En español
En el presente estudio se realizó una revisión narrativa sobre la integración de la AI (artificial intelligence) en el SDLC (Software Development Life Cycle), analizando tanto los avances tecnológicos como los obstáculos que impiden su adopción plena. A través de una sistematización de la información extraída de estudios recientes, se identificaron y clasificaron las principales herramientas de AI aplicadas en cada fase del SDLC, así como los desafíos asociados, que se agrupan en dimensiones técnicas, organizacionales y éticas. Los hallazgos revelan que, aunque la aplicación de técnicas como el aprendizaje profundo, el procesamiento de lenguaje natural y los agentes inteligentes ofrecen oportunidades para optimizar procesos clave (como la planificación, el diseño, la generación de código, las pruebas y el mantenimiento), persisten barreras significativas que limitan la efectividad de estas estrategias. Entre los desafíos se destacan la calidad y la estructuración de datos, la compatibilidad con sistemas heredados, la resistencia organizacional y la falta de transparencia en los modelos de AI. En consecuencia, se proponen estrategias integrales que combinan mejoras técnicas, amplios programas de capacitación y marcos éticos robustos para favorecer una integración más sostenible y eficiente de la AI.
En inglés
In this study, a narrative review was conducted on the integration of AI (artificial intelligence) in the SDLC (Software Development Life Cycle), analyzing both technological advancements and the obstacles preventing full adoption. Through a systematization of information extracted from recent studies, the main AI tools applied in each phase of the SDLC were identified and classified, along with the associated challenges, which are grouped into technical, organizational, and ethical dimensions. The findings reveal that, although the application of techniques such as deep learning, natural language processing, and intelligent agents offers opportunities to optimize key processes (such as planning, design, code generation, testing, and maintenance), significant barriers persist that limit the effectiveness of these strategies. Among the challenges highlighted are data quality and structuring, compatibility with legacy systems, organizational resistance, and the lack of transparency in AI models. Consequently, comprehensive strategies are proposed that combine technical improvements, extensive training programs, and robust ethical frameworks to promote a more sustainable and efficient integration of AI.