Durante años, automatizar pruebas significó principalmente escribir scripts capaces de ejecutar una serie de pasos previamente definidos. Ese enfoque sigue siendo fundamental, pero el desarrollo moderno está introduciendo sistemas que pueden analizar información, tomar decisiones y ejecutar acciones con cierto grado de autonomía.
Esto cambia la conversación alrededor del Quality Assurance. Ya no se trata únicamente de automatizar la ejecución de pruebas, sino también de utilizar modelos de IA para apoyar actividades como generación de casos, análisis de resultados, identificación de defectos, documentación y evaluación de escenarios complejos.
Una diferencia importante
La IA puede aumentar la capacidad del equipo de QA, pero no elimina la necesidad de criterios de calidad, diseño de pruebas, validación humana y control del riesgo.
El cambio en el QA
El software actual está compuesto por servicios, APIs, interfaces web, aplicaciones móviles, sistemas distribuidos y, cada vez con mayor frecuencia, componentes basados en inteligencia artificial.
En este contexto, el QA deja de ser una actividad situada exclusivamente al final del ciclo de desarrollo. La calidad comienza a evaluarse desde el diseño de requisitos y continúa durante la implementación, integración, despliegue y operación.
El enfoque moderno también incorpora una idea importante: no todos los sistemas se comportan de manera determinista.
Código
Pruebas unitarias, integración, regresión y calidad estructural.
Sistemas
Flujos completos, APIs, servicios, datos y comportamiento distribuido.
IA
Evaluación de respuestas, contexto, variabilidad, seguridad y comportamiento.
El ISTQB CT-AI aborda precisamente la necesidad de considerar características particulares de los sistemas de IA, incluyendo su comportamiento probabilístico y la necesidad de estrategias específicas de evaluación.
Del testing automatizado al testing con IA
La automatización tradicional ejecuta instrucciones que han sido definidas previamente por una persona. Un sistema basado en IA puede, en cambio, utilizar información del contexto para proponer acciones o generar nuevos artefactos de prueba.
El syllabus CT-GenAI de ISTQB contempla aplicaciones de GenAI en actividades como la generación de criterios de aceptación, casos de prueba, scripts, datos sintéticos, documentación y análisis de defectos.
Flujo tradicional
Instrucciones definidas previamente
01
Requisito
02
Caso de prueba
03
Ejecución
04
Resultado
Con IA aparece una capa adicional entre estos pasos. El sistema puede analizar el requisito, sugerir escenarios, generar datos o adaptar determinados casos según la información disponible.
Esto no significa que el proceso se vuelva completamente autónomo. La calidad del resultado depende del contexto proporcionado, del modelo utilizado, de los criterios de evaluación y de la supervisión aplicada.
¿Qué son los agentes autónomos?
Un agente de IA puede entenderse como un sistema que combina un modelo de inteligencia artificial con instrucciones, contexto, herramientas y mecanismos para ejecutar acciones.
A diferencia de una interacción aislada con un chatbot, un agente puede trabajar mediante ciclos de observación, razonamiento, acción y evaluación.
Ciclo básico de un agente
01
Observa
Recibe contexto y datos.
02
Analiza
Interpreta la situación.
03
Actúa
Ejecuta una acción.
04
Evalúa
Comprueba el resultado.
Este comportamiento es especialmente relevante para QA porque introduce una nueva pregunta: ¿cómo probamos un sistema que también puede decidir qué hacer?
La literatura sobre testing de agentes autónomos ya había identificado este desafío antes de la actual ola de GenAI: sistemas con objetivos o conocimiento cambiantes pueden producir comportamientos diferentes ante situaciones similares.
Un ejemplo clásico es el trabajo sobre evolutionary testing of autonomous software agents, que estudia precisamente las dificultades asociadas a probar software autónomo.
Agentes autónomos aplicados al QA
Cuando un agente se incorpora al proceso de QA, su función no tiene por qué limitarse a generar código de pruebas. Puede participar en diferentes etapas del ciclo de calidad.
Análisis de requisitos
Identificación de condiciones, escenarios y posibles casos límite.
Generación de pruebas
Propuesta de casos, datos y scripts a partir del contexto disponible.
Análisis de fallos
Clasificación y exploración de resultados para detectar patrones.
Pruebas de seguridad
Exploración de entradas y comportamientos potencialmente peligrosos.
Regresión
Apoyo en la identificación de escenarios que deberían volver a ejecutarse.
Un estudio de mapeo sistemático publicado en 2026 sobre software quality assurance en la era de la IA agéntica identifica la generación de pruebas y la gestión de defectos entre las áreas donde se concentra parte importante de la investigación actual.
Sin embargo, el mismo trabajo señala desafíos relacionados con escalabilidad, generalización y transparencia. Es decir, todavía existe una distancia entre demostrar que una técnica funciona en un escenario y demostrar que funciona de forma consistente en diferentes proyectos.
IDEA CLAVE
El agente no sustituye al proceso de QA. Se convierte en una nueva pieza dentro del proceso.
Esta distinción es importante porque permite integrar estas tecnologías dentro de arquitecturas reales en lugar de tratarlas como una solución mágica.
En DevPass, este tipo de experimentación forma parte de nuestro Lab, donde exploramos agentes, automatización y arquitecturas distribuidas.
Ventajas y limitaciones
La principal ventaja de incorporar IA al testing no es simplemente producir más pruebas. El verdadero potencial está en reducir trabajo repetitivo y ayudar a los equipos a explorar espacios de prueba más amplios.
Ventajas
- • Generación rápida de escenarios.
- • Reducción de tareas repetitivas.
- • Apoyo al análisis de grandes volúmenes de resultados.
- • Exploración de casos límite.
- • Generación y transformación de datos de prueba.
Limitaciones
- • Resultados incorrectos o incompletos.
- • Dependencia de la calidad del contexto.
- • Comportamiento probabilístico.
- • Riesgos de seguridad y privacidad.
- • Necesidad de validación humana.
Este último punto es especialmente importante. Un resultado generado por IA no debe considerarse automáticamente verdadero solo porque tenga una apariencia técnicamente correcta.
El NIST AI RMF Generative AI Profile plantea precisamente la necesidad de gestionar riesgos relacionados con sistemas de IA generativa durante su ciclo de vida.
Por ello, un proceso profesional de QA debería combinar automatización, evaluación sistemática, métricas y revisión humana.
QA + IA ≠ QA sin humanos
La IA puede ampliar la capacidad de evaluación, pero las decisiones sobre riesgo, aceptación y calidad siguen necesitando criterios explícitos.
El futuro del QA
El siguiente paso no parece ser simplemente sustituir automatización tradicional por agentes. La tendencia más interesante es combinar diferentes capas de evaluación.
Automatización
Scripts, pipelines, regresión y pruebas repetibles.
Agentes
Planificación, exploración y ejecución contextual.
Gobernanza
Riesgo, trazabilidad, seguridad y evaluación continua.
El enfoque de Test, Evaluation, Verification and Validation también está ganando relevancia a medida que los sistemas de IA se vuelven más complejos, incluyendo sistemas con capacidades agénticas.
Esto significa que el futuro del QA no necesariamente será menos técnico. Probablemente será más amplio: habrá que comprender software tradicional, datos, modelos, seguridad, observabilidad, evaluación y comportamiento emergente.
Para los desarrolladores, esto también representa una oportunidad. Aprender a construir sistemas es solo una parte del trabajo; entender cómo demostrar que esos sistemas funcionan correctamente será cada vez más importante.
El futuro del testing no será solamente automatizar más.
Será construir sistemas capaces de evaluar mejor, aprender de los resultados y mantener criterios de calidad incluso cuando el software sea cada vez más dinámico.
CONCLUSIÓN
La IA está cambiando el QA, pero no elimina la ingeniería.
Los agentes autónomos pueden participar en la generación de pruebas, exploración de escenarios, análisis de resultados y otras actividades relacionadas con la calidad del software.
Pero su incorporación también introduce nuevos problemas: variabilidad, trazabilidad, seguridad, evaluación y confianza en los resultados.
Por eso, el reto no consiste en preguntarnos si la IA va a reemplazar a los testers. La pregunta más interesante es cómo podemos diseñar procesos donde humanos, automatización y agentes trabajen juntos para producir software más confiable.
Esa transición ya está ocurriendo y probablemente será una de las áreas más interesantes de la ingeniería de software durante los próximos años.
FUENTES
Referencias para profundizar
ISTQB — Certified Tester AI Testing (CT-AI)
Material relacionado con testing de sistemas de inteligencia artificial.
ISTQB — Certified Tester Generative AI Testing (CT-GenAI)
Aplicación de GenAI en actividades de testing y actualización relacionada con agentes.
ISTQB — CT-GenAI Syllabus
Casos de uso de GenAI para generación de pruebas, análisis de defectos, datos y documentación.
NIST — AI Risk Management Framework
Marco para gestionar riesgos y promover confianza en sistemas de IA.
NIST — Generative AI Profile
Perfil especializado del AI RMF para riesgos de inteligencia artificial generativa.
NIST — TEVV-Athlon Framework
Marco orientado a test, evaluación, verificación y validación de sistemas de IA.
Software quality assurance in the era of Agentic AI
Estudio de mapeo sistemático sobre aseguramiento de calidad y agentes de IA.
Do Autonomous Agents Contribute Test Code?
Estudio empírico sobre tests en pull requests generados por agentes.
Evolutionary testing of autonomous software agents
Investigación sobre las dificultades de probar software autónomo.
EXPLORA DEVPASS
Sigue explorando tecnología aplicada
Si este tema te interesa, puedes conocer los proyectos, experimentos y conocimientos que forman parte de DevPass.
MÁS INSIGHTS