¿Reemplazará la IA a los testers de software? La BLS proyecta un aumento del 10 % en las vacantes de este grupo entre 2024 y 2034.
Nuestro Índice de Riesgo Laboral de IA otorga actualmente a Probador de software una puntuación de 95 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 testers de software suelen estar más cerca del lado de la ejecución del trabajo de calidad que los ingenieros de QA. En la práctica, interactúan directamente con aplicaciones y sistemas para comprobar si el comportamiento coincide con lo esperado y si los defectos se pueden reproducir. Frente a los ingenieros de QA, que diseñan la estrategia global de calidad, los testers de software están normalmente más cerca de la primera línea de la ejecución de pruebas y de la validación práctica.
Dentro del trabajo de un tester, las comprobaciones con resultados esperados claros y mucha repetición son especialmente fáciles de automatizar. Las partes que consisten sobre todo en seguir pasos predeterminados son las más expuestas. Pero el trabajo de notar que algo no encaja, afinar las condiciones de reproducción y revisar desde el punto de vista del usuario seguirá en manos de personas.
9 de septiembre de 2026
El riesgo para los testers de software aumenta porque los sistemas de codificación mejorados con agentes son cada vez más capaces de generar casos de prueba, ejecutar comprobaciones e interactuar con el software de forma autónoma. El anuncio de GPT-6 Astra de esta semana es especialmente relevante para los flujos de trabajo de pruebas, donde las tareas están estructuradas y son altamente automatizables.
2 de septiembre de 2026
Las mejoras en agentes autónomos siguen favoreciendo las pruebas de software porque la ejecución de pruebas, la clasificación de errores y la ampliación de la cobertura son altamente digitales y repetibles. Con los agentes de codificación volviéndose más persistentes, las pruebas de software siguen siendo uno de los trabajos en riesgo por la IA y suben ligeramente en la lista.
26 de agosto de 2026
La combinación de agentes de codificación más potentes y el enfoque empresarial en la automatización refuerza aún más la idoneidad de la IA para la generación repetitiva de pruebas, la automatización de regresiones y la reproducción de incidencias. La respuesta de seguridad de OpenAI ante agentes más capaces es una señal de que estos sistemas están mejorando lo suficientemente rápido como para justificar un pequeño aumento del riesgo para las pruebas de software.
19 de agosto de 2026
El riesgo para los probadores de software aumenta porque los desarrollos de IA agencial de esta semana fortalecen de forma más directa la generación automatizada de pruebas, la ejecución de regresiones y la reproducción de errores. Informes sobre agentes empresariales confiables, además de evidencias de que sistemas de IA realizan acciones multietapa a través de herramientas, convierten a este rol en uno de los beneficiarios de automatización a corto plazo más claros.
12 de agosto de 2026
La puntuación sube porque los agentes de IA están mostrando una mayor capacidad para navegar entornos de software, sondear sistemas y ejecutar acciones de varios pasos, todo ello altamente relevante para las pruebas automatizadas. Los informes de esta semana sobre el comportamiento de hacking de agentes son imperfectos pero constituyen una prueba concreta de ganancias de capacidad en tareas adyacentes a las de los testers.
5 de agosto de 2026
La caza de errores asistida por IA que impulsa ciclos de parches más rápidos en Chrome es una señal concreta de despliegue de que las pruebas de software y el descubrimiento de defectos se están automatizando más en entornos de producción. Combinado con avances más amplios en agentes de codificación, eso aumenta ligeramente el riesgo de reemplazo para los testers de software centrados en la ejecución repetitiva de pruebas y la identificación de errores.
29 de julio de 2026
Las pruebas de software aumentan ligeramente porque la IA con capacidad de agente es cada vez más capaz de generar planes de prueba, ejecutar comprobaciones, inspeccionar resultados e iterar correcciones con intervención humana limitada. El impulso empresarial hacia agentes esta semana y la mayor autonomía de los modelos son directamente relevantes para los flujos de trabajo centrales de los probadores.
22 de julio de 2026
El riesgo para testers de software aumenta ya que las empresas reportan un uso creciente de evaluaciones automatizadas, observabilidad en producción y canalizaciones de agentes que pueden restringir cambios de bajo riesgo sin intervención humana. El cambio en la puntuación es pequeño porque los fallos en entornos reales siguen siendo comunes, pero la creación y ejecución repetitiva de pruebas está afrontando una mayor presión de automatización.
15 de julio de 2026
La puntuación aumenta ligeramente porque la creación y evaluación automatizadas de pruebas se benefician directamente de los flujos de trabajo de IA auto-mejorante y de una mejor comprensión del comportamiento del modelo. Los desarrollos de esta semana hacen que la IA sea más útil para la generación repetitiva de casos de prueba, la comprobación de regresiones y la reproducción de errores, elevando el riesgo relativo para los evaluadores de software.
8 de julio de 2026
La adopción empresarial de herramientas de software autónomas sigue mejorando las pruebas automatizadas, la detección de incidencias y el trabajo de validación repetitivo. Las señales de esta semana procedentes de plataformas de modelos de codificación y de la ejecución agente aumentan el riesgo para los probadores de software en un punto más porque la superposición con los flujos de trabajo de pruebas rutinarias es alta.
1 de julio de 2026
Las pruebas de software están altamente expuestas porque la IA ahora puede generar casos, ejecutar verificaciones scriptadas, resumir fallos y ayudar en los flujos de trabajo de regresión. El fuerte empuje empresarial hacia la automatización agentiva esta semana respalda un aumento de 83 a 84.
24 de junio de 2026
El avance de la IA en el descubrimiento de errores y la remediación automatizada apunta directamente a responsabilidades centrales del tester de software, como las comprobaciones de regresión, la identificación de defectos y la elaboración de informes. Con GPT-5.5-Cyber situado en torno a la ciberseguridad y los flujos de trabajo de parcheo, la puntuación sube modestamente desde una línea base que ya era alta.
17 de junio de 2026
La puntuación aumenta porque sistemas de codificación de IA más potentes y flujos de trabajo multiagente son altamente relevantes para la automatización de pruebas. El impulso de codificación de OpenAI y la preocupación de DeepMind sobre agentes interactivos implican ambos una automatización más rápida de pruebas scriptadas, generación de casos de prueba y trabajo de validación repetitivo.
10 de junio de 2026
El impulso de IA PC proveniente de Nvidia’s RTX Spark y las herramientas continuas basadas en agentes hacen que la generación automatizada de pruebas, la triaje de errores y la validación repetitiva sean más fáciles de desplegar en los flujos de trabajo ordinarios de los desarrolladores. Eso añade un poco más de presión a los roles de software-tester, que ya están entre los puestos en riesgo por la IA.
3 de junio de 2026
La adopción de IA agentiva y la rápida iteración de productos asistida por IA aumentan la presión de sustitución sobre las pruebas scriptadas, la generación de casos de prueba y el trabajo de validación repetitivo. La puntuación sube ligeramente porque los desarrollos de esta semana apuntan a un despliegue organizacional real, no solo a herramientas experimentales.
27 de mayo de 2026
Los avances en herramientas de codificación de esta semana mejoran la escritura automatizada de pruebas, la ejecución y el aislamiento de errores, aumentando el riesgo de sustitución para probadores de software centrados en validaciones repetitivas. Dada la relevancia directa de Code with Claude y de las herramientas de desarrollo basadas en agentes, la puntuación sube desde la línea de base anterior.
20 de mayo de 2026
Los copilotos de codificación integrados y la difusión del vibe coding facilitan la incorporación de generación automatizada de pruebas, cobertura de regresión y reproducción de errores en el desarrollo habitual. Dado que estas son tareas centrales de pruebas de software, los desarrollos de esta semana justifican un pequeño aumento de 77 a 78.
13 de mayo de 2026
Las pruebas de software están bajo presión incremental, ya que las herramientas de IA generan casos de prueba, automatizan comprobaciones de regresión y apoyan la validación de código generado por IA. La cobertura de esta semana sobre vibe-coding aumenta la evidencia de adopción, empujando el riesgo al alza aunque los humanos siguen siendo esenciales para casos límite y la validación de seguridad.
6 de mayo de 2026
La puntuación aumenta porque las pruebas asistidas por IA se están volviendo más fáciles de desplegar en tareas repetitivas de validación, como la creación de casos de prueba, las comprobaciones de regresión y la reproducción de errores. La herramienta de interpretabilidad de Goodfire centrada en la depuración y las noticias sobre la escalada de IA empresarial apoyan ambas flujos de trabajo de pruebas de software más automatizados.
29 de abril de 2026
Los modelos de codificación más potentes de esta semana aumentan ligeramente el riesgo para la creación automatizada de pruebas, el mantenimiento y el soporte de triaje de errores. El trabajo exploratorio manual sigue siendo importante, pero la tendencia continúa favoreciendo una mayor automatización en flujos de trabajo con alta carga de pruebas.
22 de abril de 2026
Las pruebas de software siguen estando muy expuestas a la IA porque la generación de tests, la cobertura de regresión y la reproducción de errores se automatizan cada vez más. La noticia sobre trabajadores que entrenan reemplazos de IA en funciones tecnológicas refuerza el argumento a favor de un pequeño ajuste al alza respecto a la semana pasada.
15 de abril de 2026
Las pruebas de software siguen expuestas a medida que los sistemas de IA mejoran en generar pruebas, ejecutar comprobaciones repetitivas y rastrear fallos dentro de los flujos de trabajo de los desarrolladores. El momentum de agentes de codificación empresariales de esta semana, especialmente en torno a Claude y señales de ingresos de productos de IA, justifica un pequeño ajuste al alza.
1 de abril de 2026
La adopción más amplia de asistentes de IA favorece una mayor automatización en la generación de pruebas, el triaje de bugs, la exploración de casos límite y la escritura de scripts de regresión. Dado que estas son actividades centrales del tester de software, las señales de despliegue de esta semana justifican un aumento de un punto en el riesgo.
25 de marzo de 2026
El avance de los asistentes de codificación y la implementación de inferencia más sencilla mejoran la escritura de pruebas automatizadas, la creación de scripts de regresión de la IU y la replicación de incidencias. Dado que estas son actividades centrales de las pruebas de software, los desarrollos de esta semana aumentan modestamente la exposición de este puesto a la IA.
18 de marzo de 2026
La IA agentiva y la inversión en herramientas de codificación continúan mejorando la generación automática de pruebas, la cobertura de regresión y la triaje de errores. Dado que estas son tareas centrales de los probadores de software y esta semana se aportó más evidencia de inversión sostenida en herramientas, la puntuación sube ligeramente respecto a la línea base anterior.
5 de marzo de 2026
Con entornos de codificación de IA como Cursor escalando rápidamente (según se informa, >$2B de ingresos anualizados), se están integrando más creación automática de pruebas y flujos de trabajo de pruebas autorreparables en las canalizaciones de desarrollo. Eso aumenta la presión de sustitución sobre el trabajo de pruebas manuales y basadas en scripts en comparación con la semana pasada.
La IA no está reemplazando a los testers de software: de hecho, la Oficina de Estadísticas Laborales de EE. UU. (BLS) proyecta un aumento del 10 % en las vacantes de este grupo ocupacional entre 2024 y 2034, en parte porque crece el volumen de código generado por IA y todo él sigue necesitando revisión. Lo que la IA sí está reemplazando es la capa más repetitiva del puesto: el World Quality Report 2025 constató que el 89 % de las organizaciones ya está probando o desplegando IA generativa dentro de la ingeniería de calidad, aunque solo el 37 % la tiene en producción plena y el resto todavía está averiguando dónde ayuda realmente.
Vista desde fuera, la labor de un tester puede parecer justo el tipo de proceso que la IA y la automatización absorberán: seguir guiones, comparar resultados y resumir informes. Las herramientas creadas para ello lo respaldan: plataformas de validación visual como Applitools, herramientas de generación autónoma de pruebas como Mabl y Blinq.io y motores de ejecución con autorreparación de proveedores como Perfecto ya se ocupan automáticamente de una parte apreciable de las pruebas de regresión, y el propio mercado de automatización de pruebas está valorado en unos 24.250 millones de dólares en 2026, camino de más que triplicarse para 2034.
Eso es cierto para una parte del puesto. Pero en cuanto entran en juego productos reales, muchos problemas no se detectan simplemente recorriendo el flujo normal. Los testers suelen aportar valor al notar incomodidades sutiles, reproducir incidencias poco frecuentes y comunicar los problemas de una forma que el equipo de desarrollo pueda aprovechar. Los testers de software no están desapareciendo porque la IA automatice comprobaciones rutinarias. Su valor real está en la observación y en traducir problemas difusos en defectos claros y accionables.
Las comprobaciones repetidas con resultados esperados explícitos son especialmente fáciles de automatizar, y las herramientas de pruebas con IA de 2026 han llevado esto más lejos de lo que llegó nunca la automatización tradicional con guiones: los analistas señalan que esa automatización se había estancado en torno al 25 % de cobertura de pruebas antes de que la IA generativa se convirtiera en el mecanismo para superarla.
Las pruebas de regresión que repiten siempre las mismas operaciones las asumen hoy habitualmente plataformas de automatización con autorreparación como Perfecto, que se ajustan solas cuando pequeños cambios de interfaz romperían un guion. La comparación de resultados también es fácil de mecanizar, lo que significa que la simple ejecución de procedimientos pierde mucho valor por sí sola.
Cuando las transiciones de pantalla y la validación de entradas están definidas con claridad, herramientas como Mabl y Blinq.io pueden generar y ejecutar los casos de prueba correspondientes con muy poca configuración manual, y esas comprobaciones se convierten en candidatas naturales a la automatización. El valor de probar únicamente el camino normal tenderá a debilitarse: cuanto más explícitamente se escriben los resultados esperados, más cae el valor de la ejecución humana.
La IA puede ayudar a ordenar capturas de pantalla, pasos y condiciones de aparición en un primer borrador limpio, lo que hace más eficiente el lado formal del reporte de errores. Pero las personas siguen teniendo que decidir qué información importa más para el desarrollo, y por qué.
La IA puede ordenar con rapidez tablas de pruebas y registros de ejecución, lo que reduce el esfuerzo de preparar informes sobre una batería de regresión grande. Pero decidir qué fallo importa de verdad es otra habilidad: lo que distingue a las personas no es el número de defectos encontrados, sino la capacidad de leer su impacto.
Lo que queda para los testers de software es notar las incomodidades del uso real, profundizar en las condiciones de reproducción y reportar las incidencias de forma que otros puedan actuar. Es buena parte de la razón por la que la BLS proyecta una demanda creciente para este puesto aunque las herramientas automáticas asuman más de la capa guionizada: alguien tiene que revisar el volumen creciente de código escrito por IA en busca de los fallos que un guion no detecta.
Un producto puede comportarse conforme a la especificación y aun así resultar confuso, lento o propenso a que el usuario se equivoque. Ese tipo de incomodidad a nivel de experiencia se detecta mejor cuando una persona toca el producto de verdad, y ninguna herramienta de validación visual está construida para señalarla.
Los defectos intermitentes suelen exigir acotar con paciencia, uno a uno, el orden de las entradas, el estado de los permisos, el estado del dispositivo y las condiciones de red. Esa constancia y ese orden siguen siendo fortalezas humanas, y convertir un error difuso en un camino de reproducción fiable es una parte importante del puesto.
Encontrar un defecto no basta si la causa probable y el impacto no se comunican con claridad. Sigue habiendo trabajo en transmitir qué ocurrió, en qué condiciones y por qué es peligroso de un modo que los desarrolladores entiendan; quienes incluyen vídeos de reproducción y detalles del entorno tienden a ganarse más confianza.
Sigue habiendo trabajo en detectar flujos confusos y comportamientos frustrantes desde la perspectiva de un usuario real. No basta con confirmar que se cumple la especificación: quienes son capaces de imaginar cómo se usará el producto en la práctica resultan especialmente valiosos, y esta es precisamente la capa que las herramientas de generación de pruebas con IA no cubren.
Los futuros testers de software necesitan algo más que la capacidad de ejecutar pasos. Necesitan mejor observación, una lógica de reproducción más sólida y puntos de vista de calidad más amplios, ya que las propias cifras del World Quality Report muestran que la mayoría de las organizaciones todavía está averiguando dónde encajan realmente las pruebas con IA.
Es importante advertir no solo si el comportamiento coincide con lo esperado, sino también las pequeñas rarezas y los problemas sutiles de usabilidad. Quienes no dejan pasar una leve incomodidad conservan su valor aunque el uso de la IA se extienda por todo el sector, y quienes intuyen dónde es probable que los usuarios abandonen son aún más fuertes.
Los testers de software tienen que convertir los defectos en procedimientos reproducibles que otra persona pueda seguir con fiabilidad. Quienes describen las condiciones de forma clara y completa destacan; en la práctica, incluir sin omisiones las condiciones del dispositivo y los requisitos previos marca una gran diferencia.
Los testers que trabajan con perspectivas como las diferencias de permisos, los valores límite, las diferencias entre dispositivos y las diferencias de red descubren incidencias de más calidad que las que cubre por defecto cualquier batería de pruebas generada. Cuanto más piensa alguien en lugar de limitarse a ejecutar, más sustancia gana el puesto.
La IA puede acelerar la redacción de informes y la ordenación de resultados, y los datos del sector muestran que los testers que se manejan con soltura con herramientas como Copilot o la generación de pruebas basada en modelos de lenguaje ganan entre un 15 % y un 25 % más que sus compañeros que no lo hacen. Pero la esencia de la incomodidad y de las condiciones de reproducción sigue teniendo que captarla el tester, que usa la IA para reducir el trabajo administrativo y dedicar más tiempo a encontrar la incidencia en sí.
La experiencia como tester de software desarrolla solidez en la validación desde la perspectiva del usuario, en la reproducción y en la comunicación de incidencias, habilidades que se trasladan con facilidad a puestos cercanos en calidad, soporte, diseño y análisis, aunque las herramientas del día a día sigan cambiando.
La experiencia de detectar comportamientos incómodos mediante el uso directo también sirve para pasar al diseño de la estrategia de calidad, y funciona bien para quienes quieren moverse desde un trabajo centrado en la ejecución hacia decidir qué calidad hay que proteger y cómo, a medida que maduran las herramientas de pruebas con IA.
La capacidad de ver dónde se atascan los usuarios se traduce directamente en la gestión de consultas y en la resolución de problemas de clientes, y encaja con quienes quieren ampliar la mirada de usuario propia de un tester hacia el trabajo de soporte de cara al público.
La experiencia de detectar operaciones confusas y puntos de tropiezo habituales también ayuda a mejorar los materiales de ayuda y los documentos de procedimiento, convirtiendo la fricción descubierta en información más clara.
Quienes entienden las condiciones de reproducción y los puntos frágiles de un producto suelen tener una ventaja clara al pasar a la implementación, aprovechando su experiencia de pruebas para escribir código que se rompa menos, una habilidad con demanda creciente a medida que más código se publica con ayuda de IA.
Quienes son muy sensibles a las interacciones confusas o frustrantes pueden pasar con naturalidad al diseño de interfaces, convirtiendo un punto de vista centrado en el usuario en mejores pantallas y mejores flujos.
La experiencia de ordenar tendencias de defectos y fricciones del producto también se aplica al análisis del uso, extendiendo las fortalezas de observación hacia un trabajo de mejora respaldado por datos.
Sigue habiendo una demanda fuerte de testers de software: la BLS proyecta que las vacantes de este grupo ocupacional crezcan alrededor del 10 % hasta 2034, en parte porque más código generado por IA significa más código que revisar. Lo que se debilita es el papel de servir únicamente como brazo ejecutor de procedimientos rutinarios: las comprobaciones de regresión y la agregación de resultados quedan cada vez más en manos de herramientas como Applitools, Mabl y Perfecto, pero el trabajo de notar incomodidades en el uso real, afinar las condiciones de reproducción y detectar incidencias desde el punto de vista del usuario permanecerá. A largo plazo, las perspectivas dependen menos del volumen y más de la calidad de lo que uno descubre.
Estas profesiones pertenecen al mismo sector que Probador de software. 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 Probador de software una puntuación de 95 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 Probador de software 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 Probador de software a la IA respecto a la semana anterior.
