Podczas kolejnego spotkania z cyklu TTMS Tech Talks zajęliśmy się wpływem sztucznej inteligencji na pracę testerów oprogramowania. Prezentację „Czy AI zabierze pracę testerom? Fakty, mity i przyszłość QA” poprowadziła 20 października 2026 roku Małgorzata Struzik, QA Engineer w TTMS.
Małgorzata przyjrzała się zadaniom, w których AI może wspierać testerów, i podzieliła się doświadczeniami z samodzielnego sprawdzania jednego z narzędzi. Jej wystąpienie otworzyło dyskusję o przyszłości zawodu, współpracy testerów z programistami oraz kompetencjach potrzebnych do korzystania z AI w projektach IT.
1. Jak AI wspiera codzienną pracę testerów?
Co właściwie robi tester oprogramowania? Jeśli przed oczami masz osobę, która klika kolejne przyciski i sprawdza, czy aplikacja działa, widzisz tylko część jej pracy. Zanim zespół odpowiedzialny za zapewnienie jakości oprogramowania (QA) rozpocznie testy, musi zrozumieć, jak system ma działać, kto będzie z niego korzystał i jakie skutki może mieć błąd. Tester ustala, co i w jaki sposób sprawdzić, szuka niejasności w wymaganiach i przewiduje sytuacje, które mogą sprawić użytkownikom trudność. Gdy znajdzie problem, opisuje go tak, aby programista mógł go odtworzyć i ustalić przyczynę.
Gdzie w tej pracy przydaje się AI? Można poprosić ją o propozycje przypadków testowych, czyli opisy tego, co należy sprawdzić, jakie czynności wykonać i jaki powinien być wynik. Może też pomóc w napisaniu testu automatycznego, analizie logów, czyli zapisów zdarzeń w systemie, albo przygotowaniu danych do testów. Takie wsparcie pozwala testerowi szybciej przygotować materiały do pracy.
Przyjrzyjmy się propozycjom przypadków testowych. AI potrafi w krótkim czasie przygotować uporządkowany zestaw, w którym każdy przypadek ma opisane kroki i oczekiwany wynik. Łatwo wtedy uznać, że można już z niego korzystać. Tester znający aplikację może jednak zauważyć, że opisany proces przebiega w firmie inaczej albo że zabrakło sprawdzenia, co się stanie po podaniu błędnych danych. Wraca więc do wymagań, wyjaśnia wątpliwości i poprawia propozycje AI.
Szersze omówienie zastosowań AI przy tworzeniu, wykonywaniu i utrzymaniu testów znajduje się w naszym przewodniku po AI w automatyzacji testów. Dobrym punktem wyjścia są czynności, które zajmują zespołowi dużo czasu i których wynik można rzetelnie sprawdzić.
2. Od wymagań do przypadków testowych – AI w praktyce
Na potrzeby spotkania Małgorzata przeprowadziła własną próbę. Poprosiła ChatGPT o przygotowanie rozbudowanego wymagania opisującego sposób korzystania ze strony internetowej, a następnie przekazała ten opis do generatora AI w narzędziu do zarządzania testami. Rozwiązanie wybrała na podstawie naszego zestawienia 10 najlepszych narzędzi AI dla testerów.
Narzędzie szybko przygotowało przypadki testowe. Małgorzata mogła na bieżąco czytać kolejne propozycje, a po ich zapisaniu miała przed sobą uporządkowany zestaw. Przy każdym przypadku widniała informacja, że został wygenerowany przez AI. Jak oceniła ten wynik? Podczas dyskusji wyjaśniła, że każdy z zaproponowanych testów trzeba jeszcze porównać z wymaganiami: „Człowiek będzie musiał zweryfikować po kolei każdy test case i sprawdzić, czy on się zgadza z wymaganiami, a to też wymaga czasu”.
Małgorzata zaznaczyła, że była to krótka próba, a przygotowane wymagania nie były szczegółowo dopracowane. Ich opis powstał z pomocą ChatGPT. W rzeczywistym projekcie należałoby więc najpierw sprawdzić, czy odpowiada on temu, czego firma i użytkownicy potrzebują od aplikacji. Jeśli zabraknie w nim istotnej zasady, wygenerowane testy też mogą ją pominąć. Będą wtedy zgodne z opisem, lecz nie sprawdzą wszystkiego, co powinny.
Uwaga Małgorzaty o konieczności sprawdzenia każdej propozycji prowadzi do pytania: ile czasu można w ten sposób zaoszczędzić? Żeby to ocenić, trzeba uwzględnić przygotowanie opisu, wygenerowanie przypadków testowych, ich przeczytanie i poprawienie. Łączny czas tej pracy można następnie porównać z czasem potrzebnym na samodzielne przygotowanie podobnego zestawu. Oszczędność pojawia się wtedy, gdy cały ten proces zajmuje mniej czasu, a gotowe testy równie dobrze sprawdzają wymagania.
3. Dlaczego test zakończony sukcesem może dawać fałszywe poczucie bezpieczeństwa?
Sprawdzenia wymagają również testy automatyczne tworzone z pomocą AI. Czy aplikacja może przejść je wszystkie i nadal działać nieprawidłowo? Małgorzata zwróciła uwagę na taką możliwość. Jeśli test uznaje błędne zachowanie aplikacji za poprawne, zakończy się sukcesem, mimo że funkcja działa niewłaściwie. Zestaw testów może też pomijać istotną funkcję lub zasadę działania systemu.
Podobnie jest z chlebem na ilustracji: ma złocistą skórkę i dobrze wypieczony środek, więc pod tym względem wszystko się zgadza. Miał być jednak bezglutenowy, a do jego przygotowania użyto mąki pszennej. Sprawdzenie wyglądu i stopnia wypieczenia nie wystarczyło, by potwierdzić, że spełnia podstawowe wymaganie.
W oprogramowaniu podobny problem może dotyczyć raportu finansowego dostępnego tylko dla wybranych pracowników. AI przygotowuje test: użytkownik klika przycisk, raport się otwiera. Test kończy się sukcesem. Wszystko wygląda dobrze, dopóki ktoś nie zapyta: a co, jeśli ten sam przycisk kliknie pracownik, który nie powinien mieć dostępu do tych danych? Jeśli nikt tego nie sprawdził, nadal nie wiadomo, czy aplikacja właściwie chroni raport.
Dlatego tester przeglądający propozycje AI wraca do wymagań i sprawdza:
- czy każde wymaganie ma odpowiadający mu test;
- czy w testach prawidłowo opisano, jak aplikacja powinna się zachować;
- czy przewidziano błędne dane, brak uprawnień i sytuacje wyjątkowe;
- czy sprawdzono funkcje, których awaria byłaby najbardziej dotkliwa dla użytkowników i firmy.
Znajomość pracy użytkowników pomaga dostrzec takie braki. Tester, który wie, kto korzysta z raportu i do czego służą zawarte w nim dane, potrafi zadać dodatkowe pytania i uzupełnić zestaw. Dzięki temu testy sprawdzają również to, co ma znaczenie w codziennym korzystaniu z aplikacji.
4. Jak AI może zmienić podział pracy między testerami a programistami?
A jak korzystanie z AI może wpłynąć na podział pracy w zespole? Jeden z uczestników spotkania zaproponował, by wyobrazić sobie dwie osoby, z których każda potrafi zarówno napisać kod, jak i go przetestować. Przy jednym zadaniu pierwsza przygotowuje zmianę, a druga sprawdza jej działanie. Przy kolejnym zamieniają się rolami, korzystając ze wsparcia AI. Taki sposób pracy wymagałby nauki po obu stronach. Testerzy rozwijaliby umiejętności programistyczne, a programiści poznawaliby dokładniej techniki testowania. Nadal potrzebne byłoby też spojrzenie drugiej osoby, która może zauważyć błąd lub zakwestionować założenia autora. Możliwość zastosowania takiego modelu zależałaby od konkretnego projektu, doświadczenia zespołu i zasad weryfikacji oprogramowania.
W rozmowie pojawił się również inny pomysł: najpierw zespół przygotowuje testy opisujące, jak aplikacja powinna działać, a następnie AI na ich podstawie generuje kod. To kieruje uwagę na precyzję testów. Jeśli zabraknie w nich ważnej reguły, wygenerowany program może przejść wszystkie sprawdzenia i nadal nie spełniać potrzeb użytkowników.
Oba scenariusze pokazują, dlaczego w zespołach IT przydaje się wzajemne rozumienie swoich zadań. Testerowi znajomość kodu pomaga ustalić przyczynę błędu, a programiście wiedza o testowaniu ułatwia przewidzenie problemów jeszcze podczas pisania funkcji. Więcej o tych zmianach piszemy w artykule o tym, jak AI zmienia pracę programistów, testerów i analityków w 2026 roku.
5. Jak przygotować zespół QA do pracy z AI?
Od czego zacząć naukę pracy z AI? Pod koniec spotkania uczestnicy sami zgłosili potrzebę praktycznego szkolenia. Chcieli zobaczyć, jak korzystać z narzędzi, formułować polecenia i sprawdzać otrzymane odpowiedzi. Zaproponowali też osobne spotkania poświęcone pracy z czatami i wykorzystaniu AI do programowania, aby każdy mógł poznać przykłady przydatne w swoich zadaniach.
Takie szkolenie można oprzeć na jednym konkretnym zadaniu, na przykład wspólnym przygotowaniu przypadków testowych dla wybranej funkcji aplikacji. Zespół zaczyna od uzgodnionego wymagania, przekazuje je AI, a następnie omawia otrzymane propozycje. Wtedy można zobaczyć, co narzędzie uwzględniło, co pominęło i ile pracy wymaga doprowadzenie testów do postaci, którą można zaakceptować.
Przy takim zadaniu warto od razu ustalić kilka zasad:
- Z jakich narzędzi korzystamy? Pracownicy powinni wiedzieć, które rozwiązania zostały dopuszczone do pracy w danym projekcie.
- Jakie dane możemy im przekazać? Wymagania, kod i dokumentacja mogą zawierać poufne informacje. Zakres ich wykorzystania musi odpowiadać zasadom firmy i klienta.
- Kto sprawdza wynik? Potrzebna jest osoba, która oceni wygenerowane materiały i zdecyduje, czy nadają się do dalszej pracy.
- Co sprawdzamy przed akceptacją? Zespół powinien uzgodnić kryteria, takie jak zgodność z wymaganiami, poprawność oczekiwanych wyników i uwzględnienie istotnych sytuacji wyjątkowych.
W rozmowie padło również pytanie o odpowiedzialność za kod przygotowany z pomocą AI. Uczestnicy wyjaśnili, że w ich projektach osoba zatwierdzająca zmianę odpowiada za jej sprawdzenie niezależnie od sposobu jej powstania. Dlatego nauka korzystania z AI powinna obejmować również ocenę i poprawianie jej propozycji.
Co zatem z przyszłością testerów? Podczas spotkania pojawiły się różne scenariusze, a każdy prowadził do rozmowy o potrzebie rozwijania umiejętności. AI może pomóc przygotować testy czy przeanalizować kod. Do wykorzystania tych wyników potrzebni są ludzie, którzy rozumieją aplikację, potrafią dostrzec braki i wiedzą, o co jeszcze zapytać. Do tej potrzeby uczenia się Małgorzata odniosła się już podczas dyskusji o przyszłości zawodu: „Czyli tak naprawdę musimy być otwarci na naukę”.
Jeśli chcesz dowiedzieć się więcej o wykorzystaniu AI w testowaniu oprogramowania, poznaj QATANA – narzędzie TTMS do zarządzania testami oprogramowania wspierane przez AI. Z naszym zespołem możesz omówić możliwości zastosowania tego rozwiązania w swoim projekcie.
FAQ
Czym różni się zapewnienie jakości (QA) od testowania oprogramowania?
Zapewnienie jakości, czyli QA, obejmuje działania pomagające zapobiegać problemom na różnych etapach tworzenia oprogramowania. Testowanie polega na sprawdzaniu produktu i wykrywaniu nieprawidłowości. Do działań QA można zaliczyć przegląd wymagań, ustalenie standardów pracy czy usprawnienie sposobu weryfikowania zmian przed publikacją. Testy dostarczają informacji o tym, jak aplikacja zachowuje się w określonych warunkach. Dla firmy oba obszary są istotne: wyjaśnienie nieporozumień na początku projektu ogranicza późniejsze poprawki, a testowanie pomaga wychwycić problemy w gotowym rozwiązaniu.
Czym różni się scenariusz testowy od przypadku testowego?
Scenariusz testowy opisuje sytuację lub czynność, którą należy sprawdzić, na przykład zakup produktu w sklepie internetowym. Przypadek testowy zawiera bardziej szczegółowe informacje: warunki początkowe, dane, kolejne czynności i oczekiwany wynik. Jeden scenariusz może wymagać kilku przypadków testowych uwzględniających różne zakończenia tego samego procesu. Przy zakupie będą to na przykład udana płatność, odrzucona transakcja albo przerwanie połączenia podczas składania zamówienia. Warto uzgodnić znaczenie tych pojęć w zespole, ponieważ sposób ich używania może różnić się między projektami i narzędziami.
Czy AI może pomóc w testowaniu starszego systemu z niepełną dokumentacją?
AI może pomóc uporządkować dostępne informacje oraz zaproponować pytania i wstępne przypadki testowe. Źródłem mogą być instrukcje użytkownika, wcześniejsze zgłoszenia błędów, zgłoszenia do pomocy technicznej i istniejące testy. Największą trudnością jest ustalenie, jak system rzeczywiście powinien działać. Starsze aplikacje często zawierają obejścia problemów lub błędy, do których użytkownicy zdążyli się przyzwyczaić. Opisanie obecnego zachowania jako poprawnego mogłoby utrwalić te nieprawidłowości w nowych testach. Dlatego oczekiwane działanie powinni potwierdzić użytkownicy biznesowi i osoby odpowiedzialne za rozwój systemu. Najlepiej zacząć od jednego dobrze znanego procesu, którego zasady można wiarygodnie zweryfikować.
Czym są niestabilne testy i dlaczego warto je sprawdzać przy korzystaniu z AI?
Niestabilne testy, określane jako flaky tests, raz kończą się sukcesem, a innym razem niepowodzeniem, mimo że sprawdzany kod się nie zmienił. Przyczyną mogą być różnice w czasie wykonywania operacji, współdzielone dane testowe, problemy ze środowiskiem lub zależność od zewnętrznych usług. Takie wyniki wymagają dodatkowej analizy i utrudniają odróżnienie błędu aplikacji od problemu z samym testem. Kod testów wygenerowany przez AI również może zawierać takie słabości. Jednorazowe poprawne wykonanie nie wystarcza więc do oceny jego niezawodności. Warto sprawdzić powtarzalność wyników i wyjaśnić przyczyny nieregularnych niepowodzeń. W przeciwnym razie czas zaoszczędzony podczas tworzenia testów może zostać zużyty na ich późniejsze utrzymanie.
Co sprawdzić przed związaniem się z dostawcą narzędzia AI do testowania?
Warto ustalić, czy firma zachowa dostęp do efektów swojej pracy, jeśli w przyszłości zdecyduje się zmienić narzędzie. Dotyczy to możliwości eksportu przypadków testowych, wyników, powiązań z wymaganiami i historii zmian. Przy generowaniu testów automatycznych ważne jest również to, czy ich kod można uruchamiać i rozwijać poza usługą danego dostawcy. Należy sprawdzić, które funkcje wymagają aktywnej subskrypcji lub korzystania z zamkniętych komponentów. Podczas oceny rozwiązania dobrze jest wyeksportować niewielki zestaw materiałów i sprawdzić, czy da się go wykorzystać w innym środowisku. Pozwala to oszacować nakład pracy związany z ewentualną migracją i ograniczyć ryzyko utraty przygotowanych zasobów.
