SOFTWARE ENGINEERING

Empresa industrial

La iniciativa, aplicada a documentación técnica, soporte SAT, desarrollo software, testing y calidad, tenía un enfoque progresivo basado en pruebas de concepto, gobierno técnico y adopción responsable.

Necesidad o contexto del proyecto

LKS Next trabajó con una empresa industrial que precisaba mejorar la gestión documental del producto, reforzar el soporte técnico del SAT y aumentar la eficiencia del desarrollo software mediante el uso controlado de IA.

La compañía en cuestión disponía de activos de conocimiento relevantes, como manuales, documentación técnica, código fuente e histórico de incidencias, pero necesitaba explotarlos de una forma más ágil y útil para los equipos. Al mismo tiempo, buscaba incorporar asistentes de IA al ciclo de desarrollo sin comprometer la calidad, la mantenibilidad ni la seguridad del software.

El reto

El reto consistía en aplicar inteligencia artificial en un entorno industrial y técnico, donde el software forma parte de soluciones críticas de pesaje, etiquetado y control.

La empresa necesitaba avanzar en productividad y automatización, pero con garantías. La IA debía integrarse con herramientas y procesos ya existentes, como JIRA, GitLab, Jenkins, Nexus, SonarQube, Cypress y los flujos de revisión técnica.

Además, era necesario validar el valor de la solución antes de escalarla a entornos reales, asegurando que los asistentes de IA aportaran eficiencia sin introducir riesgos en el código, la documentación, el testing o el soporte técnico.

Enfoque del proyecto

LKS Next planteó un proyecto de IA aplicado a dos ámbitos complementarios.

El primero se centró en la gestión inteligente del conocimiento técnico mediante IA generativa y RAG, con el objetivo de explotar documentación, manuales, código fuente e histórico de incidencias para mejorar el acceso a la información y el soporte SAT.

El segundo ámbito abordó la optimización del ciclo de desarrollo software mediante asistentes de IA, herramientas de calidad, automatización y generación asistida de pruebas. El enfoque incorporó GitHub Copilot, SonarQube, GitLab, Jenkins, Nexus y Cypress, junto con una metodología de uso responsable de IA por parte de los equipos técnicos.

La iniciativa se planteó con una lógica progresiva, validando capacidades mediante pruebas de concepto antes de su despliegue en entornos reales.

La solución

La solución diseñada por LKS Next combinó capacidades de IA generativa, gobierno del conocimiento, automatización DevSecOps y mejora del testing.

En el ámbito documental y de soporte técnico, se planteó un sistema basado en IA generativa y RAG capaz de consultar y explotar distintas fuentes de información:

• Manuales y documentación técnica de producto.
• Histórico de incidencias.
• Documentación técnica de los desarrollos software.

Sobre esta base, se propuso un asistente conversacional orientado a facilitar la búsqueda de información técnica, reducir tiempos de consulta y apoyar al equipo de soporte en la resolución de incidencias.

En el ámbito del desarrollo software, la solución incorporó:

• Desarrollo asistido con IA mediante GitHub Copilot.
• Validación de calidad, seguridad y mantenibilidad con SonarQube.
• Integración con GitLab como repositorio y base del flujo de revisión.
• Automatización con Jenkins.
• Gestión de artefactos mediante Nexus.
• Generación asistida de pruebas end-to-end con Cypress.
• Metodología de uso responsable de asistentes de IA, con revisión humana y criterios técnicos claros.

Esta combinación permitió abordar la IA desde una perspectiva práctica, conectada con el día a día de los equipos y alineada con los procesos existentes.

Resultados y beneficios

El proyecto permite introducir inteligencia artificial de forma controlada en procesos técnicos clave: documentación, soporte, desarrollo, pruebas y calidad.

La validación mediante pruebas de concepto facilita comprobar el valor real de la solución antes de escalarla, reduciendo riesgos y asegurando que la mejora de productividad no compromete la mantenibilidad, la seguridad ni la calidad del software.

Resultados destacados

• Explotación inteligente de documentación técnica, código fuente e incidencias.
• Diseño de un asistente conversacional para soporte técnico SAT.
• Introducción de desarrollo asistido con IA mediante GitHub Copilot.
• Refuerzo de calidad, seguridad y mantenibilidad con SonarQube.
• Generación asistida de pruebas E2E con Cypress.
• Integración con GitLab, Jenkins, Nexus y flujos de revisión técnica.
• Validación progresiva mediante pruebas de concepto antes del escalado.

Beneficios

• Acceso más ágil al conocimiento técnico distribuido en manuales, documentación e incidencias.
• Mayor eficiencia en el soporte SAT mediante un asistente conversacional especializado.
• Mejora de productividad en tareas de desarrollo software.
• Refuerzo de los controles de calidad y seguridad del código.
• Mayor capacidad para generar y evolucionar pruebas funcionales end-to-end.
• Adopción responsable de IA en equipos técnicos.
• Base tecnológica más preparada para escalar el uso de IA en procesos industriales y software embebido.

Indicadores destacados

• IA aplicada a procesos software.
• Testing y calidad.
• Entorno industrial y sistemas embebidos.
• Gestión documental inteligente.
• Soporte técnico SAT asistido por IA.
• JIRA, C, PHP, GitLab, Jenkins, SonarQube, GitHub Copilot, Nexus y Cypress.

Explora más casos de
SOFTWARE ENGINEERING