Наш корреспондент поговорил с QA-инженером Михаилом о том, как искусственный интеллект помогает тестировщикам в ежедневной работе, какие задачи уже полностью отданы на автоматизацию и где без человека по-прежнему не обойтись.
Используете ли вы нейросети в работе? Как к этому относится руководство?
Конечно. Мы внедрили нейросети уже давно — и, что интересно, по инициативе руководства. Искусственный интеллект помогает выполнять массу рутинных задач гораздо быстрее, при этом качество работы не страдает. Было бы странно этому сопротивляться, если инструмент действительно ускоряет процесс и повышает точность.
Какие конкретные задачи и этапы работы нейросети упрощают?
В первую очередь — тест-дизайн и подготовка документации.
С помощью нейросетей мы быстро формируем тест-кейсы по техническому заданию, генерируем наборы данных и сценарии для edge-кейсов.
Также активно применяем ИИ для проверки корректности API-ответов, создания моков, анализа логов и баг-репортов. ChatGPT и Copilot нередко помогают писать автотесты, подсказывают регулярные выражения, SQL-запросы и экономят часы, которые раньше уходили на поиск нужных решений.
На этапе регресса искусственный интеллект помогает расставлять приоритеты тестов и находить дубликаты багов — то, что человеку быстро отследить сложно.
С какими задачами искусственный интеллект пока не справляется?
Прежде всего, ИИ не понимает идею и бизнес-логику проекта. Он не способен оценить, насколько важен тот или иной баг с точки зрения пользователя. Например, нейросеть может заметить мелкий UI-глитч, но не увидеть, что определённая кнопка ломает ключевой сценарий.
Кроме того, искусственный интеллект не обладает интуицией. Бывает, что опытный тестировщик предугадывает место, где система «сломается», просто зная продукт и его типичные слабые места. Машина этого пока не умеет.
Есть и ограничения в аналитике: ИИ не способен корректно оценивать результаты A/B-тестов, если данные не идеально чистые. Там по-прежнему нужна человеческая логика и статистическое мышление.
Какие нейросети вы используете в работе?
Основные — ChatGPT (через IDE и браузер), GitHub Copilot, а также специализированные решения вроде TestGPT и QA-плагинов наподобие QA Assistant. Для визуальных проверок используем Diffblue и Applitools — у них хорошо работает ИИ-сравнение интерфейсов.
Некоторые команды экспериментируют с Perplexity и Cursor — они помогают документировать тесты и проводить ревью автотестов. Для задач, где нельзя выносить данные во внешние сервисы, у нас есть локальная корпоративная модель — аналог LLaMA, обученный на внутренних данных.
Получается, искусственный интеллект стал полноценным членом команды?
Можно сказать и так. Он не заменяет тестировщика, но делает его работу в разы быстрее. Раньше многие процессы занимали часы, теперь — минуты. Главное, не воспринимать ИИ как магию: это просто мощный инструмент, который эффективен в руках человека, умеющего думать и анализировать.
