Пока препятствия были техническими, мы хотя бы знали, где они. Человеческий фактор коварнее — он не бросается в глаза. Два примера из практики.

Качество тестовой документации. Раньше при написании тест-кейса по новой фиче формат описания предусловий и шагов, случайно пропущенные важные шаги были не столь критичны — коллега-автоматизатор додумает сам. Сейчас это критично всегда: по «сырому» кейсу автотест, конечно, будет написан, но переписывать его руками окажется дольше, чем написать всё с нуля. Классическое «мусор на входе — мусор на выходе», только теперь вход — это тест-кейс.

Ревью результата. Сгенерированный автотест нужно проверять, и это сложнее, чем ревью кода коллеги: ИИ-код выглядит аккуратно и идиоматично, поэтому ошибку надо искать не в синтаксисе, а в сути. Типичные ловушки:

— тест «проходит всегда», потому что фактически ничего не проверяет; — хрупкие ожидания, которые дадут флаки в CI; — дублирование шагов вместо выноса в общий слой; — тест проверяет реализацию, а не бизнес-результат.

Если ревью проводит специалист без опыта построения тестовых фреймворков, он этого не увидит — формально код работает. Заметить, где агент свернул не туда и какой паттерн действительно нужен продукту, под силу сеньору с глубоким знанием продуктов компании.

Мы ждали, что ИИ заберёт рутину, а получили зеркало: агент честно отражает качество наших процессов — кейсов, стандартов, ревью. Хорошая работа с документацией превращается в качественные автотесты, небрежная — в мусор.

Как отвечать зеркалу? Ответ на удивление консервативный: не изобретать нового, а довести до ума то, что всегда было правильным. С той разницей, что раньше это были «хорошие практики», а теперь — прямое условие работы ИИ.

Что мы выстроили вокруг агента:

— Чёткие стандарты ведения тестовой документации: кейс по стандарту — это качественный вход, а от входа напрямую зависит результат на выходе.

— Паттерны, скилы и ёмкие промпты — наше всё. Именно они сокращают мусорный код: агент пишет не «в среднем по интернету», а по правилам и образцам конкретного проекта.

— Экспертизу матёрого автоматизатора — специалиста, который не просто строит масштабируемые фреймворки, но и знает продукты компании: какой паттерн применить, а какой пойдёт вразрез с развитием продукта.

Именно опыт старшего специалиста позволяет отделить зёрна от плевел и превратить новые тесты не в источник падений, а в точку, где скорость умножается на качество. Это то, за что сеньорам всегда платили. Просто теперь цена ошибки без него — конвейер красиво написанного мусора.

ИИ не обесценил автоматизатора — он его переоценил, и вверх. Рутинное кодирование дешевеет, а дорожает умение проектировать фреймворк, выстраивать стандарты и контекст для агента, делать качественное ревью. Автоматизатор всё меньше пишет код и всё больше становится архитектурой окружения, в котором агент работает хорошо.

Мой скепсис сменил адрес: раньше я не верил, что машина сможет писать автотесты. Теперь вижу, что может, — и сомневаюсь в другом: хватит ли у команд терпения выстроить процессы и удержать специалистов, без которых машина превращается в генератор мусора.

Если такие специалисты в вашей команде есть — менеджмент ест свой хлеб не зря. Если нет — вот вам почва для размышлений.

#ИИвАвтотестах #автотесты #ИИ #тестирование #кодревью #QA #автоматизатор