Una solución con agentes de IA que convierte documentos, vídeos y comportamiento real de la aplicación en requisitos y casos de prueba que permiten evolucionar con el negocio. 

En la mayoría de las organizaciones, el software evoluciona más rápido que su documentación. Las decisiones funcionales se reparten entre actas de reunión, documentos técnicos, comentarios de proyecto, vídeos de demostración y conocimientoen personas del negocio. El resultado es conocido por cualquier CIO: pruebas difíciles de mantener, requisitos incompletos, retrabajo, dependencia de personas clave y ciclos de entrega más lentos. 

El problema: las pruebas funcionales y de aceptación son críticas, pero caras de crear y mantener 

Las pruebas funcionales (end-to-end, o E2E), validan que una aplicación funciona correctamente desde la perspectiva real del usuario. Son esenciales para asegurar que un proceso digital completo —por ejemplo, registrarse, comprar, configurar un producto o gestionar una solicitud— funciona de principio a fin. 

Pero tienen un coste elevado, ya que la generación y el mantenimiento de especificaciones y casos de pruebas siguen siendo tareas muy manuales, especialmente cuando la información funcional está repartida entre diferentes fuentes: documentación técnica, actas, tickets en aplicaciones de gestión y conocimiento de proyecto. 

Para un CEO o CIO, esto no es solo un problema técnico. Es un problema de negocio: 

• cuando las pruebas son lentas de crear, el time-to-market se resiente; 
• cuando las pruebas no cubren bien los casos reales, aumenta el riesgo de incidencias en producción; 
• cuando el conocimiento está disperso, la organización depende demasiado de personas concretas; 
• y cuando mantener las pruebas cuesta demasiado, los equipos terminan probando menos de lo que deberían. 

Entonces, ¿cómo podemos convertir el conocimiento disperso de un proyecto en pruebas de calidad, sin aumentar la carga del equipo? 

La propuesta: una IA que entiende documentos, vídeos y el comportamiento real de la aplicación 

Nuestra solución Spec2Test utiliza diversos agentes IA especializados que trabajan juntos para analizar información de distintas fuentes y generar especificaciones de prueba en lenguaje Gherkin, el formato habitual en enfoques BDD. 

BDD, o Behaviour-Driven Development, permite expresar el comportamiento esperado de una aplicación en un lenguaje comprensible tanto para negocio como para tecnología. En lugar de hablar solo en código, se describen escenarios como: “Dado que el usuario está registrado, cuando realiza una acción, entonces el sistema debe responder de una forma concreta”. Gherkin actúa como documentación viva y ejecutable, conectando especificaciones funcionales con pruebas automatizables. 

La innovación está en que el sistema no se limita a leer requisitos escritos. También puede procesar vídeos de demostración, documentos PDF, actas y especificaciones existentes. Además, un agente navega por la aplicación web para observar su comportamiento real y extraer elementos de interfaz, flujos de usuario y transiciones entre pantallas. 

En términos de negocio, esto significa que la IA no trabaja solo con lo que “se dijo que el sistema hacía”, sino también con lo que el sistema realmente hace. 

Por qué el vídeo cambia las reglas del juego 

En muchos proyectos, una demo grabada contiene información que nunca llega a documentarse bien: qué botón se pulsa, qué orden siguen las acciones, qué ocurre en pantalla, qué mensajes aparecen, qué errores se muestran o cómo responde el sistema ante determinados comportamientos del usuario. 

Desde LKS Next, hemos demostrado que incorporando vídeos en el proceso se mejora de forma sustancial la cobertura funcional de las especificaciones generadas. Así, en los experimentos realizados, al añadir vídeo, el índice de trazabilidad de requisitos subió del 54 % al 94 % ennuestras pruebas realizadas con varias aplicaciones de LKS Next y del mercado. 

En resumen: la documentación escrita no cuenta toda la historia.  

El vídeo captura comportamiento real, contexto visual y detalles de uso que suelen perderse. Esto abre una oportunidad clara: aprovechar activos que ya existen en muchos proyectos —demos, grabaciones, sesiones funcionales— para mejorar la calidad del software sin exigir más documentación manual. Además, capturar el conocimiento del negocio, para un experto del negocio en cómo debe funcionar la aplicación y que conoce qué debe probarse, le es muy fácil grabar su flujo de trabajo con la aplicación. 

No sustituye al equipo de QA o Analistas: lo potencia 

Un punto especialmente relevante del enfoque es que no plantea una automatización ciega. El sistema incorpora una fase de revisión humana (human-in-the-loop), donde un experto QA o Analista funcional valida que las especificaciones generadas capturan correctamente la intención del negocio. 

Esto es clave para cualquier organización que quiera aplicar IA de forma productiva. La IA acelera, estructura, propone y reduce trabajo repetitivo, pero la validación de negocio sigue estando en manos del equipo experto. 

El beneficio no es “quitar personas del proceso”, sino liberar capacidad. Las personas (QA, Analista, etc.) puede dedicar menos tiempo a reconstruir requisitos dispersos y más tiempo a validar riesgos, revisar casos críticos, mejorar cobertura y asegurar que las pruebas reflejan lo que realmente importa para el negocio. 

De generar pruebas a industrializar la calidad 

Generar especificaciones útiles, mantenibles y automatizables es nuestro trabajo en LKS, si usamos IA, debe cumplir los mismos criterios. 

Por eso, el valor de esta aproximación no está solo en crear escenarios de prueba, sino en hacerlo con criterios de calidad: lenguaje claro para negocio, pasos bien definidos, resultados verificables y especificaciones preparadas para evolucionar con el software. 

La clave está en llevar esta inteligencia al flujo natural de trabajo de los equipos, conectándola con las herramientas que ya utilizan desarrollo y QA. Así, la IA no se convierte en una capa aislada, sino en una capacidad integrada en el ciclo de vida del software: entiende contexto, propone especificaciones, facilita la automatización y ayuda a mantener la calidad a medida que la aplicación evoluciona. 

El resultado usando Spec2Test es un cambio de modelo. Las organizaciones pasan de depender de documentación dispersa, esfuerzo manual y conocimiento informal, a convertir documentos, demos, tickets, bugs, vídeos y comportamiento real de la aplicación en activos vivos, trazables y reutilizables. 

Para negocio, esto significa menos riesgo, mayor velocidad de entrega y una mejor experiencia de usuario. Para tecnología, supone pruebas más escalables, mejor cobertura funcional y una base más sólida para avanzar en automatización con DevSecOps. 

Para LKS Next el futuro de la calidad del software no consiste en generar más documentación, sino en aprovechar mejor lo que ya sabemos para convertirlo en pruebas asistidas por IA, útiles.

Artículo ganador de Sistedes