Adopción estratégica de la Inteligencia Artificial en fábricas de software

Abstract

Resumen. Este trabajo final de graduación nace de una realidad muy concreta: la inteligencia artificial ya está entrando con fuerza en las fábricas de software, pero en la mayoría de los casos lo hace de forma dispersa, por iniciativas aisladas y sin un camino claro que garantice valor, control y sostenibilidad. Ante ese panorama, el propósito central de la investigación fue desarrollar un modelo de gestión que guíe la adopción estratégica de IA en fábricas de software, integrando buenas prácticas de la literatura y criterios de innovación, calidad y generación de valor, y dejarlo validado como una propuesta viable para el sector. Para lograrlo, el estudio se apoyó en tres pilares: revisión del estado del arte, diagnóstico de prácticas reales mediante cuestionario a perfiles con experiencia en dirección y entrega de software, y un juicio de expertos para validar la propuesta. Esa combinación permitió no solo entender qué se está usando hoy, sino también identificar barreras persistentes, facilitadores, beneficios percibidos y el nivel de preparación organizacional. Con esa información se diseñó un modelo que responde al problema de fondo: pasar de “probar IA” a adoptarla con disciplina, alineada al negocio y con criterios de éxito verificables. El resultado principal es un modelo por fases, pensado para que la adopción sea gradual y medible. Arranca con un diagnóstico y línea base para entender madurez, cultura y oportunidades; sigue con una planificación estratégica donde se definen casos de uso, métricas y gobierno; continúa con pilotos controlados que validan valor en pequeño alcance antes de invertir fuerte; luego plantea integración y escalamiento de lo que funciona; y cierra con una operación sostenible basada en mejora continua. La lógica del modelo es simple pero potente: primero gobernanza y criterios de uso responsable, después herramientas; y todo el tiempo midiendo impacto con métricas técnicas y con indicadores de negocio. De forma opcional, el modelo incorpora una “capa verde” que introduce criterios ambientales desde la planificación, para que la IA también sea sostenible en términos de energía y huella de carbono. Además de la propuesta metodológica, el trabajo deja claro que el valor de la IA no se sostiene solo con entusiasmo: se sostiene con evidencia. Por eso el plan piloto propuesto describe etapas, roles, recursos y métricas de éxito para que cualquier fábrica pueda probar el modelo en un entorno real, aprender rápido y decidir con base en resultados si escala o ajusta. En conjunto, la investigación aporta una hoja de ruta práctica para reducir retrabajos, mejorar calidad, acelerar entregas y evitar el riesgo de implementaciones ad hoc que luego no se pueden repetir ni gobernar.

Abstract. Abstract. This final-year dissertation stems from a very specific reality: artificial intelligence is already making a strong impact in software factories, but in most cases this is happening in a piecemeal manner, through isolated initiatives and without a clear path to ensure value, control and sustainability. Against this backdrop, the central aim of the research was to develop a management model to guide the strategic adoption of AI in software development organisations, integrating best practices from the literature with criteria relating to innovation, quality and value creation, and to validate it as a viable proposal for the sector. To achieve this, the study was based on three pillars: a review of the state of the art; an assessment of actual practices via a questionnaire aimed at professionals with experience in software management and delivery; and an expert judgement to validate the proposal. This combination made it possible not only to understand current practices but also to identify persistent barriers, enablers, perceived benefits and the level of organisational readiness. Using this information, a model was designed to address the underlying issue: moving from ‘trying out AI’ to adopting it in a disciplined manner, aligned with the business and with verifiable success criteria. The main outcome is a phased model, designed to ensure that adoption is gradual and measurable. It begins with an assessment and baseline to understand maturity, culture and opportunities; continues with strategic planning to define use cases, metrics and governance; proceeds with controlled pilots to validate value on a small scale before making a significant investment; then focuses on integrating and scaling up what works; and concludes with a sustainable operation based on continuous improvement. The logic behind the model is simple yet powerful: first, governance and criteria for responsible use; then, tools; and throughout, measuring impact using technical metrics and business indicators. Optionally, the model incorporates a ‘green layer’ that introduces environmental criteria from the planning stage onwards, ensuring that AI is also sustainable in terms of energy consumption and carbon footprint. In addition to the methodological proposal, the study makes it clear that the value of AI is not sustained by enthusiasm alone: it is sustained by evidence. That is why the proposed pilot plan outlines stages, roles, resources and success metrics so that any factory can test the model in a real-world environment, learn quickly and decide, based on results, whether to scale up or make adjustments. Overall, the research provides a practical roadmap for reducing rework, improving quality, speeding up deliveries and avoiding the risk of ad hoc implementations that cannot subsequently be replicated or managed.