Durante años se habló de “QA manual” y “QA automation” como dos oficios distintos. Hoy esa frontera es, en el mejor de los casos, borrosa. La industria empujó al rol hacia la ingeniería de calidad de punta a punta. Probamos antes, durante y después del release, automatizamos donde aporta valor; y usamos datos y telemetría para ajustar el producto en producción. En paralelo, la IA dejó de ser novedad y se volvió parte del trabajo diario. No es un plus en el CV, es infraestructura de trabajo para alcanzar nuestros objetivos de forma efectiva.
De “probar al final” a calidad integrada en el ciclo
Los equipos modernos no conciben calidad como una etapa. Se integra en investigación, diseño, desarrollo, despliegue y operación. Ese cambio organizacional ya se ve reflejado en los números. El World Quality Report 2024-25 reporta que 79% de las organizaciones tienen al menos una cuarta parte de sus ingenieros de calidad integrados en procesos ágiles. Esto confirma el desplazamiento hacia equipos híbridos, más cerca del flujo de entrega y con ownership compartido.
La automatización también dejó de ser un “equipo aparte”. En sectores intensivos en tecnología, 79% afirma tener al menos 25% de su testing automatizado. La tendencia es a automatizar lo que más retorno genera: pruebas de contrato y API al inicio, checks de regresión críticos, validaciones de datos y, cada vez más, pruebas de no funcionales integradas al pipeline.
Por qué la línea entre manual y automation ya no se sostiene
- Descubrimiento y especificación. La persona de QA participa en la definición de criterio de aceptación testable, diseña ejemplos ejecutables y piensa en riesgos de negocio.
- Automatización pragmática. No todo se automatiza, pero lo que sí, se hace en la capa correcta. API y contratos antes que UI. Evidencia trazable en CI.
- Observabilidad y shift-right. Validamos hipótesis en producción con métricas, tracing y feature flags. Una falla reproducida con logs y spans vale más que 20 pruebas UI frágiles.
- Datos de prueba como producto. Síntesis de datos, enmascaramiento y fixtures consistentes para ambientes efímeros.
Estos comportamientos requieren una caja de herramientas transversal. Quien antes era “manual” hoy escribe aserciones en Postman o Playwright, consulta SQL para validar integridad, diseña datasets y participa en revisiones de arquitectura. Quien venía de “automation” hoy conversa con negocio, prioriza riesgos y mide impacto.
La IA dejó de ser opcional
La IA ya se usa de forma masiva en la cadena de software. La encuesta de Stack Overflow 2024 mostraba que 76% de las personas desarrolladoras ya usaba o planeaba usar IA en su proceso. En 2025 el uso siguió creciendo, aunque con una caída en el entusiasmo, lo que sugiere una fase de madurez y adopción más crítica.
GitHub ha observado ganancias de productividad con herramientas como Copilot de hasta 55% en ciertas tareas. La lectura correcta no es reemplazo, sino aceleración y redistribución del tiempo hacia diseño de pruebas mejores y análisis de riesgos que la IA no entiende por sí sola.
Los equipos de calidad además están incorporando IA dentro del propio proceso de QE. El World Quality Report 2024-25 indica que 68% ya usa GenAI o está construyendo una hoja de ruta para adoptarla, con casos de uso que van desde generación de reportes de pruebas hasta optimización de suites y priorización basada en riesgo.
También hay señales de precaución. Reportes recientes alertan que el código asistido por IA puede elevar la superficie de vulnerabilidades si no se acompaña de revisiones y controles sólidos. Para QA esto significa reforzar seguridad en pipeline, escaneo de dependencias y políticas de uso de los datos, además de pruebas de abuso y diseño seguro por defecto.
La formalización de este nuevo cuerpo de conocimiento ya llegó a los esquemas de certificación. En julio de 2025 ISTQB publicó el nuevo esquema “Testing with Generative AI (CT-GenAI)”, que codifica prácticas para aplicar y evaluar GenAI en pruebas. Es un reconocimiento claro de que la IA forma parte del perfil profesional actual.
Qué habilidades distinguen a un QA Engineer en 2025
Fundamentos que no caducan
- Diseño de pruebas guiado por riesgo, clases de equivalencia y valores límite.
- Lectura de arquitectura, modelos de datos y flujos de evento.
- SQL práctico, HTTP y autenticación moderna.
Automatización bien ubicada
- API first con pruebas de contrato.
- UI con Playwright, Cypress o Selenium cuando aporta valor.
- Integración a CI con reportes legibles para negocio.
- Data quality checks y validaciones de pipelines.
Observabilidad aplicada
- Métricas, logs y trazas que conectan hipótesis con evidencia.
- Experimentos controlados con feature flags.
- Alertas basadas en SLOs, no en ruido.
IA como herramienta de trabajo
- Generar casos y datos sintéticos con LLM y validarlos con oráculos explícitos.
- Priorizar regresiones con ayuda de IA, manteniendo independencia del juicio humano.
- Revisar prompts, evaluar salidas y registrar limitaciones.
- Entender lineamientos emergentes como los de CT-GenAI y los incorporar a tu proceso.
Seguridad y cumplimiento
- Revisiones estáticas y dinámicas automatizadas.
- Políticas para datos sensibles, dependencias y supply chain.
- Amenazas específicas del uso de IA en código y datos.
Cómo llevarlo a tu día a día
- Entra al sprint desde el día cero. Redacta criterios verificables y diseña ejemplos ejecutables.
- Automatiza donde más duele. Empieza por flujos críticos, contratos y API, integra a CI y deja evidencia útil.
- Conecta con producción. Define SLOs, instrumenta y usa esos datos para afinar tus pruebas.
- Usa IA con propósito. Pide a la IA que proponga casos, pero valida contra reglas de negocio y datos reales. Documenta limitaciones y resultados. Las ganancias de productividad son reales, pero solo si las canalizas a diseño de mejores pruebas.
- Sube el estándar de seguridad. Añade escaneo de datos sensibles, SAST y DAST al pipeline. Supervisa el impacto del código asistido por IA en vulnerabilidades y deuda técnica.
Conclusión
El rol de QA Engineer evolucionó hacia un perfil de ingeniería de calidad integral. La separación rígida entre manual y automation ya no describe el trabajo real. Hoy combinamos pensamiento crítico, automatización pragmática, observabilidad y, cada vez más, IA. La buena noticia es que los fundamentos de siempre siguen vigentes. La diferencia está en cómo los aplicas en un entorno donde el software cambia a ritmo de feature flag y el código lo escriben personas y máquinas. Tu ventaja competitiva no es “usar IA”, es saber cuándo y para qué usarla, y cómo demostrar calidad con evidencia.
Lecturas y datos citados
- World Quality Report 2024-25. ebook.capgemini.comopentext.com
- Stack Overflow Developer Survey 2024 y 2025. survey.stackoverflow.co+1
- GitHub Octoverse y estudios de productividad con Copilot. github.blog+1
- ISTQB CT-GenAI, julio 2025. istqb.orggasq.org
- Riesgos de seguridad en código asistido por IA. techradar.com