Tests automáticos escritos por IA: dónde ayudan de verdad

Tests de caracterización sobre código existente: capturan el comportamiento actual y permiten refactorizar con red. Es probablemente el mejor retorno de la IA en un equipo de desarrollo.

Casos límite. Pedir «enumera veinte entradas que podrían romper esta función» produce listas que un humano cansado no genera: cadenas vacías, unicode raro, fechas en cambio de horario, números negativos donde nadie los esperaba.

Y datos de prueba realistas. Generar cien registros coherentes para un entorno de pruebas es tedioso y perfecto para delegar.

Un modelo puede llevarte del 40% al 90% de cobertura en una tarde generando pruebas que ejecutan cada línea sin comprobar nada relevante. La cobertura sube y los errores siguen pasando.

El antídoto es sencillo: mutación. Cambia deliberadamente un signo o una condición en el código y comprueba que algún test falla. Si nada falla, esos tests son decorativos.

Mide también el tiempo de la suite. Miles de pruebas generadas que tardan veinte minutos hacen que el equipo deje de ejecutarlas, y una suite que no se ejecuta no vale nada.

Lee siempre las aserciones, nunca el cuerpo completo. Ahí está el 90% del valor y de los errores: modelos que afirman que el resultado «no es nulo» cuando debería comprobar el valor exacto.

Elimina sin piedad los tests que replican la implementación en lugar de la intención. Se rompen en cada refactor y enseñan al equipo a ignorar los fallos rojos.

Y no aceptes tests para código que aún no está decidido. Congelar en pruebas una interfaz provisional es la forma más silenciosa de bloquear un diseño.