Integración de pruebas visuales automatizadas con Applitools en el proceso de pruebas funcionales
Contenido principal del artículo
Resumen
En el marco de las pruebas funcionales de un sistema de información, se llevaron a cabo pruebas visuales con Applitools, herramienta de pruebas visuales automatizadas que facilita la verificación de interfaces gráficas en múltiples navegadores, dispositivos y resoluciones. Ésta utiliza inteligencia artificial para detectar diferencias visuales. La metodología aplicada permitió confirmar su efectividad como apoyo en el proceso de pruebas, particularmente en la verificación visual y en pruebas de regresión sobre interfaces gráficas. La herramienta permite comparar versiones del software o sitios web con información estática, pero su uso en aplicaciones con contenido dinámico requiere mayor personalización para evitar falsos positivos. Applitools genera líneas base de comparación específicas para cada ambiente, aunque se puede configurar una línea base unificada para facilitar la detección de inconsistencias visuales derivadas por diferencias en la renderización entre navegadores. Su implementación implica una curva de aprendizaje y demanda recursos tecnológicos adecuados, además de considerar limitaciones de la versión gratuita. La interpretación de los resultados depende del criterio del probador, quien determina si las diferencias corresponden a errores o cambios esperados. Una vez superada la curva de aprendizaje, su uso contribuye a reducir significativamente los tiempos de ejecución en comparación con las pruebas manuales. Asimismo, es necesario considerar aspectos de seguridad de la información, la reutilización de la automatización y la conveniencia de adquirir una licencia institucional para su uso.
Descargas
Detalles del artículo

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Este trabajo tiene la licencia CC BY-NC-ND 4.0
Citas
Applitools. (2025). AI-powered Visual Testing Overview. Recuperado de https://applitools.com
Grupo Académico de Inteligencia Artificial Generativa en Educación UNAM. (2025). Recomendaciones para el uso educativo de la inteligencia artificial generativa en la UNAM. Coordinación de Evaluación, Innovación y Desarrollo Educativos (CEIDE). https://www.ceide.unam.mx/index.php/recomendaciones-para-el-uso-educativo-de-la-inteligencia-artificial-generativa-en-la-unam/
International Software Testing Qualifications Board (ISTQB). (2024). ISTQB glossary (Versión 4.6.2). Recuperado de https://glossary.istqb.org/en_US/search?term=&exact_matches_first=true
Myers, G. J., Sandler, C., & Badgett, T. (2011). The Art of Software Testing (3rd ed.). John Wiley & Sons.
Pressman, R. S., & Maxim, B. R. (2020). Ingeniería de Software: Un enfoque práctico (9a ed.). McGraw-Hill.
Project Management Institute. (2021). A guide to the project management body of knowledge (PMBOK® Guide) (7ª ed.). Project Management Institute.
Selenium HQ. (2022). WebDriver [Documentación]. Recuperado de https://www.selenium.dev/documentation/webdriver/
UNESCO. (2021). Recommendation on the Ethics of Artificial Intelligence (SHS/BIO/PI/2021/1). Paris: UNESCO. https:// unesdoc.unesco.org/ark:/48223/pf0000381137
Universidad Nacional Autónoma de México. (2023, Octubre). Recomendaciones para el uso de la inteligencia artificial generativa en la docencia [PDF]. Recuperado de https://cuaed.unam.mx/descargas/recomendaciones-uso-iagen-docencia-unam-2023.pdf