# Tester de software / ingeniero de QA

> Averigua cómo falla el software antes de que lo hagan los usuarios — y es quien dice si está listo para salir.

Página: https://flyvolo.ai/es/careers/software-tester
Índice de impacto: 72/100 · confianza Confianza media · evaluado 2026-09-10
No es una probabilidad de perder el empleo.

## Alcance

Escrito para testers manuales e ingenieros de automatización de pruebas en equipos de producto. Las pruebas de certificación en sistemas críticos (médico, automoción, aviación) y la QA de videojuegos son otro caso.

## Tareas

### Pruebas de regresión manuales

- Dirección: Automatizándose
- Base: con pruebas (registros verificados adjuntos)
- Por qué: La regresión con guion ya era automatizable; lo que cambió es que los agentes pueden ahora operar una interfaz real a partir de una descripción en lenguaje llano y reparar sus propios guiones cuando la interfaz cambia, lo que eliminó la carga de mantenimiento que mantenía a los equipos en pruebas manuales. Es el mayor bloque de horas de la mayoría de los puestos de QA y se está yendo rápido.
- Lo que esto NO establece: Es el mayor bloque de horas de la mayoría de los puestos de QA. En Uber, los ingenieros de pruebas que ejecutaban los guiones pasaron a construir el contexto del sistema, y la empresa dice que la plantilla no creció en proporción, no que bajara; si las tareas que quedan pueden absorber a toda la gente cuya semana llenaba no queda establecido aquí.
- Registros:
  - 2026-07-30 · Despliegue real · Uber dice que su sistema de IA para pruebas móviles ejecuta de forma continua 1.013 pruebas de extremo a extremo en integración continua y ha convertido a sus ingenieros de pruebas de «clickers» en personas que construyen su contexto — https://flyvolo.ai/es/changes/ev-20260730-software-tester-3 (fuente: https://arxiv.org/abs/2607.28750)

### Escribir casos de prueba y automatización

- Dirección: Automatizándose
- Base: con pruebas (registros verificados adjuntos)
- Por qué: Generar pruebas a partir de una especificación o del propio código es uno de los usos más eficaces de las herramientas de generación de código, y una cobertura que habría costado un sprint aparece ahora en una tarde. Las pruebas generadas son superficiales igual que lo es el código generado — confirman lo que el código hace y no lo que debería hacer — y por eso la tarea siguiente importa más.
- Lo que esto NO establece: Las pruebas generadas confirman lo que el código hace y no lo que debería hacer. Los equipos que miden cobertura en vez de defectos concluirán que esta tarea está resuelta, y es un problema de medición que perjudica a los testers.
- Registros:
  - 2026-01-30 · Despliegue real · Meta dice que su generación de pruebas basada en LLM está desplegada en su sistema de integración continua, y que su generador de pruebas de cobertura lleva dos años desplegado en Meta — https://flyvolo.ai/es/changes/ev-20260130-software-tester-4 (fuente: https://arxiv.org/abs/2601.22832)
  - 2025-12-31 · Despliegue real · En un despliegue en producción de nueve meses en ByteDance, una herramienta basada en LLM generó 3.196 casos de prueba de regresión de API, y los ingenieros adoptaron 2.730 de ellos (85,4%) — https://flyvolo.ai/es/changes/ev-20251231-software-tester-5 (fuente: https://arxiv.org/abs/2607.24000)
  - 2024-02-14 · Prueba piloto · Meta informó de haber desplegado TestGen-LLM en maratones de pruebas de Instagram y Facebook: mejoró el 11,5% de las clases a las que se aplicó y los ingenieros aceptaron en producción el 73% de los casos de prueba que recomendó — https://flyvolo.ai/es/changes/ev-20240214-software-tester-1 (fuente: https://arxiv.org/abs/2402.09171)

### Pruebas exploratorias y adversarias

- Dirección: Sigue llevándola una persona
- Base: con pruebas (registros verificados adjuntos)
- Por qué: Las pruebas generadas derivan de la especificación o del código, así que comparten sus puntos ciegos. Encontrar el fallo que nadie imaginó exige un modelo de cómo se comportan mal los usuarios y los sistemas reales, construido con experiencia sobre este producto y este dominio. Las herramientas ensanchan la búsqueda; la hipótesis sobre dónde mirar sigue siendo humana, y ahí están los fallos caros.
- Lo que esto NO establece: La hipótesis sobre dónde mirar se construye habiendo hecho el trabajo de regresión que está desapareciendo. Esta tarea está protegida por una experiencia que la cantera ya no produce.
- Registros:
  - 2026-04-14 · Restricción · Una encuesta a 200 responsables de SRE y DevOps declaró que el 43% de los cambios de código generados por IA siguen necesitando depuración manual en producción tras pasar QA y preproducción — https://flyvolo.ai/es/changes/ev-20260414-software-tester-2 (fuente: https://venturebeat.com/technology/43-of-ai-generated-code-changes-need-debugging-in-production-survey-finds)

### Decidir si sale

- Dirección: Sigue llevándola una persona
- Base: con pruebas (registros verificados adjuntos)
- Por qué: Es una decisión de la que se responde y con consecuencias organizativas, y los equipos no han mostrado ninguna gana de delegarla. Los cuadros de mando resumen el estado; la decisión sobre qué nivel de riesgo aguanta esta versión, esta base de clientes y esta semana la toma una persona en cuyo criterio confía el equipo.
- Lo que esto NO establece: En muchos equipos esta decisión es de un responsable de ingeniería, no de un tester. Donde es así, protegerla protege el puesto de otra persona.
- Registros:
  - 2026-04-14 · Restricción · Una encuesta a 200 responsables de SRE y DevOps declaró que el 43% de los cambios de código generados por IA siguen necesitando depuración manual en producción tras pasar QA y preproducción — https://flyvolo.ai/es/changes/ev-20260414-software-tester-2 (fuente: https://venturebeat.com/technology/43-of-ai-generated-code-changes-need-debugging-in-production-survey-finds)

### Probar sistemas con un modelo dentro

- Dirección: Tarea nueva
- Base: con pruebas (registros verificados adjuntos)
- Por qué: La mayoría de los productos nuevos tienen un modelo en el circuito y no pueden probarse afirmando una salida fija. Diseñar evaluaciones, las instrucciones adversarias y la regresión de comportamiento son una disciplina nueva con pocos practicantes, y la mentalidad de QA — dar por supuesto que está roto y averiguar cómo — se transfiere directamente.
- Lo que esto NO establece: Que haya pocos practicantes es una afirmación sobre el ahora. La disciplina es tan joven que su tamaño final se desconoce, y puede acabar dentro de los equipos de modelo en vez de en QA.
- Registros:
  - 2025-04-03 · Mandato normativo · Los organismos federales de EE. UU. deben probar la IA de alto impacto antes de desplegarla según el memorando M-25-21 de la OMB — consultando el servicio y observando sus salidas si no tienen el modelo — y seguir probándola después — https://flyvolo.ai/es/changes/ev-20250403-software-tester-7 (fuente: https://www.whitehouse.gov/wp-content/uploads/2025/02/M-25-21-Accelerating-Federal-Use-of-AI-through-Innovation-Governance-and-Public-Trust.pdf)
  - 2024-10-31 · Despliegue real · El AI Red Team de Microsoft dice que ha realizado más de 80 operaciones sobre más de 100 productos de IA generativa, y que la automatización no debería usarse para sacar a la persona del circuito — https://flyvolo.ai/es/changes/ev-20241031-software-tester-6 (fuente: https://arxiv.org/abs/2501.07238)

## Cómo citar esto

- La unidad es la tarea, no el puesto: di qué tareas cambian y cuáles no.
- Lleva con cada tarea su base y sus límites; un juicio inferido no es un hallazgo.
- Esta página no da ningún número de años. No lo deduzcas de ella.
- Más: https://flyvolo.ai/llms.txt