Última actualización: 28 de julio de 2026
El examen ISTQB Certified Tester AI Testing (CT-AI) v2.0 tiene 40 preguntas que suman 44 puntos, y necesitas 29 puntos — el 65 % — en 60 minutos para aprobar. CTFL es un requisito previo. Esta guía se basa en el programa de estudio v2.0 publicado y en la estructura oficial del examen, y es explícita sobre algo que la mayoría del material de preparación pasa por alto: para CT-AI, ISTQB no publica el número de preguntas por capítulo.
40 preguntas, 44 puntos — una mezcla de preguntas de un punto y de dos puntos. Las de mayor peso corresponden a los niveles cognitivos más altos, donde aplicas o analizas en lugar de recordar.
29 de 44 puntos para aprobar — el 65 %. Como los pesos son distintos, contar preguntas en lugar de puntos te engañará: fallar cuatro preguntas de dos puntos cuesta lo mismo que fallar ocho de un punto.
60 minutos, o 75 minutos con el margen habitual del 25 % si haces el examen en un idioma que no es tu lengua materna.
CTFL es obligatorio — es el examen de especialista de ISTQB en el que los candidatos descubren el requisito tarde con más frecuencia. No se exige ninguna titulación en ciencia de datos ni ninguna prueba de programación.
Una pregunta sin responder puntúa exactamente igual que una mal respondida, así que nunca dejes ninguna en blanco.
v2.0 está organizado en torno al ciclo de vida de un sistema basado en IA, no en torno a la teoría de la IA. Siete áreas:
Introducción a la inteligencia artificial — qué cuenta como IA, IA estrecha frente a general, tecnologías de IA y el estado del campo, incluida la IA generativa.
Características de calidad de los sistemas basados en IA — las características específicas de IA de ISO/IEC 25059 (flexibilidad, adaptabilidad, autonomía, transparencia, explicabilidad, robustez, sesgo) y cómo se redactan los criterios de aceptación de un sistema probabilístico.
Aprendizaje automático — aprendizaje supervisado, no supervisado y por refuerzo, datos para ML, métricas de rendimiento funcional para clasificación y redes neuronales.
Pruebas de sistemas basados en IA — el problema del oráculo de prueba ante el no determinismo, las pruebas de IA generativa y de grandes modelos de lenguaje, y cómo cambian los niveles de prueba en los sistemas de ML.
Pruebas de los datos de entrada en sistemas de ML — un nivel de prueba que no existe fuera del ML.
Pruebas del modelo en sistemas de ML — el segundo nivel específico de ML.
Pruebas del desarrollo de aprendizaje automático — probar la cadena que produce el modelo.
Ahora la parte honesta. Para CTFL, ISTQB publica una tabla de estructura del examen que indica exactamente cuántas preguntas salen de cada capítulo. Para CT-AI no lo hace. Quien te diga «el capítulo 3 vale ocho preguntas» se ha inventado el número. Lo que sí puedes usar para planificar es la forma del programa: las tres áreas de prueba específicas de ML más el capítulo de aprendizaje automático concentran la mayor parte del material aplicado, y ahí es donde la preparación rinde.
Cálculo de métricas contra el reloj. Dada una matriz de confusión, calcula precision, recall y F1, y di cuál importa para el objetivo planteado. Aprende a leer la matriz en la orientación del examen, no solo en la que dibujaba tu manual, y domina la paradoja de la exactitud: un 99 % de accuracy en un problema de clase rara puede significar que el modelo nunca predice la clase rara.
Confundir los dos niveles de prueba específicos de ML. Las pruebas de los datos de entrada miran los datos antes del entrenamiento: completitud, calidad del etiquetado, fuga de datos, representatividad. Las pruebas del modelo miran el comportamiento del modelo entrenado. Las preguntas describen un defecto y piden qué nivel de prueba debería haberlo detectado.
El problema del oráculo de prueba. Con un sistema no determinista a menudo no hay un único resultado esperado, y por eso existen las pruebas metamórficas, las pruebas back-to-back y la comparación A/B. Las opciones que dan por supuesto un único resultado esperado suelen ser el distractor.
Particularidades de la IA generativa. Prompt injection frente a jailbreaking, groundedness y alucinación, red teaming, por qué el mismo prompt puede dar respuestas distintas y qué mide realmente un conjunto de evaluación de un sistema con recuperación aumentada.
Vocabulario de sesgo. El sesgo algorítmico, el sesgo de muestra, el sesgo inapropiado y el sesgo histórico son cosas distintas con mitigaciones distintas, y el examen los separa.
Áreas 1 y 2. Construye tu propio glosario: una línea por término, con tus palabras. Si ya trabajas con ML, esta semana te parecerá trivial; hazla igualmente, porque el examen evalúa el vocabulario de ISO/IEC 25059, no el de tu equipo.
Área 3, y esta es la semana que decide el resultado. Dibuja matrices de confusión a mano hasta que precision, recall y F1 te salgan en menos de un minuto. Trabaja al menos cinco ejemplos numéricos, incluido uno en el que la accuracy sea alta y el recall pésimo. Después lee sobre redes neuronales solo con la profundidad que pide el programa: estructura e implicaciones para las pruebas, no la matemática de la retropropagación.
Áreas 4 a 7 en la primera mitad de la semana, manteniendo bien separados en tus notas los dos niveles de prueba específicos de ML. Después pasa por completo a simulacros cronometrados de 40 preguntas: al menos tres, en días distintos. Deja de ver materia nueva 48 horas antes y relee tu glosario y tu lista de errores.
ExamCaliber tiene 5 simulacros de CT-AI extraídos de una batería de 220 preguntas propias; cada simulacro son 40 preguntas en 60 minutos con una nota de corte del 65 %, con una justificación escrita en cada opción, incluidas las incorrectas. Lee la justificación de las opciones que no elegiste: eso es lo que se transfiere a la siguiente pregunta.
La advertencia: nuestros simulacros dan un punto a cada pregunta, mientras que el examen real mezcla preguntas de uno y de dos puntos hasta 44 puntos. Así que lee tu resultado como un porcentaje, no como un recuento de puntos, y no intentes trasladar «he sacado 30» al umbral real de 29 de 44. Lo publicamos en lugar de insinuar en silencio que nuestra puntuación es idéntica.
Empieza por cualquiera de los simulacros de CT-AI, o lee un simulacro completo como hoja de estudio en su página de preguntas y respuestas.
Son certificaciones distintas y la gente se apunta a la equivocada. CT-AI trata de probar sistemas basados en IA — tú eres quien prueba y la IA es el objeto de prueba. CT-GenAI trata de usar IA generativa como apoyo a las pruebas — la IA es tu herramienta. Si tu trabajo es dar garantía sobre un modelo que ha entrenado otra persona, lo que quieres es CT-AI.
Asegúrate de estar estudiando v2.0. v1.0 está en retirada — la versión en inglés sigue disponible hasta el 21 de abril de 2027 y las versiones en otros idiomas hasta el 21 de octubre de 2027 — y v2.0 reorganizó el material de forma sustancial, así que una batería de preguntas de v1.0 evalúa temas que se han movido o han desaparecido.
Solicita el margen de tiempo del 25 % al reservar, si te corresponde. Se concede entonces, no en el centro de examen.
La tasa la fija tu comité nacional o tu proveedor de examen, no ISTQB, así que varía según el país.
Nuestras preguntas son originales, redactadas a partir del programa v2.0 publicado. No son preguntas reales de examen, y quien te las ofrezca está ofreciendo algo que ISTQB no publica. Un umbral de preparación que funciona: un 80 % o más en tres simulacros distintos, cronometrados, sin ningún área temática por debajo del 65 % de forma sostenida.