Entrando en tema
La síntesis que aquí te comparto corresponde a la charla ofrecida por Katherine Andrade Soto y Patricio Peraldi durante la 9na edición del «Testing Day Chile», enfocándose en la evolución estratégica de la función de Aseguramiento de Calidad (QA), y cómo se está percibiendo su transformación, de ser un centro de costos reactivo a una disciplina proactiva y un motor de productividad para el negocio.
Conclusiones más importantes:
• Desafío fundamental: El costo y la complejidad de la función de QA están creciendo de manera significativa debido a las arquitecturas de software modernas, donde cada componente está interconectado. Cualquier modificación, por pequeña que sea, exige probar el sistema completo, convirtiendo la gestión de QA en un punto central de la agenda de TI.
• Evolución estructurada: Para navegar esta complejidad, es imperativo adoptar un modelo de madurez estructurado. Este modelo sirve como una hoja de ruta que permite a la función de QA evolucionar de manera ordenada, medible y alineada con los objetivos de la organización.
• Definición de productividad: La productividad en el contexto de QA se define como el resultado tangible de alcanzar una combinación de menor tiempo, mayor alcance y contención de costos. Este es el objetivo final y la métrica principal del éxito de la transformación.
• Pilares de la productividad: La consecución de la productividad se sustenta en tres pilares clave: la automatización para escalar la capacidad y la velocidad, la gestión por indicadores (métricas) para una toma de decisiones objetiva, y la exploración de la Inteligencia Artificial (IA) como impulsor para optimizar procesos como la generación de casos de prueba y el mantenimiento de scripts.
• El factor humano como base: El éxito de cualquier transformación tecnológica o de procesos depende críticamente de las personas. La gestión del talento y la «extensión del conocimiento» entre equipos son la base fundamental del éxito, reforzando la idea de que «las empresas las hacemos las personas».
¿Por qué es crítica la gestión de QA Hoy? Punto de vista estratégico
La gestión de la función de Aseguramiento de Calidad (QA) ha trascendido su rol tradicional para convertirse en un imperativo estratégico. En el panorama tecnológico actual, caracterizado por arquitecturas de software distribuidas y altamente interconectadas, el costo de las pruebas ya no es un factor secundario o despreciable. Por el contrario, se ha consolidado como un punto central en la agenda de la gestión de TI, exigiendo un enfoque riguroso y planificado.
El argumento central radica en la naturaleza de los sistemas modernos. Cada modificación, ya sea la corrección de un defecto o la introducción de una nueva funcionalidad, desencadena una reacción en cadena que requiere probar la integridad del sistema completo. La analogía más clara es la de un diagrama de arquitectura donde cada componente está enlazado a múltiples otros; tocar uno implica verificar el comportamiento de todos los demás. Esta realidad obliga a la función de QA a abandonar el modelo de silos, donde el testing era una etapa final y aislada, para adoptar un enfoque colaborativo y holístico integrado desde el inicio del ciclo de vida del software. Esto provoca que el costo de la función de QA crezca de manera significativa y, a menudo, no lineal, superando las proyecciones presupuestarias si no se gestiona de forma proactiva.
Este desafío inherente a la complejidad del software moderno se ve amplificado por tendencias globales que validan y profundizan la necesidad de una gestión estratégica de la calidad.
Contexto global: Las 4 tendencias clave del
El análisis de las macrotendencias que moldean el futuro de QA, según lo expuesto en el World Quality Report, define el campo de juego actual para cualquier iniciativa de mejora. Estas tendencias no son abstractas, sino que representan las fuerzas que impulsan la necesidad de evolucionar y adaptar las prácticas de calidad a nivel mundial.
1. Desarrollo ágil y la necesidad de un modelo federado: La integración de los testers en células ágiles, si bien fomenta la colaboración, presenta un desafío significativo: la pérdida de uniformidad en las prácticas y estándares a lo largo de la organización. Cada célula puede adoptar sus propias herramientas y metodologías, creando silos de conocimiento y dificultando la gobernanza. La conclusión es clara: la estructura organizacional de QA debe evolucionar hacia un «modelo federado», donde un centro de excelencia establece las directrices y mejores prácticas, mientras que los testers integrados en las células las ejecutan, manteniendo así la coherencia y la calidad global.
2. La automatización como requisito indispensable: La automatización ha transitado de ser una ventaja competitiva a un requisito operativo indispensable. Las organizaciones que no la adoptan de manera sistemática quedan intrínsecamente incapacitadas para competir en velocidad y escala. La velocidad exigida por los ciclos de desarrollo ágiles y la complejidad de las pruebas de regresión hacen inviable una gestión puramente manual.
3. La irrupción de la Inteligencia Artificial (IA): La directriz global es explorar e implementar pilotos de Inteligencia Artificial de manera activa. La IA ya no es una tecnología futurista, sino una herramienta práctica con aplicaciones concretas en QA. Los ejemplos más relevantes incluyen la generación automática de casos de prueba a partir de los requisitos y la corrección automática de localizadores en los scripts de automatización, una de las tareas más costosas en el mantenimiento de las pruebas.
4. Calidad y privacidad de los datos: La gestión de los datos de prueba ha ganado una relevancia crítica, impulsada por nuevas y estrictas regulaciones de privacidad. El problema común del uso de copias directas de los entornos de producción ya no es sostenible. Es una necesidad imperante implementar procesos para enmascarar y encriptar la información sensible, garantizando tanto la calidad de los datos para las pruebas como el cumplimiento normativo.
Estas tendencias globales exigen que las organizaciones adopten un modelo interno que les permita navegar este entorno dinámico y madurar su propia función de QA de manera sistemática.
Un modelo para la madurez de la función QA
Para lograr una evolución ordenada y medible, es esencial adoptar un modelo de madurez que sirva como hoja de ruta estructurada. Este enfoque evita el crecimiento desorganizado y permite a la organización avanzar a través de niveles de capacidad bien definidos, asegurando que las bases sean sólidas antes de construir sobre ellas. Los componentes clave de este modelo son:
• Procesos y estándares (ISTQB): La adopción de estándares reconocidos como el ISTQB es el primer paso para crear una base común. Establece protocolos claros y un lenguaje compartido en toda la organización, asegurando que todos los miembros del equipo, independientemente de la célula en la que trabajen, operen bajo los mismos principios de calidad.
• Automatización: Es un pilar vital para escalar la capacidad y la eficiencia del equipo. Permite ejecutar un volumen de pruebas mucho mayor en menos tiempo, liberando a los ingenieros de QA para tareas de mayor valor añadido y garantizando una cobertura de regresión robusta y consistente.
• Gestión y articulación: La madurez en la gestión va más allá de la simple medición de KPIs. Se trata de la capacidad de articular acciones concretas basadas en dichos indicadores para resolver problemas sistémicos. Por ejemplo, si las métricas muestran un retraso recurrente del equipo de desarrollo en la corrección de defectos, una gestión madura implica intervenir y facilitar una solución coordinada, en lugar de simplemente reportar el problema.
• Inteligencia Artificial (IA): La adopción de IA representa un nivel avanzado de madurez. Su aplicación en tareas como la generación de casos de prueba y la reparación autónoma de scripts de automatización no solo optimiza los procesos, sino que también introduce un nivel de inteligencia predictiva y proactiva en la función de calidad.
Para medir formalmente este progreso, el estándar de la industria es el TMMi (Testing Maturity Model integration). Este modelo clasifica la madurez de una organización en cinco niveles:
1. Inicial: Los procesos de prueba son caóticos y reactivos, dependientes del heroísmo individual y sin formalización.
2. Gestionado: Se establecen políticas y estrategias de prueba básicas. La calidad se gestiona a nivel de proyecto, pero aún de forma inconsistente entre equipos.
3. Definido: Los procesos de prueba están estandarizados, documentados e integrados a nivel organizacional, asegurando una base coherente para todos los proyectos.
4. Medido: Se gestiona la calidad de manera cuantitativa. Se utilizan métricas para controlar los procesos, predecir resultados y tomar decisiones basadas en datos.
5. Optimizado: Se enfoca en la mejora continua y la optimización de los procesos a través de la innovación y la prevención proactiva de defectos.
La búsqueda de esta madurez no es un fin en sí mismo, sino el camino estructurado que habilita y materializa el objetivo final: la productividad.
El objetivo final: Alcanzar la productividad en QA
La productividad en el contexto de QA es el resultado tangible y medible de un modelo de madurez bien implementado. Se define a través de una fórmula clara que encapsula el valor de negocio que una función de QA eficiente debe entregar: menor tiempo, mayor alcance y contención de costos.
Para ilustrar cómo se alcanza esta productividad en la práctica, podemos analizar el roadmap de madurez específico para la automatización, que sigue una secuencia lógica y progresiva:
1. Inicio con pruebas manuales: La fase inicial, dependiente del esfuerzo humano y limitada en velocidad y alcance.
2. Implementación de pruebas automatizadas: El primer gran salto en eficiencia, permitiendo ejecutar regresiones de forma rápida y consistente.
3. Integración en un esquema de CI/CD (Integración y Despliegue Continuo): La automatización se integra en el pipeline de desarrollo, ejecutándose de forma autónoma con cada cambio en el código, lo que acelera drásticamente los ciclos de retroalimentación.
4. Evolución hacia un modelo CI/CD enriquecido con IA: El nivel más avanzado, donde la IA optimiza la selección de pruebas, predice fallos y automatiza el mantenimiento, maximizando la eficiencia y reduciendo la intervención manual.
Cada pilar del modelo de madurez contribuye directamente a los componentes de la productividad: la automatización reduce el tiempo de ejecución, la IA optimiza el alcance y reduce el esfuerzo de mantenimiento, y una gestión eficaz garantiza la contención de costos al identificar y resolver ineficiencias sistémicas.
Para gestionar este camino hacia la productividad de manera efectiva, es indispensable contar con un sistema robusto de indicadores que ofrezca visibilidad y control sobre el proceso.
Gestión basada en indicadores: «El número mata relatos»
Una gestión objetiva y una toma de decisiones informada solo son posibles a través de un sistema riguroso de indicadores. Las métricas proporcionan una visión clara y basada en datos del estado de la calidad, reemplazando las narrativas subjetivas y las justificaciones anecdóticas con evidencia empírica. Como dicta el principio de una gestión eficaz, «el número mata relatos».
Para estructurar la medición, es útil agrupar los indicadores en pilares clave, cada uno con un propósito específico: (a) pilar de medición y (b) propósito estratégico y métricas clave
Pruebas funcionales
Analiza la cobertura de pruebas, la cantidad de defectos por funcionalidad y el estado general de los proyectos para asegurar el alcance y la calidad de las entregas.
Automatización (KPIs)
Evalúa el porcentaje de escenarios automatizados frente a los manuales y la eficiencia de las ejecuciones de regresión, midiendo el retorno de la inversión en automatización.
Envejecimiento de defectos
Mide el tiempo que tarda el equipo de desarrollo en corregir los defectos reportados. Este indicador es crucial para identificar cuellos de botella en el ciclo de vida del software.
Calidad de fábricas de software
Compara el rendimiento de diferentes equipos o proveedores de desarrollo en términos de calidad. Permite identificar las mejores prácticas de los equipos de alto rendimiento para luego «polinizar» ese conocimiento a través de la organización, elevando el estándar de calidad global.
Gestión de equipo
Monitorea la asignación de tareas y el capacity del equipo de QA para asegurar una distribución equilibrada del trabajo y una gestión eficiente de los recursos humanos.
Calidad del desarrollo
Evalúa la efectividad de las prácticas de desarrollo aguas arriba, como la cobertura y el resultado de las pruebas unitarias, promoviendo la calidad desde el inicio.
Estos indicadores pueden ser visualizados en paneles de control (dashboards) dinámicos, utilizando herramientas como Power BI con datos extraídos de sistemas como Jira. Esto hace que la gestión de la calidad sea visible y accesible para todos los niveles de la organización, lo que facilita la alineación estratégica y la rendición de cuentas sobre la inversión en calidad. Una gestión basada en datos es el motor que impulsa la transformación necesaria de la función de QA.
Conclusión: La transformación de la función QA
La tesis central de este análisis es que la función de Aseguramiento de Calidad (QA) debe experimentar una transformación fundamental. Es necesario que evolucione de ser una actividad de control reactiva, relegada al final del ciclo de desarrollo, a convertirse en una disciplina estratégica, proactiva y centrada en la productividad que aporta un valor tangible y medible al negocio.
Esta transformación se sustenta en pilares interconectados: la adopción de un modelo de madurez estructurado como el TMMi, la implementación decidida de la automatización, la exploración y aplicación de la Inteligencia Artificial, y, de manera fundamental, una gestión rigurosa basada en indicadores objetivos que permita que «el número mate a los relatos».
Sin embargo, es crucial destacar que la tecnología y los procesos son solo habilitadores. El verdadero impulsor de esta transformación es el factor humano. La gestión del talento, la capacitación continua y la creación de una cultura de «polinización del conocimiento» implican guiar a los profesionales en su evolución: de ver solo el árbol (la ejecución de un caso de prueba), a comprender el bosque (el sistema completo y sus interacciones), hasta finalmente dominar el ecosistema (el impacto del producto en el negocio y el usuario final). Al final, son las personas quienes construyen la calidad e impulsan la excelencia.
Comentario personal
Este comentario está por fuera de la charla y es para acercarte un poco más de conocimiento acerca del «Informe mundial sobre la calidad 2024-25»
Perspectivas actuales sobre GenAI y automatización de pruebas
Foco principal: Adoptar la automatización y la ingeniería de calidad para mejorar la eficacia
El uso de tecnologías emergentes en las operaciones de desarrollo y entrega de software ha dejado de ser un objetivo para convertirse en una necesidad. La inteligencia artificial generativa (GenAI) y la automatización de pruebas lideran la respuesta a los retos nuevos y existentes, así como el aumento de la productividad y la eficiencia.
Entre las principales recomendaciones figuran:
- Desarrollo de una estrategia de automatización del control de calidad en toda la empresa para lograr coherencia y rentabilidad.
- Aprovechar el potencial de GenAI para mejorar y acelerar la automatización de pruebas.
- Herramientas de automatización de la garantía de calidad preparadas para el futuro para agilizar la integración con tecnologías emergentes.
- Comprender que GenAI no sustituirá a sus ingenieros de calidad, sino que mejorará significativamente su productividad.
- Evaluar cómo contribuye la ingeniería de calidad a los objetivos empresariales, como la satisfacción del cliente, el impacto en los ingresos y la calidad general del producto.
