Programación y desarrollo de software

¿Por qué la garantía de calidad del software debe convertirse en un proceso continuo dentro del ciclo de desarrollo?

JetBrains aboga por trasladar la garantía de calidad del software de una prueba final previa al lanzamiento a un proceso continuo integrado en las etapas de desarrollo y CI/CD. El artículo repasa las funciones del análisis estático y de las pruebas unitarias, de integración, de interfaz, de rendimiento y de seguridad, y destaca que las herramientas de inteligencia artificial necesitan verificación humana.

2026-09-29
4 min de lectura
290 visitas
certi.news Editorial Team
¿Por qué la garantía de calidad del software debe convertirse en un proceso continuo dentro del ciclo de desarrollo?

Probar la aplicación justo antes del lanzamiento ya no es suficiente para garantizar la calidad del software moderno, según un artículo publicado en el blog de JetBrains por Kerry Beetge. La idea central es distribuir las comprobaciones de calidad a lo largo de todo el ciclo de vida del desarrollo de software, de modo que los defectos aparezcan más cerca del momento en que se introducen, en lugar de descubrirse después de acumular cambios y complejidades adicionales.

El artículo relaciona esta transformación con la creciente dependencia del código generado mediante inteligencia artificial; señala, citando una encuesta de Stack Overflow de 2025, que el 84% de los desarrolladores utiliza herramientas de inteligencia artificial o planea utilizarlas en el proceso de desarrollo. JetBrains considera que el aumento del volumen de código producido por estas herramientas hace que las revisiones frecuentes y escalables sean más importantes, aunque la verificación humana sigue siendo necesaria debido a la posibilidad de que se transfieran errores al resultado automatizado.

De la puerta previa al lanzamiento a una garantía continua

El artículo distingue entre la garantía de calidad del software (SQA), que supervisa el cumplimiento de los requisitos de funcionamiento, fiabilidad, seguridad y estándares durante todo el ciclo de desarrollo, y el control de calidad tradicional (QC), que suele centrarse en el producto final y aborda los defectos de forma reactiva. El enfoque continuo permite detectar los problemas mientras se escribe o integra el código, cuando corregirlos resulta menos costoso y está más relacionado con el contexto original del cambio.

El artículo señala que los ciclos de lanzamiento han pasado, en los entornos de desarrollo modernos, de meses a días, mientras que las canalizaciones de CI/CD permiten que el código pase del commit a producción con una intervención humana limitada. Por ello, no basta con depender de una sola herramienta; cada capa de pruebas detecta un tipo diferente de problema.

¿Qué cubren las herramientas en la práctica?

  • Análisis estático: examina el código sin ejecutarlo para detectar defectos, vulnerabilidades e incumplimientos de los estándares de codificación; Qodana es un ejemplo.
  • Pruebas unitarias: verifican el funcionamiento aislado de funciones y componentes, con ejemplos como JUnit, Jest, PyTest y NUnit.
  • Pruebas de integración: examinan la interacción entre servicios, las API y el flujo de datos; entre sus herramientas se encuentran Postman y Soap UI.
  • Pruebas funcionales y de interfaz: simulan los recorridos del usuario a través del navegador mediante herramientas como Playwright, Cypress y Selenium.
  • Pruebas de rendimiento: miden el comportamiento bajo carga y ayudan a detectar cuellos de botella, fugas de memoria y lentitud en las consultas, utilizando herramientas como JMeter, LoadRunner y k6.
  • Pruebas de seguridad: combinan SAST, SCA, el análisis de dependencias y DAST, así como la detección de secretos o claves de API incorporados por error.

¿Cómo se eligen las herramientas y se integran en el trabajo?

El artículo propone evaluar las herramientas según su integración con CI/CD, su compatibilidad con los lenguajes y marcos de trabajo utilizados, su capacidad para automatizar tareas repetitivas, su escalabilidad a medida que crecen el código y los equipos, y la posibilidad de ofrecer informes prácticos, además de las prácticas de seguridad propias de la herramienta.

En cuanto a la implementación, recomienda trasladar las comprobaciones al momento de escribir el código, automatizar las pruebas repetitivas, ejecutarlas con cada commit o compilación y supervisar la deuda técnica mediante indicadores como la complejidad del código, la duplicación y la cobertura de pruebas. También insiste en la necesidad de incluir el análisis de seguridad en el flujo habitual de garantía de calidad, en lugar de posponerlo a una revisión independiente antes del lanzamiento.

Lectura de certi.news

El cambio real que plantea el artículo no consiste en añadir una nueva prueba, sino en redistribuir la responsabilidad de la calidad dentro del ciclo de desarrollo. Este enfoque resulta útil para los equipos que trabajan con lanzamientos frecuentes o dependen de arquitecturas distribuidas y dependencias externas, pero no elimina las pruebas manuales ni el criterio de ingeniería; la automatización, especialmente la basada en inteligencia artificial, puede acelerar la detección de problemas sin garantizar por sí sola que la cobertura sea completa o que los resultados sean correctos. Asimismo, la fuente ofrece directrices generales y ejemplos de herramientas, pero no establece un marco cuantitativo para compararlas ni demuestra resultados independientes de comparación del rendimiento.

Fuente de la noticia
JetBrains Blog
Abrir fuente original ↗
c
Autor

certi.news Editorial Team

Lo que necesitas saber

JetBrains aboga por convertir el aseguramiento de la calidad del software en un proceso continuo distribuido a lo largo del ciclo de desarrollo, en lugar de limitar las pruebas a la etapa previa al lanzamiento. Esto incluye análisis estático y pruebas unitarias, de integración, de interfaz, de rendimiento y de seguridad dentro de las canalizaciones de CI/CD, manteniendo la verificación humana como elemento esencial, especialmente al utilizar código generado por IA.

  • Detectar defectos mientras se escribe o se integra el código reduce el coste de corregirlos y conserva el contexto del cambio.
  • El aseguramiento de la calidad del software cumple una función distinta de la garantía de calidad tradicional: supervisa la fiabilidad, la seguridad y el cumplimiento de los requisitos durante todo el ciclo de desarrollo.
  • Las capas de comprobación incluyen análisis estático y pruebas unitarias, de integración, funcionales, de interfaz, de rendimiento y de seguridad.
  • Las pruebas deberían ejecutarse con cada commit o compilación, e integrar la comprobación de seguridad en el flujo de trabajo habitual en lugar de posponerla hasta antes del lanzamiento.
  • Las herramientas deben evaluarse según su integración con CI/CD, la compatibilidad con lenguajes y marcos de trabajo, la escalabilidad, la calidad de los informes y la automatización de tareas repetitivas.
  • La automatización y las herramientas de IA por sí solas no garantizan una cobertura completa ni la corrección de los resultados; por ello, el criterio de ingeniería y la verificación humana siguen siendo necesarios.

Preguntas frecuentes

¿Cuál es la diferencia entre el aseguramiento de la calidad del software y el control de calidad?

El aseguramiento de la calidad del software supervisa el cumplimiento de los requisitos operativos, la fiabilidad, la seguridad y los estándares durante todo el ciclo de desarrollo, mientras que el control de calidad suele centrarse en el producto final y en la gestión reactiva de los defectos.

¿Qué tipos de pruebas propone el artículo?

Incluye análisis estático y pruebas unitarias, de integración, funcionales, de interfaz, de rendimiento y de seguridad.

¿Cuándo deberían ejecutarse las comprobaciones de calidad?

El artículo recomienda trasladar las comprobaciones al momento de escribir el código y ejecutar las pruebas repetitivas con cada commit o compilación dentro del flujo de CI/CD.

¿Se puede confiar únicamente en las herramientas de IA para garantizar la calidad?

No; el artículo destaca que la verificación humana es necesaria porque los errores pueden pasar al resultado generado automáticamente y porque la automatización por sí sola no garantiza una cobertura completa ni la corrección de los resultados.

De la misma categoría

También te puede interesar

Ver todas las noticias