We need some help >>>?

Desarrollar software completamente funcional a partir de Inteligencia Artificial (IA), no es tan sencillo como parece, especialmente cuando la complejidad funcional del mismo se incrementa exponencialmente o no se tiene del todo claro. Es imperativo conocer de forma precisa (o al menos  lo más precisa posible), lo que los usuarios  desean y poder definirlo en requisitos / User Stories con claridad y calidad en un tiempo relativamente corto y razonable para que aporte valor a una organización y a sus clientes.

Hay que tener en cuenta que en los últimos 20 años (aproximadamente)  la industria del software , en su gran mayoría, ha pasado de metodología Waterfall  al paradigma Agile (utilizando frameworks como Scrum y otros recursos) para sus desarrollos de producto.

Muchos de esos proyectos de software que utilizaron Waterfall han fracasado no exactamente porque la metodología no funciona, sino más bien  porque los usuarios y stakeholders creían tener claro y definidos con una certeza del 99,1 % los requerimientos y las necesidades funcionales del mismo en una fase inicial, donde  podían describirlo y documentarlo con precisión, pero que posteriormente quedaban decepcionados cuando se entrega el producto final. Por este motivo, Agile, con su modelo iterativo e incremental,  es la clave para lidiar con este tipo de inconvenientes, (si se aplica de forma correcta, cosa que no sucede en varias ocasiones y por tales motivos muchas compañías “tiran la toalla”).

Entonces podemos decir, según lo expuesto,  que  la Inteligencia Artificial también podría funcionar bastante bien creando software utilizando Waterfall si tenemos en cuenta que no habrá ningún cambio en las especificaciones, Features, US definidas por los usuarios... Pero, por la experiencia, sabemos que en un producto complejo, esto no es así...

Otros desafíos de la IA generativa sobre el control de la calidad del software. Teniendo en cuenta que los algoritmos de IA requieren grandes cantidades de datos diversos y representativos para aprender y generar casos de prueba precisos, existe un riesgo potencial de sesgo en las pruebas generadas. Si los datos de entrenamiento están sesgados o son incompletos, el resultado no será del todo fiable, pudiendo generar pruebas sesgadas o pasar por alto escenarios alternativos relevantes. Es importante garantizar que los resultados sean responsables, transparentes e imparciales para atender las consideraciones éticas. Por lo tanto, un beneficio importante que impactará directamente en la calidad del software es lograr un equilibrio entre los beneficios de la automatización y la necesidad de supervisión humana.

La IA ha llegado para revolucionar el mundo corporativo, las organizaciones, y casi todo lo que rodea nuestras vidas. Está claro que puede realizar cosas extraordinarias, pero (por el momento) no  puede leer tu mente en tiempo real... Aunque sí puede predecir con un alto grado de exactitud patrones de comportamientos complejos que cada vez dejan más asombrados a los expertos en la materia.

Developing fully functional software from Artificial Intelligence (AI) is not a simple task, especially when its functional complexity increases exponentially or is not completely clear. It's imperative to know precisely (or at least as precisely as possible) what users want and to be able to define it into requirements / User Stories with clarity and quality in a relatively short and reasonable time so that it adds value to an organization and its customers.

In the last 20 years (approximately) the software industry, in most cases, has moved from Waterfall methodology to Agile, (implementing Scrum Framework and other resources) for its product developments.

Many of those software projects that used Waterfall have failed not exactly because the methodology doesn't work properly, but rather because users and stakeholders believed they were clear and defined with a certainty of 99.1% the requirements and functional needs of the same in a initial phase, where they could describe and document it accurately, but were subsequently disappointed when the final product was delivered. For this reason, Agile, with its iterative and incremental model, is the key to dealing with this type of problems (if applied correctly, which does not happen on several occasions and for these reasons many companies “throw the towel”).

So we can say, based on the above, that Artificial Intelligence could also work quite well creating software using Waterfall if we take into account that there will be no change in specifications, features, US defined by users... But, from experience, we know that, in a complex product, this is not the case...

Other challenges of generative AI on software quality control. Considering that AI algorithms require large amounts of diverse and representative data to learn and generate accurate test cases, there is a potential risk of bias in the generated tests. If the training data is biased or incomplete, the result will not be completely reliable, and may generate biased tests or miss relevant alternative scenarios. It is important to ensure that the results are accountable, transparent and impartial to address ethical considerations. Therefore, an important benefit that will directly impact software quality is striking a balance between the benefits of automation and the need for human oversight.

AI has come to revolutionize the corporate world, organizations, and almost everything that surrounds our lives. It is clear that it can do extraordinary things, but (for the moment) it cannot read your mind in real time... Although, it can predict with a high degree of accuracy complex behavioral patterns that increasingly leave experts in the field more astonished.