Human in the Loop Software Development Agents:
Agente IA que transforma la generación de casos de prueba
Como Scrum Master, nuestro foco es la efectividad del equipo y la eliminación de impedimentos. Recientemente, durante un viaje a Chile, tuve la oportunidad de asistir a varias charlas centradas en el rol de Quality Engineering (QE) y su importancia crítica en los equipos ágiles.
Un tema fue recurrente: la evolución del rol. Escuchar sobre los nuevos desafíos y la necesidad de integrar la calidad en todo el ciclo de vida me inspiró a iniciar una exploración junto a mi colega y agilista Gianela Linares sobre una pregunta clave: ¿Cómo podemos usar la Inteligencia Artificial para potenciar realmente a nuestros equipos de QE?
En los últimos meses, Atlassian, el MIT y la consultora Scott Logic han coincidido en algo esencial: la inteligencia artificial no viene a reemplazar a los ingenieros ni a los testers, sino a amplificar su capacidad.
Desde la ingeniería de software hasta el testing, estamos viendo emerger una nueva generación de agentes IA que colaboran con los equipos, en lugar de sustituirlos.
En este contexto, junto con mi colega Gianela Linares, estamos explorando una propuesta de agente IA para la generación y gestión asistida de casos de prueba, inspirado en el modelo Human in the Loop Software Development Agents (HULA) de Atlassian.
El punto de partida: automatizar lo manual, potenciar lo estratégico (el Valor)
Los analistas de calidad dedican gran parte de su tiempo a tareas manuales como leer historias de usuario, interpretar criterios de aceptación o registrar un largo listado de casos de prueba en Jira.
Al liberar a los QEs del trabajo manual, potenciamos su verdadera habilidad: la estrategia.
Les damos tiempo para el pensamiento crítico, las pruebas exploratorias y el análisis de riesgo, que es donde realmente se previene la fuga de defectos y se asegura el valor del producto.
Por eso, exploramos la creación de un agente IA que lea automáticamente las historias de usuario, interprete criterios de aceptación y genere propuestas de casos de prueba, para que los analistas QE las revisen, ajusten y aprueben para su posterior generación automática en Jira.
Ahorro de tiempo y mayor productividad en equipos QE con IA Generativa
Los métodos tradicionales enfrentan líneas de tiempo prolongadas. Crear casos de prueba manualmente demanda tiempo y retrasa los cronogramas del proyecto.
La IA transforma este proceso automatizando la creación y ejecución de test cases y reduciendo de forma notable el esfuerzo manual.
Las herramientas de IA ejecutan grandes volúmenes de pruebas rápidamente, acelerando los ciclos de retroalimentación y eliminando cuellos de botella.
Esto habilita testing más rápido, consistente y eficiente, permitiendo lanzamientos más confiables y con menor tiempo de salida al mercado.
El resultado: un aumento real de la productividad del equipo QE.
Fuente:
"The Future of Software Testing: AI-Powered Test Case Generation and Validation"
Mohammad Baqar & Rajat Khanda (2024) Cisco.
El Desafío: La IA no tiene el Contexto del Equipo ni del Proyecto
El estudio del MIT nos da una dosis cruda de realismo.
La IA es excelente para tareas aisladas y bien definidas (completar código), pero falla en el trabajo pesado: mantenimiento, refactorización y, lo más importante, entender el contexto completo de la aplicación.
No conoce las deudas técnicas pasadas, las decisiones de arquitectura y de seguridad que tomamos hace seis sprints, ni los casos borde de nuestras entregas.
Lección Clave
El agente de IA será un miembro increíblemente rápido del equipo para generar los happy paths. Pero no podemos depender de él para el pensamiento crítico. Tratar sus resultados como finales sería tan arriesgado como subir código a producción sin revisión.
El costo oculto del testing manual
Para tangibilizar el impacto en la productividad del equipo, hagamos un ejercicio de estimación a alto nivel. No buscamos una cifra exacta, sino ilustrar la magnitud del ahorro de tiempo.
Consideremos el costo real del trabajo manual. Un Analista de QE no solo "escribe" un caso de prueba; el proceso completo, a alto nivel, incluye:
Leer y comprender la Historia de Usuario y sus criterios de aceptación.
Diseñar los casos de prueba (Happy Path, negativos, de borde, smoke testing, etc.), utilizando las plantillas típicas requeridas.
Crear el caso de prueba en Jira.
Identificar y preparar los datos de prueba (Test Data) necesarios para la ejecución de esos escenarios.
Redactar precondiciones, pasos de ejecución y resultado esperado.
Vincular el caso de prueba a la Historia de Usuario correspondiente o al plan de pruebas.
Generación de documentación y comprobación de checklists.
A nivel general, un solo caso de prueba considerando lo mencionado previamente puede tomar entre 15 y 25 minutos, dependiendo de los lineamientos de cada organización para su registro. Ahora, pensemos: ¿cuántas historias atiende en promedio un QE por sprint? ¿Cuántos casos de prueba se generan por cada historia? ¿Y cuántos registros manuales en Jira son necesarios para completar los casos de prueba, incluyendo la vinculación a la historia o al plan de pruebas?
La ayuda de la IA generativa
Lectura inteligente
Analiza historia y criterios de aceptación en Jira.
Propuesta inicial
Sugiere casos de Happy Path, negativos, de borde, smoke testing, u otros tipos según la necesidad y especificación del QE.
Revisión humana
El QE revisa, ajusta y aprueba.
Aprendizaje continuo
El agente mejora con cada revisión del QE.
Registro automático
Crea los casos aprobados directamente en Jira evitando el trabajo manual para el QE.
Beneficios clave
⏱️ Ahorro de tiempo
Los QEs pueden dedicar menos horas a tareas repetitivas y más a análisis crítico y pruebas exploratorias.
🔄 Reducción de tareas repetitivas
Menos errores humanos en la documentación de casos de pruebas, menor desgaste del equipo.
🧠 Aprendizaje continuo del agente
Cada revisión alimenta al agente, mejorando la precisión de futuras propuestas.
📋 Consistencia y estandarización
Los casos generados siguen plantillas y buenas prácticas, garantizando uniformidad.
🎯 Mayor enfoque estratégico
El equipo puede concentrarse en casos borde, riesgos de negocio y valor agregado, no en "llenar Jira".
🤝 Mejora de la colaboración humano-IA
Se fomenta un modelo de trabajo donde la IA potencia al humano, no lo reemplaza.
📈 Escalabilidad del proceso de QA
Más historias y casos de pruebas pueden gestionarse sin incrementar proporcionalmente el esfuerzo del equipo.
📚 Gestión del conocimiento y onboarding acelerado
El agente IA centraliza buenas prácticas y casos complejos identificados por QEs senior, convirtiéndose en una base de conocimiento viva.
Inspiración en los líderes del sector
Atlassian
Su marco HULA (Humans in the Loop LLM Agents) demuestra cómo la IA puede ejecutar tareas mientras el humano mantiene el control.
MIT CSAIL
Advierte que la IA aún no es autónoma en ingeniería; el contexto y juicio humano son insustituibles.
Scott Logic
En "Is AI taking over testing?" resaltan que el valor surge cuando IA y humano trabajan juntos: la IA propone, el tester analiza, ajusta y aprueba.
La visión
Integrar IA en Quality Engineering no es "automatizar por automatizar".
Es liberar al talento humano de lo mecánico para enfocarse en lo que importa: entregar valor, detectar riesgos y asegurar calidad.
El agente IA no reemplaza al tester; es su copiloto, potenciando su criterio y capacidades.
En resumen
La exploración que estamos llevando a cabo busca un agente IA capaz de generar, someter a revisión y automatizar la creación de casos de prueba.
Es un paso concreto hacia un modelo de Quality Engineering más inteligente, estratégico y sostenible.
Porque la IA no reemplaza el criterio humano: lo potencia.
¡Próximamente!
Síguenos para no perderte nuestro próximo post, donde exploraremos las distintas opciones para crear un agente IA para Quality Engineering, así como las tecnologías y plataformas que puedes utilizar para implementarlo.
¿Te gustó este artículo? ¡Compártelo!
Karen Flores R.
Product Owner IA · SAFe® Agilist · CSM®
· Kanban System Design · Azure AI
Inspirada por el potencial de la IA generativa para impulsar la innovación y generar valor en los negocios.
Gianela Linares D.
Analista Funcional Agile · Productos Digitales · CSM®
Bachiller en Ingeniería Empresarial por la Universidad del Pacífico
Experiencia en gestión de proyectos bajo enfoque agile y gestión riesgos a nivel corporativo.