Software Testing with Generative AI

Guía pionera y pragmática orientada a integrar de manera responsable los modelos de lenguaje masivo (LLMs) y las herramientas generativas en las actividades diarias de aseguramiento de la calidad (QA) y pruebas de software. Mark Winteringham desmitifica las promesas exageradas de la IA y enseña a testers y desarrolladores a utilizarla como un asistente inteligente que amplía su criterio técnico sin comprometer la rigurosidad ni la fiabilidad del software. Está orientada a profesionales de QA, ingenieros de automatización y desarrolladores de nivel intermedio con nociones de testing automatizado (pruebas unitarias y de interfaz web) y lenguajes comunes como Python o JavaScript.

El contenido detalla cómo aplicar modelos como ChatGPT y asistentes como GitHub Copilot en las distintas etapas del ciclo de calidad: ingeniería de prompts específica para el contexto de aseguramiento de software, soporte a ciclos de desarrollo guiado por pruebas (TDD), diseño y generación de matrices de prueba y modelado de riesgos. En el terreno de la automatización, explica cómo acelerar la redacción y mantenimiento de scripts de UI con Selenium y el patrón Page Object Model (POM), la generación rápida y masiva de conjuntos de datos de prueba sintéticos mediante la API de OpenAI, el soporte en sesiones de testing exploratorio para identificar casos límite, y la creación de agentes de IA y modelos adaptados al contexto y vocabulario técnico del negocio.

El autor guía la implementación de recetas y flujos de trabajo aplicados: generación de assertions para tests unitarios, diseño de pipelines para poblar bases de datos con datos de prueba sintéticos y creación de prompts especializados para auditorías exploratorias. El gran aporte de la obra es su enfoque escéptico y disciplinado: enseña a validar exhaustivamente las respuestas de la IA, identificar alucinaciones sutiles y evitar la acumulación de deuda técnica en los bancos de pruebas. No profundiza en la creación de algoritmos de machine learning desde cero ni en la matemática de los modelos, concentrándose enteramente en maximizar la productividad y cobertura en entornos reales de pruebas de software.