Raúl Fernández: «La IA cambia las reglas en la productividad del software»

La eficiencia y la productividad en el desarrollo de software han sido un reto constante, más aún con la llegada de la IA. Raúl Fernández, Director de Operaciones de LedaMC, analiza cómo medir el valor real en los proyectos de software lo mismo que el del impacto de la IA que está transformando la gestión de TI.

Entrevista con Raúl Fernández, Director de Operaciones de LedaMC

El debate sobre la eficiencia y la productividad en el desarrollo de software sigue abierto, incluso ahora más que el uso de la IA se ha extendido tanto. A propósito de ello, Raúl ¿Qué opina de estudios como el de Denisov-Blanch, que intentan medir la productividad de los desarrolladores?

El estudio de Denisov-Blanch pone el foco en un problema conocido: no todos los desarrolladores aportan el mismo valor. Pero medir la productividad en software no es sencillo. Contar líneas de código no sirve, porque sabemos que un código de calidad suele ser más compacto. Además, los programadores más experimentados invierten tiempo en reuniones, resolución de problemas y pruebas, actividades clave que no siempre quedan registradas.

Sin embargo, ahora la IA está cambiando las reglas del juego. Mientras que algunos temen que pueda reemplazar a los desarrolladores, la realidad es que los que saben aprovechar herramientas de IA generativa pueden aumentar significativamente su productividad y su eficiencia. Según Stack Overflow, más del 60% de los desarrolladores ya están usando estas herramientas, por lo que al final, la amenaza para un programador no es la IA, sino otro desarrollador que sepa utilizarla mejor.

Entonces ¿Se puede medir objetivamente la productividad?

La clave, para nosotros, está en el producto. Lo que importa no es cuántas líneas de código se escriben, sino cuánto producto software útil y de calidad se genera. Este enfoque, basado en estándares ISO/IEC, es más fiable y ya es utilizado por gobiernos y empresas en todo el mundo para identificar talento real y optimizar el desarrollo.

Y, ¿Han surgido problemas surgen llevarlo a cabo?

Durante años, los requisitos mal definidos han sido un problema recurrente en el desarrollo de software.

Sin duda es la paradoja de este sector, en el que dedicamos años a madurar procesos, documentamos, mejores prácticas… y, sin embargo, los requisitos mal definidos siguen originando complicaciones en los proyectos de software.

Y ¿Por qué sigue siendo tan difícil redactar requisitos claros y completos, incluso en empresas con procesos maduros?

Pues, porque, al final, escribir un buen requisito no es solo una cuestión técnica, sino también una cuestión de comunicación y comprensión entre las partes implicadas.

Y, ¿Cómo se puede solucionar?

Uno de los mayores problemas es la ambigüedad. Muchas veces, el problema no es la falta de información, sino que esta no está estructurada o expresada de forma clara. Y un mismo requisito puede interpretarse de manera diferente por el equipo de negocio, los desarrolladores y los testers, lo que genera problemas desde el inicio.

También falla la alineación con el negocio. Los requisitos se redactan con un lenguaje demasiado técnico o, por el contrario, demasiado genérico. Y si no existe una conexión clara entre lo que el negocio espera y lo que el equipo técnico construye, aparecen sobrecostes y retrasos. Según el último Chaos Report del Standish Group, solo el 31 % de los proyectos de software finalizan con éxito en cuanto a tiempo, alcance y presupuesto, y, finalmente, los requisitos deficientes son uno de los factores de riesgo.

Fue todo esto lo que nos llevó a ver la necesidad de incorporar en Quanter, nuestra aplicación de estimación y benchmarking de proyectos de software, una funcionalidad que ayudase a mejorar la definición de requisitos.

¿Cómo funciona la mejora de requisitos con inteligencia artificial generativa?

En una herramienta como Quanter, tener una buena definición desde el inicio es una necesidad. Cuanto mejor estructurados estén los requisitos, más precisa será la estimación de esfuerzo y coste del proyecto y menor será el riesgo de desviaciones en fases posteriores.

La nueva Mejora de Requisitos de Quanter se basa en IA generativa para optimizar la redacción de los requisitos antes de proceder a su estimación. Consiste en introducir el requisito en lenguaje natural y Quanter lo analiza y sugiere mejoras basadas en mejores prácticas, estándares de la industria y/o criterios propios de la organización. Además explica cada mejora, ayudando a los equipos a comprender el impacto de esos ajustes.