La inteligencia artificial aplicada al desarrollo de aplicaciones web y móviles abarca un conjunto de técnicas, desde el procesamiento del lenguaje natural hasta los modelos generativos, que intervienen en cada etapa del ciclo de producción de software. Su adopción por parte de los equipos de desarrollo es ahora masiva: la encuesta Stack Overflow Developer Survey 2025, realizada a más de 49,000 encuestados, indica que el 84 % de los desarrolladores utilizan o planean utilizar herramientas de IA.
El hecho destacado reside en otro lugar: solo alrededor del 3 % declara tener una gran confianza en ellas.
Diferencia entre adopción y confianza: lo que los datos revelan sobre la IA en desarrollo
Esta disociación entre el uso generalizado y la confianza muy baja merece ser planteada en primer lugar. Los desarrolladores integran asistentes de código en su día a día, pero verifican sistemáticamente las salidas producidas.
El informe DORA 2025 State of AI-assisted Software Development, publicado por Google Cloud entre cerca de 5,000 profesionales, asocia el uso de la IA a un aumento en la velocidad de entrega. Paralelamente, destaca una mayor inestabilidad en los despliegues. Los equipos entregan más rápido, pero los incidentes post-despliegue aumentan.
Un estudio aleatorio realizado con desarrolladores de código abierto experimentados encontró un aumento en el tiempo de ejecución de las tareas con ciertas herramientas de IA, a pesar de una percepción subjetiva de ahorro de tiempo. Los profesionales involucrados poseen habilidades avanzadas en el desarrollo de aplicaciones y dominan la base de código en cuestión, lo que relativiza la idea de un acelerador universal.
Plataformas especializadas en el diseño de aplicaciones web y móviles documentan esta realidad. La agencia presentada en https://www.codyx.org/ acompaña la creación de soluciones digitales teniendo en cuenta estas limitaciones relacionadas con la fiabilidad del código asistido por IA.
Seguridad del código generado por IA: un riesgo estructural documentado
Los competidores a menudo presentan la IA como una herramienta que refuerza la seguridad de las aplicaciones. Los datos disponibles matizan esta afirmación.
El Veracode 2025 GenAI Code Security Report informa que el 45 % de las tareas de programación probadas introducían una vulnerabilidad conocida. Esta cifra se refiere a categorías cubiertas por los estándares de seguridad, no a fallos exóticos.
El problema no es puntual. El código generado por modelos de lenguaje reproduce patrones vulnerables presentes en los datos de entrenamiento. Un desarrollador que acepta una sugerencia sin análisis manual puede potencialmente integrar una falla en su base de código. En aplicaciones web expuestas al público o aplicaciones móviles que manejan datos sensibles de usuarios, esta mecánica plantea un riesgo estructural.
- Las inyecciones SQL y las vulnerabilidades XSS figuran entre las vulnerabilidades más frecuentemente introducidas por el código generado, ya que los modelos reproducen ejemplos de tutoriales no seguros
- La revisión de código humana sigue siendo la principal red de seguridad, pero a menudo se acorta cuando el equipo percibe el código como “validado” por la herramienta de IA
- Las herramientas de análisis estático (SAST) detectan parte de estas fallas, siempre que se ejecuten sistemáticamente en la cadena de integración continua
La seguridad de las soluciones producidas depende, por lo tanto, menos de la herramienta de IA elegida que del proceso de verificación mantenido por el equipo.
Regulación europea y desarrollo de aplicaciones: la AI Act en práctica
La AI Act europea introduce obligaciones que afectan directamente el diseño de aplicaciones que integran IA. Los artículos relacionados con los sistemas de alto riesgo imponen una documentación técnica, una trazabilidad de los datos de entrenamiento y una supervisión humana.
Para las empresas que desarrollan aplicaciones web o móviles destinadas al mercado europeo, el cumplimiento de la AI Act condiciona la puesta en producción. Una herramienta de recomendación personalizada, un módulo de puntuación de usuarios o un sistema de moderación automatizada pueden caer en la categoría de “alto riesgo” según el contexto de uso.
Las obligaciones incluyen la tenencia de un registro de decisiones automatizadas y la capacidad de explicar el funcionamiento del modelo a los usuarios afectados. Estos requisitos modifican la arquitectura del software desde la fase de diseño: es necesario prever capas de registro, interfaces de auditoría y mecanismos de desactivación manual.
Impacto en el proceso de desarrollo
Integrar estas restricciones regulatorias desde el inicio del proyecto es menos costoso que añadirlas posteriormente. Los equipos que utilizan IA para generar código también deben documentar la parte generada automáticamente, para poder rastrear el origen de un comportamiento inesperado durante una auditoría.
Herramientas de IA para el desarrollo: lo que funciona y lo que sigue siendo frágil
Los asistentes de código como GitHub Copilot o Cursor cubren hoy tres usos principales: la autocompletación en tiempo real, la generación de funciones a partir de descripciones en lenguaje natural, y el análisis de bases de código existentes.
La autocompletación funciona bien en código repetitivo (rutas de API, formularios, consultas CRUD). En estas tareas, el ahorro de tiempo es real y medible. La generación de pruebas unitarias a partir de funciones existentes también reduce el trabajo manual, siempre que se verifique la pertinencia de los casos de prueba producidos.
En cambio, la generación de lógica de negocio compleja sigue siendo frágil. Un modelo de lenguaje no comprende las reglas específicas de un dominio (finanzas, salud, logística). El código producido puede ser sintácticamente correcto pero funcionalmente incorrecto, lo que es más peligroso que un error de compilación visible.
- Para el prototipado rápido y las pruebas de concepto, la IA acelera significativamente la fase de diseño inicial
- Para el mantenimiento de bases de código voluminosas, el análisis asistido por IA ayuda a comprender código legado no documentado
- Para la arquitectura de sistemas distribuidos o la gestión precisa de la concurrencia, la supervisión humana sigue siendo el factor determinante
La inteligencia artificial en el desarrollo de aplicaciones web y móviles no es ni un acelerador universal ni un gadget de marketing. Los aumentos de productividad existen en tareas repetitivas y en el prototipado. Los riesgos documentados sobre la seguridad del código generado y la inestabilidad de los despliegues imponen un marco de verificación riguroso. Los equipos que aprovechan al máximo estas herramientas son aquellos que las tratan como asistentes, no como reemplazos.
