¿Reemplazará la IA a los ingenieros de QA? Gartner espera que en 2028 un tercio de las aplicaciones empresariales funcione con IA agéntica.
Nuestro Índice de Riesgo Laboral de IA otorga actualmente a Ingeniero de control de calidad una puntuación de 87 sobre 100. Una puntuación más alta significa que ya se puede automatizar una mayor parte de las tareas rutinarias y bien definidas del puesto; no es una predicción de que la profesión desaparezca. La IA tiende a absorber primero el trabajo repetitivo, mientras que el juicio, la responsabilidad y las relaciones humanas siguen dependiendo de las personas.
Los ingenieros de QA hacen mucho más que ejecutar pruebas. Su trabajo consiste en definir qué significa calidad, decidir dónde es más probable que se escondan los defectos y determinar en qué punto hay que detener una entrega. En 2026, las herramientas agénticas de programación y de pruebas están dentro de buena parte de ese trabajo diario: redactan casos, reparan guiones rotos y resumen resultados, mientras que la decisión sobre cómo debe protegerse la calidad sigue estando en manos de una persona.
La IA rinde al máximo ordenando puntos de vista y redactando materiales cuando los requisitos ya están escritos. Cuanto más estandarizado está el trabajo de preparación de las pruebas, más fácil resulta automatizarlo. Pero decidir cuánta prueba merece un riesgo determinado sigue siendo cosa de personas.
9 de septiembre de 2026
Los ingenieros de QA suben porque los modelos mejorados de uso de ordenadores y codificación son especialmente adecuados para escribir pruebas, reproducir errores y automatizar flujos de trabajo de regresión. Las señales de esta semana de GPT-6 Astra y del mercado de codificación sugieren una presión de sustitución práctica más fuerte que la semana pasada.
2 de septiembre de 2026
Los agentes persistentes de IA mejoran la cobertura de tareas repetitivas de aseguramiento de la calidad, como comprobaciones de regresión, reproducción de errores y generación de pruebas a lo largo de flujos de trabajo más largos. Dado el impulso de agentes de codificación de esta semana, el trabajo de aseguramiento de la calidad sigue estando entre las ocupaciones digitales más expuestas y tiende a aumentar.
26 de agosto de 2026
Agentes de codificación más capaces y herramientas de automatización empresarial más sólidas aumentan la presión sobre la creación repetitiva de pruebas, las comprobaciones de regresión y la clasificación de errores. La actualización de seguridad de agentes de OpenAI de esta semana es relevante porque refleja capacidades de agentes que avanzan rápidamente y que se solapan directamente con los flujos de trabajo de QA.
19 de agosto de 2026
El riesgo para ingenieros de QA aumenta ligeramente a medida que los agentes de IA mejoran en generar casos de prueba, ejecutar comprobaciones, reproducir errores e interactuar de forma autónoma con herramientas de software. Las historias de esta semana sobre el despliegue de IA con capacidad de agencia y agentes descontrolados que actúan entre sistemas hacen que la automatización de las pruebas de software parezca incrementalmente más creíble.
12 de agosto de 2026
La puntuación aumenta ligeramente porque las historias de esta semana sobre agentes de IA mostraron un comportamiento técnico más autónomo y de varios pasos, incluyendo probar límites, explotar sistemas e interactuar con entornos de software. Eso aumenta el potencial de automatización para la creación repetitiva de pruebas, las comprobaciones de regresión y las tareas de reproducción de errores en el aseguramiento de la calidad (QA).
5 de agosto de 2026
Los avances en codificación esta semana y la decisión de Google de parchear Chrome dos veces por semana debido a la caza de errores asistida por IA apuntan ambos a pruebas automatizadas más capaces, descubrimiento de vulnerabilidades y detección de regresiones. Los ingenieros de QA siguen siendo importantes para el juicio de lanzamiento, pero las partes centrales del rol —generación de pruebas y detección de problemas— quedaron algo más expuestas.
29 de julio de 2026
La ingeniería de QA sube porque la IA agentiva cada vez puede generar pruebas, ejecutar bucles de validación, analizar fallos y coordinar pasos de remediación con menos esfuerzo manual. El énfasis de esta semana en flujos de trabajo agentivos de extremo a extremo y en modelos con mayor capacidad para software aumenta la presión de reemplazo sobre las tareas rutinarias de QA respecto a la puntuación anterior.
22 de julio de 2026
El riesgo para el ingeniero de QA aumenta porque la investigación de esta semana sobre evaluación y orquestación de agentes muestra que las empresas están construyendo activamente hacia decisiones de despliegue automatizadas y confiando más en flujos de trabajo de prueba impulsados por IA. El aumento es solo leve, ya que las mismas encuestas mostraron que las evaluaciones a menudo no coinciden con los resultados del mundo real, lo que preserva la demanda de QA humana en casos límite complejos.
15 de julio de 2026
El puntaje aumenta ligeramente porque la IA auto-mejorante y la mayor visibilidad del razonamiento de los modelos hacen que la generación automática de pruebas, la triaje de bugs y la comprobación de regresiones sean más viables. Estos desarrollos afectan directamente a las tareas de QA, especialmente el trabajo repetitivo de validación que puede codificarse en canalizaciones asistidas por IA.
8 de julio de 2026
Las señales de IA empresarial de esta semana apoyan una mayor automatización de la generación de casos de prueba, la reproducción de errores, la comprobación de regresiones y la validación de lanzamientos dentro de los equipos de software. Con un mayor impulso de despliegue en torno al trabajo autónomo de software, la ingeniería de QA queda ligeramente más expuesta que en la puntuación anterior.
1 de julio de 2026
La ingeniería de QA está cada vez más expuesta a casos de prueba generados por IA, soporte para reproducción de errores, automatización de regresiones y resúmenes de validación de lanzamiento. La confianza en la IA basada en agentes en entornos empresariales esta semana respalda un aumento de 75 a 76.
24 de junio de 2026
Las noticias de codificación de esta semana afectan especialmente las pruebas: los sistemas de IA mejoran en la detección de errores, la guía de reproducción y la sugerencia de parches gracias a esfuerzos como GPT-5.5-Cyber. Dado que los ingenieros de QA suelen encargarse de validaciones repetibles y flujos de trabajo de defectos, la ocupación sube ligeramente en riesgo de sustitución por IA.
17 de junio de 2026
El puntaje sube porque una mejor codificación por IA y la orquestación de agentes afectan directamente la creación de pruebas, la reproducción de errores y los flujos de trabajo de regresión. El impulso de codificación de OpenAI y el enfoque de DeepMind en agentes que interactúan señalan una mayor automatización de las tareas de aseguramiento de calidad de software que son estructuradas y repetibles.
10 de junio de 2026
Los portátiles RTX Spark de Nvidia y el impulso más amplio para hacer prácticos los PCs con IA mejoran el acceso local a agentes de prueba, generación de código y reproducción de errores para equipos de software. Eso eleva ligeramente el riesgo para QA engineers porque ahora más creación repetitiva de casos de prueba y trabajo de regresión puede automatizarse a nivel de escritorio.
3 de junio de 2026
El auge de la IA agentiva y la iteración más rápida de productos de IA aumenta la presión de automatización sobre la generación repetitiva de pruebas, las comprobaciones de regresión y la validación rutinaria de errores. La puntuación sube modestamente porque las pruebas exploratorias y el juicio sobre el riesgo de liberación aún dependen de los humanos.
27 de mayo de 2026
Los avances en codificación por IA de esta semana mejoran la generación automática de pruebas, la reproducción de errores y la cobertura de regresión, todo lo cual reduce el esfuerzo manual de QA en tareas rutinarias de pruebas de software. Con señales más fuertes de Code with Claude y herramientas basadas en agentes, la puntuación aumenta ligeramente respecto a la línea base anterior.
20 de mayo de 2026
A medida que ChatGPT y Codex se acercan y las herramientas de codificación por ambiente se extienden, más equipos de software pueden autogenerar pruebas, reproducir errores y validar casos rutinarios dentro de los flujos de trabajo de desarrollo. Eso aumenta la presión de sustitución sobre las tareas repetitivas de aseguramiento de la calidad, por lo que la puntuación sube de 69 a 70.
13 de mayo de 2026
La generación de pruebas asistida por IA, la reproducción de errores y la creación de scripts de regresión siguen mejorando, y la historia de esta semana sobre vibe-coding implica que más equipos de software confiarán en pruebas automatizadas alrededor del código generado por IA. Dado que esas mismas aplicaciones mostraron fallos de seguridad significativos, aún se necesita QA humana, manteniendo el aumento moderado.
6 de mayo de 2026
La puntuación aumenta ligeramente porque una mejor controlabilidad del modelo y la rápida adopción empresarial favorecen más generación automatizada de pruebas, triage de bugs y comprobación de regresiones. La herramienta de interpretabilidad de Goodfire es relevante para depurar el comportamiento del modelo, mientras que las señales de un despliegue más amplio de la IA hacen que el aseguramiento de calidad asistido por IA sea más desplegable en los equipos de software.
29 de abril de 2026
Modelos mejores de codificación y razonamiento aumentan ligeramente la automatización de la generación de casos de prueba, los pasos para reproducir errores y la redacción de scripts de regresión. El aumento sigue siendo limitado porque las pruebas exploratorias, el juicio sobre el riesgo de liberación y las fallas específicas del entorno aún requieren QA humana.
22 de abril de 2026
Los asistentes de codificación y pruebas con IA siguen absorbiendo las pruebas de regresión, la generación de casos de prueba y la triaje de errores. La señal de esta semana de trabajadores entrenando dobles de IA en roles técnicos respalda un pequeño aumento en la presión de reemplazo para los flujos de trabajo de QA estandarizados.
15 de abril de 2026
La codificación por IA y las herramientas de agentes cubren cada vez más la generación de casos de prueba, la reproducción de errores, las comprobaciones de regresión y los pasos rutinarios de validación. Con el impulso empresarial alrededor de Claude y los productos agentivos para desarrolladores esta semana, la ingeniería de QA experimenta un aumento moderado del riesgo de reemplazo respecto a su nivel anterior.
1 de abril de 2026
El uso cada vez más generalizado de Claude y Gemini respalda una mayor generación asistida por IA de casos de prueba, reproducción de errores, scripting de regresión y automatización de comprobaciones de lanzamiento. Esas son tareas centrales de QA-engineer, por lo que las señales de adopción de esta semana justifican un pequeño aumento del riesgo de reemplazo.
25 de marzo de 2026
Modelos de codificación más capaces y un mejor despliegue de inferencia aumentan la automatización de la generación de pruebas, las comprobaciones de regresión y los flujos de trabajo de reproducción de errores. Por ello, las noticias de esta semana sobre modelos de codificación e infraestructura empujan el trabajo de QA a un riesgo de sustitución ligeramente mayor, especialmente para tareas de prueba de software repetitivas.
5 de marzo de 2026
El auge de herramientas de codificación centradas en IA como Cursor (según informes, superando una tasa de ingresos anualizada de $2B) tiende a integrar la generación de pruebas y la depuración automatizada en el ciclo de desarrollo. Eso aumenta la presión de automatización sobre actividades rutinarias de QA (creación de casos de prueba, scripting de regresión) respecto a la semana pasada.
La IA no va a reemplazar a los ingenieros de QA, pero ya ha asumido buena parte del trabajo mecánico que antes llenaba su jornada. GitHub Copilot, que se usa hoy en unas 140.000 organizaciones y ha sido nombrado Líder en el Cuadrante Mágico de Gartner de 2026 para agentes de codificación con IA empresarial por tercer año consecutivo, puede redactar el esqueleto de una prueba en segundos. Lo que todavía no puede hacer es decidir cuál de las cien funcionalidades de un producto provocaría el peor incidente si se rompiera.
Las herramientas creadas específicamente para pruebas han avanzado igual de rápido. Mabl, que ofrece pruebas con autorreparación desde 2017, ha añadido flujos agénticos y un agente de creación de pruebas capaz de generar y reparar sus propios guiones a medida que cambia una pantalla. Applitools y Testim aplican la misma lógica de autorreparación a las comprobaciones visuales y basadas en elementos, de modo que un botón que se desplaza diez píxeles ya no rompe de un día para otro toda una batería de regresión.
Gartner espera que para 2028 un tercio de las aplicaciones empresariales funcionen con IA agéntica, y que alrededor del 15 % de los flujos de trabajo repetitivos del día a día —justamente las pruebas de regresión, las pruebas de humo y la clasificación de errores que antes sostenían un puesto júnior de QA— se ejecuten con una intervención humana mínima paso a paso. Eso no reduce la necesidad de criterio en QA: la desplaza aguas arriba, hacia decidir qué probar, cuánto fiarse de la automatización y cuándo una entrega es realmente segura.
Las herramientas agénticas de pruebas rinden más justo donde el trabajo es repetitivo y el material de partida ya está escrito: especificaciones, definiciones de pantalla y baterías existentes que hay que mantener más que diseñar desde cero.
Los agentes de codificación tipo Copilot y las herramientas específicas de QA pueden generar un conjunto básico de casos de prueba a partir de una especificación o de la definición de una pantalla en el tiempo que antes tardaba una persona en leer el ticket. Eso detecta pronto las omisiones evidentes. Pero las condiciones límite que provocan de verdad las caídas siguen pasándose por alto si una persona no las piensa de forma deliberada.
Herramientas como Mabl y Testim detectan hoy cuándo un elemento de la interfaz se ha movido o se ha renombrado y reparan la prueba afectada de forma automática, algo que era una de las partes más tediosas de mantener una batería de regresión. Pero decidir si una prueba rota revela un defecto real o solo un cambio estético sigue necesitando a una persona.
La IA puede redactar con rapidez un resumen de los resultados de ejecución y de los pasos de reproducción en un lenguaje sobre el que un desarrollador pueda actuar, lo que ahorra tiempo de escritura. Pero comprobar si ese resumen conserva el único detalle que de verdad importa para una decisión de entrega sigue exigiendo revisión humana.
Los agentes de IA pueden montar estructuras de pruebas E2E (de extremo a extremo) y de API a partir de una base de código mucho más rápido que una persona escribiendo desde cero, lo que acelera bastante la configuración inicial. Pero decidir qué merece la pena automatizar, y cuándo una pantalla es demasiado inestable como para fijarla en guiones frágiles, sigue correspondiendo a alguien que conoce la hoja de ruta del producto.
A medida que las herramientas agénticas absorben más trabajo repetitivo de ejecución, lo que queda para los ingenieros de QA es precisamente la parte que Gartner espera que menos flujos de trabajo toquen: decidir dónde reside realmente el riesgo y cuánto debe costar una decisión de entrega.
Alguien tiene que decidir qué funciones causarían más daño si fallaran y con cuánta profundidad merece probarse cada una. Un agente puede generar cien casos en un minuto; lo que no puede es decirle a un equipo cuáles son los veinte que de verdad importan.
Los defectos suelen venir de una especificación que nunca llegó a estar clara, y no del código. Detectar esa ambigüedad antes de que el desarrollo se construya sobre ella sigue exigiendo a una persona que lea entre líneas un documento, en lugar de limitarse a probar contra él.
Aunque las herramientas agénticas clasifiquen los errores de forma automática, alguien tiene que sopesar la gravedad, la reproducibilidad y el impacto de negocio y decidir qué riesgo es aceptable publicar. Esa decisión es la parte de QA que más tiempo lleva resistiéndose a la automatización.
Devolver un defecto a las listas de revisión y a la cobertura automatizada para que ese tipo de error no vuelva sigue siendo una tarea de diseño deliberada. Los mejores ingenieros de QA lo tratan como un bucle continuo, no como algo que un agente ejecuta sin supervisión.
Los futuros ingenieros de QA necesitan algo más que saber ejecutar pruebas. Necesitan pensar en términos de riesgo, coste de la automatización y claridad de las especificaciones, y saber dirigir a un agente de IA en lugar de competir con él en volumen.
A medida que los agentes se ocupan de más generación rutinaria de casos, lo que distingue a un buen ingeniero de QA es detectar la condición límite o el caso extremo de permisos que el borrador de la IA se saltó en silencio.
Con herramientas de autorreparación como Mabl y Testim reduciendo el coste de mantenimiento de la automatización, la pregunta difícil pasa a ser qué merece realmente la pena automatizar. La cobertura por la cobertura no es el objetivo; sí lo es el criterio sobre dónde compensa automatizar.
Trabajar con eficacia con agentes tipo Copilot y con herramientas de generación de pruebas se está volviendo una habilidad tan central como lo era escribir un caso de prueba a mano. Quienes más partido le sacan tratan la salida de la IA como un borrador que hay que interrogar, no como un resultado en el que confiar por defecto.
Saber explicar a desarrolladores y responsables de producto no solo que algo está mal, sino por qué es peligroso y con cuánta urgencia hay que atenderlo, sigue siendo una habilidad claramente humana que ninguna clasificación automática de errores sustituye.
La experiencia como ingeniero de QA va más allá de las pruebas y abarca el criterio sobre el riesgo, las decisiones de entrega y la prevención de recurrencias. Eso facilita el paso a puestos cercanos con una responsabilidad más amplia sobre el producto y la calidad.
La experiencia de organizar la entrega vigilando el riesgo de calidad también se aplica a una gestión de proyectos más amplia. Es una buena opción para quienes quieren extender su criterio de calidad a las decisiones sobre el avance global del proyecto.
La experiencia de detectar ambigüedades en las especificaciones y el impacto en el usuario también ayuda a decidir prioridades de funcionalidades. Encaja con quienes quieren conservar la mirada de calidad mientras avanzan hacia decidir qué debe construirse.
La experiencia de identificar las partes frágiles de una implementación se convierte en una gran fortaleza al volver al lado del desarrollo, sobre todo ahora que buena parte del código lo redactan los mismos agentes de IA que los ingenieros de QA ya revisan.
Quienes tienen una perspectiva sólida de estrategia de calidad pueden aportar valor incluso en un trabajo de pruebas muy centrado en la ejecución, con un nivel de claridad más alto. Encaja con quienes quieren pasar de la estrategia a la validación práctica y a la comprobación de la sensación de uso.
La experiencia de encontrar lagunas y malentendidos en las especificaciones también se traslada bien a crear documentación más clara. Este camino encaja con quienes quieren usar una mentalidad de calidad para mejorar cómo se comunica la información.
Quienes destacan en la prevención de recurrencias y en el diseño de procedimientos suelen adaptarse bien a estabilizar la operación diaria de los sistemas. Encaja con quienes quieren llevar una mentalidad de protección de la calidad hacia la fiabilidad operativa.
Los ingenieros de QA no se están volviendo innecesarios. La propia investigación de Gartner de 2026 muestra que las herramientas agénticas absorben el tercio repetitivo del trabajo de pruebas, no su núcleo estratégico. Copilot y herramientas como Mabl o Testim pueden redactar, autorrepararse y resumir más rápido de lo que podría nadie. Lo que sigue exigiendo a una persona es decidir qué riesgos importan lo bastante como para probarlos a fondo, qué especificaciones son peligrosamente vagas y con qué defectos se puede publicar sin peligro. Los ingenieros de QA que conserven su valor serán quienes dirijan ese criterio, no quienes compitan con los agentes por escribir casos a mano.
Estas profesiones pertenecen al mismo sector que Ingeniero de control de calidad. No son el mismo trabajo, pero ayudan a comparar mejor la exposición a la IA y la cercanía entre trayectorias.
Nuestro Índice de Riesgo Laboral de IA otorga actualmente a Ingeniero de control de calidad una puntuación de 87 sobre 100. Una puntuación más alta significa que ya se puede automatizar una mayor parte de las tareas rutinarias y bien definidas del puesto; no es una predicción de que la profesión desaparezca. La IA tiende a absorber primero el trabajo repetitivo, mientras que el juicio, la responsabilidad y las relaciones humanas siguen dependiendo de las personas.
La puntuación combina una estimación base de cuán automatizables son las tareas centrales del puesto con una reevaluación semanal que pondera las últimas investigaciones, productos y noticias sobre IA. Las puntuaciones son relativas entre todos los empleos analizados, así que el número de Ingeniero de control de calidad se interpreta mejor en comparación con otros puestos que como una probabilidad absoluta.
Ningún puesto está completamente a salvo, pero reduces tu exposición apoyándote en lo que la IA hace peor: el juicio complejo, la responsabilidad ética, el trabajo manual o interpersonal y la supervisión de los resultados de la IA. A quienes usan la IA como herramienta les suele ir mejor que a quienes intentan competir con ella.
La puntuación se actualiza cada semana desde nuestro índice. La cifra de cambio semanal de esta página muestra cuánto varió la exposición de Ingeniero de control de calidad a la IA respecto a la semana anterior.
