límite es de 3.84 y
los jovenes encuestados la toman 48.94, esto del 95% de confianza a un 99.9999. Además de tener
una buena correlación lineal por el coeficiente de Pearson de 0.781.
3. “El uso de IA en la generación de código, permite prevenir errores en el desarrollo de software”.
Como el límite es de 3.84 y los jovenes encuestados la toman 25.06, esto del 95% de confianza a
un 99.9999. Además de tener una buena correlación lineal por el coeficiente de Pearson de 0.632.
4. “El uso de IA en la generación de código, permite optimizar el rendimiento del software”. Como el
límite es de 3.84 y los jovenes encuestados la toman 33.15, esto del 95% de confianza a un 99.9999.
Además de tener una buena correlación lineal por el coeficiente de Pearson de 0.648.
(3,2) Si Utilizo herramientas de IA para
realizar pruebas de software
automatizadas. entonces Utilizo
herramientas de IA para generar código
automáticamente
0.781 48.948 Utilizar herramientas de IA para
realizar pruebas de software
automatizadas, generan código
automáticamente
(3,4) Si Utilizo herramientas de IA para
realizar pruebas de software
automatizadas. entonces Utilizo
herramientas de IA para generar casos
de prueba automáticamente
0.669 28.3782 Utilizar herramientas de IA para
realizar pruebas de software
automatizadas permite generar casos
de prueba automáticamente
(3,7) Si Utilizo herramientas de IA para
realizar pruebas de software
automatizadas. entonces Utilizo
herramientas de IA para predecir y
prevenir errores en el código
0.6887 43.651148 Utilizar herramientas de IA para
realizar pruebas automatizadas,
permite predecir y prevenir errores de
código
(3,8) Si Utilizo herramientas de IA para
realizar pruebas de software
automatizadas. entonces Utilizo
herramientas de IA para optimizar el
rendimiento del software.
0.592 27.744 Utilizar herramientas de IA para
realizar pruebas de software
automatizadas, permite optimizar el
rendimiento del software
Argumentación de las tesis.
1. “Utilizar herramientas de IA para la gestión de proyectos de software, permite mejorar la seguridad
de las aplicaciones” . Como el límite es de 3.84 y los jovenes encuestados la toman 25.49, esto del
95% de confianza a un 99.9999. Además de tener una buena correlación lineal por el coeficiente de
Pearson de 0.609.
2. “Utilizar herramientas de IA para generar código automáticamente se debe al buen uso de
herramientas de IA para realizar pruebas de software automatizadas”. Como el límite es de 3.84 y
los jovenes encuestados la toman 48.94, esto del 95% de confianza a un 99.9999. Además de tener
una buena correlación lineal por el coeficiente de Pearson de 0.781.
3. “El uso de IA en la generación de código, permite prevenir errores en el desarrollo de software”.
Como el límite es de 3.84 y los jovenes encuestados la toman 25.06, esto del 95% de confianza a
un 99.9999. Además de tener una buena correlación lineal por el coeficiente de Pearson de 0.632.
4. “El uso de IA en la generación de código, permite optimizar el rendimiento del software”. Como el
límite es de 3.84 y los jovenes encuestados la toman 33.15, esto del 95% de confianza a un 99.9999.
Además de tener una buena correlación lineal por el coeficiente de Pearson de 0.648.
pág. 5391
5. “Utilizar herramientas de IA para generar código automáticamente, permite utilizar IA en la gestión
de proyectos de Software”. Como el límite es de 3.84 y los jovenes encuestados la toman 32.40,
esto del 95% de confianza a un 99.9999. Además de tener una buena correlación lineal por el
coeficiente de Pearson de 0.617.
6. “Utilizar herramientas de IA para realizar pruebas de software automatizadas, generan código
automáticamente”. Como el límite es de 3.84 y los jovenes encuestados la toman 48.94, esto del
95% de confianza a un 99.9999. Además de tener una buena correlación lineal por el coeficiente de
Pearson de 0.781.
7. “Utilizar herramientas de IA para realizar pruebas de software automatizadas permite generar casos
de prueba automáticamente”. Como el límite es de 3.84 y los jovenes encuestados la toman 28.37,
esto del 95% de confianza a un 99.9999. Además de tener una buena correlación lineal por el
coeficiente de Pearson de 0.669.
8. “Utilizar herramientas de IA para realizar pruebas automatizadas, permite predecir y prevenir
errores de código”. Como el límite es de 3.84 y los jovenes encuestados la toman 43.65, esto del
95% de confianza a un 99.9999. Además de tener una buena correlación lineal por el coeficiente de
Pearson de 0.688.
9. “Utilizar herramientas de IA para realizar pruebas de software automatizadas, permite optimizar el
rendimiento del software”. Como el límite es de 3.84 y los jovenes encuestados la toman 27.74,
esto del 95% de confianza a un 99.9999. Además de tener una buena correlación lineal por el
coeficiente de Pearson de 0.592.
En la figura 1, se muestra la gráfica del par ordenado (2,8) (pregunta o ítem 2, con el 8).
Inferencia: “Si Utilizo herramientas de IA para generar código automáticamente entonces, utilizo
herramientas de IA para optimizar el rendimiento del software. Pearson = 0.648; Ji cuadrada = 25.06.
Hipótesis comprobada o tesis: “El uso de IA en la generación de código, permite optimizar el
rendimiento del software”
5. “Utilizar herramientas de IA para generar código automáticamente, permite utilizar IA en la gestión
de proyectos de Software”. Como el límite es de 3.84 y los jovenes encuestados la toman 32.40,
esto del 95% de confianza a un 99.9999. Además de tener una buena correlación lineal por el
coeficiente de Pearson de 0.617.
6. “Utilizar herramientas de IA para realizar pruebas de software automatizadas, generan código
automáticamente”. Como el límite es de 3.84 y los jovenes encuestados la toman 48.94, esto del
95% de confianza a un 99.9999. Además de tener una buena correlación lineal por el coeficiente de
Pearson de 0.781.
7. “Utilizar herramientas de IA para realizar pruebas de software automatizadas permite generar casos
de prueba automáticamente”. Como el límite es de 3.84 y los jovenes encuestados la toman 28.37,
esto del 95% de confianza a un 99.9999. Además de tener una buena correlación lineal por el
coeficiente de Pearson de 0.669.
8. “Utilizar herramientas de IA para realizar pruebas automatizadas, permite predecir y prevenir
errores de código”. Como el límite es de 3.84 y los jovenes encuestados la toman 43.65, esto del
95% de confianza a un 99.9999. Además de tener una buena correlación lineal por el coeficiente de
Pearson de 0.688.
9. “Utilizar herramientas de IA para realizar pruebas de software automatizadas, permite optimizar el
rendimiento del software”. Como el límite es de 3.84 y los jovenes encuestados la toman 27.74,
esto del 95% de confianza a un 99.9999. Además de tener una buena correlación lineal por el
coeficiente de Pearson de 0.592.
En la figura 1, se muestra la gráfica del par ordenado (2,8) (pregunta o ítem 2, con el 8).
Inferencia: “Si Utilizo herramientas de IA para generar código automáticamente entonces, utilizo
herramientas de IA para optimizar el rendimiento del software. Pearson = 0.648; Ji cuadrada = 25.06.
Hipótesis comprobada o tesis: “El uso de IA en la generación de código, permite optimizar el
rendimiento del software”
pág. 5392
Figura 1. Gráfica del par ordenado de preguntas (2,8)
No se muestran las 40 tesis generadas, por razones de espacio.
CONCLUSIONES
La integración de herramientas de inteligencia artificial en la gestión de proyectos de software
representa un avance paradigmático en la forma en que abordamos la seguridad de las aplicaciones. Los
resultados analizados en este trabajo demuestran que la IA no solo optimiza procesos operativos, sino
que redefine la seguridad como un componente intrínseco del ciclo de vida del desarrollo.
Objetivo
Usar herramientas de IA para la gestión de proyectos de software, como instrumento para mejorar la
seguridad de las aplicaciones en la Universidad Tecnológica de Tecamachalco, se cumplió.
Tesis general
Utilizar herramientas de IA para la gestión de proyectos de software, si permite mejorar la seguridad de
las aplicaciones.
REFERENCIAS BIBLIOGRAFICAS
Allamanis, M., Barr, E. T., Devanbu, P., & Sutton, C. (2018). A survey of machine learning for big
code and naturalness. ACM Computing Surveys, 51(4), 1–37. https://doi.org/10.1145/3212695
Amershi, S., Begel, A., Bird, C., DeLine, R., Gall, H., Kamar, E., Nagappan, N., Nushi, B., &
Zimmermann, T. (2019). Software engineering for machine learning: A case study. Proceedings
of the 41st International Conference on Software Engineering: Software Engineering in Practice,
291–300. https://doi.org/10.1109/ICSE-SEIP.2019.00042
Figura 1. Gráfica del par ordenado de preguntas (2,8)
No se muestran las 40 tesis generadas, por razones de espacio.
CONCLUSIONES
La integración de herramientas de inteligencia artificial en la gestión de proyectos de software
representa un avance paradigmático en la forma en que abordamos la seguridad de las aplicaciones. Los
resultados analizados en este trabajo demuestran que la IA no solo optimiza procesos operativos, sino
que redefine la seguridad como un componente intrínseco del ciclo de vida del desarrollo.
Objetivo
Usar herramientas de IA para la gestión de proyectos de software, como instrumento para mejorar la
seguridad de las aplicaciones en la Universidad Tecnológica de Tecamachalco, se cumplió.
Tesis general
Utilizar herramientas de IA para la gestión de proyectos de software, si permite mejorar la seguridad de
las aplicaciones.
REFERENCIAS BIBLIOGRAFICAS
Allamanis, M., Barr, E. T., Devanbu, P., & Sutton, C. (2018). A survey of machine learning for big
code and naturalness. ACM Computing Surveys, 51(4), 1–37. https://doi.org/10.1145/3212695
Amershi, S., Begel, A., Bird, C., DeLine, R., Gall, H., Kamar, E., Nagappan, N., Nushi, B., &
Zimmermann, T. (2019). Software engineering for machine learning: A case study. Proceedings
of the 41st International Conference on Software Engineering: Software Engineering in Practice,
291–300. https://doi.org/10.1109/ICSE-SEIP.2019.00042
pág. 5393
Cao, Y., Li, S., Liu, Y., Yan, Z., Dai, Y., Yu, P., & Sun, L. (2025). A survey of ai-generated content
(aigc). ACM Computing Surveys, 57(5), 1-38.
Casey, B., Santos, J. C., & Perry, G. (2025). A survey of source code representations for machine
learning-based cybersecurity tasks. ACM Computing Surveys, 57(8), 1-41.
Chai-allah, A., Hermes, J., De La Foye, A., Venter, Z. S., Joly, F., Brunschwig, G., ... & Fox, N. (2025).
Assessing recreationists’ preferences of the landscape and species using crowdsourced images
and machine learning. Landscape and Urban Planning, 257, 105315.
Chowdhary, K. R., Chowdhary, M., & Choo, K. K. R. (2020). Cybersecurity in the age of artificial
intelligence. IEEE Access, 8, 223008–223037. https://doi.org/10.1109/ACCESS.2020.3042274
European Union Agency for Cybersecurity. (2023). Threat landscape for software supply chain
attacks. https://www.enisa.europa.eu/publications/enisa-threat-landscape-2023
Forsgren, N., Humble, J., & Kim, G. (2021). Accelerate: The science of lean software and DevOps. IT
Revolution Press.
IBM Security. (2022). Cost of a data breach report. https://www.ibm.com/security/data-breach
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–
444. https://doi.org/10.1038/nature14539
McGraw, G. (2006). Software security: Building security in. Addison-Wesley Professional.
National Institute of Standards and Technology. (2020). Cybersecurity framework version
1.1. https://www.nist.gov/cyberframework
Open Web Application Security Project. (2021). Top 10 application security
risks. https://owasp.org/www-project-top-ten/
Vemulapalli, G. (2025). Charting the Ethical Horizon: A Deep Dive Into AI Ethics, Unraveling the
Moral Threads in Machine Intelligence Development. In Artificial Intelligence and Machine
Learning for Sustainable Development (pp. 209-220). CRC Press.
Zhang, J. M., Harman, M., Ma, L., & Liu, Y. (2020). Machine learning testing: Survey, landscapes and
horizons. IEEE Transactions on Software Engineering, 48(2), 1–
25. https://doi.org/10.1109/TSE.2019.2962027
Cao, Y., Li, S., Liu, Y., Yan, Z., Dai, Y., Yu, P., & Sun, L. (2025). A survey of ai-generated content
(aigc). ACM Computing Surveys, 57(5), 1-38.
Casey, B., Santos, J. C., & Perry, G. (2025). A survey of source code representations for machine
learning-based cybersecurity tasks. ACM Computing Surveys, 57(8), 1-41.
Chai-allah, A., Hermes, J., De La Foye, A., Venter, Z. S., Joly, F., Brunschwig, G., ... & Fox, N. (2025).
Assessing recreationists’ preferences of the landscape and species using crowdsourced images
and machine learning. Landscape and Urban Planning, 257, 105315.
Chowdhary, K. R., Chowdhary, M., & Choo, K. K. R. (2020). Cybersecurity in the age of artificial
intelligence. IEEE Access, 8, 223008–223037. https://doi.org/10.1109/ACCESS.2020.3042274
European Union Agency for Cybersecurity. (2023). Threat landscape for software supply chain
attacks. https://www.enisa.europa.eu/publications/enisa-threat-landscape-2023
Forsgren, N., Humble, J., & Kim, G. (2021). Accelerate: The science of lean software and DevOps. IT
Revolution Press.
IBM Security. (2022). Cost of a data breach report. https://www.ibm.com/security/data-breach
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–
444. https://doi.org/10.1038/nature14539
McGraw, G. (2006). Software security: Building security in. Addison-Wesley Professional.
National Institute of Standards and Technology. (2020). Cybersecurity framework version
1.1. https://www.nist.gov/cyberframework
Open Web Application Security Project. (2021). Top 10 application security
risks. https://owasp.org/www-project-top-ten/
Vemulapalli, G. (2025). Charting the Ethical Horizon: A Deep Dive Into AI Ethics, Unraveling the
Moral Threads in Machine Intelligence Development. In Artificial Intelligence and Machine
Learning for Sustainable Development (pp. 209-220). CRC Press.
Zhang, J. M., Harman, M., Ma, L., & Liu, Y. (2020). Machine learning testing: Survey, landscapes and
horizons. IEEE Transactions on Software Engineering, 48(2), 1–
25. https://doi.org/10.1109/TSE.2019.2962027