27 May
27May

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).


🧠 ¿Qué diferencia a un sistema tradicional de uno basado en IA?

✅ Sistemas Tradicionales:

  • Se basan en reglas fijas y lógica determinista.
  • El comportamiento del sistema es predecible.
  • Las entradas y salidas son claramente definidas.
  • Se prueba validando que una entrada produce una salida específica.

🤖 Sistemas basados en IA:

  • Aprenden de datos, no se programan con reglas explícitas.
  • Su comportamiento puede ser no determinista.
  • La salida puede cambiar ante entradas similares.
  • Se requiere validar patrones y comportamientos probabilísticos.

🔍 ¿Qué implica esto para el testing?

CaracterísticaTesting TradicionalTesting en Sistemas de IA
RequisitosClaros y funcionalesA veces inexistentes o basados en datasets
Criterios de éxitoBinarios: pasa / fallaUmbrales: precisión, recall, F1 score
Técnicas de pruebaCaja negra, caja blancaPruebas basadas en datos, métricas estadísticas
Prueba de regresiónCrucialPuede no ser confiable si el modelo ha sido reentrenado
TrazabilidadFácil de establecerDifícil, debido a la "caja negra" de los modelos
Sesgos y éticaPoco comúnMuy relevante y sujeto a auditorías

🧪 Caso de ejemplo: Clasificador de imágenes

Sistema Tradicional:

Una función que determina si una imagen tiene el formato correcto. La lógica es clara y se puede verificar con condiciones.

Sistema con IA:

Un modelo entrenado para distinguir gatos de perros. El tester debe:

  • Validar el dataset: ¿Está balanceado?
  • Verificar métricas como la precisión del 95%.
  • Probar con imágenes no vistas (generalización).
  • Verificar si hay sesgos (¿clasifica peor a ciertos colores?).

🎯 Principales desafíos del testing en IA

  1. Incertidumbre: El mismo input no siempre genera el mismo output.
  2. Calidad de datos: Los errores muchas veces están en los datos, no en el código.
  3. Explicabilidad: ¿Por qué un modelo tomó una decisión?
  4. Ética y sesgos: ¿El modelo reproduce estereotipos?

📘 El enfoque del ISTQB: Certificación CT-AI

El ISTQB aborda estos retos en su certificación avanzada Certified Tester in AI Testing (CT-AI). Algunos puntos clave del temario:

  • Análisis de riesgos en proyectos IA.
  • Validación de modelos entrenados.
  • Evaluación de calidad de datos.
  • Testing de sistemas híbridos (tradicionales + IA).
  • Métricas de desempeño en Machine Learning.

✅ Conclusión

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.