Diasoft automatizó pruebas de API y eventos con AI y desplazó el rol de QA hacia la lógica de negocio

Diasoft compartió cómo integró un agente basado en LLM en el pipeline de desarrollo y prácticamente eliminó la escritura manual de pruebas del equipo de QA para APIs y eventos complejos. El sistema acepta casos de prueba en lenguaje de negocio, recopila automáticamente los contratos necesarios, genera código, lo ejecuta en el banco de pruebas y lo refina hasta su ejecución estable.

Por Qué Las Plantillas Eran Insuficientes

Anterior mente, la empresa cubría automáticamente principalmente operaciones CRUD típicas y eventos estándar. Para tales escenarios, las plantillas eran suficientes porque la lógica se repetía de servicio a servicio. Pero el valor real de los productos no está en la simple lectura y escritura de datos, sino en operaciones de negocio: cálculo de porcentajes, aplicación de comisiones, procesamiento de límites, lanzamiento de cadenas de acciones relacionadas. Precisamente estas partes son usualmente las más difíciles de probar, y fueron exactamente las que más ralentizaron los releases cuando las pruebas tenían que escribirse manualmente.

Diasoft se basa en la plataforma low-code Digital Q.Archer, donde se almacenan los contratos de API y eventos. Esto es importante porque la LLM no funciona a partir de descripciones aleatorias o documentación obsoleta, sino a partir de un modelo formalizado del servicio. Gracias a esto, el sistema entiende mejor qué endpoints y eventos realmente corresponden al escenario, y el probador no gasta tiempo analizando manualmente decenas de interfaces y entiende el contexto de la operación de negocio más rápidamente.

Cómo Funciona el Agente

La idea clave es que la IA no se extrae en un chat separado junto al desarrollo, sino que se integra en la plataforma Digital Q.DevOps como un agente completo de pruebas automatizadas. Un orquestrador dirige el modelo, valida el código contra reglas internas, envía la prueba a un banco de pruebas real y devuelve los errores al ciclo de generación. De esta manera, la LLM no solo escribe un borrador, sino que sigue el mismo camino que normalmente sigue un ingeniero durante la depuración.

"La IA no simplemente escribe código 'en un cajón', lo ejecuta

inmediatamente en el banco de pruebas".

En términos generales, el pipeline se ve así:

• el probador selecciona un servicio y formula un caso en lenguaje de negocio
• el orquestrador obtiene Swagger y esquemas JSON de eventos de Digital Q.Archer
• la LLM selecciona endpoints y eventos relevantes para el escenario
• el modelo genera una prueba Groovy, y la plataforma la valida contra reglas de dominio
• el código se ejecuta en el banco, y cuando falla, se refina según los logs hasta que pasa de forma estable

Después de la ejecución exitosa, el sistema agrega etiquetas de servicio y publica la prueba lista en el repositorio Git del producto.

Groovy fue elegido para las pruebas porque está cerca de Java, en el que se construye la mayoría de los microservicios de la empresa, pero el enfoque en sí no está vinculado a un único lenguaje.

Diasoft enfatiza por separado la complejidad de las pruebas de eventos: no es suficiente llamar a una API, también necesitas capturar un mensaje en el broker, verificar la estructura y asegurarte de que el contenido coincida con el escenario de negocio y el resultado esperado de la operación.

Cómo Cambia el Rol de QA

El efecto más notable es el desplazamiento del rol del probador desde la escritura de código hacia la gestión de requisitos. Ahora la calidad del resultado depende más de qué tan precisamente el especialista describió el escenario de negocio: qué debe suceder, bajo qué condiciones, y cuál es el resultado considerado correcto. Si la instrucción es vaga, el modelo seleccionará los endpoints equivocados o verificará las condiciones equivocadas. Si el escenario se describe claramente, el camino hacia una prueba automatizada lista se reduce notablemente.

Es precisamente la formulación la que se convierte en la nueva herramienta de trabajo para la automatización.

Esto también conlleva una nueva área de responsabilidad para QA. Para el probador, ya no es tan importante revisar cuidadosamente el código generado línea por línea como lo es verificar el significado de las aserciones y asegurarse de que la prueba realmente demuestra la lógica de negocio necesaria. Esencialmente, QA se convierte en el aceptador del trabajo de IA y en un experto en la materia. Hay menos codificación rutinaria, pero mayores demandas para entender el producto, los contratos de integración y la calidad de los propios requisitos. Esto está más cerca de una revisión de escenario que de la programación manual.

Lo Que Esto Significa

Diasoft demuestra un escenario práctico donde LLM es útil no como asistente para un desarrollador solitario, sino como parte de un pipeline de ingeniería gestionado. Si una empresa ya tiene contratos formales, bancos de pruebas y reglas de validación, la generación de pruebas automatizadas puede trasladarse del experimento al proceso industrial — especialmente para APIs y eventos complejos que anteriormente casi siempre permanecían como trabajo manual. Esto es especialmente notable en sistemas financieros y de integración.