Testing Day Chile 2025: La Calidad de Software en la Era de la IA y la Colaboración Transversal

El pasado "Testing Day Chile 2025", en su novena edición, reunió a la comunidad de testing y calidad de software para explorar la profunda transformación del rol de QA, la irrupción imparable de la Inteligencia Artificial, y los desafíos específicos en proyectos de gran envergadura como SAP. El evento destacó una visión holística y colaborativa de la calidad, enfatizando que esta es una responsabilidad de todo el equipo, no solo del tester.

La Evolución del Rol de QA: De Ejecutor a Estratega del Ecosistema

Una de las temáticas centrales fue la evolución del rol del profesional de calidad. Se destacó el cambio de un modelo de "silos" y roles aislados, donde los "genios trabajaban en cubículos", a un esquema colaborativo y "shift left", integrando al tester "desde el día uno al día N".

Los ponentes describieron tres etapas clave en esta evolución:

1. Tester: Enfocado en tareas puntuales, ejecución de casos de prueba y reporte de bugs. Un punto de partida, pero "lo malo es quedarse ahí".
2. QA Moderno: Desarrolla una visión sistémica, comprende los riesgos del producto, colabora, automatiza y empieza a hacer preguntas interesantes e inteligentes.
3. Quality Engineer (QE): Ve el producto completo como un ecosistema, entiende el negocio, el usuario y el contexto técnico. Conecta la calidad con el valor, anticipa, diseña, y es propositivo en la estrategia. Este rol requiere habilidades avanzadas en estrategia de calidad, entrega continua y visión de producto.

Se hizo hincapié en la necesidad de desarrollar habilidades como el pensamiento sistémico y analítico, y la capacidad de hacer preguntas interesantes e inteligentes para ser parte de la conversación desde las primeras etapas. La visión holística y el foco en el propósito y usuario final son cruciales para entender qué es la calidad: que el producto funcione y resuelva los problemas del negocio y beneficie al usuario.

La Inteligencia Artificial: Un Aliado Transformador con Nuevos Desafíos

La Inteligencia Artificial (IA), especialmente la IA Generativa, fue presentada como una herramienta indispensable que está redefiniendo el testing. Milenka Ventura Canadiri destacó que la IA no es el futuro, sino el presente, y que el 80% de los sistemas con IA fallan debido a la calidad de los datos.

Los desafíos clave para QA al trabajar con IA incluyen:

• Variabilidad de resultados: Una misma entrada puede generar múltiples respuestas válidas.
• Sesgos (Bias): Los modelos pueden replicar y amplificar sesgos presentes en los datos de entrenamiento (ej. el caso de Amazon y las candidaturas masculinas).
• Falta de explicabilidad: Los modelos de IA son "cajas negras", difíciles de entender en su procesamiento interno.
• Modelos en constante aprendizaje: Los resultados pueden cambiar con el tiempo a medida que el modelo mejora o se actualiza.

Para enfrentar estos desafíos, los profesionales de QA necesitan desarrollar nuevas habilidades:

• Conocimiento de Machine Learning: Entender datasets (su importancia, confiabilidad, relevancia, balance y actualización), entrenamiento y validación de modelos.
• Manejo de métricas estadísticas: Comprender conceptos como precisión, recall y F1 score para evaluar los resultados de la IA.
• Prompt Engineering: Saber cómo interactuar con los modelos de lenguaje para obtener respuestas claras, exactas y seguras, aplicando técnicas de testing conocidas.
• Monitoreo continuo en producción: Entender cómo se despliegan y actualizan los modelos de IA.

Gustavo Terrera introdujo el concepto de Agentes de IA y MCP Servers, que permiten a los modelos de IA ejecutar acciones autónomas y comunicarse con herramientas externas de forma estandarizada. Estos agentes utilizan patrones de diseño (planificación, uso de herramientas, reflexión, colaboración multiagente, etc.) para optimizar tareas de testing y gestión de proyectos. El concepto de "human-in-the-loop" destaca la necesidad de la intervención humana para validar y verificar las acciones de los agentes, especialmente en aspectos de seguridad y toma de decisiones.

Desafíos Específicos: Proyectos SAP y Pruebas de Rendimiento Continuo

El evento dedicó espacio a áreas especializadas del testing. En proyectos SAP, se destacaron las complejidades que van más allá del testing tradicional:

• Brecha de conocimiento: La dificultad de unir la experiencia del usuario de negocio con la del automatizador, especialmente en empresas productoras menos familiarizadas con metodologías de software.
• Desafíos técnicos: La particularidad de SAP GUI (identificadores dinámicos, transacciones Z personalizadas) y SAP Fiori (tablas, sincronización UI, escenarios punta a punta).
• Infraestructura y seguridad: La necesidad de entornos Windows activos para SAP GUI, en conflicto con las políticas de seguridad empresariales que no permiten sesiones 24/7.
• Estrategias: La experiencia de COPEC y SMU resaltó la importancia de la planificación anticipada, la fidelización del negocio desde el inicio, la colaboración con equipos técnicos, y el apoyo de gestión del cambio. La gamificación fue incluso sugerida para cambiar la percepción negativa de encontrar defectos.

Rodrigo Campos enfatizó la importancia de las pruebas de rendimiento continuas (Continuous Performance Testing) con su charla "Falló el pago, ya es muy tarde". Un caso de estudio mostró cómo la omisión de estas pruebas llevó a un desastre en el lanzamiento de una aplicación de pagos. Se abogó por un enfoque "Shift Left", integrando pruebas de rendimiento ligeras en cada sprint para anticipar problemas de producción.

La observabilidad (con herramientas como Datadog, Prometheus, Grafana) se presentó como clave para comprender el comportamiento del sistema, identificar cuellos de botella y las causas raíz de los problemas de rendimiento.

Herramientas, Metodologías y Madurez QA

Varias presentaciones abordaron herramientas y metodologías fundamentales:

• Xray en Jira: Felipe Farías detalló cómo Xray facilita la organización, visibilidad y trazabilidad de pruebas (manuales y automatizadas) dentro de Jira, permitiendo una visión clara del proceso de testing para todo el equipo y el negocio.
• BDD/ATDD: Se recordó la importancia de estas metodologías para la colaboración temprana y la definición clara de criterios de aceptación.
• Métricas e Indicadores: Se reiteró la necesidad de definir objetivos y métricas (KPIs y OKRs) para medir la eficiencia, identificar áreas de mejora y justificar la inversión en QA. Patricia Peraldi y Catherine Andrade introdujeron el modelo TMMI (Test Maturity Model Integration), que evalúa la madurez de la función QA en cinco niveles (desde inicial hasta optimizado), ofreciendo una hoja de ruta para el crecimiento de la calidad.

El Elemento Humano y el Futuro de QA

A pesar del avance tecnológico, el evento reafirmó el rol indispensable del juicio crítico humano. Se destacó que la IA "no reemplazará, sino que potenciará" al ingeniero de performance. Los profesionales de QA deben ser proactivos en la formación continua, no solo en herramientas técnicas, sino también en habilidades blandas como la comunicación, la colaboración y la capacidad de cuestionar.

Alejandra Aspée concluyó que el QA debe ser una "fuerza que asegura que cada paso hacia la calidad sea responsabilidad de todos", promoviendo la propiedad colectiva y la colaboración transversal desde el descubrimiento hasta la entrega. La calidad no es un costo, sino una inversión que, si se integra desde el inicio, reduce problemas y costos a largo plazo.

Revive cada charla