#
El nuevo cuello de botella: si la IA desarrolla más rápido, las pruebas deben seguir el ritmo
Date 13 Nov 2026

La conversación sobre inteligencia artificial en el desarrollo de software ha cambiado rápidamente. Hasta hace poco, la pregunta era si las herramientas de IA serían capaces de comprender sistemas heredados, explicar código o generar COBOL con la calidad suficiente para resultar útiles en el trabajo diario.

Esa etapa ya empieza a quedar atrás.

Desde 2025, IBM watsonx Code Assistant for Z permite crear y modificar código COBOL utilizando IA generativa.

Sin embargo, la propia documentación de IBM hace una observación importante: los resultados de los modelos deben apoyar —y no sustituir— la toma de decisiones humana, y el código generado todavía debe ser evaluado por los desarrolladores. No todas las sugerencias necesariamente compilan o funcionan sin ajustes.

Por lo tanto, la cuestión ya no es solamente si la IA puede producir código para el mainframe. La pregunta es qué ocurre cuando empieza a generar cambios a una velocidad mayor que la de los mecanismos utilizados para revisarlos, validarlos y probarlos.

El informe State of AI-Assisted Software Development 2025, de DORA, ayuda a dimensionar este problema. Basado en las respuestas de casi 5.000 profesionales de tecnología, el estudio aborda la adopción de IA como un problema de sistema y no simplemente como una cuestión de herramientas.

DORA observó una relación positiva entre la adopción de IA y el throughput de software, mientras que la relación con la estabilidad de las entregas continuó siendo negativa.

La conclusión es especialmente relevante: cuando aumenta el volumen de cambios sin controles sólidos, pruebas automatizadas, un versionado maduro y feedback rápido, una aceleración localizada puede simplemente trasladar el cuello de botella hacia etapas posteriores.

En el mainframe, donde un cambio puede formar parte de procesos que manejan millones de transacciones y atraviesan décadas de lógica de negocio, ese downstream merece tanta atención como la propia generación de código.

Producir código se ha vuelto más fácil; aceptarlo sigue siendo otra historia

La IA generativa modifica una variable importante de la ingeniería de software: el costo de producir una primera versión.

Un desarrollador puede solicitar la generación de una rutina, recibir sugerencias mientras programa, modificar un fragmento existente o utilizar IA para comprender más rápidamente una aplicación antes de realizar un cambio.

En watsonx Code Assistant for Z, por ejemplo, IBM ya ofrece generación de COBOL mediante lenguaje natural y sugerencias contextualizadas durante el desarrollo.

Esto puede aumentar la productividad, especialmente en tareas que antes consumían tiempo de investigación, escritura inicial o comprensión. Pero producir código más rápido no significa automáticamente que ese código esté listo para avanzar.

Todavía debe cumplir los estándares definidos por la organización. Debe utilizar correctamente los recursos del entorno. Las consultas SQL deben respetar criterios técnicos. El cambio debe probarse en el contexto en el que será ejecutado. Las dependencias deben ejercitarse. Las regresiones deben identificarse.

Cuanto mayor sea el volumen de código producido, mayor puede ser también el volumen que llega a estas etapas.

Este es el efecto sistémico señalado por DORA: una mejora localizada puede simplemente aumentar la presión sobre el resto del flujo cuando las capacidades downstream no evolucionan a la misma velocidad.

No es un argumento contra la IA. Es un argumento contra automatizar la producción sin automatizar suficientemente los controles que vienen después.

Revisar manualmente todo lo que la IA acelera no es escalable

Imaginemos que un equipo empieza a producir significativamente más cambios sin aumentar en la misma proporción su capacidad de revisión.

Pueden surgir varias consecuencias. El code review se convierte en una cola. Los especialistas pasan más tiempo verificando cuestiones recurrentes. Los cambios avanzan con análisis superficiales para preservar el ritmo de entrega. O la productividad obtenida durante la codificación desaparece mientras el código espera por las siguientes etapas.

Ninguno de estos escenarios aprovecha por completo la ganancia que ofrece la IA.

Parte de esa presión puede reducirse convirtiendo criterios conocidos en verificaciones sistemáticas.

Aquí es donde entra Eccox Application Quality Control (EQC).

En el caso de COBOL, EQC analiza el programa fuente utilizando reglas alineadas con los estándares definidos por la propia organización. Entre los criterios contemplados se encuentran los estándares de codificación, la estabilidad, el uso de recursos y prácticas que pueden generar retrabajo.

El análisis se realiza durante el ciclo de desarrollo, permitiendo identificar incumplimientos antes de que avancen hacia etapas posteriores.

Para Db2, la lógica es similar, pero aplicada a SQL. EQC DB2 puede incorporarse a los procedimientos de compilación y promoción e integrarse con herramientas como Endevor y Changeman, identificando SQL que incumplen las reglas establecidas y orientando al desarrollador antes de la promoción.

Esto no significa otorgar a EQC la responsabilidad de decidir si un cambio es funcionalmente correcto.

Su función es más específica: transformar criterios técnicos conocidos en un filtro consistente antes de la promoción.

Esta distinción cobra especial importancia cuando la IA entra en el flujo. Si producir una nueva versión de un programa empieza a requerir menos tiempo, no tiene sentido obligar a un especialista a volver a aplicar manualmente, en cada versión generada, todas las reglas que la organización ya conoce y puede verificar de forma automática.

El conocimiento humano sigue siendo necesario. Pero puede utilizarse para definir las reglas y analizar excepciones, en lugar de consumir capacidad repitiendo verificaciones previsibles.

Después de la calidad del código viene la capacidad de probarlo

Superar un quality gate tampoco significa que el software ya esté validado.

Un programa puede cumplir los estándares de COBOL. Una consulta SQL puede respetar los criterios definidos por la empresa. Aun así, el cambio debe ejecutarse, integrarse y probarse en el contexto real de la aplicación.

Aquí es donde EQC y APT desempeñan funciones diferentes.

EQC actúa sobre la calidad del código antes de la promoción. Eccox Application for Parallel Testing (APT) actúa sobre la infraestructura necesaria para probar cambios en z/OS.

APT automatiza la preparación de entornos de prueba aislados y permite seleccionar los componentes que deben presentar una condición específica para un determinado proyecto.

Programas, tablas Db2, archivos y otros elementos pueden aislarse mientras el resto de la aplicación continúa utilizando recursos reales de la infraestructura mainframe. De esta manera, diferentes proyectos pueden ejecutar pruebas en paralelo sin competir exactamente por la misma configuración.

Esta capacidad adquiere otra dimensión cuando aumenta la producción de cambios.

Si un equipo puede generar más código, pero solo consigue probar una cantidad limitada de cambios porque existe una cola para acceder a los entornos, la IA no ha eliminado el cuello de botella. Solo ha hecho que aparezca más rápido.

Lo mismo ocurre con los conflictos entre proyectos. Si diez cambios pueden desarrollarse simultáneamente, pero deben esperar unos por otros para utilizar una determinada condición de prueba, el throughput del desarrollo ha aumentado, pero el throughput de la validación no.

APT no verifica si el COBOL cumple una regla ni analiza la calidad de una sentencia SQL. Del mismo modo, EQC no crea entornos aislados ni ejecuta pruebas funcionales.

Los dos productos intervienen en momentos diferentes precisamente porque los problemas también son distintos.

Primero, evitar que incumplimientos conocidos avancen innecesariamente. Después, garantizar capacidad operativa para someter a prueba los cambios aprobados.

El nuevo cuello de botella de la IA puede estar después del código

Existe una tendencia natural a medir las ganancias de la IA observando al desarrollador.

¿Cuánto tiempo ahorró? ¿Cuántas sugerencias aceptó? ¿Cuántos programas pudo modificar? ¿Cuánto más rápido logró comprender una aplicación?

Son indicadores importantes, pero incompletos.

Para una organización, la productividad solo se materializa cuando el cambio consigue atravesar todo el sistema de entrega.

DORA 2025 llama la atención precisamente sobre esta diferencia entre productividad local y desempeño sistémico. La IA funciona como un amplificador: los equipos y organizaciones con buenas capacidades de ingeniería pueden aprovechar mejor la aceleración, mientras que los sistemas frágiles pueden ver cómo sus problemas existentes se intensifican.

En el mainframe, esto significa que la estrategia de IA no puede terminar en el asistente de código.

Debe alcanzar también la capacidad de revisar, controlar, probar y entregar aquello que estos asistentes ayudan a producir.

Una organización que adopte, por ejemplo, generación de COBOL mediante IA debería preguntarse también si dispone de mecanismos para aplicar automáticamente sus propias reglas de calidad, si seguirá necesitando especialistas para realizar verificaciones repetitivas, cuánto tiempo permanece un cambio esperando una determinada condición de prueba y cuántos proyectos pueden validar cambios simultáneamente.

Estas preguntas trasladan la discusión desde la herramienta hacia el sistema.

La IA en el desarrollo aumenta el valor de los controles, no lo reduce

Existe, además, una aparente contradicción en esta evolución. Cuanto más inteligente se vuelve la herramienta que ayuda a crear código, menos necesario debería ser controlar el resultado. En la práctica, ocurre lo contrario.

El aumento de la capacidad para producir software hace aún más importante definir qué cambios pueden avanzar automáticamente, cuáles deben ser inspeccionados y cómo proporcionar capacidad suficiente para probarlos.

La automatización de la calidad y de las pruebas no existe para frenar la IA. Existe para evitar que las ganancias obtenidas durante la codificación se pierdan en las etapas posteriores.

Es dentro de este diseño donde EQC y APT pueden funcionar como capacidades complementarias dentro de DevOps en IBM z/OS.

EQC ayuda a evitar que incumplimientos conocidos en COBOL y SQL avancen a través del ciclo de desarrollo. APT permite que los cambios que necesitan ser ejercitados encuentren entornos de prueba aislados y puedan validarse en paralelo dentro del entorno mainframe.

Ninguno de los dos sustituye la decisión humana. Ninguno garantiza por sí solo la calidad de una aplicación. Pero ambos ayudan a responder una pregunta que probablemente será cada vez más importante a medida que la IA generativa se incorpore definitivamente al desarrollo de software:

Si ahora podemos producir cambios mucho más rápido, ¿nuestra capacidad para validarlos puede seguir el mismo ritmo?

Hable con Eccox y descubra cómo EQC y APT pueden apoyar distintas etapas de un ciclo de desarrollo preparado para gestionar un mayor volumen de cambios, incorporando controles de calidad y capacidad de pruebas en paralelo a DevOps en IBM z/OS.


Número de publicaciones: 71
.