El fin de las reuniones eternas: regresión inteligente con IA
Todo empezó con un notion lleno de bullets, más de diez personas conectadas en una call, y una pregunta que sabemos, se repite en todas las oficinas: "¿Nos estamos olvidando de algo?". Así arrancaban nuestras sesiones de regresión en proyectos complejos, donde cada funcionalidad tenía impacto directo en miles de usuarios. Queríamos cubrir todo, prever lo imprevisible, no dejar puntos ciegos. Pero la coordinación era cada vez más insostenible. Sabíamos que tenía que haber otra forma.
En esta nota quiero compartirte cómo desde Paisanos transformamos esas maratones en un proceso ágil e inteligente, y cómo nuestra experiencia en proyectos desafiantes nos llevó a colaborar activamente en la evolución de una de las herramientas que hoy potencia nuestro QA. Un cambio que no solo alivió al equipo, sino que elevó la calidad sin frenar el delivery. Spoiler: no se trata solo de automatizar más, sino de hacerlo con cabeza.
Nuestro camino: QA en proyectos de alta complejidad
En Paisanos nos especializamos en proyectos altamente exigentes, siempre con foco en la experiencia del usuario final. Aplicaciones móviles y web que deben funcionar impecablemente bajo presión, con bases de usuarios masivas y funcionalidades críticas. Cada proyecto trae sus propios desafíos: desde e-commerce con flujos de pago complejos hasta plataformas de entretenimiento con miles de usuarios simultáneos.
Hace no tanto tiempo, nuestra aproximación a la calidad de software dependía de prácticas exclusivamente manuales y tediosas. Documentación excesiva, diseño de test cases extensos, regresionar manualmente en cada release, validar formularios campo por campo. Prácticas necesarias, pero que demandaban tiempo y recursos que no siempre se alineaban con la velocidad del negocio. La automatización apareció como alivio, aportando consistencia y rapidez, aunque requería inversión técnica y mantenimiento no siempre sostenible, dependiendo mucho según el escenario y proyecto.
Lo que aprendimos en el camino es que cada proyecto trae pains particulares. En mobile, lidiar con múltiples dispositivos, versiones de OS, y comportamientos nativos impredecibles. En web, la explosión de browsers, resoluciones, y estados de sesión complejos. Y cuando el proyecto abarca ambos ecosistemas, la complejidad se multiplica exponencialmente.
Con las metodologías ágiles, y bajo la premisa del continuous delivery, el escenario viró como barco en la tormenta. Nuestros clientes esperaban releases frecuentes, sin margen para regresiones que -en su ausencia- comprometieran la experiencia del usuario. Las iteraciones constantes y los despliegues frecuentes hicieron que la pregunta se vuelva tanto inevitable como persistente: ¿cómo asegurar calidad sin frenar la velocidad? La respuesta ya no podía limitarse a automatizar más. Requirió nuevas prácticas que se acoplen a la dinámica, como, por ejemplo: incluir al QA desde el discovery, impulsar la colaboración desde una mirada crítica/analítica, participar e impulsar ceremonias de equipo que involucren a todo el equipo en la calidad, y automatizar con criterio estratégico, combinando pruebas exploratorias, regresiones automatizadas y visión de negocio compartida.
En definitiva, y como bien acostumbramos, atravesamos estos desafíos de frente. Los tiempos de delivery ajustados casi que se volvieron nuestra norma, no la excepción. Tuvimos que repensar cómo hacíamos QA, no solo para adaptarnos, sino para liderar con calidad sin convertirla en un cuello de botella.
Es acá donde la Inteligencia Artificial comenzó a abrir nuevas posibilidades. No como una promesa distante, sino como facilitador hacia modelos y procesos más ágiles. La IA puede proponer escenarios de prueba mientras la persona revisa y agrega contexto, o generar scripts para equipos sin experiencia en programación. En otras palabras, generó mayor inclusividad, acelerando el aprendizaje y potenciando al equipo.
Estos avances amplifican el alcance del criterio humano sin eliminarlo. Los ciclos son más cortos, la presión por calidad es mayor, y las organizaciones necesitan respuestas a la altura. Tal vez la IA no resuelva todos los dilemas, pero actúa como un faro: ilumina un camino donde QA ya no es visto como un último paso, sino como un motor de valor estratégico, capaz de acompañar la velocidad del negocio sin perder de vista la visión del mismo, y la profundidad de la calidad.
Boca: cuando la complejidad se vuelve tangible
Esta evolución no se quedó en conceptos abstractos. El proyecto de Boca fue donde todos estos desafíos convergieron simultáneamente, poniendo a prueba todo lo que habíamos construido como organización.
Seguramente se enfrentaron a una situación similar: sin importar las características específicas del producto, cuando alguien pregunta sobre las casuísticas más críticas a validar, automáticamente empezamos a listar escenarios en nuestra mente, uno tras otro, como mamushkas rusas de casos edge.
En este proyecto, nuestras sesiones de regresión se habían convertido en maratones corporativas. Un proyecto de tal magnitud, cargado de ambición y desafíos constantes demandaba reuniones que se extendían por horas y convocaban a más de diez personas: desarrolladores, QAs, product owners, analistas de negocio. Cada rol aportaba su perspectiva sobre escenarios críticos, casos edge, y conocimiento institucional que parecía imposible de sistematizar.
Cuando hablamos de un ecosistema que atiende a millones de socios con perfiles diversos, sumado a la variedad de eventos y actividades que atraviesan la agenda del club, esa enumeración mental se vuelve abrumadora. Un aplicativo con semejante complejidad y alcance, donde cada funcionalidad impacta directamente en la experiencia de una base masiva de usuarios. Los tiempos de delivery eran demandantes, las funcionalidades se superponían en desarrollo, y cada release podía potencialmente afectar flujos críticos que ya estaban en producción. Esto era necesario, pero insostenible.
El dilema técnico desde nuestra trinchera
La automatización no era opcional, era una necesidad imperativa. Pero desde nuestra experiencia en Paisanos, sabíamos exactamente qué obstáculos enfrentaríamos con un enfoque convencional, y seguramente ustedes se toparon con los mismos o alguno de ellos:
- La curva de aprendizaje técnica. Ya habíamos vivido esto en proyectos anteriores. Frameworks convencionales requieren que los QAs dominen lenguajes de programación, entiendan patrones de diseño, y manejen conceptos como Page Object Model o gestión de selectores complejos. En un equipo con perfiles diversos y presión por delivery constante, esa inversión de tiempo se hacia poco viable, sobretodo en el caso de proyectos de duración corta/mediana. Y capacitar al equipo completo hubiera significado semanas, quizás meses, antes de ver resultados tangibles y escalables.
- El mantenimiento continuo. Lo habíamos experimentado: cada cambio en la interfaz desencadena una cascada de actualizaciones en los scripts. Selectores rotos, flujos obsoletos, sincronizaciones que fallan. Un solo refactor del frontend puede significar horas dedicadas a reparar tests en lugar de crear nuevos. Con la velocidad de iteración que manejábamos, la deuda técnica crecería más rápido que la cobertura.
- La gestión de datos de prueba. Este era uno de nuestros mayores pains. Coordinar usuarios de test, estados de compra/reserva, configuraciones específicas por ambiente... todo requiere infraestructura adicional y sincronización manual constante. ¿Quién crea los datos? ¿Cómo se refrescan? ¿Qué pasa cuando dos pruebas necesitan el mismo usuario simultáneamente?.
- Y finalmente, la escalabilidad. Ejecutar regresiones completas en paralelo con frameworks tradicionales implica configurar grids de ejecución, gestionar capacidad de infraestructura, y lidiar con inconsistencias entre ejecuciones. Más complejidad, más tiempo, más recursos.
El panorama era claro desde nuestra perspectiva: necesitábamos automatizar, pero el camino tradicional nos alejaría de la agilidad que buscábamos en lugar de acercarnos.
Nuestra colaboración con Autonoma: co-creando la solución
La pregunta persistía: ¿Cómo capturar toda esa sabiduría colectiva sin depender de la disponibilidad simultánea de un equipo entero? ¿Cómo automatizar sin sacrificar velocidad de implementación? ¿Cómo democratizar el acceso a la automatización sin que el equipo necesite convertirse en desarrolladores?
La respuesta llegó explorando alternativas que se alinearan con nuestra realidad. Como QAs, en Paisanos entendemos que tenemos la responsabilidad de estar abiertos a explorar herramientas y tecnologías emergentes, evaluando cómo pueden impactar positivamente en nuestros procesos y delivery, directa o indirectamente.
Fue así como comenzamos a colaborar con Autonoma. Pero esto no fue una simple adopción de herramienta. Fue una alianza estratégica donde nuestra experiencia, nuestros pains, y nuestra visión moldearon activamente el producto.
A través de múltiples reuniones, volcamos todo lo que habíamos aprendido en años de proyectos desafiantes. Tantos QAs como Devs les contamos sobre nuestros pains específicos: la naturaleza del continuous delivery que manejábamos, la duración de nuestros desarrollos, la falta de autonomía en la gestión de datos de prueba que nos había frenado alguna vez en el pasado. Cada sesión era una oportunidad para que el equipo de Autonoma entendiera no solo qué necesitábamos, sino por qué lo necesitábamos.
No trajimos solo requerimientos abstractos. Compartimos casos reales, flujos complejos de nuestros proyectos, escenarios edge que habíamos enfrentado. Les mostramos cómo trabajábamos, dónde nos trabábamos, qué nos quitaba el sueño. Esta colaboración bidireccional fue clave: ellos iteraban el producto, nosotros validábamos en contextos reales, y retroalimentábamos con insights que solo vienen de estar en la trinchera.
Nuestra visión sobre cómo debía funcionar una herramienta de QA moderna influyó directamente en el roadmap de Autonoma. El enfoque no-code que hoy los caracteriza calzó como guante en nuestro caso de uso. La gestión inteligente de variables de prueba evolucionó respondiendo a nuestros dolores específicos con datos de test. La configuración intuitiva de ambientes tomó forma pensando en cómo switcheábamos entre desarrollo, staging y producción múltiples veces al día, con la capacidad de paralelizar ejecuciones de manera escalable sin necesidad de configurar infraestructura adicional.
En otras palabras: ayudamos a construir la herramienta que necesitábamos, y en el proceso, contribuimos a crear una solución que ahora beneficia a otros equipos con desafíos similares.
Así se materializó una solución que cubría exactamente lo que buscábamos: democratizar el acceso a la automatización sin sacrificar la profundidad del análisis, a través de la IA. El enfoque no-code eliminó la barrera de entrada técnica por completo. Cualquier miembro de nuestro equipo, independientemente de su background en programación, podía diseñar y ejecutar tests complejos en cuestión de minutos.
Aún con Autonoma implementado en Boca, no todo se resolvió por arte de magia. Fue necesario coordinar estrechamente con el equipo interno del club para establecer procesos claros de gestión: usuarios de prueba, eventos y productos, actualización de estados y sincronización de datos. Esta colaboración fue fundamental para que la herramienta pudiera brillar. Una vez alineados, lo que antes requería horas de sincronización y debate, ahora se condensa en sesiones donde una sola persona puede regresionar la totalidad de esos escenarios complejos, preservando tanto la casuística técnica como el conocimiento profundo del negocio.
Además de la transformación en procesos, Autonoma aportó visibilidad técnica en tiempos de constantes iteraciones. Las métricas de ejecución ahora nos permiten identificar patrones de rendimiento, detectar flujos inestables de manera proactiva, y reflejar el progreso en calidad. Esta capacidad de análisis continuo se convirtió en un aliado valioso para anticipar problemas antes de que impacten a los usuarios. Esta transparencia en datos y resultados fue fundamental para generar confianza en una nueva forma de trabajar, especialmente considerando la responsabilidad que conlleva validar la experiencia de millones de usuarios.
Más que eficiencia: impacto cultural y estratégico
El impacto en Paisanos trascendió la eficiencia operativa. El tiempo ahora se aprovecha cada vez más para poder extender la cobertura de casuísticas y escenarios. La IA potenció la rápida adaptación al framework, lo que llevó a mayor soltura en la cobertura de casuísticas y adaptabilidad a los cambios constantes del entorno, liberando al equipo para enfocarse en análisis estratégico y mejora continua. En definitiva, se confirmó que automatizar no significó reducir esfuerzo, sino redirigirlo hacia donde puede aportar mayor valor.
¿Estás pensando cómo incorporar IA a tus procesos sin resignar calidad ni control? Hablemos.
En Paisanos creemos que la inteligencia artificial no reemplaza al criterio humano: lo amplifica.
Trabajamos codo a codo con organizaciones que quieren transformar sus procesos sin resignar calidad, contexto ni velocidad. Creemos en construir soluciones que se adapten a las personas, y no al revés. Porque cuando la tecnología potencia al equipo, lo que antes parecía imposible se vuelve parte del día a día.