¿Reemplazará la IA a los probadores de software? El BLS proyecta que la ocupación seguirá creciendo, en parte porque todo el código generado por IA necesita ser verificado.
Esta página también abarca: Ingeniero de control de calidad.
Todavía hay una fuerte demanda de probadores de software: el BLS proyecta que este grupo ocupacional seguirá creciendo, en parte porque más código generado por IA significa más cosas por revisar. Lo que se debilita es el papel de ser solo un brazo ejecutor de procedimientos rutinarios: las verificaciones de regresión y la consolidación de resultados están cada vez más en manos de herramientas como Applitools, Mabl y Perfecto, pero seguirá siendo necesario notar la incomodidad en el uso real, afinar las condiciones de reproducción y detectar problemas desde el punto de vista del usuario.
Los probadores de software suelen estar más cerca 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. Los ingenieros de QA diseñan la estrategia general de calidad; los probadores de software, en cambio, suelen estar en la primera línea de la ejecución de pruebas y la validación práctica.
Dentro del trabajo del probador, las verificaciones con resultados esperados claros y mucha repetición son especialmente fáciles de automatizar. Las partes que consisten sobre todo en seguir pasos predeterminados son las que tienen más probabilidades de verse afectadas. Pero seguirá en manos humanas la tarea de notar que algo se siente raro, afinar las condiciones de reproducción y revisar desde el punto de vista del usuario.
Calculado por ai-job-risk.net a partir de cuatro conjuntos de datos públicos, en una escala de 0–100 relativa a las 188 profesiones que analizamos. Una cifra más alta significa que una mayor parte de las tareas del empleo son del tipo que la IA generativa puede hacer o para el que ya se usa. No es la probabilidad de perder el empleo.
Análisis de tareas realizado por investigadores (Eloundou et al.; OIT). Se muestra como percentil entre todas las profesiones que evalúan.
Uso observado de Microsoft Copilot y Anthropic Claude en las tareas de esta profesión. Se muestra como percentil entre todas las profesiones que evalúan.
Sustitución entre ocupaciones, sustitución de trabajo por capital: se prevé que la proporción de esta ocupación en el empleo de los sectores que la emplean disminuya, ya que algunas tareas pasan a los desarrolladores de software a medida que las empresas integran cada vez más las pruebas en sus procesos de desarrollo de software, y algunas tareas de prueba se automatizan mediante inteligencia artificial (IA).
Occupational substitution, capital/labor substitution - share decreases as some tasks move to software developers as companies increasingly integrate their testing into their software development processes, and as some testing tasks are automated by artificial intelligence (AI).
Cifras de EE. UU. para la profesión del BLS «Software quality assurance analysts and testers». Las proyecciones del BLS suponen que la tecnología sigue avanzando a su ritmo histórico; no son un pronóstico del efecto de la IA por sí sola.
Fuentes
Índice de exposición calculado por ai-job-risk.net a partir de los conjuntos de datos siguientes (datos a 15 de octubre de 2026). Las cifras laborales de EE. UU. proceden del BLS, sin cambios.
Los editores de los datos no han elaborado, revisado ni respaldado este sitio. Citas completas, licencias y método
La IA no está reemplazando a los probadores de software: de hecho, el BLS proyecta que este grupo ocupacional seguirá creciendo (las cifras actuales de Estados Unidos aparecen en el panel de datos de arriba), en parte porque aumenta el volumen de código generado por IA y todo ese código sigue necesitando verificación. Lo que la IA sí está reemplazando es la capa más repetitiva del trabajo: el World Quality Report 2025 encontró que el 89 por ciento de las organizaciones ya está probando o implementando IA generativa en la ingeniería de calidad, aunque solo el 37 por ciento la tiene en producción (apenas el 15 por ciento en toda la empresa), y el resto aún está definiendo dónde realmente ayuda.
Desde fuera, el trabajo del probador puede parecer justo el tipo de proceso que la IA y la automatización absorberán: seguir guiones, comparar resultados y resumir informes. Las herramientas especializadas lo respaldan: plataformas de validación visual como Applitools, herramientas autónomas de generación de pruebas como Mabl y Blinq.io, y motores de ejecución con autorreparación de proveedores como Perfecto ya se encargan automáticamente de una parte importante de las pruebas de regresión. Los analistas valoran el mercado de automatización de pruebas en una cifra de entre unos 24.000 millones y 42.000 millones de dólares en 2026, con proyecciones de que se multiplique por tres o más hacia 2034.
Eso es cierto para una parte del puesto. Pero cuando hay productos reales de por medio, muchos problemas no se detectan con solo recorrer un flujo normal. Los probadores suelen aportar valor al notar incomodidades sutiles, reproducir fallos poco frecuentes y comunicar los problemas de una manera que el equipo de desarrollo pueda aprovechar. Los probadores de software no están desapareciendo porque la IA pueda automatizar las verificaciones rutinarias. Su valor real está en la observación y en traducir problemas vagos en defectos claros y accionables.
Las verificaciones repetidas con resultados esperados explícitos son especialmente fáciles de automatizar, y las herramientas de pruebas con IA de 2026 han llegado más lejos que la automatización tradicional basada en guiones, ya que los equipos que dependen de guiones escritos a mano suelen quedarse estancados en una minoría de la cobertura de pruebas posible.
Las pruebas de regresión que repiten las mismas operaciones cada vez ahora suelen quedar a cargo de plataformas de automatización con autorreparación como Perfecto, que se ajustan automáticamente cuando pequeños cambios en la interfaz romperían un guion. La comparación de resultados también se mecaniza con facilidad, de modo 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 poca configuración manual, y esas verificaciones se vuelven candidatas naturales a la automatización. Es probable que el valor de probar solo el camino normal se debilite: cuanto más explícitamente se escriben los resultados esperados, más baja el valor de la ejecución humana.
La IA puede ayudar a organizar capturas de pantalla, pasos y condiciones de aparición en un primer borrador limpio, lo que hace más eficiente la parte de formato del reporte de errores. Pero las personas siguen teniendo que decidir qué información es más importante para el desarrollo y por qué.
La IA puede organizar con rapidez tablas de pruebas y registros de ejecución, y reduce el esfuerzo necesario para preparar informes de un conjunto grande de regresión. Pero decidir qué falla realmente importa es otra habilidad: lo que distingue a las personas no es la cantidad de defectos encontrados, sino la capacidad de interpretar su impacto.
A los probadores de software les queda el trabajo de notar incomodidades en el uso real, profundizar en las condiciones de reproducción y reportar los problemas de forma que otros puedan actuar. Es una gran parte de la razón por la que el BLS proyecta una demanda creciente para este puesto aun cuando las herramientas automáticas asumen más de la capa basada en guiones: alguien tiene que revisar el creciente volumen de código escrito por IA en busca de los fallos que un guion no detecta.
Un producto puede comportarse según la especificación y aun así resultar confuso, lento o propenso a errores del usuario. Ese tipo de incomodidad a nivel de experiencia es más fácil de captar cuando una persona usa el producto en la práctica, y ninguna herramienta de validación visual está diseñada para señalarla.
Los defectos intermitentes suelen requerir acotar con paciencia, uno por uno, el orden de las entradas, el estado de los permisos, el estado del dispositivo y las condiciones de red. Esa perseverancia y esa capacidad de organización siguen siendo fortalezas humanas, y convertir un error vago en una ruta de reproducción confiable es una parte importante del puesto.
Encontrar un defecto no basta si no se comunican con claridad la causa probable y el impacto. Sigue haciendo falta transmitir qué ocurrió, en qué condiciones y por qué es peligroso, de un modo que los desarrolladores entiendan; quienes incluyen videos de reproducción y detalles del entorno suelen ganarse la confianza.
Sigue siendo necesario detectar flujos confusos y comportamientos frustrantes desde la perspectiva de un usuario real. No basta con confirmar que se cumple la especificación: quienes pueden imaginar cómo se usará realmente el producto son especialmente valiosos, y esta es justamente la capa que las herramientas de generación de pruebas con IA no cubren.
Los probadores de software del futuro necesitan más que la capacidad de ejecutar pasos. Necesitan una observación más aguda, mejor lógica de reproducción y perspectivas de calidad más amplias, ya que las propias cifras del World Quality Report muestran que la mayoría de las organizaciones aún están definiendo dónde encajan realmente las pruebas con IA.
Es importante notar no solo si el comportamiento coincide con lo esperado, sino también las pequeñas rarezas y los problemas sutiles de usabilidad. Las personas que no pasan por alto una leve incomodidad siguen siendo valiosas aunque el uso de la IA se extienda por la industria, y quienes perciben dónde es probable que los usuarios abandonen son aún más fuertes.
Los probadores de software necesitan 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 las precondiciones importa muchísimo.
Los probadores que trabajan con perspectivas como las diferencias de permisos, los valores límite, las diferencias entre dispositivos y entre redes descubren problemas de mayor calidad que los que cubre por defecto cualquier conjunto de pruebas generado. Cuanto más piensa una persona en lugar de limitarse a ejecutar, más sustancial se vuelve el puesto.
La IA puede acelerar la redacción de reportes y la organización de resultados, y los probadores que trabajan con soltura con herramientas como Copilot o con generación de pruebas basada en LLM son cada vez más los que buscan los empleadores. Pero la esencia de la incomodidad y de las condiciones de reproducción tiene que captarla el probador, que usa la IA para reducir el trabajo administrativo y dedicar más tiempo a encontrar el problema en sí.
La experiencia como probador de software desarrolla fortalezas en validación desde la perspectiva del usuario, reproducción y comunicación de problemas, habilidades que se trasladan con facilidad a puestos cercanos de calidad, soporte, diseño y análisis, aunque las herramientas del día a día sigan cambiando.
La experiencia detectando comportamientos extraños mediante el uso directo también sirve para pasar al diseño de estrategias de calidad, y funciona bien para quienes quieren dejar un trabajo centrado en la ejecución y pasar a decidir qué calidad proteger y cómo, a medida que las herramientas de pruebas con IA maduran.
La experiencia detectando operaciones confusas y puntos donde la gente suele tropezar también ayuda a mejorar los materiales de ayuda y los documentos de procedimientos, y convierte la fricción descubierta en información más clara.
Índice de exposición 96/100 · Empleo en EE. UU. 2025–35 +0,8%
Quienes entienden las condiciones de reproducción y los puntos frágiles de un producto suelen tener una gran ventaja al pasar a la implementación, pues usan su experiencia en pruebas para ayudar a escribir código que se rompa con menos facilidad, una habilidad cada vez más demandada a medida que se entrega más código asistido por IA.
Índice de exposición 85/100 · Empleo en EE. UU. 2025–35 +10,2%
Las personas muy sensibles a las interacciones confusas o frustrantes suelen pasar de forma natural al diseño de interfaces, y convierten una perspectiva centrada en el usuario en mejores diseños de pantallas y flujos.
Índice de exposición 90/100 · Empleo en EE. UU. 2025–35 +6,0%
La experiencia organizando tendencias de defectos y puntos de fricción del producto también se aplica al análisis del uso del producto, y extiende las fortalezas de observación hacia un trabajo de mejora respaldado por datos.
Índice de exposición 95/100 · Empleo en EE. UU. 2025–35 +34,6%
Todavía hay una fuerte demanda de probadores de software: el BLS proyecta que este grupo ocupacional seguirá creciendo, en parte porque más código generado por IA significa más cosas por revisar. Lo que se debilita es el papel de ser solo un brazo ejecutor de procedimientos rutinarios: las verificaciones de regresión y la consolidación de resultados están cada vez más en manos de herramientas como Applitools, Mabl y Perfecto, pero seguirá siendo necesario notar la incomodidad en el uso real, afinar las condiciones de reproducción y detectar problemas desde el punto de vista del usuario. 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.
Probador de software obtiene 95 sobre 100 en nuestro índice de exposición a la IA generativa (puesto 12 de 188). Eso mide qué parte del trabajo puede hacer la IA o para qué parte se usa, no si el empleo va a desaparecer. La BLS prevé que el empleo de Probador de software en EE. UU. cambie un +5,7% entre 2025 y 2035.
Las verificaciones repetidas con resultados esperados explícitos son especialmente fáciles de automatizar, y las herramientas de pruebas con IA de 2026 han llegado más lejos que la automatización tradicional basada en guiones, ya que los equipos que dependen de guiones escritos a mano suelen quedarse estancados en una minoría de la cobertura de pruebas posible. Por ejemplo: Pruebas de regresión de procedimientos fijos; Verificaciones básicas contra especificaciones claramente redactadas; Redacción de reportes de errores; Consolidación y listado de resultados.
A los probadores de software les queda el trabajo de notar incomodidades en el uso real, profundizar en las condiciones de reproducción y reportar los problemas de forma que otros puedan actuar. Es una gran parte de la razón por la que el BLS proyecta una demanda creciente para este puesto aun cuando las herramientas automáticas asumen más de la capa basada en guiones: alguien tiene que revisar el creciente volumen de código escrito por IA en busca de los fallos que un guion no detecta. Por ejemplo: Notar que algo se siente raro durante el uso real; Acotar con cuidado las condiciones de reproducción; Reportar los problemas de una forma en que el desarrollo pueda actuar; Revisar desde el punto de vista del usuario.
Los probadores de software del futuro necesitan más que la capacidad de ejecutar pasos. Necesitan una observación más aguda, mejor lógica de reproducción y perspectivas de calidad más amplias, ya que las propias cifras del World Quality Report muestran que la mayoría de las organizaciones aún están definiendo dónde encajan realmente las pruebas con IA. Por ejemplo: Observación y sensibilidad ante las anomalías; Capacidad para organizar los pasos de reproducción; Comprensión de los puntos de vista básicos de calidad; Usar la IA para agilizar los reportes sin renunciar a la observación real.
