Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
DEUDA TÉCNICA, SEGURIDAD Y REVISIÓN HUMANA EN CONTRIBUCIONES  
PYTHON GENERADAS POR AGENTES DE INTELIGENCIA ARTIFICIAL  
TECHNICAL DEBT, SECURITY, AND HUMAN REVIEW IN PYTHON CONTRIBUTIONS  
GENERATED BY ARTIFICIAL INTELLIGENCE AGENTS  
Autores: ¹Diego Marcelo Reina Haro, ²Andrea Fernanda Criollo Cantos, ³Carlos Miguel  
Campoverde Santos y 4Estalin Fabián Mejía Hidalgo.  
¹ORCID ID: https://orcid.org/0000-0002-7757-6919  
²ORCID ID: https://orcid.org/0009-0007-8869-3604  
3ORCID ID: https://orcid.org/0009-0006-1615-4065  
4ORCID ID: https://orcid.org/0009-0006-0215-2237  
¹E-mail de contacto: dreina@unach.edu.ec  
²E-mail de contacto: fernanda.criollo@unach.edu.ec  
³E-mail de contacto: miguel.campoverde@unach.edu.ec  
4E-mail de contacto: estalin.mejia@unach.edu.ec  
Afiliación: 1*2*3*4*Universidad Nacional de Chimborazo, (Ecuador).  
Artículo recibido: 28 de Julio del 2026.  
Artículo revisado: 30 de Julio del 2026.  
Artículo aprobado: 30 de Julio del 2026.  
¹Ingeniero en Sistemas Informáticos de la Escuela Superior Politécnica de Chimborazo, (Ecuador). Magíster en Informática Aplicada de  
la Escuela Superior Politécnica de Chimborazo, (Ecuador).  
²Ingeniera en Tecnologías de la Información de la Universidad Nacional de Chimborazo, (Ecuador).  
³Ingeniero en Tecnologías de la Información de la Universidad Nacional de Chimborazo, (Ecuador). Máster Universitario en Inteligencia  
Artificial de la Universidad Internacional de La Rioja, (España).  
4Ingeniero en Biotecnología Ambiental de la Escuela Superior Politécnica de Chimborazo, (Ecuador). Máster Universitario en Ingeniería  
Hidráulica y Medio Ambiente de la Universidad Politécnica de Valencia, (España). Magíster en Matemática Aplicada de la Universidad  
del Azuay, (Ecuador).  
Resumen  
El estudio comparó la deuda técnica, las  
posibles alertas de seguridad y los patrones de  
revisión humana presentes en contribuciones de  
código Python generadas por agentes de  
inteligencia artificial y por desarrolladores  
humanos en proyectos de código abierto. Para  
ello, se adoptó un enfoque cuantitativo,  
observacional y retrospectivo, sustentado en  
datos procedentes de AIDev y GitHub. Se  
analizaron 200 contribuciones realizadas por  
de nuevos hallazgos relacionados con la  
mantenibilidad, la variación del índice de  
mantenibilidad, la complejidad ciclomática ni  
las alertas de seguridad validadas. Sin embargo,  
las contribuciones generadas por agentes  
recibieron  
frecuencia  
revisión  
que  
humana  
las realizadas  
con  
menor  
por  
desarrolladores humanos, con porcentajes de  
36,5 % y 67,5 %, respectivamente. Asimismo,  
las contribuciones de agentes presentaron una  
menor tasa de fusión, correspondiente al 52,0  
%, frente al 83,5 % registrado en las  
contribuciones humanas. En los casos en que  
ambos integrantes del par fueron sometidos a  
revisión, no se identificaron diferencias  
relevantes en la cantidad de mensajes, revisores,  
rondas de revisión ni tiempos empleados. Los  
agentes  
y
200  
contribuciones  
humanas,  
emparejadas según el repositorio, el tipo de  
tarea y el alcance de la modificación. Además,  
se controlaron variables como la temporalidad,  
la cantidad de líneas modificadas, el número de  
archivos intervenidos y los commits efectuados.  
Los cambios producidos antes y después de  
cada contribución se evaluaron mediante las  
modelos  
ajustados  
confirmaron  
que  
las  
herramientas  
diferenciando las revisiones efectuadas por  
personas de las intervenciones automáticas. Los  
Ruff,  
Radon  
y
Semgrep,  
contribuciones generadas por agentes tenían  
una menor probabilidad de ser revisadas y  
fusionadas, sin que las métricas técnicas  
resultados  
no  
evidenciaron  
diferencias  
permitieran  
explicar  
esta  
diferencia.  
En  
estadísticamente significativas en la densidad  
consecuencia, se concluyó que el principal  
Página 265  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
contraste no se relaciona con un deterioro  
técnico detectable del código, sino con la  
existencia de patrones diferenciados de  
monitoring and integration patterns, which vary  
depending on the agent and the repository  
analyzed.  
supervisión e integración, los cuales varían  
según el agente y el repositorio analizado.  
Palabras clave: Inteligencia artificial, Deuda  
técnica, Revisión de código, Seguridad de  
software, Python, GitHub, Ingeniería de  
software.  
Keywords: Artificial intelligence, Technical  
debt, Code review, Software security,  
Python, GitHub, Software engineering.  
Sumário  
O estudo comparou a dívida técnica, os  
potenciais alertas de segurança e os padrões de  
revisão humana em contribuições de código  
Abstract  
The study compared technical debt, potential  
security alerts, and human review patterns in  
Python code contributions generated by AI  
agents and human developers in open-source  
projects. A quantitative, observational, and  
retrospective approach was adopted, based on  
data from AIDev and GitHub. Two hundred  
agent-generated and two hundred human-  
Python  
geradas  
por  
agentes  
de  
IA  
e
desenvolvedores humanos em projetos de  
código aberto. Uma abordagem quantitativa,  
observacional e retrospectiva foi adotada,  
baseada em dados do AIDev e do GitHub.  
Duzentas contribuições geradas por agentes e  
duzentas contribuições geradas por humanos  
foram analisadas, pareadas por repositório, tipo  
de tarefa e escopo de modificação. Variáveis  
como tempo, número de linhas modificadas,  
número de arquivos afetados e commits também  
foram controladas. As alterações antes e depois  
de cada contribuição foram avaliadas usando  
Ruff, Radon e Semgrep, diferenciando entre  
generated  
contributions  
were  
analyzed,  
matched by repository, task type, and scope of  
modification. Variables such as timing, number  
of modified lines, number of files affected, and  
commits were also controlled. Changes before  
and after each contribution were evaluated  
using  
Ruff,  
Radon,  
and  
Semgrep,  
revisões  
resultados  
humanas  
não  
e
automatizadas.  
Os  
differentiating between human and automated  
revisions. The results showed no statistically  
significant differences in the density of new  
maintainability findings, maintainability index  
variation, cyclomatic complexity, or validated  
security alerts. However, agent-generated  
contributions received human review less  
frequently than those made by human  
developers, with percentages of 36.5% and  
mostraram  
diferenças  
estatisticamente significativas na densidade de  
novas descobertas de manutenibilidade, na  
variação do índice de manutenibilidade, na  
complexidade ciclomática ou nos alertas de  
segurança  
validados.  
No  
entanto,  
as  
contribuições geradas por agentes receberam  
revisão humana com menos frequência do que  
as feitas por desenvolvedores humanos, com  
67.5%,  
respectively.  
Likewise,  
agent  
percentuais  
respectivamente.  
de  
36,5%  
Da mesma  
e
67,5%,  
forma, as  
contributions showed a lower merge rate, at  
52.0%, compared to 83.5% for human  
contributions. In cases where both members of  
the pair were reviewed, no relevant differences  
were identified in the number of messages,  
reviewers, review rounds, or time spent. The  
adjusted models confirmed that agent-generated  
contributions were less likely to be reviewed  
and merged, and technical metrics could not  
explain this difference. Consequently, it was  
concluded that the main contrast is not related  
to detectable technical deterioration of the code,  
but rather to the existence of differentiated  
contribuições de agentes apresentaram uma taxa  
de merge menor, de 52,0%, em comparação  
com 83,5% para as contribuições humanas. Nos  
casos em que ambos os membros do par foram  
revisados, não foram identificadas diferenças  
relevantes no número de mensagens, revisores,  
rodadas de revisão ou tempo gasto. Os modelos  
ajustados confirmaram que as contribuições  
geradas  
pelo  
agente  
tinham  
menor  
probabilidade de serem revisadas e integradas,  
e as métricas técnicas não conseguiram explicar  
essa diferença. Consequentemente, concluiu-se  
Página 266  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
que o principal contraste não está relacionado à  
estudios controlados y centrados en fragmentos  
han identificado recomendaciones inseguras y  
una confianza excesiva de los usuarios en los  
asistentes (Pearce et al., 2022; Perry et al.,  
2023). No obstante, esos escenarios no  
reproducen por completo una contribución real,  
donde intervienen convenciones del repositorio,  
pruebas, herramientas automáticas y decisiones  
de mantenedores.  
deterioração técnica detectável do código, mas  
sim à existência de padrões diferenciados de  
monitoramento e integração, que variam  
dependendo do agente e do repositório  
analisados.  
Palavras-chave:  
Inteligência  
artificial,  
Dívida técnica, Revisão de código, Segurança  
de software, Python, GitHub, Engenharia de  
software.  
Introducción  
Los agentes de programación basados en  
En sentido inverso, una tasa elevada de fusión  
tampoco prueba calidad: puede reflejar tareas  
simples, revisión automática o flujos de  
integración específicos. Los trabajos recientes  
sobre agentes en GitHub han avanzado desde la  
caracterización general hacia la comparación de  
tamaños, mensajes, mantenimiento y procesos  
de revisión. Ogenrwot y Businge (2026)  
mostraron que las contribuciones de agentes  
difieren de las humanas en estructura y  
commits; Sawada et al. (2026) observaron  
perfiles de mantenimiento posteriores distintos;  
Watanabe et al. (2026) identificaron variación  
entre agentes en la presentación de las pull  
requests y en la respuesta de revisores. Duma et  
al. (2026) advirtieron, además, que una  
proporción importante de la actividad registrada  
modelos de lenguaje han dejado de operar  
únicamente como sistemas de autocompletado.  
Ahora pueden interpretar una incidencia,  
modificar varios archivos, ejecutar pruebas,  
abrir  
una  
pull  
request  
y
responder  
a
observaciones con una autonomía creciente.  
AIDev documenta esta transición a escala de  
repositorios reales y reúne cientos de miles de  
contribuciones atribuidas a Codex, Devin,  
GitHub Copilot, Cursor y Claude Code (Li et  
al., 2026). Esta expansión convierte al agente en  
un  
participante  
visible  
del  
proceso  
de  
integración, no solo en una herramienta privada  
del desarrollador.  
Sin embargo, una pull request no se evalúa  
exclusivamente por la corrección aparente del  
código. Los mantenedores valoran su alcance,  
coherencia con la arquitectura, pruebas,  
seguridad, facilidad de revisión y ajuste a  
normas locales. La revisión moderna cumple  
como  
revisión  
proviene  
de  
sistemas  
automáticos. Estos resultados obligan a separar  
la supervisión humana de la interacción entre  
bots.  
Pese a esos avances, persisten tres problemas.  
Primero, muchos análisis comparan grupos  
agregados que difieren en repositorio, tarea y  
tamaño. Segundo, suelen medir el estado final  
del código y pueden atribuir a la contribución  
problemas que ya existían. Tercero, tratan la  
revisión como un recuento único, sin distinguir  
la probabilidad de recibir supervisión de la  
intensidad del trabajo una vez iniciada. Esa  
distinción es crítica: una contribución con cero  
comentarios puede haber sido aceptada sin  
funciones  
de  
detección  
de  
defectos,  
transferencia de conocimiento, coordinación y  
control de cambios (McIntosh et al., 2016;  
Sadowski et al., 2018). Por ello, medir líneas  
modificadas o tasas de fusión sin reconstruir la  
interacción de revisión ofrece una lectura  
incompleta de la incorporación de agentes en  
proyectos abiertos. La evidencia previa sobre  
calidad y seguridad de código generado por  
inteligencia artificial tampoco es uniforme. Los  
Página 267  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
fricción, descartada tempranamente o evaluada  
fuera de GitHub. Este estudio afronta esos  
problemas mediante una comparación  
de dependencias, archivos generados, estados  
de código no reconstruibles y casos con datos  
esenciales contradictorios. El grupo de agentes  
incluyó contribuciones atribuidas a OpenAI  
Codex, Devin y GitHub Copilot. Verificamos la  
atribución mediante la cuenta autora, la autoría  
observable de commits y los metadatos de  
AIDev. Denominamos al segundo grupo  
“contribuciones humanas sin huella observable  
de agente”, porque los datos públicos no  
permiten descartar el uso privado de asistentes  
por parte de una persona.  
emparejada dentro del mismo repositorio.  
Se analizaron las contribuciones Python  
generadas por Codex, Devin y GitHub Copilot  
frente a contribuciones humanas sin huella  
observable de agente. Reconstruimos el cambio  
exacto antes y después de cada pull request,  
medimos  
complejidad y seguridad, y clasificamos por  
separado las intervenciones humanas  
indicadores  
de  
mantenibilidad,  
y
automáticas. Planteamos cuatro preguntas:  
¿difieren ambos grupos en deuda técnica y  
La depuración produjo 2.853 candidatas  
iniciales. Enriquecimos 2.158 registros y  
obtuvimos 1.145 contribuciones técnicamente  
elegibles: 775 de agentes y 370 humanas.  
Emparejamos sin reemplazo dentro del mismo  
repositorio y tipo de tarea, mantuvimos el  
mismo alcance general, código de producción o  
pruebas, y minimizamos las diferencias de  
fecha, líneas Python modificadas, archivos y  
commits. Antes de analizar el código,  
congelamos 200 pares principales. Limitamos  
la concentración a un máximo de 20% de pares  
por repositorio y 50% por agente. Conservamos  
150 pares con criterios temporales y de tamaño  
más estrictos y 84 pares con atribución  
conservadora para análisis de sensibilidad.  
mantenibilidad?,  
¿introducen  
alertas  
de  
seguridad distintas?, ¿cambian la recepción y la  
intensidad de la revisión humana?, y ¿se asocia  
el origen con la fusión después de considerar el  
tamaño y las métricas técnicas?  
Materiales y Métodos  
Se aplico un diseño cuantitativo, observacional,  
retrospectivo y comparativo de cohortes  
emparejadas. La unidad de análisis fue la pull  
request. Utilizamos AIDev como marco de  
identificación de contribuciones generadas por  
agentes y como fuente inicial de metadatos.  
Complementamos cada registro mediante la  
interfaz de programación de GitHub para  
recuperar estado, commits, archivos, revisiones  
formales, comentarios en línea, comentarios  
generales y fechas de apertura, cierre y fusión.  
El corte temporal de AIDev correspondió al 1  
de agosto de 2025. Restringimos la población a  
repositorios públicos con más de 500 estrellas,  
porque el subconjunto humano de AIDev  
procede de ese universo. Seleccionamos  
proyectos cuyo lenguaje principal fuera Python  
o cuyo cambio estuviera dominado por archivos  
Python. Excluimos pull requests abiertas,  
Para evitar atribuir cambios ajenos, calculamos  
el ancestro común con git merge-base y  
analizamos únicamente los archivos Python que  
GitHub registró en la pull request. Conservamos  
los estados anterior y final de cada archivo,  
incluidos añadidos, eliminados y renombrados.  
La unión de la muestra principal y las  
sensibilidades comprendió 439 pull requests  
únicas. Ruff 0.16.0 identificó hallazgos nuevos  
de mantenibilidad y fiabilidad mediante un  
conjunto fijado de reglas sobre complejidad,  
ramas, argumentos, anidamiento, nombres no  
cambios  
exclusivamente  
documentales  
o
configuracionales, actualizaciones automáticas  
definidos,  
valores  
mutables  
y
patrones  
Página 268  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
simplificables.  
complejidad  
Radon  
6.0.1  
bloques  
calculó  
con  
recibieron revisión, con el propósito de evitar  
que el exceso de valores cero confundiera la  
ausencia de supervisión con un bajo nivel de  
esfuerzo revisor.  
ciclomática,  
complejidad igual o superior a 11 e índice de  
mantenibilidad. Expresamos los hallazgos  
nuevos de Ruff por cada 100 líneas Python  
modificadas y calculamos el cambio entre el  
estado final y el anterior.  
Las  
variables  
continuas  
se  
describieron  
mediante medianas y rangos intercuartílicos.  
Para los resultados cuantitativos emparejados se  
aplicó la prueba de rangos con signo de  
Wilcoxon, mientras que para los resultados  
binarios se utilizó la prueba exacta de  
McNemar. Los intervalos de confianza del 95 %  
se estimaron mediante 10.000 remuestreos  
bootstrap y las comparaciones múltiples se  
controlaron mediante el procedimiento de  
Holm. Para evaluar la dependencia interna de  
los proyectos, se ejecutaron pruebas de  
permutación por repositorio.  
Semgrep Community Edition 1.172.0 evaluó  
alertas potenciales de seguridad con el paquete  
de reglas Python congelado antes del análisis.  
Revisamos contextualmente cada alerta nueva.  
Solo clasificamos un hallazgo como alerta  
válida cuando el patrón correspondía a un uso  
con implicaciones de seguridad y el contexto  
del código respaldaba esa interpretación.  
Clasificamos como humanas las cuentas de tipo  
User que no correspondían al autor, a un agente,  
a un bot de revisión, a integración continua, a  
seguridad, a dependencias o a una cuenta de  
servicio. La medida estricta incluyó revisiones  
formales y comentarios en línea sobre el diff.  
Se validaron manualmente 248 comentarios  
generales considerados candidatos. De este  
total, 81 correspondieron a intervenciones  
humanas  
procedieron de automatizaciones o agentes y 35  
fueron clasificados como mensajes  
administrativos o no evaluativos. Los 81  
comentarios sustantivos se incorporaron  
técnicamente  
sustantivas,  
132  
únicamente en una medida ampliada de  
sensibilidad.  
Figura 1. Flujo de selección, emparejamiento y  
conformación de muestras.  
Se distinguieron dos componentes del proceso  
de revisión. La recepción de revisión indicó si  
existió al menos una intervención humana  
observable, mientras que la intensidad se evaluó  
mediante el número de eventos, mensajes,  
revisores únicos, solicitudes de cambios,  
commits posteriores, rondas de revisión-  
corrección y tiempos asociados al proceso. La  
intensidad se analizó de manera condicional en  
aquellos pares en los que ambos miembros  
Fuente: Elaboración propia.  
Asimismo, se ajustaron dos modelos logísticos  
condicionales con estratos definidos por cada  
par: uno para la recepción de revisión humana y  
otro para la fusión de las contribuciones. En  
ambos modelos se incluyeron como covariables  
el origen de la contribución, los logaritmos del  
número de líneas modificadas, archivos y  
Página 269  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
commits, la densidad de hallazgos identificados  
mediana entre tamaños humano/agente fue  
1,00. Como se resume en la Tabla 1, las  
diferencias estandarizadas de las principales  
variables de emparejamiento permanecieron en  
magnitudes pequeñas, lo que respalda la  
comparabilidad inicial entre las contribuciones  
generadas por agentes y sus controles humanos.  
El flujo de selección muestra que la reducción  
más importante ocurrió al exigir código  
mediante Ruff, el cambio en el índice de  
mantenibilidad y el cambio en la complejidad  
media. Las covariables continuas fueron  
estandarizadas. Las razones de momios se  
interpretaron como asociaciones de carácter  
observacional y no como efectos causales. Se  
adoptó un nivel de significación estadística de  
0,05.  
reconstruible  
y
un  
control  
del  
mismo  
Resultados y Discusión  
repositorio. Esta decisión sacrificó cobertura  
para evitar una comparación superficial entr  
proyectos con prácticas incompatibles. La  
muestra no representa todo GitHub, pero sí  
ofrece un contraste interno más defendible que  
una agregación masiva sin emparejamiento.  
La muestra principal reunió 400 pull requests de  
47 repositorios. Devin aportó 96 pares, OpenAI  
Codex 78 y GitHub Copilot 26. Predominaron  
las funcionalidades, con 110 pares, y las  
correcciones, con 78. La mediana de separación  
temporal dentro del par fue 40,24 días y la razón  
Tabla 1. Composición y equilibrio de la muestra principal.  
Indicador  
Resultado  
Pares principales  
200 (400 pull requests)  
Repositorios  
47  
Agentes  
Devin 96; Codex 78; Copilot 26  
Separación temporal mediana  
Razón mediana de tamaño humano/agente  
Diferencia estandarizada: líneas  
Diferencia estandarizada: archivos  
Diferencia estandarizada: commits  
40,24 días  
1,00  
0,028  
-0,073  
-0,133  
Fuente: Elaboración propia.  
No identificamos una desventaja técnica  
sistemática para las contribuciones de agentes.  
La densidad mediana de nuevos hallazgos Ruff  
fue cero en ambos grupos y la diferencia media  
fue -0,041 hallazgos por 100 líneas. Cuarenta y  
cinco contribuciones de agentes, 22,5%,  
introdujeron al menos un hallazgo, frente a 48  
humanas, 24,0%; la diferencia de -1,5 puntos  
porcentuales no fue significativa.El cambio  
mediano del índice de mantenibilidad fue -  
0,470 en agentes y -0,438 en humanas. La  
complejidad ciclomática media aumentó 0,011  
en ambos grupos y el cambio neto de bloques  
con complejidad alta permaneció en cero.  
Ninguna comparación resistió el ajuste de Holm  
ni las permutaciones por repositorio. Las  
Página 270  
sensibilidades reprodujeron el mismo patrón.  
En conjunto, los resultados de la Tabla 2  
muestran diferencias reducidas e inestables  
entre grupos, sin evidencia estadística que  
permita atribuir a las contribuciones de agentes  
un deterioro técnico sistemático. Este resultado  
matiza las conclusiones derivadas de estudios  
de fragmentos o de conjuntos no emparejados.  
Pearce et al. (2022) y Perry et al. (2023)  
demostraron que un asistente puede proponer  
soluciones inseguras en tareas controladas, pero  
nuestro diseño observa cambios que atravesaron  
un flujo real de repositorio. Semgrep produjo  
una sola alerta nueva en la muestra principal. El  
patrón correspondió al uso de MD5 para  
construir una clave interna de caché a partir de  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
una versión y un texto. El código no utilizó el  
seguridad. Después de la validación, ambos  
grupos quedaron con cero alertas nuevas  
válidas.  
hash para autenticación, contraseñas, firmas,  
cifrado ni verificación de integridad; por ello,  
clasificamos la alerta como no aplicable a  
Tabla 2. Comparación emparejada de indicadores técnicos.  
Indicador  
Agentes  
Humanas  
0,000  
24,0%  
-0,438  
0,011  
0,000  
0
p
0,632  
Hallazgos Ruff por 100 líneas, mediana  
Con al menos un hallazgo nuevo  
Cambio de mantenibilidad, mediana  
Cambio de complejidad media, mediana  
Cambio neto de bloques CC ≥ 11  
Alertas de seguridad validadas  
0,000  
22,5%  
-0,470  
0,011  
0,000  
0
0,798  
0,523  
0,418  
0,598  
No aplicable  
Fuente: Elaboración propia.  
La ausencia de alertas validadas no prueba  
ausencia de vulnerabilidades. El análisis  
estático tiene cobertura limitada, depende de  
reglas y puede omitir fallos lógicos o  
contextuales. El resultado más prudente es que  
no observamos una diferencia de seguridad  
detectable mediante el conjunto de reglas  
aplicado. Este alcance evita transformar un  
de agentes nunca entraron en una revisión  
humana observable. En los 58 pares donde  
ambos miembros sí fueron revisados, no  
encontramos diferencias en eventos, mensajes,  
revisores, solicitudes de cambios, commits  
posteriores, rondas ni tiempos. Por tanto, los  
datos contradicen la hipótesis de que una  
contribución  
de  
agente  
demanda  
resultado  
equivalencia. La dimensión de revisión mostró  
el contraste más marcado. Solo 73  
nulo  
en  
una  
afirmación  
de  
necesariamente más trabajo cuando un revisor  
decide examinarla. Como se detalla en la Tabla  
3, los recuentos globales fueron menores para  
los agentes, pero las diferencias desaparecieron  
en gran medida cuando el análisis se restringió  
a los pares en los que ambas contribuciones  
recibieron revisión humana.  
contribuciones de agentes, 36,5%, recibieron  
revisión humana estricta, frente a 135 humanas,  
67,5%.  
La diferencia emparejada fue -31,0 puntos  
porcentuales y permaneció significativa en la  
permutación por repositorio. Al incorporar los  
81 comentarios generales validados, las  
proporciones aumentaron a 41,0% y 71,0%,  
pero la brecha casi no cambió. La Figura 2  
muestra que las diferencias más amplias entre  
los grupos se concentraron en la recepción de  
revisión humana y en la fusión de las  
contribuciones, no en los indicadores estáticos  
del código. Los recuentos globales también  
fueron menores en agentes: mediana de cero  
eventos frente a uno, cero revisores frente a uno  
y menos mensajes. Sin embargo, esos valores  
reflejan sobre todo que muchas contribuciones  
La distinción entre recepción e intensidad es  
analíticamente decisiva. Duma et al. (2026) ya  
mostraron que la actividad registrada en  
contribuciones de agentes puede estar dominada  
por automatizaciones. Nuestro filtrado confirma  
ese riesgo: 132 de 248 comentarios generales  
candidatos no representaban juicio humano.  
Contar indiscriminadamente esos mensajes  
habría inflado la supervisión y habría ocultado  
la brecha real. Se fusionaron 104 contribuciones  
de agentes, 52,0%, y 167 humanas, 83,5%. La  
diferencia  
porcentuales. En el modelo condicional, el  
origen agente se asoció con menores  
emparejada  
fue  
-31,5  
puntos  
Página 271  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
probabilidades de revisión humana, OR=0,140,  
permite observar que la asociación con el origen  
de la contribución persistió después de controlar  
el tamaño del cambio, los commits y los  
indicadores técnicos.  
IC 95% 0,064-0,306, y de fusión, OR=0,147, IC  
95% 0,069-0,314. La Tabla 4 presenta los  
coeficientes completos de ambos modelos y  
Figura 2. Recepción de revisión humana y fusión en la muestra principal.  
Fuente: Elaboración propia a partir de eventos de GitHub validados.  
Tabla 3. Revisión e integración de las contribuciones  
Resultado  
Agentes  
36,5%  
41,0%  
52,0%  
0
Humanas  
67,5%  
71,0%  
83,5%  
Diferencia  
-31,0 pp  
-30,0 pp  
p
Revisión humana estricta  
Revisión humana ampliada  
Pull request fusionada  
Eventos humanos, mediana  
Revisores únicos, mediana  
Eventos automáticos, mediana  
<0,001  
<0,001  
<0,001  
<0,001  
<0,001  
0,082*  
-31,5 pp  
1
1
0
-1,385 media  
-0,385 media  
+1,315 media  
0
2
Fuente: Elaboración propia.  
Las métricas técnicas no explicaron la recepción  
de revisión: los intervalos de los hallazgos Ruff,  
mantenibilidad y complejidad incluyeron el  
valor nulo. En el modelo de fusión, el número  
persiste sin un deterioro estático detectable.  
Nachuma y Zibran (2026) sostienen que la  
integración de agentes depende de señales de  
colaboración  
y
convergencia  
durante  
la  
estandarizado  
de  
archivos  
mostró  
una  
revisión. Nuestros resultados son compatibles  
con esa lectura, pero agregan una advertencia:  
antes de evaluar la calidad de la interacción,  
muchas contribuciones de agentes ni siquiera  
reciben revisión humana. La gobernanza del  
repositorio, la forma de presentación, la  
confianza en la cuenta y la selección temprana  
asociación positiva, OR=3,498, pero no la  
interpretamos como una ventaja causal. Dentro  
de pares y tareas parecidas, esa señal puede  
capturar estructura residual del trabajo o  
prácticas de proyectos concretos. El resultado  
central permanece: la diferencia de integración  
Página 272  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
de tareas pueden pesar tanto como el código. La  
intervalos de confianza permanecieron por  
debajo de uno tanto para la recepción de  
revisión humana como para la fusión.  
Figura 3 representa las razones de momios  
ajustadas del origen agente y evidencia que sus  
Tabla 4. Modelos logísticos condicionales ajustados por par.  
Modelo  
Recepción de revisión  
Recepción de revisión  
Recepción de revisión  
Recepción de revisión  
Fusión  
Predictor  
OR  
IC 95%  
p
Contribución de agente  
Hallazgos Ruff  
0,140  
0,534  
0,947  
0,853  
0,147  
3,498  
0,792  
0,064-0,306  
0,276-1,036  
0,539-1,661  
0,550-1,322  
0,069-0,314  
1,506-8,120  
0,534-1,174  
<0,001  
0,063  
0,848  
0,476  
<0,001  
0,004  
0,245  
Cambio de mantenibilidad  
Cambio de complejidad  
Contribución de agente  
Archivos modificados  
Hallazgos Ruff  
Fusión  
Fusión  
Fuente: Elaboración propia.  
Figura 3. Asociación ajustada del origen agente con revisión humana y fusión.  
Fuente: Elaboración propia  
El patrón agrupado no fue uniforme. Devin  
recibió revisión en 29,2% de sus contribuciones  
frente a 76,0% de sus controles; Codex, 25,6%  
frente a 50,0%. GitHub Copilot presentó 96,2%  
frente a 88,5%, sin diferencia concluyente. Las  
tasas de fusión fueron 31,3% para Devin, 64,1%  
para Codex y 92,3% para Copilot; sus controles  
limitaciones del modelo. La interpretación  
también enfrenta amenazas de validez. El grupo  
humano puede incluir asistencia privada no  
declarada; la autoría pública no captura toda  
edición híbrida; GitHub no registra revisiones  
externas; el análisis se restringe a Python y  
proyectos populares; y el emparejamiento solo  
controla variables observables. Además, la  
ausencia de comentarios puede representar  
alcanzaron  
82,3%,  
82,1%  
y
92,3%,  
respectivamente. La submuestra de Copilot  
contiene solo 26 pares y opera en flujos  
distintos, por lo que no permite afirmar  
superioridad. Sí demuestra que “contribución  
de agente” no constituye una categoría  
homogénea. Cada agente se inserta mediante  
cuentas, permisos, tareas y convenciones  
diferentes. Una política uniforme puede  
confundir problemas del flujo de trabajo con  
Página 273  
rechazo  
temprano,  
aceptación  
directa  
o
evaluación invisible. Por eso, describimos  
asociaciones y patrones, no causalidad ni  
esfuerzo laboral total.  
Conclusiones  
Del  
análisis  
emparejado  
y
de  
las  
comprobaciones de sensibilidad se concluyó  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
que las contribuciones generadas por agentes no  
entre Devin, Codex y Copilot impide establecer  
un único perfil de riesgo aplicable a todos los  
agentes de programación. Las investigaciones  
futuras deberán analizar por separado cada  
agente, los distintos tipos de tareas y las  
prácticas específicas de los repositorios.  
También será necesario incorporar pruebas  
dinámicas y seguimiento posterior a la fusión  
para evaluar con mayor amplitud la calidad,  
mostraron un incremento detectable de la deuda  
técnica, la complejidad del código ni las alertas  
potenciales de seguridad en comparación con  
contribuciones humanas de características  
similares. Estos resultados indican que, dentro  
de las condiciones evaluadas, el origen de la  
contribución no estuvo asociado con un  
deterioro significativo de las métricas estáticas  
de calidad analizadas. La principal diferencia se  
identificó en el proceso de supervisión e  
integración. Las contribuciones de agentes  
ingresaron con menor frecuencia en procesos de  
revisión humana observable y presentaron una  
menor proporción de fusión. Este hallazgo  
sugiere que las diferencias entre contribuciones  
seguridad  
y
mantenibilidad  
de  
las  
contribuciones generadas mediante inteligencia  
artificial.  
Referencias Bibliográficas  
Barke, S., James, M., & Polikarpova, N. (2023).  
Grounded  
interact  
Copilot:  
with code-generating  
How  
programmers  
models.  
humanas  
y
generadas  
por  
agentes  
se  
Proceedings of the ACM on Programming  
Languages, 7(OOPSLA1), Article 78, 85–  
111. https://doi.org/10.1145/3586030  
manifestaron principalmente en las prácticas de  
revisión y aceptación, más que en las  
características técnicas medidas mediante  
herramientas de análisis estático. Cuando  
ambos miembros de un par recibieron revisión  
humana, la intensidad del proceso y los tiempos  
empleados fueron semejantes. Por consiguiente,  
los resultados no respaldan la afirmación de que  
el código generado por agentes requiera un  
mayor esfuerzo humano una vez iniciada su  
Duma, K., Wróblewski, P., Bobińska, J.,  
Winiarska, J., & Przymus, P. (2026). These  
aren't the reviews you're looking for: How  
humans review AI-generated pull requests.  
arXiv.  
https://doi.org/10.48550/arXiv.2605.02273  
Gousios, G., Pinzger, M., & Deursen, A. (2014).  
An exploratory study of the pull-based  
software development model. Proceedings of  
the 36th  
Software  
International  
Conference on  
evaluación.  
La  
diferencia  
observada  
se  
Engineering,  
345–355.  
relacionó más con la probabilidad de recibir  
revisión que con la carga de trabajo necesaria  
durante el proceso revisor.  
https://doi.org/10.1145/2568225.2568260  
Kalliamvakou, E., Gousios, G., Blincoe, K.,  
Singer, L., German, D., & Damian, D. (2016).  
An in-depth study of the promises and perils  
of mining GitHub. Empirical Software  
Asimismo, las métricas estáticas consideradas  
no permitieron explicar completamente la  
brecha encontrada en la revisión y la fusión de  
las contribuciones. En consecuencia, los  
proyectos de software deberían complementar  
los controles automáticos con reglas explícitas  
de trazabilidad, revisión humana y presentación  
de evidencia de pruebas. Estas medidas deben  
adaptarse tanto al tipo de agente utilizado como  
a las características del flujo de integración de  
cada repositorio. La heterogeneidad observada  
Engineering,  
21,  
2035–2071.  
https://doi.org/10.1007/s10664-015-9393-5  
Li, H., Zhang, H., & Hassan, A. (2026). AIDev:  
Studying AI coding agents on GitHub.  
Proceedings of the 23rd International  
Conference on Mining Software Repositories.  
https://doi.org/10.1145/3793302.3797249  
MacLeod, L., Greiler, M., Storey, M., Bird, C.,  
& Czerwonka, J. (2018). Code reviewing in  
the trenches: Challenges and best practices.  
Página 274  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
IEEE  
Software,  
35(4),  
34–42.  
review: A case study at Google. Proceedings  
of the 40th International Conference on  
Software Engineering: Software Engineering  
https://doi.org/10.1109/MS.2017.265100500  
McIntosh, S., Kamei, Y., Adams, B., & Hassan,  
A. (2016). An empirical study of the impact  
of modern code review practices on software  
quality. Empirical Software Engineering, 21,  
2146–2189. https://doi.org/10.1007/s10664-  
015-9381-9  
Nachuma, C., & Zibran, M. (2026). When AI  
teammates meet code review: Collaboration  
signals shaping the integration of agent-  
in  
https://doi.org/10.1145/3183519.3183525  
Sawada, S., Shirai, T., Kashiwa,  
Practice,  
181–190.  
Y.,  
Yamaguchi, K., Iwata, H., & Iida, H. (2026).  
To what extent does agent-generated code  
require maintenance? An empirical study.  
arXiv.  
https://doi.org/10.48550/arXiv.2605.06464  
Vaithilingam, P., Zhang, T., & Glassman, E.  
authored  
pull  
requests.  
arXiv.  
https://doi.org/10.48550/arXiv.2602.19441  
Ogenrwot, D., & Businge, J. (2026). How AI  
coding agents modify code: A large-scale  
study of GitHub pull requests. arXiv.  
https://doi.org/10.48550/arXiv.2601.17581  
Pansuriya, K., Ghorbani, E., Singh, D., &  
AlOmar, E. (2026). Predicting acceptance  
and review effort in human and agent pull  
(2022).  
Expectation  
versus  
experience:  
Evaluating the usability of code generation  
tools powered by large language models.  
Extended Abstracts of the 2022 CHI  
Conference on Human Factors in Computing  
Systems,  
Article  
332.  
https://doi.org/10.1145/3491101.3519665  
Watanabe, K., Tsuchida, R., Monno, T., Huang,  
B., Yamasaki, K., Fan, Y., Shimari, K., &  
Matsumoto, K. (2026). How AI coding  
agents communicate: A study of pull request  
description characteristics and human review  
requests.  
arXiv.  
https://doi.org/10.48550/arXiv.2607.12057  
Pearce, H., Ahmad, B., Tan, B., Dolan-Gavitt,  
B., & Karri, R. (2022). Asleep at the  
keyboard? Assessing the security of GitHub  
Copilot's code contributions. 2022 IEEE  
Symposium on Security and Privacy, 754–  
768.  
responses.  
arXiv.  
https://doi.org/10.48550/arXiv.2602.17084  
Watanabe, M., Li, H., Kashiwa, Y., Reid, B.,  
Iida, H., & Hassan, A. (2025). On the use of  
agentic coding: An empirical study of pull  
https://doi.org/10.1109/SP46214.2022.98335  
71  
requests  
on  
GitHub.  
arXiv.  
Perry, N., Srivastava, M., Kumar, D., & Boneh,  
D. (2023). Do users write more insecure code  
with AI assistants? Proceedings of the 2023  
ACM SIGSAC Conference on Computer and  
https://doi.org/10.48550/arXiv.2509.14745  
Xu, G., Subramanian, A., & Karthik, N. (2026).  
AI agent pull requests on GitHub: Frequency,  
structure, and merge conflict rates. arXiv.  
https://doi.org/10.48550/arXiv.2607.04697  
Communications  
Security,  
2785–2799.  
https://doi.org/10.1145/3576915.3623157  
Rigby, P., & Bird, C. (2013). Convergent  
contemporary software peer review practices.  
Proceedings of the 2013 9th Joint Meeting on  
Foundations of Software Engineering, 202–  
212.https://doi.org/10.1145/2491411.249144  
4
Esta obra está bajo una licencia de  
Creative Commons Reconocimiento-No Comercial  
4.0 Internacional. Copyright © Diego Marcelo  
Reina Haro, Andrea Fernanda Criollo Cantos,  
Carlos Miguel Campoverde Santos y Estalin  
Fabián Mejía Hidalgo.  
Sadowski, C., Söderberg, E., Church, L., Sipko,  
M., & Bacchelli, A. (2018). Modern code  
Página 275  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 8.1  
Edición Especial VIII 2026  
Declaraciones éticas y editoriales del artículo  
Contribución de los autores (Taxonomía CRediT)  
Diego Marcelo Reina Haro: conceptualización, formulación de los objetivos de investigación, diseño metodológico, análisis formal, interpretación de  
los resultados, redacción del borrador original, revisión crítica del contenido científico y supervisión general del estudio.  
Andrea Fernanda Criollo Cantos: curación y organización de los datos, desarrollo y ejecución de los procedimientos computacionales, aplicación de  
las herramientas de análisis estático, validación de los resultados y elaboración de tablas y figuras.  
Carlos Miguel Campoverde Santos: investigación, verificación de los criterios de selección y emparejamiento, validación de la clasificación de las  
alertas de seguridad y de los eventos de revisión, interpretación crítica de los resultados y revisión y edición del manuscrito.  
Estalin Fabián Mejía Hidalgo: provisión de recursos, supervisión metodológica, revisión de la reproducibilidad del estudio, revisión crítica del  
manuscrito y aprobación de la versión final.  
Declaración de conflicto de intereses  
Los autores declaran que no existe conflicto de intereses en relación con la investigación presentada, la autoría del manuscrito ni la publicación del  
presente artículo.  
Declaración de financiamiento  
La presente investigación no recibió financiamiento específico de agencias públicas, comerciales o de organizaciones sin fines de lucro. En caso de  
existir financiamiento institucional o externo, este deberá ser declarado explícitamente por los autores en esta sección.  
Declaración del editor  
El editor responsable certifica que el proceso editorial del presente artículo se desarrolló conforme a los principios de integridad científica, transparencia  
y buenas prácticas editoriales. El manuscrito fue sometido a un proceso de evaluación mediante revisión por pares doble ciego, garantizando la  
confidencialidad de la identidad de los autores y revisores durante todo el proceso de dictamen académico. Asimismo, el editor declara que el artículo  
cumple con los criterios científicos, metodológicos y éticos establecidos por la revista.  
Declaración de los revisores  
Los revisores externos que participaron en la evaluación del presente manuscrito declaran haber realizado el proceso de revisión de manera objetiva,  
independiente y confidencial. Asimismo, manifiestan que no mantienen conflictos de interés con los autores ni con la investigación evaluada, y que sus  
observaciones y recomendaciones se fundamentan exclusivamente en criterios científicos, metodológicos y académicos.  
Declaración ética de la investigación  
Los autores declaran que la investigación se desarrolló respetando los principios éticos de la investigación científica, garantizando la confidencialidad  
de los datos y el respeto a los participantes del estudio. En los casos en que la investigación involucre seres humanos, los procedimientos deben ajustarse  
a los principios éticos establecidos en la Declaración de Helsinki y a las normativas institucionales correspondientes.  
Declaración sobre el uso de inteligencia artificial  
Los autores declaran que el uso de herramientas de inteligencia artificial, en caso de haberse utilizado durante el proceso de investigación o redacción  
del manuscrito, se realizó únicamente como apoyo técnico para mejorar la claridad del lenguaje o el análisis de información, manteniendo siempre la  
responsabilidad intelectual sobre el contenido del artículo. Las herramientas de inteligencia artificial no fueron utilizadas como autoras del manuscrito  
ni sustituyen la responsabilidad académica de los investigadores.  
Disponibilidad de datos  
Los datos que respaldan los resultados de esta investigación estarán disponibles previa solicitud razonable al autor de correspondencia, respetando las  
normas éticas y de confidencialidad establecidas por la investigación.  
Página 276