Ingeniería, con los números en la mano.

Una función nueva de Enterprise Testing para la modernización de un sistema de treinta años. Unas 60 personas, parte de ellas provenientes de equipos de pruebas de toda la organización, pasaron a una entrega asistida por IA.

El mandato

Ford Credit modernizaba un sistema de treinta años junto con plataformas nuevas de proveedores. Cada programa probaba a su manera. Enterprise Testing reportó a nivel de SVP y VP durante tres reorganizaciones.

Lo que hice

Construí Enterprise Testing como una sola función y consolidé en ella equipos de pruebas de toda la organización. En tres programas, dirigí a unas 60 personas con un presupuesto anual de US$8 millones a US$10 millones. Organicé la función en torno a cinco áreas: ingeniería de desempeño, datos de prueba, la plataforma de pruebas, un centro de excelencia de pruebas (un grupo que fija estándares y capacita a los equipos) e IA. Reemplacé las pruebas que cada programa hacía por su cuenta con una sola estrategia, un solo modelo de gobernanza y un solo conjunto de KPI. Los equipos los adoptaron con capacitación, estándares, frameworks y plataformas para usar por su cuenta, en lugar de que yo asumiera las pruebas de cada equipo. Sopesé construir o comprar. Cuatro frameworks de automatización se convirtieron en un framework Playwright asistido por IA. Mi equipo construyó internamente la ejecución de pruebas en paralelo, sin costo adicional de licencias, en lugar de incorporar la plataforma SaaS LambdaTest. Compré plataformas SaaS para cubrir brechas del ciclo de entrega. El framework Playwright lo escribí yo mismo, en TypeScript y con un asistente de programación con IA, para mostrarle al equipo cómo un arquitecto escribe código con IA. El código seguía convenciones de nombres, reglas de linting, controles de calidad, hooks de pre-commit de git y pruebas guiadas por metadatos que reciben parámetros. Di a cada integrante del equipo un asistente de programación con LLM. Diseñé el agente interno de IA, un orquestador de seis agentes, y contraté a los ingenieros que lo construyeron. El agente leía funcionalidades, épicas e historias de usuario de Jira y construía el recorrido del cliente, los planes de prueba, los casos de prueba y la automatización. Así cubría todo el ciclo de vida de las pruebas funcionales. Incorporé PactFlow para pruebas de contrato, Tonic.ai para datos de prueba sintéticos, HeadSpin para pruebas móviles y Parasoft para virtualización de servicios. Negocié los contratos empresariales de estas plataformas SaaS con compras, finanzas y asuntos legales, dentro del presupuesto planificado de capex y opex.

El resultado

• Con la IA, definir el recorrido del cliente de una funcionalidad llevó 25 % menos de tiempo.
• El agente interno de IA redujo en 66 % el tiempo para escribir una prueba, de unos 60 minutos a unos 20, y ahorró unas 302 horas de ingeniería en un trimestre.
• En un trimestre, los usuarios activos del agente interno de IA pasaron de 8 a 38 en 7 equipos. El agente generó más de 450 planes y casos de prueba.
• El esfuerzo para suministrar datos de prueba por cuenta bajó de entre 1 y 2 días a entre 3 y 4 horas, con un equipo creado para ello.

Ingeniería de calidad construida desde cero bajo HIPAA y GDPR. Dirigí la fusión del ambiente de AWS de la empresa con el de su empresa adquirente, Optum. Los tres gerentes que contraté siguen trabajando para su empresa matriz, UnitedHealth Group.

El mandato

Una plataforma de datos de salud bajo HIPAA y GDPR necesitaba una función de ingeniería de calidad. También necesitaba demostrar ante Cumplimiento que ningún dato sensible de producción llegaba a los ambientes de prueba. La empresa fue adquirida y su ambiente de AWS debía fusionarse con el de la empresa adquirente.

Lo que hice

Dirigí un equipo de unas 20 personas en Estados Unidos, Latinoamérica y Asia. Contraté a sus tres gerentes (desempeño y observabilidad; datos de prueba; frameworks y pruebas de contrato). Me ayudaron a gestionar al resto del equipo, formado por contratistas en Latinoamérica y Asia. Definí un solo modelo de plataforma compartida y estándares comunes para los equipos de producto, y construí las capacidades para incorporarlos a ese modelo. Introduje una capacidad de pruebas transversal: pruebas de desempeño con Grafana k6, pruebas de contrato para una plataforma basada en API, gestión de datos de prueba con Delphix y frameworks de pruebas sobre Playwright para API e interfaz web. Enmascaré los datos de salud y personales protegidos (PHI y PII) antes de que llegaran a los ambientes de prueba. Hice que la calidad fuera parte de la decisión de release con controles de CI/CD, ejecutados como pipelines de GitHub Actions. En los incidentes críticos se podían saltar esos controles mediante un proceso definido. También incorporé plataformas SaaS para cubrir brechas en el ciclo de entrega: SonarQube para la calidad del código, JFrog para los artefactos de compilación y el escaneo de contenedores (JFrog Xray), y Datadog para el monitoreo. Después de la adquisición, dirigí la fusión de los dos ambientes de AWS. Al final, ingeniería trabajaba bajo las políticas de AWS de la empresa adquirente. La fusión requirió un plan de transición para toda la organización, y pruebas y validación después de la ventana de cambio, con un plan de reversión listo.

El resultado

• Cumplimiento recibió reportes de validación como evidencia de que ningún dato sensible de producción había llegado a los ambientes de prueba.
• La fusión de AWS se completó e ingeniería terminó trabajando bajo las políticas de AWS de la empresa adquirente.
• Los tres gerentes que contraté siguen trabajando para UnitedHealth Group.

Una organización de ingeniería B2B construida desde cero para una plataforma de experiencia del aficionado y boletos.

El mandato

Una plataforma unificada de boletos y experiencia del aficionado, para equipos y recintos deportivos profesionales, necesitaba un negocio B2B. También necesitaba una organización de ingeniería que respaldara sus metas de ingresos.

Lo que hice

Inicié la organización de ingeniería B2B desde cero y formé un equipo fundador de 5 personas en Estados Unidos y Latinoamérica. Definí la arquitectura de la plataforma (microservicios orientados a eventos sobre Kafka y Kinesis) y sus estándares, con plantillas para que los servicios nuevos partieran de la misma configuración. Trabajando uno a uno con Producto, traduje tres cosas a la hoja de ruta técnica: las metas de ingresos, el paso a experiencias directas al consumidor y la menor dependencia de terceros. Con Producto creé el núcleo del sistema de boletos: el almacén de datos, las funciones administrativas B2B, las tablas de precios y las herramientas para crear eventos en vivo, como partidos y conciertos. Diseñé el backend y el flujo orientado a eventos de punta a punta, con eventos de software. Una app administrativa B2B publica los eventos de software. Después de crearse el partido o concierto, un servicio central decide cómo se procesa cada evento de software. La app de compra consume esos eventos. También incorporé AppDynamics para el monitoreo.

El resultado

• Con el tiempo, el equipo de ingeniería B2B que inicié llevó la plataforma a producción.

Pipelines para Insights y AIQ, dos productos de datos para prestamistas hipotecarios, llevados a producción. El uso de la red de la empresa bajó de 80 % a 40 %. El gasto en AWS de los pipelines de AIQ bajó 60 %.

El mandato

Insights es una aplicación de referencias comparativas e inteligencia de mercado para prestamistas hipotecarios, construida sobre datos agregados y anonimizados de Encompass, la plataforma de crédito hipotecario de la empresa. Su aplicación heredada de ingesta en .NET no soportaba la carga de la plataforma. Un segundo producto, AIQ, usaba inteligencia artificial y aprendizaje automático para automatizar flujos de trabajo manuales de crédito para prestamistas, inversionistas y administradores de préstamos.

Lo que hice

Para Insights, propuse, diseñé y dirigí el reemplazo, un pipeline orientado a eventos en AWS. Microservicios basados en API coordinaban las funciones Lambda. El pipeline podía reprocesar los datos de ingesta desde cualquier etapa. La reconstrucción reveló una dependencia que devolvía historiales hipotecarios completos de más de 1 MB en promedio. Para AIQ, un producto de aprendizaje automático aparte, construí los pipelines desde la ingesta de datos del cliente hasta la inferencia de modelos en AWS SageMaker, trabajando con el equipo de ciencia de datos.

El resultado

• Cuando la plataforma llegó a producción, el uso del ancho de banda de la red de la empresa subió a 80 %. En ese momento, la empresa negociaba comprar más ancho de banda. Comprimir las cargas de historiales hipotecarios redujo el uso de la red a 40 %.
• El gasto en AWS de los pipelines de AIQ bajó 60 %.

Un backend nuevo, apps conectadas e infraestructura de streaming salieron juntos para el partido inaugural. El backend se probó con 200 000 solicitudes por segundo y la plataforma aguantó.

El mandato

NFL Media reemplazó todo a la vez para el partido inaugural de la temporada: backend, apps para móvil, tablet y TV, infraestructura de streaming, pipelines de despliegue y nfl.com. El equipo era nuevo en microservicios. Las pruebas dependían de un equipo de 25 personas que probaban a mano.

Lo que hice

Reconstruí el equipo de pruebas en torno al código. Conservé a 5 probadores con habilidades de ingeniería, contraté a 5 SDET (ingenieros que escriben código de prueba) y sumé 5 contratistas para la automatización de pruebas móviles. Mi equipo asumió todas las pruebas de NFL Media: estándares, pruebas de contrato y observabilidad en móvil, tablet, web, backend y almacenes de datos. Mi equipo definió e implementó los controles de calidad que regían los pipelines de CI/CD. Las pruebas de API, de interfaz web y de desempeño corrían en paralelo en CI, cada una capaz de bloquear el release. Cada pull request tenía un control de cobertura de código. El ambiente de integración tenía que mantenerse en verde. Con el equipo de despliegue diseñamos los despliegues con un clic, que llevaban un commit a producción en unos 20 minutos. Mi equipo se encargó de las pruebas de contrato entre integraciones, de las pruebas de desempeño y de los frameworks de prueba. Designé cinco líderes técnicos y dirigí el despliegue de AppDynamics (monitoreo de aplicaciones). Incorporé BlazeMeter para pruebas de desempeño y Sauce Labs para la automatización de pruebas móviles y de navegador. Definí las reglas de release. Cuando producción fallaba, se corregía y se volvía a desplegar en lugar de revertir. Se cortaban las llamadas a proveedores externos que no aguantaban la carga. Se desplegaba bajo políticas de día de partido, las reglas sobre cómo se publica código ese día. En el segundo año, asumí Fantasy Football y trabajé con Producto en nuevas funciones y mejoras de desempeño. También me encargué de la migración de un centro de datos administrado por un proveedor a los de la propia NFL.

El resultado

• Todo salió en vivo a la vez, unos 5 meses después de mi ingreso.
• El backend se probó con 200 000 solicitudes por segundo, el doble de la línea base de una prueba de la plataforma anterior.
• Junto con el equipo de despliegue, implementé las pruebas y los controles de calidad para que un commit de un desarrollador pudiera llegar a producción con un clic, en unos 20 minutos.
• El hospedaje de Fantasy Football bajó de cerca de US$1 millón a cerca de US$100 000 al año.
• El equipo de pruebas, reconstruido en torno al código, quedó con 60 % menos probadores de tiempo completo.

Según informó Associated Press, se agotaron 38 000 boletos en 44 minutos. 7 000 compradores a la vez, con más de 100 000 en espera.

El mandato

Las grandes ventas habían estado tumbando plataformas de boletería. La venta de Burning Man puso en fila a más de 100 000 personas, muchas más de las que la plataforma podía atender a la vez.

Lo que hice

Dirigí la preparación de desempeño. Determiné los límites de la plataforma. Puse una fila virtual antes de la venta, en el dominio propio del festival, para que 7 000 compradores pudieran comprar a la vez mientras los demás esperaban.

El resultado

• Después, la plataforma dejó de caerse los días de venta.