- CT-GenAI (Certified Tester Testing with Generative AI) es la certificación de ISTQB que valida que sabes usar IA generativa y modelos de lenguaje (LLMs) para hacer mejor tu trabajo de pruebas.
- Es un módulo Specialist; el requisito formal es tener la certificación ISTQB Foundation Level (CTFL).
- El syllabus tiene 5 capítulos y exige un mínimo de 13.6 horas de formación acreditada; casi la mitad del tiempo es ingeniería de prompts aplicada al testing.
- El examen tiene 40 preguntas de opción múltiple, 60 minutos (75 si no es tu lengua materna) y se aprueba con 30 de 46 puntos (65%).
- Cubre prompts estructurados, prompt chaining, few-shot y meta prompting, alucinaciones y sesgos, privacidad, RAG, agentes, fine-tuning, LLMOps y cómo adoptar GenAI en un equipo de pruebas.
- No confundir con CT-AI: CT-GenAI es usar IA para probar; CT-AI es probar sistemas basados en IA.
- Puedes prepararte con nuestro curso ISTQB Testing with Generative AI, en vivo por Teams.
La IA generativa ya está en el día a día de cualquier equipo de QA: alguien le pide a un chatbot casos de prueba, otro genera datos de prueba, otro resume un reporte de regresión. El problema es que casi siempre se hace "a ojo", sin método, sin medir la calidad de lo que sale y sin cuidar los datos de la empresa.
La certificación ISTQB CT-GenAI existe justo para eso: darle a los testers un marco común, reconocido internacionalmente, para usar IA generativa de forma eficaz, segura y medible. En esta guía te explico qué es, para quién es, qué dice el syllabus capítulo por capítulo, cómo es el examen y cómo prepararte.
Qué es CT-GenAI y dónde está en el portafolio ISTQB
CT-GenAI es el módulo Specialist de ISTQB dedicado a usar inteligencia artificial generativa en las pruebas de software. ISTQB publicó la versión 1.0 del syllabus en 2025 y en abril de 2026 anunció la versión 1.1, una actualización menor: corrige detalles, ajusta terminología, refina la descripción de las métricas de evaluación y agrega contexto sobre agentes basados en LLM. Según ISTQB, la v1.1 no cambia la estructura, los objetivos de aprendizaje ni el alcance, así que todo lo que lees aquí aplica a ambas.
Dentro del portafolio ISTQB, los módulos Specialist profundizan en un tema concreto (IA, automatización, rendimiento, seguridad, DevOps…) y se toman después de Foundation. Si quieres ver el mapa completo y los costos en tu moneda, revisa nuestra guía de la certificación ISTQB.
CT-GenAI frente a CT-AI
Es la duda más común. Las dos hablan de IA, pero miran el problema desde lados opuestos:
| CT-GenAI | CT-AI | |
|---|---|---|
| Pregunta central | ¿Cómo uso IA generativa para probar mejor? | ¿Cómo pruebo un sistema que usa IA o machine learning? |
| Contenido estrella | Prompts, riesgos de los LLMs, RAG, agentes, adopción | Datos, modelos de ML, métricas, sesgo, pruebas metamórficas |
| Perfil típico | Cualquier tester, analista o líder que quiere productividad con IA | Testers de productos con IA/ML, analistas de datos, QA técnicos |
| Formación mínima | 13.6 h | 19.5 h (v2.0) |
Desde la versión 2.0 de CT-AI, ISTQB retiró de ese syllabus la parte de "usar IA para probar" y la dejó en CT-GenAI, así que hoy las dos certificaciones se complementan sin traslaparse. Te lo explico a detalle en la guía de CT-AI.
Para quién es y requisitos previos
El syllabus dice que CT-GenAI está pensada para cualquier persona que use IA generativa en las pruebas: testers, analistas de pruebas, ingenieros de automatización, test managers, testers de aceptación (UAT) y desarrolladores. También sirve a quien necesita entender el tema sin ejecutarlo: project managers, gerentes de calidad y de desarrollo, analistas de negocio, directores de TI y consultores.
- Requisito formal: tener la certificación ISTQB Foundation Level (CTFL, de cualquier versión). Sin ella no puedes presentar el examen. Si aún no la tienes, empieza por nuestro curso ISTQB Fundamentos 4.0.
- Conocimientos técnicos: no necesitas saber programar ni tener experiencia en machine learning. Sí ayuda haber usado algún chatbot (ChatGPT, Claude, Gemini, Copilot) y conocer el proceso de pruebas de CTFL: análisis, diseño, implementación, ejecución, monitoreo y control.
- Idioma: el syllabus existe en inglés y en español. La certificación vale lo mismo en cualquier idioma.
Qué serás capaz de hacer: objetivos de negocio
El syllabus define cinco business outcomes, es decir, lo que una persona certificada puede aportar a su organización:
| Código | Objetivo de negocio | En la práctica |
|---|---|---|
| GenAI-BO1 | Entender los conceptos, capacidades y limitaciones de la IA generativa | Saber cuándo un LLM ayuda y cuándo es mala idea usarlo |
| GenAI-BO2 | Desarrollar habilidades prácticas de prompting para testing | Escribir prompts que den resultados útiles y repetibles |
| GenAI-BO3 | Conocer los riesgos y sus mitigaciones | Detectar alucinaciones, proteger datos y cumplir regulaciones |
| GenAI-BO4 | Conocer las aplicaciones de soluciones de GenAI para testing | Entender RAG, agentes, fine-tuning y LLMOps |
| GenAI-BO5 | Contribuir a la estrategia y hoja de ruta de GenAI en la organización | Proponer cómo y en qué orden adoptar IA en tu equipo de QA |
Los objetivos de aprendizaje llegan hasta el nivel K3 (aplicar), y el syllabus incluye objetivos prácticos (hands-on) en tres niveles: H0 (demostración), H1 (ejercicio guiado) y H2 (ejercicio con pistas). Los hands-on no se evalúan en el examen, pero son lo que hace que lo aprendido sirva el lunes en tu trabajo.
Contenido del syllabus capítulo por capítulo
Estos son los cinco capítulos evaluables con el tiempo mínimo de estudio que marca ISTQB para un curso acreditado:
| Capítulo | Tiempo mínimo | Temas clave |
|---|---|---|
| 1. Introducción a la IA generativa para pruebas de software | 100 min | Tipos de IA, LLMs, tokens, ventana de contexto, modelos de razonamiento y multimodales, chatbots vs. aplicaciones con LLM |
| 2. Ingeniería de prompts para pruebas eficaces | 365 min | Estructura de 6 componentes, prompt chaining, few-shot, meta prompting, system prompt, GenAI en análisis, diseño, regresión y monitoreo, métricas |
| 3. Gestión de riesgos de la IA generativa en pruebas | 160 min | Alucinaciones, errores de razonamiento, sesgos, no determinismo, privacidad, seguridad, consumo de energía, regulaciones |
| 4. Infraestructura de pruebas basada en LLMs | 110 min | Arquitectura, RAG, bases vectoriales, agentes, fine-tuning, LLMOps |
| 5. Despliegue e integración de GenAI en organizaciones de pruebas | 80 min | Shadow AI, estrategia, selección de LLM/SLM, fases de adopción, habilidades y cambio de roles |
Capítulo 1. Introducción a la IA generativa para pruebas de software
El primer capítulo pone las bases. Distingue el espectro de la IA: IA simbólica (reglas), machine learning clásico, deep learning e IA generativa. Luego explica cómo funciona un LLM: el texto se divide en tokens, el modelo trabaja con embeddings y tiene una ventana de contexto limitada.
¿Por qué le importa esto a un tester? Porque si pegas una especificación de 80 páginas y el modelo "olvida" la mitad, no es magia ni mala suerte: te pasaste de la ventana de contexto. Uno de los ejercicios prácticos es justamente contar tokens de una tarea de pruebas.
También distingue tres tipos de modelos: fundacionales (entrenados con grandes volúmenes de datos), ajustados a instrucciones (instruction-tuned, los que usas en un chatbot) y de razonamiento (que resuelven problemas paso a paso). Y explica los modelos multimodales, capaces de recibir imágenes además de texto. Ejemplo práctico: le das al modelo la captura de una pantalla de registro y le pides que identifique condiciones de prueba de la interfaz.
Cierra con las capacidades clave de un LLM en testing: analizar y mejorar requisitos, apoyar la creación de casos de prueba, sugerir resultados esperados (oráculos), generar datos de prueba, apoyar la automatización, analizar resultados y redactar testware como planes y reportes. Y compara dos modelos de interacción: el chatbot (conversacional, ideal para tareas rápidas y exploración) frente a las aplicaciones de pruebas que integran LLMs vía API (más personalizables y escalables, base para los agentes).
Capítulo 2. Ingeniería de prompts para pruebas eficaces
Es el corazón de la certificación: más de seis horas del tiempo mínimo. Arranca con la estructura de un prompt en seis componentes:
- Rol: la perspectiva que adopta el modelo ("actúa como test analyst con experiencia en banca").
- Contexto: el objeto de prueba y su entorno.
- Instrucción: la tarea concreta, clara e imperativa.
- Datos de entrada: historias de usuario, criterios de aceptación, capturas, código, casos existentes.
- Restricciones: lo que el modelo debe respetar o evitar.
- Formato de salida: tabla, Gherkin, JSON, lista priorizada…
Después vienen las tres técnicas centrales:
- Prompt chaining: divides la tarea en pasos y verificas cada salida antes de seguir. Ideal cuando necesitas precisión, como analizar una historia de usuario, luego derivar condiciones de prueba y al final escribir casos.
- Few-shot prompting: das varios ejemplos del resultado que esperas (zero-shot es sin ejemplos; one-shot, con uno). Perfecto para tareas repetitivas con formato fijo, como escenarios Gherkin o scripts keyword-driven.
- Meta prompting: le pides al modelo que te ayude a construir o mejorar el prompt. Útil cuando la tarea es nueva y no sabes por dónde empezar.
También diferencia el system prompt (las reglas fijas de la conversación, normalmente definidas por quien configura la herramienta) del user prompt (cada petición concreta).
La parte K3 es aplicar todo esto a las actividades del proceso de pruebas: análisis (por ejemplo, generar criterios de aceptación a partir de un wireframe), diseño e implementación (casos funcionales, escenarios Gherkin, priorización de una suite considerando dependencias), regresión automatizada (scripts keyword-driven, análisis de reportes de ejecución) y monitoreo y control (métricas preparadas por la IA a partir de datos de prueba).
Ejemplo de prompt encadenado para una historia de "recuperar contraseña": paso 1, pedir ambigüedades y preguntas para el Product Owner; paso 2, con las respuestas, pedir criterios de aceptación; paso 3, pedir casos de prueba con valores límite para la caducidad del enlace. En cada paso tú revisas antes de avanzar.
El capítulo cierra con cómo evaluar lo que genera la IA. El syllabus propone métricas como exactitud, precisión, recall, relevancia y ajuste al contexto, diversidad, tasa de ejecución exitosa de los scripts generados y eficiencia en tiempo. Y técnicas de mejora: modificación iterativa del prompt, A/B testing de prompts, análisis de la salida, retroalimentación de usuarios y ajuste de la longitud y especificidad. Como los LLMs no son deterministas, insiste en que las métricas se basen en datos estadísticamente relevantes, no en una sola ejecución.
Capítulo 3. Gestión de riesgos de la IA generativa en pruebas
Aquí está lo que separa a un usuario casual de un profesional. El syllabus define y te enseña a detectar tres problemas:
- Alucinaciones: el modelo inventa con total seguridad, por ejemplo, un campo que no existe en la especificación o una regla de negocio que nadie pidió.
- Errores de razonamiento: la lógica falla, como una estimación de esfuerzo que no suma o una priorización contradictoria.
- Sesgos: datos de prueba que siempre usan los mismos nombres, países o perfiles, dejando fuera a usuarios reales.
Las mitigaciones son muy concretas: dar contexto completo, partir la tarea en pasos (prompt chaining), usar formatos de datos claros, elegir el modelo adecuado y comparar resultados entre varios modelos. Para el comportamiento no determinista, menciona bajar la temperatura y fijar una semilla cuando la herramienta lo permite.
La segunda parte trata privacidad y seguridad: qué pasa cuando alguien pega datos de clientes en una herramienta pública, vulnerabilidades como la inyección de prompts y medidas como minimizar datos, anonimizar o seudonimizar, cifrar, capacitar al equipo, revisar sistemáticamente la salida y elegir un entorno seguro (oferta empresarial del proveedor, nube privada o modelo instalado en tu infraestructura). Recomienda involucrar a seguridad, legal y al CISO.
También aborda el consumo de energía y las emisiones de CO₂ (generar imágenes consume mucho más que generar texto) y un panorama de regulaciones y marcos: ISO/IEC 42001:2023, ISO/IEC 23053:2022, el Reglamento de IA de la Unión Europea (EU AI Act) y el NIST AI Risk Management Framework de EE. UU.
Capítulo 4. Infraestructura de pruebas basada en LLMs
Este capítulo explica lo que hay detrás de las herramientas de testing con IA que ves en el mercado. Primero, los componentes de arquitectura de una infraestructura de pruebas con LLM. Luego, RAG (Retrieval-Augmented Generation): en lugar de confiar en lo que el modelo "sabe", se recuperan fragmentos relevantes de tus propios documentos (requisitos, casos existentes, manuales) desde una base de datos vectorial y se agregan al prompt. Resultado: respuestas ancladas en tu proyecto y menos alucinaciones.
Después, los agentes basados en LLM: aplicaciones que no solo responden, sino que actúan invocando herramientas (abrir un navegador, consultar una API, crear un ticket). El syllabus distingue agentes autónomos y semiautónomos, y menciona arquitecturas multiagente con orquestación. Advierte que los agentes heredan los mismos riesgos de alucinación, por lo que en tareas críticas conviene usar agentes semiautónomos y verificación automática. Si quieres ver esto en la práctica, lee nuestra guía de testing con IA usando Playwright MCP.
Cierra con fine-tuning (reentrenar un modelo con datos de tu dominio para una tarea concreta) y LLMOps, las prácticas para desplegar, monitorear y mantener LLMs en producción, parecido a lo que DevOps hace con el software.
Capítulo 5. Despliegue e integración de GenAI en organizaciones de pruebas
El último capítulo sube al nivel de estrategia. Empieza por el riesgo de shadow AI: personas usando herramientas no aprobadas, con huecos de seguridad, incumplimiento regulatorio y propiedad intelectual poco clara.
Luego describe los elementos de una estrategia de GenAI para pruebas: objetivos medibles (productividad, ciclos más cortos, más calidad), selección de modelos, calidad de los datos, capacitación, métricas y lineamientos (uso de datos sensibles, transparencia sobre qué se generó con IA, quality gates de revisión). Para elegir un LLM o SLM propone cuatro criterios: desempeño en tus tareas, potencial de fine-tuning, costo recurrente y comunidad y soporte. Un ejercicio práctico consiste en estimar el costo mensual de una tarea con base en tokens y frecuencia.
Define tres fases de adopción: descubrimiento, iniciación y definición de usos, y utilización e iteración. Y termina con el cambio de roles: los testers pasan a ser especialistas asistidos por IA que guían y verifican el testware generado y mantienen bibliotecas de prompts; los test managers incorporan estrategia, riesgos y gobierno de IA y coordinan equipos híbridos de personas y agentes.
Descarga el syllabus oficial
Estos son los programas de estudio oficiales de ISTQB. Te recomendamos leerlos completos antes del examen: todo su contenido, salvo la introducción, los hands-on y los apéndices, es evaluable.
Para la versión 1.1 y los exámenes de muestra oficiales, consulta la página de la certificación en istqb.org.
El examen CT-GenAI
Estructura verificada
| Dato | Valor |
|---|---|
| Preguntas | 40, de opción múltiple |
| Puntos totales | 46 (hay preguntas que valen más de un punto) |
| Para aprobar | 30 puntos (65%) |
| Duración | 60 minutos; 75 minutos si presentas en un idioma que no es tu lengua materna (+25%) |
| Requisito | Certificación ISTQB Foundation Level |
| Niveles cognitivos | K1, K2 y K3 |
Fuente: tablas oficiales de estructura de exámenes de ISTQB y página de CT-GenAI en istqb.org.
Modalidades
- En línea desde casa con supervisión remota (iSQI FLEX): disponible 24/7. Necesitas cámara, micrófono, una segunda cámara con tu celular e identificación oficial. Reserva con anticipación suficiente.
- Pearson VUE: en un centro de examen o en línea con OnVUE.
- Presencial en tu empresa: para grupos de 6 o más personas, Cool Testers lleva un aplicador.
Ya no existe el examen en papel.
Dónde comprarlo
El examen no está incluido en el curso. Tienes dos opciones:
- Directo en iSQI, nuestro partner y proveedor oficial de exámenes, con un cupón de 20% sobre el precio de su página en la primera oportunidad, que te enviamos al inscribirte. Es lo más conveniente si tú lo pagas.
- Con Cool Testers: el examen de certificación con 1 o 2 oportunidades. Conviene si lo paga tu empresa o necesitas factura. Tienes 1 año para presentarlo.
Cómo prepararte
- Asegura tu CTFL. Sin Foundation no puedes presentar. Si te falta, revisa cómo aprobar el examen ISTQB Foundation.
- Lee el syllabus completo y haz tu propio glosario de términos de GenAI: los keywords de cada capítulo se evalúan aunque no aparezcan en un objetivo.
- Practica con prompts reales. Toma historias de usuario de tu proyecto (sin datos sensibles) y aplica la estructura de seis componentes, chaining, few-shot y meta prompting.
- Domina el capítulo 2. Concentra el mayor tiempo y los objetivos K3: espera preguntas de escenario donde debes elegir la técnica correcta para una tarea.
- Aprende a reconocer riesgos. Ten clara la diferencia entre alucinación, error de razonamiento y sesgo, y la mitigación de cada uno.
- Resuelve el examen de muestra oficial y analiza por qué cada opción incorrecta es incorrecta.
- Toma un curso acreditado. En nuestro curso ISTQB Testing with Generative AI trabajas los ejercicios prácticos en vivo por Teams, con grabaciones disponibles por 3 años y la garantía de repetir gratis en cualquier grupo abierto dentro de 6 meses.
Si además vas a tomar Fundamentos, pregunta por el paquete Fundamentos + GenAI con 50% de descuento en el segundo curso.
Beneficios y salidas profesionales
- Credibilidad inmediata: casi todos dicen que "usan IA"; pocos pueden demostrar con una certificación internacional que saben hacerlo con método y control de riesgos.
- Productividad medible: aprendes a medir la calidad de lo que genera la IA y el tiempo que ahorras, un argumento muy fuerte frente a tu jefe o tu cliente.
- Un rol que está naciendo: el syllabus describe la evolución hacia el tester asistido por IA, que mantiene bibliotecas de prompts y verifica testware generado. Ese perfil es cada vez más visible en vacantes de QA; revisa nuestra guía de vacantes de QA tester remoto.
- Liderazgo: si eres test lead o manager, te da el vocabulario para proponer una estrategia de GenAI, evitar shadow AI y hablar con seguridad y legal.
- Para empresas: un equipo certificado adopta la IA con reglas claras y menos riesgo. Podemos impartir el curso a tu equipo; solicita una cotización.
Relación con otras certificaciones y siguiente paso
- Antes: CTFL 4.0, obligatoria.
- En paralelo: CT-AI, si tu producto incluye modelos de IA o machine learning que debes probar.
- Automatización: CTAL-TAE para la parte técnica y CT-TAS para la estrategia de automatización en la organización.
- Liderazgo: CTAL-TM (Test Management) si vas a definir la estrategia de pruebas, incluida la IA.
- DevOps: CT-QDO si tu equipo trabaja con pipelines de CI/CD.
ISTQB sugiere como siguiente paso los módulos Core Advanced (Test Analyst, Technical Test Analyst, Test Management, Test Automation Engineering) y, después, el nivel Expert.
Preguntas frecuentes
¿Necesito saber programar para CT-GenAI?
No. El syllabus no exige programación. Saber leer un script ayuda en los temas de automatización, pero no es requisito.
¿Cuál es el requisito para presentar el examen CT-GenAI?
Tener la certificación ISTQB Foundation Level (CTFL) antes de presentar el examen. Es el único requisito formal.
¿Cuántas preguntas tiene el examen y cuál es la calificación mínima?
40 preguntas de opción múltiple que suman 46 puntos. Apruebas con 30 puntos (65%). Tienes 60 minutos, o 75 si no presentas en tu lengua materna.
¿Qué diferencia hay entre CT-GenAI y CT-AI?
CT-GenAI enseña a usar IA generativa para hacer pruebas. CT-AI enseña a probar sistemas que usan inteligencia artificial o machine learning. Son complementarias.
¿El syllabus habla de herramientas específicas como ChatGPT?
No. Es neutral frente a proveedores: habla de LLMs, chatbots y aplicaciones con LLM en general. Lo aprendido sirve con cualquier herramienta.
¿Está incluido el examen en el curso?
No. Puedes comprarlo directo en iSQI con el cupón de 20% que te enviamos al inscribirte, o con Cool Testers si lo paga tu empresa o necesitas factura.
¿Puedo presentar el examen desde casa?
Sí, en línea con supervisión remota (iSQI FLEX) o con Pearson VUE OnVUE. También puedes ir a un centro Pearson VUE.
¿Qué cambió en la versión 1.1 del syllabus?
Es una actualización menor: correcciones, terminología, métricas de evaluación más claras y más contexto sobre agentes. No cambian la estructura, los objetivos ni el alcance.