La generación que más debería amar la IA es la que más miedo le tiene

Hace unas semanas leí un artículo de Microsoft que me dejó pensando bastante más de lo que esperaba. No porque anunciara una nueva herramienta revolucionaria ni porque intentara convencerme de que la inteligencia artificial va a cambiar el mundo. A estas alturas, ambas cosas son casi una constante. Lo que me llamó la atención fue el foco del artículo: la preocupación creciente que muchos jóvenes sienten respecto de su futuro profesional en un mercado laboral que parece estar transformándose más rápido de lo que pueden adaptarse.

Mientras avanzaba en la lectura, no podía evitar llevar la conversación a nuestro propio terreno. En testing, como en tantas otras disciplinas tecnológicas, llevamos años discutiendo si la IA va a reemplazar puestos de trabajo. Cada vez que aparece una nueva herramienta capaz de generar casos de prueba, escribir automatizaciones o analizar documentación, la misma pregunta vuelve a aparecer. ¿Cuánto falta para que ya no necesiten testers?

Sin embargo, cuanto más observo lo que está ocurriendo, más convencido estoy de que esa discusión está apuntando al lugar equivocado. El problema no es si la IA puede reemplazar a un tester. El problema es qué sucede cuando empieza a reemplazar las actividades que históricamente permitían que alguien se convirtiera en uno.

La mayoría de nosotros no llegamos a esta profesión resolviendo problemas complejos desde el primer día. Cuando miro hacia atrás y recuerdo mis primeros años en testing, veo una enorme cantidad de tareas que hoy probablemente serían consideradas candidatas perfectas para ser asistidas o directamente ejecutadas por un Copilot o un Claude. Horas leyendo documentación funcional, armando casos de prueba, ejecutando regresiones, tomando capturas de pantalla, documentando defectos, revisando cambios aparentemente menores y tratando de entender sistemas que, en ese momento, parecían infinitamente más complejos de lo que realmente eran. ¿Te acordás lo que era debuguear algo mirando fijo al código siguiendo una lógica? Viejo...¡eso no fue hace tanto!

En aquel entonces muchas de esas actividades parecían simples pasos intermedios hacia algo más interesante. Nadie soñaba con pasar una tarde entera ejecutando la misma regresión por cuarta vez en una semana. Sin embargo, con el paso del tiempo entendí que el verdadero valor de esas tareas no estaba necesariamente en el resultado que producían. Su valor estaba en todo lo que ocurría mientras las hacíamos.

Era durante esas horas cuando empezábamos a desarrollar intuición. Aprendíamos a reconocer patrones. Descubríamos qué tipos de cambios tendían a generar problemas. Empezábamos a distinguir entre un defecto anecdótico y un riesgo real para el negocio. Entendíamos cómo pensaban los desarrolladores, cómo tomaban decisiones los analistas y cómo reaccionaban los usuarios cuando un sistema no se comportaba de la manera esperada.

En otras palabras, no estábamos simplemente ejecutando trabajo como robots. Estábamos construyendo criterio. Algo parecido a lo que antes era la discusión sobre estudiar con cursos o con universidad. A este tema siempre respondo que la universidad no está ahí para enseñarte el último framework para el front o el back, o la última herramienta de automation. Está para darte disciplina, temple, poder razonar las cosas, analizarlas.

Y creo que ahí es donde aparece uno de los desafíos más interesantes de esta nueva etapa tecnológica.

Porque la inteligencia artificial está demostrando ser extraordinariamente buena para realizar muchas de esas actividades. Hoy podemos pedirle a una herramienta que analice un requerimiento y proponga escenarios de prueba. Podemos generar datos sintéticos en segundos. Podemos obtener explicaciones detalladas sobre una base de código que nunca vimos antes. Podemos incluso crear suites completas de automatización a partir de una descripción relativamente simple de un flujo de negocio.

Desde una perspectiva de productividad, resulta difícil argumentar en contra de estos avances. Son útiles. Ahorran tiempo. Eliminan trabajo repetitivo. En muchos casos mejoran la calidad de lo que producimos.

Pero la productividad no era el único propósito que cumplían esas tareas.

La pregunta que me hago es qué ocurre cuando eliminamos algunos de los mecanismos que históricamente funcionaron como espacios de aprendizaje. Si una persona ya no necesita leer un requerimiento completo porque una IA puede resumírselo, ¿cómo desarrolla la capacidad de detectar ambigüedades? Si ya no necesita diseñar escenarios porque una herramienta los propone automáticamente, ¿cómo aprende a pensar en riesgos? Si buena parte de la exploración inicial de un sistema puede delegarse, ¿de dónde surge la experiencia que antes se obtenía precisamente durante ese proceso?

No tengo una respuesta definitiva para estas preguntas, pero sí creo que vale la pena plantearlas. Sobre todo porque muchas veces confundimos conocimiento con criterio, y son cosas muy distintas.

La inteligencia artificial es extraordinaria para acceder al conocimiento. Puede explicar conceptos complejos, resumir información, encontrar patrones y ofrecer recomendaciones con una velocidad que ningún ser humano puede igualar. Sin embargo, el criterio sigue siendo otra cosa. El criterio nace de la experiencia acumulada. Surge de haber visto decisiones salir bien y salir mal. De haber estado presente cuando una solución aparentemente perfecta generó consecuencias inesperadas. De haber aprendido, a veces de manera dolorosa, que los problemas técnicos rara vez son solamente técnicos.

Por eso sospecho que el futuro del testing no va a depender tanto de quién utiliza IA y quién no. Esa discusión probablemente ya esté resuelta. Todos vamos a utilizarla de una forma u otra. La diferencia estará en qué hacemos con el tiempo y la energía que liberan esas herramientas.

Si la generación anterior pasó años aprendiendo a ejecutar tareas, tal vez la próxima generación tenga que aprender mucho antes a interpretar contextos. Tal vez necesite involucrarse más rápidamente en conversaciones de producto, entender mejor los objetivos del negocio y desarrollar habilidades de comunicación que durante mucho tiempo consideramos secundarias. Quizás la capacidad de formular buenas preguntas termine siendo más importante que la capacidad de producir rápidamente una respuesta.

Y eso nos lleva a una reflexión que me parece especialmente relevante para quienes enseñamos, mentoreamos o acompañamos a personas que recién ingresan a la industria.

Durante años discutimos cómo enseñar herramientas, metodologías y buenas prácticas. Hoy quizás debamos empezar a preguntarnos cómo enseñar criterio en un mundo donde muchas de las tareas que antes contribuían a desarrollarlo están desapareciendo o cambiando radicalmente.

Porque si la inteligencia artificial realmente transforma la forma en que trabajamos, el desafío más importante no será tecnológico, sino educativo.

¿Las empresas no ven esto? ¿No entienden que una vez se retiren los actuales seniors no van a tener reemplazos suficientes? O quizás apuestan a que no hagan falta en un futuro y por eso avanzan en esta dirección...¿Qué opinás?

Entonces, para cerrar... La pregunta no es si la IA va a cambiar el testing. Eso ya está ocurriendo. La pregunta es si seremos capaces de ayudar a la próxima generación de profesionales a desarrollar las habilidades que seguirán siendo valiosas cuando las tareas dejen de ser el centro de la profesión.

Y sospecho que la respuesta a esa pregunta tendrá mucho más impacto sobre el futuro del testing que cualquier modelo, framework o herramienta que aparezca durante los próximos años.

El post en cuestión: https://blogs.microsoft.com/on-the-issues/2026/06/10/ai-jobs-and-the-next-generation/