LLmP Use of LLM assistants as support in the Project’s Formulation process: A Systematic Mapping: Uso de asistentes LLM como soporte en el proceso de Formulación de Proyectos: Un mapeo sistemático

Resumen

Introducción: La formulación de proyectos exige definir objetivos, alternativas, recursos y criterios de evaluación en contextos cada vez más complejos. En Colombia, pese al respaldo de la Metodología General Ajustada (MGA), persisten barreras técnicas y operativas. La Inteligencia Artificial Generativa, en particular los modelos de lenguaje grandes (LLM, por sus siglas en inglés), aparece como apoyo para redacción, síntesis y planeación, pero su adopción en formulación aún carece de evidencia consolidada

Objetivo: Identificar y clasificar cómo se han aplicado los LLM en la formulación de proyectos, sus beneficios y limitaciones, los métodos de evaluación usados, los ámbitos de aplicación y la existencia de herramientas LLM o GenAI que apoyen la MGA.

Metodología: Mapeo sistemático siguiendo a Petersen. Se definieron preguntas con PICOC, cadenas de búsqueda y criterios de inclusión y exclusión. Se consultaron IEEE Xplore, Scopus, ScienceDirect, Web of Science y Taylor & Francis entre 2020 y 2025. El diagrama PRISMA resumió identificación, cribado y selección. Del total de 372 registros, 33 estudios cumplieron los criterios.

Resultados: Predominan modelos GPT-3.5 y GPT-4. Las tareas con mayor evidencia incluyen estimación de esfuerzo y tiempo, generación de planes y cronogramas, ideación y diseño, y gestión temprana de riesgos. También se observó apoyo a requisitos, desglose del trabajo y asignación de recursos. La evaluación combinó comparaciones con humanos, revisión experta, métricas automáticas con otros LLM, encuestas o entrevistas y medidas objetivas. No se hallaron reportes de herramientas LLM o GenAI para apoyar la MGA.

Conclusiones: Los LLM aceleran tareas cognitivas y mejoran claridad y creatividad, pero requieren validación humana, mejor contextualización, explicabilidad, resguardo de datos e integración técnica. Se observan tendencias hacia enfoques híbridos con RAG, agentes multitarea y capacidades multimodales. La ausencia de experiencias para MGA revela una oportunidad estratégica de investigación y desarrollo.