Сейчас всё больше говорят об использовании искусственного интеллекта в автоматизации тестирования.

ИИ уже умеет писать автотесты, анализировать ошибки и предлагать исправления кода.

Но есть проблема.

Представим ситуацию:

🔹 Автотест проверяет статус заказа. 🔹 Ожидаемый результат — \APPROVED. 🔹 API возвращает \PENDING. 🔹 Тест падает.

ИИ анализирует ошибку и предлагает изменить ожидаемый результат на \PENDING.

Тест снова зелёный. ✅

Но действительно ли проблема решена?

А что, если это не ошибка теста, а настоящий баг в системе?

Именно здесь становится интересным использование MCP (Model Context Protocol).

Благодаря MCP AI-агент может получать контекст из различных источников:

📚 Confluence — актуальные требования и бизнес-логика.

📋 Jira — задачи, изменения и связанные баги.

⚙️ API-документация — описание контрактов и ожидаемого поведения.

🧪 Репозиторий автотестов — существующие проверки и их реализация.

Теперь ИИ может не просто увидеть расхождение между ожидаемым и фактическим результатом, а попробовать разобраться в его причинах.

Например:

1. Найти актуальные требования. 2. Проверить, какое поведение API считается правильным. 3. Сопоставить требования с фактическим результатом. 4. Определить, что вероятнее: устаревший тест или дефект приложения. 5. Предложить обоснованное решение.

Конечно, окончательное решение остаётся за тестировщиком.

💡 На мой взгляд, настоящая ценность ИИ в тестировании — не в количестве сгенерированных автотестов, а в способности помогать QA принимать правильные решения.

ИИ должен помогать находить дефекты, а не просто делать все тесты зелёными.

❓ А вы уже используете MCP или AI-агентов в тестировании? Или пока ограничиваетесь ChatGPT и Copilot?

Интересно узнать о вашем опыте.

#QA #ТестированиеПО #АвтоматизацияТестирования #MCP #AI #API