Una review de performance construida sobre evidencia.

La pantalla principal era un canvas único, sin selectores convencionales. Era un bloqueo grande y ya se había intentado resolver, pero nadie había logrado una solución funcional para automatizarla.

Se integró Image Validation al flujo existente de Behave/Python, sin crear un stack paralelo.

La cobertura parcial dependía de macros de Excel, de una sola persona y de una solución con más de tres años.

Se creó un framework Behave/Python con features, steps, elements, fixtures, configuración, ejecución y pipeline, manteniendo el stack tecnológico existente.

Una aplicación con años de antigüedad no tenía coverage automatizado por falta de expertise disponible en la tecnología.

Se construyó el framework con Behave/Python, Appium/iOS, capabilities, tags y validaciones del entorno, reutilizando el stack conocido por el equipo.

Al tratar iOS como un proyecto nuevo, no era posible adaptar directamente la suite Android. Cada feature ya automatizado debía analizarse, reinterpretarse y reconstruirse en la base iOS, con un proceso manual y difícil de escalar.

Se creó un agente basado en Copilot que recibe el path de un feature Android, inspecciona el feature file y su código asociado, compara la implementación disponible en iOS y navega la aplicación mediante Appium MCP para localizar selectores, acciones y comportamiento faltante. Luego ejecuta las pruebas localmente, valida una run en Azure mediante Azure MCP y, si los criterios se cumplen, crea el PR con su descripción.

Cada nuevo proyecto debía resolver nuevamente features, steps, configuración, fixtures, ejecución y pipeline.

Se creó el conjunto de templates: Behave + Playwright, estructuras de features, elements/pages, steps, configuración, fixtures, ejecución, pipelines, conexiones y scripts auxiliares.