Análisis de requisitos software con Inteligencia Artificial para la propuesta de arquitecturas y tecnologías adecuadas

Abstract

[Resumen]: La selección de arquitecturas software y stacks tecnológicos es una etapa determinante en cualquier proyecto de desarrollo. Sin embargo, en la práctica suele abordarse de forma manual y apoyada principalmente en la experiencia del equipo, lo que puede derivar en decisiones poco justificadas, sesgos hacia tecnologías conocidas y una exploración limitada de alternativas. En este contexto, los Large Language Model (LLM) ofrecen la posibilidad de actuar como apoyo técnico durante esta fase, analizando requisitos estructurados y proponiendo opciones de diseño con rapidez y trazabilidad. Este proyecto presenta el diseño e implementación de un sistema de apoyo a la decisión, basado en LLM, orientado a generar propuestas de arquitectura y recomendaciones de tecnologías a partir de requisitos previamente formalizados. El sistema recibe como entrada artefactos estructurados que representan casos de uso e historias de usuario, y produce como salida una propuesta de arquitectura de alto nivel con un conjunto de tecnologías sugeridas y su justificación funcional dentro de la solución. Para su uso práctico, se implementa un frontend web para la carga y revisión de entradas/salidas, y un backend responsable de la orquestación del proceso, la integración con distintos modelos y la normalización de formatos de salida exportables. El proyecto sigue una metodología de desarrollo ágil, profundiza en la definición de plantillas de entrada/salida y en técnicas de ingeniería de contexto y prompts para reducir ambigüedades así como mejorar la consistencia de las recomendaciones. Asimismo, se plantea una evaluación sobre un caso de estudio con criterios básicos de calidad coherencia, adecuación y trazabilidad respecto a requisitos. Se espera que, junto con restricciones de formato y guías adecuadas, los LLM puedan aportar valor como “segunda opinión” técnica, acelerando la exploración de alternativas y proporcionando un punto de partida estructurado, si bien permaneciendo siempre bajo validación final humana.

[Abstract]: Selecting software architectures and technology stacks is a decisive stage in any development project. However, in practice it is usually approached manually and relies mainly on the team’s experience, which can lead to weakly justified decisions, bias toward familiar technologies, and limited exploration of alternatives. In this context, large language models (LLMs) offer the possibility of acting as technical support during this phase by analyzing structured requirements and proposing design options quickly and with traceability. This project presents the design and implementation of an LLM-based decision-support system aimed at generating architecture proposals and technology recommendations from previously formalized requirements. The system takes structured artifacts as input representing use cases and user stories, and produces as output a high-level architecture proposal together with a set of suggested technologies and their functional justification within the solution. For practical use, a web frontend is implemented for uploading and reviewing inputs/ outputs, and a backend is provided to orchestrate the process, integrate with different models, and normalize exportable output formats. The project follows an agile development methodology and goes deeper into the definition of input/output templates and prompt and context engineering techniques to reduce ambiguity and improve the consistency of recommendations. Likewise, an evaluation is proposed on a case study using basic quality criteria (coherence, suitability, and traceability to the requirements). It is expected that, together with format constraints and appropriate guidelines, LLMs can add value as a “second technical opinion,” accelerating the exploration of alternatives and providing a structured starting point that always remains under final human validation.