Si estás pensando en entrar en QA, o ya estás en ello, la pregunta te ha pasado por la cabeza. Y tiene sentido hacérsela: cada semana hay un artículo nuevo sobre cómo la IA va a automatizar esto, aquello y lo otro.
El problema es que la mayoría de esos artículos no tienen datos detrás. O los tienen, pero cuentan la mitad.
En este artículo vamos a ver qué está pasando realmente: qué partes del QA automatiza la IA hoy, qué datos hay sobre calidad del código generado por IA, cómo está respondiendo el mercado laboral y qué perfil tiene más futuro. Todo con fuentes concretas, y siendo honestos cuando los datos son parciales o tienen matices.
El dato que los titulares no mencionan: el código de IA tiene 1,7 veces más bugs
Empecemos por donde nadie empieza.
En diciembre de 2025, CodeRabbit publicó un análisis de 470 pull requests de proyectos open source en GitHub: 320 marcadas como "AI-coauthored" y 150 escritas solo por humanos. El resultado fue claro:
Más issues por pull request en código generado con IA respecto al código escrito solo por humanos.
CodeRabbit, "State of AI vs Human Code Generation Report" · Diciembre 2025 · 470 PRs analizados
No es un número menor. El desglose por tipo de problema es más revelador todavía: los errores de lógica y corrección aumentan un 75% en código IA, las vulnerabilidades de seguridad entre un 150% y un 200%, y los problemas de legibilidad más de 3 veces.
GitClear llegó a conclusiones similares analizando 153 millones de líneas de código cambiadas entre 2020 y 2023. El "churn" (código revertido o modificado en menos de dos semanas) se proyectaba que doblaría en 2024 respecto al baseline pre-IA. El código duplicado pasó del 8,3% al 12,3%.
La IA hace que los desarrolladores escriban código más rápido. Pero ese código llega con más problemas. Alguien tiene que encontrarlos.
La IA está acelerando el desarrollo, y eso multiplica lo que hay que probar
El estudio más citado sobre productividad con IA es el de GitHub y Microsoft con Copilot: 95 desarrolladores divididos en dos grupos, y el grupo con Copilot completó la tarea un 55% más rápido (con una significación estadística de P = .0017).
El dato es real. El matiz importante: la tarea era implementar un servidor HTTP en JavaScript desde cero, una tarea acotada y bien definida. No mide debugging de sistemas heredados ni comprensión de dominios complejos. Pero incluso asumiendo que la aceleración real sea la mitad en proyectos complejos, el efecto existe.
Y ese efecto tiene una consecuencia directa para el QA: si los desarrolladores producen más código por unidad de tiempo, hay más funcionalidad que validar, más casos que cubrir, más releases que probar.
Tasa de crecimiento anual del mercado global de testing y QA. De 55.800 millones USD en 2024 a 90.390 millones estimados para 2030.
Coherent Market Insights · Abril 2024
El mercado de testing no está contrayéndose con el auge de la IA. Está creciendo a doble dígito. Hay una lógica detrás: cuanto más barato resulta generar código, más proyectos de software se ponen en marcha, y la superficie total a probar aumenta aunque cada pieza individual cueste menos.
En los proyectos donde el equipo de desarrollo empezó a usar Copilot, el volumen de tickets de bug en las primeras semanas subió, no bajó. El código llegaba más rápido a QA, pero venía con más casos límite sin considerar. El cuello de botella se desplazó al testing, no desapareció.
Qué tareas de QA automatiza la IA, y cuáles no puede hacer
La confusión viene de mezclar "automatizar tareas de QA" con "reemplazar al QA". Son cosas distintas.
Herramientas como Mabl o Testim (ahora parte de Tricentis) automatizan la ejecución de tests de regresión y se auto-reparan cuando cambia la interfaz. GitHub Copilot genera código de tests unitarios. El 68% de las organizaciones ya usa IA generativa en alguna fase de su Quality Engineering, según el World Quality Report 2024 de Capgemini (1.750+ ejecutivos encuestados en 33 países).
Pero hay una diferencia enorme entre lo que la IA hace bien hoy y lo que requiere un QA:
| Tarea de QA | IA hoy |
|---|---|
| Tests de regresión repetitivos | Sí, con calidad |
| Generación de casos de prueba para código nuevo | Sí, con revisión humana |
| Auto-healing de tests cuando cambia la UI | Sí (Mabl, Testim) |
| Testing exploratorio | No: requiere intuición y creatividad |
| Validar lógica de negocio compleja | No: necesita contexto de dominio |
| Evaluar UX y usabilidad real | No: requiere perspectiva de usuario |
| Decidir qué bugs importan y cuáles no | No: es un juicio de impacto |
| Seguridad avanzada (pentesting) | No |
| Comunicar riesgos al equipo de producto | No |
Gartner proyecta que la IA automatizará entre el 60-70% de las tareas de testing rutinarias para 2030. Ese es el número que asusta si lo lees deprisa. El que no sale en el titular: la misma proyección estima un aumento del 25% en la demanda de profesionales QA cualificados conforme aumenta la complejidad del software.
El patrón que se repite: tampoco Selenium destruyó el QA
En 2004 llegó Selenium, la primera herramienta seria de automatización de tests de UI web. El argumento de entonces era el mismo: "esto va a automatizar el trabajo del QA manual".
Lo que ocurrió fue diferente. Las ofertas de trabajo con Selenium en el título aumentaron un 300% en los tres años siguientes a su adopción masiva. Surgió un perfil nuevo, el automation engineer, mejor pagado y más demandado que el manual tester puro. El mercado total creció.
El mismo razonamiento se aplicó con los frameworks de testing unitario, con Agile, con CI/CD. Cada ola tecnológica transformó el perfil QA en lugar de eliminarlo. El QA que no se adaptó sí quedó más expuesto. El que se adaptó encontró mejores condiciones que antes.
Hay un principio económico detrás, conocido como la paradoja de Jevons: cuando una tecnología hace más eficiente parte de un proceso, el output total tiende a aumentar, no a reducirse, porque el coste marginal baja y se crean más proyectos. Cada euro más barato de desarrollo genera demanda de más software, y ese software necesita ser probado.
Lo que dicen las cifras del mercado laboral
Los datos más sólidos disponibles sobre empleo QA vienen del Bureau of Labor Statistics de EE.UU., que actualiza proyecciones de empleo por ocupación cada dos años. La proyección 2024-2034 para la categoría que incluye QA analysts y testers es de un crecimiento del 15%, que clasifican como "much faster than the average for all occupations".
En España, los datos públicos de tendencia son más limitados. Lo que sí hay: en el momento de publicar este artículo, LinkedIn muestra más de 270 posiciones activas de QA Tester en España. El sueldo medio para QA Engineer en posición remota, según Glassdoor con 229 ofertas recogidas, es de 46.613€ brutos anuales. No es el mercado que está desapareciendo.
La adopción de herramientas de AI testing está creciendo muy rápido: el 80% de las empresas integrará herramientas de testing aumentado con IA para 2027, según Gartner, frente al 15% que lo hacía a principios de 2023. Eso no es una señal de que el QA desaparezca: es una señal de que el mercado de testing se está profesionalizando y tecnificando más rápido que nunca.
El perfil QA que la IA hace más valioso
La pregunta que importa no es "¿sobrevivirá el QA?" sino "¿qué QA tiene más futuro?". La respuesta emerge de los datos anteriores:
El riesgo real no es que la IA reemplace al QA. Es que los QA que no adopten las herramientas de IA queden en desventaja frente a los que sí lo hacen. Es la misma dinámica que con Selenium: quien aprendió automation cuando era nuevo, se posicionó mejor. Quien espera a que sea imprescindible, parte desde más atrás.
La ventaja de entrar al sector ahora es que puedes aprender testing y herramientas de IA testing desde el principio, sin tener que reconvertir años de hábitos de trabajo manuales.
¿Tiene sentido entrar en QA en 2026?
Los datos apuntan a que sí, con un matiz importante.
El mercado QA está creciendo. El código generado con IA necesita más testing, no menos. El perfil puramente manual tiene más presión que hace cinco años, pero el perfil que combina testing con herramientas de automatización e IA tiene una demanda creciente y salarios más altos que en cualquier momento anterior.
Lo que hay que evitar es entrar pensando en hacer testing manual estático como única habilidad. El mercado premia a quien entiende el testing como disciplina completa, no solo ejecutar casos de prueba, sino diseñar estrategias, identificar qué automatizar, evaluar riesgos y comunicar problemas con criterio. Eso es lo que la IA no puede hacer todavía, y lo que tiene más valor precisamente porque la IA está haciendo el resto más rápido.
Si quieres entender qué se aprende en QA y por qué el perfil tiene recorrido, el curso de QA desde cero es el punto de partida. Y si ya tienes claro que quieres entrar y lo que necesitas es el primer empleo, la guía de primer empleo QA va a lo concreto.
Preguntas frecuentes
¿La IA puede reemplazar completamente a un QA Tester?
No con las capacidades actuales. La IA automatiza bien los tests de regresión repetitivos y la generación de tests unitarios, pero no puede hacer testing exploratorio, evaluar usabilidad real ni interpretar lógica de negocio compleja. Gartner estima que la IA automatizará el 60-70% de las tareas rutinarias de testing para 2030, pero proyecta al mismo tiempo un aumento del 25% en la demanda de QA cualificados.
¿El mercado de empleo QA está creciendo o decreciendo con la IA?
Creciendo. El mercado global de testing y QA pasará de 55.800 millones USD en 2024 a 90.390 millones en 2030 (CAGR del 13%). El BLS de EE.UU. proyecta un crecimiento del 15% en empleo QA entre 2024 y 2034, por encima de la media. La razón: la IA acelera el desarrollo y genera más código, con más bugs, que hay que probar.
¿Qué herramientas de IA usan los QA actualmente?
Las más extendidas son Mabl y Testim para tests end-to-end con auto-healing, y GitHub Copilot para generar código de tests unitarios. El 68% de las organizaciones ya usa IA generativa en alguna fase de su Quality Engineering (Capgemini World Quality Report 2024, 1.750+ ejecutivos encuestados).
¿Qué tipo de QA tiene más riesgo con la IA?
El perfil con más exposición es el QA manual estricto que solo ejecuta casos de prueba predefinidos de forma repetitiva. El que tiene menos riesgo diseña estrategias de testing, hace testing exploratorio y sabe comunicar riesgos al equipo. La diferencia no es junior vs senior, sino estático vs adaptable.
¿Tiene sentido estudiar QA en 2026 si la IA avanza tan rápido?
Sí. La IA está produciendo más código con más bugs, lo que aumenta la superficie a probar. El precedente es claro: cuando llegó Selenium, las ofertas de QA crecieron un 300%. Quien entra ahora puede aprender testing y herramientas de IA desde el principio, que es una ventaja respecto a quien lleva años con hábitos exclusivamente manuales.
Entra en QA con el contexto real del mercado
Aprende testing desde cero, con las herramientas que usa el sector y orientado al mercado español.