ИИ в тестировании уже умеет составлять чек-листы, генерировать тестовые данные и набрасывать автотесты, но ответственность за качество продукта по-прежнему остаётся у QA-инженера. Это главный вывод новой книги тестировщика и преподавателя Ольги Назиной «Тестирование с помощью искусственного интеллекта», о которой сообщает Habr / Карьера.
Повод вполне своевременный: разговоры о том, что нейросети вот-вот оставят IT без «кожаных мешков», добрались до каждой роли в разработке. Тестирование выглядит особенно удобной мишенью для автоматизации: здесь есть требования, сценарии, таблицы, логи, API-ответы и повторяющиеся проверки. Языковая модель действительно способна быстро обработать всё это и выдать правдоподобный результат. Проблема в одном неприятном для любителей магии слове — «правдоподобный» не значит «верный».
Назина работает в тестировании более 20 лет, провела свыше 300 курсов для QA-специалистов и ранее выпустила книги о тестировании, тест-дизайне, баг-трекинге и SQL. В новой работе она начинает с базовых вещей: как устроены текстовые модели, зачем нужен хороший промпт и почему модель может уверенно сообщить неверный ответ. Но основная часть посвящена не устройству нейросетей, а рабочим задачам, которые тестировщик встречает почти ежедневно.
Например, ИИ можно попросить подготовить чек-лист для поиска на сайте вакансий, проверки API-метода или операции с балансом банковской карты. Модель также может помочь выделить классы эквивалентности и граничные значения, построить схему состояний для жизненного цикла заказа, собрать таблицу решений и оформить черновик баг-репорта. Это не отменяет тест-дизайн: скорее, даёт специалисту очень быстрого стажёра, который пишет без устали, зато может не заметить очевидное ограничение в требованиях.
Практическая ценность такого подхода — в экономии времени на первом проходе. QA получает не пустой лист, а материал для проверки и доработки. Особенно полезно это для задач, лежащих на стыке ролей: подготовить REST- или SOAP-запрос, разобраться с JSON и XML, написать SQL-скрипт, понять команду Linux или собрать HTML-таблицу по скриншоту. Для начинающего специалиста нейросеть может стать терпеливым собеседником; для опытного — ускорителем рутинных операций. В обоих случаях отправлять её ответ в продакшен без проверки — плохая идея.
Отдельный блок книги посвящён автоматизации. Автор разбирает использование ChatGPT при подготовке автотестов для Postman и Selenium, работе с CSS- и XPath-селекторами, регулярными выражениями, Git, сборкой проектов и Jenkins. Здесь хорошо видна граница возможностей модели: она может объяснить незнакомый синтаксис, предложить вариант селектора или каркас теста, но не знает фактического состояния вашей инфраструктуры, договорённостей команды и скрытых рисков конкретной системы.
В книге намеренно показаны не только удачные диалоги с ИИ. В разделе о SQL есть предупреждение о случаях, когда «робот косячит», а среди примеров с Jenkins описана ошибка установки, с которой модель не помогла. Это важнее десятка скриншотов с красивыми ответами: генеративная модель не признаётся в незнании автоматически. Она продолжит достраивать вероятный ответ, даже если для решения не хватает контекста, версии инструмента или доступа к реальным данным.
Для команд разработки это означает довольно приземлённую вещь. ИИ в тестировании стоит включать в процесс как инструмент черновой подготовки: для генерации идей, шаблонов, данных, документации и кода с обязательным ревью. Нужны правила работы с чувствительной информацией, понятный порядок проверки результатов и понимание того, какие артефакты нельзя бездумно отдавать внешней модели. Иначе выигрыш в нескольких минутах на чек-листе легко превратится в часы расследования дефекта или утечки.
Книга написана не в формате сухого учебника: задачи обсуждают тестировщица Катя и виртуальный помощник Бобик, а автор ориентировалась на разговорную и иллюстрированную манеру серии Head First. Этот выбор логичен для аудитории, которой нужно не академическое введение в машинное обучение, а набор воспроизводимых приёмов для работы. Главный навык, который придётся развивать QA в ближайшие годы, — не умение нажать кнопку генерации, а способность быстро распознать слабый ответ, задать уточняющий вопрос и проверить результат в контексте продукта. Именно здесь ИИ в тестировании пока не заменяет человека, а повышает цену его инженерного мышления.