- CT-AI (Certified Tester AI Testing) es la certificación de ISTQB para probar sistemas basados en inteligencia artificial, sobre todo los que usan machine learning (ML).
- Hoy conviven dos versiones: la v1.0 (2021, 11 capítulos, mínimo 25.1 h) y la v2.0 (2026, 7 capítulos, mínimo 19.5 h). La v2.0 es la vigente hacia adelante.
- La v1.0 se puede presentar en inglés hasta el 21 de abril de 2027 y en otros idiomas hasta el 21 de octubre de 2027; después, todo será v2.0.
- La v2.0 se enfoca solo en probar IA y agrega pruebas de IA generativa, LLMs y red teaming; el tema de usar IA para probar pasó a CT-GenAI.
- Examen en ambas versiones: 40 preguntas, 60 minutos (75 si no es tu lengua materna) y 65% para aprobar (31/47 puntos en v1.0; 29/44 en v2.0).
- Requisito: certificación ISTQB Foundation Level (CTFL). No necesitas ser científico de datos.
- Ofrecemos el curso ISTQB AI Testing bajo demanda para empresas.
Un sistema con inteligencia artificial no se prueba igual que uno tradicional. Su comportamiento sale de datos, no solo de código; puede dar respuestas distintas ante la misma entrada; puede degradarse con el tiempo sin que nadie toque una línea; y a veces nadie sabe exactamente por qué toma una decisión. Para un tester eso rompe muchas reglas: ¿cuál es el resultado esperado?, ¿qué es un defecto?, ¿cuándo es "suficientemente bueno"?
La certificación ISTQB CT-AI responde esas preguntas. En esta guía te explico qué es, qué cambió entre la versión 1.0 y la 2.0, qué dice el syllabus capítulo por capítulo, cómo es el examen y cómo elegir la versión que te conviene.
Qué es CT-AI y dónde está en el portafolio ISTQB
CT-AI es un módulo Specialist de ISTQB. Se toma después de Foundation y profundiza en un dominio concreto: la calidad y las pruebas de sistemas basados en IA. Si quieres ver todo el mapa de certificaciones con costos en tu moneda, revisa nuestra guía de la certificación ISTQB.
v1.0 frente a v2.0: qué cambió
La v1.0 se publicó en octubre de 2021 y durante años fue la referencia. En 2026 ISTQB lanzó la v2.0, que reorganiza el contenido alrededor del ciclo de vida del machine learning: datos, modelo y sistema.
| Aspecto | CT-AI v1.0 (2021) | CT-AI v2.0 (2026) |
|---|---|---|
| Capítulos | 11 | 7 |
| Formación mínima acreditada | 25.1 horas | 19.5 horas (unos 3 días) |
| Alcance | Probar sistemas con IA y usar IA para probar | Solo probar sistemas con IA |
| IA generativa y LLMs | Prácticamente no aparece | Tiene sección propia: pruebas de GenAI, red teaming, pruebas exploratorias de un LLM |
| Calidad | Características propias de la IA (sesgo, ética, transparencia…) | Alineada a la norma ISO/IEC 25059 |
| Niveles de prueba | Varios niveles adaptados a IA | Dos niveles específicos de ML: pruebas de datos de entrada y pruebas del modelo |
| Examen | 40 preguntas, 47 puntos, aprobar con 31 | 40 preguntas, 44 puntos, aprobar con 29 |
| Disponible hasta | 21 abr 2027 (inglés) / 21 oct 2027 (otros idiomas) | Vigente |
¿Cuál te conviene? Si vas a certificarte en los próximos meses y ya estudiaste con la v1.0, puedes terminar con ella sin problema: el certificado es el mismo "ISTQB CT-AI" y no caduca. Si empiezas de cero, te recomiendo la v2.0: es más corta, está actualizada con IA generativa y es la que existirá después de 2027. Cuando cotices el curso con nosotros te confirmamos con qué versión se imparte según la fecha en la que vayas a presentar.
Para quién es y requisitos previos
El syllabus está pensado para quien participa en probar sistemas basados en IA: testers, analistas de pruebas, analistas de datos, ingenieros de pruebas, consultores, test managers, testers de aceptación y desarrolladores. También para quien necesita entender el tema: project managers, gerentes de calidad y desarrollo, analistas de negocio, equipos de operaciones, directores de TI y consultores.
- Requisito formal: certificación ISTQB Foundation Level (CTFL v4.0 o anterior). Si te falta, empieza con nuestro curso ISTQB Fundamentos 4.0.
- Recomendado: algo de experiencia en desarrollo o pruebas (ISTQB menciona, por ejemplo, seis meses como tester de sistema o de aceptación, científico de datos o desarrollador).
- Lo que no necesitas: ser experto en IA o matemáticas. El syllabus explica los conceptos de ML desde cero, aunque los ejercicios prácticos son más cómodos si has visto un poco de Python o de hojas de cálculo con datos.
Qué serás capaz de hacer: objetivos de negocio
La v2.0 define ocho objetivos de negocio (business outcomes). Una persona certificada puede:
| Código | Objetivo de negocio (v2.0) |
|---|---|
| BO1 | Entender el estado actual de la IA, incluida la IA generativa |
| BO2 | Experimentar la implementación y las pruebas de modelos de machine learning |
| BO3 | Entender cómo funcionan y cómo se prueban redes neuronales sencillas |
| BO4 | Entender las características de calidad propias de la IA definidas en ISO/IEC 25059 |
| BO5 | Calcular e interpretar métricas de desempeño funcional de modelos de ML |
| BO6 | Reconocer el alcance e importancia de los dos niveles de prueba específicos de ML |
| BO7 | Contribuir a una estrategia de pruebas eficaz para un sistema de ML |
| BO8 | Diseñar y ejecutar casos de prueba para sistemas de ML |
Los objetivos de aprendizaje llegan hasta K4 (analizar) y hay ejercicios prácticos (H0 demostración, H1 guiado, H2 con pistas): crear un modelo de ML, preparar datos, evaluar un modelo con métricas, implementar un perceptrón, aplicar pruebas metamórficas y hacer pruebas exploratorias de un LLM, entre otros.
Contenido del syllabus capítulo por capítulo
Syllabus v2.0 (vigente)
| Capítulo | Tiempo mínimo | Temas clave |
|---|---|---|
| 1. Introducción a la inteligencia artificial | 120 min | Sistemas con IA vs. convencionales, IA estrecha/general/súper, tecnologías, IA generativa, hardware, hosting de modelos, frameworks, regulación |
| 2. Características de calidad de sistemas con IA | 45 min | Características propias de la IA (ISO/IEC 25059), seguridad física (safety), criterios de aceptación |
| 3. Machine learning | 375 min | Formas de ML, flujo de trabajo, modelos preentrenados, fine-tuning y RAG, preparación de datos, datasets de entrenamiento/validación/prueba, métricas, redes neuronales y su cobertura |
| 4. Pruebas de sistemas basados en IA | 195 min | Sistemas bloqueados vs. adaptativos, enfoque estadístico, oráculos, pruebas de GenAI y LLMs, red teaming, niveles de prueba, pruebas basadas en riesgos |
| 5. Pruebas de datos de entrada | 180 min | Riesgos de los datos, sesgo, pipeline de datos, representatividad, restricciones del dataset, etiquetas correctas |
| 6. Pruebas del modelo | 225 min | Documentación y revisión del modelo, desempeño de sistemas probabilísticos, pruebas adversarias, metamórficas, drift, overfitting/underfitting, A/B, back-to-back |
| 7. Pruebas del desarrollo de ML | 30 min | Riesgos del desarrollo de ML y pruebas del despliegue |
Capítulo 1. Introducción a la inteligencia artificial
Arranca con lo que distingue a un sistema con IA de uno convencional: en el convencional alguien programó las reglas; en uno con ML, las reglas se aprenden de los datos. Diferencia la IA estrecha (la que existe hoy, especializada en una tarea), la general y la súper IA, y repasa tecnologías como sistemas basados en reglas, ML y deep learning.
La v2.0 agrega una sección de IA generativa y temas prácticos que cualquier tester de IA enfrenta: el hardware para ML (GPUs y procesadores especializados), dónde se desarrollan y hospedan los modelos (incluida la IA como servicio), frameworks de desarrollo y el marco de regulación y normas que afecta a estos sistemas.
Capítulo 2. Características de calidad de sistemas con IA
Es corto pero muy importante para el examen. Los sistemas con IA tienen características de calidad que el modelo ISO 25010 tradicional no cubre del todo; la v2.0 las alinea con ISO/IEC 25059. Piensa en adaptabilidad, autonomía, transparencia, explicabilidad, robustez o ausencia de sesgo.
También trata la seguridad física (safety) de sistemas con IA, como un vehículo semiautónomo, y cómo definir criterios de aceptación. Ejemplo: "el clasificador de fraude debe tener un recall de al menos 0.90 en el dataset de prueba acordado y no mostrar diferencias significativas de desempeño entre grupos de clientes". Sin criterios así, nadie puede decir si el sistema pasó.
Capítulo 3. Machine learning
Es el capítulo más largo: más de seis horas. Explica las tres formas de ML: supervisado (aprende de ejemplos etiquetados, como correos marcados como spam o no spam), no supervisado (encuentra grupos o patrones sin etiquetas) y por refuerzo (aprende por recompensa). Luego recorre el flujo de trabajo de ML: entender objetivos, elegir framework y algoritmo, preparar datos, entrenar, evaluar, ajustar, probar, desplegar y monitorear.
Incluye modelos preentrenados, fine-tuning y RAG, muy relevantes ahora que tantos productos se construyen sobre modelos ajenos. La parte de datos cubre la preparación (adquisición, preprocesamiento, ingeniería de características) y la separación en datasets de entrenamiento, validación y prueba. Un error clásico que aprenderás a detectar: probar el modelo con datos que ya vio en el entrenamiento, lo que infla artificialmente sus resultados.
Después vienen las métricas de desempeño funcional para clasificación, a partir de la matriz de confusión: exactitud (accuracy), precisión, recall y F1-score. Esto es K3: en el examen te pueden dar una matriz y pedirte calcular. Ejemplo rápido: si un modelo de detección de fraude marca 100 transacciones, 80 son fraude real y se le escaparon 20 fraudes, su precisión es 80/100 = 0.80 y su recall es 80/100 = 0.80.
Cierra con redes neuronales: estructura de una red profunda, un ejercicio para implementar un perceptrón y medidas de cobertura específicas para redes neuronales (por ejemplo, cobertura de neuronas activadas).
Capítulo 4. Pruebas de sistemas basados en IA
Aquí empieza la parte de pruebas propiamente dicha. Distingue sistemas bloqueados (el modelo no cambia en producción) de adaptativos (siguen aprendiendo), explica por qué se necesita un enfoque estadístico (una sola ejecución no prueba nada en un sistema probabilístico) y aborda el problema del oráculo: ¿cómo sabes cuál es la respuesta correcta de un modelo de recomendaciones?
La gran novedad de la v2.0 es la sección de pruebas de IA generativa y LLMs, que incluye red teaming: intentar deliberadamente que el sistema haga lo que no debe (revelar información, saltarse sus reglas, generar contenido dañino) para encontrar vulnerabilidades antes que un atacante. Hay un ejercicio de pruebas exploratorias de un LLM, por ejemplo, probar un chatbot de atención a clientes con preguntas ambiguas, fuera de alcance o maliciosas.
Por último, define los niveles de prueba en sistemas de ML y cómo aplicar pruebas basadas en riesgos.
Capítulo 5. Pruebas de datos de entrada
En ML, los datos son parte del "código". Este capítulo convierte las pruebas de datos en un nivel de prueba propio: riesgos y mitigaciones de los datos de entrada, pruebas de sesgo (¿el dataset de crédito representa a todos los grupos de clientes?), pruebas del pipeline de datos (¿la transformación de datos rompe algo?), representatividad (¿los datos de entrenamiento se parecen a los de producción?), restricciones del dataset (rangos, tipos, valores nulos) y corrección de etiquetas (un modelo aprende los errores de etiquetado). Incluye un ejercicio práctico de pruebas de datos.
Capítulo 6. Pruebas del modelo
El segundo nivel específico de ML. Cubre riesgos del modelo, su documentación y revisión, y cómo probar el desempeño de sistemas probabilísticos. Y reúne las técnicas más características de la certificación:
- Pruebas adversarias: pequeños cambios intencionales en la entrada (unos píxeles en una imagen) que hacen que el modelo se equivoque.
- Pruebas metamórficas: cuando no tienes oráculo, verificas relaciones. Si un sistema calcula el promedio de una lista, cambiar el orden no debe cambiar el resultado, y multiplicar todos los valores por dos debe duplicarlo. En IA se usa en reconocimiento de imágenes, buscadores o reconocimiento de voz.
- Pruebas de drift: detectar cuando el mundo cambia y el modelo deja de acertar (concept drift). El ejemplo clásico es cómo la pandemia de COVID-19 afectó los modelos de proyección de ventas.
- Overfitting y underfitting: un modelo que memoriza el entrenamiento o que no aprende lo suficiente.
- A/B testing: comparar dos variantes del sistema para ver cuál funciona mejor, por ejemplo, después de reentrenar.
- Back-to-back testing: usar otra implementación como pseudo-oráculo y comparar resultados para encontrar defectos.
Capítulo 7. Pruebas del desarrollo de ML
El capítulo final, breve, mira el proceso: riesgos del desarrollo de ML y sus mitigaciones, y pruebas del despliegue del sistema de ML, es decir, comprobar que lo que llega a producción es el modelo correcto, con la configuración correcta y en el entorno correcto.
Syllabus v1.0: cómo está organizado
Si vas a presentar la v1.0 antes de su retiro, estos son sus 11 capítulos:
| Capítulo (v1.0) | Tiempo mínimo |
|---|---|
| 1. Introducción a la IA | 105 min |
| 2. Características de calidad de sistemas con IA | 105 min |
| 3. Machine learning: panorama | 145 min |
| 4. ML: datos | 230 min |
| 5. Métricas de desempeño funcional de ML | 120 min |
| 6. Redes neuronales y pruebas | 65 min |
| 7. Pruebas de sistemas con IA: panorama | 115 min |
| 8. Pruebas de características de calidad propias de la IA | 150 min |
| 9. Métodos y técnicas para probar sistemas con IA | 245 min |
| 10. Entornos de prueba para sistemas con IA | 30 min |
| 11. Uso de IA para las pruebas | 195 min |
Gran parte del contenido es común con la v2.0 (ML, datos, métricas, redes neuronales y las pruebas adversarias, metamórficas, A/B y back-to-back). Lo que es propio de la v1.0: un capítulo sobre características como flexibilidad, autonomía, evolución, ética, efectos secundarios y reward hacking; temas como el sesgo de automatización (confiar demasiado en las recomendaciones del sistema); pruebas pairwise y exploratorias aplicadas a IA; entornos virtuales de prueba; y un capítulo completo sobre usar IA para probar: análisis de defectos, generación de casos, optimización de regresión, predicción de defectos y pruebas de interfaces gráficas. Ese último bloque hoy vive, actualizado, en CT-GenAI.
Descarga el syllabus oficial
Te dejamos ambas versiones en inglés. Lee completa la que vayas a presentar: todo es evaluable salvo la introducción, los objetivos prácticos, las referencias y los apéndices.
El examen CT-AI
Estructura verificada
| Dato | v1.0 | v2.0 |
|---|---|---|
| Preguntas | 40 | 40 |
| Puntos totales | 47 | 44 |
| Para aprobar | 31 puntos (65%) | 29 puntos (65%) |
| Duración | 60 min (75 si no es tu lengua materna) | 60 min (75 si no es tu lengua materna) |
| Niveles cognitivos | K1 a K4 | K1 a K4 |
Fuente: tablas oficiales de estructura de exámenes de ISTQB y página de preguntas frecuentes de CT-AI v2.0 en istqb.org. Espera preguntas de cálculo con la matriz de confusión y preguntas de escenario donde debes elegir la técnica adecuada.
Modalidades
- En línea desde casa (iSQI FLEX): supervisión remota 24/7. Necesitas cámara, micrófono, una segunda cámara con tu celular e identificación oficial. Reserva con anticipación.
- Pearson VUE: en centro de examen o en línea con OnVUE.
- En tu empresa: si son 6 personas o más, Cool Testers lleva un aplicador para el examen presencial.
El examen en papel ya no existe. Al reservar, confirma la versión (v1.0 o v2.0) y el idioma.
Dónde comprarlo
El examen no está incluido en el curso. Puedes comprarlo directo en iSQI, nuestro partner y proveedor oficial de exámenes, con un cupón de 20% en la primera oportunidad que te enviamos al inscribirte (lo más conveniente si tú pagas), o con Cool Testers mediante el examen de certificación de 1 o 2 oportunidades, ideal si lo paga tu empresa o necesitas factura. Tienes 1 año para presentarlo.
Cómo prepararte
- Elige tu versión primero. No mezcles materiales: las preguntas de la v2.0 salen de su syllabus, no del de la v1.0.
- Asegura tu CTFL. Es requisito para presentar.
- Domina la matriz de confusión. Practica calcular exactitud, precisión, recall y F1 hasta que te salga sin pensar, y entiende cuándo importa más cada una (en diagnóstico médico, un falso negativo cuesta mucho más que un falso positivo).
- Haz los ejercicios prácticos. Crear un modelo sencillo y probarlo con datos reales fija los conceptos mejor que cualquier lectura. Herramientas sin código o un notebook básico son suficientes.
- Aprende cada técnica con un ejemplo propio: una relación metamórfica, un caso adversario, una señal de drift.
- Resuelve el examen de muestra oficial de la versión que vas a presentar.
- Toma un curso acreditado. Nuestro curso ISTQB AI Testing se imparte bajo demanda para empresas, en línea o presencial, en las fechas de tu equipo. Solicita una cotización o escríbenos por WhatsApp para avisarte cuando abramos un grupo.
Beneficios y salidas profesionales
- Diferenciación real: muchos testers saben usar un chatbot; muy pocos saben probar un modelo de ML. Es un perfil escaso.
- Productos con IA en todas partes: banca (fraude, crédito), salud, comercio electrónico (recomendaciones), automotriz, atención a clientes con chatbots. Todos necesitan pruebas de datos, de modelo y de sesgo.
- Regulación: marcos como el Reglamento de IA de la Unión Europea exigen evidencias de calidad y control de riesgos en sistemas de IA; quien sabe generarlas tiene un papel clave.
- Puente con ciencia de datos: hablarás el mismo idioma que los científicos de datos y podrás cuestionar sus métricas con fundamento.
- Para empresas: un equipo que sabe probar IA reduce el riesgo de lanzar modelos sesgados o inestables.
Relación con otras certificaciones y siguiente paso
- Antes: CTFL 4.0 (obligatoria).
- Complemento natural: CT-GenAI, para usar IA generativa en tu trabajo de pruebas. Juntas cubren los dos lados de la IA en QA.
- Técnico: CTAL-TTA o CTAL-TAE si quieres profundizar en pruebas técnicas y automatización.
- Riesgo y estrategia: CTAL-TM para quienes definen la estrategia de pruebas.
- Seguridad: CT-STE, si el red teaming te interesó.
Preguntas frecuentes
¿Qué versión de CT-AI debo presentar, la v1.0 o la v2.0?
Si empiezas desde cero, la v2.0: es más corta, incluye IA generativa y es la que seguirá vigente. La v1.0 solo conviene si ya la estudiaste y presentas antes de su retiro.
¿Hasta cuándo puedo presentar la v1.0?
En inglés, hasta el 21 de abril de 2027; en otros idiomas, hasta el 21 de octubre de 2027, incluidas las segundas oportunidades.
¿Mi certificado de la v1.0 pierde validez?
No. Las certificaciones ISTQB no caducan. Tu certificado CT-AI sigue siendo válido aunque la versión del syllabus cambie.
¿Necesito saber programar o matemáticas avanzadas?
No es requisito. El syllabus explica el ML desde cero. Las métricas requieren operaciones sencillas con la matriz de confusión.
¿Cuál es la diferencia entre CT-AI y CT-GenAI?
CT-AI enseña a probar sistemas que usan IA o machine learning. CT-GenAI enseña a usar IA generativa para hacer pruebas. Son complementarias.
¿Cómo es el examen?
40 preguntas de opción múltiple en 60 minutos (75 si no es tu lengua materna). Se aprueba con 65%: 31 de 47 puntos en v1.0 y 29 de 44 en v2.0.
¿El curso incluye el examen?
No. Puedes comprarlo en iSQI con nuestro cupón de 20% o con Cool Testers si necesitas factura o lo paga tu empresa.