Acelerar el ciclo de vida de la entrega de software con IA generativa: lecciones de los servicios de pago empresarial de IBM

Hace tres meses, el retraso en las pruebas de regresión y el tiempo de ejecución de mi equipo eran una carga persistente en cada sprint. Hoy, Bob ha reducido nuestro esfuerzo de pruebas en más del 70 %. Ese resultado se logró desplegando IBM® Bob, el asistente de desarrollo de IA de IBM, integrado de forma nativa en el flujo de trabajo de pruebas, como miembro pleno de nuestro equipo de pruebas. Demuestra que la entrega de software aumentada por IA ya no es un concepto futuro.

Los equipos de ingeniería de software se enfrentan a una presión creciente desde múltiples direcciones simultáneamente. Los organismos reguladores están haciendo más estrictos los requisitos de cumplimiento. Los auditores de seguridad exigen una mayor visibilidad de la gestión de vulnerabilidades y los plazos de corrección. Mientras tanto, los clientes aceleran sus demandas funcionales, esperando un tiempo de lanzamiento al mercado más rápido sin afectar la calidad ni la estabilidad.

El equipo de servicios de pagos empresariales (EPS) de IBM® Payments Center opera una plataforma de pagos altamente regulada y de alto valor, y vivimos con esas presiones todos los días. Las plataformas de pago se encuentran en la intersección de cada una de ellas: la regulación financiera, los mandatos de resiliencia operativa, el escrutinio de seguridad y las demandas competitivas de los clientes convergen en una única base de código.

La pregunta que me propuse responder este año es sencilla: ¿cómo podemos hacer más, de forma más rápida, con las mismas personas, sin sacrificar la calidad o la estabilidad?

La respuesta es la IA generativa, concretamente IBM Bob, que incorporamos a principios de 2026 como miembro pleno del equipo de ingeniería de EPS. Hemos logrado un progreso significativo en solo unos meses. Esos resultados reflejan una transformación más amplia que está ocurriendo en toda la industria.

La IA generativa ya no es un experimento piloto limitado a sugerencias de autocompletado. Se está integrando en todas las disciplinas principales del ciclo de vida del desarrollo de software (SDLC), desde la recopilación de requisitos hasta la respuesta a incidentes de producción. Los resultados son lo suficientemente convincentes como para que las organizaciones que aún no inviertan experimenten una desventaja competitiva real.

Nuestra experiencia se ajusta perfectamente a todo el ciclo de desarrollo de software. Permítanme explicarles cada fase.

Requisitos: convertir el ruido en estructura
 

La recopilación de requisitos siempre ha sido la fase con más ambigüedad y el mayor potencial de costos posteriores. Los requisitos deficientes son la causa principal de una parte desproporcionada de reestructuración del proyecto, incumplimiento del alcance e inyección de defectos. Un defecto encontrado en los requisitos cuesta una fracción de uno encontrado en la producción.

La IA generativa cambia fundamentalmente la economía de esta fase. En el contexto de EPS, Bob se encarga de esto:

• Rápida historia de usuario y generación de documentación: transformar las notas de reuniones y las conversaciones con los stakeholders directamente en historias de usuario estructuradas y listas para JIRA y criterios de aceptación.
• Identificación de requisitos faltantes: analizar las historias existentes en función del contexto empresarial y señalar las deficiencias que los analistas de negocio humanos podrían no detectar hasta las últimas etapas del sprint.
• Traducción de entradas no estructuradas: convertir transcripciones, correos electrónicos y notas informales en artefactos de requisitos formales.

Hemos observado mejoras de productividad del 30 al 40 % en la fase de requisitos al utilizar Bob para ayudar a los analistas de negocios, principalmente a través de la eliminación del trabajo manual de transcripción, reformateo y referencias cruzadas. Estas estimaciones medidas por el equipo se basan en el esfuerzo de los analistas de negocios rastreados antes y después de la incorporación de Bob al equipo.

El habilitador clave es la concientización contextual de Bob. La cargamos con el conjunto completo de documentación de la plataforma, estándares regulatorios y de programación y requisitos no funcionales. Esta base garantiza que los requisitos generados reflejen las realidades arquitectónicas y normativas de una plataforma de pagos, en lugar de ser simplemente correctos desde el punto de vista sintáctico.

Ingeniería y desarrollo: la mayor oportunidad
 

El desarrollo es donde se dedica la mayor parte de las horas de ingeniería y, en consecuencia, es donde la IA generativa ofrece el mayor potencial transformador. Las proyecciones de IBM para Bob en la fase de ingeniería oscilan entre el 30 y el 50 % de mejoras en la eficiencia, un rango que refleja la amplitud de las tareas de ingeniería y la profundidad del contexto requerido para cada una.

En nuestra implementación, buscamos acelerar la ingeniería a través de tres vectores. En cada uno, Bob opera en modo semiautónomo, realizando el trabajo mientras un experto en la materia revisa y valida el resultado antes de la aceptación. Esta combinación no es una limitación; es el patrón arquitectónico correcto para la IA en esta etapa de madurez.

1. Revisiones de código asistidas por Bob: Bob tuvo acceso al repositorio de código fuente de EPS y realiza revisiones de código junto con revisores humanos SME. Este enfoque de doble revisión garantiza el cumplimiento de los requisitos regulatorios, los estándares de seguridad y privacidad y los requisitos de arquitectura funcional y no funcional, detectando defectos durante el desarrollo en lugar de en pruebas o producción. La investigación de GitHub sobre Copilot encontró que la revisión de código asistida por IA detectaba entre un 15 y un 20 % más de problemas relevantes para la seguridad por ciclo de solicitud de extracción y reducía el tiempo de resolución porque la IA proponía diferencias correctivas junto con sus hallazgos.
2. Gestión de vulnerabilidades y actualizaciones: a medida que evolucionan las versiones del lenguaje y la biblioteca y cambian los requisitos regulatorios, Bob evalúa el radio de explosión de una actualización de biblioteca en toda la base de código. Identifica sitios de llamadas incompatibles y recomienda modificaciones necesarias en minutos, trabajo que anteriormente requería que los ingenieros sénior dedicaran días al rastreo manual de dependencias.
3. Generación y modificación de código: Bob proporciona recomendaciones para modificar el código existente dados requisitos claros (funcionales y no funcionales), el contexto de la base de código y las restricciones regulatorias relevantes. Una IA que genere código de procesamiento de pagos sin concientización de las reglas de residencia de datos, las normas de manejo de errores u obligaciones regulatorias es un pasivo, no un activo. Cargar a Bob con ese contexto por adelantado aborda este desafío directamente.

Pruebas: eliminar el cuello de botella
 

Históricamente, las pruebas fueron el factor limitante en el ritmo de entrega de software. Los equipos de desarrollo producen código más rápido de lo que los equipos de control de calidad pueden validarlo. Esta asimetría es el principal factor de acumulaciones en los sprints, los retrasos en los lanzamientos y el crecimiento del retraso en las pruebas de regresión.

Los resultados de nuestro equipo de control de calidad son los más maduros y sorprendentes. Tres meses después de desplegar Bob como generador de automatización de pruebas para la plataforma de pago EPS Wires, logramos:

• Reducción del 70 % en la creación de automatización de pruebas 
• Reducción del 90 % en el retraso de pruebas de regresión
• Reducción del 80 % en el tiempo del ciclo de ejecución de regresión

Estos resultados no son mejoras marginales. Representan una transformación estructural en la forma en que opera el equipo. Los ingenieros de control de calidad han pasado de escribir la automatización de pruebas repetitivas a revisar y refinar las pruebas generadas por IA, una actividad fundamentalmente de mayor aprovechamiento. La integración del pipeline CI/CD significa que las fallas de regresión aparecen en cuestión de horas tras un compromiso, no en días, reduciendo significativamente el costo de un cambio defectuoso.

Esta experiencia concuerda con observaciones más amplias de la industria. La investigación sobre organizaciones que implementan IA generativa para la generación de pruebas ha encontrado reducciones del tiempo del ciclo de regresión en un promedio del 60 %, con implementaciones de alto rendimiento, como la nuestra, que logran ganancias aún mayores. El diferenciador constante es el contexto: los generadores de pruebas de IA con acceso al código base completo, los casos de prueba existentes y los requisitos empresariales producen pruebas significativamente mejores que los sistemas que operan solo con fragmentos de código.

IBM Bob, cargado con el repositorio completo de GitHub de EPS, estándares regulatorios y documentación funcional, ejemplifica este enfoque contextualizado.

Diseño y arquitectura: mejora proactiva
 

La IA generativa está empezando a influir en la inteligencia de diseño proactiva. Va más allá del ciclo reactivo de construir y probar lo que ya se ha especificado. Nuestra hoja de ruta incluye permitir que Bob:

• Identifique cuellos de botella de rendimiento no reconocidos e ineficiencias arquitectónicas que se hayan acumulado con el tiempo.
• Evalúe y priorice la eliminación técnica de deudas correlacionando la estructura del código con el historial de incidentes y los datos de rendimiento.
• Genere recomendaciones de diseño para nuevas mejoras funcionales teniendo en cuenta la arquitectura existente, las restricciones regulatorias y los requisitos no funcionales.

Este enfoque es un caso de uso más sofisticado que la modificación de código o la automatización de pruebas y requiere un mayor nivel de confianza contextual en las recomendaciones de Bob. Mantener a los arquitectos humanos informados para validar las recomendaciones antes de actuar en consecuencia es la postura adecuada para esta fase de madurez de la IA.

El valor es significativo: un sistema que absorbió toda la base de código, su arquitectura documentada y años de decisiones de diseño puede sacar a la luz insights que de otro modo requerirían semanas de investigación.

Soporte de nivel 3: cerrar el ciclo
 

El caso de uso de IA de mayor impacto operativo en nuestra hoja de ruta es la aceleración de la resolución de incidentes. El soporte de nivel 3 para una plataforma de pagos de alto valor es una actividad de alto riesgo y que requiere una respuesta rápida. Cuando ocurre un incidente de producción, el tiempo necesario para identificar y resolver la causa principal determina directamente el impacto en el cliente.

La hoja de ruta de despliegue de SDLC de Bob incluye analizar los incidentes de soporte de nivel 3, correlacionar los síntomas informados con las rutas de código en el repositorio, identificar las posibles causas principales y proponer acciones correctivas. El mismo contexto que hace que Bob sea eficaz como revisor de código (conocimiento completo de la base de código, los requisitos regulatorios y los patrones de manejo de errores) lo hace especialmente adecuado para esta tarea.

Un ingeniero humano de nivel 3 aumentado por Bob puede escanear toda la base de código en segundos en busca de patrones que coincidan con la firma de un incidente, acelerando la resolución de incidentes y minimizando el impacto en el cliente.

Nada de esta productividad está exento de riesgos. Los sistemas de IA generativa pueden alucinar. Pueden producir resultados verosímiles, pero incorrectos con aparente confianza. En una plataforma de pagos que opera bajo escrutinio regulatorio, un cambio de código generado por IA no revisado o un caso de prueba especificado incorrectamente pueden tener graves consecuencias en el proceso.

Nuestro marco de gestión de riesgos se basa en el modelo semiautónomo: Bob se despliega como un miembro del equipo profundamente integrado en cada fase del SDLC, siempre combinado con un revisor humano que valida los resultados antes de aceptarlos. Los analistas de negocio revisan los requisitos generados por Bob. Los propietarios del código revisan los errores identificados por Bob y los arreglos propuestos. Los ingenieros de control de calidad revisan casos de prueba generados por Bob. Los ingenieros de nivel 3 revisarán los análisis de incidentes de Bob.

Este enfoque no es una limitación. Es el patrón arquitectónico correcto para la IA en esta etapa de madurez. El modelo intercambia una fracción del límite de eficiencia teórico por una reducción sustancial en el riesgo de error y lo hace de una manera que permite que la confianza se construya de manera incremental.

A medida que los resultados de Bob resultan confiables en cada dominio, el nivel de escrutinio humano se puede calibrar adecuadamente. Mi expectativa es que esta configuración semiautónoma siga siendo la norma durante varios años, y que Bob continúe aprendiendo de su experiencia laboral y produzca resultados de mayor calidad con el tiempo.

En cuanto a los requisitos, la ingeniería y las pruebas, IBM proyecta una mejora de la eficiencia del 25 % al 70 % de Bob, según la fase y la tarea específica. Incluso si los resultados se sitúan en el extremo conservador de cada rango, el efecto acumulado en todo el equipo equivale a un aumento del 25-40 % en la capacidad efectiva del equipo.

Para ilustrar las matemáticas de manera concreta, considere un equipo de 10 personas que logra una ganancia de eficiencia combinada del 30 % en todas las fases del SDLC. El resultado efectivo es equivalente a 13 ingenieros que trabajan al ritmo original, sin agregar personal ni aumentar los costos proporcionalmente.

Para una organización que enfrenta una demanda acelerada con un presupuesto fijo, eso no es una mejora incremental. Es un multiplicador de capacidades, que permite al mismo equipo ofrecer más características, mantener una mayor calidad, responder más rápido a los incidentes y absorber las crecientes obligaciones regulatorias sin un crecimiento proporcional de los costos.

Nuestra experiencia plantea tres preguntas que todo líder de ingeniería debería estar abordando ahora mismo:

1. ¿Cómo se contextualiza la IA para su entorno? El enfoque EPS de cargar a Bob al principio con la base de código, los estándares, los requisitos regulatorios y la documentación es la base de todo lo que sigue. Un asistente de IA que opera sin este contexto es menos valioso, y potencialmente más riesgoso, que uno que ha sido debidamente fundamentado.
2. ¿Por dónde empezar? Las pruebas son el camino más rápido hacia un retorno de la inversión (ROI) medible, como demuestran nuestros resultados. La combinación de criterios de éxito claros, un umbral de riesgo relativamente bajo y un alto esfuerzo manual en el statu quo las convierte en el punto de partida ideal para cualquier equipo que inicie este camino.
3. ¿Cómo se gestiona la confianza de forma incremental? El modelo semiautónomo, IA con intervención humana, no es un compromiso. Es un patrón de implementación responsable que permite a las organizaciones capturar valor y generar la confianza institucional necesaria para ampliar el rol de la IA a lo largo del tiempo.

El recorrido de mi equipo desde una función de control de calidad manual y con limitaciones de retrasos hasta una organización de calidad integrada en CI/CD con IA en tres meses demuestra que esta transformación se puede lograr a un ritmo acelerado. La lección más amplia es clara: la IA generativa integrada en el SDLC no es un programa piloto futuro. Ya está ofreciendo resultados medibles para los equipos que han realizado la inversión. El momento de construir esa base es ahora.