Programa

¿Alguna vez has deseado poder preguntarle a ChatGPT sobre los requisitos de tu producto, casos de prueba anteriores o documentación técnica? Únete a esta sesión para aprender a construir una IA utilizando Generación Aumentada por Recuperación (Retrieval-Augmented Generation, RAG) que comprenda el contexto de tu producto o de tu organización.

Te guiaré paso a paso, desde los conceptos teóricos hasta el desarrollo práctico, para que obtengas todos los elementos necesarios para personalizar tu propio asistente de IA y aplicarlo en tu trabajo diario.

En el mundo hay más de mil millones de personas con algún tipo de discapacidad física o intelectual. Es importante darse cuenta de que todo el mundo debería tener la oportunidad de beneficiarse de la evolución de la tecnología. En este artículo escribo sobre los tipos de discapacidad que existen, el significado de accesibilidad y su importancia, las leyes que definen qué deben seguir los productos digitales para ser accesibles y qué tipo de herramientas y pruebas se pueden llevar a cabo para garantizar la mejor calidad posible de un producto para el usuario final: un usuario con discapacidad.

Durante décadas la industria aprendió a encapsular complejidad para el usuario final: el automóvil moderno es más complejo que uno de hace 50 años, pero es más fácil de conducir. Sin embargo, en las herramientas de performance testing seguimos delegando esa complejidad al usuario (tester).
Esta charla propone que la correlación dentro de las pruebas de performance — uno de los problemas más frecuentes y frustrantes del performance testing — no es un problema técnico. Es un problema de diseño. El tester quiere grabar, validar, ejecutar y escalar. Para lograrlo hoy tiene que aprender expresiones regulares, extractores, JSON path, manejo de sesiones, y mucho más…La complejidad es real, pero no debería estar donde está. A partir de ese argumento se muestra en vivo qué ocurre cuando una herramienta decide absorber y encapsular esa complejidad en lugar de transferírsela al usuario.

Admitámoslo: el vibecoding está de moda. Hoy en día, generar miles de líneas de código con IA o agentes autónomos es ridículamente fácil, pero generar valor real y mantener el control es otra historia. En esta nueva era, estamos pasando de escribir código a leerlo y auditarlo a gran velocidad. Ante esta avalancha de software automatizado, surge la pregunta definitiva para nuestra comunidad: si la IA escribe el código a ciegas, ¿quién actúa como el Tech Lead o el QA de ese proceso?
La respuesta no es cambiar la ingeniería de software, sino blindarla. En esta charla hablaremos de los harnesses de IA y de cómo metodologías como TDD (Test-Driven Development) y SDD (Software Design Description) son los pilares indispensables para que la IA no entregue basura, sino valor real.

Pero, ¿quién asegura que esas pruebas y guías sean correctas? Aquí es donde el rol del TAE (Test Automation Engineer) se vuelve el más crítico de toda la mesa. Como TAEs, nuestra experiencia aporta un beneficio doble: ya no solo automatizamos, sino que nos convertimos en los auditores de los tests que van a gobernar a la IA. Ven a descubrir cómo transformar nuestro rol tradicional en el de guardianes del harness, asegurando que el código generado por IA sea robusto, escalable y, sobre todo, confiable.

Modernizar una aplicación es fácil. Demostrar que sigue funcionando igual, no.
Aprende a automatizar el ciclo completo de validación de código transformado: generar los casos de prueba, ejecutar contra datos reales de producción y comparar los resultados sin intervención manual.

En esta ponencia veremos la metodología, la arquitectura y los resultados en modernizaciones reales.

Aborda cómo la IA está transformando el trabajo en los equipos tecnológicos, desplazando el valor hacia el criterio, la validación y la capacidad de decidir mejor. Explora cómo evolucionan los roles y por qué metodologías como Dual Track ganan aún más importancia en entornos donde la IA ya forma parte del día a día.

Desplegamos cada vez más rápido, muchas veces con ayuda de IA, pero la confianza en que todo funcione correctamente en producción no crece al mismo ritmo. Aunque contamos con dashboards, métricas y analíticas, estos datos suelen estar separados y dependen de que alguien los revise y conecte entre sí. Además, los fallos más peligrosos no siempre son los que generan errores visibles, sino aquellos que no rompen técnicamente nada pero pueden afectar a una conversión o a una funcionalidad clave sin que nadie lo detecte a tiempo.
La ponencia propone abordar esta situación mediante un conjunto de agentes de IA que acompañan un despliegue de principio a fin, encargándose cada uno de vigilar una fase distinta del ciclo de despliegue.

La asistencia por IA se integró en el desarrollo y elevó la producción: se escribe más código y en ciclos más cortos. Esa aceleración no alivia al testing, lo presiona, y la restricción aparece en un punto poco visible, la disponibilidad de datos de prueba. Ninguna prueba corre sin los datos adecuados, en el entorno correcto y en el momento correcto, así que es natural que la IA se aplique ahí, generando datos sintéticos para aliviar el cuello de botella. Hasta ahí el argumento se sostiene. La dificultad empieza cuando se confunde producir registros con producir datos de prueba válidos.

Un dato de prueba útil no es una fila aislada, es un conjunto coherente repartido en cientos de tablas que se refieren entre sí, y sostener esa coherencia ya marca un límite de la generación por IA. Pero el trabajo real es más amplio: gobernar el ciclo completo del dato de prueba. Eso implica obtenerlo, entregarlo al entorno correcto en el momento correcto, controlar quién pidió qué y para qué, y vincularlo al caso de prueba para probar mejor. La IA acelera tareas dentro de ese ciclo, pero la operación gobernada del dato, la que asegura que un conjunto sea coherente, entregable y auditable, sigue dependiendo del criterio de quien prueba.

¿A quién no le ha estallado en producción algo que juraría que estaba perfecto? No suele ser por falta de ganas ni de horas; es porque nuestro modelo mental del sistema tenía un punto ciego.

Esta charla va de una verdad incómoda: testear es, antes que ejecutar herramientas o picar código, un acto de imaginación. Si no eres capaz de imaginar un fallo, jamás vas a poder probarlo. Por eso, la calidad de nuestro testing no depende del framework de moda, sino de cómo pensamos. A casi todos nos enseñaron técnicas y herramientas, pero nadie nos enseñó a estructurar el pensamiento. Vamos a arreglar eso.

La Inteligencia Artificial ha cambiado por completo la forma en la que desarrollamos software. Los equipos de desarrollo ya entregan más funcionalidades, en menos tiempo y con mayor apoyo de la IA. Pero ¿qué ocurre cuando la velocidad de Desarrollo supera la capacidad de QA para validar y automatizar esas nuevas funcionalidades? En esta charla veremos cómo transformar ese nuevo desafío en una oportunidad, mostrando un flujo completo en el que la IA no solo genera automatizaciones de pruebas a partir de escenarios Gherkin, sino que lo hace dentro de un proceso profesional, gobernado y completamente integrado con la documentación del producto, la revisión de código y la trazabilidad de cada caso de prueba.
Más allá de los prompts o de herramientas como Copilot, descubrirás cómo construir un sistema donde la IA se convierte en un miembro más del equipo de QA: automatiza, propone código, genera merge requests y deja la decisión final en manos del ingeniero de calidad. Una sesión práctica sobre cómo escalar la automatización de pruebas con IA sin perder el control, la calidad ni la mantenibilidad, y sobre cómo está evolucionando el papel del QA hacia un rol más estratégico en la era de la Inteligencia Artificial.

La inteligencia artificial ha dejado de ser una promesa de futuro para convertirse en el epicentro de la disrupción tecnológica en el desarrollo de software. Pero, en la intersección entre la innovación y la presión del negocio, ¿cómo afecta realmente a los ingenieros de calidad que nos enfrentamos a este nuevo paradigma?

En esta ponencia desmitificaremos la IA desde cero. A través de un recorrido estructurado y sencillo, exploraremos su evolución y los conceptos clave que todo QA debe dominar: desde LLMs, agentes, RAG y modelos multimodales, hasta el cambio de mentalidad crítico que supone pasar de evaluar software determinista a software probabilístico (y cómo lidiar con sus temidas «alucinaciones»). Presentaremos la nueva pirámide del testing basado en IA y aprenderemos a desacoplar los fundamentos clásicos de la calidad de las herramientas pasajeras. Veremos cómo centrarnos en lo verdaderamente importante: la calidad del dato y del modelo, los nuevos modelos de riesgo y las estrategias adaptativas necesarias para usar la IA de forma responsable.

AI-powered applications challenge one of the most fundamental assumptions in software testing: the existence of predictable expected results. How do you test a system that can produce different responses for the same input?

In this session, I introduce H.E.U.R.I.S.T.I.C AI, a heuristic designed to guide QA professionals when exploring AI-based applications. Rather than focusing solely on right or wrong answers, it provides a structured way to reason about behaviour, consistency, risk, and confidence.

Through practical examples, we will see how small prompt variations can significantly change outputs, how to identify risks that traditional testing approaches often miss, and how the heuristic helps reduce the false sense of confidence created by seemingly correct responses.

Los agentes de IA son capaces de generar y modificar aplicaciones web con una autonomía creciente. Sin embargo, que el código compile o que los tests existentes pasen no significa necesariamente que la aplicación funcione correctamente cuando un usuario interactúa con ella. Para cerrar este ciclo, el agente necesita acceder al navegador, observar el comportamiento real de la aplicación, recopilar evidencias y comprobar que se cumplen los criterios de aceptación.

En esta ponencia veremos cómo Vibium (https://github.com/VibiumDev/vibium) permite incorporar el navegador al bucle de trabajo de un agente. Mediante una demostración práctica, un agente implementará una funcionalidad, ejecutará un flujo de usuario en una aplicación web, detectará un comportamiento incorrecto y modificará el código para solucionarlo. A partir de este ejemplo, analizaremos qué significa realmente verificar software generado por IA, qué información necesita el agente y qué papel desempeñan la automatización web y WebDriver BiDi en este nuevo modelo de desarrollo.

Traditional test automation has always been about speed: executing faster, covering more, and reducing manual effort. But with the arrival of AI, QA can now go beyond execution into intelligence. Imagine pipelines that generate test scenarios automatically, predict where bugs will appear, and adapt to system changes in real time. In this session, we’ll explore how AI is transforming the QA landscape: from copilots that write test cases to agents that analyze logs, auto-heal failures, and optimize coverage. Using real-world examples from enterprise and banking systems, we’ll discuss how to combine AI with DevOps pipelines to deliver smarter, more reliable software at scale.

Hay una conversación que se repite en casi todos los equipos. Siempre entre las mismas personas. Siempre con el mismo resultado. Un PO que empuja. Un QA que frena. Y un producto que paga las consecuencias.
No es un problema de personas — es un problema de criterios no compartidos. En esta charla lo contamos desde dentro, en primera persona, con las tensiones reales que llegan cuando encima tienes CI/CD, vulnerabilidades en el backlog e IA generando código que pasa los tests y puede estar mal.

La historia nos enseña que cuando una máquina empieza a hacer el trabajo básico, el valor de las personas no desaparece, sino que se transforma. Lo que antes era el centro de nuestra profesión —escribir código o encontrar errores puntuales— hoy se puede automatizar o acelerar con Inteligencia Artificial. Sin embargo, esto no significa que la técnica valga menos; significa que el verdadero valor se ha desplazado hacia la visión de conjunto.

Hoy en día, el riesgo para una empresa no es solo un fallo en el sistema, sino la falta de conexión entre sus partes. Muchas organizaciones intentan ser expertas en todo (ciberseguridad, datos, calidad, desarrollo) y terminan aisladas en sus propios departamentos, perdiendo de vista el objetivo común.

En esta ponencia, propongo una nueva forma de entender la calidad del software basada en tres pilares:

La auditoría de calidad: Una revisión de calidad no debe ser solo un examen técnico. Es la herramienta perfecta para entrar en un cliente y descubrir qué hay «debajo del capó»: qué equipos no se entienden, qué conocimientos faltan y qué riesgos reales pueden hundir el negocio. Es el primer paso para dejar de ser un revisor y pasar a ser un compañero de viaje.
De especialistas a conectores: Antes se premiaba al que sabía mucho de una sola cosa. Ahora, la IA hace que esa especialización sea menos diferencial. El perfil que realmente necesitan las empresas es el de personas con una base técnica fuerte, pero capaces de mirar en horizontal, hablar con negocio y unir las piezas del puzle.
Colaborar en lugar de competir: Ninguna empresa puede hacerlo todo sola. El futuro no es de quien intenta saberlo todo, sino de quien sabe coordinar el talento, tanto interno como externo. La calidad es el lenguaje que permite que diferentes especialistas trabajen juntos sin perder el foco.
El futuro de nuestra profesión no es trabajar aislados buscando fallos, sino convertirnos en conectores. Esta charla es una invitación a dejar de ser simples inspectores para convertirnos en guías que ayudan a las organizaciones a tomar mejores decisiones en un mundo cada vez más complejo.

Back to the Future: The Software Tester of 2030 nos invitará a reflexionar sobre cómo la inteligencia artificial está transformando el trabajo del software tester. La IA ya está cambiando la forma en que diseñamos, ejecutamos y analizamos las pruebas, y su impacto seguirá creciendo de aquí a 2030.

Durante la ponencia, que será en inglés, exploraremos qué skills serán cada vez más importantes para los profesionales del testing y cómo las certificaciones de ISTQB pueden ayudarles a prepararse para esta evolución, actualizar sus conocimientos y aprovechar las nuevas oportunidades que ofrece la inteligencia artificial.

Con la aparición de los agentes de generación de código de inteligencia artificial, el desarrollo de software prometía velocidad y calidad desde el primer prompt. Sin embargo, la realidad es que para obtener buenos resultados nos encontramos preguntándole a la IA una y otra vez, y dando feedback hasta obtener el resultado desaeado. ¿Y si pudiéramos darle la receta exacta a estos agentes para que cocinaran el plato perfecto a la primera? En esta sesión veremos como Sonar Vortex nos proporciona un marco completo para convertir a nuestro agente de IA en un cocinero de estrellas Michelin.

Es probable que todos los asistentes estén familiarizados con el modelo de testing holístico, creado por Janet Gregory y Lisa Crispin, e inspirado por Dan Ashby. Este enfoque propone una forma de entender el testing a lo largo de todo el ciclo de desarrollo del software. Asimismo, es probable que los asistentes conozcan ciertas métricas “clásicas” relacionadas con testing, las cuales, por sí solas, no aportan demasiado valor.
En la charla buscaremos encajar esas métricas dentro del ciclo de desarrollo de software a la misma vez que se propondrán nuevas y más útiles métricas al oyente.

A medida que la inteligencia artificial evoluciona de simples modelos conversacionales a agentes autónomos capaces de interactuar directamente con la web, surge un nuevo desafío de ingeniería: nuestras aplicaciones ya no son consumidas únicamente por personas. En esta charla exploraremos el Agent Experience Testing (AX Testing), una disciplina emergente dentro del aseguramiento de calidad enfocada en evaluar y medir qué tan preparadas están nuestras interfaces y sistemas para ser navegados y operados por agentes de IA.

Todo el mundo habla de IA, pero pocos hablan de cómo enfocarla para que la gente realmente la adopte. En esta charla aplicamos la «visión túnel» al uso de la inteligencia artificial: la disciplina de decidir con precisión dónde exigir entradas y salidas homogéneas, para reducir consumo y facilitar la adopción, y dónde dejar que la IA aporte el criterio flexible que una regla fija no puede dar. A partir de un método de tres preguntas y un caso real, verás por qué tunelizar la IA no es limitarla: es la diferencia entre una adopción que se atasca y un uso de la IA que la gente adopta de verdad sin disparar el gasto.

En esta ponencia queremos contar cómo las prácticas de calidad de software —CI/CD, revisiones de código, testing automatizado, observabilidad, gestión de requisitos y seguridad— definen el nivel de madurez de tu equipo y por qué las herramientas de IA actúan como sensores que evidencian las faltas críticas. En esta charla mostraremos ejemplos prácticos de cómo la IA detecta gaps en prácticas de calidad —desde cobertura de pruebas hasta deuda técnica y vulnerabilidades—, cómo interpretar sus señales y cómo priorizar acciones para cerrar brechas y elevar la resiliencia del producto. Dirigida a desarrolladores, QA, SRE y líderes técnicos que quieren traducir buenas prácticas de calidad en mejoras medibles y adoptar IA como apoyo responsable en la gobernanza de calidad.

La IA predictiva a través del uso de algoritmos de Machine Learning ha sido ampliamente investigada desde hace muchos años, pero poco popular por desconocimiento en la industria del testing. A partir de la recolección de grandes volúmenes de datos, como lo son la extracción de métricas, histórico de commits de un proyecto y el histórico de bugs reportados y corregidos, es posible crear un conjunto de datos relevante. La información y los datos hoy en día es lo mas valioso que tenemos en nuestros procesos y es por ello que es una decisión inteligente hacer uso de ellos.

El entrenamiento a través de Machine Learning permite establecer un aprendizaje basado en patrones y probabilidades, haciendo uso de estos grandes conjuntos de datos que intrínsecamente reflejan las dinámicas del equipo. Este aprendizaje puede dar gran valor agregado al proceso de ciclo de vida de desarrollo de software para la toma de decisiones.

La predicción de defectos se puede realizar con el conjunto de datos generado justo después de entregar una nueva versión a pruebas, un alistamiento de release o simplemente un nuevo pull request. La utilización del modelo ya entrenado, consume muy poco tiempo y recursos, pero a cambio da información nueva en el proceso.Tanto para las peer reviews de los cambios como para las tareas del equipo o encargado de QA, resulta en una nueva e interesante visualización que puede dar soporte a la priorización.

Enfocar esfuerzos en las áreas con mas riesgo de defectos puede optimizar tiempos en un momento crucial como lo es ahora, donde puedes tener miles de test cases generados por IA generativa sin saber cuales priorizar.

Un caso de test, ya sea definido manualmente o generado con IA, suele necesitar revisión, ajuste y evolución antes de convertirse en una prueba realmente útil.
En esta ponencia mostraremos cómo refinar casos de test utilizando Wakamiti IA, una herramienta open-source que combina edición manual y asistencia mediante IA, manteniendo además la trazabilidad con la documentación funcional.
A partir de ahí recorreremos el ciclo completo de testing automático: refinamiento de la implementación, ejecución, análisis de resultados, reporte de defectos, cobertura y estrategias de regresión completa o selectiva.