Es importante entender que la IA no es una solución universal, sino que aún falta, dentro de la industria, descubrir los casos de uso que tienen mayor ROI. Por lo que tener un método de implementación y gobernanza que acompañe la adopción de la IA en el testing suele ser la forma más segura y productiva para obtener beneficios a partir de esta nueva tecnología.
Así, ante la pregunta de si está el tester próximo a desaparecer por la llegada de la IA, la respuesta es un rotundo no. Pero como ha sucedido en otras ocasiones con tecnologías disruptivas, los quality engineers tendrán que adaptarse al uso de estas -y tantas otras- nuevas herramientas disponibles para permanecer vigentes en el mercado de tecnologías de la información.
Estas actividades incluyen:
- Adoptar nuevas herramientas como LLM públicos para capacitarse en prompt engineering
- Capacitarse en context engineering
- Incorporar las nuevas herramientas dentro del flujo diario de trabajo en las actividades del proceso de testing
- Estudiar las nuevas técnicas para probar el software que incorpora funciones de IA
- Considerar siempre temas regulatorios definidos en IA Act, NIST y otros organismos
- Integrar las nuevas arquitecturas que resulten de la implementación de la IA en el software, como la arquitectura agéntica.
¿Cuál es el futuro del proceso de pruebas y la IA?
Al igual que lo que sucedió con el perfil del ingeniero de calidad, el proceso de pruebas se adaptará al uso de las tecnologías, procesos y frameworks que aporten los mejores resultados. En efecto, ya estamos siendo testigos de cómo el proceso de pruebas está cambiando conforme la tecnología basada en IA demuestra ser competitiva y estar suficientemente madura y estable para su implementación en el banco de pruebas.
Al igual que el proceso de pruebas, el ciclo de desarrollo de software también está adaptándose rápidamente a las exigencias del mercado y a su necesidad por experimentar los beneficios de la implementación de IA en las actividades que devuelven mayor ROI.
Vale recordarlo: esto se encuentra en una fase de evolución y descubrimiento, así que contar con frameworks de implementación y medición de resultados es de mucho valor para acompañar las implementaciones.
¿Cómo se está usando la IA en testing: las 6 tendencias actuales de IA en Quality Engineering
1- Desarrollo asistido por IA para la creación de scripts de automatización
Permite incrementar la productividad del tester, que puede programar los scripts y mejorar la calidad del código gracias a validaciones más exhaustivas, usando a un agente de IA para hacer peer programming.
2- Documentación de código
Otra área donde la IA Generativa demostró ser particularmente útil es en la creación de la documentación de funciones y librerías, así como en ir agregando comentarios en piezas de código clave, lo que hace que sea más sencillo de entender para otros ingenieros de pruebas trabajando en el mismo framework.
3- Regression suite dinámico
Se trata de la detección de patrones de cobertura de pruebas gracias a la IA, para lograr una identificación basada en los cambios realizados en un componente de software, así como de sugerir qué pruebas realizar para tener una buena cobertura.
4- Mantenimiento automático de casos de prueba (self-healing test cases)
Se usan algoritmos de aprendizaje automatizado para detectar patrones de cambios repetitivos o similares, y saber que parámetros ajustar de los scripts para hacerlos funcionar nuevamente, con una intervención humana mínima. Un ejemplo de uso son los Locators en Selenium, los cuales dejan de ser válidos cuando la UI del producto sufre un cambio en la estructura del documento HTML. Si esto sucede, las pruebas empiezan a fallar, y será necesario recurrir a un ingeniero de calidad para que depure el script hasta encontrar el fallo en el Locator, ir a la nueva versión de la página, extraer el nuevo Locator del objeto no encontrado y agregarlo al object repository (de forma simplificada). Con técnicas de aprendizaje como Machine Learning se podría lograr que este proceso sea realizado y ejecutado de forma autónoma y el cambio se proponga en una rama nueva del framework y se realicen pruebas de estabilidad sobre el nuevo código generado por la IA. En ese caso, el ingeniero de calidad solo tendrá que analizar y aprobar el cambio.
5- Reconocimiento visual y pruebas de UI
En este caso, el rol de la IA es validar visualmente los objetos en una interfaz para confirmar que luzcan como deben en cuanto a diseño y alineación, además de por su funcionalidad.
6- Lowcode automation testing
La IA está presente en herramientas que facilitan la automatización de un flujo de pruebas haciendo uso de un prompt y un contexto. Esto acelera la automatización y reduce la complejidad. Sin embargo, impacta en el mantenimiento y la estabilidad de las pruebas, por lo que tiene un uso más limitado. Así, se ha aplicado en pruebas con un tiempo de vida corto, donde sería complicado obtener un ROI si se hiciera con una automatización tradicional.
Beneficios y desafíos del uso de la IA en testing
Muchos de los beneficios al aplicar la IA en el testeo se generan a partir de la velocidad y productividad logrados. Los más destacados son:
- Reducción del tiempo de los ciclos de pruebas y del time-to-market
- Incremento de la productividad y de la calidad en código
- Capacidad de hacer un testing proactivo mediante predicciones de errores en software, en plataformas como cloud y en contenedores.
- Código documentado conforme a mejores prácticas con poco esfuerzo
Sin embargo, como toda tecnología que todavía no alcanzó su madurez, tiene sus desafíos y limitaciones. Cuando se usan algoritmos de aprendizaje automático, los resultados exitosos dependerán de cuán bueno es el conjunto de datos que se utilizó para entrenar el modelo. Además, las muestras deben ser suficientemente grandes para evitar sesgos por limitaciones.
Por otro lado, las herramientas de low code automation pueden no siempre tener resultados 100% reproducibles en una instancia nueva, sea por falta de contexto en el prompt o por no proporcionar ejemplos suficientemente claros. Y por supuesto, usar LLM públicos involucra costos por uso de API keys y tokens, así como la exposición de datos a infraestructuras de terceros. Por lo que durante el desarrollo de soluciones que involucran datos sensibles deberá evaluarse la adición de capas de seguridad que cumplan con regulaciones, como el Reglamento General de Protección de Datos (GDPR) o la IA Act.
Por Ángel Limas, Quality Engineering Practice Head de Baufest.