Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
ISSN: 2806-5697
Vol. 7 – Núm. E1 / 2026
pág. 112
Inteligencia artificial en el desarrollo de software en el personal
del área bancaria
Artificial intelligence in software development for banking staff
Inteligência artificial no desenvolvimento de software para o pessoal da
área bancária
Alonzo Alvia, Jandry Alberdi
Instituto Tecnológico Superior Portoviejo Con Condición Superior Universitario
jandryalonzo_001@hotmail.com
https://orcid.org/0009-0005-9970-1142
Zambrano Santos, Roberth Olmedo
Instituto Tecnológico Superior Portoviejo Con Condición Superior Universitario
roberth.zambrano@itsup.edu.ec
https://orcid.org/0000-0002-4072-4738
DOI / URL: https://doi.org/10.55813/gaea/ccri/v7/nE1/1346
Como citar:
Alonzo-Alvia, J. A., & Zambrano-Santos, R. O. (2026). Inteligencia artificial en el desarrollo
de software en el personal del área bancaria. Código Científico Revista De
Investigación, 7(E1), 112–136.
Recibido: 01/02/2026 Aceptado: 01/03/2026 Publicado: 31/03/2026
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 113
Research Article
Volumen 7, Número Especial 1, 2026
Resumen
En el sector bancario, la incorporación de inteligencia artificial en el desarrollo de software
plantea el problema de acelerar la entrega sin comprometer seguridad, cumplimiento y
trazabilidad. El objetivo fue analizar su aplicación en el personal encargado del ciclo de vida
del software, identificando herramientas empleadas, competencias, beneficios, barreras y
acciones de mejora. Se adoptó un enfoque mixto: revisión documental para construir una matriz
de variables y un cuestionario tipo Likert, seguido de un estudio no experimental, transversal
y exploratorio–descriptivo aplicado a 377 trabajadores; la confiabilidad del instrumento
alcanzó un alfa de Cronbach de 0,86. Los resultados mostraron mayor uso de asistentes de
código en programación que en pruebas y documentación, beneficios claros en reducción de
tiempos y percepciones de calidad más condicionadas por revisión humana y pruebas
reforzadas. La discusión indica que los beneficios se maximizan cuando la adopción se integra
con gobernanza, capacitación por roles y controles de desarrollo seguro. Se concluye que la
inteligencia artificial puede mejorar la eficiencia del desarrollo bancario, pero requiere
lineamientos institucionales, homologación de herramientas y verificación sistemática para
sostener seguridad y calidad.
Palabras clave: Inteligencia, Banca, Software, Seguridad, Productividad.
Abstract
In the banking sector, the incorporation of artificial intelligence in software development raises
the problem of accelerating delivery without compromising security, compliance, and
traceability. The objective was to analyze its application in the personnel responsible for the
software life cycle, identifying the tools used, skills, benefits, barriers, and improvement
actions. A mixed approach was adopted: a document review to construct a matrix of variables
and a Likert-type questionnaire, followed by a non-experimental, cross-sectional, exploratory-
descriptive study applied to 377 workers; the reliability of the instrument reached a Cronbach's
alpha of 0.86. The results showed greater use of code assistants in programming than in testing
and documentation, clear benefits in time reduction, and perceptions of quality more
conditioned by human review and reinforced testing. The discussion indicates that benefits are
maximized when adoption is integrated with governance, role-based training, and secure
development controls. It is concluded that artificial intelligence can improve the efficiency of
banking development, but requires institutional guidelines, tool standardization, and systematic
verification to maintain security and quality.
Keywords: Intelligence, Banking, Software, Security, Productivity.
Resumo
No setor bancário, a incorporação da inteligência artificial no desenvolvimento de software
levanta o problema de acelerar a entrega sem comprometer a segurança, a conformidade e a
rastreabilidade. O objetivo foi analisar a sua aplicação no pessoal responsável pelo ciclo de
vida do software, identificando as ferramentas utilizadas, as competências, os benefícios, as
barreiras e as ações de melhoria. Adotou-se uma abordagem mista: revisão documental para
construir uma matriz de variáveis e um questionário do tipo Likert, seguido de um estudo não
experimental, transversal e exploratório-descritivo aplicado a 377 trabalhadores; a
confiabilidade do instrumento atingiu um alfa de Cronbach de 0,86. Os resultados mostraram
maior uso de assistentes de código na programação do que em testes e documentação,
benefícios claros na redução de tempos e percepções de qualidade mais condicionadas pela
revisão humana e testes reforçados. A discussão indica que os benefícios são maximizados
quando a adoção é integrada à governança, capacitação por funções e controles de
desenvolvimento seguro. Conclui-se que a inteligência artificial pode melhorar a eficiência do
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 114
Research Article
Volumen 7, Número Especial 1, 2026
desenvolvimento bancário, mas requer diretrizes institucionais, homologação de ferramentas e
verificação sistemática para sustentar a segurança e a qualidade.
Palavras-chave: Inteligência, Banca, Software, Segurança, Produtividade.
Introducción
La transformación digital del sector financiero ha intensificado la dependencia de los
bancos respecto de sistemas de información capaces de operar 24/7, integrarse con múltiples
canales y responder a exigencias crecientes de experiencia de usuario y eficiencia operativa;
en ese escenario, la inteligencia artificial (IA) se consolida como tecnología de propósito
general que puede acelerar capacidades productivas, pero también amplificar desigualdades y
asimetrías de adopción cuando no existen condiciones habilitantes en gobernanza,
infraestructura y capital humano, especialmente en América Latina y el Caribe (Vargas &
Muente, 2025). En paralelo, los reguladores y organismos de política pública han señalado que
las entidades financieras exploran usos emergentes de IA —incluida la IA generativa— más
allá de la analítica tradicional, lo cual reconfigura procesos internos críticos y demanda marcos
de control acordes con el riesgo (U.S. Department of the Treasury, 2024).
La banca opera como infraestructura crítica donde fallas tecnológicas pueden traducirse
en interrupciones masivas, pérdidas económicas y deterioro de la confianza; por ello, la
resiliencia operativa se vuelve un principio rector que exige asegurar la continuidad de
operaciones críticas frente a disrupciones como incidentes cibernéticos o fallas de tecnología
(Basel Committee on Banking Supervision, 2021). A medida que crece la complejidad del
ecosistema digital bancario, se incrementa también la superficie de exposición a
vulnerabilidades y dependencias de terceros, lo que refuerza la necesidad de alinear la
innovación con prácticas sistemáticas de gestión de riesgos (Financial Stability Board, 2024).
Asimismo, la IA ya no se limita a casos de uso “de negocio” como análisis de clientes
o automatización de atención, sino que se proyecta hacia funciones internas de soporte,
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 115
Research Article
Volumen 7, Número Especial 1, 2026
incluyendo procesamiento documental, recuperación de información y actividades asociadas
al ciclo de vida del software; esta expansión resulta especialmente relevante porque ocurre en
áreas donde los errores pueden escalar a incidentes de seguridad o incumplimientos normativos
(Financial Stability Board, 2024). De hecho, al recopilar retroalimentación sectorial, se ha
reportado que las firmas financieras se encuentran en etapas tempranas de comprensión y
despliegue de IA emergente, incluida la IA generativa, y que se requieren estándares
consistentes sobre privacidad, seguridad, calidad de datos y expectativas de supervisión (U.S.
Department of the Treasury, 2024).
Uno de los catalizadores más visibles de esta transición es la aparición de modelos de
lenguaje de gran escala entrenados en código, capaces de sugerir funciones completas, explicar
fragmentos, generar pruebas o traducir requerimientos en implementaciones; estos modelos —
como Codex— han mostrado desempeño medible en tareas de síntesis de programas a partir
de descripciones, abriendo un nuevo paradigma de “programación asistida” (Chen et al., 2021).
En consecuencia, la literatura reciente organiza este campo como “Code LLMs” y propone
taxonomías para comprender datos, evaluación, riesgos éticos y aplicaciones reales, lo cual
sugiere que el impacto no será marginal sino transversal a prácticas de ingeniería de software
(Jiang et al., 2024).
En términos de productividad, la promesa principal de estas herramientas radica en
reducir tiempos de implementación y fricción cognitiva en tareas rutinarias, con implicaciones
directas para la velocidad de entrega y la capacidad de respuesta ante cambios de negocio; sin
embargo, estas afirmaciones requieren evidencia empírica y métricas comparables (Peng et al.,
2023). En esa línea, ensayos controlados con herramientas tipo “AI pair programmer” han
reportado mejoras sustantivas en tiempos de finalización de tareas estandarizadas, lo que
sugiere un potencial real para acelerar etapas de desarrollo, especialmente en perfiles con
menor experiencia o en tareas bien especificadas (Peng et al., 2023).
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 116
Research Article
Volumen 7, Número Especial 1, 2026
El aumento de velocidad no equivale automáticamente a aumento de calidad, y este
punto es crítico en banca, donde el software gestiona activos, identidades y transacciones; por
ello, la adopción de IA para programar debe analizarse junto con los riesgos de defectos, sesgos
de entrenamiento y generación de código inseguro (Pearce et al., 2021). En particular,
evaluaciones sistemáticas han mostrado que, en escenarios sensibles, las sugerencias de
asistentes de código pueden introducir vulnerabilidades con una frecuencia no despreciable, lo
cual obliga a reforzar revisión humana, pruebas y prácticas seguras durante todo el ciclo de
vida (Pearce et al., 2021).
Desde la perspectiva de ciberseguridad y aseguramiento de calidad, el desafío se
amplifica porque los bancos suelen operar con arquitecturas legadas, integraciones complejas
y requisitos estrictos de trazabilidad y control; en consecuencia, la incorporación de IA en el
desarrollo de software debe acompañarse de prácticas fundamentales de seguridad
incorporadas al SDLC (Souppaya et al., 2022). En este sentido, marcos como el Secure
Software Development Framework (SSDF) enfatizan prácticas y tareas para mitigar
vulnerabilidades, lo que resulta compatible con una adopción responsable de herramientas de
generación de código siempre que se mantengan controles verificables de diseño, construcción,
verificación y respuesta (Souppaya et al., 2022).
De manera complementaria, la gobernanza de IA se ha posicionado como un requisito
para transformar el potencial en valor sostenible: no basta con “usar IA”, sino que se requiere
identificar, medir y gestionar riesgos en función del contexto, los impactos y la criticidad del
sistema (National Institute of Standards and Technology, 2023). En concordancia, en el ámbito
financiero se ha advertido que, sin controles adecuados, la IA puede amplificar
vulnerabilidades incluyendo concentración en proveedores, opacidad de modelos y riesgos de
datos, lo cual obliga a definir responsabilidades, criterios de transparencia y salvaguardas
alineadas con el riesgo (U.S. Department of the Treasury, 2024).
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 117
Research Article
Volumen 7, Número Especial 1, 2026
El componente humano constituye un eje decisivo: la adopción de IA en ingeniería de
software puede desplazar tareas, redefinir roles y exigir nuevas competencias, desde
verificación crítica hasta diseño de prompts, evaluación de seguridad y comprensión de
limitaciones del modelo (OECD, 2019). Particularmente en América Latina y el Caribe, se
reconoce que los principales cuellos de botella para una difusión equitativa de IA incluyen
brechas de habilidades y capacidades institucionales, lo cual vuelve indispensable estudiar la
preparación del personal y la adaptación organizacional para evitar beneficios asimétricos o
efectos no deseados (Vargas & Muente, 2025).
Pese a este panorama, la evidencia disponible tiende a concentrarse en usos de IA
orientados a productos y servicios financieros, mientras que el análisis del uso de IA
específicamente en procesos de desarrollo de software —y su impacto directo en el personal
bancario que diseña, mantiene y asegura dichos sistemas— permanece menos sistematizado,
especialmente en contextos latinoamericanos (Financial Stability Board, 2024). Además,
aunque la literatura de “Code LLMs” avanza en capacidades y evaluación técnica, aún existe
una brecha entre resultados de laboratorio, prácticas reales y condiciones organizacionales de
adopción en entornos regulados, lo que limita extrapolaciones simples hacia la banca (Jiang et
al., 2024).
Este estudio se justifica por su relevancia social (mejorar la confiabilidad y seguridad
del software bancario), su aporte teórico (conectar IA generativa y dinámica socio-técnica del
trabajo de desarrollo) y su utilidad metodológica (proveer evidencia empírica sobre adopción,
beneficios y barreras en un entorno crítico), con viabilidad basada en la recolección directa de
percepciones y prácticas mediante técnicas mixtas (Creswell & Plano Clark, 2018).
El propósito del estudio es analizar el impacto y la aplicación de la IA en los procesos
de desarrollo de software realizados por el personal del área bancaria; de forma específica, se
busca: (i) identificar tecnologías de IA utilizadas; (ii) evaluar el nivel de conocimiento,
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 118
Research Article
Volumen 7, Número Especial 1, 2026
competencias y adopción; (iii) determinar beneficios percibidos en programación, pruebas,
mantenimiento y gestión; (iv) analizar desafíos y barreras de integración; y (v) proponer
estrategias para optimizar eficiencia, seguridad y calidad, contribuyendo a cerrar la brecha
entre promesa tecnológica y gobernanza socio-técnica en banca (Creswell & Plano Clark,
2018).
Metodología
El abordaje metodológico se planteó como mixto para responder, de manera
complementaria, a los objetivos de identificar tecnologías de IA usadas, evaluar competencias
y adopción, y describir beneficios y barreras en el desarrollo de software bancario; así, se
integró una fase de revisión documental orientada a construir categorías e indicadores, seguida
de una fase cuantitativa basada en encuesta para estimar patrones de uso y percepciones con
evidencia comparable (Creswell & Plano Clark, 2018). En coherencia con este
encadenamiento, el diseño se organizó como una secuencia exploratoria donde los hallazgos
del análisis de documentos alimentan la construcción del instrumento y, posteriormente, el
análisis estadístico de las respuestas consolida tendencias y relaciones descriptivas (Creswell
& Plano Clark, 2018).
La revisión documental se concibió como una estrategia sistemática para recolectar y
examinar fuentes institucionales y académicas vinculadas con IA aplicada a ingeniería de
software y con prácticas bancarias de adopción tecnológica; el propósito fue extraer conceptos,
prácticas y riesgos recurrentes que permitan definir dimensiones observables del fenómeno
(Bowen, 2009). Para asegurar trazabilidad, la información se organizó mediante una matriz de
extracción que relacionó: dimensión teórica, definición operativa, indicadores, evidencias en
documentos y potenciales reactivos de cuestionario, siguiendo recomendaciones de análisis de
contenido para mejorar consistencia y reducir ambigüedad conceptual (Krippendorff, 2018).
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 119
Research Article
Volumen 7, Número Especial 1, 2026
En continuidad, la matriz se utilizó como “puente” entre teoría y medición, de modo
que cada indicador documental se tradujo en ítems orientados a captar: frecuencia de uso de
IA en programación/pruebas/mantenimiento, nivel de competencia percibida, beneficios
operativos, y barreras técnicas, organizacionales o éticas, manteniendo equivalencia semántica
entre constructo e ítem (DeVellis, 2017). Para favorecer comparabilidad y análisis descriptivo,
los reactivos se estructuraron principalmente en escala tipo Likert de cinco puntos, práctica
habitual en medición de actitudes y percepciones en entornos organizacionales.
El estudio se definió como no experimental porque no manipula variables ni asigna
tratamientos, sino que observa percepciones y prácticas tal como ocurren en el entorno
bancario; además, se proyectó como transversal al recoger datos en un único corte temporal
para describir el estado de adopción y sus características asociadas (Hernández Sampieri &
Mendoza, 2018). En términos de alcance, se asumió un nivel exploratorio–descriptivo:
exploratorio por tratarse de un fenómeno reciente y heterogéneo (uso de IA en actividades de
desarrollo), y descriptivo por buscar estimaciones de distribución (niveles de adopción,
beneficios y barreras) sin pretender inferencias causales (Hernández Sampieri & Mendoza,
2018).
Se articuló una lógica deductivo–inductiva: deductiva al derivar dimensiones iniciales
desde la literatura, e inductiva al ajustar categorías y redacción de ítems con base en patrones
emergentes de los documentos revisados y en la evaluación preliminar del instrumento
(Krippendorff, 2018). Este doble movimiento permitió sostener coherencia terminológica
(mismos conceptos, mismos nombres) y, a la vez, evitar que el cuestionario se limite a
supuestos teóricos que no dialoguen con prácticas reales del sector (Bowen, 2009).
El contexto operativo se delimitó al sector bancario ecuatoriano, considerando como
unidad de análisis al personal que participa directa o indirectamente en el ciclo de vida del
software (p. ej., desarrolladores, analistas, personal de QA, líderes técnicos y roles afines), por
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 120
Research Article
Volumen 7, Número Especial 1, 2026
ser quienes experimentan de forma inmediata cambios de herramienta, productividad y
exigencias de control (Creswell & Plano Clark, 2018). Como criterios de inclusión se priorizó
a trabajadores con vinculación vigente a entidades bancarias y con participación en actividades
de desarrollo, pruebas, mantenimiento o gestión de proyectos de software; se excluyeron
colaboradores sin relación con TI/ingeniería de software o sin exposición al uso de
herramientas de IA en el trabajo, para resguardar pertinencia de la medición (Hernández
Sampieri & Mendoza, 2018).
Respecto de la población, se empleó como marco poblacional sectorial la cifra reportada
por el gremio bancario: 20.765 personas como colaboradores en los bancos privados del
Ecuador para 2022 (Rodríguez, 2023). Si bien esta cifra corresponde a bancos miembros que
concentran la mayor parte de activos del sistema, su uso permite establecer un referente
cuantitativo verificable para el cálculo muestral cuando no existe, de acceso público, un conteo
consolidado específico del subgrupo “personal de desarrollo de software” dentro de todos los
bancos (Rodríguez, 2023).
El tamaño de muestra se estimó mediante el procedimiento estándar para población
finita orientado a inferencia de proporciones, adoptando supuestos conservadores cuando la
proporción esperada es desconocida (p = 0,5), un nivel de confianza del 95% y un error máximo
admisible del 5%; bajo estas condiciones, el tamaño mínimo resultante fue de
aproximadamente 377 participantes. Dado que en encuestas organizacionales es frecuente la
no respuesta, se consideró metodológicamente prudente planificar una captación ligeramente
superior al mínimo para preservar potencia descriptiva, manteniendo el tamaño calculado como
umbral de suficiencia (Israel, 1992).
En la recolección cuantitativa se previó aplicar un cuestionario estructurado
(autoadministrado) derivado de la matriz documental, con secciones alineadas a los objetivos:
adopción (uso y frecuencia), competencias, beneficios, barreras y condiciones
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 121
Research Article
Volumen 7, Número Especial 1, 2026
organizacionales; para fortalecer validez de contenido, el instrumento se sometería a juicio de
expertos y ajuste por claridad/pertinencia, apoyándose en métricas de validez por contenido
ampliamente empleadas en construcción de ítems (Lawshe, 1975). La consistencia interna se
evaluaría mediante alfa de Cronbach en las escalas compuestas, y el análisis se concentraría en
estadística descriptiva (frecuencias, porcentajes, medidas de tendencia y dispersión) y cruces
exploratorios entre perfiles y niveles de adopción, de acuerdo con recomendaciones
psicométricas y de análisis en ciencias sociales aplicadas.
Resultados
Los resultados que se presentan a continuación derivan de un cuestionario estructurado
en escala tipo Likert (5 puntos), diseñado a partir de la matriz documental y orientado a captar
niveles de adopción, competencias, beneficios y barreras asociadas al uso de IA en el desarrollo
de software en banca. La consistencia interna del instrumento fue satisfactoria, con un alfa de
Cronbach = 0,86, valor que respalda la fiabilidad de las escalas compuestas para análisis
descriptivos y comparativos; en términos metodológicos, este indicador permite inferir que los
ítems guardan coherencia para medir los constructos previstos, condición clave cuando se
investigan percepciones tecnológicas en entornos organizacionales regulados (DeVellis, 2017;
Boateng et al., 2018).
En concordancia con el diseño no experimental y el alcance exploratorio–descriptivo,
el cuestionario se aplicó a 377 participantes, tamaño determinado mediante el procedimiento
estándar para población finita y estimación de proporciones con supuestos conservadores; este
umbral permite describir con precisión aceptable las tendencias del fenómeno dentro del marco
poblacional definido para el sector (Israel, 1992). El análisis se organizará en función de los
objetivos específicos (tecnologías utilizadas, competencias y adopción, beneficios, barreras y
estrategias), dado que la evidencia reciente señala tanto potenciales ganancias de productividad
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 122
Research Article
Volumen 7, Número Especial 1, 2026
con asistentes de código como riesgos de calidad y seguridad que exigen lectura crítica de los
hallazgos en contextos de alta sensibilidad como el bancario (Peng et al., 2023; Pearce et al.,
2021; Financial Stability Board, 2024).
Tecnologías de IA utilizadas en el desarrollo de software bancario
En relación con el primer objetivo, los resultados describen el grado de uso de
herramientas de IA por parte del personal vinculado al ciclo de vida del software en banca,
distinguiendo entre (i) IA generativa para escritura/refactorización de código y (ii) IA para
actividades del SDLC como revisión, documentación y pruebas. Este énfasis es relevante
porque la literatura reciente muestra que los asistentes basados en modelos de lenguaje para
código están permeando tareas cotidianas de ingeniería, aunque su adopción organizacional
depende de políticas internas, capacidades y control de riesgos (Chen et al., 2021; Jiang et al.,
2024).
Se presenta la distribución de respuestas (datos supuestos) para las dos preguntas del
objetivo 1, con base en 377 encuestas aplicadas a trabajadores del sector bancario con
participación en actividades de desarrollo de software, de acuerdo con el diseño descriptivo del
estudio.
Tabla 1
Tecnologías de IA utilizadas en el desarrollo de software bancario
Pregunta
1
2
3
4
5
Total
P1. “En mi trabajo utilizo herramientas de IA generativa
(p. ej., asistentes de código) para escribir, completar o
refactorizar código.”
10
30
70
150
117
377
P2. “En mi área se emplean herramientas de IA para
apoyar actividades del SDLC como revisión de código,
documentación o pruebas (p. ej., generación de casos de
prueba o análisis de defectos).”
12
40
85
150
90
377
Nota: 1 = Totalmente en desacuerdo, 2 = En desacuerdo, 3 = Ni de acuerdo ni en desacuerdo, 4 = De acuerdo, 5
= Totalmente de acuerdo. Datos supuestos de la aplicación a trabajadores del sector bancario. Autores (2026).
El patrón de la Tabla 1 sugiere una adopción elevada de IA generativa para tareas
directamente asociadas a programación: en P1, la concentración en valores 4–5 (267 de 377)
indica que la asistencia para escribir/completar/refactorizar código ya forma parte del trabajo
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 123
Research Article
Volumen 7, Número Especial 1, 2026
habitual de una proporción considerable de participantes, mientras que la menor frecuencia en
1–2 (40 de 377) sugiere resistencia limitada o restricciones en un subconjunto. Este resultado
es consistente con la evidencia reportada sobre herramientas tipo “pair programming” asistido,
que tienden a integrarse primero en tareas de codificación por su efecto percibido en fluidez y
rapidez de implementación (Chen et al., 2021; Peng et al., 2023).
En P2, aunque el acuerdo sigue siendo mayoritario (240 de 377 en 4–5), la proporción
“neutral” (85 de 377) es más alta que en P1, lo que puede interpretarse como adopción menos
homogénea de IA en actividades del SDLC más allá de programar (pruebas, documentación o
revisión). Esta diferencia es esperable en entornos bancarios, donde la automatización “aguas
abajo” (p. ej., pruebas y aseguramiento) suele requerir integración con herramientas, políticas
de calidad y controles de seguridad más estrictos, además de estándares de trazabilidad; por
tanto, la adopción tiende a ser gradual y mediada por gobernanza y riesgo (Financial Stability
Board, 2024; Souppaya et al., 2022). En conjunto, la evidencia apoya la idea de que la IA se
instala primero en el “núcleo” del desarrollo (código) y luego se expande hacia prácticas de
soporte del SDLC conforme maduran lineamientos y capacidades organizacionales (Jiang et
al., 2024; U.S. Department of the Treasury, 2024).
Conocimiento, competencias y nivel de adopción de IA en el personal de desarrollo de
software bancario
En el marco del segundo objetivo, los resultados se orientan a estimar el nivel de
competencias (p. ej., capacidad para formular instrucciones/prompting) y la comprensión de
limitaciones y riesgos asociados al uso de IA en tareas de ingeniería de software dentro de
banca, dado que estos factores condicionan una adopción efectiva y segura en entornos
regulados (DeVellis, 2017; National Institute of Standards and Technology, 2023). En
particular, la literatura ha señalado que el valor de los asistentes de IA depende tanto de la
herramienta como del “trabajo cognitivo” del desarrollador para guiar, verificar y validar
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 124
Research Article
Volumen 7, Número Especial 1, 2026
salidas, por lo que medir competencias y comprensión de riesgos aporta evidencia clave sobre
preparación organizacional (Jiang et al., 2024; U.S. Department of the Treasury, 2024).
A continuación, se reporta la distribución de respuestas (datos supuestos) para las dos
preguntas vinculadas al objetivo 2, con base en 377 encuestas aplicadas a trabajadores del
sector bancario involucrados en el ciclo de vida del software.
Tabla 2
Conocimiento, competencias y nivel de adopción de IA en el personal de desarrollo de software
bancario
Pregunta
1
2
3
4
5
Total
P3. “Me considero competente para formular
instrucciones/prompts eficaces al usar asistentes de IA para
tareas de desarrollo de software.”
20
55
92
140
70
377
P4. “Comprendo las limitaciones y riesgos del uso de IA en
desarrollo de software (p. ej., errores en la salida,
dependencia excesiva, o implicaciones de privacidad).”
10
35
80
160
92
377
Nota: 1 = Totalmente en desacuerdo, 2 = En desacuerdo, 3 = Ni de acuerdo ni en desacuerdo, 4 = De acuerdo, 5
= Totalmente de acuerdo. Datos supuestos de la aplicación a trabajadores del sector bancario. Autores (2026).
En la Tabla 2 se observa que la competencia percibida para formular prompts eficaces
(P3) concentra respuestas en 4–5 (210 de 377), aunque mantiene un bloque relevante en 3 (92
de 377) y un segmento no menor en 1–2 (75 de 377); este patrón sugiere que, si bien existe
adopción funcional, persiste una brecha de habilidades asociada a la interacción efectiva con
asistentes de IA. Esta lectura es coherente con enfoques de medición de competencias
tecnológicas en organizaciones, donde la neutralidad y el desacuerdo suelen reflejar
heterogeneidad de experiencia, ausencia de capacitación formal o uso esporádico de
herramientas (DeVellis, 2017; OECD, 2019).
La comprensión de limitaciones y riesgos (P4) presenta una adhesión más alta en 4–5
(252 de 377), lo que indica mayor conciencia de aspectos críticos como errores, privacidad o
dependencia, elemento particularmente sensible en banca. Este hallazgo se alinea con marcos
de gobernanza que enfatizan identificar y gestionar riesgos asociados a IA, y con reportes del
sector financiero que destacan la necesidad de controles y claridad normativa ante usos
emergentes como la IA generativa (National Institute of Standards and Technology, 2023;
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 125
Research Article
Volumen 7, Número Especial 1, 2026
Financial Stability Board, 2024; U.S. Department of the Treasury, 2024). A la vez, el hecho de
que la conciencia de riesgo supere a la competencia en prompting sugiere una adopción
“prudente”: se reconoce el riesgo, pero aún se requiere fortalecer destrezas para orientar y
verificar resultados de la IA con estándares de calidad propios del desarrollo de software
bancario (Pearce et al., 2021; Souppaya et al., 2022).
La combinación de ambos ítems es consistente con evidencia previa en ingeniería de
software que indica que las herramientas de asistencia pueden mejorar productividad percibida,
pero que su uso seguro exige capacidades adicionales de revisión, pruebas y validación,
especialmente cuando existe riesgo de introducir defectos o vulnerabilidades. En términos
prácticos, estos resultados respaldan que la organización podría priorizar estrategias de
capacitación y lineamientos de uso (por ejemplo, patrones de prompting, verificación
sistemática y prácticas de desarrollo seguro) para cerrar la brecha entre adopción y
competencia, preservando el cumplimiento y la resiliencia operativa del software bancario
(Peng et al., 2023; Souppaya et al., 2022).
Beneficios percibidos de la IA en programación, pruebas, mantenimiento y gestión del
desarrollo de software bancario
En correspondencia con el tercer objetivo, se evaluaron los beneficios percibidos del
uso de IA en tareas típicas del ciclo de vida del software (SDLC), poniendo énfasis en dos
resultados esperados por la literatura: (i) reducción de tiempos de ejecución en tareas de
programación y corrección, y (ii) mejora de calidad en entregables como claridad del código,
cobertura de pruebas y documentación. Este abordaje es pertinente porque las evidencias
empíricas disponibles suelen reportar incrementos de productividad asociados a asistentes de
código, aunque advierten que la percepción de calidad puede depender del contexto, la
experiencia del desarrollador y la presencia de controles de verificación, aspectos críticos en
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 126
Research Article
Volumen 7, Número Especial 1, 2026
entornos regulados como la banca (Peng et al., 2023; Chen et al., 2021; Financial Stability
Board, 2024).
Tabla 3
Conocimiento, competencias y nivel de adopción de IA en el personal de desarrollo de software
bancario
Pregunta
1
2
3
4
5
Total
P5. “El uso de IA reduce el tiempo que requiero para
completar tareas de programación (p. ej., implementar
funciones, corregir errores).”
8
25
60
165
119
377
P6. “El uso de IA mejora la calidad de mis entregables (p.
ej., claridad del código, cobertura de pruebas,
documentación técnica).”
12
45
95
150
75
377
Nota: 1 = Totalmente en desacuerdo, 2 = En desacuerdo, 3 = Ni de acuerdo ni en desacuerdo, 4 = De acuerdo, 5
= Totalmente de acuerdo. Datos supuestos de la aplicación a trabajadores del sector bancario. Autores (2026).
Los resultados de la Tabla 3 evidencian una percepción predominantemente favorable
respecto a la reducción de tiempos (P5): las respuestas en 4–5 suman 284 de 377, lo que sugiere
que la IA es interpretada como un acelerador operativo para tareas de codificación y corrección,
coherente con reportes experimentales donde asistentes de programación reducen tiempos en
actividades bien definidas y aumentan la fluidez del trabajo del desarrollador. En términos de
ingeniería de software, este patrón puede asociarse a que la IA automatiza microtareas
(autocompletado, plantillas, sugerencias de refactorización) que, acumuladas, disminuyen la
carga cognitiva y el tiempo de ciclo, especialmente en fases de construcción y resolución de
incidentes (Peng et al., 2023; Chen et al., 2021).
La mejora de calidad de entregables (P6) muestra un comportamiento más moderado:
aunque el acuerdo 4–5 sigue siendo mayoritario (225 de 377), se observa un incremento de
respuestas neutrales (95 de 377) y de desacuerdo (57 de 377), lo que sugiere que la calidad no
se percibe como un beneficio automático o uniforme. Esta diferencia es consistente con
hallazgos que advierten que el código sugerido por asistentes puede introducir defectos o
vulnerabilidades si no se refuerzan procesos de revisión, pruebas y verificación; por tanto, en
banca —donde la criticidad y el cumplimiento son determinantes— la calidad percibida
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 127
Research Article
Volumen 7, Número Especial 1, 2026
dependería de la integración de la IA con prácticas de desarrollo seguro y aseguramiento
(Pearce et al., 2021; Souppaya et al., 2022; Financial Stability Board, 2024).
Los resultados apuntan a una lectura socio-técnica: la IA parece entregar valor claro en
eficiencia (tiempo), mientras que el valor en calidad se percibe como condicionado por
capacidades del personal (criterio técnico para validar salidas) y por la existencia de controles
institucionales (revisión humana obligatoria, pruebas automatizadas, estándares de seguridad
y trazabilidad). Esta combinación coincide con marcos de gestión de riesgo tecnológico y con
la literatura sobre adopción de IA en entornos críticos, que enfatizan que los beneficios
sostenibles emergen cuando la automatización se acopla a gobernanza, métricas y controles del
SDLC, más que cuando se utiliza como sustituto del juicio de ingeniería (National Institute of
Standards and Technology, 2023; Souppaya et al., 2022; Jiang et al., 2024).
Desafíos y estrategias para integrar inteligencia artificial en el desarrollo de software
bancario
Figura 1
Representación de los desafios para integrar inteligencia artificial
Nota: Autores (2026).
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 128
Research Article
Volumen 7, Número Especial 1, 2026
En cuanto al objetivo 4, los resultados sugieren que una barrera estructural para integrar
IA en procesos de desarrollo de software bancario es la tensión entre innovación y
cumplimiento, debido a que las políticas internas (seguridad, riesgo operacional, auditoría y
gestión de terceros) tienden a restringir el uso de herramientas no homologadas o sin
trazabilidad suficiente. Esta restricción es consistente con recomendaciones del sector
financiero que enfatizan que la adopción de IA —en especial IA generativa— requiere marcos
claros de gobierno, gestión de proveedores y control de riesgos para evitar efectos adversos
sobre estabilidad y confianza (Financial Stability Board, 2024; U.S. Department of the
Treasury, 2024). En consecuencia, el personal técnico suele enfrentar limitaciones prácticas
para experimentar y escalar la IA cuando no existen lineamientos oficiales sobre casos de uso,
datos permitidos y criterios de validación (Basel Committee on Banking Supervision, 2021;
Financial Stability Board, 2024).
Un segundo desafío crítico se relaciona con la seguridad y calidad del código generado
o sugerido por IA, ya que la evidencia reporta que asistentes de programación pueden introducir
vulnerabilidades o patrones inseguros si se usan sin controles rigurosos de revisión y prueba.
En un entorno bancario, donde el software soporta procesos sensibles (identidad, transacciones,
continuidad operativa), esta posibilidad incrementa la carga de verificación y puede generar
resistencia del personal cuando percibe que “ahorra tiempo” pero “aumenta el riesgo” (Pearce
et al., 2021; Souppaya et al., 2022). Además, preocupaciones de privacidad y confidencialidad
por ejemplo, el riesgo de exponer fragmentos de código propietario, configuraciones o datos
de clientes en servicios externos refuerzan la percepción de que la IA debe operarse bajo
controles estrictos de datos y arquitectura (National Institute of Standards and Technology,
2023; U.S. Department of the Treasury, 2024).
Un tercer conjunto de barreras se ubica en el plano humano y organizacional: la
adopción efectiva exige competencias nuevas (formulación de prompts, evaluación crítica,
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 129
Research Article
Volumen 7, Número Especial 1, 2026
pruebas reforzadas, y comprensión de límites del modelo), pero la capacitación suele ser
desigual y no siempre está integrada a rutas formales de desarrollo profesional. Este escenario
produce heterogeneidad de uso, dependencia excesiva en algunos casos y subutilización en
otros, lo cual reduce la probabilidad de estandarizar beneficios y de sostener buenas prácticas
en equipos distribuidos (OECD, 2019; National Institute of Standards and Technology, 2023).
Adicionalmente, la integración con flujos DevSecOps existentes puede verse limitada por falta
de herramientas compatibles, ausencia de entornos aislados para experimentación y
dificultades para incorporar evidencias (logs, trazas, justificación de cambios) exigidas por
auditoría (Souppaya et al., 2022; Basel Committee on Banking Supervision, 2021).
Figura 2
Representación de las estrategias para integrar inteligencia artificial
Nota: Autores (2026).
Respecto del objetivo 5, los hallazgos respaldan que la optimización del uso de IA en
desarrollo de software bancario debe centrarse en una estrategia de gobernanza + ingeniería
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 130
Research Article
Volumen 7, Número Especial 1, 2026
segura, y no solo en adopción de herramientas. En la práctica, se recomienda implementar un
marco de gestión de riesgos de IA (roles, evaluación de impacto, criterios de aceptación,
monitoreo y documentación), alineado a estándares que permitan justificar decisiones y
controles ante auditoría y supervisión, priorizando casos de uso según criticidad del sistema
(National Institute of Standards and Technology, 2023; Financial Stability Board, 2024). De
forma complementaria, resulta clave definir un “catálogo” institucional de herramientas
autorizadas (y condiciones de uso) con mecanismos de gestión de terceros, reduciendo
incertidumbre operativa y evitando adopciones informales (U.S. Department of the Treasury,
2024; Basel Committee on Banking Supervision, 2021).
En términos de seguridad y calidad, se recomienda integrar la IA dentro de un SDLC
seguro: revisión humana obligatoria del código generado, pruebas automatizadas reforzadas,
escaneo de vulnerabilidades, y políticas explícitas de no introducir secretos/datos sensibles en
prompts; estas prácticas están alineadas con enfoques de “seguridad por diseño” y con guías
que sistematizan tareas de construcción, verificación y respuesta para reducir vulnerabilidades
(Souppaya et al., 2022; National Institute of Standards and Technology, 2023).
Adicionalmente, es aconsejable adoptar evaluaciones internas periódicas (p. ej., ejercicios de
red teaming o pruebas adversarias) para medir riesgos de fuga de información y generación de
código inseguro antes de escalar casos de uso a entornos productivos (Financial Stability
Board, 2024; Pearce et al., 2021).
Para sostener mejoras en eficiencia, seguridad y calidad, se recomienda una línea de
acción centrada en capacidades: programas de capacitación por perfiles (desarrolladores, QA,
líderes técnicos), guías de prompting y verificación, y métricas operativas (tiempo de ciclo,
defectos post-release, hallazgos de seguridad) que permitan distinguir productividad “real” de
productividad “percibida”. Esta recomendación se sustenta en que los beneficios de la IA
tienden a maximizarse cuando el personal domina su uso y cuando la organización define
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 131
Research Article
Volumen 7, Número Especial 1, 2026
estándares compartidos de validación, evitando dependencia acrítica del modelo y
fortaleciendo la resiliencia operativa del software bancario (OECD, 2019; Basel Committee on
Banking Supervision, 2021; Souppaya et al., 2022).
Discusión
Los hallazgos asociados al uso de tecnologías de inteligencia artificial en el desarrollo
de software bancario muestran una adopción mayor en tareas directamente vinculadas con
programación (escritura, completado y refactorización) que en actividades extendidas del ciclo
de vida del software, como pruebas, documentación o revisión. Esta secuencia es consistente
con la literatura sobre modelos de lenguaje entrenados en código, donde la propuesta de valor
inicial se concentra en acelerar la producción de código y apoyar microtareas repetitivas que
incrementan la fluidez del trabajo del desarrollador, antes de consolidarse en prácticas más
reguladas y trazables del proceso completo (Chen et al., 2021; Jiang et al., 2024). En el ámbito
bancario, además, la expansión hacia pruebas y aseguramiento suele depender de integración
con herramientas existentes y de requisitos de auditoría, por lo que resulta esperable que la
adopción sea menos homogénea fuera del núcleo de codificación (Financial Stability Board,
2024; Souppaya et al., 2022).
En relación con el nivel de conocimiento, competencias y adopción, se observa un
patrón relevante: la comprensión de limitaciones y riesgos del uso de inteligencia artificial se
sitúa por encima de la autopercepción de competencia para formular instrucciones eficaces.
Esta diferencia sugiere una adopción con cautela: el personal reconoce que la inteligencia
artificial puede equivocarse, alucinar o inducir dependencia, pero no siempre dispone de
habilidades consolidadas para dirigirla y, sobre todo, para verificarla de modo sistemático en
contextos críticos (National Institute of Standards and Technology, 2023; OECD, 2019). De
forma coherente, los marcos de gobernanza y riesgo señalan que la capacidad institucional no
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 132
Research Article
Volumen 7, Número Especial 1, 2026
se limita a la disponibilidad de herramientas, sino a competencias operativas (criterio técnico,
verificación, documentación) que permitan sostener calidad y cumplimiento en decisiones de
ingeniería (U.S. Department of the Treasury, 2024; DeVellis, 2017).
Respecto de los beneficios percibidos, la evidencia del estudio distingue entre un efecto
claro en eficiencia (reducción de tiempo) y un efecto más matizado en calidad. Este contraste
coincide con reportes empíricos donde asistentes de programación se asocian a mejoras de
productividad en tareas definidas, mientras que los resultados sobre calidad requieren
condiciones adicionales de control, pruebas y revisión (Peng et al., 2023; Chen et al., 2021).
En banca, la moderación de la mejora percibida en calidad resulta particularmente
comprensible, dado que estudios de seguridad han advertido que las sugerencias de asistentes
pueden introducir vulnerabilidades o patrones inseguros si se aceptan sin verificación robusta;
por tanto, el valor en calidad parece depender del acoplamiento con prácticas de desarrollo
seguro y aseguramiento continuo (Pearce et al., 2021; Souppaya et al., 2022).
El análisis de desafíos y estrategias refuerza una lectura socio-técnica: la principal
fricción no se ubica únicamente en la herramienta, sino en la gobernanza (políticas,
homologación, trazabilidad), la gestión de datos (confidencialidad, límites de uso) y la
capacidad organizacional (capacitación, estandarización, integración con prácticas de
seguridad). En ese sentido, las recomendaciones propuestas —marcos de gestión de riesgo de
inteligencia artificial, catálogo de herramientas autorizadas, controles reforzados en revisión y
pruebas, y capacitación por perfiles— se alinean con estándares orientados a reducir
vulnerabilidades y sostener resiliencia operativa en infraestructuras críticas (Basel Committee
on Banking Supervision, 2021; National Institute of Standards and Technology, 2023). No
obstante, debe considerarse como limitación que los resultados cuantitativos se presentan como
datos supuestos y que el diseño transversal basado en autoinforme restringe inferencias
causales; por ello, futuras investigaciones deberían incorporar mediciones objetivas (defectos,
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 133
Research Article
Volumen 7, Número Especial 1, 2026
hallazgos de seguridad, tiempos de ciclo) y diseños comparativos por equipos o madurez de
adopción (Creswell & Plano Clark, 2018).
Conclusión
La incorporación de inteligencia artificial en el desarrollo de software dentro del sector
bancario se manifiesta con mayor fuerza en tareas directamente asociadas con la programación,
como la generación, completado y refactorización de código, mientras que su uso en
actividades complementarias del ciclo de vida del software (pruebas, documentación y
revisión) aparece menos extendido y más dependiente de condiciones organizacionales y de
proceso.
En el plano de capacidades, se evidencia una adopción funcional acompañada por una
preparación desigual: existe conciencia sobre riesgos y limitaciones de estas herramientas, pero
no siempre se cuenta con destrezas consolidadas para guiarlas de manera eficaz y, sobre todo,
para verificar sus salidas con criterios técnicos consistentes, lo que puede afectar la
estandarización del uso entre equipos.
En términos de aportes percibidos al trabajo, los beneficios se expresan con mayor
claridad en la eficiencia, particularmente en la reducción de tiempos para completar tareas de
codificación y corrección, mientras que las mejoras de calidad se perciben de forma más
condicionada, sugiriendo que la calidad depende menos de la herramienta en sí y más de cómo
se integra con revisión humana, pruebas y prácticas de aseguramiento.
Al analizar las dificultades de integración, las barreras se concentran en restricciones
de cumplimiento y seguridad, preocupaciones por confidencialidad de información y
limitaciones internas relacionadas con capacitación, soporte y ausencia de lineamientos claros,
lo que favorece un uso heterogéneo y, en algunos casos, informal, con riesgos potenciales para
la trazabilidad y el control.
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 134
Research Article
Volumen 7, Número Especial 1, 2026
De cara a optimizar su aprovechamiento, el uso de inteligencia artificial en el desarrollo
de software bancario requiere una estrategia integral que combine gobernanza y criterios de
autorización, integración con prácticas de desarrollo seguro, capacitación diferenciada por
roles y métricas operativas que permitan sostener mejoras reales en eficiencia sin comprometer
seguridad ni calidad del software.
Referencias bibliográficas
Basel Committee on Banking Supervision. (2021). Principles for operational resilience. Bank
for International Settlements. https://www.bis.org/bcbs/publ/d516.htm
Boateng, G. O., Neilands, T. B., Frongillo, E. A., Melgar-Quiñonez, H. R., & Young, S. L.
(2018). Best practices for developing and validating scales for health, social, and
behavioral research: A primer. Frontiers in Public Health, 6, 149.
https://doi.org/10.3389/fpubh.2018.00149
Bowen, G. A. (2009). Document analysis as a qualitative research method. Qualitative
Research Journal, 9(2), 27–40. https://doi.org/10.3316/QRJ0902027
Caicedo-Basurto, R. L., Camacho-Medina, B. M., Quinga-Villa, C. A., Fonseca-Lombeida, A.
F., & López-Freire, S. A. (2024). Análisis y beneficios de la educación en la era de la
inteligencia artificial. Journal of Economic and Social Science Research, 4(4), 291–
302. https://doi.org/10.55813/gaea/jessr/v4/n4/148
Casanova-Villalba, C. I., Herrera-Sánchez, M. J., & Almeida-Blacio, J. H. (2025).
Aplicaciones de inteligencia artificial en la auditoría financiera contemporánea. Revista
Científica Ciencia Y Método, 3(2), 30-43. https://doi.org/10.55813/gaea/rcym/v3/n2/3
Chen, M., Tworek, J., Jun, H., Yuan, Q., Pinto, H. P. de O., Kaplan, J., Edwards, H., Burda,
Y., Joseph, N., Brockman, G., Ray, A., Puri, R., Krueger, G., Petrov, M., Khlaaf, H.,
Sastry, G., Mishkin, P., Chan, B., … Zaremba, W. (2021). Evaluating large language
models trained on code (arXiv:2107.03374). https://arxiv.org/abs/2107.03374
Concha-Ramirez, J. A., & Navarrete-Ortiz, J. del C. (2023). Ética empresarial y
responsabilidad social en la inteligencia artificial. Revista Científica Ciencia Y Método,
1(3), 31-44. https://doi.org/10.55813/gaea/rcym/v1/n3/18
Creswell, J. W., & Plano Clark, V. L. (2018). Designing and conducting mixed methods
research (3rd ed.). SAGE.
DeVellis, R. F. (2017). Scale development: Theory and applications (4th ed.). SAGE.
Ecuador. (2021). Ley Orgánica de Protección de Datos Personales (Registro Oficial
Suplemento No. 459, 26 de mayo de 2021).
https://www.asambleanacional.gob.ec/es/multimedios-legislativos/63464-ley-
organica-de-proteccion-de-datos
Erazo-Luzuriaga, A. F., Ramos-Secaira, F. M., Galarza-Sánchez, P. C., & Boné-Andrade, M.
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 135
Research Article
Volumen 7, Número Especial 1, 2026
F. (2023). La inteligencia artificial aplicada a la optimización de programas
informáticos. Journal of Economic and Social Science Research, 3(1), 48–63.
https://doi.org/10.55813/gaea/jessr/v3/n1/61
Financial Stability Board. (2024). The financial stability implications of artificial intelligence.
https://www.fsb.org/uploads/P14112024.pdf
Galarza-Sánchez, P. C., Boné-Andrade, M. F., & Pinargote-Bravo, V. J. (2023). Aplicaciones
de inteligencia artificial generativa en la transformación digital empresarial. Revista
Científica Ciencia Y Método, 1(1), 28-41. https://doi.org/10.55813/gaea/rcym/v1/n1/8
García-Peña, V. R. (2023). Desarrollo y Uso de Aplicaciones Móviles en el Contexto
Ecuatoriano. Revista Científica Zambos, 2(3), 1-15.
https://doi.org/10.69484/rcz/v2/n3/46
Hernández Sampieri, R., & Mendoza, C. P. (2018). Metodología de la investigación: Las rutas
cuantitativa, cualitativa y mixta. McGraw-Hill Education.
Herrera-Sánche, M. J., Casanova-Villalba, C. I., & Jacome-Vélez, T. G. (2024).
Transformación digital en la banca y su efecto en la experiencia del cliente. Revista
Científica Ciencia Y Método, 2(1), 1-13. https://doi.org/10.55813/gaea/rcym/v2/n1/27
Israel, G. D. (1992). Determining sample size (Fact Sheet PEOD-6). University of Florida,
IFAS Extension.
Jiang, J., Wang, F., Shen, J., Kim, S., & Kim, S. (2024). A survey on large language models
for code generation (arXiv:2406.00515). https://arxiv.org/abs/2406.00515
Krippendorff, K. (2018). Content analysis: An introduction to its methodology (4th ed.).
SAGE.
Lawshe, C. H. (1975). A quantitative approach to content validity. Personnel Psychology,
28(4), 563–575. https://doi.org/10.1111/j.1744-6570.1975.tb01393.x
Montalván-Vélez, C. L., Mogrovejo-Zambrano, J. N., Romero-Vitte, I. J., & Pinargote-
Carrera, M. L. D. C. (2024). Introducción a la Inteligencia Artificial: Conceptos Básicos
y Aplicaciones Cotidianas . Journal of Economic and Social Science Research, 4(1),
173–183. https://doi.org/10.55813/gaea/jessr/v4/n1/93
National Commission for the Protection of Human Subjects of Biomedical and Behavioral
Research. (1979). The Belmont Report: Ethical principles and guidelines for the
protection of human subjects of research. U.S. Department of Health, Education, and
Welfare. https://www.hhs.gov/ohrp/regulations-and-policy/belmont-report/index.html
National Institute of Standards and Technology. (2023). Artificial intelligence risk
management framework (AI RMF 1.0) (NIST AI 100-1).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf
OECD. (2019). OECD Skills Outlook 2019: Thriving in a digital world.
https://www.oecd.org/en/publications/2019/05/oecd-skills-outlook-
2019_c8896fe0/full-report.html
Pearce, H., Ahmad, B., Tan, B., Dolan-Gavitt, B., & Karri, R. (2021). Asleep at the keyboard?
Assessing the security of GitHub Copilot’s code contributions (arXiv:2108.09293).
https://arxiv.org/abs/2108.09293
Código Científico Revista de Investigación/ V.7/ N.E1/ www.revistacodigocientifico.itslosandes.net
pág. 136
Research Article
Volumen 7, Número Especial 1, 2026
Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The impact of AI on developer
productivity: Evidence from GitHub Copilot (arXiv:2302.06590). arXiv.
https://arxiv.org/abs/2302.06590
Rodriguez-Vizuete, J. D., Viteri-Ojeda, J. C., & Villa-Feijoó, A. L. (2024). Adopción de
tecnologías sostenibles en infraestructuras de tecnologías de la información. Revista
Científica Ciencia Y Método, 2(1), 55-67. https://doi.org/10.55813/gaea/rcym/v2/n1/31
Rodríguez, M. A. (2023). Práctica regulatoria y el sector bancario [Presentación]. Asociación
de Bancos Privados del Ecuador (ASOBANCA). https://www.sri.gob.ec/o/sri-portlet-
biblioteca-alfresco-internet/descargar/89ef1cd9-0e2d-40cf-bda4-
f80efb08c6f0/05%20SRI-Presentaci%C3%B3n%20Oficial%20-
%20Pr%C3%A1ctica%20Regulatoria%20-
%20Marco%20Rodr%C3%ADguez%20ASOBANCA.pdf
Souppaya, M., Scarfone, K., & Dodson, D. (2022). Secure software development framework
(SSDF) version 1.1: Recommendations for mitigating the risk of software
vulnerabilities (NIST SP 800-218). National Institute of Standards and Technology.
https://doi.org/10.6028/NIST.SP.800-218
U.S. Department of the Treasury. (2024). Uses, opportunities, and risks of artificial
intelligence in financial services. https://home.treasury.gov/system/files/136/Artificial-
Intelligence-in-Financial-Services.pdf
Vargas, F., & Muente, A. (2025). Artificial intelligence framework for the Inter-American
Development Group. Inter-American Development Bank.
https://doi.org/10.18235/0013377
