[{"data":1,"prerenderedAt":472},["ShallowReactive",2],{"/es/the-source/authors/taylor-mccaslin/":3,"footer-es":35,"the-source-banner-es":343,"the-source-navigation-es":355,"the-source-newsletter-es":382,"taylor-mccaslin-articles-list-authors-es":393,"taylor-mccaslin-articles-list-es":423,"taylor-mccaslin-page-categories-es":471},{"_path":4,"_dir":5,"_draft":6,"_partial":6,"_locale":7,"config":8,"seo":10,"content":12,"type":26,"slug":27,"_id":28,"_type":29,"title":30,"_source":31,"_file":32,"_stem":33,"_extension":34},"/es/the-source/authors/taylor-mccaslin","authors",false,"",{"layout":9},"the-source",{"title":11},"Taylor McCaslin",[13,24],{"componentName":14,"componentContent":15},"TheSourceAuthorHero",{"config":16,"name":11,"role":19,"bio":20,"headshot":21},{"gitlabHandle":17,"linkedInProfileUrl":18},"tmccaslin","https://www.linkedin.com/in/taylormccaslin/","Gerente de Grupo, Producto, Ciencia de Datos","Taylor McCaslin es el líder de producto para IA/ML en GitLab, donde dirige el equipo de gerentes de producto que gestionan los grupos de etapas con tecnología de IA y de ModelOps. Además, se encarga de establecer la visión y la dirección de cómo permitir que los usuarios de GitLab aprovechen la ciencia de datos como parte de su programa de DevOps. Antes de unirse a GitLab, ocupó cargos en Indeed, Duo Security y WP Engine.",{"altText":11,"config":22},{"src":23},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1751463427/trfasilaeasosxfcxmsm.jpg",{"componentName":25},"TheSourceArticlesList","author","taylor-mccaslin","content:es:the-source:authors:taylor-mccaslin.yml","yaml","Taylor Mccaslin","content","es/the-source/authors/taylor-mccaslin.yml","es/the-source/authors/taylor-mccaslin","yml",{"_path":36,"_dir":37,"_draft":6,"_partial":6,"_locale":7,"data":38,"_id":339,"_type":29,"title":340,"_source":31,"_file":341,"_stem":342,"_extension":34},"/shared/es/main-footer","es",{"text":39,"source":40,"edit":46,"contribute":51,"config":56,"items":61,"minimal":331},"Git es una marca registrada de Software Freedom Conservancy, y nuestro uso de «GitLab» está bajo licencia",{"text":41,"config":42},"Ver fuente de la página",{"href":43,"dataGaName":44,"dataGaLocation":45},"https://gitlab.com/gitlab-com/marketing/digital-experience/about-gitlab-com/","page source","footer",{"text":47,"config":48},"Editar esta página",{"href":49,"dataGaName":50,"dataGaLocation":45},"https://gitlab.com/gitlab-com/marketing/digital-experience/about-gitlab-com/-/blob/main/content/","web ide",{"text":52,"config":53},"Contribuya",{"href":54,"dataGaName":55,"dataGaLocation":45},"https://gitlab.com/gitlab-com/marketing/digital-experience/about-gitlab-com/-/blob/main/CONTRIBUTING.md/","please contribute",{"twitter":57,"facebook":58,"youtube":59,"linkedin":60},"https://twitter.com/gitlab","https://www.facebook.com/gitlab","https://www.youtube.com/channel/UCnMGQ8QHMAnVIsI3xJrihhg","https://www.linkedin.com/company/gitlab-com",[62,89,162,230,292],{"title":63,"links":64,"subMenu":70},"Plataforma",[65],{"text":66,"config":67},"Plataforma de DevSecOps",{"href":68,"dataGaName":69,"dataGaLocation":45},"/es/platform/","devsecops platform",[71],{"title":72,"links":73},"Precios",[74,79,84],{"text":75,"config":76},"Ver planes",{"href":77,"dataGaName":78,"dataGaLocation":45},"/es/pricing/","view plans",{"text":80,"config":81},"¿Por qué elegir GitLab Premium?",{"href":82,"dataGaName":83,"dataGaLocation":45},"/es/pricing/premium/","why premium",{"text":85,"config":86},"¿Por qué elegir GitLab Ultimate?",{"href":87,"dataGaName":88,"dataGaLocation":45},"/es/pricing/ultimate/","why ultimate",{"title":90,"links":91},"Soluciones",[92,97,102,107,112,117,122,127,132,137,142,147,152,157],{"text":93,"config":94},"Transformación digital",{"href":95,"dataGaName":96,"dataGaLocation":45},"/es/topics/digital-transformation/","digital transformation",{"text":98,"config":99},"Seguridad y cumplimiento",{"href":100,"dataGaName":101,"dataGaLocation":45},"/solutions/application-security-testing/","Application security testing",{"text":103,"config":104},"Entrega de software automatizada",{"href":105,"dataGaName":106,"dataGaLocation":45},"/es/solutions/delivery-automation/","automated software delivery",{"text":108,"config":109},"Desarrollo ágil",{"href":110,"dataGaName":111,"dataGaLocation":45},"/es/solutions/agile-delivery/","agile delivery",{"text":113,"config":114},"Transformación en la nube",{"href":115,"dataGaName":116,"dataGaLocation":45},"/es/topics/cloud-native/","cloud transformation",{"text":118,"config":119},"Gestión del código fuente",{"href":120,"dataGaName":121,"dataGaLocation":45},"/es/solutions/source-code-management/","source code management",{"text":123,"config":124},"CI/CD",{"href":125,"dataGaName":126,"dataGaLocation":45},"/es/solutions/continuous-integration/","continuous integration & delivery",{"text":128,"config":129},"Gestión del flujo de valor",{"href":130,"dataGaName":131,"dataGaLocation":45},"/es/solutions/value-stream-management/","value stream management",{"text":133,"config":134},"GitOps",{"href":135,"dataGaName":136,"dataGaLocation":45},"/es/solutions/gitops/","gitops",{"text":138,"config":139},"Empresas",{"href":140,"dataGaName":141,"dataGaLocation":45},"/es/enterprise/","enterprise",{"text":143,"config":144},"Pequeñas empresas",{"href":145,"dataGaName":146,"dataGaLocation":45},"/es/small-business/","small business",{"text":148,"config":149},"Sector público",{"href":150,"dataGaName":151,"dataGaLocation":45},"/es/solutions/public-sector/","public sector",{"text":153,"config":154},"Educación",{"href":155,"dataGaName":156,"dataGaLocation":45},"/es/solutions/education/","education",{"text":158,"config":159},"Servicios financieros",{"href":160,"dataGaName":161,"dataGaLocation":45},"/es/solutions/finance/","financial services",{"title":163,"links":164},"Recursos",[165,170,175,180,185,190,195,200,205,210,215,220,225],{"text":166,"config":167},"Instalar",{"href":168,"dataGaName":169,"dataGaLocation":45},"/es/install/","install",{"text":171,"config":172},"Guías de inicio rápido",{"href":173,"dataGaName":174,"dataGaLocation":45},"/es/get-started/","quick setup checklists",{"text":176,"config":177},"Aprender",{"href":178,"dataGaName":179,"dataGaLocation":45},"https://university.gitlab.com/","learn",{"text":181,"config":182},"Documentación del producto",{"href":183,"dataGaName":184,"dataGaLocation":45},"https://docs.gitlab.com/","docs",{"text":186,"config":187},"Blog",{"href":188,"dataGaName":189,"dataGaLocation":45},"/blog/","blog",{"text":191,"config":192},"Historias de éxito del cliente",{"href":193,"dataGaName":194,"dataGaLocation":45},"/customers/","customer success stories",{"text":196,"config":197},"Remoto",{"href":198,"dataGaName":199,"dataGaLocation":45},"https://handbook.gitlab.com/handbook/company/culture/all-remote/","remote",{"text":201,"config":202},"Servicios de GitLab",{"href":203,"dataGaName":204,"dataGaLocation":45},"/es/services/","services",{"text":206,"config":207},"TeamOps",{"href":208,"dataGaName":209,"dataGaLocation":45},"/es/teamops/","teamops",{"text":211,"config":212},"Comunidad",{"href":213,"dataGaName":214,"dataGaLocation":45},"/community/","community",{"text":216,"config":217},"Foro",{"href":218,"dataGaName":219,"dataGaLocation":45},"https://forum.gitlab.com/","forum",{"text":221,"config":222},"Eventos",{"href":223,"dataGaName":224,"dataGaLocation":45},"/events/","events",{"text":226,"config":227},"Socios",{"href":228,"dataGaName":229,"dataGaLocation":45},"/es/partners/","partners",{"title":231,"links":232},"Empresa",[233,238,243,248,253,258,263,267,272,277,282,287],{"text":234,"config":235},"Acerca de nosotros",{"href":236,"dataGaName":237,"dataGaLocation":45},"/es/company/","company",{"text":239,"config":240},"Jobs",{"href":241,"dataGaName":242,"dataGaLocation":45},"/jobs/","jobs",{"text":244,"config":245},"Liderazgo",{"href":246,"dataGaName":247,"dataGaLocation":45},"/company/team/e-group/","leadership",{"text":249,"config":250},"Equipo",{"href":251,"dataGaName":252,"dataGaLocation":45},"/company/team/","team",{"text":254,"config":255},"Manual",{"href":256,"dataGaName":257,"dataGaLocation":45},"https://handbook.gitlab.com/","handbook",{"text":259,"config":260},"Relaciones con los inversores",{"href":261,"dataGaName":262,"dataGaLocation":45},"https://ir.gitlab.com/","investor relations",{"text":264,"config":265},"Sustainability",{"href":266,"dataGaName":264,"dataGaLocation":45},"/sustainability/",{"text":268,"config":269},"Diversidad, inclusión y pertenencia (DIB)",{"href":270,"dataGaName":271,"dataGaLocation":45},"/diversity-inclusion-belonging/","Diversity, inclusion and belonging",{"text":273,"config":274},"Centro de confianza",{"href":275,"dataGaName":276,"dataGaLocation":45},"/es/security/","trust center",{"text":278,"config":279},"Boletín",{"href":280,"dataGaName":281,"dataGaLocation":45},"/company/contact/","newsletter",{"text":283,"config":284},"Prensa",{"href":285,"dataGaName":286,"dataGaLocation":45},"/press/","press",{"text":288,"config":289},"Declaración de transparencia sobre la Ley de Esclavitud Moderna",{"href":290,"dataGaName":291,"dataGaLocation":45},"https://handbook.gitlab.com/handbook/legal/modern-slavery-act-transparency-statement/","modern slavery transparency statement",{"title":293,"links":294},"Comuníquese con nosotros",[295,300,305,310,315,320,325],{"text":296,"config":297},"Contactar con un experto",{"href":298,"dataGaName":299,"dataGaLocation":45},"/es/sales/","sales",{"text":301,"config":302},"Obtener ayuda",{"href":303,"dataGaName":304,"dataGaLocation":45},"/support/","get help",{"text":306,"config":307},"Portal de clientes",{"href":308,"dataGaName":309,"dataGaLocation":45},"https://customers.gitlab.com/customers/sign_in/","customer portal",{"text":311,"config":312},"Estado",{"href":313,"dataGaName":314,"dataGaLocation":45},"https://status.gitlab.com/","status",{"text":316,"config":317},"Términos de uso",{"href":318,"dataGaName":319,"dataGaLocation":45},"/terms/","terms of use",{"text":321,"config":322},"Declaración de privacidad",{"href":323,"dataGaName":324,"dataGaLocation":45},"/es/privacy/","privacy statement",{"text":326,"config":327},"Preferencias de cookies",{"dataGaName":328,"dataGaLocation":45,"id":329,"isOneTrustButton":330},"cookie preferences","ot-sdk-btn",true,{"items":332},[333,335,337],{"text":316,"config":334},{"href":318,"dataGaName":319,"dataGaLocation":45},{"text":321,"config":336},{"href":323,"dataGaName":324,"dataGaLocation":45},{"text":326,"config":338},{"dataGaName":328,"dataGaLocation":45,"id":329,"isOneTrustButton":330},"content:shared:es:main-footer.yml","Main Footer","shared/es/main-footer.yml","shared/es/main-footer",{"_path":344,"_dir":345,"_draft":6,"_partial":6,"_locale":7,"id":346,"visibility":330,"title":347,"button":348,"_id":352,"_type":29,"_source":31,"_file":353,"_stem":354,"_extension":34},"/shared/es/the-source/banner/the-economics-of-software-innovation-2025-08-18","banner","The Economics of Software Innovation","The Economics of Software Innovation—AI’s $750 Billion Opportunity",{"config":349,"text":351},{"href":350},"https://about.gitlab.com/software-innovation-report/","Get the research report","content:shared:es:the-source:banner:the-economics-of-software-innovation-2025-08-18.yml","shared/es/the-source/banner/the-economics-of-software-innovation-2025-08-18.yml","shared/es/the-source/banner/the-economics-of-software-innovation-2025-08-18",{"_path":356,"_dir":9,"_draft":6,"_partial":6,"_locale":7,"logo":357,"subscribeLink":362,"navItems":366,"_id":378,"_type":29,"title":379,"_source":31,"_file":380,"_stem":381,"_extension":34},"/shared/es/the-source/navigation",{"altText":358,"config":359},"the source logo",{"src":360,"href":361},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1750191004/t7wz1klfb2kxkezksv9t.svg","/es/the-source/",{"text":363,"config":364},"Suscribirse",{"href":365},"#subscribe",[367,371,374],{"text":368,"config":369},"Inteligencia artificial",{"href":370},"/es/the-source/ai/",{"text":98,"config":372},{"href":373},"/es/the-source/security/",{"text":375,"config":376},"Plataforma e infraestructura",{"href":377},"/es/the-source/platform/","content:shared:es:the-source:navigation.yml","Navigation","shared/es/the-source/navigation.yml","shared/es/the-source/navigation",{"_path":383,"_dir":9,"_draft":6,"_partial":6,"_locale":7,"title":384,"description":385,"submitMessage":386,"formData":387,"_id":390,"_type":29,"_source":31,"_file":391,"_stem":392,"_extension":34},"/shared/es/the-source/newsletter","Boletín The Source","Manténgase al día con información sobre el futuro del desarrollo de software.","Se ha suscrito correctamente al boletín The Source.",{"config":388},{"formId":389,"formName":281,"hideRequiredLabel":330},28470,"content:shared:es:the-source:newsletter.yml","shared/es/the-source/newsletter.yml","shared/es/the-source/newsletter",{"amanda-rueda":394,"andre-michael-braun":395,"andrew-haschka":396,"ayoub-fandi":397,"brian-wald":398,"bryan-ross":399,"chandler-gibbons":400,"dave-steer":401,"ddesanto":402,"derek-debellis":403,"emilio-salvador":404,"erika-feldman":405,"george-kichukov":406,"gitlab":407,"grant-hickman":408,"haim-snir":409,"iganbaruch":410,"jlongo":411,"joel-krooswyk":412,"josh-lemos":413,"julie-griffin":414,"kristina-weis":415,"lee-faus":416,"ncregan":417,"rschulman":418,"sabrina-farmer":419,"sandra-gittlen":420,"sharon-gaudin":421,"stephen-walters":422,"taylor-mccaslin":11},"Amanda Rueda","Andre Michael Braun","Andrew Haschka","Ayoub Fandi","Brian Wald","Bryan Ross","Chandler Gibbons","Dave Steer","David DeSanto","Derek DeBellis","Emilio Salvador","Erika Feldman","George Kichukov","GitLab","Grant Hickman","Haim Snir","Itzik Gan Baruch","Joseph Longo","Joel Krooswyk","Josh Lemos","Julie Griffin","Kristina Weis","Lee Faus","Niall Cregan","Robin Schulman","Sabrina Farmer","Sandra Gittlen","Sharon Gaudin","Stephen Walters",{"allArticles":424,"visibleArticles":470,"showAllBtn":330},[425,450],{"_path":426,"_dir":427,"_draft":6,"_partial":6,"_locale":7,"config":428,"seo":432,"content":436,"type":445,"category":427,"slug":446,"_id":447,"_type":29,"title":433,"_source":31,"_file":448,"_stem":449,"_extension":34,"date":437,"description":438,"timeToRead":439,"heroImage":435,"keyTakeaways":440,"articleBody":444},"/es/the-source/ai/4-steps-for-measuring-the-impact-of-ai","ai",{"layout":9,"template":429,"articleType":430,"author":27,"gatedAsset":431,"isHighlighted":6,"authorName":11},"TheSourceArticle","Regular","source-lp-how-to-get-started-using-ai-in-software-development",{"title":433,"description":434,"ogImage":435},"4 pasos para medir el impacto de la IA","Para juzgar el éxito de las iniciativas de IA, es crucial tener el marco de medición adecuado. Consulte cuatro pasos para enfocarse en las métricas correctas.","https://res.cloudinary.com/about-gitlab-com/image/upload/v1751463600/yv1v4ywk7hbobfvlxwhf.png",{"title":433,"date":437,"description":438,"timeToRead":439,"heroImage":435,"keyTakeaways":440,"articleBody":444},"2024-10-29","Para juzgar el éxito de las iniciativas de IA, es fundamental contar con el marco de medición adecuado. Aquí encontrará cuatro pasos que le ayudarán a enfocarse en las métricas correctas.","Lectura de 5 min",[441,442,443],"La eficacia de la IA para desarrollar software no debe medirse solo mediante métricas de productividad, como la generación de código, sino que también debe considerar su impacto en la calidad, el mantenimiento, las pruebas y la seguridad del código.","Una integración exitosa de la IA requiere un enfoque holístico que combine datos cuantitativos de todo el ciclo de desarrollo de software con información cualitativa de los desarrolladores sobre el impacto real de la IA en su trabajo y estrategias.","Con el enfoque correcto, la IA puede potenciar la colaboración, mejorar la calidad del código y respaldar los objetivos comerciales, sin comprometer la calidad ni la seguridad del software","La IA se ha convertido rápidamente en una pieza central de la pila tecnológica de las organizaciones. Las herramientas de productividad con tecnología de IA prometen mejorar la eficiencia al automatizar tareas de programación repetitivas. Sin embargo, muchas organizaciones tienen dificultades para medir el impacto de sus iniciativas de IA y evalúan constantemente las métricas para asegurarse de que estén alineadas con los resultados comerciales deseados.\n\n Históricamente, medir la productividad de los desarrolladores ha sido un desafío, tanto con herramientas con tecnología de IA como sin ellas. [Según una investigación realizada por GitLab](https://about.gitlab.com/developer-survey/), menos de la mitad de los directores de experiencia (CXO) están satisfechos con el enfoque actual de sus organizaciones para medir la productividad de los desarrolladores, y el 36 % consideran que sus mediciones de productividad actuales son deficientes.\n\nLa evaluación de la productividad de la programación impulsada por IA requiere un enfoque más matizado que las métricas tradicionales, como las líneas de código, las confirmaciones de código o la finalización de tareas. Esto implica un cambio de enfoque hacia los resultados comerciales concretos que equilibren la velocidad de desarrollo, la calidad del software y la seguridad.\n\nA continuación, se presentan algunas medidas que las organizaciones pueden tomar hoy para garantizar que puedan medir el impacto total de la IA en sus procesos de desarrollo de software.\n\n## 1. Establezca objetivos claros para la implementación de la IA\nAl adoptar la IA en el desarrollo de software, las organizaciones deben tener objetivos y métricas claros para medir el éxito. Esto incluye tanto objetivos a corto como a largo plazo que estén alineados con la estrategia empresarial general. Por ejemplo, un objetivo a corto plazo podría ser reducir el tiempo de revisión del código en un 30 % utilizando herramientas con tecnología de IA, mientras que un objetivo a largo plazo podría ser mejorar las valoraciones de satisfacción del cliente mediante ciclos de lanzamiento más rápidos y un código de mayor calidad.\n\nAdemás, los líderes de la organización deben involucrar a los desarrolladores para definir estos objetivos y métricas. Los desarrolladores tienen experiencia de primera mano con respecto al impacto de la IA en su trabajo y pueden aportar información valiosa sobre cómo ha mejorado o dificultado la productividad. [Según un estudio de GitLab](https://about.gitlab.com/developer-survey/), el 63 % de los desarrolladores espera que la IA cambie significativamente su puesto en los próximos cinco años, mientras que el 56 % considera que la incorporación de la IA en el ciclo de vida del desarrollo de software conlleva riesgos. Al consultar a los desarrolladores sobre las oportunidades que identifican para que la IA les asista, así como sus inquietudes al respecto, las organizaciones pueden definir métricas de éxito más significativas y relevantes que reflejen el impacto real de la IA en los equipos de desarrollo de software.\n\nAsimismo, es importante que las organizaciones revisen y reevalúen estos objetivos de manera regular a medida que continúan integrando la IA en sus procesos. La tecnología evoluciona rápidamente, al igual que las necesidades y prioridades comerciales. La definición de objetivos claros permite a los equipos dar seguimiento al progreso y realizar los ajustes necesarios.\n\n## 2. Mire más allá de las métricas de código\nLa productividad va más allá de las tasas de aceptación o las líneas de código generadas. Los desarrolladores dedican [más del 75 %](https://about.gitlab.com/developer-survey/) de su tiempo a tareas que no están vinculadas con la generación de código. Por lo tanto, usar de forma eficiente la IA podría disminuir el tiempo que los desarrolladores dedican a revisar, probar y mantener el código.Para aprovechar al máximo los beneficios del desarrollo de software asistido por IA, las organizaciones deben adoptar una visión holística sobre el [impacto de la IA en la productividad](https://about.gitlab.com/the-source/ai/how-ai-helps-devsecops-teams-improve-productivity/) y en sus resultados a lo largo del ciclo de desarrollo de software (SDLC). La mejor estrategia combina datos cuantitativos de todo el SDLC con información cualitativa de los desarrolladores sobre el impacto real de la IA en su trabajo diario y su influencia en las estrategias de desarrollo a largo plazo.\n\nUna técnica de medición efectiva es el [marco DORA](https://about.gitlab.com/solutions/value-stream-management/dora/), que evalúa el desempeño de un equipo de desarrollo durante un período específico. Las métricas DORA evalúan la frecuencia de implementación, el plazo de realización de los cambios, el plazo medio de resolución, el índice de fracaso de los cambios y la confiabilidad. Estas métricas proporcionan visibilidad sobre la agilidad, la eficiencia operativa y la velocidad de un equipo y, por lo tanto, son un indicador de qué tan bien una empresa de ingeniería puede equilibrar la velocidad, la calidad y la seguridad.\n\nAdemás, los equipos deben utilizar el [análisis de flujo de valor](https://about.gitlab.com/solutions/value-stream-management/) para examinar todo el flujo de trabajo, desde el concepto hasta la producción. El análisis del flujo de valor supervisa continuamente métricas como el plazo de realización, la duración del ciclo, la frecuencia de implementación y los defectos de producción, y se centra en los resultados comerciales en lugar de en las acciones individuales de los desarrolladores. Este enfoque integral garantiza un proceso de desarrollo más productivo y eficiente.\n\n## 3. Prepárese para los desafíos futuros\nSi bien la IA puede acelerar la producción de código, también puede contribuir a la deuda técnica si el código resultante carece de calidad y seguridad. El código generado por IA a menudo requiere más tiempo de revisión, prueba y mantenimiento. Al inicio, la IA puede ahorrarles tiempo a los desarrolladores, pero es probable que este tiempo se utilice más adelante en el ciclo de desarrollo de software. Además, cualquier falla de seguridad en el código generado por IA requerirá la atención de los equipos de seguridad, lo que implicará tiempo adicional para abordar posibles problemas. Como resultado, los equipos de desarrollo y seguridad pueden inicialmente mostrarse escépticos con respecto a la IA.\n\nPara comenzar, los equipos deberían desarrollar prácticas recomendadas implementando la IA en áreas de menor riesgo antes de expandir sus aplicaciones. Este enfoque cauteloso garantiza una escalabilidad segura y sostenible. Por ejemplo, la IA puede facilitar la generación de código, la generación de pruebas, la corrección de sintaxis y la documentación, lo que ayuda a los equipos a tomar impulso y mejorar los resultados a la vez que aprenden a utilizar la herramienta de manera más efectiva.\n\nAl principio, la productividad podría verse disminuida a medida que los equipos se adaptan a los nuevos flujos de trabajo. Las organizaciones deben proporcionar un período de adaptación para que los equipos puedan determinar la mejor manera de integrar la IA en sus procesos.\n\n## 4. Integre la IA de forma holística con una plataforma de DevSecOps\nUna forma en que las organizaciones pueden mitigar las dificultades iniciales de implementar IA en sus procesos de desarrollo es usar una plataforma de DevSecOps que integre funcionalidades de IA, como la generación de código con tecnología de IA, los resúmenes de discusiones y explicaciones de vulnerabilidades, a lo largo de todo el ciclo de desarrollo del software. Los desarrolladores y los equipos de seguridad pueden colaborar de manera más efectiva e [identificar posibles problemas al principio del proceso de desarrollo](https://about.gitlab.com/the-source/ai/4-ways-ai-can-help-devops-teams-improve-security/) gracias al flujo de trabajo centralizado y optimizado que proporcionan las plataformas de DevSecOps.\n\nLas [herramientas de revisión y prueba de código con tecnología de IA](https://about.gitlab.com/blog/how-gitlab-duo-helps-secure-and-thoroughly-test-ai-generated-code/) dentro de una plataforma de DevSecOps pueden ayudar a identificar y corregir fallas de seguridad o errores de codificación antes de que lleguen a producción. Esto no solo permite ahorrar tiempo, también ayuda a reducir la deuda técnica y mejorar la calidad general del software. Cuando las herramientas de IA forman parte de una plataforma integrada, los equipos también pueden [combinar la IA con el análisis de causa raíz](https://about.gitlab.com/blog/developing-gitlab-duo-blending-ai-and-root-cause-analysis-to-fix-ci-cd/) para corregir errores en los pipelines de CI/CD y entregar código seguro de manera más rápida. El objetivo es aplicar análisis automatizados de calidad de código y de seguridad a todo el código que produce la organización, especialmente al código generado por IA.\n\nAdemás, los equipos pueden dar seguimiento fácilmente al ROI de la IA mediante [análisis integrados en la plataforma que miden el impacto de la IA en la productividad](https://about.gitlab.com/blog/developing-gitlab-duo-ai-impact-analytics-dashboard-measures-the-roi-of-ai/).\n\nLa IA desempeñará un papel fundamental en la evolución de las plataformas de DevSecOps; redefinirá la forma en que los equipos de desarrollo, seguridad y operaciones colaboran para acelerar el desarrollo de software sin comprometer la calidad y la seguridad. Los líderes de negocios querrán conocer cómo sus inversiones en herramientas con tecnología de IA están generando resultados, y los desarrolladores deberían apreciar este interés y aprovechar la oportunidad para demostrar cómo su trabajo se alinea con los objetivos generales de la organización. \n\nAl adoptar un enfoque holístico que evalúa la calidad del código, la colaboración, los costos del downstream y la experiencia del desarrollador, los equipos pueden aprovechar las tecnologías de IA para mejorar los esfuerzos humanos.\n\n> #### Cómo empezar a utilizar la IA en el desarrollo de software\n> \n> Lea nuestro e-book (en inglés) para consultar información concreta que le ayudará a crear un marco estratégico de IA para desarrollar software seguro más rápidamente (disponible en inglés). \n> [Leer el e-book](https://page.gitlab.com/ebook-beginner-guide-ai.html){class=\"button\"}","article","4-steps-for-measuring-the-impact-of-ai","content:es:the-source:ai:4-steps-for-measuring-the-impact-of-ai:index.yml","es/the-source/ai/4-steps-for-measuring-the-impact-of-ai/index.yml","es/the-source/ai/4-steps-for-measuring-the-impact-of-ai/index",{"_path":451,"_dir":427,"_draft":6,"_partial":6,"_locale":7,"config":452,"seo":454,"content":458,"type":445,"category":427,"slug":466,"_id":467,"_type":29,"title":455,"_source":31,"_file":468,"_stem":469,"_extension":34,"date":459,"description":456,"timeToRead":460,"heroImage":457,"keyTakeaways":461,"articleBody":465},"/es/the-source/ai/how-to-put-generative-ai-to-work-in-your-devsecops-environment",{"layout":9,"template":429,"articleType":430,"author":27,"featured":6,"gatedAsset":453,"isHighlighted":6,"authorName":11},"navigating-ai-maturity-in-devsecops",{"title":455,"description":456,"ogImage":457},"Cómo utilizar la IA generativa en su entorno de DevSecOps","Descubra cómo la inteligencia artificial puede integrarse en la plataforma para ofrecer ventajas tangibles a las organizaciones y a sus equipos de DevSecOps.","https://res.cloudinary.com/about-gitlab-com/image/upload/v1751463955/b01uj40kjfhezhwiczhp.png",{"title":455,"date":459,"description":456,"timeToRead":460,"heroImage":457,"keyTakeaways":461,"articleBody":465},"2024-03-07","Lectura de 7 min",[462,463,464],"Para aprovechar al máximo el potencial de la IA en su plataforma de DevSecOps, es esencial integrar la IA no solo en la etapa de creación del código, sino a lo largo de todo el ciclo de desarrollo de software.","La consolidación de las herramientas de IA en toda la organización reduce la complejidad, los riesgos operativos y los costos. De este modo, fomenta un entorno optimizado y seguro.","La eficacia de la IA no se mide solo con métricas típicas como la frecuencia de producción de código. Implemente flujos de trabajo estándar para recopilar métricas clave como tiempos de resolución de vulnerabilidades y eficiencia en revisión de código.","La IA generativa ha allanado el camino para una nueva ola de innovaciones capaces de hacerse cargo de muchos de los aspectos tediosos, manuales y lentos del desarrollo y la entrega de software y, como resultado, acelerar los flujos de trabajo de DevSecOps. Sin embargo, para aprovechar todo el potencial de la IA generativa, esta tecnología no debe limitarse a la creación de código. Al contrario, debe integrarse en todo el proceso de desarrollo de software.\n\nSegún nuestra [encuesta de 2024 a más de 5000 profesionales de DevSeOps](https://about.gitlab.com/developer-survey/2024/ai), los desarrolladores dedican menos del 25 % de su tiempo a crear código. (Disponible en inglés) Entre la primera confirmación y el paso a producción, hay que realizar muchas otras tareas, que podrían beneficiarse del poder de la IA.\n\nLa IA se puede infundir en cada etapa para ayudar a guiar el software desde la idea hasta la entrega, creando un software mejor y más seguro con mayor rapidez. Por ejemplo, una tarea tan trivial como examinar una compilación fallida se puede optimizar mediante el uso de IA para evaluar qué salió mal y cómo solucionarlo. Si bien la IA no elimina la tarea, puede ayudar a [reducir el número de pasos y el tiempo necesario para completarlos](https://about.gitlab.com/the-source/ai/how-ai-helps-devsecops-teams-improve-productivity/).\n\nEstas son las medidas que su equipo de DevSecOps puede tomar para comprender y medir el impacto de la IA generativa.\n\n## Comience con una evaluación de sus flujos de trabajo\n\nDebe realizar un trabajo inicial para comprender en profundidad el impacto de la IA, como revisar sus flujos de trabajo. Identifique el flujo de trabajo ideal que puede poner en marcha para unificar la forma en que utiliza la IA y establezca [medidas de protección adecuadas](https://about.gitlab.com/the-source/ai/velocity-with-guardrails-ai-automation/) para reducir los riesgos que la IA podría introducir.\n\nPor ejemplo, si su equipo escribe código con IA generativa, parte de ese código generado podría incluir vulnerabilidades de seguridad. Todo es parte del proceso. Por lo tanto, necesitará un [flujo de trabajo para detectar esas vulnerabilidades](https://about.gitlab.com/the-source/ai/4-ways-ai-can-help-devops-teams-improve-security/) y reducir la posibilidad de que lleguen a producción. Una vez establecido el flujo de trabajo, puede comenzar a introducir diferentes funcionalidades de IA de una manera más coherente, lo que aumentará la velocidad de desarrollo. \n\nEste es un ejemplo de cómo una evaluación inicial de su flujo de trabajo puede permitirle aprovechar mejor las ventajas que ofrece la IA. La IA puede crear automáticamente pruebas por usted, pero no es aconsejable que lo haga después de haber creado el código. Los desarrolladores no forman parte del equipo de control de calidad porque solo prueban lo que ellos mismos han escrito. La IA generativa funciona del mismo modo. Una prueba generada por IA debe contar con un flujo de trabajo definido para que los desarrolladores puedan utilizar la información contenida en los tickets para generar de manera interactiva pruebas unitarias para el código que desean escribir. Primero se pueden crear las solicitudes de fusión en las que se realiza la prueba. Esto hace que las sugerencias de código sean más sólidas cuando se realiza un pull de la rama para su implementación, porque el contexto ahora incluye las pruebas adecuadas y se obtendrán más respuestas que si se hubiera empezado directamente con el código. \n\nNo puede reorganizar todos sus flujos de trabajo a la vez. Concéntrese en aquellos que estén relacionados con sus principales desafíos de desarrollo y entrega de software, como la modernización de bases de código heredadas, la gestión de un mayor número de tickets de seguridad o la adaptación a presupuestos y cantidad de empleados cada vez más limitados.\n\n## Establezca medidas de protección para la IA\n\nTambién debe tener en cuenta el riesgo que plantea la IA en términos de los datos con los que interactúa. Asegúrese de establecer medidas de protección para mitigar ese riesgo y satisfacer sus necesidades específicas de cumplimiento. Es recomendable que analice los modelos de IA que utiliza, su acceso a las bases de datos de vectores y los métodos para entrenar modelos de lenguaje grande (LLM).\n\nTendrá que reunir a sus equipos jurídicos, de cumplimiento y de DevSecOps para plantear a sus proveedores de IA preguntas difíciles sobre estos temas. Brindamos información úil en el [AI Transparency Center de GitLab](https://about.gitlab.com/ai-transparency-center/) y en [nuestro artículo del blog sobre cómo crear una estrategia de IA que priorice la transparencia](https://about.gitlab.com/the-source/ai/building-a-transparency-first-ai-strategy-7-questions-to-ask-your-devops/). \n\nOtra medida de protección fundamental es la limitación de la cantidad de herramientas de IA independientes que se utilizan a lo largo del ciclo de desarrollo de software y en toda su organización. Cuantas más herramientas se utilicen, más complejidad se introducirá. Esto podría causar problemas operativos, desafíos de supervisión y plantear riesgos de seguridad. Además, el uso de varias herramientas también aumenta los gastos generales.\n\n## Mida el impacto de la IA\n\nMedir los cambios en la productividad y otras métricas clave es fundamental para [comprender plenamente el impacto de la IA en su organización](https://about.gitlab.com/the-source/ai/4-steps-for-measuring-the-impact-of-ai/). Por lo general, las organizaciones se interesan por la frecuencia con la que se envía el código a producción, las [cuatro métricas DORA](https://docs.gitlab.com/ee/user/analytics/dora_metrics.html) o el tiempo que se tarda en corregir los errores. Sin embargo, estos indicadores no ofrecen una visión global.\n\nEn GitLab, estandarizamos los flujos de trabajo dentro de nuestra estructura jerárquica de grupos y proyectos para medir el impacto de la IA. Esto significa que podemos pasar métricas de los equipos a las unidades de negocio y analizar esos resultados directamente en la interfaz de usuario.\n\nCuando se implementa la IA en esta estructura, observamos un aumento de la velocidad, incluido el tiempo que se tarda en resolver las vulnerabilidades y validar los revisores y las pruebas para las solicitudes de fusión, lo que a su vez acelera el proceso de revisión del código. Puede ver todas las etapas en GitLab, incluidas las dependencias, y el tiempo que tarda el equipo de desarrollo en completar cada una. Los paneles ilustran esa velocidad y facilitan el ajuste de la estrategia en función de los datos. Por ejemplo, puede decidir si desea lanzar software a producción o no.\n\n### Usos prácticos para un asistente de IA en el SDLC\n\nEstas son algunas formas prácticas de utilizar asistentes de IA como [GitLab Duo](https://about.gitlab.com/gitlab-duo/) a lo largo del ciclo de desarrollo de software.\n\n- **Redacción de descripciones de solicitudes de fusión:** automatice la creación de descripciones completas de solicitudes de fusión para capturar de forma rápida y precisa la esencia de la cadena de confirmaciones de una solicitud de fusión. La IA también puede identificar las tareas que faltan basándose en el código escrito y en la intención del ticket vinculado a la solicitud de fusión.\n\n- **Explicación del código en lenguaje natural:** los evaluadores de garantía de calidad pueden utilizar las explicaciones del código para comprenderlo de forma rápida y sencilla. Por ejemplo, si una solicitud de fusión incluye código escrito en Rust y un conjunto complejo de métodos, el evaluador de garantía de calidad puede seleccionar los métodos y recibir una explicación en lenguaje natural del propósito de la modificación. Esto le permite al evaluador de control de calidad escribir casos de prueba más adecuados que cubran no solo el funcionamiento correcto, sino también los posibles problemas.\n\n- **Análisis de causa raíz de los errores de pipelines:** si los pipelines en los que trabaja son cada vez más grandes e intenta refactorizar el código, podría romper algo. Esto puede ser difícil de solucionar, sobre todo si está ejecutando una serie de scripts de bash o una imagen de Docker desde los comandos internos de la imagen. Puede ejecutar los errores que reciba a través de la IA generativa. Esta le proporcionará una posible causa raíz y le recomendará una solución que puede copiar y pegar directamente en su trabajo de CI.\n\n- **Resolución de vulnerabilidades:** cuando se aplica la metodología de prueba shift left a la seguridad a toda prisa, los equipos de ingeniería tienen que convertirse rápidamente en expertos en seguridad. Gracias a la IA generativa, los ingenieros pueden acceder al chat para averiguar cuál es la vulnerabilidad, en qué parte del código se encuentra e incluso abrir una solicitud de fusión automatizada con una posible solución. Todas estas acciones se realizan en la ventana de desarrollo, sin tener que cambiar de contexto.\n\n## GitLab Duo: su solución integral para obtener funcionalidades de IA generativa de alto impacto\n\nEstamos creando GitLab Duo, nuestro creciente conjunto de herramientas de funcionalidades de IA para la plataforma de DevSecOps, a partir de potentes modelos de IA generativa y tecnologías de vanguardia de proveedores de hipernube. Actualmente, [GitLab Duo ofrece funcionalidades en las fases de disponibilidad general, beta y experimental](https://docs.gitlab.com/ee/user/ai_features.html), que van desde un asistente de código hasta un chat conversacional y explicaciones sobre vulnerabilidades. Cuando se utiliza de manera coherente a lo largo del ciclo de desarrollo de software, GitLab Duo permite aumentar 10 veces la velocidad del ciclo de vida. Como resultado, las empresas pueden hacer más con recursos limitados, y los empleados pueden centrarse en tareas de mayor valor.\n\nEl informe [Omdia Market Radar: AI-Assisted Software Development, 2023–24](https://learn.gitlab.com/devsecops-plat-ai/analyst-omdia-ai) considera que GitLab Duo es uno de los productos «más adecuados para el desarrollo de aplicaciones de calidad profesional». La firma de análisis destaca que su «asistencia impulsada por IA se integra en todo el pipeline del SDLC».\n\nEche un vistazo a las funcionalidades de GitLab Duo en acción:\n\n\u003C!-- blank line -->\n\u003Cfigure class=\"video_container\">\n  \u003Ciframe src=\"https://www.youtube.com/embed/s19nBOA2k_Y?si=qEcsZbpMChynYlfn\" frameborder=\"0\" allowfullscreen=\"true\">\u003C/iframe>\n\u003C/figure>\n\u003C!-- blank line -->","how-to-put-generative-ai-to-work-in-your-devsecops-environment","content:es:the-source:ai:how-to-put-generative-ai-to-work-in-your-devsecops-environment:index.yml","es/the-source/ai/how-to-put-generative-ai-to-work-in-your-devsecops-environment/index.yml","es/the-source/ai/how-to-put-generative-ai-to-work-in-your-devsecops-environment/index",[425,450],{"ai":368,"platform":375,"security":98},1758326288437]