El debate sobre la eficiencia y la productividad en el desarrollo de software sigue abierto, incluso más ahora que el uso de la IA se está extendido tanto.
Raúl Fernández, director de Operaciones de LedaMC, analiza el impacto que la IA está teniendo en la transformación de la gestión de TI y cómo medir el valor real en los proyectos de software.
Raúl, en un contexto como el actual donde el debate sobre la eficiencia y la productividad en el desarrollo de software sigue vigente, ¿qué opina sobre los estudios emergentes que intentan medir la productividad de los desarrolladores?
Medir la productividad en software no es sencillo.
Los programadores más experimentados invierten tiempo en reuniones, resolución de problemas y pruebas, actividades clave que no siempre quedan registradas.
La verdadera amenaza para un programador no es la IA en sí, sino otro desarrollador que la utilice de manera más efectiva
Pero la inteligencia artificial está transformando las reglas del juego. Aunque algunos temen que pueda sustituir a los desarrolladores, lo cierto es que quienes saben aprovechar las herramientas de IA generativa pueden potenciar considerablemente su productividad y eficacia.
En última instancia, la verdadera amenaza para un programador no es la IA en sí, sino otro desarrollador que la utilice de manera más efectiva.
Desde su punto de vista, ¿cuáles son los principales problemas a la hora de medir el valor real en los proyectos de software?
Sin duda, los requisitos mal definidos han representado un problema persistente en el desarrollo de software.
«Los requisitos imprecisos son los que continúan generando dificultades en los proyectos de software»
Raúl Fernández, LedaMC
Y es lo paradójico del sector. Que donde hemos invertido más tiempo en perfeccionar procesos, documentar y establecer mejores prácticas, sin embargo, sean los requisitos imprecisos los que continúan generando dificultades en los proyectos de software.
¿A qué se debe que seguir redactando requisitos claros y exhaustivos sea tan complicado, incluso en organizaciones con procesos bien establecidos?
La respuesta radica en que redactar un buen requisito no solo implica aspectos técnicos, sino también una comunicación efectiva y una comprensión adecuada entre todas las partes involucradas.
¿Cómo se puede abordar esta situación? ¿Qué desafíos se identifican?
Uno de los principales problemas es la ambigüedad. A menudo, el inconveniente no es la falta de información, sino que esta no se presenta de manera estructurada o clara.
Un mismo requisito puede ser interpretado de diversas formas por el equipo de negocio, los desarrolladores y los testers, lo que genera complicaciones desde el principio del proyecto.
Otro aspecto que falla es la alineación con el negocio. Los requisitos a menudo se formulan utilizando un lenguaje excesivamente técnico o, en contraposición, demasiado genérico.
Son muy pocos los proyectos de software que se completan exitosamente en términos de tiempo, alcance y presupuesto, siendo los requisitos deficientes uno de los factores de riesgo más destacados
Si no existe una conexión clara entre las expectativas del negocio y lo que el equipo técnico está desarrollando, es probable que surjan sobrecostos y retrasos.
Son muy pocos los proyectos de software que se completan exitosamente en términos de tiempo, alcance y presupuesto, siendo los requisitos deficientes uno de los factores de riesgo más destacados.
Todo esto nos llevó a identificar la necesidad de incorporar en Quanter, nuestra aplicación para la estimación y el benchmarking de proyectos de software, una funcionalidad que facilite la mejora en la definición de requisitos.
La inteligencia artificial generativa está siendo clave en la innovación de los proyectos de desarrollo de software. ¿Qué otras innovaciones basadas en IA están en el roadmap para los próximos meses?
La Mejora de Requisitos, después de la Estimación Inteligente, ha sido un avance muy importante en Quanter, pero no paramos aquí.
Queremos seguir evolucionando la aplicación para automatizar aún más la gestión de proyectos de software y facilitar el trabajo a los equipos.
En estos momentos estamos trabajando ya en dos nuevas mejoras. La primera es la interpretación de imágenes en documentos PDF.
Con la ayuda de la IA generativa, Quanter podrá analizar los requisitos y generar casos de prueba coherentes y estructurados para facilitar la validación del software desde las primeras fases del desarrollo
La segunda será la generación automática de casos de prueba a partir de requisitos escritos en lenguaje natural.
Con la ayuda de la IA generativa, Quanter podrá analizar los requisitos y generar casos de prueba coherentes y estructurados para facilitar la validación del software desde las primeras fases del desarrollo, reduciendo errores y acelerando los ciclos de prueba.
¿De qué manera contribuye la inteligencia artificial generativa a perfeccionar los requisitos en herramientas como Quanter?
La IA generativa en Quanter ayuda a mejorar la calidad de los requisitos desde el inicio, ya que permite analizar y sugerir mejoras en la redacción.
Al introducir un requisito en lenguaje natural, la herramienta evalúa y propone ajustes basados en mejores prácticas, estándares del sector y criterios internos, además de explicar cada cambio para que los equipos comprendan su impacto.
Esto asegura que los requisitos estén mejor estructurados, facilitando estimaciones más precisas y reduciendo riesgos en etapas posteriores del proyecto.
