Arquitecto Principal de Framework de Pruebas

• Más de 10 años de ingeniería de software, con más de 3 años en roles de arquitectura de pruebas o arquitectura de ingeniería de calidad.
• Uso diario y práctico demostrado de herramientas de desarrollo y pruebas asistidas por IA (GitHub Copilot, Claude Code, Cursor o equivalentes) con la capacidad de hablar concretamente sobre patrones de uso efectivos y modos de fallo.
• Profunda experiencia práctica en Kubernetes para el diseño de entornos de prueba: aprovisionamiento de namespaces efímeros, infraestructura de pruebas basada en contenedores, entorno como código.
• Sólida experiencia en el diseño de frameworks de automatización de pruebas multinivel: pruebas unitarias, de contrato, de integración, E2E y de rendimiento en sistemas distribuidos.
• Arquitectura de pipelines de CI/CD e integración de controles de calidad (GitHub Actions, Jenkins o equivalentes).
• Experiencia en pruebas de contrato (Pact o pruebas de contrato dirigidas por el consumidor) para microservicios y arquitecturas API-first.
• Capacidad demostrada para entregar frameworks de pruebas reutilizables adoptados por múltiples equipos de producto: implementaciones de referencia, no solo directrices.
• Conocimiento práctico de la testabilidad por diseño y capacidad para influir en cómo se arquitecta el software para que sea inherentemente más testeable.
• Experiencia liderando la adopción y el cambio en una organización de ingeniería establecida, con un historial de métricas de resultados defendibles.

• Experiencia probando sistemas basados en IA/ML, LLM o agentes: frameworks de evaluación (deepeval, promptfoo, LangSmith, Langfuse, Maxim AI o equivalentes), regresión no determinista, puntuación de alucinaciones y de fundamentación, detección de deriva.
• Fluidez en la validación de software regulado: 21 CFR Part 11, GxP / GAMP 5, CSA frente a CSV, e IEC 62304 para software de dispositivos médicos o de diagnóstico.
• Ingeniería de contexto para LLMs: diseño de prompts/especificaciones, RAG, servidores MCP, patrones de memoria de proyecto.
• Herramientas de observabilidad en entornos de contenedores, idealmente con las convenciones semánticas OpenTelemetry GenAI.
• Pruebas de rendimiento y carga a escala de plataforma (k6, Gatling, Locust o equivalentes).
• Infraestructura como código (IaC) y GitOps aplicados al aprovisionamiento de entornos de prueba.
• Experiencia previa en software de instrumentos científicos, plataformas de laboratorio o ciencias de la vida / diagnóstico.

Ofrecemos (dependiendo del país en el que te encuentres):

• Un trabajo independiente en colaboración con buenos compañeros, en una organización orientada al crecimiento
• Un compromiso real con el equilibrio entre la vida laboral y personal
• Una oportunidad para aprender y crecer
• Bono de resultados Agilent, Plan de compra de acciones, Seguro de vida, Pensión, Asistencia sanitaria, Programa de asistencia al empleado, Vacaciones, Actividades de la empresa

Agilent está construyendo una plataforma de software basada en Kubernetes que abarca instrumentos, aplicaciones y servicios compartidos en múltiples líneas de productos. Estamos integrando la IA en nuestra forma de construir y verificar el software. Buscamos un Lead Test Framework Architect para liderar la adopción de la IA en nuestro ciclo de vida de pruebas de software, y para construir los frameworks de pruebas, los métodos de evaluación y la gobernanza que nos permitan lanzar software acelerado por IA de forma segura en entornos regulados, GxP / 21 CFR Part 11.
Este es un rol senior de contribuidor individual con un enfoque práctico (hands-on). La IA acelera la entrega de software, pero esa aceleración expone debilidades en las etapas posteriores si no existe un sistema de control de pruebas automatizadas sólido. Construir ese sistema de control —y liderar a la organización para que lo adopte— es el núcleo de este puesto.

Responsabilidades

• Liderar la adopción de la IA en el SDLC para la ingeniería de calidad. Ser responsable de la estrategia de autoría, ejecución, triaje y mantenimiento de pruebas asistidas por IA. Demostrar el valor mediante flujos de trabajo de referencia y, posteriormente, escalar la adopción en todos los equipos de producto.
• Construir frameworks de pruebas nativos de IA. Diseñar flujos de trabajo que generen suites de pruebas unitarias, de contrato, de integración y E2E a partir de especificaciones e intención. Verificar que las pruebas generadas por IA ejecuten la intención especificada y no la implementación. Integrar GitHub Copilot (estándar empresarial) y herramientas complementarias (por ejemplo, Qodo, Diffblue, agentes de Playwright AI, frameworks de autorreparación o self-healing) en los controles de calidad (quality gates) de CI/CD.
• Probar nuestras funciones de IA. Construir frameworks de evaluación y regresión para capacidades de producto basadas en LLM y agentes: evaluación no determinista, puntuación de alucinaciones y de fundamentación (grounding), detección de deriva (drift) y observabilidad de la IA utilizando las convenciones OpenTelemetry GenAI.
• Responsable del puente regulatorio. Integrar las pruebas asistidas por IA en entornos validados utilizando Computer Software Assurance (CSA) basado en riesgos, GAMP 5 (2.ª edición) y la guía ISPE GAMP AI, y —para software de diagnóstico— IEC 62304. Preservar las pistas de auditoría, la trazabilidad y la integridad de los datos para los artefactos generados por IA.
• Establecer una gobernanza de "human-in-the-loop" (intervención humana). Definir puntos de control de revisión escalados por riesgo, criterios de aceptación y activadores de reversión (rollback) para el código y las pruebas generados por IA.
• Definir estándares de arquitectura de pruebas para toda la plataforma en una plataforma de microservicios basada en Kubernetes: testabilidad por diseño (testability-by-design), estrategia de entornos de prueba (namespaces efímeros, entorno como código), arquitectura de controles de calidad de CI/CD, pruebas de contrato para microservicios y APIs, estrategia de datos de prueba (datos sintéticos, aislamiento, requisitos de datos de IA/ML) y frameworks E2E que funcionen de forma fiable en entornos de contenedores.
• Instrumentar e informar sobre el impacto. Métricas de entrega DORA aumentadas con medidas específicas de IA (delta de cobertura, tasa de escape de defectos, tiempo medio de triaje, tasas de aprobación de la suite de evaluación). Liderar el esfuerzo de cambio —promotores, capacitación, manuales de procedimientos (playbooks)— que impulse una adopción duradera.

25% del tiempo

Día

Sin fecha de finalización