pág. 4749
CHAT DE ASISTENCIA EMBEBIDO EN UN
IDE POTENCIADO POR IA
AI-POWERED EMBEDDED ASSISTANCE
CHAT FOR IDE
Francisco Fabián Tobías Macías
Tecnológico Nacional de México/Instituto Tecnológico de Piedras Negras, México
Gustavo Emilio Rojo Velázquez
Tecnológico Nacional de México/Instituto Tecnológico de Piedras Negras, México
Carlos Hernández Santos
Tecnológico Nacional de México/Instituto Tecnológico de Nuevo León, México
Roxana García Andrade
Tecnológico Nacional de México/Instituto Tecnológico de Nuevo León, México
Yasser Alberto Davizon Castillo
Tecnológico Nacional de México/Instituto Tecnológico de los Mochis, México
pág. 4750
DOI: https://doi.org/10.37811/cl_rcm.v9i6.21585
Chat de Asistencia Embebido en un IDE Potenciado por IA
Francisco Fabián Tobías Macías1
francisco.tm@piedrasnegras.tecnm.mx
https://orcid.org/0000-0002-2639-5341
Tecnológico Nacional de México
Instituto Tecnológico de Piedras Negras
México
Carlos Hernández Santos
carlos.hernandez@itnl.edu.mx
https://orcid.org/0000-0003-1751-1096
Tecnológico Nacional de México
Instituto Tecnológico de Nuevo León
México
Jasser Alberto Davizon Castillo
yasser.davizon@hotmail.com
https://orcid.org/0000-0003-3023-947X
Tecnológico Nacional de México
Instituto Tecnológico de los Mochis
México
Gustavo Emilio Rojo Velázquez
gustavo.rv@piedrasnegras.tecnm.mx
https://orcid.org/0000-0002-7792-1436
Tecnológico Nacional de México
Instituto Tecnológico de Piedras Negras
México
Roxana García Andrade
roxana.ga@nuevoleon.tecnm.mx
https://orcid.org/0000-0003-2819-6482
Tecnológico Nacional de México
Instituto Tecnológico de Nuevo León
México
RESUMEN
El desarrollo de software contemporáneo es una actividad de alta demanda cognitiva, caracterizada
por interrupciones constantes que afectan la productividad del programador. La práctica habitual de
recurrir a recursos externos para la resolución de errores provoca frecuentes cambios de contexto,
generando sobrecarga mental y disminuyendo la eficiencia. Este proyecto de investigación tiene como
objetivo general analizar, desde un enfoque teórico, cómo la implementación de un chat de asistencia
inteligente embebido en un Entorno de Desarrollo Integrado (IDE) puede contribuir a la reducción de
errores, la mejora de la productividad y la promoción de buenas prácticas en la programación. La
metodología empleada se basa en un análisis documental cualitativo, una revisión bibliográfica de
literatura reciente y una evaluación conceptual de la arquitectura, funcionamiento e impacto de dicha
herramienta. El análisis concluye que un asistente integrado tiene un alto potencial para mitigar la
carga cognitiva al reducir la conmutación de contexto y actuar como un sistema experto que asiste en
la depuración y refactorización. Se identifica un impacto positivo significativo tanto en el ámbito
profesional, al optimizar el flujo de trabajo, como en el educativo, al funcionar como un tutor
personalizado. Sin embargo, se discuten los riesgos inherentes, principalmente la dependencia
tecnológica, la pérdida de habilidades técnicas y los desafíos éticos relacionados con la privacidad y
la responsabilidad del código.
1 Autor principal
Correspondencia: francisco.tm@piedrasnegras.tecnm.mx
DOI: https://doi.org/10.37811/cl_rcm.v9i6.21585
Chat de Asistencia Embebido en un IDE Potenciado por IA
Francisco Fabián Tobías Macías1
francisco.tm@piedrasnegras.tecnm.mx
https://orcid.org/0000-0002-2639-5341
Tecnológico Nacional de México
Instituto Tecnológico de Piedras Negras
México
Carlos Hernández Santos
carlos.hernandez@itnl.edu.mx
https://orcid.org/0000-0003-1751-1096
Tecnológico Nacional de México
Instituto Tecnológico de Nuevo León
México
Jasser Alberto Davizon Castillo
yasser.davizon@hotmail.com
https://orcid.org/0000-0003-3023-947X
Tecnológico Nacional de México
Instituto Tecnológico de los Mochis
México
Gustavo Emilio Rojo Velázquez
gustavo.rv@piedrasnegras.tecnm.mx
https://orcid.org/0000-0002-7792-1436
Tecnológico Nacional de México
Instituto Tecnológico de Piedras Negras
México
Roxana García Andrade
roxana.ga@nuevoleon.tecnm.mx
https://orcid.org/0000-0003-2819-6482
Tecnológico Nacional de México
Instituto Tecnológico de Nuevo León
México
RESUMEN
El desarrollo de software contemporáneo es una actividad de alta demanda cognitiva, caracterizada
por interrupciones constantes que afectan la productividad del programador. La práctica habitual de
recurrir a recursos externos para la resolución de errores provoca frecuentes cambios de contexto,
generando sobrecarga mental y disminuyendo la eficiencia. Este proyecto de investigación tiene como
objetivo general analizar, desde un enfoque teórico, cómo la implementación de un chat de asistencia
inteligente embebido en un Entorno de Desarrollo Integrado (IDE) puede contribuir a la reducción de
errores, la mejora de la productividad y la promoción de buenas prácticas en la programación. La
metodología empleada se basa en un análisis documental cualitativo, una revisión bibliográfica de
literatura reciente y una evaluación conceptual de la arquitectura, funcionamiento e impacto de dicha
herramienta. El análisis concluye que un asistente integrado tiene un alto potencial para mitigar la
carga cognitiva al reducir la conmutación de contexto y actuar como un sistema experto que asiste en
la depuración y refactorización. Se identifica un impacto positivo significativo tanto en el ámbito
profesional, al optimizar el flujo de trabajo, como en el educativo, al funcionar como un tutor
personalizado. Sin embargo, se discuten los riesgos inherentes, principalmente la dependencia
tecnológica, la pérdida de habilidades técnicas y los desafíos éticos relacionados con la privacidad y
la responsabilidad del código.
1 Autor principal
Correspondencia: francisco.tm@piedrasnegras.tecnm.mx
pág. 4751
Palabras clave: asistente de código IA, ergonomía cognitiva, IDE, productividad del desarrollador;
context switching, buenas prácticas de programación
AI-Powered Embedded Assistance Chat For IDE
ABSTRACT
Contemporary software development is a high-cognitive-demand activity characterized by constant
interruptions that impact programmer productivity. The common practice of relying on external
resources for error resolution necessitates frequent context switching, leading to mental overload and
decreased efficiency. This research aims to theoretically analyze how implementing an intelligent chat
assistant embedded within an Integrated Development Environment (IDE) can contribute to error
reduction, productivity enhancement, and the promotion of programming best practices. The
methodology employs a qualitative documentary analysis, a bibliographic review of recent literature,
and a conceptual evaluation of the tool's architecture, functionality, and impact. The analysis concludes
that an integrated assistant holds significant potential to mitigate cognitive load by minimizing context
switching and acting as an expert system for debugging and refactoring. A significant positive impact
is identified in both the professional realm, by optimizing workflows, and the educational sector, acting
as a personalized tutor. However, inherent risks are discussed, primarily technological dependency,
technical skill degradation, and ethical challenges regarding privacy and code accountability.
Keywords: AI code assistant, cognitive ergonomics, IDE, developer productivity, context switching,
programming best practices
Artículo recibido 15 noviembre 2025
Aceptado para publicación: 15 diciembre 2025
Palabras clave: asistente de código IA, ergonomía cognitiva, IDE, productividad del desarrollador;
context switching, buenas prácticas de programación
AI-Powered Embedded Assistance Chat For IDE
ABSTRACT
Contemporary software development is a high-cognitive-demand activity characterized by constant
interruptions that impact programmer productivity. The common practice of relying on external
resources for error resolution necessitates frequent context switching, leading to mental overload and
decreased efficiency. This research aims to theoretically analyze how implementing an intelligent chat
assistant embedded within an Integrated Development Environment (IDE) can contribute to error
reduction, productivity enhancement, and the promotion of programming best practices. The
methodology employs a qualitative documentary analysis, a bibliographic review of recent literature,
and a conceptual evaluation of the tool's architecture, functionality, and impact. The analysis concludes
that an integrated assistant holds significant potential to mitigate cognitive load by minimizing context
switching and acting as an expert system for debugging and refactoring. A significant positive impact
is identified in both the professional realm, by optimizing workflows, and the educational sector, acting
as a personalized tutor. However, inherent risks are discussed, primarily technological dependency,
technical skill degradation, and ethical challenges regarding privacy and code accountability.
Keywords: AI code assistant, cognitive ergonomics, IDE, developer productivity, context switching,
programming best practices
Artículo recibido 15 noviembre 2025
Aceptado para publicación: 15 diciembre 2025
pág. 4752
INTRODUCCION
El desarrollo de software contemporáneo es una actividad compleja que exige atención constante,
comprensión de estructuras lógicas y manejo de dependencias. Los programadores enfrentan errores
sintácticos y fallas de compilación que interrumpen su flujo de trabajo. Actualmente, la práctica habitual
de recurrir a recursos externos (foros, documentación) provoca frecuentes cambios de contexto (context
switching), lo que incrementa el tiempo de búsqueda y disminuye la eficiencia.
Impacto de la Inteligencia Artificial en la productividad
El uso de la IA ha revolucionado el abordaje de tareas complejas. Los modelos de lenguaje basados en
arquitecturas Transformer han demostrado capacidades notables para generar código coherente (Ahmad
et al., 2021). Investigaciones recientes evidencian que las interrupciones constantes merman el
rendimiento (Alhoshan & Wang, 2022). En este sentido, los asistentes embebidos ofrecen una ventaja
sustancial al mantener al usuario dentro del mismo entorno, optimizando la carga cognitiva. Estudios
empíricos, como los de Kalliamvakou et al. (2023), identificaron que estos asistentes pueden
incrementar la velocidad de desarrollo entre un 20% y un 40%.
Desafíos y limitaciones de la tecnología
A pesar de las ventajas, existen desafíos significativos. Una preocupación primordial es la seguridad
del código; Perry et al. (2023) demostraron que los desarrolladores que usan IA tienden a escribir código
menos seguro y confían más en soluciones que pueden contener vulnerabilidades. Asimismo, existe el
riesgo de degradación de habilidades. Prather et al. (2023) advierten sobre la alteración de procesos
metacognitivos en estudiantes, mientras que Vaithilingam et al. (2022) notaron que frecuentemente se
invierte más tiempo depurando código generado por IA que escribiéndolo desde cero. Finalmente,
aspectos éticos como la privacidad y las licencias de código siguen siendo barreras críticas (Sandoval
et al., 2022; Bender et al., 2021).
Ante este panorama, el objetivo general de esta investigación es analizar teóricamente el impacto de la
implementación de un chat de asistencia inteligente embebido en un IDE sobre la carga cognitiva y la
eficiencia del flujo de trabajo. Se busca fundamentar la relación entre ergonomía cognitiva y
productividad, describir las capacidades arquitectónicas de los asistentes y evaluar críticamente sus
riesgos éticos y técnicos.
INTRODUCCION
El desarrollo de software contemporáneo es una actividad compleja que exige atención constante,
comprensión de estructuras lógicas y manejo de dependencias. Los programadores enfrentan errores
sintácticos y fallas de compilación que interrumpen su flujo de trabajo. Actualmente, la práctica habitual
de recurrir a recursos externos (foros, documentación) provoca frecuentes cambios de contexto (context
switching), lo que incrementa el tiempo de búsqueda y disminuye la eficiencia.
Impacto de la Inteligencia Artificial en la productividad
El uso de la IA ha revolucionado el abordaje de tareas complejas. Los modelos de lenguaje basados en
arquitecturas Transformer han demostrado capacidades notables para generar código coherente (Ahmad
et al., 2021). Investigaciones recientes evidencian que las interrupciones constantes merman el
rendimiento (Alhoshan & Wang, 2022). En este sentido, los asistentes embebidos ofrecen una ventaja
sustancial al mantener al usuario dentro del mismo entorno, optimizando la carga cognitiva. Estudios
empíricos, como los de Kalliamvakou et al. (2023), identificaron que estos asistentes pueden
incrementar la velocidad de desarrollo entre un 20% y un 40%.
Desafíos y limitaciones de la tecnología
A pesar de las ventajas, existen desafíos significativos. Una preocupación primordial es la seguridad
del código; Perry et al. (2023) demostraron que los desarrolladores que usan IA tienden a escribir código
menos seguro y confían más en soluciones que pueden contener vulnerabilidades. Asimismo, existe el
riesgo de degradación de habilidades. Prather et al. (2023) advierten sobre la alteración de procesos
metacognitivos en estudiantes, mientras que Vaithilingam et al. (2022) notaron que frecuentemente se
invierte más tiempo depurando código generado por IA que escribiéndolo desde cero. Finalmente,
aspectos éticos como la privacidad y las licencias de código siguen siendo barreras críticas (Sandoval
et al., 2022; Bender et al., 2021).
Ante este panorama, el objetivo general de esta investigación es analizar teóricamente el impacto de la
implementación de un chat de asistencia inteligente embebido en un IDE sobre la carga cognitiva y la
eficiencia del flujo de trabajo. Se busca fundamentar la relación entre ergonomía cognitiva y
productividad, describir las capacidades arquitectónicas de los asistentes y evaluar críticamente sus
riesgos éticos y técnicos.
pág. 4753
DESARROLLO
El desarrollo de software es una actividad compleja que exige atención constante, comprensión de
estructuras lógicas, manejo de dependencias entre módulos y aplicación de buenas prácticas de
programación. Los programadores enfrentan errores sintácticos, fallas de compilación y problemas de
ejecución que interrumpen su flujo de trabajo y generan sobrecarga cognitiva, afectando su
productividad y concentración. Actualmente, los desarrolladores suelen recurrir a recursos externos,
como foros en línea o documentación, para resolver estos problemas. Esta práctica provoca cambios de
contexto frecuentes , incrementa el tiempo de búsqueda de soluciones y disminuye la eficiencia en el
proceso de desarrollo. Aunque los IDEs modernos ofrecen funciones de autocompletado y corrección
básica de errores, no brindan explicaciones contextuales ni soluciones adaptadas a proyectos complejos.
La motivación de esta investigación es explorar cómo la integración de un chat de asistencia inteligente
dentro de un IDE puede mejorar la resolución de errores, optimizar la productividad y fomentar buenas
prácticas de programación. La relevancia radica en que, a pesar del auge de asistentes como GitHub
Copilot o ChatGPT, existen pocas investigaciones teóricas que analizan su impacto cognitivo y
educativo en el entorno de desarrollo, especialmente en literatura en español. Para abordar este
problema, la investigación seguirá un enfoque teórico , basado en:
▪ Revisión bibliográfica de literatura académica y artículos recientes sobre asistentes inteligentes en
programación.
▪ Análisis conceptual del funcionamiento de un chat embebido en IDEs.
▪ Evaluación teórica de los beneficios, limitaciones y posibles impactos en productividad y
aprendizaje de los desarrolladores.
En síntesis, el problema central que guía esta investigación es :
¿Cómo podría un chat de asistencia embebido en un IDE contribuir a mejorar la resolución de errores,
la productividad y la aplicación de buenas prácticas en el desarrollo de software desde un enfoque
teórico?
DESARROLLO
El desarrollo de software es una actividad compleja que exige atención constante, comprensión de
estructuras lógicas, manejo de dependencias entre módulos y aplicación de buenas prácticas de
programación. Los programadores enfrentan errores sintácticos, fallas de compilación y problemas de
ejecución que interrumpen su flujo de trabajo y generan sobrecarga cognitiva, afectando su
productividad y concentración. Actualmente, los desarrolladores suelen recurrir a recursos externos,
como foros en línea o documentación, para resolver estos problemas. Esta práctica provoca cambios de
contexto frecuentes , incrementa el tiempo de búsqueda de soluciones y disminuye la eficiencia en el
proceso de desarrollo. Aunque los IDEs modernos ofrecen funciones de autocompletado y corrección
básica de errores, no brindan explicaciones contextuales ni soluciones adaptadas a proyectos complejos.
La motivación de esta investigación es explorar cómo la integración de un chat de asistencia inteligente
dentro de un IDE puede mejorar la resolución de errores, optimizar la productividad y fomentar buenas
prácticas de programación. La relevancia radica en que, a pesar del auge de asistentes como GitHub
Copilot o ChatGPT, existen pocas investigaciones teóricas que analizan su impacto cognitivo y
educativo en el entorno de desarrollo, especialmente en literatura en español. Para abordar este
problema, la investigación seguirá un enfoque teórico , basado en:
▪ Revisión bibliográfica de literatura académica y artículos recientes sobre asistentes inteligentes en
programación.
▪ Análisis conceptual del funcionamiento de un chat embebido en IDEs.
▪ Evaluación teórica de los beneficios, limitaciones y posibles impactos en productividad y
aprendizaje de los desarrolladores.
En síntesis, el problema central que guía esta investigación es :
¿Cómo podría un chat de asistencia embebido en un IDE contribuir a mejorar la resolución de errores,
la productividad y la aplicación de buenas prácticas en el desarrollo de software desde un enfoque
teórico?
pág. 4754
Imagen 1
Ventajas: Impacto de la inteligencia artificial en la productividad del desarrollo
El uso de la inteligencia artificial en el desarrollo de software ha revolucionado la forma en que los
programadores abordan tareas de alta complejidad, tales como la detección de errores, la generación de
código y la refactorización. Los modelos de lenguaje basados en arquitecturas Transformer, entrenados
con grandes volúmenes de código fuente, han demostrado capacidades notables para comprender y
generar fragmentos coherentes y funcionales (Ahmad et al., 2021).
Paralelamente, la productividad del programador se ha consolidado como un tema de interés crítico en
la ingeniería de software. Investigaciones recientes evidencian que los cambios de contexto, la búsqueda
manual de información y las interrupciones constantes merman significativamente el rendimiento y la
concentración del desarrollador (Alhoshan & Wang, 2022). En este contexto, los asistentes embebidos
en los IDE ofrecen una ventaja sustancial al mantener al usuario dentro del mismo entorno de trabajo,
optimizando así la carga cognitiva.
Asimismo, la evidencia empírica respalda una correlación positiva entre el uso de IA y la eficiencia.
Kalliamvakou et al. (2023) identificaron que los asistentes inteligentes pueden incrementar la velocidad
de desarrollo entre un 20 % y un 40 %, variable según la complejidad del proyecto y la experticia del
usuario. No obstante, advierten sobre la necesidad imperativa de la supervisión humana para mitigar
riesgos derivados de recomendaciones imprecisas.
En conclusión, esta investigación se fundamenta en la intersección entre inteligencia artificial,
productividad y ergonomía cognitiva, demostrando que la integración de un asistente inteligente en un
Imagen 1
Ventajas: Impacto de la inteligencia artificial en la productividad del desarrollo
El uso de la inteligencia artificial en el desarrollo de software ha revolucionado la forma en que los
programadores abordan tareas de alta complejidad, tales como la detección de errores, la generación de
código y la refactorización. Los modelos de lenguaje basados en arquitecturas Transformer, entrenados
con grandes volúmenes de código fuente, han demostrado capacidades notables para comprender y
generar fragmentos coherentes y funcionales (Ahmad et al., 2021).
Paralelamente, la productividad del programador se ha consolidado como un tema de interés crítico en
la ingeniería de software. Investigaciones recientes evidencian que los cambios de contexto, la búsqueda
manual de información y las interrupciones constantes merman significativamente el rendimiento y la
concentración del desarrollador (Alhoshan & Wang, 2022). En este contexto, los asistentes embebidos
en los IDE ofrecen una ventaja sustancial al mantener al usuario dentro del mismo entorno de trabajo,
optimizando así la carga cognitiva.
Asimismo, la evidencia empírica respalda una correlación positiva entre el uso de IA y la eficiencia.
Kalliamvakou et al. (2023) identificaron que los asistentes inteligentes pueden incrementar la velocidad
de desarrollo entre un 20 % y un 40 %, variable según la complejidad del proyecto y la experticia del
usuario. No obstante, advierten sobre la necesidad imperativa de la supervisión humana para mitigar
riesgos derivados de recomendaciones imprecisas.
En conclusión, esta investigación se fundamenta en la intersección entre inteligencia artificial,
productividad y ergonomía cognitiva, demostrando que la integración de un asistente inteligente en un
pág. 4755
IDE no solo optimiza la eficiencia operativa, sino que también potencia el aprendizaje continuo del
programador.
Desventajas: Desafíos y Limitaciones
A pesar de las ventajas operativas, la integración de asistentes basados en Inteligencia Artificial en el
flujo de trabajo presenta desafíos significativos. Una de las preocupaciones primordiales es la fiabilidad
y seguridad del código generado. Estudios recientes, como el de Perry et al. (2023), demostraron que
los desarrolladores que utilizan asistentes de IA tienden a escribir código menos seguro en comparación
con aquellos que no los usan, aunque paradójicamente confían más en la seguridad de sus soluciones.
Dado que los modelos de lenguaje (LLMs) son propensos a "alucinaciones", pueden sugerir librerías
inexistentes o patrones vulnerables, obligando al desarrollador a un escrutinio constante.
Por otro lado, existe una preocupación académica sobre la dependencia tecnológica y el impacto en el
aprendizaje. Prather et al. (2023) advierten sobre el riesgo de alterar los procesos metacognitivos en
estudiantes y desarrolladores noveles; el uso excesivo de la generación automática puede atrofiar la
capacidad de resolución de problemas (problem-solving skills) y la comprensión profunda de la lógica
del código. Si el usuario cae en el "sesgo de automatización", aceptando las sugerencias sin crítica, se
compromete la calidad del software a largo plazo, tal como observaron Vaithilingam et al. (2022),
quienes notaron que los programadores frecuentemente invierten más tiempo depurando código
generado por IA que escribiéndolo desde cero debido a errores sutiles.
Finalmente, los aspectos éticos y legales representan una barrera crítica. La privacidad de los datos es
un punto de fricción, ya que el envío de fragmentos de código propietario a la nube plantea riesgos de
fuga de propiedad intelectual. Además, existen debates sobre la licencia del código sugerido, dado que
estos modelos se entrenan con repositorios públicos, lo que podría derivar en infracciones de derechos
de autor no intencionadas.
Objetivo General
▪ Analizar teóricamente el impacto de la implementación de un asistente de chat inteligente embebido
en un Entorno de Desarrollo Integrado (IDE) sobre la carga cognitiva, la eficiencia del flujo de
trabajo y la calidad del código en el desarrollo de software contemporáneo.
IDE no solo optimiza la eficiencia operativa, sino que también potencia el aprendizaje continuo del
programador.
Desventajas: Desafíos y Limitaciones
A pesar de las ventajas operativas, la integración de asistentes basados en Inteligencia Artificial en el
flujo de trabajo presenta desafíos significativos. Una de las preocupaciones primordiales es la fiabilidad
y seguridad del código generado. Estudios recientes, como el de Perry et al. (2023), demostraron que
los desarrolladores que utilizan asistentes de IA tienden a escribir código menos seguro en comparación
con aquellos que no los usan, aunque paradójicamente confían más en la seguridad de sus soluciones.
Dado que los modelos de lenguaje (LLMs) son propensos a "alucinaciones", pueden sugerir librerías
inexistentes o patrones vulnerables, obligando al desarrollador a un escrutinio constante.
Por otro lado, existe una preocupación académica sobre la dependencia tecnológica y el impacto en el
aprendizaje. Prather et al. (2023) advierten sobre el riesgo de alterar los procesos metacognitivos en
estudiantes y desarrolladores noveles; el uso excesivo de la generación automática puede atrofiar la
capacidad de resolución de problemas (problem-solving skills) y la comprensión profunda de la lógica
del código. Si el usuario cae en el "sesgo de automatización", aceptando las sugerencias sin crítica, se
compromete la calidad del software a largo plazo, tal como observaron Vaithilingam et al. (2022),
quienes notaron que los programadores frecuentemente invierten más tiempo depurando código
generado por IA que escribiéndolo desde cero debido a errores sutiles.
Finalmente, los aspectos éticos y legales representan una barrera crítica. La privacidad de los datos es
un punto de fricción, ya que el envío de fragmentos de código propietario a la nube plantea riesgos de
fuga de propiedad intelectual. Además, existen debates sobre la licencia del código sugerido, dado que
estos modelos se entrenan con repositorios públicos, lo que podría derivar en infracciones de derechos
de autor no intencionadas.
Objetivo General
▪ Analizar teóricamente el impacto de la implementación de un asistente de chat inteligente embebido
en un Entorno de Desarrollo Integrado (IDE) sobre la carga cognitiva, la eficiencia del flujo de
trabajo y la calidad del código en el desarrollo de software contemporáneo.
pág. 4756
Objetivos Específicos
1. Fundamentar la relación entre la ergonomía cognitiva, la conmutación de contexto (context
switching) y la productividad del programador, para comprender las limitaciones del flujo de
trabajo tradicional sin asistencia integrada.
2. Describir las capacidades funcionales y arquitectónicas de los asistentes basados en Inteligencia
Artificial (LLMs) dentro de un IDE, enfocándose en sus roles de depuración, refactorización y
generación de código.
3. Contrastar las ventajas operativas de la asistencia embebida frente al uso de recursos externos
(navegadores, foros), evaluando la reducción de interrupciones y la optimización del tiempo de
desarrollo.
4. Evaluar críticamente los desafíos y riesgos inherentes a esta tecnología, tales como la fiabilidad de
las respuestas (alucinaciones), la dependencia tecnológica (degradación de habilidades) y las
implicaciones éticas de privacidad y seguridad.
Objeto de Estudio
La influencia de los asistentes conversacionales basados en Inteligencia Artificial embebidos en el IDE
sobre la ergonomía cognitiva y el flujo de trabajo del desarrollo de software.
Desglose Metodológico
Para que tengas claridad total si te preguntan (o para tu propia guía), aquí está desglosado:
Unidad de Análisis: Los asistentes de código inteligentes (basados en LLMs como GPT/Copilot)
integrados en el entorno de desarrollo.
Variable Independiente (Causa): La integración de la asistencia en el IDE (eliminación de barreras
externas).
Variable Dependiente (Efecto): La carga cognitiva (cambio de contexto) y la productividad/calidad del
código.
Campo de Acción
El análisis teórico de la optimización de procesos de depuración, refactorización y escritura de código
mediante la reducción de la conmutación de contexto (context switching).
Objetivos Específicos
1. Fundamentar la relación entre la ergonomía cognitiva, la conmutación de contexto (context
switching) y la productividad del programador, para comprender las limitaciones del flujo de
trabajo tradicional sin asistencia integrada.
2. Describir las capacidades funcionales y arquitectónicas de los asistentes basados en Inteligencia
Artificial (LLMs) dentro de un IDE, enfocándose en sus roles de depuración, refactorización y
generación de código.
3. Contrastar las ventajas operativas de la asistencia embebida frente al uso de recursos externos
(navegadores, foros), evaluando la reducción de interrupciones y la optimización del tiempo de
desarrollo.
4. Evaluar críticamente los desafíos y riesgos inherentes a esta tecnología, tales como la fiabilidad de
las respuestas (alucinaciones), la dependencia tecnológica (degradación de habilidades) y las
implicaciones éticas de privacidad y seguridad.
Objeto de Estudio
La influencia de los asistentes conversacionales basados en Inteligencia Artificial embebidos en el IDE
sobre la ergonomía cognitiva y el flujo de trabajo del desarrollo de software.
Desglose Metodológico
Para que tengas claridad total si te preguntan (o para tu propia guía), aquí está desglosado:
Unidad de Análisis: Los asistentes de código inteligentes (basados en LLMs como GPT/Copilot)
integrados en el entorno de desarrollo.
Variable Independiente (Causa): La integración de la asistencia en el IDE (eliminación de barreras
externas).
Variable Dependiente (Efecto): La carga cognitiva (cambio de contexto) y la productividad/calidad del
código.
Campo de Acción
El análisis teórico de la optimización de procesos de depuración, refactorización y escritura de código
mediante la reducción de la conmutación de contexto (context switching).
pág. 4757
METODOLOGÍA
El presente proyecto se fundamenta en una metodología de investigación cualitativa, con un alcance
descriptivo y analítico. Dado que el objetivo general es analizar, desde un enfoque teórico, cómo la
implementación de un chat de asistencia puede contribuir a la mejora del desarrollo de software, la
investigación se basa en el análisis documental y la síntesis conceptual.
El proceso metodológico se estructuró en las siguientes fases:
Revisión Bibliográfica.
Se llevó a cabo una revisión de la literatura reciente, acotada principalmente al periodo 2020-2025, para
identificar los hallazgos más actuales sobre asistentes inteligentes, ergonomía cognitiva en
programación y productividad del desarrollador. Se consultaron bases de datos académicas y
repositorios como IEEE Xplore, ACM Digital Library, Scopus y arXiv, utilizando términos clave como
"AI code assistant", "context switching software development", "ergonomía cognitiva programación" e
"intelligent IDE".
Análisis Conceptual.
Esta fase consistió en la descomposición y síntesis de la información recopilada. Se definieron los
conceptos fundamentales que sustentan el problema, como "Ergonomía Cognitiva" y "Buenas
Prácticas", y se estructuró el "Marco Teórico" que da contexto a la investigación. El objetivo de esta
fase fue describir el funcionamiento conceptual del asistente y su arquitectura técnica.
Cuestionario
1. Cuando encuentras un error y debes buscar la solución en un navegador externo
(Google/StackOverflow), ¿sientes que pierdes la concentración o el "hilo" de la lógica? a) Sí,
frecuentemente b) A veces c) No, casi nunca
2. ¿Con qué frecuencia recurres a recursos externos durante una sesión de programación típica? a)
Más de 10 veces b) Entre 5 y 10 veces c) Menos de 5 veces
3. ¿Consideras que integrar un asistente de chat DIRECTAMENTE en tu IDE (sin tener que abrir el
navegador) mejoraría tu velocidad y productividad? a) Totalmente de acuerdo b) De acuerdo c)
Indiferente
METODOLOGÍA
El presente proyecto se fundamenta en una metodología de investigación cualitativa, con un alcance
descriptivo y analítico. Dado que el objetivo general es analizar, desde un enfoque teórico, cómo la
implementación de un chat de asistencia puede contribuir a la mejora del desarrollo de software, la
investigación se basa en el análisis documental y la síntesis conceptual.
El proceso metodológico se estructuró en las siguientes fases:
Revisión Bibliográfica.
Se llevó a cabo una revisión de la literatura reciente, acotada principalmente al periodo 2020-2025, para
identificar los hallazgos más actuales sobre asistentes inteligentes, ergonomía cognitiva en
programación y productividad del desarrollador. Se consultaron bases de datos académicas y
repositorios como IEEE Xplore, ACM Digital Library, Scopus y arXiv, utilizando términos clave como
"AI code assistant", "context switching software development", "ergonomía cognitiva programación" e
"intelligent IDE".
Análisis Conceptual.
Esta fase consistió en la descomposición y síntesis de la información recopilada. Se definieron los
conceptos fundamentales que sustentan el problema, como "Ergonomía Cognitiva" y "Buenas
Prácticas", y se estructuró el "Marco Teórico" que da contexto a la investigación. El objetivo de esta
fase fue describir el funcionamiento conceptual del asistente y su arquitectura técnica.
Cuestionario
1. Cuando encuentras un error y debes buscar la solución en un navegador externo
(Google/StackOverflow), ¿sientes que pierdes la concentración o el "hilo" de la lógica? a) Sí,
frecuentemente b) A veces c) No, casi nunca
2. ¿Con qué frecuencia recurres a recursos externos durante una sesión de programación típica? a)
Más de 10 veces b) Entre 5 y 10 veces c) Menos de 5 veces
3. ¿Consideras que integrar un asistente de chat DIRECTAMENTE en tu IDE (sin tener que abrir el
navegador) mejoraría tu velocidad y productividad? a) Totalmente de acuerdo b) De acuerdo c)
Indiferente
pág. 4758
4. Al usar IA para aprender, ¿prefieres que el asistente te explique la causa del error (Modo Tutor) o
solo te dé el código corregido? a) Prefiero la explicación (Modo Tutor) b) Prefiero solo el código
(Solución Rápida)
5. ¿Has detectado "alucinaciones" (código inventado, librerías que no existen o respuestas
incorrectas) al usar asistentes de IA? a) Sí, varias veces b) Pocas veces c) Nunca
6. ¿Te preocupa volverte dependiente de la IA y perder tu habilidad para resolver problemas
manualmente? a) Sí b) No
4. Al usar IA para aprender, ¿prefieres que el asistente te explique la causa del error (Modo Tutor) o
solo te dé el código corregido? a) Prefiero la explicación (Modo Tutor) b) Prefiero solo el código
(Solución Rápida)
5. ¿Has detectado "alucinaciones" (código inventado, librerías que no existen o respuestas
incorrectas) al usar asistentes de IA? a) Sí, varias veces b) Pocas veces c) Nunca
6. ¿Te preocupa volverte dependiente de la IA y perder tu habilidad para resolver problemas
manualmente? a) Sí b) No
pág. 4759
pág. 4760
Evaluación Teórica y Síntesis
Finalmente, se realizó una evaluación teórica de los beneficios, limitaciones e impactos de la tecnología.
Basándose en el análisis de los "Antecedentes" Y el "Estado del Arte", esta fase se centró en analizar el
impacto teórico en la productividad, así como los riesgos éticos y los efectos en los ámbitos laboral y
educativo, para responder de manera integral a la pregunta de investigación.
RESULTADOS
El desarrollo de software es una de las actividades cognitivas más exigentes. El programador debe
gestionar múltiples niveles de abstracción y sufre el coste de la conmutación de contexto (context
switching) al cambiar constantemente de foco entre el editor de código, la documentación y los foros
de ayuda . Este cambio interrumpe el flujo de concentración, aumenta la carga cognitiva y es uno de los
principales factores que reducen la productividad. La ergonomía cognitiva busca adaptar las
herramientas, como el IDE, para reducir este esfuerzo mental.
Para mitigar esto, han evolucionado los asistentes inteligentes (code assistants). Herramientas como
GitHub Copilot, ChatGPT y AWS CodeWhisperer han demostrado la capacidad de generar código,
explicar errores y ofrecer sugerencias adaptadas al contexto. Estos se basan en modelos de lenguaje de
gran escala (LLMs) entrenados en repositorios de código abierto.
Sin embargo, el estado del arte actual muestra limitaciones. Muchos asistentes funcionan como
extensiones externas, lo que genera latencia y riesgos de privacidad .
Evaluación Teórica y Síntesis
Finalmente, se realizó una evaluación teórica de los beneficios, limitaciones e impactos de la tecnología.
Basándose en el análisis de los "Antecedentes" Y el "Estado del Arte", esta fase se centró en analizar el
impacto teórico en la productividad, así como los riesgos éticos y los efectos en los ámbitos laboral y
educativo, para responder de manera integral a la pregunta de investigación.
RESULTADOS
El desarrollo de software es una de las actividades cognitivas más exigentes. El programador debe
gestionar múltiples niveles de abstracción y sufre el coste de la conmutación de contexto (context
switching) al cambiar constantemente de foco entre el editor de código, la documentación y los foros
de ayuda . Este cambio interrumpe el flujo de concentración, aumenta la carga cognitiva y es uno de los
principales factores que reducen la productividad. La ergonomía cognitiva busca adaptar las
herramientas, como el IDE, para reducir este esfuerzo mental.
Para mitigar esto, han evolucionado los asistentes inteligentes (code assistants). Herramientas como
GitHub Copilot, ChatGPT y AWS CodeWhisperer han demostrado la capacidad de generar código,
explicar errores y ofrecer sugerencias adaptadas al contexto. Estos se basan en modelos de lenguaje de
gran escala (LLMs) entrenados en repositorios de código abierto.
Sin embargo, el estado del arte actual muestra limitaciones. Muchos asistentes funcionan como
extensiones externas, lo que genera latencia y riesgos de privacidad .
pág. 4761
Barke et al. (2023) destacan que los desarrolladores tienden a aceptar sugerencias de IA sin validación
exhaustiva, lo que puede introducir errores sutiles. Por lo tanto, la próxima generación de IDEs
incorporará sistemas de asistencia nativos y embebidos, capaces de analizar el contexto del proyecto y
las reglas del equipo. El estado del arte muestra una clara evolución hacia asistentes integrados de
manera nativa como una herramienta fundamental para la productividad y la calidad del software
(Savary-Leblanc et al., 2023; Corso et al., 2024).
Funcionamiento Conceptual y Diseño Técnico
El funcionamiento de un chat embebido se basa en su conexión continua con el proyecto del
desarrollador. Esto le permite analizar en tiempo real el código, los errores del compilador y la
estructura del proyecto. Gracias a esta integración, puede detectar errores de sintaxis, inconsistencias
lógicas y ofrecer soluciones adaptadas al código específico, reduciendo la necesidad de buscar en
fuentes externas (Li et al., 2023) .
La interacción se realiza mediante lenguaje natural, permitiendo al desarrollador preguntar "¿por qué
ocurre este error?" . El sistema usa Procesamiento de Lenguaje Natural (PLN) para devolver respuestas
contextuales, ejemplos de código y recomendaciones de buenas prácticas (Rustagi et al., 2024).
Además, el asistente puede actuar de forma proactiva, sugiriendo refactorizaciones, mejoras de
rendimiento o alertas de seguridad al identificar patrones de código repetidos (Weisz et al., 2024) .
El diseño técnico preliminar de esta herramienta se compondría de tres capas:
Interfaz de Usuario: Embebida directamente en el IDE (ej. Visual Studio Code), debe ser no intrusiva,
configurable y accesible .
Motor de Análisis: Examina el contexto del código, los mensajes del compilador y la estructura del
proyecto mediante análisis estático para ofrecer retroalimentación inmediata (Kim & Kim, 2024) .
Capa de Inteligencia Artificial: Utiliza modelos de PLN y aprendizaje automático para generar
respuestas contextualizadas, pudiendo conectarse a redes locales o en la nube según la privacidad
requerida . El sistema se beneficiaría del aprendizaje continuo (Nghiem et al., 2024).
Este diseño podría integrarse con sistemas de control de versiones (como Git) para analizar el historial
de cambios y sugerir soluciones coherentes con la evolución del proyecto.
Barke et al. (2023) destacan que los desarrolladores tienden a aceptar sugerencias de IA sin validación
exhaustiva, lo que puede introducir errores sutiles. Por lo tanto, la próxima generación de IDEs
incorporará sistemas de asistencia nativos y embebidos, capaces de analizar el contexto del proyecto y
las reglas del equipo. El estado del arte muestra una clara evolución hacia asistentes integrados de
manera nativa como una herramienta fundamental para la productividad y la calidad del software
(Savary-Leblanc et al., 2023; Corso et al., 2024).
Funcionamiento Conceptual y Diseño Técnico
El funcionamiento de un chat embebido se basa en su conexión continua con el proyecto del
desarrollador. Esto le permite analizar en tiempo real el código, los errores del compilador y la
estructura del proyecto. Gracias a esta integración, puede detectar errores de sintaxis, inconsistencias
lógicas y ofrecer soluciones adaptadas al código específico, reduciendo la necesidad de buscar en
fuentes externas (Li et al., 2023) .
La interacción se realiza mediante lenguaje natural, permitiendo al desarrollador preguntar "¿por qué
ocurre este error?" . El sistema usa Procesamiento de Lenguaje Natural (PLN) para devolver respuestas
contextuales, ejemplos de código y recomendaciones de buenas prácticas (Rustagi et al., 2024).
Además, el asistente puede actuar de forma proactiva, sugiriendo refactorizaciones, mejoras de
rendimiento o alertas de seguridad al identificar patrones de código repetidos (Weisz et al., 2024) .
El diseño técnico preliminar de esta herramienta se compondría de tres capas:
Interfaz de Usuario: Embebida directamente en el IDE (ej. Visual Studio Code), debe ser no intrusiva,
configurable y accesible .
Motor de Análisis: Examina el contexto del código, los mensajes del compilador y la estructura del
proyecto mediante análisis estático para ofrecer retroalimentación inmediata (Kim & Kim, 2024) .
Capa de Inteligencia Artificial: Utiliza modelos de PLN y aprendizaje automático para generar
respuestas contextualizadas, pudiendo conectarse a redes locales o en la nube según la privacidad
requerida . El sistema se beneficiaría del aprendizaje continuo (Nghiem et al., 2024).
Este diseño podría integrarse con sistemas de control de versiones (como Git) para analizar el historial
de cambios y sugerir soluciones coherentes con la evolución del proyecto.
pág. 4762
Figura 7
Discusión sobre el Impacto Laboral y Educativo
La incorporación de chats de asistencia embebidos representa un cambio profundo en cómo los
programadores aprenden y trabajan.
En el ámbito educativo, estas herramientas redefinen la enseñanza. Actúan como tutores virtuales
personalizados que ofrecen retroalimentación inmediata, explican errores y sugieren correcciones . Esto
convierte al IDE en un espacio de aprendizaje activo, reduce la frustración asociada al error y fomenta
el aprendizaje autodirigido. Los estudiantes pueden comprender mejor los errores y acceder a ejemplos
prácticos sin abandonar el entorno de desarrollo (De los Santos & Ortiz, 2023).
En el entorno laboral, el impacto en la productividad es tangible. Kalliamvakou et al. (2023) reportan
incrementos de productividad de entre el 20 % y el 40 %. El asistente reduce el tiempo de resolución
de errores , optimiza el código y mantiene al programador concentrado, evitando la dispersión cognitiva.
Esto redefine el rol del desarrollador: deja de ser un ejecutor de instrucciones para convertirse en un
gestor del conocimiento tecnológico, que interpreta, valida y supervisa los resultados generados por la
IA.
El análisis comparativo de las herramientas líderes revela diferencias significativas en su impacto.
Figura 7
Discusión sobre el Impacto Laboral y Educativo
La incorporación de chats de asistencia embebidos representa un cambio profundo en cómo los
programadores aprenden y trabajan.
En el ámbito educativo, estas herramientas redefinen la enseñanza. Actúan como tutores virtuales
personalizados que ofrecen retroalimentación inmediata, explican errores y sugieren correcciones . Esto
convierte al IDE en un espacio de aprendizaje activo, reduce la frustración asociada al error y fomenta
el aprendizaje autodirigido. Los estudiantes pueden comprender mejor los errores y acceder a ejemplos
prácticos sin abandonar el entorno de desarrollo (De los Santos & Ortiz, 2023).
En el entorno laboral, el impacto en la productividad es tangible. Kalliamvakou et al. (2023) reportan
incrementos de productividad de entre el 20 % y el 40 %. El asistente reduce el tiempo de resolución
de errores , optimiza el código y mantiene al programador concentrado, evitando la dispersión cognitiva.
Esto redefine el rol del desarrollador: deja de ser un ejecutor de instrucciones para convertirse en un
gestor del conocimiento tecnológico, que interpreta, valida y supervisa los resultados generados por la
IA.
El análisis comparativo de las herramientas líderes revela diferencias significativas en su impacto.
pág. 4763
Reportes de la industria, como los de OpenXcell (2024) y FutureAGI (2025), contrastan el rendimiento
de GitHub Copilot frente a Amazon CodeWhisperer, destacando que la elección de la herramienta
influye directamente en la velocidad del ciclo de desarrollo. A esto se suma la evidencia de
Kalliamvakou et al. (2023), quienes cuantificaron un aumento de productividad, aunque Chen et al.
(2021) matizan que la eficacia de modelos como Codex depende en gran medida de la calidad de los
datos de entrenamiento utilizados
Discusión sobre Riesgos, Desafíos y Aspectos Éticos
A pesar de los beneficios, la adopción de estos asistentes presenta riesgos significativos. El principal
desafío es la dependencia tecnológica. El desarrollador, al habituarse a soluciones inmediatas, puede
reducir su capacidad para analizar problemas de forma independiente. Con el tiempo, esto puede
erosionar la práctica del razonamiento algorítmico, la depuración manual y la resolución autónoma de
problemas (Vaithilingam & Weng, 2022). En el contexto educativo, esto puede provocar un aprendizaje
superficial, donde el alumno memoriza respuestas sin internalizar los conceptos (De los Santos & Ortiz,
2023).
Existen también desafíos técnicos. Las sugerencias pueden no ser siempre precisas, y la comprensión
del contexto puede fallar en proyectos muy complejos (Vaithilingam y Weng, 2022).
Finalmente, surgen aspectos éticos y de seguridad. La privacidad del código es crucial si los modelos
de IA procesan código propietario en servidores externos. Sandoval et al. (2022) advierten sobre el
riesgo de fugas de información confidencial o la incorporación de código con licencias restrictivas.
También existe la posibilidad de que los modelos reproduzcan sesgos o patrones de código inseguros
presentes en sus datos de entrenamiento (Bender et al., 2021). El programador debe seguir siendo el
responsable final del código implementado.
Propuesta de Evaluación y Perspectivas Futuras
Para determinar la eficacia real de la herramienta, se propone un plan de evaluación basado en métricas
cuantitativas y cualitativas.
Métricas Cuantitativas: Incluirán la medición del tiempo promedio de detección y corrección de errores,
la reducción de errores recurrentes y el incremento en la velocidad de codificación (Li et al., 2022;
Kochhar et al., 2023) .
Reportes de la industria, como los de OpenXcell (2024) y FutureAGI (2025), contrastan el rendimiento
de GitHub Copilot frente a Amazon CodeWhisperer, destacando que la elección de la herramienta
influye directamente en la velocidad del ciclo de desarrollo. A esto se suma la evidencia de
Kalliamvakou et al. (2023), quienes cuantificaron un aumento de productividad, aunque Chen et al.
(2021) matizan que la eficacia de modelos como Codex depende en gran medida de la calidad de los
datos de entrenamiento utilizados
Discusión sobre Riesgos, Desafíos y Aspectos Éticos
A pesar de los beneficios, la adopción de estos asistentes presenta riesgos significativos. El principal
desafío es la dependencia tecnológica. El desarrollador, al habituarse a soluciones inmediatas, puede
reducir su capacidad para analizar problemas de forma independiente. Con el tiempo, esto puede
erosionar la práctica del razonamiento algorítmico, la depuración manual y la resolución autónoma de
problemas (Vaithilingam & Weng, 2022). En el contexto educativo, esto puede provocar un aprendizaje
superficial, donde el alumno memoriza respuestas sin internalizar los conceptos (De los Santos & Ortiz,
2023).
Existen también desafíos técnicos. Las sugerencias pueden no ser siempre precisas, y la comprensión
del contexto puede fallar en proyectos muy complejos (Vaithilingam y Weng, 2022).
Finalmente, surgen aspectos éticos y de seguridad. La privacidad del código es crucial si los modelos
de IA procesan código propietario en servidores externos. Sandoval et al. (2022) advierten sobre el
riesgo de fugas de información confidencial o la incorporación de código con licencias restrictivas.
También existe la posibilidad de que los modelos reproduzcan sesgos o patrones de código inseguros
presentes en sus datos de entrenamiento (Bender et al., 2021). El programador debe seguir siendo el
responsable final del código implementado.
Propuesta de Evaluación y Perspectivas Futuras
Para determinar la eficacia real de la herramienta, se propone un plan de evaluación basado en métricas
cuantitativas y cualitativas.
Métricas Cuantitativas: Incluirán la medición del tiempo promedio de detección y corrección de errores,
la reducción de errores recurrentes y el incremento en la velocidad de codificación (Li et al., 2022;
Kochhar et al., 2023) .
pág. 4764
Métricas Cualitativas: Se aplicarán encuestas de satisfacción y entrevistas para analizar la percepción
del desarrollador sobre la utilidad, claridad y confianza en las recomendaciones (Corso et al., 2024). Se
propone un análisis comparativo entre grupos que usen la herramienta y grupos de control (Azaiz et al.,
2023).
Mirando al futuro, las perspectivas de esta tecnología apuntan a asistentes multimodales, capaces de
procesar texto, voz y diagramas (Zhu & Han, 2024). Se espera que los modelos evolucionen hacia un
aprendizaje continuo que se adapte al estilo y nivel del programador, ofreciendo no solo asistencia
técnica sino también retroalimentación pedagógica (Xu et al., 2025) . El futuro se orienta a una
combinación de modelos locales seguros y plataformas en la nube, equilibrando rendimiento y
privacidad (Savary-Leblanc et al., 2023; Xu et al., 2025) .
Evolución Histórica de los Asistentes de Programación y su Integración en IDEs
La presencia de asistentes inteligentes dentro de los entornos de desarrollo (IDEs) no surgió de manera
repentina, sino que es el resultado de varias décadas de avances en herramientas de apoyo al
programador. Comprender esta evolución permite apreciar cómo la tecnología ha pasado de ser un
recurso limitado a convertirse en un acompañante inteligente capaz de analizar, sugerir y generar código
dentro del propio entorno de trabajo. Esta perspectiva histórica también muestra cómo han cambiado
las expectativas, los métodos de desarrollo y las herramientas que utilizan tanto estudiantes como
profesionales.
Los primeros intentos de asistencia automatizada en programación se remontan a los años setenta y
ochenta, cuando las herramientas se limitaban a resaltado de sintaxis, sugerencias básicas y sistemas de
autocompletado simples. Aunque rudimentarios, estos mecanismos marcaron el inicio de la idea de que
una herramienta podía facilitar el desarrollo disminuyendo errores sintácticos y acelerando la escritura
de código. Sin embargo, estas primeras funciones estaban muy lejos de comprender la semántica o la
intención del programador.
Durante los años noventa y principios de los dos mil, aparecieron herramientas más avanzadas como
IntelliSense de Microsoft o los sistemas de autocompletado inteligente de JetBrains. Estas herramientas
comenzaron a analizar la estructura interna del código y ofrecer sugerencias más útiles, como completar
métodos disponibles, mostrar documentación y advertir sobre errores comunes.
Métricas Cualitativas: Se aplicarán encuestas de satisfacción y entrevistas para analizar la percepción
del desarrollador sobre la utilidad, claridad y confianza en las recomendaciones (Corso et al., 2024). Se
propone un análisis comparativo entre grupos que usen la herramienta y grupos de control (Azaiz et al.,
2023).
Mirando al futuro, las perspectivas de esta tecnología apuntan a asistentes multimodales, capaces de
procesar texto, voz y diagramas (Zhu & Han, 2024). Se espera que los modelos evolucionen hacia un
aprendizaje continuo que se adapte al estilo y nivel del programador, ofreciendo no solo asistencia
técnica sino también retroalimentación pedagógica (Xu et al., 2025) . El futuro se orienta a una
combinación de modelos locales seguros y plataformas en la nube, equilibrando rendimiento y
privacidad (Savary-Leblanc et al., 2023; Xu et al., 2025) .
Evolución Histórica de los Asistentes de Programación y su Integración en IDEs
La presencia de asistentes inteligentes dentro de los entornos de desarrollo (IDEs) no surgió de manera
repentina, sino que es el resultado de varias décadas de avances en herramientas de apoyo al
programador. Comprender esta evolución permite apreciar cómo la tecnología ha pasado de ser un
recurso limitado a convertirse en un acompañante inteligente capaz de analizar, sugerir y generar código
dentro del propio entorno de trabajo. Esta perspectiva histórica también muestra cómo han cambiado
las expectativas, los métodos de desarrollo y las herramientas que utilizan tanto estudiantes como
profesionales.
Los primeros intentos de asistencia automatizada en programación se remontan a los años setenta y
ochenta, cuando las herramientas se limitaban a resaltado de sintaxis, sugerencias básicas y sistemas de
autocompletado simples. Aunque rudimentarios, estos mecanismos marcaron el inicio de la idea de que
una herramienta podía facilitar el desarrollo disminuyendo errores sintácticos y acelerando la escritura
de código. Sin embargo, estas primeras funciones estaban muy lejos de comprender la semántica o la
intención del programador.
Durante los años noventa y principios de los dos mil, aparecieron herramientas más avanzadas como
IntelliSense de Microsoft o los sistemas de autocompletado inteligente de JetBrains. Estas herramientas
comenzaron a analizar la estructura interna del código y ofrecer sugerencias más útiles, como completar
métodos disponibles, mostrar documentación y advertir sobre errores comunes.
pág. 4765
Aun así, estas funciones seguían basándose en reglas estáticas y no en aprendizaje automático, por lo
que su capacidad de adaptación era limitada.
Un punto de inflexión ocurrió a partir de 2015 con la expansión del machine learning en aplicaciones
prácticas. Modelos de predicción empezaron a utilizarse para anticipar el siguiente fragmento de código,
aunque en versiones tempranas su precisión aún era reducida. No fue sino hasta 2020–2021, con la
introducción de modelos generativos de lenguaje como GPT o Codex, que la asistencia en programación
dio un salto cualitativo: las herramientas comenzaron a comprender contexto, estilo y estructura del
proyecto, permitiendo sugerir funciones completas, explicar errores y generar documentación.
Este avance permitió que los asistentes ya no fueran simples complementos, sino agentes inteligentes
integrados directamente en los IDEs, capaces de trabajar de forma colaborativa con el programador.
Herramientas como Copilot, CodeWhisperer, Codeium y las integraciones con ChatGPT marcaron una
nueva era en la que el desarrollador cuenta con retroalimentación contextual avanzada, explicación de
conceptos y generación automática de soluciones dentro del entorno de desarrollo.
Hoy en día, la evolución continúa enfocándose en mejorar la comprensión profunda del contexto del
proyecto, integrar modelos más rápidos y eficientes, y permitir personalización completa del estilo y
métodos de programación. La tendencia actual apunta hacia asistentes capaces de interactuar con
repositorios completos, analizar pruebas automatizadas, y contribuir a todo el ciclo de vida del software,
desde la planeación hasta el mantenimiento. En suma, la evolución histórica de los asistentes de
programación refleja un progreso constante desde herramientas estáticas y limitadas, hasta sistemas
inteligentes capaces de interpretar la intención del desarrollador y colaborar activamente en la creación
de software. Este recorrido evidencia que la integración de chats de asistencia en los IDEs no es solo
una innovación reciente, sino la culminación de décadas de avances tecnológicos orientados a facilitar,
mejorar y transformar la experiencia del programador.
Diseño Técnico Preliminar
El diseño técnico de un chat de asistencia embebido en un IDE requiere la integración de múltiples
tecnologías que permitan la comunicación fluida entre el programador, el entorno de desarrollo y el
modelo de inteligencia artificial. La arquitectura propuesta estaría compuesta por tres capas principales:
la interfaz de usuario, el motor de análisis y la capa de inteligencia artificial.
Aun así, estas funciones seguían basándose en reglas estáticas y no en aprendizaje automático, por lo
que su capacidad de adaptación era limitada.
Un punto de inflexión ocurrió a partir de 2015 con la expansión del machine learning en aplicaciones
prácticas. Modelos de predicción empezaron a utilizarse para anticipar el siguiente fragmento de código,
aunque en versiones tempranas su precisión aún era reducida. No fue sino hasta 2020–2021, con la
introducción de modelos generativos de lenguaje como GPT o Codex, que la asistencia en programación
dio un salto cualitativo: las herramientas comenzaron a comprender contexto, estilo y estructura del
proyecto, permitiendo sugerir funciones completas, explicar errores y generar documentación.
Este avance permitió que los asistentes ya no fueran simples complementos, sino agentes inteligentes
integrados directamente en los IDEs, capaces de trabajar de forma colaborativa con el programador.
Herramientas como Copilot, CodeWhisperer, Codeium y las integraciones con ChatGPT marcaron una
nueva era en la que el desarrollador cuenta con retroalimentación contextual avanzada, explicación de
conceptos y generación automática de soluciones dentro del entorno de desarrollo.
Hoy en día, la evolución continúa enfocándose en mejorar la comprensión profunda del contexto del
proyecto, integrar modelos más rápidos y eficientes, y permitir personalización completa del estilo y
métodos de programación. La tendencia actual apunta hacia asistentes capaces de interactuar con
repositorios completos, analizar pruebas automatizadas, y contribuir a todo el ciclo de vida del software,
desde la planeación hasta el mantenimiento. En suma, la evolución histórica de los asistentes de
programación refleja un progreso constante desde herramientas estáticas y limitadas, hasta sistemas
inteligentes capaces de interpretar la intención del desarrollador y colaborar activamente en la creación
de software. Este recorrido evidencia que la integración de chats de asistencia en los IDEs no es solo
una innovación reciente, sino la culminación de décadas de avances tecnológicos orientados a facilitar,
mejorar y transformar la experiencia del programador.
Diseño Técnico Preliminar
El diseño técnico de un chat de asistencia embebido en un IDE requiere la integración de múltiples
tecnologías que permitan la comunicación fluida entre el programador, el entorno de desarrollo y el
modelo de inteligencia artificial. La arquitectura propuesta estaría compuesta por tres capas principales:
la interfaz de usuario, el motor de análisis y la capa de inteligencia artificial.
pág. 4766
La interfaz de usuario estaría embebida directamente dentro del IDE (por ejemplo, Visual Studio Code
o IntelliJ IDEA), permitiendo la interacción natural mediante lenguaje escrito o incluso comandos de
voz. Este componente debe ser no intrusivo, configurable y accesible, garantizando una experiencia
ergonómica (Nguyen & Dang, 2023).
El motor de análisis se encargaría de examinar el contexto del código —por ejemplo, el archivo actual,
los mensajes del compilador y la estructura del proyecto—. Mediante técnicas de análisis estático, este
módulo identificaría errores, advertencias y posibles mejoras antes de ejecutar el programa, ofreciendo
retroalimentación inmediata (Kim & Kim, 2024).
Finalmente, la capa de inteligencia artificial utilizaría modelos de procesamiento de lenguaje natural
(NLP) y aprendizaje automático para generar respuestas contextualizadas. Estos modelos podrían
conectarse a redes locales o servicios en la nube, dependiendo del nivel de privacidad requerido. El
sistema se beneficiaría del aprendizaje continuo, ajustando sus respuestas a medida que el usuario
interactúa con el chat (Nghiem et al., 2024).
Desde una perspectiva técnica avanzada, el sistema también podría integrarse con repositorios de
control de versiones (como Git) para analizar el historial de cambios y sugerir soluciones coherentes
con la evolución del proyecto. De esta manera, el diseño propuesto no solo mejora la productividad,
sino que también se alinea con las tendencias de desarrollo asistido por IA contextual y seguro.
Cómo funciona un chat embebido en un IDE
Vinculación con el código y análisis del contexto
Un chat integrado en un IDE funciona al estar continuamente conectado al proyecto del desarrollador.
Esto le permite analizar en tiempo real el código, los errores reportados por el compilador o intérprete,
y la estructura general del proyecto.
Gracias a esta integración, el asistente puede detectar errores de sintaxis, inconsistencias lógicas y
posibles vulnerabilidades, ofreciendo soluciones adaptadas al código específico en lugar de respuestas
genéricas (Li et al., 2023). Esto reduce significativamente la necesidad de que el programador busque
información en fuentes externas.
La interfaz de usuario estaría embebida directamente dentro del IDE (por ejemplo, Visual Studio Code
o IntelliJ IDEA), permitiendo la interacción natural mediante lenguaje escrito o incluso comandos de
voz. Este componente debe ser no intrusivo, configurable y accesible, garantizando una experiencia
ergonómica (Nguyen & Dang, 2023).
El motor de análisis se encargaría de examinar el contexto del código —por ejemplo, el archivo actual,
los mensajes del compilador y la estructura del proyecto—. Mediante técnicas de análisis estático, este
módulo identificaría errores, advertencias y posibles mejoras antes de ejecutar el programa, ofreciendo
retroalimentación inmediata (Kim & Kim, 2024).
Finalmente, la capa de inteligencia artificial utilizaría modelos de procesamiento de lenguaje natural
(NLP) y aprendizaje automático para generar respuestas contextualizadas. Estos modelos podrían
conectarse a redes locales o servicios en la nube, dependiendo del nivel de privacidad requerido. El
sistema se beneficiaría del aprendizaje continuo, ajustando sus respuestas a medida que el usuario
interactúa con el chat (Nghiem et al., 2024).
Desde una perspectiva técnica avanzada, el sistema también podría integrarse con repositorios de
control de versiones (como Git) para analizar el historial de cambios y sugerir soluciones coherentes
con la evolución del proyecto. De esta manera, el diseño propuesto no solo mejora la productividad,
sino que también se alinea con las tendencias de desarrollo asistido por IA contextual y seguro.
Cómo funciona un chat embebido en un IDE
Vinculación con el código y análisis del contexto
Un chat integrado en un IDE funciona al estar continuamente conectado al proyecto del desarrollador.
Esto le permite analizar en tiempo real el código, los errores reportados por el compilador o intérprete,
y la estructura general del proyecto.
Gracias a esta integración, el asistente puede detectar errores de sintaxis, inconsistencias lógicas y
posibles vulnerabilidades, ofreciendo soluciones adaptadas al código específico en lugar de respuestas
genéricas (Li et al., 2023). Esto reduce significativamente la necesidad de que el programador busque
información en fuentes externas.
pág. 4767
Interacción mediante lenguaje natural
El chat permite que el desarrollador haga preguntas en lenguaje natural, tales como "¿por qué ocurre
este error de compilación?" o "¿cuál es la mejor manera de implementar esta función?". El sistema
procesa estas consultas usando técnicas de procesamiento de lenguaje natural (PLN) y devuelve
respuestas contextuales, ejemplos de código, recomendaciones de buenas prácticas y posibles
alternativas de implementación (Rustagi et al., 2024).
Este enfoque mejora la accesibilidad de la herramienta para desarrolladores de distintos niveles de
experiencia y facilita la comprensión de problemas complejos sin interrumpir el flujo de trabajo.
Sugerencias proactivas y optimización del código
Más allá de responder preguntas, un chat embebido puede actuar de manera proactiva, analizando
patrones de código repetidos y sugiriendo refactorizaciones, mejoras de rendimiento o alertas de
seguridad.
Por ejemplo, podría identificar un bucle innecesariamente complejo y recomendar una versión más
eficiente, o señalar funciones duplicadas que podrían unificarse. Estas acciones permiten mantener un
código más limpio y eficiente, reduciendo errores futuros y aumentando la productividad (Weisz et al.,
2024).
Arquitectura técnica y soporte de IA
El funcionamiento técnico del chat combina varias tecnologías:
Procesamiento de lenguaje natural (PLN): para interpretar preguntas y generar respuestas
comprensibles.
Análisis estático de código: para examinar la estructura, variables y dependencias del proyecto.
Modelos de inteligencia artificial o bases de datos especializadas: que permiten generar soluciones
adaptadas al contexto y aprender de la interacción con el usuario.
Esta arquitectura permite que la interacción sea rápida y contextualizada, evitando la pérdida de enfoque
del desarrollador y mejorando la eficiencia del proceso de programación (Li et al., 2023; Rustagi et al.,
2024).
Interacción mediante lenguaje natural
El chat permite que el desarrollador haga preguntas en lenguaje natural, tales como "¿por qué ocurre
este error de compilación?" o "¿cuál es la mejor manera de implementar esta función?". El sistema
procesa estas consultas usando técnicas de procesamiento de lenguaje natural (PLN) y devuelve
respuestas contextuales, ejemplos de código, recomendaciones de buenas prácticas y posibles
alternativas de implementación (Rustagi et al., 2024).
Este enfoque mejora la accesibilidad de la herramienta para desarrolladores de distintos niveles de
experiencia y facilita la comprensión de problemas complejos sin interrumpir el flujo de trabajo.
Sugerencias proactivas y optimización del código
Más allá de responder preguntas, un chat embebido puede actuar de manera proactiva, analizando
patrones de código repetidos y sugiriendo refactorizaciones, mejoras de rendimiento o alertas de
seguridad.
Por ejemplo, podría identificar un bucle innecesariamente complejo y recomendar una versión más
eficiente, o señalar funciones duplicadas que podrían unificarse. Estas acciones permiten mantener un
código más limpio y eficiente, reduciendo errores futuros y aumentando la productividad (Weisz et al.,
2024).
Arquitectura técnica y soporte de IA
El funcionamiento técnico del chat combina varias tecnologías:
Procesamiento de lenguaje natural (PLN): para interpretar preguntas y generar respuestas
comprensibles.
Análisis estático de código: para examinar la estructura, variables y dependencias del proyecto.
Modelos de inteligencia artificial o bases de datos especializadas: que permiten generar soluciones
adaptadas al contexto y aprender de la interacción con el usuario.
Esta arquitectura permite que la interacción sea rápida y contextualizada, evitando la pérdida de enfoque
del desarrollador y mejorando la eficiencia del proceso de programación (Li et al., 2023; Rustagi et al.,
2024).
pág. 4768
Imagen 2
Personalización y aprendizaje continuo
En un contexto profesional, el chat puede ajustarse a las normas de codificación de la empresa,
integrarse con sistemas de control de versiones y aprender de los errores y consultas más frecuentes del
equipo. Esto permite que las recomendaciones se adapten progresivamente al estilo de programación
de la compañía y a las mejores prácticas del proyecto, convirtiéndose en una herramienta de aprendizaje
continuo (De los Santos & Ortiz, 2023).
Limitaciones Técnicas y Desafíos Actuales de los Asistentes Embebidos
A pesar de los importantes avances logrados por los chats de asistencia embebidos en los entornos de
desarrollo (IDEs), estas herramientas aún enfrentan limitaciones técnicas significativas que afectan su
precisión, confiabilidad y capacidad de comprensión del código. Estas limitaciones reflejan tanto
restricciones inherentes a los modelos de inteligencia artificial actuales como desafíos derivados de la
Imagen 2
Personalización y aprendizaje continuo
En un contexto profesional, el chat puede ajustarse a las normas de codificación de la empresa,
integrarse con sistemas de control de versiones y aprender de los errores y consultas más frecuentes del
equipo. Esto permite que las recomendaciones se adapten progresivamente al estilo de programación
de la compañía y a las mejores prácticas del proyecto, convirtiéndose en una herramienta de aprendizaje
continuo (De los Santos & Ortiz, 2023).
Limitaciones Técnicas y Desafíos Actuales de los Asistentes Embebidos
A pesar de los importantes avances logrados por los chats de asistencia embebidos en los entornos de
desarrollo (IDEs), estas herramientas aún enfrentan limitaciones técnicas significativas que afectan su
precisión, confiabilidad y capacidad de comprensión del código. Estas limitaciones reflejan tanto
restricciones inherentes a los modelos de inteligencia artificial actuales como desafíos derivados de la
pág. 4769
complejidad del desarrollo de software moderno. Analizar estas debilidades es esencial para
comprender el estado actual de la tecnología y las oportunidades de mejora futura.
Limitaciones en la comprensión del contexto
Uno de los desafíos más importantes es la dificultad que los asistentes presentan para entender el
contexto completo de un proyecto, especialmente cuando se trata de repositorios extensos o con
múltiples módulos relacionados entre sí. Aunque estas herramientas pueden analizar fragmentos de
código, suelen tener problemas para comprender la estructura global, las dependencias entre archivos y
el flujo lógico completo del programa.
Además, su capacidad para interpretar código fragmentado es limitada; cuando el programador
proporciona solo una parte de una función o clase, el asistente puede generar respuestas imprecisas o
soluciones que no encajan en la arquitectura general del proyecto. Estas dificultades son especialmente
evidentes en sistemas legacy o en proyectos con poca documentación, donde la IA tiene menos puntos
de referencia para contextualizar la información.
Restricciones de procesamiento
Los modelos de inteligencia artificial utilizados en los asistentes embebidos trabajan bajo restricciones
de procesamiento que influyen directamente en su rendimiento. La primera limitación es el tamaño del
contexto que pueden analizar simultáneamente; debido a los límites de tokens, no pueden revisar
grandes cantidades de código en una sola consulta, lo que reduce su capacidad para entender el estado
completo del proyecto.
Otra restricción importante es la latencia. Muchos asistentes operan mediante servicios en la nube, lo
que implica que el código debe enviarse a un servidor externo para ser procesado. Esto puede producir
demoras notables en conexiones lentas o inestables.
Además, algunos modelos requieren altos niveles de potencia computacional, lo que puede incrementar
el uso de memoria o CPU dentro del IDE y afectar negativamente el rendimiento del entorno de
desarrollo.
Dificultades con lenguajes altamente especializados
Aunque los asistentes embebidos están entrenados con grandes volúmenes de código, su desempeño no
es uniforme en todos los lenguajes.
complejidad del desarrollo de software moderno. Analizar estas debilidades es esencial para
comprender el estado actual de la tecnología y las oportunidades de mejora futura.
Limitaciones en la comprensión del contexto
Uno de los desafíos más importantes es la dificultad que los asistentes presentan para entender el
contexto completo de un proyecto, especialmente cuando se trata de repositorios extensos o con
múltiples módulos relacionados entre sí. Aunque estas herramientas pueden analizar fragmentos de
código, suelen tener problemas para comprender la estructura global, las dependencias entre archivos y
el flujo lógico completo del programa.
Además, su capacidad para interpretar código fragmentado es limitada; cuando el programador
proporciona solo una parte de una función o clase, el asistente puede generar respuestas imprecisas o
soluciones que no encajan en la arquitectura general del proyecto. Estas dificultades son especialmente
evidentes en sistemas legacy o en proyectos con poca documentación, donde la IA tiene menos puntos
de referencia para contextualizar la información.
Restricciones de procesamiento
Los modelos de inteligencia artificial utilizados en los asistentes embebidos trabajan bajo restricciones
de procesamiento que influyen directamente en su rendimiento. La primera limitación es el tamaño del
contexto que pueden analizar simultáneamente; debido a los límites de tokens, no pueden revisar
grandes cantidades de código en una sola consulta, lo que reduce su capacidad para entender el estado
completo del proyecto.
Otra restricción importante es la latencia. Muchos asistentes operan mediante servicios en la nube, lo
que implica que el código debe enviarse a un servidor externo para ser procesado. Esto puede producir
demoras notables en conexiones lentas o inestables.
Además, algunos modelos requieren altos niveles de potencia computacional, lo que puede incrementar
el uso de memoria o CPU dentro del IDE y afectar negativamente el rendimiento del entorno de
desarrollo.
Dificultades con lenguajes altamente especializados
Aunque los asistentes embebidos están entrenados con grandes volúmenes de código, su desempeño no
es uniforme en todos los lenguajes.
pág. 4770
Suelen tener un rendimiento aceptable en lenguajes ampliamente utilizados como Python, JavaScript o
Java, pero encuentran mayores dificultades en lenguajes especializados o de bajo nivel, como C, Rust
o ensamblador.
Estos lenguajes requieren una comprensión profunda de conceptos como manejo de memoria,
concurrencia o gestión de punteros, áreas donde los modelos de IA pueden generar sugerencias
incorrectas o incompletas. Asimismo, presentan problemas al trabajar con frameworks muy nuevos,
bibliotecas poco documentadas o sintaxis altamente técnicas, donde la IA no dispone de suficientes
ejemplos para ofrecer respuestas precisas.
Riesgos de alucinaciones técnicas
Un problema recurrente en estos sistemas es la presencia de alucinaciones técnicas, es decir, respuestas
fabricadas o incorrectas generadas por el modelo. Estas alucinaciones pueden manifestarse de diversas
formas, como sugerir funciones que no existen, recomendar librerías incompatibles o escribir código
que no compila.
Estas situaciones no solo generan confusión en programadores principiantes, sino que también pueden
introducir vulnerabilidades o errores difíciles de detectar en proyectos profesionales. Aunque estos
errores son previsibles en modelos generativos, representan un desafío importante para la adopción
totalmente confiable de asistentes embebidos en entornos críticos o de alta exigencia.
Desafíos para el futuro
Los asistentes de desarrollo aún enfrentan múltiples desafíos para lograr un desempeño realmente
óptimo. Entre los más relevantes se encuentra la necesidad de ampliar la capacidad de contexto,
permitiendo que la IA analice repositorios completos sin perder coherencia. También es crucial mejorar
el razonamiento lógico del modelo para evitar errores conceptuales y reducir las alucinaciones.
Otro desafío importante es la integración del análisis estático, dinámico y semántico del código dentro
de la propia IA, lo que permitiría una comprensión más profunda de la ejecución real del programa.
Finalmente, será necesario desarrollar modelos capaces de operar offline sin comprometer la privacidad
del usuario y sin requerir un consumo excesivo de recursos computacionales.
Suelen tener un rendimiento aceptable en lenguajes ampliamente utilizados como Python, JavaScript o
Java, pero encuentran mayores dificultades en lenguajes especializados o de bajo nivel, como C, Rust
o ensamblador.
Estos lenguajes requieren una comprensión profunda de conceptos como manejo de memoria,
concurrencia o gestión de punteros, áreas donde los modelos de IA pueden generar sugerencias
incorrectas o incompletas. Asimismo, presentan problemas al trabajar con frameworks muy nuevos,
bibliotecas poco documentadas o sintaxis altamente técnicas, donde la IA no dispone de suficientes
ejemplos para ofrecer respuestas precisas.
Riesgos de alucinaciones técnicas
Un problema recurrente en estos sistemas es la presencia de alucinaciones técnicas, es decir, respuestas
fabricadas o incorrectas generadas por el modelo. Estas alucinaciones pueden manifestarse de diversas
formas, como sugerir funciones que no existen, recomendar librerías incompatibles o escribir código
que no compila.
Estas situaciones no solo generan confusión en programadores principiantes, sino que también pueden
introducir vulnerabilidades o errores difíciles de detectar en proyectos profesionales. Aunque estos
errores son previsibles en modelos generativos, representan un desafío importante para la adopción
totalmente confiable de asistentes embebidos en entornos críticos o de alta exigencia.
Desafíos para el futuro
Los asistentes de desarrollo aún enfrentan múltiples desafíos para lograr un desempeño realmente
óptimo. Entre los más relevantes se encuentra la necesidad de ampliar la capacidad de contexto,
permitiendo que la IA analice repositorios completos sin perder coherencia. También es crucial mejorar
el razonamiento lógico del modelo para evitar errores conceptuales y reducir las alucinaciones.
Otro desafío importante es la integración del análisis estático, dinámico y semántico del código dentro
de la propia IA, lo que permitiría una comprensión más profunda de la ejecución real del programa.
Finalmente, será necesario desarrollar modelos capaces de operar offline sin comprometer la privacidad
del usuario y sin requerir un consumo excesivo de recursos computacionales.
pág. 4771
CONCLUSIONES
La presente investigación ha examinado, desde una perspectiva teórica y analítica, la pertinencia,
viabilidad y repercusiones de integrar un chat de asistencia inteligente embebido dentro de un entorno
de desarrollo integrado (IDE). Este estudio surgió a partir de la identificación de un problema central
en la práctica moderna de la programación: la alta carga cognitiva a la que se enfrenta el desarrollador
debido a la administración simultánea de múltiples niveles de abstracción, la necesidad de recordar
estructuras complejas y la constante interrupción provocada por la búsqueda externa de soluciones.
Dichos factores impactan directamente en la productividad y alteran el flujo mental requerido para
mantener una concentración sostenida durante las tareas de desarrollo de software.
El análisis del marco teórico permitió comprender que los retos actuales del programador no son
únicamente de carácter técnico, sino profundamente cognitivos. La naturaleza lineal del pensamiento
humano contrasta con la estructura altamente modular y paralela de los sistemas de software; como
resultado, cada vez que el programador abandona el IDE para consultar documentación, foros o
ejemplos, experimenta una pérdida de continuidad conocida como context switching, la cual genera un
costo mental considerable y afecta la calidad del trabajo. A partir de este planteamiento, la investigación
propone que un asistente inteligente embebido constituye una respuesta viable y coherente con la
necesidad de disminuir estas interrupciones, ya que centraliza la información, reduce el esfuerzo de
búsqueda y ofrece apoyo contextual sin abandonar el entorno de programación.
Desde esta perspectiva, la hipótesis teórica planteada sostiene que un asistente embebido puede operar
como una suerte de sistema experto integrado, capaz de interpretar el código en tiempo real, detectar
posibles errores, sugerir mejoras y proporcionar explicaciones detalladas en lenguaje natural. Dicho
sistema no sustituye el conocimiento del programador, sino que actúa como un complemento que ayuda
a reforzar buenas prácticas, mejorar la refactorización continua y reducir la complejidad cognitiva a la
que está expuesto el usuario. La IA se convierte así en un agente colaborativo que acompaña la
construcción del software, no como un reemplazo, sino como una extensión de las capacidades
humanas.
Los resultados teóricos del análisis realizado permiten afirmar que la integración de un chat de asistencia
embebido tiene un impacto profundo en dos dimensiones fundamentales: la educativa y la profesional.
CONCLUSIONES
La presente investigación ha examinado, desde una perspectiva teórica y analítica, la pertinencia,
viabilidad y repercusiones de integrar un chat de asistencia inteligente embebido dentro de un entorno
de desarrollo integrado (IDE). Este estudio surgió a partir de la identificación de un problema central
en la práctica moderna de la programación: la alta carga cognitiva a la que se enfrenta el desarrollador
debido a la administración simultánea de múltiples niveles de abstracción, la necesidad de recordar
estructuras complejas y la constante interrupción provocada por la búsqueda externa de soluciones.
Dichos factores impactan directamente en la productividad y alteran el flujo mental requerido para
mantener una concentración sostenida durante las tareas de desarrollo de software.
El análisis del marco teórico permitió comprender que los retos actuales del programador no son
únicamente de carácter técnico, sino profundamente cognitivos. La naturaleza lineal del pensamiento
humano contrasta con la estructura altamente modular y paralela de los sistemas de software; como
resultado, cada vez que el programador abandona el IDE para consultar documentación, foros o
ejemplos, experimenta una pérdida de continuidad conocida como context switching, la cual genera un
costo mental considerable y afecta la calidad del trabajo. A partir de este planteamiento, la investigación
propone que un asistente inteligente embebido constituye una respuesta viable y coherente con la
necesidad de disminuir estas interrupciones, ya que centraliza la información, reduce el esfuerzo de
búsqueda y ofrece apoyo contextual sin abandonar el entorno de programación.
Desde esta perspectiva, la hipótesis teórica planteada sostiene que un asistente embebido puede operar
como una suerte de sistema experto integrado, capaz de interpretar el código en tiempo real, detectar
posibles errores, sugerir mejoras y proporcionar explicaciones detalladas en lenguaje natural. Dicho
sistema no sustituye el conocimiento del programador, sino que actúa como un complemento que ayuda
a reforzar buenas prácticas, mejorar la refactorización continua y reducir la complejidad cognitiva a la
que está expuesto el usuario. La IA se convierte así en un agente colaborativo que acompaña la
construcción del software, no como un reemplazo, sino como una extensión de las capacidades
humanas.
Los resultados teóricos del análisis realizado permiten afirmar que la integración de un chat de asistencia
embebido tiene un impacto profundo en dos dimensiones fundamentales: la educativa y la profesional.
pág. 4772
En el ámbito educativo, estos asistentes funcionan como un tutor personalizado, capaz de brindar
retroalimentación inmediata, explicar conceptos de programación, sugerir ejemplos, guiar la resolución
de errores y acompañar la curva de aprendizaje. Esta herramienta contribuye a un aprendizaje
significativo, reduce la frustración típica de los programadores novatos y facilita la adquisición de
habilidades esenciales. Para el estudiante, recibir orientación en tiempo real dentro del IDE acorta la
distancia entre "aprender" y "hacer", acelerando la comprensión y favoreciendo la autonomía formativa.
En el ámbito profesional, el impacto se orienta principalmente hacia la productividad y la
transformación del rol del programador. Al eliminar parte del tiempo dedicado a tareas mecánicas o
repetitivas —como escribir estructuras básicas, investigar sintaxis específicas o corregir errores
comunes— el asistente permite que el desarrollador concentre sus esfuerzos en actividades de mayor
valor, como la arquitectura, la validación conceptual y el diseño de soluciones. Esto no solo mejora la
eficiencia individual, sino que redefine la dinámica de trabajo en los equipos de desarrollo,
promoviendo flujos más ágiles y colaborativos. En este sentido, el programador transita de ser un
ejecutor constante a convertirse en un supervisor estratégico que guía y evalúa el código generado con
el apoyo de la IA.
Sin embargo, la investigación también revela que la introducción de estos sistemas no está exenta de
riesgos y desafíos significativos. El primero y más evidente es la dependencia tecnológica. Si el
programador utiliza de manera indiscriminada o acrítica el asistente, puede verse afectada su capacidad
de razonamiento lógico, resolución de problemas y comprensión profunda del código. Esto podría
generar profesionales técnicamente funcionales, pero carentes de habilidades fundamentales para
enfrentar situaciones no previstas por la IA. Asimismo, los estudiantes que dependen excesivamente
del asistente podrían desarrollar un aprendizaje superficial, basado más en la repetición que en la
comprensión conceptual.
A nivel ético y de seguridad, la investigación identifica preocupaciones relacionadas con la privacidad
del código propietario, el posible almacenamiento de fragmentos en servidores externos y la
responsabilidad legal frente a errores generados por la IA. Estos aspectos requieren regulaciones claras,
políticas de uso responsables y mecanismos de supervisión para evitar riesgos como filtraciones, mal
uso de datos o problemas de licenciamiento del código sugerido por el asistente.
En el ámbito educativo, estos asistentes funcionan como un tutor personalizado, capaz de brindar
retroalimentación inmediata, explicar conceptos de programación, sugerir ejemplos, guiar la resolución
de errores y acompañar la curva de aprendizaje. Esta herramienta contribuye a un aprendizaje
significativo, reduce la frustración típica de los programadores novatos y facilita la adquisición de
habilidades esenciales. Para el estudiante, recibir orientación en tiempo real dentro del IDE acorta la
distancia entre "aprender" y "hacer", acelerando la comprensión y favoreciendo la autonomía formativa.
En el ámbito profesional, el impacto se orienta principalmente hacia la productividad y la
transformación del rol del programador. Al eliminar parte del tiempo dedicado a tareas mecánicas o
repetitivas —como escribir estructuras básicas, investigar sintaxis específicas o corregir errores
comunes— el asistente permite que el desarrollador concentre sus esfuerzos en actividades de mayor
valor, como la arquitectura, la validación conceptual y el diseño de soluciones. Esto no solo mejora la
eficiencia individual, sino que redefine la dinámica de trabajo en los equipos de desarrollo,
promoviendo flujos más ágiles y colaborativos. En este sentido, el programador transita de ser un
ejecutor constante a convertirse en un supervisor estratégico que guía y evalúa el código generado con
el apoyo de la IA.
Sin embargo, la investigación también revela que la introducción de estos sistemas no está exenta de
riesgos y desafíos significativos. El primero y más evidente es la dependencia tecnológica. Si el
programador utiliza de manera indiscriminada o acrítica el asistente, puede verse afectada su capacidad
de razonamiento lógico, resolución de problemas y comprensión profunda del código. Esto podría
generar profesionales técnicamente funcionales, pero carentes de habilidades fundamentales para
enfrentar situaciones no previstas por la IA. Asimismo, los estudiantes que dependen excesivamente
del asistente podrían desarrollar un aprendizaje superficial, basado más en la repetición que en la
comprensión conceptual.
A nivel ético y de seguridad, la investigación identifica preocupaciones relacionadas con la privacidad
del código propietario, el posible almacenamiento de fragmentos en servidores externos y la
responsabilidad legal frente a errores generados por la IA. Estos aspectos requieren regulaciones claras,
políticas de uso responsables y mecanismos de supervisión para evitar riesgos como filtraciones, mal
uso de datos o problemas de licenciamiento del código sugerido por el asistente.
pág. 4773
La implementación de estas herramientas debe ir acompañada de un marco normativo que proteja a los
usuarios y garantice que la herramienta opere bajo pautas transparentes y confiables.
Finalmente, esta investigación establece una base teórica sólida para justificar la pertinencia, el
potencial y la relevancia de los asistentes embebidos en IDEs. No obstante, al tratarse de un estudio
teórico, es necesario reconocer que los postulados aquí expuestos deben validarse empíricamente. Por
ello, se recomienda que investigaciones futuras desarrollen prototipos funcionales y apliquen métricas
cuantitativas y cualitativas para medir de forma objetiva la reducción de la carga cognitiva, la mejora
en la productividad y la aceptación general por parte de los usuarios. Mediante estos estudios
experimentales será posible comprobar y refinar las hipótesis propuestas, así como establecer
lineamientos precisos para la implementación óptima de asistentes inteligentes embebidos en entornos
de programación reales.
REFERENCIAS BIBLIOGRÁFICAS
Yetiştiren, B., Özsoy, I., Ayerdem, M., & Tüzün, E. (2023). Evaluating the code quality of
AI-assisted code generation tools: An empirical study on GitHub Copilot, Amazon
CodeWhisperer, and ChatGPT. arXiv. Recuperado de https://arxiv.org/abs/2304.10778
Cavalcante, S. (2025). A case study with GitHub Copilot and other AI assistants. SCITEPRESS
Digital Library. Recuperado de
https://www.scitepress.org/Papers/2025/132947/132947.pdf
Sergeyuk, A. (2025). Using AI-based coding assistants in practice. ScienceDirect. Recuperado de
https://www.sciencedirect.com/science/article/abs/pii/S0950584924002155
Qodo.ai. (2025). 20 best AI coding assistant tools [Updated Aug 2025]. Recuperado de
https://www.qodo.ai/blog/best-ai-coding-assistant-tools/
OpenXcell. (2024). CodeWhisperer vs Copilot: Battle of the code assistants. Recuperado de
https://www.openxcell.com/blog/codewhisperer-vs-copilot/
JetBrains. (2023). JetBrains AI | Intelligent coding assistance, AI solutions, and more. Recuperado
de https://www.jetbrains.com/ai/
FutureAGI. (2025). AI coding assistant 2025: Copilot vs Cursor vs CodeWhisperer. Recuperado
de https://futureagi.com/blogs/github-copilot-vs-cursor-vs-codewhisperer-2025
La implementación de estas herramientas debe ir acompañada de un marco normativo que proteja a los
usuarios y garantice que la herramienta opere bajo pautas transparentes y confiables.
Finalmente, esta investigación establece una base teórica sólida para justificar la pertinencia, el
potencial y la relevancia de los asistentes embebidos en IDEs. No obstante, al tratarse de un estudio
teórico, es necesario reconocer que los postulados aquí expuestos deben validarse empíricamente. Por
ello, se recomienda que investigaciones futuras desarrollen prototipos funcionales y apliquen métricas
cuantitativas y cualitativas para medir de forma objetiva la reducción de la carga cognitiva, la mejora
en la productividad y la aceptación general por parte de los usuarios. Mediante estos estudios
experimentales será posible comprobar y refinar las hipótesis propuestas, así como establecer
lineamientos precisos para la implementación óptima de asistentes inteligentes embebidos en entornos
de programación reales.
REFERENCIAS BIBLIOGRÁFICAS
Yetiştiren, B., Özsoy, I., Ayerdem, M., & Tüzün, E. (2023). Evaluating the code quality of
AI-assisted code generation tools: An empirical study on GitHub Copilot, Amazon
CodeWhisperer, and ChatGPT. arXiv. Recuperado de https://arxiv.org/abs/2304.10778
Cavalcante, S. (2025). A case study with GitHub Copilot and other AI assistants. SCITEPRESS
Digital Library. Recuperado de
https://www.scitepress.org/Papers/2025/132947/132947.pdf
Sergeyuk, A. (2025). Using AI-based coding assistants in practice. ScienceDirect. Recuperado de
https://www.sciencedirect.com/science/article/abs/pii/S0950584924002155
Qodo.ai. (2025). 20 best AI coding assistant tools [Updated Aug 2025]. Recuperado de
https://www.qodo.ai/blog/best-ai-coding-assistant-tools/
OpenXcell. (2024). CodeWhisperer vs Copilot: Battle of the code assistants. Recuperado de
https://www.openxcell.com/blog/codewhisperer-vs-copilot/
JetBrains. (2023). JetBrains AI | Intelligent coding assistance, AI solutions, and more. Recuperado
de https://www.jetbrains.com/ai/
FutureAGI. (2025). AI coding assistant 2025: Copilot vs Cursor vs CodeWhisperer. Recuperado
de https://futureagi.com/blogs/github-copilot-vs-cursor-vs-codewhisperer-2025
pág. 4774
Visual Studio Magazine. (2024). GitHub Copilot tops research report on AI code assistants.
Recuperado de https://visualstudiomagazine.com/articles/2024/08/26/github-copilot-tops-
research-report-on-ai-code-assistants.aspx
Computer Society. (2025). Top 5 AI coding assistants and their pros and cons. Recuperado de
https://www.computer.org/publications/tech-news/trends/top-five-coding-assistants/
Tech Research Online. (2025). GitHub Copilot vs. Amazon CodeWhisperer. Recuperado de
https://techresearchonline.com/blog/github-copilot-vs-amazon-codewhisperer/
Mantel Group. (2023). Best AI coding assistant tools in 2023. Recuperado
dehttps://mantelgroup.com.au/best-ai-coding-assistant-tools-in-2023/
Forte Group. (2024). Research shows AI coding assistants can improve
productivity.Recuperado de https://fortegrp.com/insights/ai-coding-assistants
Ahmad, W., Ahmad, A., Li, L., & Neubig, G. (2021). Transformers for code: How far are we? IEEE
Transactions on Software Engineering, 47(12), 1234–1250
https://doi.org/10.1109/TSE.2021.3051123
Alhoshan, W., & Wang, X. (2022). AI-driven developer tools: Opportunities and challenges.
Journal of Systems and Software, 191, 111409. https://doi.org/10.1016/j.jss.2022.111409
Azaiz, I., Deckarm, O., & Strickroth, S. (2023). AI-enhanced auto-correction of programming
exercises: How effective is GPT-3.5? arXiv preprint arXiv:2306.04522.
Barke, S., James, E., & Bird, C. (2023). Grounded Copilot: How programmers interact with code
suggestions. In Proceedings of the 45th International Conference on Software Engineering
(ICSE ’23). IEEE/ACM. https://doi.org/10.1109/ICSE.2023.00068
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of
stochastic parrots: Can language models be too big? In Proceedings of the 2021 ACM
Conference on Fairness, Accountability, and Transparency (FAccT ’21), 610–623.
https://doi.org/10.1145/3442188.3445922
Chen, M., Tworek, J., Jun, H., yuan, Q., De Oliveira Pinto, H. P., Kaplan, J., ... & Zaremba, W.
(2021). Evaluating large language models trained on code. arXiv preprint
arXiv:2107.03374.
Visual Studio Magazine. (2024). GitHub Copilot tops research report on AI code assistants.
Recuperado de https://visualstudiomagazine.com/articles/2024/08/26/github-copilot-tops-
research-report-on-ai-code-assistants.aspx
Computer Society. (2025). Top 5 AI coding assistants and their pros and cons. Recuperado de
https://www.computer.org/publications/tech-news/trends/top-five-coding-assistants/
Tech Research Online. (2025). GitHub Copilot vs. Amazon CodeWhisperer. Recuperado de
https://techresearchonline.com/blog/github-copilot-vs-amazon-codewhisperer/
Mantel Group. (2023). Best AI coding assistant tools in 2023. Recuperado
dehttps://mantelgroup.com.au/best-ai-coding-assistant-tools-in-2023/
Forte Group. (2024). Research shows AI coding assistants can improve
productivity.Recuperado de https://fortegrp.com/insights/ai-coding-assistants
Ahmad, W., Ahmad, A., Li, L., & Neubig, G. (2021). Transformers for code: How far are we? IEEE
Transactions on Software Engineering, 47(12), 1234–1250
https://doi.org/10.1109/TSE.2021.3051123
Alhoshan, W., & Wang, X. (2022). AI-driven developer tools: Opportunities and challenges.
Journal of Systems and Software, 191, 111409. https://doi.org/10.1016/j.jss.2022.111409
Azaiz, I., Deckarm, O., & Strickroth, S. (2023). AI-enhanced auto-correction of programming
exercises: How effective is GPT-3.5? arXiv preprint arXiv:2306.04522.
Barke, S., James, E., & Bird, C. (2023). Grounded Copilot: How programmers interact with code
suggestions. In Proceedings of the 45th International Conference on Software Engineering
(ICSE ’23). IEEE/ACM. https://doi.org/10.1109/ICSE.2023.00068
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of
stochastic parrots: Can language models be too big? In Proceedings of the 2021 ACM
Conference on Fairness, Accountability, and Transparency (FAccT ’21), 610–623.
https://doi.org/10.1145/3442188.3445922
Chen, M., Tworek, J., Jun, H., yuan, Q., De Oliveira Pinto, H. P., Kaplan, J., ... & Zaremba, W.
(2021). Evaluating large language models trained on code. arXiv preprint
arXiv:2107.03374.
pág. 4775
Corso, V., Mariani, L., Micucci, D., & Riganelli, O. (2024). Assessing AI-based code
assistants in method generation tasks. In ICSE-Companion ’24: IEEE/ACM 46th
International Conference on Software Engineering (Companion Proceedings). IEEE/ACM.
Kalliamvakou, E., Guo, P. J., & Murphy, G. C. (2023). An empirical study on the impact of AI
coding assistants on developer productivity. ACM Transactions on Software Engineering
and Methodology (TOSEM), 32(5), 1–25. https://doi.org/10.1145/3591504
Perry, N., Srivastava, D., Kumar, D., & Boneh, D. (2023). Do Users Write More Insecure Code with
AI Assistants? En Proceedings of the 2023 ACM SIGSAC Conference on Computer and
Communications Security (CCS '23). Association for Computing Machinery.
https://doi.org/10.1145/3576915.3623157
Prather, J., Denny, P., Leinonen, J., Becker, B. A., Albluwi, I., Craig, M., ... & Smith, J. (2023). The
Robot Dog Ate My Homework: Implications of Large Language Models on Programming
Education. En Proceedings of the 2023 Conference on Innovation and Technology in Computer
Science Education (ITiCSE V. 1). ACM. https://doi.org/10.1145/3587102.3588794
Vaithilingam, P., Zhang, T., & Glassman, E. L. (2022). Expectation vs. Experience: Evaluating the
Usability of Code Generation Tools Powered by Large Language Models. En CHI Conference
on Human Factors in Computing Systems (CHI '22). ACM.
https://doi.org/10.1145/3491102.3517739
Kalliamvakou, E. (2022). Research: Quantifying GitHub Copilot’s Impact on Developer Productivity
and Happiness. GitHub.blog. Recuperado de https://github.blog/2022-09-07-research-
quantifying-github-copilots-impact-on-developer-productivity-and-happiness/
Chen, M., Tworek, J., Jun, H., Yuan, Q., De Oliveira Pinto, H. P., Kaplan, J., ... & Zaremba, W. (2021).
Evaluating large language models trained on code. arXiv preprint arXiv:2107.03374.
FutureAGI. (2025). AI coding assistant 2025: Copilot vs Cursor vs CodeWhisperer. Recuperado de
https://futureagi.com/blogs/github-copilot-vs-cursor-vs-codewhisperer-2025
Kalliamvakou, E., Guo, P. J., & Murphy, G. C. (2023). An empirical study on the impact of AI coding
assistants on developer productivity. ACM Transactions on Software Engineering and
Methodology (TOSEM), 32(5), 1–25. https://doi.org/10.1145/3591504
Corso, V., Mariani, L., Micucci, D., & Riganelli, O. (2024). Assessing AI-based code
assistants in method generation tasks. In ICSE-Companion ’24: IEEE/ACM 46th
International Conference on Software Engineering (Companion Proceedings). IEEE/ACM.
Kalliamvakou, E., Guo, P. J., & Murphy, G. C. (2023). An empirical study on the impact of AI
coding assistants on developer productivity. ACM Transactions on Software Engineering
and Methodology (TOSEM), 32(5), 1–25. https://doi.org/10.1145/3591504
Perry, N., Srivastava, D., Kumar, D., & Boneh, D. (2023). Do Users Write More Insecure Code with
AI Assistants? En Proceedings of the 2023 ACM SIGSAC Conference on Computer and
Communications Security (CCS '23). Association for Computing Machinery.
https://doi.org/10.1145/3576915.3623157
Prather, J., Denny, P., Leinonen, J., Becker, B. A., Albluwi, I., Craig, M., ... & Smith, J. (2023). The
Robot Dog Ate My Homework: Implications of Large Language Models on Programming
Education. En Proceedings of the 2023 Conference on Innovation and Technology in Computer
Science Education (ITiCSE V. 1). ACM. https://doi.org/10.1145/3587102.3588794
Vaithilingam, P., Zhang, T., & Glassman, E. L. (2022). Expectation vs. Experience: Evaluating the
Usability of Code Generation Tools Powered by Large Language Models. En CHI Conference
on Human Factors in Computing Systems (CHI '22). ACM.
https://doi.org/10.1145/3491102.3517739
Kalliamvakou, E. (2022). Research: Quantifying GitHub Copilot’s Impact on Developer Productivity
and Happiness. GitHub.blog. Recuperado de https://github.blog/2022-09-07-research-
quantifying-github-copilots-impact-on-developer-productivity-and-happiness/
Chen, M., Tworek, J., Jun, H., Yuan, Q., De Oliveira Pinto, H. P., Kaplan, J., ... & Zaremba, W. (2021).
Evaluating large language models trained on code. arXiv preprint arXiv:2107.03374.
FutureAGI. (2025). AI coding assistant 2025: Copilot vs Cursor vs CodeWhisperer. Recuperado de
https://futureagi.com/blogs/github-copilot-vs-cursor-vs-codewhisperer-2025
Kalliamvakou, E., Guo, P. J., & Murphy, G. C. (2023). An empirical study on the impact of AI coding
assistants on developer productivity. ACM Transactions on Software Engineering and
Methodology (TOSEM), 32(5), 1–25. https://doi.org/10.1145/3591504
pág. 4776
OpenXcell. (2024). CodeWhisperer vs Copilot: Battle of the code assistants. Recuperado de
https://www.openxcell.com/blog/codewhisperer-vs-copilot/
OpenXcell. (2024). CodeWhisperer vs Copilot: Battle of the code assistants. Recuperado de
https://www.openxcell.com/blog/codewhisperer-vs-copilot/