{"id":3962,"date":"2026-04-10T12:16:33","date_gmt":"2026-04-10T10:16:33","guid":{"rendered":"https:\/\/desa.lksnext.com\/?p=3962"},"modified":"2026-07-20T09:12:16","modified_gmt":"2026-07-20T07:12:16","slug":"lks-next-plantea-un-nuevo-modelo-de-automatizacion-de-pruebas-con-ia-donde-la-calidad-sigue-en-manos-humanas","status":"publish","type":"post","link":"https:\/\/www.lksnext.com\/es\/lks-next-plantea-un-nuevo-modelo-de-automatizacion-de-pruebas-con-ia-donde-la-calidad-sigue-en-manos-humanas\/","title":{"rendered":"LKS Next plantea un nuevo modelo de automatizaci\u00f3n de pruebas con IA donde la calidad sigue en manos humanas"},"content":{"rendered":"\n

La inteligencia artificial generativa est\u00e1 entrando con fuerza en el mundo del testing, pero no todas las aproximaciones son iguales. En su participaci\u00f3n en TestingUy, Beatriz P\u00e9rez y Eneko Pizarro, especialistas de LKS Next<\/strong>, presentaron un enfoque que se desmarca de soluciones puramente experimentales para centrarse en c\u00f3mo generar pruebas automatizadas de calidad cuando los requisitos est\u00e1n incompletos, desactualizados o repartidos en m\u00faltiples formatos.<\/strong><\/p>\n\n\n\n

\u201cNosotros trabajamos en el mundo industrial y vemos un problema que pasa com\u00fanmente, que no hay requisitos\u201d<\/em><\/strong>,<\/strong> explic\u00f3 Beatriz P\u00e9rez durante su intervenci\u00f3n. \u201cCuando se quiere llegar a la etapa de las pruebas, muchas veces nadie sabe bien d\u00f3nde est\u00e1n los requisitos para poder hacerlas bien hechas\u201d.<\/em><\/p>\n\n\n\n

Partiendo de esa realidad, el trabajo que presentaron propone utilizar la inteligencia artificial generativa para transformar distintas fuentes de informaci\u00f3n en escenarios de prueba estructurados. V\u00eddeos grabados por testers o usuarios finales, documentos en PDF, actas de reuniones, presentaciones e incluso la propia aplicaci\u00f3n en funcionamiento se convierten en entradas v\u00e1lidas para generar escenarios en lenguaje Gherkin<\/strong>, base de un enfoque BDD que permite compartir conocimiento entre negocio, desarrollo y QA.<\/p>\n\n\n\n

La clave, insisti\u00f3 P\u00e9rez, no est\u00e1 en automatizar por automatizar. \u201cNosotros quer\u00edamos ir m\u00e1s all\u00e1 de que se ejecutaran pruebas automatizadas,<\/em><\/strong> pero ten\u00edamos clara una cosa. Quer\u00edamos que esas pruebas fueran deterministas\u201d.<\/em> Un matiz fundamental en un contexto donde la IA, por definici\u00f3n, no siempre ofrece resultados id\u00e9nticos ante la misma entrada.<\/p>\n\n\n\n

Para resolver esa tensi\u00f3n, el proceso se articula en tres etapas bien diferenciadas. Primero, la generaci\u00f3n de escenarios Gherkin a partir de fuentes heterog\u00e9neas. Despu\u00e9s, una fase de revisi\u00f3n humana que valida y ajusta esos escenarios antes de avanzar. Y solo entonces, la generaci\u00f3n del c\u00f3digo de prueba automatizado siguiendo buenas pr\u00e1cticas de dise\u00f1o como el Page Object Model.<\/p>\n\n\n\n

\u201cEl humano en el loop es una etapa fundamental\u201d<\/em><\/strong>, subray\u00f3 Beatriz P\u00e9rez. \u201cEn caso de que el Gherkin est\u00e9 mal, mediante prompts se puede iterar hasta que queda como el humano cree que tiene que quedar. Solo cuando eso est\u00e1 validado se pasa a generar el c\u00f3digo\u201d.<\/strong><\/em><\/p>\n\n\n\n

Ese enfoque permite que el c\u00f3digo resultante sea mantenible y predecible, con escenarios peque\u00f1os, reutilizables y alineados con los est\u00e1ndares que los propios equipos exigen al software de producci\u00f3n. \u201cTodo lo que le pedimos al desarrollo de software tiene que pasar tambi\u00e9n en el testing\u201d,<\/em> se\u00f1al\u00f3 P\u00e9rez. \u201cSi pedimos clases peque\u00f1as y c\u00f3digo mantenible, las pruebas tienen que cumplir exactamente lo mismo\u201d.<\/em><\/p>\n\n\n\n

Desde el punto de vista t\u00e9cnico, Eneko Pizarro detall\u00f3 c\u00f3mo esta arquitectura se ha integrado de forma nativa en el entorno de desarrollo. \u201cHemos montado todo esto encima de Visual Studio Code y la extensi\u00f3n de GitHub Copilot como un sistema de agentes que orquestan otros subagentes\u201d,<\/em> explic\u00f3. Estos agentes se encargan de procesar entradas multimodales, generar escenarios Gherkin y transformar esos escenarios en c\u00f3digo automatizado con Selenium, step definitions y page objects bien definidos.<\/strong><\/p>\n\n\n\n

Uno de los elementos m\u00e1s innovadores del sistema es la capacidad de procesar v\u00eddeo de forma sem\u00e1ntica. \u201cEl agente puede procesar v\u00eddeo y no solo saca una descripci\u00f3n de lo que se hace, sino que extrae funcionalidad, pasos y las descripciones de las p\u00e1ginas que se ven\u201d,<\/em> afirm\u00f3 Pizarro. Esa informaci\u00f3n se utiliza para enriquecer los escenarios y aumentar de forma significativa la cobertura de pruebas.<\/p>\n\n\n\n

Los resultados obtenidos avalan ese planteamiento. En varios proyectos reales, el equipo midi\u00f3 la diferencia entre generar escenarios sin v\u00eddeo y hacerlo incorporando grabaciones de usuarios. \u201cCuando no ten\u00edamos en cuenta los v\u00eddeos, cubr\u00edamos alrededor del 50% de los escenarios\u201d,<\/em><\/strong> explic\u00f3 P\u00e9rez. \u201cCuando a\u00f1ad\u00edamos el v\u00eddeo, la cobertura llegaba casi al 100% en algunos casos\u201d.<\/em><\/strong><\/p>\n\n\n\n

En cuanto a la automatizaci\u00f3n, la IA es capaz de generar el c\u00f3digo de prueba de forma consistente, aunque no siempre ejecutable a la primera. Aun as\u00ed, el esfuerzo humano necesario para alcanzar un alto nivel de \u00e9xito es reducido. \u201cTras 80 o 90 minutos de revisi\u00f3n humana se alcanz\u00f3 un 97% de \u00e9xito en la ejecuci\u00f3n\u201d,<\/em><\/strong> destac\u00f3 P\u00e9rez. \u201cQue en una hora y media tenga el 97% de los tests ejecutando en una aplicaci\u00f3n donde todo me lo hizo la IA, para m\u00ed es fant\u00e1stico\u201d.<\/em><\/p>\n\n\n\n

El equipo tambi\u00e9n fue transparente sobre los retos pendientes. Mientras que el enfoque funciona de forma s\u00f3lida en aplicaciones m\u00e1s tradicionales, aparecen dificultades en entornos modernos basados en frameworks como React o Vue, donde los elementos se generan din\u00e1micamente. \u201cAh\u00ed estamos teniendo problemas con selectores fr\u00e1giles y p\u00e9rdida del orden de los pasos, y es justo en lo que estamos trabajando ahora\u201d<\/em>, explic\u00f3 P\u00e9rez.<\/p>\n\n\n\n

Lejos de presentar una soluci\u00f3n cerrada, la propuesta de LKS Next se apoya en una visi\u00f3n realista del momento actual. \u201cHoy no es el caso que la IA pueda generar pruebas completamente sola y bien en cualquier contexto\u201d,<\/em> <\/strong>concluy\u00f3 P\u00e9rez. \u201cPor eso seguimos este camino, porque creemos que ahora mismo es el mejor\u201d.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"

La inteligencia artificial generativa est\u00e1 entrando con fuerza en el mundo del testing, pero no todas las aproximaciones son iguales. En su participaci\u00f3n en TestingUy, Beatriz P\u00e9rez y Eneko Pizarro, especialistas […]<\/p>\n","protected":false},"author":11,"featured_media":43427,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_EventAllDay":false,"_EventTimezone":"","_EventStartDate":"","_EventEndDate":"","_EventStartDateUTC":"","_EventEndDateUTC":"","_EventShowMap":false,"_EventShowMapLink":false,"_EventURL":"","_EventCost":"","_EventCostDescription":"","_EventCurrencySymbol":"","_EventCurrencyCode":"","_EventCurrencyPosition":"","_EventDateTimeSeparator":"","_EventTimeRangeSeparator":"","_EventOrganizerID":[],"_EventVenueID":[],"_OrganizerEmail":"","_OrganizerPhone":"","_OrganizerWebsite":"","_VenueAddress":"","_VenueCity":"","_VenueCountry":"","_VenueProvince":"","_VenueState":"","_VenueZip":"","_VenuePhone":"","_VenueURL":"","_VenueStateProvince":"","_VenueLat":"","_VenueLng":"","_VenueShowMap":false,"_VenueShowMapLink":false,"footnotes":""},"categories":[52,57],"tags":[35,133],"class_list":["post-3962","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ia","category-software-engineering","tag-tecnologia","tag-ted"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.lksnext.com\/es\/wp-json\/wp\/v2\/posts\/3962","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.lksnext.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.lksnext.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.lksnext.com\/es\/wp-json\/wp\/v2\/users\/11"}],"replies":[{"embeddable":true,"href":"https:\/\/www.lksnext.com\/es\/wp-json\/wp\/v2\/comments?post=3962"}],"version-history":[{"count":2,"href":"https:\/\/www.lksnext.com\/es\/wp-json\/wp\/v2\/posts\/3962\/revisions"}],"predecessor-version":[{"id":4172,"href":"https:\/\/www.lksnext.com\/es\/wp-json\/wp\/v2\/posts\/3962\/revisions\/4172"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.lksnext.com\/es\/wp-json\/wp\/v2\/media\/43427"}],"wp:attachment":[{"href":"https:\/\/www.lksnext.com\/es\/wp-json\/wp\/v2\/media?parent=3962"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.lksnext.com\/es\/wp-json\/wp\/v2\/categories?post=3962"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.lksnext.com\/es\/wp-json\/wp\/v2\/tags?post=3962"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}