Gobernar el uso de la IA con CMMI

En esta entrevista conversamos con el Grupo de Ingeniería de Software de Sofis Solutions, un equipo que viene trabajando activamente en la evolución de sus prácticas de desarrollo frente a la incorporación de la inteligencia artificial generativa. Con una trayectoria marcada por la mejora continua y la aplicación de marcos de referencia como CMMI-DEV, el grupo comparte su visión sobre cómo la ingeniería de software se transforma cuando la IA pasa de ser una herramienta experimental a un componente integrado del proceso.

A lo largo de la entrevista, abordamos el impacto de la IA en el ciclo de vida del software, las herramientas desarrolladas por la organización, los desafíos de gobernanza y toma de decisiones, y cómo se están adaptando las métricas y prácticas de calidad en un contexto de ingeniería de software aumentada con IA. El objetivo es ofrecer una mirada clara y práctica sobre cómo combinar innovación tecnológica con disciplina de proceso y foco en el valor.

¿Cómo ha impactado la IA generativa en el ciclo de vida del desarrollo de software?

La IA generativa ha impactado de forma transversal en todo el ciclo de vida del desarrollo de software, principalmente acelerando actividades y cambiando la manera en que los equipos trabajan y toman decisiones. Hoy actúa como un asistente permanente que acompaña desde las etapas iniciales hasta el mantenimiento del producto.

Por ejemplo, en análisis y definición de requisitos, facilita pasar del lenguaje natural a artefactos técnicos preliminares, lo que permite llegar más rápido a un entendimiento común del problema. En diseño y arquitectura, ayuda a explorar alternativas y a identificar riesgos tempranos, funcionando como un apoyo al criterio del equipo más que como una fuente de decisiones automáticas.

Durante la implementación, el impacto es muy visible en términos de productividad, ya que permite generar código base, entender sistemas heredados y apoyar tareas de refactorización.

¿Qué herramientas ha desarrollado Sofis para apoyar este proceso?

En Sofis Solutions hemos desarrollado herramientas propias orientadas a integrar la IA generativa de forma práctica y gobernada en el ciclo de desarrollo.

Por un lado, ReqGen nuestra herramienta inteligente para descubrimiento, análisis y especificación de requerimientos, apoya las etapas iniciales del ciclo, facilitando la generación y refinamiento de requisitos a partir de lenguaje natural. Su foco está en mejorar la claridad, la trazabilidad y la consistencia de los artefactos tempranos, reduciendo ambigüedades desde el inicio.

Por otro lado, Sofian funciona como un asistente transversal para los equipos de ingeniería. Acompaña tareas de análisis, desarrollo y mantenimiento, ayudando a comprender código, proponer mejoras y acelerar la resolución de problemas, siempre bajo la supervisión y el criterio del equipo.

Ambas herramientas reflejan nuestra visión de la IA como un habilitador: no sustituye a las personas, sino que potencia la capacidad de los equipos para trabajar mejor, con mayor calidad y foco en el valor.

Sofis fue calificado como CMMI-DEV. ¿Qué aporta la aplicación de estas prácticas en un proceso de desarrollo de software asistido por IA?

La aplicación de prácticas CMMI-DEV aporta un marco de orden, consistencia y gobernanza que resulta clave cuando el desarrollo de software se ve acelerado por la IA generativa. La IA permite hacer más y más rápido, pero CMMI asegura que ese “más rápido” no sea a costa de la calidad, la trazabilidad o la sostenibilidad del producto.

En un proceso asistido por IA, CMMI ayuda a mantener claridad en la gestión de requisitos, control de cambios y alineación con los objetivos del negocio, evitando que los artefactos generados automáticamente se conviertan en ruido o deuda técnica. También refuerza la definición de roles y responsabilidades, algo esencial cuando la IA pasa a ser un actor más dentro del proceso de ingeniería.

Además, CMMI fortalece la medición y el análisis, permitiendo evaluar de forma objetiva cómo la IA impacta en productividad, calidad y riesgos. Esto habilita decisiones basadas en datos y no solo en percepciones. En definitiva, la combinación de CMMI-DEV con IA generativa permite escalar el uso de estas tecnologías de forma controlada, repetible y confiable, manteniendo el foco en la excelencia de ingeniería y en la entrega de valor.

¿Puedes profundizar en el aspecto de gobernanza y toma de decisiones respecto a la IA y CMMI?

La gobernanza y la toma de decisiones se vuelven aspectos centrales cuando la IA pasa a formar parte activa del proceso de desarrollo, y es ahí donde CMMI aporta un valor diferencial. La IA introduce velocidad y capacidad de generación, pero también nuevos riesgos: decisiones implícitas, falta de trazabilidad o dependencia excesiva de resultados automáticos. CMMI ayuda a encuadrar ese uso dentro de reglas claras.

Desde una perspectiva de gobernanza, CMMI establece qué decisiones pueden ser asistidas por IA y cuáles deben permanecer bajo responsabilidad explícita de las personas. Esto permite usar la IA como apoyo técnico, sin diluir la rendición de cuentas ni la responsabilidad profesional del equipo de ingeniería.

En cuanto a la toma de decisiones, CMMI refuerza el uso sistemático de información objetiva. En un contexto con IA, esto implica no solo medir el producto y el proceso, sino también observar cómo la IA impacta en tiempos, defectos, retrabajo o deuda técnica. Las decisiones dejan de basarse en intuición o entusiasmo tecnológico y pasan a apoyarse en evidencia.

Finalmente, CMMI favorece una adopción progresiva y controlada de la IA. En lugar de incorporar herramientas de forma aislada o reactiva, se las integra dentro de procesos definidos, con criterios de evaluación y mejora continua. De esta manera, la IA se convierte en un activo estratégico gobernado, y no en un factor de riesgo para la calidad o la sostenibilidad del software.

¿Cómo ha impactado en el modelo de métricas del proceso?

La incorporación de la IA generativa ha ampliado y refinado el modelo de métricas del proceso, más que reemplazarlo. Con CMMI como marco de referencia, las métricas tradicionales siguen siendo válidas, pero ahora se complementan con nuevas miradas orientadas a entender el efecto real de la IA en el desempeño del proceso.

Por un lado, se mantiene la medición clásica de productividad, calidad y cumplimiento, pero se incorpora la necesidad de distinguir qué parte del resultado está asistida por IA y cómo eso impacta en tiempos, retrabajo o defectos. Esto permite evitar interpretaciones engañosas, como asumir mejoras sin evidencia objetiva.

Por otro lado, aparecen métricas vinculadas al uso responsable de la IA, como la estabilidad de los artefactos generados, el nivel de intervención humana requerida o la frecuencia de correcciones posteriores. Estas mediciones ayudan a decidir dónde la IA aporta mayor valor y dónde conviene limitar su uso.

En este contexto, el modelo de métricas deja de ser solo un mecanismo de control y pasa a ser una herramienta de aprendizaje organizacional. Permite ajustar prácticas, mejorar la gobernanza del uso de IA y sostener decisiones basadas en datos, alineadas con la mejora continua que promueve CMMI.

¿Cómo miden el nivel de intervención humana requerida?

El nivel de intervención humana se mide de forma indirecta, a partir de evidencias del proceso y no desde la percepción individual. El foco está en entender cuánto del trabajo generado con apoyo de IA requiere correcciones, validaciones o retrabajo para alcanzar el estándar esperado.

En la práctica, se observa, por ejemplo, cuántas iteraciones son necesarias entre una salida asistida por IA y su aceptación final, el volumen de cambios realizados manualmente sobre artefactos generados y el tiempo adicional invertido en revisión y ajuste. Estos indicadores permiten inferir el grado de autonomía real de la IA en cada actividad.

Además, se analiza la estabilidad de los resultados: si un artefacto generado con IA requiere revisiones mínimas y se mantiene en el tiempo, la intervención humana fue principalmente de validación; si, en cambio, necesita ajustes frecuentes o correcciones posteriores, la intervención fue sustantiva.

Este enfoque permite tomar decisiones informadas: identificar actividades donde la IA ya aporta valor con bajo costo de supervisión y otras donde todavía es necesario un mayor control humano, alineando el uso de IA con los principios de calidad y mejora continua del proceso.

¿Cómo visualizan el trabajo en el próximo año respecto a la profundización de prácticas de CMMI en Ingeniería de software aumentada con IA?

Visualizamos el próximo año como una etapa de consolidación y madurez, más que de experimentación. La IA ya está incorporada en el día a día del desarrollo; el desafío ahora es profundizar su uso dentro de prácticas CMMI de forma consistente, medible y gobernada.

Desde la perspectiva de CMMI —en línea con los lineamientos promovidos por el CMMI Institute— el foco estará en fortalecer la definición de procesos donde la IA es un habilitador explícito, clarificando responsabilidades, criterios de aceptación y puntos de control humano. No se trata solo de “usar IA”, sino de dejar establecido cómo, cuándo y para qué se la utiliza dentro del proceso estándar de ingeniería.

También esperamos una evolución fuerte en medición y análisis. El trabajo irá hacia modelos de métricas más finos, que permitan evaluar el impacto real de la IA en productividad, calidad y sostenibilidad, y usar esa información para la toma de decisiones a nivel de proyecto y organizacional.

Finalmente, vemos una profundización en la mejora continua: revisar periódicamente qué prácticas asistidas por IA funcionan, cuáles generan riesgos y cómo ajustarlas. En ese sentido, CMMI sigue siendo el marco que nos permite escalar la ingeniería de software aumentada con IA sin perder control, calidad ni foco en el valor de negocio.