Validar la seguridad y fiabilidad de los sistemas de conducción automatizada es un desafío crítico en el desarrollo de la tecnología de conducción autónoma. Estos sistemas deben replicar de manera fiable el comportamiento de conducción humano en escenarios de variada complejidad y criticidad. Asegurar este nivel de precisión requiere metodologías de prueba robustas que puedan evaluar sistemáticamente el rendimiento en diversas condiciones de conducción. Las pruebas basadas en escenarios abordan este desafío recreando situaciones críticas para la seguridad en diferentes niveles de abstracción, desde simulaciones hasta pruebas en el mundo real. Sin embargo, los modelos parametrizados convencionales para la generación de escenarios suelen ser intensivos en recursos, propensos a sesgos por simplificaciones y limitados en la captura de trayectorias de vehículos realistas. Para superar estas limitaciones, el artículo explora métodos basados en IA para la generación de escenarios, con un enfoque en la maniobra de corte. Se entrenan y comparan cuatro enfoques diferentes: un Autoencoder Variacional mejorado con una red neuronal convolucional (VAE), una Red Generativa Antagónica básica (GAN), Wasserstein GAN (WGAN) y Time-Series GAN (TimeGAN). Su rendimiento se evalúa con respecto a su capacidad para generar trayectorias realistas y diversas para el escenario de corte utilizando análisis cualitativos, métricas cuantitativas y análisis estadístico. Entre los enfoques investigados, el VAE demuestra un rendimiento superior, generando de manera efectiva escenarios realistas y diversos mientras mantiene la eficiencia computacional.