2026 год. Классический QA трансформируется

Если раньше путь был "ручное тестирование → автоматизация → SDET", то сейчас всё чаще вижу другой вектор: QA → AI/Data Engineer.

Почему? AI-инструменты уже закрывают большую часть традиционных задач:

Анализ документации и генерация тест-кейсов — Claude, GPT справляются за минуты

Написание автотестов по готовым сценариям — копилоты делают это на лету

Поддержка тестовой инфраструктуры — всё больше no-code/low-code решений

Ценность смещается. Не "умею писать автотесты", а "умею строить системы оценки качества AI". Не "знаю Selenium", а "понимаю, как валидировать LLM-выходы".

Вот как выглядит эта эволюция на практике:

Этап 1: Ручное тестирование “Отправил запрос — посмотрел ответ — вроде ок” Не масштабируется. Субъективно. Пропускаешь edge cases.

Этап 2: Автотесты (pytest) Фиксируешь ожидаемые ответы, сравниваешь. Проблема: LLM не детерминированы. Один и тот же вопрос → разные ответы.

Этап 3: Evaluation frameworks - DeepEval, RAGAS, LangSmith.

- Метрики: faithfulness, hallucination, relevancy, toxicity.

-Уже не “правильно/неправильно”, а “насколько хорошо”.

Этап 4: Data-centric подход Понимаешь что 80% качества — это данные. Не код фреймворка, а: → Какие тест-кейсы подаёшь → Какой ground truth для сравнения → Как покрываешь edge cases

Сейчас работаю над инструментом который упрощает этот путь.

Интересно кому-то почитать про это подробнее? Дайте знать — напишу серию постов.

#QA #AI #vibegineering