Líderes de opinión
Por qué las pruebas deben integrarse en la cadena de montaje de la IA desde el principio

Puntos claveLa IA acelera la codificación pero expone pruebas posteriores débiles y reduce la…
Ver más
- La IA acelera la codificación pero expone pruebas posteriores débiles y reduce la estabilidad de la entrega.
- Los agentes que juzgan sus propias pruebas pueden hacer trampa editando las pruebas fallidas en lugar de corregir el código.
- Las pruebas deben ser su propia estación fuera de CI para que cada cambio enfrente el mismo veredicto.
Llevo más de veinte años creando herramientas de pruebas y, durante la mayor parte de ese tiempo, mis conversaciones con los equipos de ingeniería han sido bastante parecidas. Los profesionales de pruebas se sentían como ciudadanos de segunda clase en el ciclo de vida del software. Las pruebas se hacían tarde, a menudo con el poco tiempo que quedaba antes de un lanzamiento, y se incorporaban a una canalización de CI diseñada para otra cosa. La IA ha transformado la forma en que escribimos código, y su impacto en las pruebas es innegable, para bien y para mal. En muchos sentidos, la IA ha hecho que el desafío sea más visible.
En los últimos meses he asistido a varios congresos sobre pruebas y tecnologías nativas de la nube (LeadDev, CloudX, StarWest), y casi todos los equipos con los que he hablado están trabajando en alguna versión del mismo proyecto: un ciclo de vida de entrega de software impulsado por IA, en el que los agentes llevan el trabajo desde una especificación hasta algo que funciona en producción, con el grado adecuado de participación humana en cada etapa. Me lo imagino como una cadena de montaje. Unos agentes escriben el código, otros lo revisan y las canalizaciones lo compilan y lo implementan. Las personas supervisan el proceso. De lo que oigo hablar mucho menos es del lugar que ocupan las pruebas en esa cadena.
Nadie tiene esto resuelto todavía
Ahora mismo, esto es un poco el Lejano Oeste. Cada pocas semanas surgen nuevas capacidades de los agentes, los grandes laboratorios de IA no dejan de lanzar modelos nuevos y tanto los equipos como los proveedores prueban todo tipo de cosas para ver cuáles funcionan.
Algunos datos indican que las brechas ya empiezan a hacerse visibles. El informe más reciente de DORA sobre el desarrollo de software asistido por IA de Google, que encuestó a casi 5.000 profesionales de tecnología, reveló que la adopción de la IA está vinculada a un mayor volumen de entregas, lo cual es una buena noticia. También sigue estando vinculada a una menor estabilidad de las entregas. Los investigadores explican que la IA acelera el desarrollo y deja al descubierto debilidades en etapas posteriores del proceso, y señalan que las pruebas automatizadas sólidas son uno de los mecanismos de control que impiden que un mayor volumen de cambios se traduzca en una mayor inestabilidad.
No me sorprende. Si se hace pasar mucho más código por un proceso diseñado para gestionar mucho menos, en algún punto se ralentiza o se rompe.
Los desarrolladores trabajan más rápido, pero la mayoría de los lanzamientos no
Cuando la gente se imagina qué puede salir mal con el código generado por IA, suele pensar en un agente que lanza algo desastroso a producción. Estoy seguro de que ocurre y, cuando pasa, las consecuencias no son buenas: errores, clientes descontentos, quizá un incidente de seguridad. Pero, sinceramente, no es lo que me encuentro la mayoría de las veces.
La Encuesta a desarrolladores de Stack Overflow de 2026 muestra dónde se concentra hoy el uso de la IA. Los desarrolladores la usan principalmente para generar código en áreas que ya conocen (67 %) y para depurar (61 %), mientras que solo el 20 % la utiliza para implementar, operar o solucionar problemas en sistemas de producción. Hasta ahora, la IA ha acelerado sobre todo la escritura de código. La verificación de ese código y su puesta en producción siguen funcionando, en gran medida, como antes.
Esto también coincide con lo que estoy viendo: los equipos producen mucho más código, pero no publican versiones más rápido. Un desarrollador o un equipo puede sentir que está creando el doble de funcionalidades, pero estas se quedan atascadas en etapas posteriores, a la espera de una revisión, de las pruebas o de un entorno donde probarlas. Todo ese código adicional atasca la canalización y, en muchos casos, incluso ralentiza el ritmo general de entrega de los equipos.
Las preguntas sobre las salvaguardas vienen de los responsables
Aunque la preocupación por los cuellos de botella en la entrega provocados por la IA es muy concreta, no es lo único que preguntan los equipos. A los desarrolladores les interesa principalmente saber cómo escribir mejor código más rápido. Las preguntas sobre las salvaguardas vienen de los responsables de ingeniería y de quienes configuran estos flujos de trabajo basados en agentes. ¿Cómo nos aseguramos de que los agentes no se descontrolen? ¿Cómo sabemos que no están introduciendo regresiones o saltándose discretamente tareas que debían realizar? ¿Cómo nos aseguramos de que las pruebas que escriben realmente (¡y de verdad!) validen lo que se supone que deben validar?
Creo que se debe a que se fijan en cosas distintas. Un desarrollador se ocupa de una solicitud de incorporación de cambios cada vez. Un responsable de ingeniería es responsable de todo lo que se publica con la participación de muchos agentes y personas, y es quien tiene que dar explicaciones cuando algo falla en producción.
Y tienen motivos para actuar con cautela. Unos investigadores crearon un banco de pruebas llamado ImpossibleBench con tareas de programación en las que las pruebas unitarias contradicen la especificación, por lo que la única forma de superarlas es hacer trampa. Los modelos más avanzados solían hacer precisamente eso, por ejemplo, modificando o eliminando las pruebas fallidas en vez de corregir el código (!!). Un estudio sobre solicitudes de incorporación de cambios creadas por agentes detectó deficiencias en la capacidad de los agentes para probar sus propios cambios y cita investigaciones anteriores que muestran que casi un tercio de las solicitudes de incorporación de cambios de agentes que se integraron necesitó correcciones posteriores o refactorización.
Mi conclusión es que las salvaguardas no pueden estar solo dentro del entorno del propio agente ni limitarse a entrar en juego después de que se publique el código. Si el agente que escribió el código también decide si superó las pruebas, el resultado aporta poca información. Eso no significa que los agentes no deban escribir pruebas. Significa que el veredicto debe proceder de un lugar que el agente no pueda modificar. Las pruebas necesitan su propia estación en la cadena, por la que pase cada cambio, ya lo haya escrito una persona o un agente.
Qué necesita esa estación
La respuesta no es inventar un tipo de pruebas completamente nuevo. La mayor parte de lo que hace falta es lo que los buenos equipos de control de calidad llevan tiempo pidiendo. Simplemente importa más ahora.
Hay que revisar las pruebas para comprobar que se ajusten a los requisitos, igual que el código que prueban. También deben ejecutarse en el entorno donde funciona el software. Que una prueba pase en el entorno aislado de un agente no dice mucho sobre lo que ocurrirá en preproducción o producción, y puede ocultar qué dependencias se simularon, o de qué manera. Un estudio de casi 180.000 archivos de pruebas generados por agentes concluyó que los agentes cubrían más casos límite que las pruebas escritas por personas, pero que sus pruebas mostraban más indicios de inestabilidad, en gran medida porque los agentes no conocían lo suficiente el entorno en el que se ejecutarían. Ejecutar las pruebas pronto en infraestructura real permite detectar ese problema.
Las pruebas y sus resultados deben conservarse. Si un agente escribe una prueba, debería tener como contexto las pruebas existentes y sus resultados, para aprender tanto de la cobertura como de la posible inestabilidad. Las pruebas deben revisarse y versionarse como cualquier otro código, de modo que vuelvan a ejecutarse con el siguiente cambio, en lugar de desaparecer al terminar la sesión.
Un resultado satisfactorio debería significar lo mismo independientemente de quién lo solicite, ya sea una canalización, un desarrollador o un agente. Eso implica usar las mismas pruebas, ejecutarlas en la misma infraestructura y reunir los resultados en un solo lugar.
Y las personas deben seguir aportando su criterio. Me parece bien dejar que los agentes se ocupen de las tareas repetitivas y de conectar los componentes. Decidir qué vale la pena probar y qué significa un fallo sigue siendo tarea de las personas (al menos por ahora…).
Esto también significa que las pruebas no pueden limitarse a CI/CD (¡si recuerdas una sola cosa de este artículo, que sea esta!). Las canalizaciones de CI se diseñaron para compilar y distribuir código; nunca se crearon para ejecutar pruebas automatizadas a gran escala. A medida que avanzamos hacia un ciclo de vida del desarrollo de software con agentes (SDLC agéntico) y sigue creciendo la cantidad de código, CI resulta aún menos adecuado para ejecutar pruebas. Las pruebas deben ser una parte fundamental del proceso de entrega de software, en lugar de un paso añadido al final de una canalización. Eso significa coordinarlas como un sistema propio, en todas las herramientas y entornos que usa un equipo, sin importar quién esté al mando: un agente o una persona.
Por dónde empezar
La mayoría de los equipos ya tienen pruebas en las que confían, ya sea en Playwright, Cypress, k6, Postman o la herramienta que hayan adoptado. Ese es un excelente punto de partida. Algunas cosas que sugeriría:
- Traza el recorrido que sigue hoy un cambio desde la instrucción inicial hasta producción y señala cada lugar donde se ejecuta una prueba. Si solo hay uno y está casi al final, empezaría por ahí.
- Ten cuidado de no permitir que los agentes modifiquen a escondidas las pruebas existentes. Los investigadores de ImpossibleBench descubrieron que limitar el acceso de los agentes a las pruebas reducía las trampas. Cuando un agente necesite modificar una prueba, el cambio debería presentarse como una solicitud de incorporación de cambios para que una persona la revise, igual que cualquier otro código.
- Ejecuta las pruebas en entornos de prueba (preferiblemente reales), en lugar de en los entornos aislados de los agentes, tan pronto como puedas, aunque solo sea con un pequeño conjunto de pruebas de humo en preproducción para cada cambio generado por un agente. Si usas IA para escribir pruebas, no des ninguna por válida hasta que se haya ejecutado en ese entorno.
- Centraliza los resultados de las pruebas en un único plano de control, ya sea una herramienta de informes, tu solución de APM o una plataforma de pruebas específica. Asegúrate de que tanto las personas como los agentes puedan consultar esos resultados.
- Mide la entrega, no la actividad. El número de solicitudes de incorporación de cambios dice muy poco. Las métricas de entrega de DORA, como el tiempo de espera de los cambios y la tasa de fallos de los cambios, te dicen mucho más sobre si la IA está ayudando.
- Permite que los agentes utilicen la misma infraestructura de pruebas que las personas de tu equipo, para que su trabajo se evalúe con los mismos criterios.
Optimismo con condiciones
Soy optimista respecto a la IA y creo que hará que los equipos de software sean mucho más capaces y, en última instancia, más productivos. Pero, para lograrlo, los equipos deben confiar lo suficiente en lo que producen sus agentes como para ponerlo en producción, y necesitan un enfoque integral de las pruebas en el ciclo de vida del desarrollo de software con agentes (SDLC agéntico): ahí es donde esa confianza se construye o se pierde.
Si aspiras a adoptar un ciclo de vida del desarrollo de software con agentes (SDLC agéntico), ¿qué lugar ocupan hoy las pruebas en él?












