Тестировщик против машины: новая экономика QA в эпоху генеративных моделей

Благодаря современным фреймворкам, облачным решениям и нейросетям разработчики стали писать код в разы оперативнее. Так, согласно исследованиям GitHub и McKinsey, AI-ассистенты ускорили написание кода на 35–55%. Однако до эксплуатации этот код быстрее доезжать не стал. Это подтверждают исследования Faros AI и Atlassian: бутылочным горлышком разработки стали отделы контроля качества, превратившиеся в самый ресурсоемкий этап Delivery-пайплайна. Он включает планирование, распределение ресурсов, управление рисками и координацию команд. 

Представьте: команда решила добавить в приложение новую кнопку. Сначала аналитики продумывают, где она появится, как будет выглядеть и что произойдет при нажатии. Затем разработчики пишут код. После — тестировщики проверяют, все ли работает корректно. И только потом обновление «сшивается» с рабочей версией продукта и публикуется для пользователей. 

И сегодня именно этап проверки качества требует больше всего времени и мощностей, сводя на нет преимущества ускоренной разработки. 

Борис Лопатухин, генеральный директор компании «Легалтэк», рассказал, как генеративный ИИ фундаментально ломает и перестраивает юнит-экономику разработки.

Сегодня классические тестировщики вынужденно трансформируются из линейных «искателей багов» в операторов нейросетей. Бизнес же получает шанс радикально срезать время от идеи до вывода нового продукта на рынок и оптимизировать фонд оплаты труда.

Долгое время у ИТ-директоров было лишь два пути:

1. Тестирование вручную. Это дорого, медленно и нерентабельно в долгосрочной перспективе: с каждым новым релизом объем регрессионного тестирования растет, а на проверки перед релизом уходит до 30–40% времени всего спринта.
2. Автоматизация процессов. На первый взгляд, это выглядело как спасение, однако на практике привело к новой проблеме — колоссальным затратам на поддержку. Классические автотесты невероятно хрупки. Например, стоит дизайнеру изменить цвет или расположение кнопки, поменять селектор в коде — и весь пайплайн становится «красным». Инженеры тратят рабочее время на починку тестов, хотя сама бизнес-логика приложения не сломалась. Поэтому бизнес стал платить разработчикам автотестов за обслуживание их собственного кода, а не за качество продукта.

Вмешательство больших языковых моделей меняет саму парадигму проверок. Нейросети научились генерировать тестовые сценарии не просто абстрактно, а напрямую из Agile-требований. Например, машина читает тикет в трекере (Jira, Yandex Tracker), понимает бизнес-логику «пользователь с просроченной подпиской не должен иметь доступа к премиум-каталогу» и автоматически формирует цепочку проверок.

Но главная революция кроется в концепции самовосстанавливающихся тестов. ИИ способен понимать контекст интерфейса визуально или через DOM-дерево (иерархическую структуру всех элементов и тегов веб-страницы в коде).

Традиционное автоматизированное тестирование работает по жестким сценариям. Вы заранее прописываете каждый шаг: куда кликнуть, какой результат ожидать, как интерпретировать ответ системы. Но если, например, разработчик сместил кнопку на десять пикселей,то автотест, настроенный на точные координаты, просто перестает работать. Тестировщик тратит время на поиск причины сбоя и ручную корректировку скрипта.

Системы на базе искусственного интеллекта действуют иначе. Они анализируют интерфейс как целостную структуру: распознают логическое расположение элементов и понимают, какое действие должно следовать за нажатием каждой кнопки. Если результат не соответствует ожиданиям, такая система самостоятельно выясняет причину — возможно, элемент сдвинулся и адаптирует тест на лету.

Это особенно ценно в реальных условиях разработки, где изменения далеко не всегда документируются.

Таким образом, ценность новых инструментов заключается в отказе от жестких привязок. Машине больше не нужно указывать точные координаты или технические атрибуты элемента. Этот подход снижает затраты на поддержку автотестов на 70–80% и позволяет проверять сложную бизнес-логику без сбоев из-за редизайна.

Если перевести эти технологические сдвиги на язык цифр, становится понятно, почему инвесторы и собственники бизнеса так активно давят на интеграцию ИИ.

Традиционно на ИТ-рынке стандартом считалось соотношение инженеров по качеству к разработчикам как 1:3 или 1:4 (на трех-четырех программистов нужен один тестировщик). 

Раньше на тестирование закладывали значительное время: живой человек вручную проверял каждый сценарий. Теперь этот этап проходит в разы быстрее, поскольку тестирование стало частью самой разработки. Затраты на API-токены (даже самых продвинутых моделей) для прогона тысяч сложных тестовых сценариев исчисляются десятками, редко сотнями долларов в месяц ($50–$200 на команду).

Кроме того, часть расходов на зарплаты тестировщиков сокращается. Однако полностью отказаться от специалистов тоже нельзя: там, где требуется понимание смежных систем и нестандартный подход, живые эксперты по-прежнему незаменимы. Для наглядности, стоимость Senior QA Automation инженера, который самостоятельно пишет эти же скрипты, составляет $3 000 – $5 000 в месяц (без учета налогов и соцпакета).

ИИ берет на себя рутину по генерации и актуализации тестов, позволяя одному высококвалифицированному QA-архитектору управлять качеством кода, который производят десять программистов. Юнит-экономика процесса разработки становится в разы эффективнее.

У ИИ остаются и слепые зоны, где он пока абсолютно бессилен. Например, модель в облаке не сможет проверить, как поведет себя мобильное приложение, если пользователь зайдет в лифт и связь переключится с 5G на Edge, или если локальное хранилище устройства внезапно переполнится.

У искусственного интеллекта нет UX и эмпатии. Самый простой пример, ИИ проверит, что кнопка нажимается. Но он не скажет, что ее анимация вызывает раздражение, а шрифт сливается с фоном при ярком солнечном свете. Добавим сюда склонность нейросетей к галлюцинациям — они по-прежнему могут «выдумывать» успешные результаты тестов, которых не было. 

Для индустрии это означает, что базовое ручное тестирование фактически уходит в прошлое. Будущее — за QA-архитекторами нового типа. Их задача уже не кликать по кнопкам, а настраивать алгоритмы, обучать модели на специфике конкретного продукта и интерпретировать машинные метрики. Человек больше не исполнитель — он стратег и контролер.