Durante décadas, el testing de software se ha desarrollado bajo paradigmas bien definidos: requisitos claros, lógica determinista y comportamientos esperados predecibles. Sin embargo, con la irrupción de la inteligencia artificial, estos fundamentos se están transformando. ¿Cómo cambia el testing cuando pasamos de sistemas tradicionales a sistemas basados en IA?En este post te explicaré las diferencias clave, los desafíos que impone la IA y cómo el ISTQB lo aborda a través de su certificación CT-AI (Certified Tester in AI Testing).
Característica | Testing Tradicional | Testing en Sistemas de IA |
---|---|---|
Requisitos | Claros y funcionales | A veces inexistentes o basados en datasets |
Criterios de éxito | Binarios: pasa / falla | Umbrales: precisión, recall, F1 score |
Técnicas de prueba | Caja negra, caja blanca | Pruebas basadas en datos, métricas estadísticas |
Prueba de regresión | Crucial | Puede no ser confiable si el modelo ha sido reentrenado |
Trazabilidad | Fácil de establecer | Difícil, debido a la "caja negra" de los modelos |
Sesgos y ética | Poco común | Muy relevante y sujeto a auditorías |
Una función que determina si una imagen tiene el formato correcto. La lógica es clara y se puede verificar con condiciones.
Un modelo entrenado para distinguir gatos de perros. El tester debe:
El ISTQB aborda estos retos en su certificación avanzada Certified Tester in AI Testing (CT-AI). Algunos puntos clave del temario:
La llegada de la inteligencia artificial no elimina las bases del testing, pero sí exige una evolución en las técnicas, herramientas y mentalidad. Como testers, debemos adaptarnos a este nuevo paradigma donde los datos son código y los modelos aprenden solos. Prepararse con un enfoque profesional, como el que ofrece ISTQB, es clave para mantenerse relevante y aportar verdadero valor.