Estudio Comparativo de Herramientas de Inteligencia Artificial y su Incidencia en el Desarrollo Web: Un Enfoque Basado en Angular y Node.js
DOI:
https://doi.org/10.33936/isrtic.v9i1.7345Palabras clave:
Inteligencia artificial, generación de código, Angular, Node.jsResumen
Este artículo presenta un estudio comparativo de herramientas de inteligencia artificial (IA) para el desarrollo web, enfocándose en Angular y Node.js. Se analizaron ChatGPT, Gemini, GitHub Copilot y DeepSeek, evaluando su capacidad para generar código funcional mediante SonarQube. Se implementó un caso práctico basado en un sistema de facturación, donde se evaluó métricas clave como mantenibilidad, fiabilidad y seguridad. Los resultados indican que todas las herramientas a nivel de backend generan un código mantenible y fiable, aunque se lograron identificar vulnerabilidades de seguridad menores. La generación del frontend presentó más inconvenientes en términos de fiabilidad y mantenibilidad, identificando errores comunes como la declaración de variables sin reasignación y presencia de archivos vacíos. ChatGPT y DeepSeek destacaron en la usabilidad y en la resolución de errores, mientras que GitHub Copilot y Gemini mostraron limitaciones en la etapa del desarrollo. El estudio concluye que, si bien estas herramientas mejoran la productividad y reducen la carga de codificación manual, dependen en gran medida de la precisión y detalle de las instrucciones proporcionadas por el desarrollador y de la supervisión humana para garantizar calidad y seguridad del software.
Descargas
Citas
Abeliuk, A., & Gutiérrez, C. (2021). Historia y evoluación de la inteligencia artificial. Revista Bits de Ciencia, 21, 14–21. https://doi.org/10.71904/BITS.VI21.2767
Afrin, S., Call, J., Nguyen, K.-N., Chaparro, O., & Mastropaolo, A. (2025). Resource-efficient & effective code summarization. arXiv. https://arxiv.org/abs/2502.03617v1
Balsam, S., & Mishra, D. (2025). Web application testing—Challenges and opportunities. Journal of Systems and Software, 219, 112186. https://doi.org/10.1016/J.JSS.2024.112186
Chandramouli, P., Codabux, Z., & Vidoni, M. (2022). analyzeR: A SonarQube plugin for analyzing object-oriented R Packages. SoftwareX, 19, 101113. https://doi.org/10.1016/J.SOFTX.2022.101113
Cho, K., Park, Y., Kim, J., Kim, B., & Jeong, D. (2025). Conversational AI forensics: A case study on ChatGPT, Gemini, Copilot, and Claude. Forensic Science International: Digital Investigation, 52, 301855. https://doi.org/10.1016/J.FSIDI.2024.301855
Clean-code-based analysis | SonarQube Docs. (n.d.). Retrieved February 10, 2025, from https://docs.sonarsource.com/sonarqube-server/10.7/core-concepts/clean-code/codeanalysis/
Code metrics & SonarQube. (n.d.). Retrieved February 10, 2025, from https://docs.sonarsource.com/sonarqubeserver/10.7/user-guide/code-metrics/metrics-definition/
Colther, C., & Doussoulin, J. P. (2024). Artificial intelligence: Driving force in the evolution of human knowledge. Journal of Innovation & Knowledge, 9(4), 100625. https://doi.org/10.1016/J.JIK.2024.100625
DeepSeek-AI, Liu, A., Feng, B., Xue, B., Wang, B., Wu, B., Lu, C., Zhao, C., Deng, C., Zhang, C., Ruan, C., Dai, D., Guo, D., Yang, D., Chen, D., Ji, D., Li, E., Lin, F., Dai, F., ... Pan, Z. (2024). DeepSeek-V3 Technical Report. arXiv. https://arxiv.org/abs/2412.19437v1
France, S. L. (2024). Navigating software development in the ChatGPT and GitHub Copilot era. Business Horizons, 67(5), 649–661. https://doi.org/10.1016/J.BUSHOR.2024.05.009
Hegde, N. N., & G, M. (2024). Prototype pollution detection for Node.Js applications: A review. Journal of Cyber Security, Privacy Issues and Challenges, 3(2), 23–32. https://matjournals.net/engineering/index.php/JCSPIC/article/view/682
Kuhail, M. A., Mathew, S. S., Khalil, A., Berengueres, J., & Shah, S. J. H. (2024). “Will I be replaced?” Assessing ChatGPT’s effect on software development and programmer perceptions of AI tools. Science of Computer Programming, 235, 103111. https://doi.org/10.1016/J.SCICO.2024.103111
Leung, M., & Murphy, G. (2023). On automated assistants for software development: The role of LLMs. In Proceedings - 2023 38th IEEE/ACM International Conference on Automated Software Engineering, ASE 2023 (pp. 1737–1741). https://doi.org/10.1109/ASE56229.2023.00035
Mao, Q., & Li, Y. (2024). Blockchain evolution, artificial intelligence and ferrous metal trade. Resources Policy, 98, 105369. https://doi.org/10.1016/J.RESOURPOL.2024.105369
Mercer, S., Spillard, S., & Martin, D. P. (2025). Brief analysis of DeepSeek R1 and its implications for generative AI. arXiv. https://arxiv.org/abs/2502.02523v3
Muthumanikandan, V., & Ram, S. (2024). Visistant: A conversational chatbot for natural language to visualizations with Gemini large language models. IEEE Access. https://doi.org/10.1109/ACCESS.2024.346554199
Ng, K. K., Fauzi, L., Leow, L., & Ng, J. (2024). Harnessing the potential of Gen-AI coding assistants in public sector software development. arXiv. https://arxiv.org/abs/2409.17434v1
Ollila, R., Mäkitalo, N., & Mikkonen, T. (2022). Modern web frameworks: A comparison of rendering performance. Journal of Web Engineering, 21(3), 789–813. https://doi.org/10.13052/JWE1540-9589.21311
Rahikainen, M. (2021). Web application in Angular and Ionic. https://www.theseus.fi/handle/10024/702876
Roman Gallardo, A., Roman Herrera Morales, J., Sandoval Carrillo, S., & Alvarez Cardenas, O. (2024). Uso de herramientas de IA generativa para la automatización del desarrollo de software: Un caso de estudio. Ingeniantes, 3. https://citt.itsm.edu.mx/ingeniantes/articulos/ingeniantes11no1vol3/19.pdf
Savani, N. (2023). The future of web development: An in-depth analysis of micro-frontend approaches. International Journal of Computer Trends and Technology. https://www.researchgate.net/publication/376477757
Siam, M. K., Gu, H., & Cheng, J. Q. (2024). Programming with AI: Evaluating ChatGPT, Gemini, AlphaCode, and GitHub Copilot for programmers. arXiv. https://arxiv.org/abs/2411.09224
Software qualities | SonarQube Docs. (n.d.). Retrieved February 10, 2025, from https://docs.sonarsource.com/sonarqubeserver/10.7/core-concepts/clean-code/software-qualities/
Tao, C., Gao, J., & Wang, T. (2019). Testing and quality validation for AI software—Perspectives, issues, and practices. IEEE Access, 7, 120164–120175. https://doi.org/10.1109/ACCESS.2019.2937107
Usman Hadi, M., Al Tashi, Q., Qureshi, R., Shah, A., Muneer, A., Irfan, M., Zafar, A., Bilal Shaikh, M., Akhtar, N., Zohaib Hassan, S., Shoman, M., Wu, J., Mirjalili, S., Shah, M., Al-Tashi, Q., & Ali Al-Garadi, M. (2024). Large language models: A comprehensive survey of its applications, challenges, limitations, and future prospects. Authorea Preprints. https://doi.org/10.36227/TECHRXIV.23589741.V740
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Dustin Adrian Cabrera Lavayen, Ricardo Josue Cabrera Calderón, Joofre Antonio Honores Tapia, John Patricio Orellana Preciado
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los artículos enviados a esta revista para su publicación serán liberados para su acceso abierto bajo una licencia Creative Commons con Reconocimiento No Comercial Sin Obra Derivada (http://creativecommons.org/licenses/by-nc-nd/4.0)
Los autores mantienen los derechos de autor, y, por lo tanto, son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente la obra bajo las condiciones siguientes: Reconocer los créditos de la obra especificada por el autor e indicar si se realizaron cambios (puede hacerlo de cualquier forma razonable, pero no de una manera que sugiera que el autor respalda el uso que hace de su obra. No utilizar la obra para fines comerciales. En caso de remezcla, transformación o desarrollo, no puede distribuirse el material modificado.
