Hola a todos,
Las historias de usuario han sido el pilar de la gestión ágil de requisitos desde que fueron propuestas y popularizadas en Extreme Programming (XP) a finales de los noventas y usadas ampliamente con Scrum en las últimas dos décadas. Su sencillez y orientación al usuario las convirtieron en una herramienta fundamental para capturar necesidades y garantizar el alineamiento entre negocio y tecnología.
Sin embargo, la aparición de la inteligencia artificial generativa (GenAI) ha introducido nuevas dinámicas en la forma en que los equipos crean, refinan y priorizan estas historias. ¿Puede la IA escribir historias de usuario de manera efectiva? ¿Qué tan confiables son las historias generadas automáticamente? Y, lo más importante, ¿cómo cambia el papel del Product Owner (PO) en esta nueva realidad?
Este artículo explora cómo la GenAI está transformando la gestión de historias de usuario y qué desafíos y oportunidades representa para los equipos ágiles.
La esencia de las historias de usuario
A pesar de no tener un formato preestablecido(Abad, 2024), las historias de usuario siguen una estructura simple y poderosa:
Como [rol], quiero [acción], para que [beneficio].
Este formato fomenta la empatía con el usuario final y permite que los equipos se enfoquen en la entrega de valor. Sin embargo, escribir buenas historias de usuario que guíen el trabajo del equipo de desarrollo sigue siendo un desafío, ya que requiere claridad, alineación con los objetivos de negocio y criterios de aceptación bien definidos.
Las mejores prácticas en la redacción de historias de usuario incluyen:
- Mantenerlas independientes y negociables (INVEST) (Cohn, 2004).
- Garantizar las tres C: Card, Conversation, Confirmation (Jeffries, 2001).
- Incluir criterios de aceptación claros.(Abad, 2025)
- Enfocarse en el valor para el usuario, no en soluciones técnicas.
El impacto de la GenAI en las historias de usuario
Generación automática de historias de usuario
Las herramientas de IA generativa han revolucionado la manera en que se redactan historias de usuario en proyectos de desarrollo de software y productos digitales. Modelos avanzados como ChatGPT, GEMINI, Grok, Llama y Copilot tienen la capacidad de procesar grandes volúmenes de información, estructurar requisitos ambiguos y generar historias de usuario de manera rápida y precisa. Esto resulta particularmente útil en entornos ágiles, donde la velocidad y la adaptabilidad son fundamentales para mantener la cadencia de desarrollo y la alineación con las necesidades del negocio.
Los Large Language Models (LLM), entrenados en vastos conjuntos de datos que incluyen documentación técnica, metodologías ágiles y mejores prácticas en ingeniería de software, pueden generar historias de usuario a partir de simples descripciones proporcionadas por los equipos de desarrollo, producto o negocio. Con un solo prompt bien formulado, un LLM es capaz de analizar requerimientos previos, identificar patrones en historias de usuario existentes y producir nuevas historias en segundos, garantizando consistencia en el formato y alineación con los objetivos del proyecto.
Además de la generación rápida, estas herramientas permiten iteraciones y refinamientos en tiempo real, facilitando la incorporación de criterios de aceptación detallados, escenarios de prueba en Behavior-Driven Development (BDD) (North, 2009)e incluso recomendaciones para mejorar la claridad y el alcance de cada historia. Gracias a la integración con sistemas de gestión de productos y herramientas de colaboración como JIRA, Trello y Azure DevOps, las historias generadas pueden ser directamente revisadas, ajustadas y priorizadas dentro del backlog, reduciendo significativamente el tiempo y esfuerzo dedicados a esta tarea (Brown et al., 2020).
Veamos un ejemplo:
Requerimiento inicial:
"El sistema debe permitir a los usuarios descargar reportes en formato PDF y Excel con los datos de sus transacciones de los últimos seis meses."
Prompt:
Basado en el requerimiento: """El sistema debe permitir a los usuarios descargar reportes en formato PDF y Excel con los datos de sus transacciones de los últimos seis meses.""".
Elabora la historia de usuario correspondiente con criterios de aceptación en prosa, y luego presenta los criteros de aceptación usando el formato gherkin.
Respuesta:
Transformación en Historia de Usuario:
Como usuario del sistema financiero,
quiero descargar reportes de mis transacciones en formatos PDF y Excel,
para analizar mis gastos y movimientos bancarios con facilidad.
Criterios de Aceptación en Prosa:
- El usuario debe poder seleccionar un rango de fechas dentro de los últimos seis meses.
- El sistema debe generar el reporte en menos de 5 segundos.
- Los datos en el reporte deben coincidir con los movimientos visibles en la interfaz.
- El usuario debe poder elegir entre descargar el reporte en formato PDF o Excel.
- Si no hay transacciones en el período seleccionado, el sistema debe notificar al usuario sin generar un archivo vacío.
Criterios de Aceptación en BDD:
Escenario 1: Generación exitosa de reporte
- Dado un usuario autenticado con transacciones en los últimos seis meses
- Cuando selecciona un rango de fechas y el formato de descarga
- Entonces el sistema genera un archivo en el formato seleccionado
- Y el contenido del reporte coincide con las transacciones en pantalla
- Y el tiempo de generación no supera los 5 segundos
Escenario 2: Intento de generación sin transacciones
- Dado un usuario autenticado sin transacciones en el período seleccionado
- Cuando solicita la descarga del reporte
- Entonces el sistema muestra un mensaje indicando que no hay datos disponibles
- Y no genera un archivo vacío
De historia de usuario a casos de prueba
La IA permite automatizar la conversión de historias de usuario en casos de prueba estructurados, reduciendo errores y mejorando la trazabilidad (Murphy et al., 2022).
Continuando con el ejemplo:
Prompt:
Para lo anterior, genera los casos de prueba
Respuesta:
1. Casos de Prueba Funcionales
Caso de Prueba 1: Generación exitosa de reporte en PDF
- ID: CP_001
- Descripción: Verificar que el sistema permite generar y descargar un reporte en formato PDF con las transacciones del usuario.
-
Precondiciones:
- El usuario debe estar autenticado.
- Debe haber transacciones en el rango de fechas seleccionado.
-
Pasos:
- Iniciar sesión en la plataforma.
- Ir a la sección de reportes.
- Seleccionar un rango de fechas con transacciones.
- Elegir formato de descarga PDF.
- Hacer clic en el botón "Descargar".
-
Resultado Esperado:
- El sistema genera y descarga un archivo PDF con los datos de las transacciones seleccionadas en menos de 5 segundos.
- El contenido del PDF debe coincidir con la información mostrada en la interfaz.
Caso de Prueba 2: Generación exitosa de reporte en Excel
- ID: CP_002
- Descripción: Verificar que el sistema permite generar y descargar un reporte en formato Excel con las transacciones del usuario.
-
Precondiciones:
- El usuario debe estar autenticado.
- Debe haber transacciones en el rango de fechas seleccionado.
-
Pasos:
- Iniciar sesión en la plataforma.
- Ir a la sección de reportes.
- Seleccionar un rango de fechas con transacciones.
- Elegir formato de descarga Excel.
- Hacer clic en el botón "Descargar".
-
Resultado Esperado:
- El sistema genera y descarga un archivo Excel con los datos de las transacciones seleccionadas en menos de 5 segundos.
- El contenido del archivo debe coincidir con la información mostrada en la interfaz.
Caso de Prueba 3: Intento de descarga sin transacciones disponibles
- ID: CP_003
- Descripción: Validar que el sistema no genera un archivo vacío cuando no hay transacciones en el período seleccionado.
-
Precondiciones:
- El usuario debe estar autenticado.
- No debe haber transacciones en el rango de fechas seleccionado.
-
Pasos:
- Iniciar sesión en la plataforma.
- Ir a la sección de reportes.
- Seleccionar un rango de fechas sin transacciones.
- Elegir cualquier formato de descarga (PDF o Excel).
- Hacer clic en el botón "Descargar".
-
Resultado Esperado:
- El sistema muestra un mensaje: "No hay transacciones en el período seleccionado".
- No se genera ningún archivo de descarga.
Caso de Prueba 4: Verificación de tiempos de generación
- ID: CP_004
- Descripción: Asegurar que la generación del reporte no supere los 5 segundos.
-
Precondiciones:
- El usuario debe estar autenticado.
- Debe haber transacciones en el rango de fechas seleccionado.
-
Pasos:
- Iniciar sesión en la plataforma.
- Ir a la sección de reportes.
- Seleccionar un rango de fechas con transacciones.
- Elegir cualquier formato de descarga (PDF o Excel).
- Iniciar la medición del tiempo.
- Hacer clic en el botón "Descargar".
- Detener la medición cuando el archivo esté disponible.
-
Resultado Esperado:
- El tiempo total de generación y descarga no debe superar los 5 segundos.
2. Casos de Prueba de Seguridad
Caso de Prueba 5: Acceso no autorizado a reportes
- ID: CP_005
- Descripción: Asegurar que un usuario no autenticado no pueda descargar reportes.
-
Precondiciones:
- Usuario no autenticado en el sistema.
-
Pasos:
- Intentar acceder directamente a la URL de generación de reportes.
- Intentar descargar un reporte sin iniciar sesión.
-
Resultado Esperado:
- El sistema redirige al usuario a la página de inicio de sesión.
- No permite la descarga del reporte.
Caso de Prueba 6: Descarga de reportes de otro usuario
- ID: CP_006
- Descripción: Asegurar que un usuario no pueda descargar reportes de otro usuario.
-
Precondiciones:
- Usuario autenticado en el sistema con permisos limitados.
-
Pasos:
- Intentar modificar la URL de descarga para acceder al reporte de otro usuario.
- Intentar forzar la descarga cambiando parámetros en la solicitud.
-
Resultado Esperado:
- El sistema debe denegar la solicitud con un mensaje de error: "Acceso no autorizado".
3. Casos de Prueba de Integración
Caso de Prueba 7: Integración con sistema de almacenamiento en la nube
- ID: CP_007
- Descripción: Validar que los reportes puedan almacenarse automáticamente en la nube si el usuario lo selecciona.
-
Precondiciones:
- El usuario debe haber activado la opción "Guardar en la nube".
-
Pasos:
- Seleccionar rango de fechas y formato de descarga.
- Marcar la opción "Guardar en la nube".
- Hacer clic en "Descargar".
-
Resultado Esperado:
- El sistema genera el reporte y lo sube automáticamente al almacenamiento en la nube del usuario.
- Aparece un mensaje confirmando la acción.
4. Casos de Prueba de Usabilidad
Caso de Prueba 8: Verificación de claridad en los reportes
- ID: CP_008
- Descripción: Evaluar la facilidad de lectura y comprensión de los reportes generados.
-
Precondiciones:
- Usuario autenticado.
- Transacciones disponibles en el período seleccionado.
-
Pasos:
- Descargar el reporte en PDF y en Excel.
- Revisar la estructura, organización y claridad del contenido.
- Resultado Esperado:
- Los datos están organizados en tablas claras.
- Los encabezados y etiquetas son descriptivos.
El Papel de los Agentes de IA en la Automatización del Desarrollo de Software
Los agentes de IA están revolucionando la forma en que los equipos de desarrollo y UX trabajan juntos, automatizando tareas clave en la planificación, diseño, implementación y pruebas de software. Estos agentes pueden escribir o recibir historias de usuario y generar bocetos de interfaz, estructurando automáticamente la disposición de los elementos visuales según las mejores prácticas de usabilidad. Gracias a su capacidad para analizar patrones en grandes volúmenes de datos de diseño, pueden sugerir componentes reutilizables, mejorar la accesibilidad y garantizar estructuras coherentes con la identidad visual de la empresa.
Además de la planificación y el diseño, los agentes de IA han comenzado a generar software funcional preliminar, tomando como base historias de usuario bien definidas con criterios de aceptación claros. A partir de una descripción funcional, la IA puede producir código inicial estructurado, con implementación de lógica básica y validaciones esenciales. Si bien este proceso aún está en evolución, ya es posible que un agente de IA genere microservicios, funciones backend, interfaces frontend e integraciones simples con bases de datos en cuestión de minutos.
En la arquitectura de software, estos agentes pueden identificar tecnologías adecuadas según los requisitos funcionales y no funcionales de la aplicación. Sus propuestas incluyen diagramas preliminares de componentes, selección de patrones de diseño y recomendaciones sobre escalabilidad, seguridad y mantenimiento. Al integrarse con herramientas como PlantUML o Draw.io, la IA puede producir esquemas técnicos que sirven como base para la validación por parte del equipo de arquitectura antes de la implementación.
En el ámbito de la planificación funcional, los agentes de IA pueden generar documentos preliminares detallados con flujos de trabajo, validaciones de negocio y escenarios de uso basados en la historia de usuario original. Estos documentos incluyen descripciones de estados, reglas de validación de datos y excepciones que el sistema debe manejar, permitiendo que los equipos de producto visualicen el comportamiento esperado de la funcionalidad antes de escribir una sola línea de código.
Uno de los avances más prometedores es la capacidad de la IA para crear software funcional en tiempo real, complementado con casos de prueba automatizados. A partir de los criterios de aceptación definidos en la historia de usuario, el agente puede generar un conjunto completo de pruebas funcionales, de integración y de regresión. Si el equipo trabaja con frameworks como Selenium, Cypress o JUnit, la IA puede convertir automáticamente estos casos de prueba en scripts ejecutables, garantizando que el código generado cumpla con los requisitos antes de su integración en la solución final.
Hacia un Desarrollo Autónomo con Agentes de IA
El futuro cercano apunta hacia una automatización aún más profunda, donde un agente de IA podrá recibir una historia de usuario y, en cuestión de minutos, entregar un módulo funcional listo para ser validado y ajustado por un desarrollador. Este proceso incluirá no solo el desarrollo del código, sino también:
- Pruebas automatizadas generadas y ejecutadas de inmediato.
- Validación de calidad basada en métricas predefinidas.
- Despliegue en un ambiente seleccionado para pruebas o integración.
Este enfoque permitirá que los desarrolladores pasen de ser constructores manuales de código a supervisores y optimizadores de soluciones generadas por IA. Aunque actualmente estas capacidades están en evolución, ya existen modelos avanzados que generan código funcional con estructuras bien definidas y pruebas incluidas, reduciendo significativamente los tiempos de desarrollo.
Impacto en la Productividad y Colaboración
Al integrar estos agentes de IA en el ciclo de desarrollo, los equipos de UX y desarrollo pueden colaborar de manera más eficiente, reduciendo la ambigüedad en los requerimientos y minimizando el tiempo de iteración en la construcción del producto. Esto permite que los desarrolladores se concentren en optimizar la funcionalidad y corregir detalles específicos en lugar de escribir código desde cero.
En un futuro no muy lejano, podríamos estar ante un modelo de desarrollo donde una simple historia de usuario bien redactada desencadene, de manera automatizada, el diseño, el desarrollo, la generación de pruebas y el despliegue en el ambiente adecuado, acortando drásticamente los tiempos de entrega y permitiendo ciclos de retroalimentación más rápidos.
Entrega de historias a agentes de IA
Los agentes de IA están transformando la forma en que los equipos de desarrollo y UX trabajan juntos, automatizando tareas clave en la planificación, diseño y pruebas de software. Estos agentes pueden escribir o recibir historias de usuario, y generar bocetos de interfaz, estructurando automáticamente la disposición de los elementos visuales según las mejores prácticas de usabilidad. Gracias a su capacidad para analizar patrones en grandes volúmenes de datos de diseño, pueden sugerir componentes reutilizables, accesibilidad optimizada y estructuras coherentes con el branding de la empresa.
Además, los agentes de IA pueden generar propuestas de arquitectura de software, identificando las tecnologías más adecuadas en función de los requisitos funcionales y no funcionales de la aplicación. Estas propuestas incluyen diagramas preliminares de componentes, selección de patrones de diseño y recomendaciones sobre escalabilidad, seguridad y mantenimiento. Al integrarse con herramientas como PlantUML o Draw.io, la IA puede producir diagramas técnicos que sirven como punto de partida para la validación del equipo de arquitectura.
En el ámbito de la planificación funcional, los agentes pueden generar documentos preliminares detallados con flujos de trabajo, validaciones de negocio y escenarios de uso basados en la historia de usuario original. Estos documentos pueden incluir descripciones de estados, reglas de validación de datos y excepciones que el sistema debe manejar. Así, los equipos de producto pueden visualizar el comportamiento esperado de la funcionalidad antes de escribir una sola línea de código.
Otro aspecto clave es la capacidad de la IA para crear y automatizar casos de prueba. A partir de los criterios de aceptación definidos en la historia de usuario, el agente puede generar un conjunto completo de pruebas funcionales, de integración y de regresión. Además, si el equipo trabaja con frameworks como Selenium, Cypress o JUnit, la IA puede convertir automáticamente los casos de prueba manuales en scripts listos para ejecutarse, reduciendo el esfuerzo en la automatización de pruebas. Esto no solo acelera el ciclo de desarrollo, sino que también garantiza una mayor cobertura y calidad del software antes de su despliegue.
Al integrar agentes de IA en estos procesos, los equipos de UX y desarrollo pueden colaborar de manera más eficiente, evitando ambigüedades y reduciendo tiempos de iteración en la construcción del producto. Esto permite que los desarrolladores se concentren en la implementación de funcionalidades mientras la IA se encarga de optimizar el flujo de trabajo, mejorando así la velocidad y calidad del desarrollo.
La IA en la Partición y Priorización de Historias de Usuario
Uno de los mayores retos en la gestión de historias de usuario es dividirlas adecuadamente sin perder valor. Una historia de usuario demasiado grande puede ralentizar el flujo de trabajo y dificultar su entrega en iteraciones cortas, mientras que una historia demasiado pequeña puede generar fragmentación innecesaria. Aquí es donde la IA ofrece ventajas significativas, ayudando a equipos ágiles a optimizar la entrega de valor.
Descomposición Asistida por IA
La inteligencia artificial puede analizar historias de usuario grandes y sugerir particiones lógicas basadas en patrones previos y heurísticas ágiles (Fowler, 2019). Gracias a modelos de procesamiento de lenguaje natural (NLP), la IA puede:
- Identificar subtareas dentro de una historia grande.
- Recomendar divisiones siguiendo criterios de INVEST (Independiente, Negociable, Valiosa, Estimable, Pequeña y Testeable).
- Adaptar la descomposición en función de la capacidad del equipo y las dependencias entre historias.
- Sugerir fragmentos reutilizables para acelerar el desarrollo de funcionalidades similares en el futuro.
En la práctica, la IA puede recibir una historia de usuario compleja y generar automáticamente versiones más manejables sin perder la coherencia del valor de negocio.
Ejemplo de Partición de Historia de Usuario Usando GenAI
Historia de Usuario Original (Muy Grande)
Como usuario de una plataforma de e-commerce,
quiero realizar pagos con tarjeta de crédito y recibir confirmación automática,
para completar mis compras sin errores y con seguridad.
Sugerencias de Partición Generadas por GenAI
Historia 1: Integración con Pasarela de Pago
Como usuario,
quiero ingresar los datos de mi tarjeta y procesar el pago,
para completar mi compra de manera segura.
Criterios de Aceptación:
- El sistema debe validar los datos de la tarjeta antes de procesar el pago.
- El pago debe realizarse en menos de 3 segundos.
- Se deben manejar errores como tarjeta rechazada o fondos insuficientes.
Historia 2: Confirmación de Pago
Como usuario,
quiero recibir una notificación de confirmación tras completar el pago,
para saber que mi compra se ha realizado correctamente.
Criterios de Aceptación:
- El sistema debe enviar un correo y una notificación en la app tras la transacción.
- El mensaje debe incluir detalles como monto, productos comprados y número de orden.
- En caso de pago rechazado, la notificación debe indicar el motivo y posibles soluciones.
Historia 3: Historial de Pagos
Como usuario,
quiero consultar el historial de mis transacciones dentro de la plataforma,
para tener un registro de mis compras anteriores.
Criterios de Aceptación:
- El sistema debe mostrar una lista de transacciones con fecha, monto y estado.
- Debe permitir filtrar por rango de fechas y métodos de pago.
- La información debe actualizarse en tiempo real tras cada transacción.
- Se mantienen historias pequeñas y manejables, asegurando su entrega en iteraciones cortas.
- Se optimiza el flujo de trabajo, evitando bloqueos y dependencias innecesarias.
- Se asegura que cada historia agregue valor real al usuario, sin fragmentar la experiencia.
- Se mejora la predicción de tiempos de desarrollo, facilitando la planificación del sprint.
Priorización Inteligente
Los modelos de GenAI pueden analizar datos históricos de velocidad del equipo, dependencias entre historias y métricas de impacto para sugerir un backlog optimizado (Leffingwell, 2020). Algunos de los beneficios de este enfoque incluyen:
- Predicción de tiempos de entrega basados en historias similares completadas previamente.
- Priorización según impacto en los objetivos de negocio.
- Identificación de cuellos de botella y dependencias técnicas antes de iniciar el desarrollo.
- Sugerencias sobre cuáles historias deberían abordarse primero para reducir riesgos.
Este enfoque permite optimizar la gestión del flujo de trabajo, asegurando que los equipos trabajen en las historias más importantes en el momento adecuado.
El Product Owner Sigue al Mando
A pesar de estos avances, la IA no reemplaza la responsabilidad del Product Owner (PO). Este sigue siendo quien debe:
- Leer, entender y validar las historias de usuario.
- Ordenar el backlog en función de la estrategia del negocio.
- Asegurar que las historias descompuestas mantengan su valor e independencia.
- Trabajar en conjunto con el equipo para tomar decisiones finales sobre la implementación.
La IA funciona como un asistente inteligente, proporcionando información y recomendaciones, pero la última palabra sigue en manos del PO y el equipo de desarrollo.
Una mejora indiscutible en la eficiencia y unas advertencias
La GenAI puede hacer -actualmente - a los equipos hasta un 40% más efectivos en la gestión de historias de usuario (McKinsey, 2023). Sin embargo, esto no exime a los equipos de la responsabilidad de comprender qué se está pidiendo ni de evitar la generación de desperdicio.
Para maximizar el valor de la IA en este contexto, los equipos deben:
- Usar la IA como asistente, pero validar siempre sus resultados.
- Mantener la creatividad y el pensamiento crítico en la escritura de historias.
- Evitar la dependencia excesiva de la IA para evitar historias sin contexto o mal estructuradas.
Cerrando
La IA ha llegado para quedarse en la gestión de historias de usuario. Desde la generación automática hasta la conversión en casos de prueba y la priorización basada en datos, la GenAI es una herramienta poderosa. Sin embargo, su éxito depende de cómo los equipos la adopten y combinen sus capacidades con el juicio humano.
El futuro de las historias de usuario en la era de la GenAI es prometedor: una colaboración cada vez más estrecha entre humanos e inteligencia artificial, donde la automatización potencia la creatividad y la eficiencia, sin reemplazar el papel fundamental de los equipos ágiles.
Saludos ágiles,
Jorge Abad.
Referencias
- Abad, J (2024) De Colección: Ejemplos de Historias de Usuario de la Fuente: Los Libros de Extreme Programming (XP)
- Abad, J (2025). Guía para identificar mejores criterios de aceptación en historias de usuario
- Brown, T. et al. (2020). Language Models are Few-Shot Learners. OpenAI.
- Cohn, M. (2004). User Stories Applied: For Agile Software Development. Addison-Wesley.
- Fowler, M. (2019). Refactoring: Improving the Design of Existing Code. Addison-Wesley.
- Jeffries, R (2001). Essential XP: Card, Conversation, Confirmation
- Leffingwell, D. (2020). SAFe 5.0 for Lean Enterprises. Scaled Agile Inc.
- McKinsey & Company (2023). The State of AI in Agile Development.
- Murphy, G. et al. (2022). AI-Driven Software Testing: Trends and Challenges. IEEE Software.
- North, D. (2009). Introducing BDD.
