Blog

Insights en Calidad y Testing de Software

Mantente actualizado con las últimas noticias, análisis y mejores prácticas en pruebas de software e innovación digital.

Componer calidad con IA: QA escribiendo su propia canción

Seis cambios para que los equipos de calidad pasen de ejecutar pruebas a diseñar sistemas con IA

Jueves, 6:40 p. m., víspera de release. Camila, líder de QA de un equipo de producto, miraba avanzar la regresión completa: 1.200 pruebas, en el mismo orden de siempre, con cuatro horas de espera por delante. Su equipo era sólido. Tenían cientos de casos documentados, un framework de automatización que funcionaba y una disciplina que cualquier gerente envidiaría. Esa noche, sin embargo, iban a descubrir que eso ya no era suficiente.

A las 9:15 llegó el resultado y el equipo lo reportó como siempre: “Fallaron 37 pruebas. Adjunto el log.”

El manager de producto respondió en menos de un minuto: “¿Salimos mañana o no?” Nadie supo qué contestar. 

Había 37 fallos, un log de miles de líneas y ninguna decisión posible. El equipo había hecho exactamente lo que se esperaba de él durante años, como un músico que toca un cover impecable: con mucha técnica, pero siguiendo una canción que escribió otro.

A la mañana siguiente, en la retrospectiva, Camila puso el problema sobre la mesa: la IA cambió el rol del QA, y el equipo seguía trabajando como si no hubiera pasado nada. 

A la mañana siguiente, en la retrospectiva, Camila puso el problema sobre la mesa: la IA cambió el rol del QA, y el equipo seguía trabajando como si no hubiera pasado nada. 

Camila y su equipo están viviendo la realidad del QA actual, que convive entre dos formas de hacer calidad. Una ejecuta casos, scripts y regresiones. La otra diseña sistemas: agentes que generan y validan pruebas, orquestación por impacto, flujos que se autoverifican y análisis inteligente de fallos. 

La primera no está mal. Pero ya no alcanza, y sus resultados no se pueden medir con los criterios de antes. 

Así que esa semana el equipo de Camila decidió empezar a componer, un cambio a la vez.

1. De escribir casos a definir criterios

El primer experimento fue sencillo. Tomaron una historia de usuario del siguiente sprint y le pidieron a una IA que generará los casos de prueba. 

En segundos aparecieron más de cuarenta. Andrés, el analista más veterano, los revisó con escepticismo y encontró el problema: ninguno cubría la regla de descuentos por volumen. 

No era culpa de la IA, sino del criterio de aceptación, que decía “aplicar descuento según política vigente”. Si el criterio es ambiguo, la IA rellena los vacíos por su cuenta. 

Ahí entendieron que su valor ya no estaba en redactar casos, sino en definir con precisión qué significa que algo funcione bien.

Si estás como el equipo de Camila, ¿qué puedes llevar a tu equipo?:

✅ Escribir criterios legibles para la máquina: Given/When/Then y reglas de negocio explícitas, sin ambigüedad.

✅ Contrastar con la IA en cada sprint: generar los casos de una historia con IA y compararlos con los del equipo. Lo que falta o sobra muestra dónde está el criterio.

2. De ejecutar todo a orquestar por impacto

Unos días después, el líder de desarrollo hizo una pregunta incómoda: “Si solo cambiamos el módulo de perfil, ¿por qué corremos las cuatro horas de regresión?” Nadie tenía una buena respuesta, porque nadie sabía con certeza qué pruebas cubrían qué parte del código. El equipo dedicó dos sprints a construir ese mapa. 

Después probaron que un agente analizará el diff de cada merge y propusiera solo las pruebas relevantes. La primera semana se les escapó un caso, y lo usaron para corregir el mapa. No apagaron la regresión completa: la dejaron para los releases mayores y midieron cada vez qué se ganaba y qué se perdía.

Así como el equipo de Camila, ¿qué puedes llevar a tu equipo?:

✅ Mapear las pruebas contra los módulos del código. Sin ese mapa, nadie (ni humano ni IA) puede decidir qué probar ante un cambio.

✅ Pilotear la regresión por impacto con métricas: tiempo ahorrado frente a defectos escapados. Lo que no se mide no se puede defender ante el negocio.

3. De scripts frágiles a flujos que se autoverifican

Laura, la automatizadora del equipo, pasaba los lunes por la mañana reparando scripts que fallaban porque algún selector había cambiado durante el fin de semana. Cuando Camila revisó el historial, encontró que cinco scripts concentraban la mayoría de esas reparaciones. Empezaron por ellos. 

Primero agregaron una capa que, antes de reportar un fallo, verifica si el error viene del producto, de los datos de prueba o del propio script. Después incorporaron self-healing: cuando cambia un selector, el flujo propone la corrección y Laura solo la aprueba. Los lunes dejaron de ser un día de reparaciones.

Para llevar a tu equipo:

✅ Identificar los scripts más inestables (flaky): son el primer caso de negocio para self-healing.

✅ Autoverificar antes de reportar: cada fallo debe llegar clasificado como producto, dato o script.

4. De reportar fallos a entenderlos

Este fue el cambio que transformó aquel jueves. El equipo empezó a pasar los logs de cada pipeline fallido por un LLM para agruparlos por causa probable, y cambió la forma de escribir los reportes. 

Un mes después, en otra víspera de release, Camila envió este mensaje: “Fallaron 37 pruebas por 2 causas raíz. Una es del entorno y ya está resuelta. La otra bloquea el checkout y afecta a los usuarios móviles.” El gerente tomó la decisión en dos minutos. 

Eran los mismos 37 fallos de siempre, pero esta vez llegaron con una respuesta que le permitiera a alguien tomar una decisión.

Para llevar a tu equipo:

✅ Clasificar fallos con IA: agrupar los logs por causa probable (producto, entorno, datos o script).

✅ Reportar el impacto de negocio: qué falló, dónde y a quién afecta.

5. De seguir el plan a decidir qué probar después

En la siguiente retrospectiva apareció un bug que había llegado a producción en el flujo de reembolsos, uno de los más usados por los clientes y uno de los menos priorizados en el plan de pruebas. El plan se había escrito al inicio del sprint y, para cuando el código cambió, ya estaba desactualizado. 

El equipo empezó a priorizar cruzando datos que ya tenía: el historial de defectos, la frecuencia de cambios por módulo y el uso real en producción. 

Desde entonces, cada bug escapado se revisa como una señal de que el sistema de priorización tiene un punto ciego, no como un error de alguien.

Para llevar a tu equipo:

✅ Priorizar con fuentes de datos: defectos históricos, cambios por módulo y flujos más usados en producción.

✅ Revisar los bugs escapados en cada sprint para recalibrar prioridades.

6. De usar herramientas a gobernar agentes

Cuando los agentes empezaron a proponer correcciones y a elegir qué pruebas correr, alguien en el equipo preguntó: “¿Y si el agente aprueba algo que no debía?” Era la pregunta correcta. 

Un agente de IA no es una herramienta que siempre responde igual: aporta, se equivoca y a veces improvisa. El equipo definió por escrito qué puede decidir el agente solo, qué requiere aprobación humana y qué no debe hacer nunca. Además, empezó a evaluarlo como a cualquier integrante del equipo: si cumple su parte, si sus fallos son predecibles y si se puede explicar por qué tomó cada decisión.

Para llevar al equipo:

✅ Definir límites y puntos de control para cada agente.

✅ Medir su desempeño: si no se puede explicar ni medir lo que hace un agente, no se le puede confiar una decisión.

La enseñanza en el equipo de Camila

No desecharon nada de lo que sabían. Su experiencia en QA fue precisamente lo que les permitió dar estos pasos con criterio.

Lo que cambió fue el rol: pasaron de ejecutar pruebas a diseñar el sistema que decide, verifica y explica la calidad. 

El siguiente paso

En Softesting llevamos años haciendo QA para equipos que no pueden fallar en producción, y hoy estamos construyendo sistemas de prueba con agentes de IA autónomos. Acompañamos a equipos de QA y de desarrollo de software en esta transición: desde elegir el primer cambio y definir los criterios hasta poner agentes a trabajar en sus pipelines con reglas claras y resultados medibles.

Si su equipo quiere dejar de solo ejecutar pruebas y empezar a diseñar calidad, conversemos en softesting.com.

¿Por cuál de estos seis cambios empezaría su equipo? Los leemos en los comentarios.

Artículo elaborado por Lilia Yarley Estrada Díaz – Líder CoE con asistencia de herramientas de inteligencia artificial generativa. El enfoque editorial, los criterios técnicos y la responsabilidad del contenido pertenecen a Softesting.

Conoce más noticias importantes
que tenemos para ti

Resumen de privacidad

Esta web utiliza cookies para que podamos ofrecerte la mejor experiencia de usuario posible. La información de las cookies se almacena en tu navegador y realiza funciones tales como reconocerte cuando vuelves a nuestra web o ayudar a nuestro equipo a comprender qué secciones de la web encuentras más interesantes y útiles.