ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1842)
http://www.aulavirtual.web.ve
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1843)
http://www.aulavirtual.web.ve
REVISTA CIENTÍFICA
AULA VIRTUAL
Director Editor:
La Revista seriada Científica Arbitrada e Indexada
Aula Virtual, es de acceso abierto y en formato
electrónico; la misma está orientada a la
divulgación de las producciones científicas creadas
por investigadores en diversas áreas del
conocimiento. Su cobertura temática abarca
Tecnología, Ciencias de la Salud, Ciencias
Administrativas, Ciencias Sociales, Ciencias
Jurídicas y Políticas, Ciencias Exactas y otras áreas
afines. Su publicación es CONTINUA, indexada y
arbitrada por especialistas en el área, bajo la
modalidad de doble ciego. Se reciben las
producciones tipo: Artículo Científico en las
diferentes modalidades cualitativas y cuantitativas,
Avances Investigativos, Ensayos, Reseñas
Bibliográficas, Ponencias o publicaciones
derivada de eventos, y cualquier otro tipo de
investigación orientada al tratamiento y
profundización de la información de los campos de
estudios de las diferentes ciencias. La Revista Aula
Virtual, busca fomentar la divulgación del
conocimiento científico y el pensamiento crítico
reflexivo en el ámbito investigativo.
• Dra. Leidy Hernández PhD.
• Dr. Fernando Bárbara
Consejo Asesor:
• MSc. Manuel Mujica
• MSc. Wilman Briceño
• Dra. Harizmar Izquierdo
• Dr. José Gregorio Sánchez
Revista Científica Arbitrada de
Fundación Aula Virtual
Email: revista@aulavirtual.web.ve
URL: http://aulavirtual.web.ve/revista
ISSN:
Depósito Legal:
País:
Año de Inicio:
Periodicidad:
Sistema de Arbitraje:
Licencia:
Volumen:
Número:
Año:
Período:
Dirección Fiscal:
2665-0398
LA2020000026
Venezuela
2020
Continua
Revisión por pares. “Doble Ciego”
Creative Commons CC BY NC ND
6
13
2025
Continua-2025
Av. Libertador, Arca del Norte, Nro.
52D, Barquisimeto estado Lara,
Venezuela, C.P. 3001
Generando Conocimiento
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1844)
http://www.aulavirtual.web.ve
MODELOS DE LENGUAJE EXTENSO (LLMS) PARA EL DESARROLLO ÁGIL DE
PROYECTOS: CASO E-COMMERCE
EXTENDED LANGUAGE MODELS (LLMS) FOR AGILE PROJECT DEVELOPMENT: E-
COMMERCE CASE
Tipo de Publicación: Articulo Científico
Recibido: 29/08/2025
Aceptado: 30/09/2025
Publicado: 23/10/2025
Código Único AV: e566
Páginas: 1(1842-1868)
DOI: https://doi.org/10.5281/zenodo.17425150
Autores:
Pedro Martin Lezama Gonzales
Ingeniero de Sistemas
Maestría en Ingeniería de Sistemas, mención en
Gestión de Tecnologías de la Información
Doctor en Ingeniería de Sistemas
https://orcid.org/0000-0001-9693-0138
E-mail: plezama@unfv.edu.pe
Afiliación: Universidad Nacional Federico
Villarreal
País: República del Perú
Máximo Zevallos León
Ingeniero Químico
Maestro en Gestión Ambiental
Aspirante a Doctor en Educación Superior
Doctorante en Ingeniería Ambiental
https://orcid.org/0000-0002-7769-3680
E-mail: mzevallos@unfv.edu.pe
Afiliación: Universidad Nacional Federico
Villarreal
País: República del Perú
Resumen
La inserción de la Inteligencia Artificial Generativa (GenAI) en la
gestión proyectos, sirve para fomentar la innovación, impulsar la
versatilidad y contribuir con el desarrollo sostenible, ya que mejora la
selección y priorización de proyectos, apoya a la oficina de gestión de
proyectos (PMO) (sean estas de apoyo, control o de directivas). Además
de la definición, planificación e informes de proyectos mejorados y más
rápidos, también el uso de asistentes virtuales de proyectos, los sistemas
y software de prueba avanzados lo que está generando un nuevo rol para
el director de proyectos. La gestión de proyectos ya no se trata
solamente de gestionar proyectos ahora se trata de dirigir a su
organización hacia un futuro definido por la tecnología inteligente y la
excelencia estratégica. En esta investigación, se lleva a cabo una
evaluación y comparación exhaustiva de diferentes LLMs (Sage,
Claude, ChatGPT y Bard) para el desarrollo ágil de un e-commerce. Se
analizaron y compararon los planes propuestos por estos modelos en
términos de eficacia, precisión y capacidad para adaptarse a los
requisitos cambiantes del proyecto.
Palabras Clave
Inteligencia Artificial Generativa (GenAI),
Oficina de Gestión de Proyectos (PMO), Large
Language Model (LLM), E-Commerce, GPT.
Abstract
The integration of Generative Artificial Intelligence (GenAI) in project
management fosters innovation, enhances versatility, and contributes to
sustainable development by improving project selection and
prioritization, supporting the Project Management Office (PMO)
(whether supportive, controlling, or directive). In addition to more
efficient and faster project definition, planning, and reporting, the use
of virtual project assistants and advanced testing systems and software
is creating a new role for project managers. Project management is no
longer just about managing projects; it is now about steering
organizations toward a future defined by smart technology and strategic
excellence. This research conducts a comprehensive evaluation and
comparison of different Large Language Models (LLMs) (Sage,
Claude, ChatGPT, and Bard) for the agile development of an e-
commerce platform. The plans proposed by these models were analyzed
and compared in terms of effectiveness, accuracy, and adaptability to
changing project requirements.
Keywords
Generative Artificial Intelligence (GenAI), Project
Management Office (PMO), Large Language Model
(LLM), E-Commerce, GPT.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1845)
http://www.aulavirtual.web.ve
Introducción
El desarrollo ágil se ha convertido en una
metodología fundamental para la entrega rápida y
efectiva de proyectos en diferentes industrias,
especialmente en los proyectos de e-commerce ya
que según eCommerce-Worldwide, entre el 50% -
70% de todos los proyectos de e-commerce
fracasan. En este escenario los LLMs brindan un
aporte significativo en un mercado tan cambiante y
dinámico.
Por ello el objetivo de este estudio es evaluar
como los diferentes LLMs, pueden mejorar el
desarrollo ágil de proyectos de e-commerce;
llevando para ello una comparación de 4
herramientas de Inteligencia Artificial Generativa
(GenAI) como Sage, Bard, ChatGPT, Claude-
Instant.
Los análisis propuestos por los 4 modelos de
LLMs permitió identificar que gestiones son las más
importantes y que contribuyeron a la toma de
decisiones, brindando a los equipos de desarrollo
una guía valiosa y práctica para la ejecución exitosa
del proyecto.
A lo largo de este estudio, se utilizarán
métricas y criterios de evaluación específicos para
comparar los diferentes LLMs. Además, se
considerarán casos de estudio reales de
implementaciones de desarrollo ágil en comercio
electrónico para enriquecer el análisis.
Al finalizar este estudio, se espera que los
resultados y conclusiones obtenidos brinden a los
profesionales de la gestión de proyectos y a las
organizaciones dedicadas al desarrollo e
implementación de proyectos de e-commerce una
base sólida para tomar decisiones informadas sobre
la elección y utilización de LLMs en el ámbito ágil.
Desarrollo
Inteligencia artificial (AI)
Aspectos generales
En la humanidad atravesamos la llegada de
una cuarta revolución industrial, que tiene la
tecnología inteligente como herramienta de éxito sin
precedentes. La incorporación de desarrollos como
la inteligencia artificial, Internet de las cosas,
conectividad 5G, bioingeniería, etc., avanzan a gran
velocidad en los diferentes ámbitos de la sociedad.
Esta transformación sin precedentes está
rediseñando desde cómo vivimos, trabajamos y nos
relacionamos, hasta el infinito de oportunidades y
retos que se nos presentan.
Alan Turing preguntaba en 1950: “¿Pueden
las máquinas pensar?”. objetivo que se propondrá
más adelante. Como relata John McCarthy en 1956,
la informática se ocupa de que las computadoras se
comporten como humanos. Para Marvin Minsky, en
"la IA es la ciencia de hacer máquinas que hagan
cosas que requiere inteligencia como si las hicieren
los hombres" (Fajardo, 2021).
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1846)
http://www.aulavirtual.web.ve
¿Qué es la inteligencia?
La noción tradicional de la inteligencia,
entendida como una capacidad que se puede medir
o un conjunto de habilidades específicas, había
llevado a la mayoría de los planteamientos clásicos
a considerar la inteligencia asociada sólo a las
habilidades cognitivas. Pero en oposición a estos
planteamientos que podríamos calificar de
reduccionistas, Gardner nos anuncia una propuesta
diferente y, hasta cierto punto, difícil de aceptar, que
considera las inteligencias múltiples, lo que nos
lleva a revisar la inteligencia más allá de los
aspectos cognitivos.
Según Gardner, la inteligencia no puede ser
descifrada sólo tomando en cuenta una única
dimensión. Todo lo contrario, él propone que las
inteligencias múltiples van acompañadas también
de las características y prestaciones de cada una de
ellas. Las inteligencias son las que poseen también
no sólo aspectos cognitivos como el razonamiento
lógico o matemático, sino también habilidades
emocionales, sociales, creativas o físicas.
Según Gardner, las capacidades cognitivas de
los humanos las clasifica en ocho tipos de
inteligencias diferentes, éstas son; la inteligencia
verbal-lingüística, la lógico-matemática, la corporal
cinestésica, la visual-espacial, la musical-rítmica, la
interpersonal-social, la intrapersonal-introspectiva,
y, posterior a estos percibimientos añadió una
octava para denominarla la inteligencia naturalista
(Mercadé, 2019).
¿Qué es la inteligencia artificial?
La inteligencia artificial se plantea también
como una posible manera de replicar la inteligencia
humana, y construir sistemas que fueran en parte
autónomos, que fuesen capaces de aprender de las
experiencias pasadas de forma autónoma y que
pudieran ir mejorando, de algún modo, en el tiempo.
John McCarthy, un gran científico de la
computación, fue uno de los precursores en acuñar
el término inteligencia artificial y un autor que dilató
a través de la conferencia de Dartmouth en 1956, los
fundamentos para su disciplina y de este modo fue
una de las personas que dio pie a este tipo de
estudios en la inteligencia humana. La investigación
de la inteligencia artificial se ha convertido en la
actualidad en un campo interdisciplinario, donde
deben abocarse una serie de campos (Sanabria et al.,
2023).
La inteligencia artificial está en evolución, ya
no en términos tecnológicos sino en la utilización de
esta tecnología en diversas esferas; se convirtió en
un campo que permite realizar ciertas actividades,
categorizables desde la industria, pasando por la
investigación científica. Pero también va
ofreciéndonos problemas éticos y sociales cuales la
toma de decisiones éticas, los problemas de las
arenas como la confidencialidad y privacidad de los
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1847)
http://www.aulavirtual.web.ve
posibles datos y el impacto en el empleo (Dharma et
al., 2023).
Relación existente de la IA, Aprendizaje máquina
y Aprendizaje profundo
Se dice que la inteligencia artificial es el área
general que contiene tanto el aprendizaje de
máquina como el aprendizaje profundo, ya que el
aprendizaje profundo está dentro del aprendizaje de
máquina y este se encuentra dentro de la inteligencia
artificial (Haleem, 2023). Tal y como se observa en
la Figura 1, la relación que existe entre las mismas
es la siguiente:
Figura 1. Relación entre IA, Aprendizaje máquina y
Aprendizaje profundo (Huawei, 2021)
El aprendizaje de máquina es simplemente
una subdisciplina del área de la inteligencia artificial
que tiene como objetivo elaborar algoritmos y
modelos que permiten a las computadoras realizar
procesos de aprendizaje que producen decisiones
basadas en datos, pero sin ser –dichas
computadoras– programadas de manera explícita.
Este aprendizaje de máquina es el área dedicada a
cómo las máquinas pueden aprender y adquirir
talento a partir de la experiencia, así como a partir
del procesamiento de grandes conjuntos de datos.
El aprendizaje profundo es una subdisciplina
específica del aprendizaje de máquina, el cual tiene
como referente el funcionamiento del cerebro de los
seres humanos y que utiliza principalmente redes
neuronales de estructuras complejas. En este caso,
el aprendizaje profundo utiliza múltiples capas de
redes neuronales para procesar datos complejos,
como son las imágenes, los sonidos o los textos.
El aprendizaje profundo trata de obtener
características de los datos, así como patrones
significativos en ellos, que posteriormente son
utilizados para el reconocimiento de imágenes, para
el procesamiento de lenguajes naturales, así como
para el procesamiento del reconocimiento de voz,
etc. (Dharma, 2023).
Para resumirlo sería posible afirmar que el
machine learning es un elemento esencial de la AI
que se encarga del desarrollo de algoritmos de
machine learning, pero el deep learning sería una
técnica concreta en el interior del machine learning
que se basa en redes neuronales profundas para
modelar y hacer interpreta los datos complejos.
Tres principales escuelas de pensamiento
Simbolismo
El proceso cognitivo de los humanos es el
proceso de inferencia y operación de varios
símbolos. Un ser humano es un sistema de símbolos
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1848)
http://www.aulavirtual.web.ve
físicos, al igual que una computadora. Las
computadoras, por lo tanto, pueden ser utilizadas
para tratar de simular el comportamiento inteligente
de los humanos.
El núcleo de la AI reside en la representación
del conocimiento, la inferencia del conocimiento y
la aplicación del conocimiento. El conocimiento y
los conceptos pueden ser representados con
símbolos. La cognición es el proceso de
procesamiento de símbolos mientras que la
inferencia hace referencia al proceso de resolución
de problemas utilizando el conocimiento heurístico
y la búsqueda. Representante del simbolismo:
inferencia, incluida la inferencia simbólica y la
inferencia automática.
Conexionismo
La base del pensamiento son las neuronas más
que el proceso de procesamiento de símbolos. Los
cerebros humanos varían de las computadoras. Se
propone un modo de trabajo de computadora basado
en conexiones para reemplazar el modo de trabajo
de computadora basado en una operación simbólica.
Representan el conexionismo, las redes neuronales
y el aprendizaje profundo.
Comportamiento
La inteligencia depende de la percepción y la
acción. Se propone el modo de percepción-acción
del comportamiento inteligente. La inteligencia no
requiere conocimiento, representación o inferencia.
La IA puede evolucionar como la inteligencia
humana. El comportamiento inteligente sólo puede
demostrarse en el mundo real a través de la
interacción constante con el entorno circundante.
Representante del comportamiento: Control del
comportamiento, adaptación y computación
evolutiva.
Tipos de inteligencia artificial
IA Fuerte
La visión de IA fuerte sostiene que es posible
crear máquinas inteligentes que realmente puedan
razonar y resolver problemas. Tales máquinas se
consideran conscientes y autoconscientes, pueden
pensar independientemente sobre los problemas y
buscar soluciones óptimas a los problemas, tienen
su propio sistema de valores y visiones del mundo,
y tienen todos los mismos instintos que los seres
vivos, tales como las necesidades de supervivencia
y seguridad. Puede ser considerado como una nueva
civilización en cierto sentido.
IA Débil
La visión de la IA débil sostiene que las
máquinas inteligentes realmente no pueden razonar
y resolver problemas. Estas máquinas sólo parecen
inteligentes, pero no tienen inteligencia real o
autoconciencia.
LLM
Un LLM (Large Language Model por sus
siglas en inglés) es un tipo de modelo de lenguaje de
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1849)
http://www.aulavirtual.web.ve
inteligencia artificial diseñado para comprender y
generar texto en lenguaje humano (Shanahan,
2023). Utiliza técnicas de aprendizaje automático
para aprender patrones y estructuras del lenguaje a
partir de grandes cantidades de datos de
entrenamiento, de aquí su inicial L por large.
MLL. Revisión de modelos de lenguaje avanzados
Las metodologías de tipo ágil para la gestión
de proyectos de software han venido constituyendo
un método popular con centro en la colaboración, en
la flexibilidad y en la adaptación continua, ya que
permiten a los equipos de desarrollo reaccionar de
forma efectiva a los cambios y ofrecer productos de
calidad, incluso con un tiempo de entrega reducido.
En este caso, los LLM (Lenguajes de Modelado de
Lógica) son un componente importante y permiten
proporcionar un marco para la especificación
precisa de los requisitos, el diseño del sistema y la
verificación de propiedades críticas y, en este
sentido, su implicación en la celebración de las
metodologías ágiles es importante (Tikayat, 2023).
MLL más usados
A continuación, mostramos una explicación
detallada de cada modelo de lenguaje en un punto
aparte, incluyendo su mecanismo, arquitectura,
modelo estadístico, aplicaciones destacadas y casos
de éxito conocidos:
BERT:
Se trata de un tipo de modelo de lenguaje, y se
propone una arquitectura de Transformer y un
entrenamiento pre-entrenado y luego ajustado. Este
modelo puede tener la capacidad de entender el
contexto de una palabra a partir de la información
que proviene de las palabras precedentes y
siguientes a lo largo de una oración.
1. Así funciona: BERT utiliza la arquitectura de
Transformer y un entrenamiento pre-entrenado
y después afín; la principal singularidad de
BERT es que puede comprender el contexto de
la palabra mediante el hecho de que tiene en
cuenta las palabras anteriores y las palabras
siguientes a lo largo de una oración.
2. Arquitectura: BERT utiliza una red neuronal
basada en la arquitectura de Transformer, con lo
que es capaz de atender relaciones a distancia en
el texto.
3. Modelos estadísticos: El sistema de BERT es
capaz de utilizar aprendizaje a partir de la
atención y procedimientos de entrenamiento no
supervisados para poder generar
representaciones de palabras contextualizadas.
4. Aplicaciones más exitosas: BERT se
implementó para tareas de procesamiento del
lenguaje natural tales como búsquedas
semánticas, preguntas y respuestas, análisis de
sentimientos o clasificación de textos, entre
otros.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1850)
http://www.aulavirtual.web.ve
5. Casos de éxito: BERT ha utilizado en muchas
aplicaciones y también ha tenido éxito en
competiciones como por ejemplo SQuAD donde
los resultados de BERT mejoraron el
rendimiento humano en la tarea de preguntas y
respuestas.
GPT-3:
Modelo de lenguaje que se entrena utilizando
machine learning y grandes conjuntos de datos en
formato textual. Es capaz de generar texto coherente
y relevante en complemento a una entrada de texto
dada.
1. Mecanismo: GPT-3 es un modelo de lenguaje
que se entrena utilizando deep learning y
grandes conjuntos de datos textuales, capaz de
generar texto coherente y relevante en
complemento a una entrada de texto dada.
2. Estructura: GPT-3 se basa en una arquitectura
Transformer para procesar y comprender texto
en base a palabras o incluso oraciones
completas.
3. Modelado estadístico: GPT-3 utiliza un modelo
de aprendizaje no supervisado a fin de describir
patrones y estructuras que existen en el conjunto
de datos de entrenamiento usado, capaz de
generar texto de manera generativa.
4. Aplicaciones destacadas: GPT-3 ha sido
utilizado en aplicaciones como traducción
automática, asistencia al cliente utilizando
chatbots o generación de contenido como
escritura asistida.
5. Casos de éxito: GPT-3 ha evidenciado su
capacidad de generar texto de forma relevante
en casos como, por ejemplo, generación de
noticias y artículos o generación de diálogos
realistas en chatbots.
XLNet:
1. Modelo de Lenguaje: Este es un modelo de
lenguaje que resuelve el problema de la
bidireccionalidad de otros modelos al
desordenar el texto de entrada y permitir que el
modelo aprenda a predecir cualquier palabra en
cualquier lugar del texto. Utiliza una
arquitectura tipo Transformer y un enfoque de
aprendizaje no supervisado.
2 Mecanismo: XLNet es un modelo de lenguaje
que corrige el modelo de lenguaje a través de la
permutación del texto de entrada y permite que
el modelo aprenda a predecir las palabras en
cualquier posición, evitando la limitación que
presenta la bidireccionalidad en otros modelos.
3 Arquitectura: XLNet utiliza una arquitectura de
tipo Transformer y una técnica conocida como
la permutación de tokens para poder modelar la
dependencia existente entre todas las posiciones
del texto.
4 Modelado estadístico: XLNet adopta un enfoque
de aprendizaje no supervisado y un método de
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1851)
http://www.aulavirtual.web.ve
máxima verosimilitud para poder hacer
predicción de las palabras desordenadas en el
texto de entrada.
5 Casos de uso: XLNet se ha utilizado en tareas
del procesamiento del lenguaje natural.
BARD:
BARD LLM es un método de entrenamiento
para los modelos de lenguaje que establece un
mecanismo, que también es conocido como la
destilación de conocimiento bidireccional. Este
modelo se apoya en la arquitectura de las Redes
Neuronales de tipo Transformer y se entrena de
forma previa a la cual se le efectúa su ajuste. El
modelo BARD LLM presenta la capacidad de
familiarizarse con el contexto de una palabra
considerando información de las palabras anteriores
o igualmente de las posteriores a ella en una oración
determinada.
Al igual que BERT, BARD LLM también
explora en su seno una red neuronal que se basa en
la arquitectura de la red de tipo Transformer, esto lo
que hace es que permite captar relaciones en el texto
incluso aunque estén a larga distancia. Este modelo
se apoya en técnicas de aprendizaje basado en la
atención y aprendizaje no supervisado para generar
representaciones de las palabras que estén bien
contextualizadas.
Se aplica a diferentes tareas de procesamiento
del lenguaje natural como preguntas y respuestas, la
clasificación del texto, el análisis de sentimientos o
bien la búsqueda semántica. En las competencias ha
tenido resultados destacados, donde incluso ha
alcanzado rendimientos en el análisis de preguntas
y respuestas superiores a los alcanzados por
humanos en los mismos ángulos.
ELMo (Embeddings from Language Models)
Utiliza representaciones contextuales para
capturar el significado de una palabra en función de
su contexto en una oración o un texto más largo. Se
basa en redes neuronales recurrentes bidireccionales
para generar representaciones contextuales de
palabras.
1. Mecanismo: ELMo utiliza representaciones
contextuales para capturar el significado de una
palabra en función de su contexto en una oración
o un texto más largo. Incorpora información
contextualizada para generar vectores de
palabras.
2. Arquitectura: ELMo utiliza una red de redes
neuronales recurrentes bidireccionales para
generar representaciones contextuales de
palabras.
3. Modelo estadístico: ELMo utiliza aprendizaje
supervisado y se entrena para generar vectores
de palabras que capturan el significado y la
variabilidad contextual de las palabras.
4. Aplicaciones destacadas: ELMo se ha utilizado
en análisis de discurso, procesamiento del
lenguaje en entornos médicos y otras tareas
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1852)
http://www.aulavirtual.web.ve
donde se tiene que hacer un mejor
entendimiento del significado contextual de las
palabras.
5. Casos de éxito: ELMo ha sido utilizado con
éxito para tareas de procesamiento del lenguaje
natural como la resolución de correferencia y la
detección de intenciones en diálogos.
Transformer-XL:
Es un modelo de lenguaje basado de nuevo en
la arquitectura Transformer en el que se incorpora
una memoria relativa para capturar relaciones de
largo alcance y mantener información contextual a
largo plazo.
1. Mecanismo: Transformer-XL aborda la
limitación de la longitud de contexto con la
incorporación de la memoria para recordar y
utilizar contextos que son más largos.
2. Arquitectura: Transformer-XL se basa en
Transformer y con la memoria relativa permite
capturar relaciones de largo alcance en el texto,
así como permitir mantener información
contextual a largo plazo.
3. Modelo estadístico: Transformer-XL utiliza el
aprendizaje no supervisado y la máxima
verosimilitud para entrenar el modelo y generar
representaciones contextualizadas de palabras.
4. Aplicaciones: Transformer-XL ha sido utilizado
en tareas como Language modeling Long-
Range, la generación de código y la lectura
contextual.
5. Casos de éxito: Transformer-XL ha demostrado
su potencial en la generación de texto coherente
y en la comprensión de relaciones de largo
alcance, aunque no hay casos exitosos.
SAGE:
El SAGE LLM se entiende como "Semi-
supervised Adaptive Generative Encoder Language
Model", es un modelo que fusiona técnicas de semi-
supervisión, generación de lenguaje y codificación
adaptativa. A continuación, se presenta un resumen
de SAGE LLM:
1. Mecanismo: El SAGE LLM aplica una
arquitectura de modelo de lenguaje basada en la
generación de texto y aprendizaje semi-
supervisado. Se aprecian técnicas de
codificación adaptativa y generación de
lenguaje para hacer la comprensión y la
explicación del texto coherente.
2. Aprendizaje semisupervisado, es decir, el SAGE
LLM utiliza ambos tipos de datos, los datos
etiquetados y los no etiquetados para el
entrenamiento. De esta forma se lleva a cabo una
mejor captura de la diversidad y riqueza del
lenguaje.
3. Generación de lenguaje, es decir, el SAGE LLM
genera texto de forma coherente y verosímil
usando técnicas de generación de lenguaje, o lo
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1853)
http://www.aulavirtual.web.ve
que es lo mismo, genera texto que cumple con
las convenciones y características del lenguaje
humano.
4. Codificación adaptativa, es decir, el SAGE LLM
utiliza una técnica denominada codificación
adaptativa, que permite que un modelo responda
y se adapte a diferentes contextos y estilos de
lenguaje, permitiendo generar/explicar y/o
comprender texto adaptado a la forma de hablar
y a la intención deseadas.
Claude LLM
Claude LLM es un modelo de lenguaje
diseñado por OpenAI. Utiliza arquitectura
Transformer y utiliza un enfoque de aprendizaje
automático supervisado para generar
representaciones de texto contextualizadas. Claude
LLM se entrena con alto volumen de texto y es
capaz de comprender y producir texto.
Este modelo de lenguaje se usa en
aplicaciones de generación de texto, traducción
automática, análisis de sentimientos, y más. Claude
LLM se ha distinguido por su capacidad de capturar
relaciones de largo plazo en el texto y de producir
resultados de alta calidad en tareas del lenguaje
Modelo
Creador
Fecha
Creación
Aplicaciones
Casos de Éxito
BERT
Google
AI
2018
Preguntas y respuestas, análisis de
sentimientos, clasificación de texto,
búsqueda semántica
Superó el desempeño humano en
SQuAD (análisis de preguntas y
respuestas)
GPT-3
OpenAI
2020
Traducción automática, asistencia al
cliente mediante chatbots,
generación de contenido
Ampliamente utilizado en generación
de texto y casos de éxito en
generación de noticias y diálogos
realistas
XLNet
Google
AI
2019
Resumen de texto, traducción
automática, análisis de sentimientos
Mejoras en tareas de procesamiento
del lenguaje natural, sin casos de
éxito específicos conocidos
ELMo
Allen
Institute
2018
Análisis de discurso, procesamiento
del lenguaje en entornos médicos
Aplicaciones exitosas en resolución
de correferencia y detección de
intenciones en diálogos
Transformer-
XL
Google
AI
2019
Modelado de lenguaje a largo plazo,
generación de código, comprensión
de texto en contextos amplios
Mejorar la generación de texto y
comprensión de relaciones a largo
plazo en el texto
Sage
Google
AI
2022
Traducción de idiomas, escritura
creativa, escritura de diferentes tipos
de contenido creativo, respuesta a
preguntas de manera informativa
Respuestas precisas, consistentes y
relevantes a preguntas abiertas,
desafiantes y extrañas.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1854)
http://www.aulavirtual.web.ve
Tabla 1. Modelos de Lenguaje
Posibles aplicaciones
Los LLM más empleados en la aplicación de
metodologías ágiles incluyen:
1. Permiten especificar de manera formal los
requisitos y el diseño de sistemas. Proporcionan
notaciones gráficas y semánticas precisas que
ayudan a los equipos ágiles a comunicarse y
colaborar de manera efectiva en la definición y
el refinamiento de los requisitos del proyecto.
2. Lenguajes de modelado de procesos: Estos
lenguajes, como el BPMN y el Event-driven
Process Chain (EPC), permiten modelar y
analizar los procesos de negocio dentro de un
proyecto ágil. Facilitan la visualización y
comprensión de los flujos de trabajo, la
identificación de dependencias y cuellos de
botella, y la optimización de los procesos.
3. Lenguajes de establecimiento de propiedades:
Este tipo de lenguajes (por ejemplo, el Lenguaje
para Especificar Modelos (MSL) y el Lenguaje
para Especificar y Verificar Modelos (MVL)),
son lenguajes que se utilizan para establecer
propiedades del sistema que sean relevantes o
críticas, como por ejemplo la seguridad, la
integridad, el rendimiento, etc. Aceptan la
posibilidad de hacer formales verificaciones y
analizar los modelos para asegurar que el
sistema concreto cumpla con estas propiedades
en todas las etapas del desarrollo.
Prompt
Un Prompt se puede entender como una breve
unidad de texto que es visualizada en pantalla de
nuestro ordenador, en el instante en el que un
usuario de un equipo abre una terminal o consola de
su ordenador.
A efectos de procesamiento del lenguaje
natural un prompt tendrá la finalidad de ayudar a
guiar al modelo de tal forma que puede ayudar al
inicio de la generación de texto o bien al inicio de la
realización de una tarea determinada. En ese sentido
el prompt puede ser la formulación de una frase
completa, una oración incompleta o incluso una
palabra o frase muy corta que se usa como punto de
partida o inicio para la generación de texto (Wang et
al., 2023).
Bard
Google
AI
2023
Traducción de idiomas, escritura
creativa, escritura de diferentes tipos
de contenido creativo, respuesta a
preguntas de manera informativa
Respuestas precisas, consistentes y
relevantes a preguntas abiertas,
desafiantes y extrañas.
Claude-
Instant
OpenAI
2023
Traducción de idiomas, escritura
creativa, escritura de diferentes tipos
de contenido creativo, respuesta a
preguntas de manera informativa
Respuestas precisas, consistentes y
relevantes a preguntas abiertas,
desafiantes y extrañas.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1855)
http://www.aulavirtual.web.ve
Gestión de proyectos
La dirección de proyectos en el desarrollo de
software se refiere al control, la planificación, la
organización y la verificación de todas las
actividades necesarias para realizar un software que
va desde la idea inicial hasta su entrega final. Es una
disciplina que se apoya sobre enfoques y
metodologías estructuradas para conseguir que el
software sea realizado con eficiencia, dentro del
presupuesto, y de acuerdo con lo que se requiere por
parte del cliente. En este trabajo se dan a conocer el
significado de los principales conceptos de la
dirección de proyectos en el desarrollo de software
y algunos autores referenciados dentro de este
ámbito (Mishra & Alzoubi, 2023).
La dirección de proyectos de software está
constituida de diferentes fases; la primera de ellas es
la definición del ámbito y de los objetivos del
proyecto. Así, esta implica identificar los requisitos
del software que se desea construir, determinar los
recursos que son necesarios, elaborar un plan de
trabajo detallado, etc. A esta fase le corresponde
fijar una estructura de desglose del trabajo e incluir
un plan cronológico que determine la organización
del trabajo a realizar y la verificación del avance que
se va logrando en el proceso del proyecto.
En la gestión de proyectos, una vez definido
el plan, incluye la asignación de los recursos, la
coordinación de las actividades y el seguimiento del
equipo de desarrollo. Ello implica la comunicación
eficaz, la gestión de riesgos y de los cambios, el
seguimiento del avance del proyecto en relación a
los hitos y objetivos definidos. Asimismo, la gestión
de proyectos incluye la gestión de las expectativas
de los grupos de interés y la resolución de conflictos,
a fin de garantizar un entorno de trabajo
colaborativo y productivo.
Gestión de proyectos ágil
La gestión de proyectos ágiles en el desarrollo
de software es un enfoque colaborativo y flexible
que se centra en la entrega de valor de manera rápida
y continua. Contrariamente a los enfoques de
gestión de proyectos más tradicionales, las
metodologías ágiles se basan en la adaptabilidad, la
colaboración y la rápida respuesta ante cambios.
Este artículo explicará cuáles son los conceptos
clave de la gestión de proyectos ágiles en el
desarrollo de software, y al mismo tiempo, resaltará
ciertas referencias para complementar este campo
de conocimiento (Marnada et al., 2021).
La gestión de proyectos ágiles se fundamenta
en cuatro valores básicos y doce principios que se
establecen en el Manifiesto Ágil, los cuales
propician la adecuada comunicación cercana de los
miembros del equipo, la correcta forma de colaborar
con los stakeholders y la recepción constante y
rápida ante cambios. Además, los proyectos ágiles
son llevados a cabo en iteraciones cortas y con rango
predefinido, es decir, en sprints, donde se planifican,
desarrollan y prueban incrementos de software que
son funcionales.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1856)
http://www.aulavirtual.web.ve
En el ámbito de la gestión de proyectos ágiles
se utilizan distintas metodologías, pero las más
relevantes son Scrum y Kanban. Scrum es una
metodología basada en equipos autoorganizados
que trabajan en sprints y se apoyan en reuniones
diarias de seguimiento, revisión y retrospectiva para
mejorar el proceso. En cambio, Kanban es una
metodología más sencilla en la que se visualiza el
flujo de trabajo en un tablero y se limita el trabajo
en curso para facilitar la mejora de la eficiencia
(Kadenic et al., 2023).
Algunos de los elementos clave de la gestión
de proyectos ágiles incluye la priorización de los
ítems del backlog en función del valor de negocio,
las entregas frecuentes de incrementos de software
funcional, las retroalimentaciones constantes desde
el lado de los stakeholders así como la mejora
continua del proceso. La comunicación y la
coordinación son básicas en el éxito de los proyectos
ágiles, ya que potencian las decisiones conjuntas y
aceleran la resolución de los problemas.
E-Commerce
El comercio electrónico o e-commerce, ha
crecido en gran medida durante las últimas décadas
de la centuria XX. El comercio electrónico o e-
commerce, de forma análoga a la evolución de la
tecnología digital, el Internet y los dispositivos
móviles, se ha definido como la forma que engloba
la definición y desarrollo de las transacciones
comerciales a través del medio en línea.
Entendemos por comercio electrónico la forma de
efectuar la compra de productos y de servicios de
manera online, de manera que puedan efectuarse
pagos electrónicos por una gran variedad de
opciones de compra de bienes y de servicios desde
el hogar de cada consumidor.
El e-commerce ha transformado la forma de
hacer negocios de las empresas con respecto a sus
consumidores finales, así como de los consumidores
finales que efectúan las compras. Su condición es
importante porque permite la explotación de los
mercados geográficos, controla los costes, las
barreras de la entrada, etc., la accesibilidad y la
conveniencia de los consumidores finales, etc.
También el crecimiento del e-commerce es
sobresaliente, pues las cifras de ventas por Internet
no cesan de aumentar a escala mundial.
El comercio electrónico ha modificado las
maneras en las que las empresas se comunican con
los consumidores, así como la manera en la que los
consumidores efectúan sus compras. Lo importante
del comercio electrónico viene dado por varios
motivos: la extensión de los mercados geográficos,
la reducción de costes y de barreras de entrada; la
facilitación del acceso y el confort para los
consumidores, entre otros muchos. Por otro lado, el
crecimiento del comercio electrónico es altísimo,
con cifras de ventas que se van incrementando de
forma continua a nivel internacional.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1857)
http://www.aulavirtual.web.ve
Tendencias del E-commerce
Crecimiento Global del E-commerce
El fenómeno del comercio electrónico ha
emergido de manera continuada en todo el mundo
durante los últimos años. Las cifras de ventas online
han llegado a ser cada vez más considerables y, por
otro lado, hay un número en creciente aumento de
consumidores que se decantan por la realización de
compras online por medio del comercio electrónico.
A continuación, se describirán las cifras estadísticas
del comercio electrónico y las previsiones sobre el
crecimiento que previsiblemente tendrá el mismo,
así como su impacto a nivel macroeconómico, así
como a nivel del funcionamiento de las empresas.
Mobile Commerce (M-commerce)
El M-commerce o comercio basado en
móviles, se ha erguido como una tendencia muy
significativa dentro del e-commerce. Por la
creciente cantidad de usuarios UI (interfaz usuario)
móviles, los consumidores pueden ejercer el
derecho a comprar en línea valiéndose de sus
smartphones o tablets. Para poder ofrecer
experiencias de compra móvil optimizadas, se
estudiará de qué manera se ha transformado la
relación de los consumidores con el e-commerce y,
por otro lado, la manera en que los comercios han
tenido que calibrar la forma de comercializar sus
productos.
Comercio Social
El comercio en red se manifiesta como la
combinación de las plataformas de comercio
electrónico en red dentro de las plataformas de e-
commerce. En el comercio electrónico los
consumidores, ya pueden descubrir productos,
compartir recomendaciones o, incluso, finalizar sus
pedidos. Se mostrará cómo el comercio en red ha
ayudado a la relación de los consumidores al e-
commerce y de qué manera las empresas pueden
utilizar la red para aumentar sus ventas en línea.
E-commerce Omnicanal
El E-commerce Omnicanal alude a la
integración y a la completa sincronización de los
múltiples canales de venta, tanto en línea como
fuera de línea. Los consumidores esperan tener una
experiencia de compra digna de ser creída y
coherente en todo canal vendido, lo que obliga a las
compañías a integrar su plataforma online con sus
tiendas y sus canales de venta. El contenido del texto
considera analizar las ventajas del E-commerce
Omnicanal, las desventajas y las maneras de
lograrlo.
Otras Tendencias Emergentes
Junto a las tendencias previamente
mencionadas encontramos también otras que
emergen y que son dignas de saberlas. Incluyen el
uso de IA y Machine Learning para la
personalización de las experiencias de compra; la
adopción de tecnologías de realidad aumentada y
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1858)
http://www.aulavirtual.web.ve
realidad virtual para la mejora de la visualización de
los productos; la utilización de nuevas formas de
pago, etcétera.
En definitiva, se analizará las tendencias más
relevantes del e-commerce, desde el crecimiento
global hasta la influencia del M-commerce, la
conexión con el Social Commerce y la conveniencia
del E-commerce Omnicanal. Conociendo las
tendencias, las empresas pueden adecuarse a las
oportunidades que ofrece la atmósfera del e-
commerce en la que se aprecian continuos cambios.
Un Language Model (LLM) en el e-commerce
es un modelo de lenguaje avanzado, que tiene un
gran tamaño y se utiliza para resolver problemas que
se aplican en el e-commerce. Los LLM son el
modelo de AI, como en el caso de GPT-3 OpenAI,
donde los modelos de AI saben entender el texto y
producir textos en el lenguaje natural con alta
coherencia y contexto.
En el ámbito del e-commerce, un LLM se
puede aprovechar para las aplicaciones que se
describen a continuación:
1. Generación de descripciones de productos: Los
LLMs asisten en la generación de descripciones
de productos en línea que sean detalladas y
atractivas para los usuarios, aumentando las
probabilidades de compra.
2. Atender preguntas y necesidades de usuarios:
Un LLM puede ser entrenado para responder
preguntas frecuentes de los usuarios contestando
en tiempo y forma de una manera útil y precisa.
3. Personalización y recomendaciones: Los LLMs
son capaces de descubrir patrones en datos de
usuarios, en historiales de compra, o
preferencias de usuarios para proporcionar
recomendaciones de productos personalizados
que mejoren la experiencia de compra mientras
los usuarios están conformes con la recepción de
las recomendaciones.
4. Análisis del sentimiento: Los LLMs pueden
procesar opiniones de los usuarios o
comentarios que los usuarios han dejado en los
cuales pueden analizar el sentimiento y
satisfacción de los usuarios para que las
empresas sean capaces de ayudarles en la
detección de potenciales áreas de mejora, o las
empresas pueden tomar decisiones estratégicas.
5. Generación de contenido para marketing: Los
LLMs pueden ayudar a generar el contenido
para campañas de marketing, como pueden ser
las copys de anuncios, emails promocionales, o
publicaciones en las redes sociales optimizando
así la comunicación entre las empresas y los
usuarios.
6. Traducción automática: Los LLM pueden ser
entrenados en varios idiomas y utilizados para
traducir automáticamente descripciones de
productos, preguntas de clientes y otros
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1859)
http://www.aulavirtual.web.ve
contenidos relevantes para el comercio
electrónico, facilitando las transacciones
internacionales.
Revisión de la literatura
Dentro de nuestra investigación abordamos el
uso de LLM (Large Language Models) para obtener
respuestas basadas en un prompt, que refiere a la
entrega de un plan de proyectos ágiles para el
desarrollo de un producto (Ecommerce), nos
enfocamos en los LLM ya que han demostrado
notables habilidades de aprendizaje y
razonamiento, lo que los hace prometedores
como controlador para seleccionar, sintetizar y
ejecutar modelos externos para resolver tareas
complejas; además el uso de LLM para solucionar
problemas específicos tiene mucho aún por
entregar, ya que podemos obtener mejores
resultados a través de la manipulación de varios
modelos expertos de dominio. Esto se propone bajo
un enfoque LLM+RLTF (Reinforcement Learning
from Task Feedback), que combina LLM con
aprendizaje reforzado para optimizar el desempeño
en la resolución de tareas (Ge et al., 2023).
En 2014 se publicó un artículo que desafiaba
las ideas convencionales en el campo de la
inteligencia artificial (IA) y sigue siendo innovador
hasta hoy. Nos referimos a las redes generativas, las
cuales para la mayoría de las personas resultan
misteriosas y nos acercan al mundo de la ciencia
ficción.
Estas redes tienen la capacidad de generar
texto como si estuviéramos teniendo una
conversación con ellas, así como también pueden
crear imágenes bajo solicitud. Algunas de estas
redes incluso pueden realizar ambas tareas
simultáneamente (Goodfellow et al., 2014).
Estas redes generativas son enigmáticas y nos
sumergen en un terreno cercano a la ciencia ficción,
ya que tienen la asombrosa capacidad de producir
texto que parece provenir de una conversación con
ellas, así como de generar imágenes a pedido.
Incluso algunas de estas redes tienen la habilidad de
combinar ambas capacidades simultáneamente. A
partir de octubre de 2022, ha surgido un creciente
interés en estas redes generativas, especialmente en
aquellas que pueden extrapolar características de los
datos u objetos con los que trabajan y crear nuevos
objetos similares. Ejemplos notables incluyen
DALL-E 2 y chatGPT (Martínez & Bravo, s.f).
Tomamos como referencia “ChatGPT and
large language model (LLM) chatbots: The current
state of acceptability and a proposal for guidelines
on utilization in academic medicine”, porque
resumen pautas a seguir para el uso de
ChatGPT/LLM en el mundo académico.
1. ChatGPT o LLM no deben citarse como autor en
manuscritos científicos.
2. Si se considera el uso de ChatGPT o LLM para
trabajos académicos, los autores deben tener al
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1860)
http://www.aulavirtual.web.ve
menos un conocimiento básico de lo que es
ChatGPT o LLM.
3. No use ChatGPT o LLM para producir la
totalidad del texto en los manuscritos; los
humanos deben ser responsables del uso de
ChatGPT o LLM y los contenidos creados por
ChatGPT o LLM deben ser editados y
verificados meticulosamente por humanos.
4. ChatGPT o LLM se pueden usar para editar y
refinar el texto.
5. Cualquier uso de ChatGPT o LLM debe ser
transparente y debe estar claramente descrito en
los manuscritos científicos y reconocido.
Metodología
Revisión de la literatura
El diseño del prompt ha seguido la técnica
Zero-Shot(0S) comprensión por cadena de
conocimiento, donde no se permiten
demostraciones, se le solicita al modelo que el
resultado sea paso a paso y solo se le entrega una
instrucción en lenguaje natural describiendo la
tarea. Se seleccionó esta técnica para evitar que los
modelos inclinen sus respuestas por una
demostración entregada como la realizan las
técnicas one-shot y few-shots, ejemplo del prompt.
Pretende ser un experto en la gestión ágil de
proyectos, {construye un plan detallado fase a fase
para el desarrollo de un e-commerce utilizando
gestión ágil de proyectos en un periodo de tiempo
de 3 meses, indicando [el monto del presupuesto en
dólares, cantidad de integrantes del equipo y cómo
realizar la gestión del riesgo]}.
El proceso que se usó para pedir a un Modelo
de Lenguaje de Aprendizaje (MLL) que responda a
nuestro requerimiento para la elaboración de un plan
de gestión de un E-comerce fue el siguiente (Ver
Figura 2):
1. Diseño el Prompt: utilizando la metodología
Zero Shot comprensión por cadena de
conocimiento.
a. Se indicó en el prompt diseñado que la
respuesta contenga 3 grupos de materias
señaladas por la ISO 21500 (Directrices para
la Dirección y Gestión de Proyectos):
Recurso, Coste y Riesgo.
2. Selección de 4 modelos de lenguaje largo (Bart,
ChatGPT, SAGE, Claude-Instant).
3. Ejecución de prompt a cada modelo
seleccionado.
4. Obtención de respuesta.
5. Análisis de las respuestas obtenidas.
6. Elaboración de preguntas para expertos.
a. Según los planes entregados indicar una
valoración desde 1 a 5 (donde 1 es poco
realista y 5 es muy realista) para los grupos
de variables Recurso, Coste y Riesgo.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1861)
http://www.aulavirtual.web.ve
7. Envío a los expertos para obtención de opinión
valorada.
a. Años de experiencia: 5 años o más.
b. Área de trabajo: Ingeniería informática,
Software.
c. Gestión de proyectos: Ágil.
d. Grado académico: Colegiado, Ingeniero.
Certificación/Curso: Scrum.
8. Análisis de valoraciones obtenidas.
Figura 2. Metodología propuesta para la investigación
Fuente: Elaboración propia.
Resultados y Discusión
Resultados
A continuación, se presenta el análisis
comparativo basado en las herramientas LLM’s y
expertos en la materia.
Aspecto
Sage
Bard
ChatGPT
Claude-Instant
Fases del
proyecto
Planificación
Requerimientos, diseño y
desarrollo
Planificación
Evaluación y
definición inicial
Diseño
Pruebas y corrección de
errores
Ejecución
Desarrollo
Implementación
Implementación y pruebas
de aceptación de usuario
Cierre
Pruebas, corrección de
errores y lanzamiento
Entrega y cierre
Explicado en sprints
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1862)
http://www.aulavirtual.web.ve
Duración del
proyecto
3 meses
3 meses
3 meses (13 semanas)
3 meses
Enfoque de
gestión
Gestión ágil de
proyectos
No se especifica
Gestión Ágil de
Proyectos
Gestión Ágil de
Proyectos
Presupuesto
Se estima el
presupuesto y
recursos necesarios
Se especifica un
presupuesto de $100,000
Se especifica un
presupuesto de
$80,000
Se especifica un
presupuesto de $90,000
Riesgos del
proyecto
Se identifican riesgos
y se crea un plan de
mitigación
Se mencionan algunos
riesgos y estrategias de
mitigación
No se especifica
No se especifica
Equipo del
proyecto
No se especifica el
equipo
Se mencionan roles como
gerente de proyecto,
desarrolladores, ingenieros
de calidad y despliegue
Se menciona de forma
resumida la
conformación del
equipo de proyectos.
No se especifica el
equipo
Comunicación
del proyecto
No se menciona un
plan de
comunicación
Se especifican métodos de
comunicación con los
interesados
No se menciona un
plan de comunicación
No se menciona un
plan de comunicación
Gestión de
cambios
No se menciona un
plan de gestión de
cambios
Se mencionan
procedimientos para
gestionar cambios en el
alcance, el cronograma o el
presupuesto
No se menciona un
plan de gestión de
cambios
No se menciona un
plan de gestión de
cambios
Documentación
del proyecto
No se menciona una
lista específica de
documentos
Se mencionan varios
documentos que se crearán
No se menciona una
lista específica de
documentos
Se menciona
generación de
documentación para el
usuario y desarrollador
Criterios de
éxito
No se especifican
criterios de éxito
Se mencionan criterios de
éxito como el desarrollo
dentro del presupuesto y la
satisfacción del cliente
Reunirse con el
cliente para la
evaluación del éxito
del proyecto
No se especifican
criterios de éxito
Lecciones
aprendidas
No se mencionan
lecciones aprendidas
Se mencionan algunas
lecciones aprendidas
Muestra un resumen
para tomar en cuenta.
No se mencionan
lecciones aprendidas
Tabla 2. Aspectos considerados al emplear LLMs en proyectos de eCommerce, primera iteración
Fuente: Elaboración Propia
SAGE
Bard
ChatGPT 4.0
Claude instant
Fases del proyecto
Fases del proyecto
Inicio, diseño,
desarrollo, pruebas,
implementación
Inicio, planificación,
desarrollo, pruebas,
lanzamiento
Inicio, planificación,
desarrollo, pruebas,
lanzamiento
Duración del proyecto
Duración del
proyecto
3 meses
3 meses
3 meses
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1863)
http://www.aulavirtual.web.ve
Enfoque de gestión
Enfoque de gestión
Tradicional
Ágil
Ágil
Presupuesto
Presupuesto
$100,000
$180,000
$50,000
Riesgos del proyecto
Riesgos del proyecto
Cambios en los
requisitos, retrasos
en el desarrollo,
problemas de calidad
Cambios en los
requisitos, retrasos
en el desarrollo,
problemas de calidad
Cambios en los
requisitos, retrasos en
el desarrollo,
problemas de calidad
Equipo del proyecto
Equipo del proyecto
Gerente de proyecto,
desarrollador,
diseñador, gerente de
marketing
Gerente de proyecto,
desarrollador,
diseñador, gerente de
marketing, QA
Engineer
Gerente de proyecto,
desarrollador,
diseñador, gerente de
marketing, QA
Engineer
Comunicación del
proyecto
Comunicación del
proyecto
Reuniones
semanales, tablero
de proyecto, correo
electrónico, Slack
Reuniones diarias,
tablero de proyecto,
correo electrónico,
Slack
Reuniones diarias,
tablero de proyecto,
correo electrónico,
Slack
Gestión de cambios
Gestión de cambios
Cambios controlados
a través de un
proceso formal
Cambios controlados
a través de un
proceso informal
Cambios controlados a
través de un proceso
informal
Documentación del
proyecto
Documentación del
proyecto
Documento de
requisitos, plan de
proyecto, plan de
pruebas, plan de
implementación
Documento de
requisitos, plan de
proyecto, plan de
pruebas, plan de
implementación
Documento de
requisitos, plan de
proyecto, plan de
pruebas, plan de
implementación
Criterios de éxito
Criterios de éxito
El sitio web de
comercio electrónico
se implementa a
tiempo, dentro del
presupuesto y
cumple con los
requisitos del cliente
El sitio web de
comercio electrónico
se implementa a
tiempo, dentro del
presupuesto y
cumple con los
requisitos del cliente
El sitio web de
comercio electrónico
se implementa a
tiempo, dentro del
presupuesto y cumple
con los requisitos del
cliente
Lecciones aprendidas
Lecciones aprendidas
El equipo debe estar
preparado para
cambios en los
requisitos. El equipo
debe usar una
herramienta de
gestión de proyectos
para rastrear el
progreso. El equipo
debe comunicarse
regularmente con el
cliente
El equipo debe ser
flexible y adaptable.
El equipo debe usar
una metodología de
desarrollo ágil. El
equipo debe realizar
pruebas exhaustivas
El equipo debe ser
organizado y eficiente.
El equipo debe usar
una herramienta de
gestión de proyectos
para rastrear el
progreso. El equipo
debe comunicarse
regularmente con el
cliente
Tabla 3. Aspectos considerados al emplear LLMs en proyectos de eCommerce, segunda iteración: Fuente: Elaboración Propia
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1864)
http://www.aulavirtual.web.ve
Resumen de respuestas de los expertos de acuerdo a la variable costos
Muy Realista
Realista
Regular
Poco Realista
Muy Poco
Realista
Total
Sage
2
3
0
0
0
5
Claude
3
1
1
0
0
5
ChatGPT
0
1
0
4
0
5
Bard
0
3
2
0
0
5
Tabla 4. Resumen de respuestas de los expertos según las variables costos
Fuente: Elaboración Propia
Figura 3. Resumen de respuestas de acuerdo a la variable costos
Fuente: Elaboración propia
Muy Realista
Realista
Regular
Poco Realista
Muy Poco
Realista
Total
Sage
1
4
0
0
0
5
Claude
0
5
0
0
0
5
ChatGPT
4
1
0
0
0
5
Bard
0
0
0
2
3
5
Tabla 5. Resumen de respuestas de los expertos según la variable de recursos/equipo de personal a utilizar
Fuente: Elaboración propia
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1865)
http://www.aulavirtual.web.ve
Figura 4. Resumen de respuestas de acuerdo a la variable recursos / equipo
Fuente: Elaboración propia
Muy Realista
Realista
Regular
Poco Realista
Muy Poco
Realista
Total
Sage
0
0
1
4
0
5
Claude
0
0
0
0
5
5
ChatGPT
0
0
0
5
0
5
Bard
0
3
1
1
0
5
Tabla 6. Resumen de respuestas de los expertos según la variable de riesgo
Fuente: Elaboración propia
Figura 5. Resumen de respuestas de acuerdo a la variable de riesgo
Fuente: Elaboración propia
Discusión
De la comparación de las 2 iteraciones
podemos obtener las siguientes discusiones.
1. Los modelos LLM mencionan la aplicación de
metodología scrum para el desarrollo de
Ecommerce, ya que es la más utilizada en
proyectos ágiles.
2. Los modelos presentan presupuestos similares,
en promedio $ 90,000 dólares americanos para
la ejecución del proyecto.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1866)
http://www.aulavirtual.web.ve
3. Los modelos presentan que la documentación
del proyecto es importante en el desarrollo del
trabajo.
4. Los modelos presentan información del éxito del
proyecto, mencionan que el cliente tiene un
papel importante en esta validación.
5. Los cuatro planes son similares en términos de
alcance, duración y presupuesto.
6. Los cuatro planes difieren en su enfoque de
gestión, equipo, comunicación, gestión de
cambios, documentación y criterios de éxito.
7. El plan de Sage es el más tradicional, mientras
que el plan de ChatGPT 4.0 es el más ágil. El
plan de Bard es una combinación de los dos
enfoques.
8. El plan de Sage es probablemente el más
adecuado para proyectos que tienen requisitos
bien definidos y un cronograma fijo.
9. El plan de ChatGPT 4.0 es probablemente el
más adecuado para proyectos que tienen
requisitos cambiantes y un cronograma flexible.
10. El plan de Bard es probablemente el más
adecuado para proyectos que tienen un
equilibrio entre requisitos bien definidos y
cambiantes, y un cronograma fijo y flexible.
11. Es importante elegir el plan de gestión de
proyectos adecuado para el proyecto específico.
Eligiendo el plan correcto, se pueden aumentar
las posibilidades de éxito del proyecto.
Conclusiones
1. La GenAI Sage entrega respuestas más realistas
sobre los importes que se deben considerar para
realizar un proyecto de ecommerce en 3 meses
aplicando metodología ágil, mientras que el
80% de los encuestados considera que la
herramienta IA ChatGPT entrega valores poco
realistas cuando fue consultada.
2. La GenAI ChatGPT entrega respuestas realistas
y muy realistas sobre los recursos que se deben
considerar para realizar un proyecto de
ecommerce en 3 meses aplicando metodología
ágil, mientras que la herramienta IA Bard
entrega valores poco realistas y muy poco
realistas cuando fue consultada bajo esta
variable. Del mismo modo los expertos
consideran en un 100% que la herramienta IA
Claude entrega información realista de los
recursos que se deben utilizar para desarrollar el
trabajo.
3. Podemos mencionar que la mayoría de expertos
no encuentra información realista sobre los
riesgos del proyecto entregada por las
herramientas GenAI, solo la GenAI Bard tiene
un 60% de expertos que concuerdan en que se
entregó solo información realista para la gestión
del proyecto bajo metodología ágil.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1867)
http://www.aulavirtual.web.ve
Agradecimientos y Financiación
Agradecimientos
Esta investigación no podría haberse realizado
sin el apoyo de las diferentes personas e
instituciones que han colaborado para desarrollar la
investigación que ahora se presenta. Queremos
expresar nuestro especial agradecimiento a los
profesionales y especialistas que compartieron sus
conocimientos y experiencias, pues ello hizo más
rico el análisis comparativo para los grandes
modelos de lenguaje. Asimismo, hacemos una
mención especial de agradecimiento a las
organizaciones que permitieron que tuviéramos
acceso a las herramientas, entornos de prueba y
recursos técnicos que han sido necesarios para la
evaluación de los LLMs. Finalmente, nuestro
agradecimiento es también para nuestros familiares,
colegas y colaboradores por su continua motivación
y apoyo durante la investigación y escritura de este
trabajo.
Financiación
El presente trabajo no recibió de forma
específica patrocinio alguno por parte de agencias
públicas, comerciales y sin ánimo de lucro alguno.
La investigación fue computada con recursos
propios los autores y acceso versiones de prueba y
recursos gratuitos de las plataformas de inteligencia
artificial usadas en el trabajo (Sage, Claude,
ChatGPT y Bard).
Referencias
Dharma, F.P; Singgih, M.L & Bintang, H.S. (2023).
IA, aprendizaje automático y aprendizaje
profundo: una perspectiva de seguridad.
Technometrics, 65 (4), 606–607. Documento en
línea. Disponible
https://doi.org/10.1080/00401706.2023.2262890
Fajardo, C. (2021). Marvin Lee Minsky: Pionero en
la investigación de la inteligencia artificial
(1927-2016) (Vol. 15, p. 50). Documento en
línea. Disponible
https://doi.org/10.13140/RG.2.2.11209.06241
Ge, Y., Hua, W., Mei, K., Ji, J., Tan, J., Xu, S., Li,
Z., & Zhang, Y. (2023). OpenAGI: When LLM
Meets Domain Experts (arXiv:2304.04370).
arXiv. Documento en línea. Disponible
https://arxiv.org/abs/2304.04370
Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu,
B., Warde-Farley, D., Ozair, S., Courville, A., &
Bengio, Y. (2014). Generative Adversarial
Networks (arXiv:1406.2661). arXiv. Documento
en línea. Disponible
http://arxiv.org/abs/1406.2661
Haleem, M. S. (2023). Advances in Artificial
Intelligence, Machine Learning and Deep
Learning Applications. Electronics, 12(18),
3780. Documento en línea. Disponible
https://doi.org/10.3390/electronics12183780
Huawei. (2021). What is AI? Huawei Enterprise
Support Community. Documento en línea.
Disponible
https://forum.huawei.com/enterprise/en/what-is-
ai/thread/667241407468945408-
667213860488228864
Kadenic, M.D; Koumaditis, K &Junker-Jensen, L.
(2023). Mastering scrum with a focus on team
maturity and key components of scrum. Inf
Softw Technol, vol. 153. Documento en línea.
Disponible
https://doi.org/10.1016/j.infsof.2022.107079
Marnada, P; Raharjo, T; Hardian, B & Prasetyo, A.
(2021). Agile project management challenge in
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1868)
http://www.aulavirtual.web.ve
handling scope and change: A systematic
literature review, in Procedia Computer Science.
Documento en línea. Disponible
https://doi.org/10.1016/j.procs.2021.12.143.
Martínez, M. M., & Bravo, J. V. Á. (s. f.). Grado en
Ingeniería Informática de Servicios y
Aplicaciones.
Mercadé, A. (2019). Los 8 tipos de inteligencia
según Howard Gardner: La teoría de las
inteligencias múltiples. Documento en línea.
Disponible
http://148.202.167.116:8080/xmlui/handle/1234
56789/2943
Mishra, A & Y. I. Alzoubi (2023). Structured
software development versus agile software
development: a comparative analysis.
International Journal of System Assurance
Engineering and Management, vol. 14, no. 4,
2023, doi: 10.1007/s13198-023-01958-5
Sanabria Navarro, J., Silveira Pérez, Y., Cortina, M.,
& Bravo, D. D. (2023). Incidencias de la
inteligencia artificial en la educación
contemporánea. Comunicar, 77, 8-20.
Documento en línea. Disponible
https://doi.org/10.3916/C77-2023-08
Shanahan, M. (2023). Talking About Large
Language Models (arXiv:2212.03551). arXiv.
Documento en línea. Disponible
https://arxiv.org/abs/2212.03551
Tikayat Ray, A., Cole, B. F., Pinon Fischer, O. J.,
Bhat, A. P., White, R. T., & Mavris, D. N. (2023).
Agile Methodology for the Standardization of
Engineering Requirements Using Large
Language Models. Systems, 11(7), 352.
Documento en línea. Disponible
https://doi.org/10.3390/systems11070352
Wang, B., Li, G., & Li, Y. (2023). Enabling
Conversational Interaction with Mobile UI using
Large Language Models (arXiv:2209.08655).
arXiv. Documento en línea. Disponible
https://arxiv.org/abs/2209.08655
