CT-AI v2.0: cuántas preguntas aporta cada capítulo al examen

Casi todos los planes de estudio de CT-AI se arman con el índice del temario, que indica cuánto dura un capítulo pero no cuánto vale. La otra mitad del dato la publica ISTQB aparte, en las tablas Exam Structures & Rules, que fijan cuántas preguntas aporta cada capítulo a cada examen. Este artículo traslada la tabla vigente, la v1.19, a los siete capítulos de CT-AI v2.0 y muestra dónde están realmente los puntos.

Las cifras que deciden el examen

CT-AI v2.0 salió el 17 de abril de 2026 y reorganizó los once capítulos anteriores en siete, ordenados según el ciclo de vida de un sistema de ML. Lo que cambió en contenido lo repasamos en los cambios del temario CT-AI v2.0. El formato sobrevivió casi intacto, pero la puntuación merece leerse con calma:

• 40 preguntas de opción múltiple.

• 44 puntos, más que preguntas, porque las K3 cuentan doble.

• 29 puntos para aprobar. El 65 % de 44 son 28,6 y la nota de corte se redondea al punto entero superior.

• 60 minutos, o 75 con el 25 % adicional para quien no rinde en su lengua materna.

• 36 preguntas de nivel K2 y 4 de nivel K3. Ninguna K1 y ninguna K4.

• El CTFL es requisito previo y la formación acreditada mínima son 19,5 horas.

Todas esas cifras figuran en la página oficial de la certificación CT-AI v2.0 y en las tablas de estructura de examen del ISTQB. Si una página de estudio dice 120 minutos, está describiendo otra cosa.

El reparto oficial por capítulo

Preguntas y puntos por capítulo, tomados de las tablas Exam Structures & Rules v1.19. Los nombres van traducidos y el título original en inglés entre paréntesis.

1. Introducción a la inteligencia artificial (Introduction to Artificial Intelligence) — 6 preguntas, 6 puntos.

2. Características de calidad de los sistemas basados en IA (Quality Characteristics for AI-Based Systems) — 3 preguntas, 3 puntos.

3. Aprendizaje automático (Machine Learning) — 7 preguntas, 8 puntos.

4. Prueba de sistemas basados en IA (Testing AI-Based Systems) — 7 preguntas, 8 puntos.

5. Prueba de datos de entrada para sistemas de ML (Input Data Testing for Machine Learning Systems) — 6 preguntas, 7 puntos.

6. Prueba de modelos de ML (Model Testing for Machine Learning Systems) — 9 preguntas, 10 puntos.

7. Prueba del desarrollo de ML (Machine Learning Development Testing) — 2 preguntas, 2 puntos.

El capítulo más grande es el 6, no el 3

La prueba de modelos de ML es el bloque más pesado del examen: 9 de 40 preguntas y 10 de 44 puntos, casi una cuarta parte de todo lo que se puede sumar. El capítulo 3, aprendizaje automático, es el que más temor genera y vale solo 8 puntos.

Los dos capítulos que la v2.0 convirtió en niveles de prueba propios, datos de entrada y modelos, suman entre ambos 15 preguntas y 17 puntos. Es el 39 % del examen en material que en la v1.0 no existía como capítulo aparte, y esa es la razón principal por la que un plan de estudio heredado de la v1.0 no alcanza.

En el otro extremo, los capítulos 2 y 7 juntos son 5 preguntas y 5 puntos: alrededor de una novena parte del examen.

Las horas de formación no coinciden con el peso del examen

El curso acreditado son 1.170 minutos repartidos de forma muy desigual entre los siete capítulos. Si se divide la formación de cada capítulo entre los puntos que aporta, el desajuste salta a la vista:

El capítulo 3 ocupa 375 minutos, casi un tercio del curso completo, y devuelve 8 puntos: 47 minutos de clase por punto frente a una media de 27. El capítulo 6 es lo contrario, 225 minutos para 10 puntos, un punto cada 23 minutos. El capítulo 7 son 30 minutos por 2 puntos.

Esto no es un argumento para saltarse el capítulo 3. Sus contenidos sobre conjuntos de datos, métricas y redes neuronales sostienen los capítulos 5 y 6, y la única pregunta de cálculo del examen vive ahí. Es un argumento para repartir el tiempo de repaso por puntos y no por horas de curso.

Dónde están las cuatro preguntas de dos puntos

Hay exactamente cuatro preguntas K3, una en cada uno de los capítulos 3, 4, 5 y 6. Entre las cuatro aportan 8 de los 44 puntos: el 10 % de las preguntas y el 18 % de la nota. Tres de ellas se corresponden con un objetivo de aprendizaje concreto:

• AI-3.3.1 — calcular métricas de rendimiento funcional de ML a partir de una matriz de confusión dada. Es la única pregunta de cálculo del examen y el motivo para practicar precision, recall y F1 hasta hacerlo de memoria.

• AI-4.2.2 — aplicar red teaming a sistemas de IA generativa, la señal más clara de cuánto material sobre LLM absorbió la v2.0.

• AI-5.1.5 — aplicar pruebas de restricciones sobre el conjunto de datos.

• La cuarta está en el capítulo 6, junto al resto del material sobre pruebas de modelos, datos y sesgo.

Fallar las cuatro deja 36 puntos, todavía por encima de los 29 necesarios. El problema es que a partir de ahí solo quedan siete respuestas K2 de margen, así que tratar las K3 como opcionales es un mal negocio.

Sin K1 y sin K4

Todas las preguntas de CT-AI v2.0 son K2 o K3. No hay preguntas K1 de pura memoria, así que repasar solo definiciones no suma; y tampoco hay preguntas K4 de análisis como las que alargan CTAL-TM o CT-PT, por eso 40 preguntas caben en 60 minutos. Si el sistema de niveles K te resulta nuevo, nuestra explicación de los niveles K del ISTQB (en inglés) cubre cómo funciona la ponderación. Las definiciones siguen importando — el glosario del ISTQB marca la redacción que usa el examen — pero siempre se piden aplicadas.

Qué pregunta en concreto cada capítulo

1. Introducción a la inteligencia artificial — 6 preguntas, 6 puntos

Efecto IA, IA estrecha frente a general, tecnologías y frameworks de IA, hardware e IA como servicio. Todo K2 y barato: seis puntos por dos horas de curso.

2. Características de calidad de los sistemas basados en IA — 3 preguntas, 3 puntos

Flexibilidad y adaptabilidad, autonomía, evolución, sesgo, ética, efectos colaterales y reward hacking, transparencia y explicabilidad, y criterios de aceptación. El capítulo más pequeño en puntos y el que más se estudia de más, porque se lee fácil.

3. Aprendizaje automático — 7 preguntas, 8 puntos

Formas de ML, el flujo de trabajo de ML, modelos preentrenados, fine-tuning y RAG, preparación de datos, conjuntos de entrenamiento, validación y prueba, métricas de rendimiento para clasificación y redes neuronales. Una K3: la matriz de confusión.

4. Prueba de sistemas basados en IA — 7 preguntas, 8 puntos

Testabilidad de sistemas fijos frente a adaptativos, por qué hace falta un enfoque estadístico, el problema del oráculo de prueba, prueba de IA generativa y LLM, red teaming, niveles de prueba para sistemas de ML y prueba basada en riesgos. Una K3: red teaming.

5. Prueba de datos de entrada para sistemas de ML — 6 preguntas, 7 puntos

Mitigación de riesgos en los datos de entrada, prueba de sesgo, prueba de la tubería de datos, representatividad, restricciones del conjunto de datos y corrección de las etiquetas. Una K3: pruebas de restricciones.

6. Prueba de modelos de ML — 9 preguntas, 10 puntos

El capítulo más grande: cómo se prueba un modelo de ML por sí mismo, incluidos los riesgos de modelo que el capítulo 4 deriva aquí. Nueve preguntas, una de ellas K3, con 225 minutos de curso: la mejor relación entre puntos y horas.

7. Prueba del desarrollo de ML — 2 preguntas, 2 puntos

Riesgos a nivel de desarrollo y prueba del propio proceso de desarrollo de ML. Dos preguntas, 30 minutos de curso y lo último que conviene repasar.

Un orden de repaso basado en la tabla de puntos

1. Primero los capítulos 6 y 5: 17 de los 44 puntos y el material más alejado de todo lo que cubrió el CTFL.

2. Después el capítulo 3, cargando el peso en el cálculo de métricas y en la división de conjuntos antes que en la teoría de redes neuronales.

3. El capítulo 4, donde el material de IA generativa y red teaming es el más nuevo y el que con más probabilidad llegue redactado como escenario.

4. El capítulo 1 al final de los capítulos serios: seis puntos que salen casi gratis.

5. Los capítulos 2 y 7 para el cierre. Cinco puntos, 75 minutos de temario y ninguna K3.

Se pueden perder 15 puntos. Bien gastado, ese margen cubre un capítulo flojo; gastado en teoría del capítulo 3, se evapora en los dos capítulos que más pesan.

Cifras que circulan y ya no valen

• 120 minutos. CT-AI v2.0 dura 60 minutos, 75 con la extensión por idioma.

• Once capítulos y 47 puntos. Esa es la estructura de la v1.0. Sigue siendo correcta para quien rinda la v1.0 antes de su retirada — 21 de abril de 2027 en inglés, 21 de octubre de 2027 en otros idiomas — y falsa para el resto.

• «65 % de 40 preguntas». La nota de corte se cuenta en puntos, no en aciertos: 29 de 44. Con 26 aciertos se puede aprobar o suspender según si entre ellos están las preguntas K3.

Ante la duda, solo lo resuelven el PDF del temario v2.0 y las tablas de estructura de examen publicadas en istqb.org.

Practicar con el reparto real

Un simulacro sirve de poco si su mezcla de capítulos no se parece a la del examen real. Nuestros cinco exámenes de práctica de CT-AI son de 40 preguntas cada uno, gratuitos, sin registro y con justificación escrita en todas las opciones, también en las incorrectas, que es donde aparecen los huecos por capítulo. Empieza por el simulacro 1 y sigue con la guía para aprobar CT-AI para el resto del camino.

Puntúa cada intento por capítulo y no por total. Un 28 con los capítulos 1 a 4 sólidos y el 6 hundido es un problema distinto de un 28 repartido de forma pareja, y solo uno de los dos se arregla con un fin de semana de repaso.