Esta tesis aborda el problema de descubrir y diseñar arquitecturas de microservicios a partir de requisitos textuales en escenarios greenfield, donde la ambigüedad semántica y la ausencia de modelos formales incrementan el riesgo de particiones plausibles pero deficientes. Se propone ArchiGenMS, un pipeline neuro-simbólico generar-verificar que integra (i) generación inducida por modelos de lenguaje grandes (LLMs), guiada por prompt engineering y búsqueda evolutiva; y (ii) una compuerta de verificación formal ejecutable en Lean 4 que impone invariantes de well-formedness (tipado fuerte del genotipo JSON, consistencia referencial y prohibición de auto-llamadas) antes de computar métricas estructurales. La investigación se enmarca en Design Science Research (DSR), articulando un ciclo de relevancia (diseño desde texto), un ciclo de rigor (síntesis del estado del arte y formalización de métricas/invariantes) y un ciclo de diseño (construcción y evaluación del artefacto). La evaluación empírica se realizó sobre 22 escenarios de historias de usuario, ejecutando cinco generaciones por escenario, con registro completo de genotipos, veredictos OK/ERROR, métricas y tiempos en un paquete de replicación. Los resultados agregados evidencian convergencia sostenida: la aptitud promedio 𝑓 (𝐺) disminuye 44,3% (Gen. 1 a Gen. 5), con mejoras en cohesión (LCOM𝑎𝑣𝑔 −20,4%) y acoplamiento (Coupling𝑚𝑎𝑥 −13,9%), mientras el tiempo de verificación en Lean se mantiene estable (2.9–3.7 s) y el tiempo de generación con LLM disminuye 19,1%. En conjunto, ArchiGenMS restringe la incertidumbre generativa a un espacio de arquitecturas bien formadas y, sobre ese subconjunto, guía la optimización hacia diseños con mejores propiedades estructurales.