Автоматизация QA-процессов с помощью AI

Я — Таня Рашидова, QA тимлид в KODE. Я думала, что все тестировщики уже давно внедрили AI в автоматизацию тестирования в свою повседневную работу. Но недавно выяснила, что многие либо не пробовали, либо попробовали, запутались, не получили вау-результата и забросили. Раз уж я уже объяснила, как использую искусственный интеллект для написания тест-кейсов, нескольким коллегам, решила оформить опыт в статью. Может, кому-то из вас она сэкономит время и силы.

Лень — двигатель прогресса (в тестировании тоже)

У каждого QA-инженера в работе есть любимые задачи. Мне, например, в кайф тестировать API, анализировать поведение UI, искать баги — это всегда интересно. А вот писать тест-кейсы, чек-листы и прочую тест-документацию — утомительно. Это требует концентрации, занимает кучу времени и, честно говоря, не радует.

Когда я окончательно устала писать всё вручную, решила попробовать автоматизацию QA с помощью нейросети. В моём случае это была DeepSeek. Первые попытки были… ну, так себе. Но потом я нащупала систему, с помощью которой AI реально помогает, и теперь она у меня работает почти как конвейер.

Сразу оговорка: не верьте рилсам, где всё делается в один промт. Это магия монтажа. Реальность — это итерации. Делим задачу на части, уточняем, добавляем примеры, учим AI на ходу. Но результат — стоит того.

Для примера — простой экран

Для создания алгоритма генерации тест-кейсов с помощью AI возьмем не самый сложный экран, где есть много кнопочек. Это поможет настроить AI, показать ему, какой бывает функционал, какие паттерны заложены.

Шаг 1. Постановка задачи

Начинаю с того, что загружаю в DeepSeek скриншот экрана или описываю функциональность, для которой нужен чек-лист. Можно накидать ещё контекста: где этот экран используется, какие есть элементы управления и ожидаемое поведение.

AI быстро генерирует первый вариант чек-листа. Обычно это базовые проверки:

• отображение кнопок
• реакция на нажатие

• переходы по экранам

  Результат далёк от идеального, но это и не нужно — главное, чтобы был старт. Первый черновик даёт опору.

  Шаг 2. Уточнение требований

  Вот тут начинается самое интересное. Я перечитываю то, что сгенерировал AI, и вижу, что он:

• часто забывает про кнопки «Назад» и «Закрыть»

• не различает заголовки и интерактивные элементы
• не учитывает поведение иконок

• может игнорировать нестандартные паттерны

  Я пишу ему фидбек. И так — по пунктам. Иногда прямо расписываю, чего я жду. После нескольких итераций AI подстраивается и выдаёт то, что уже можно использовать в работе.

  Шаг 3. Форматирование и структура тест-кейсов

  Когда сам по себе чек-лист более-менее ок, я прошу AI привести его к нужному формату тест-кейса. Например:

• у нас есть уровни декомпозиции: сначала разделы, потом шаги внутри

• каждый пункт должен быть пронумерован
• текст — в определённом стиле (без «проверьте, что…» и прочего лишнего)

• структура: ID | Screen | Expected Result | Priority | Behavior

  Чтобы AI понял, как надо, я просто загружаю в чат шаблон или PDF с требованиями, и говорю: «делай так». К сожалению, поделиться нашими требованиями я не могу, но уверена, у вас есть собственные для каждого проекта.

  Если что-то идёт не так — даю примеры. Прямо пишу:

  Ты сделал: «1. Проверить отображение списка» А нужно: UI-LST-001 | Экран Настроек | Элемент "Список" отображается корректно | High | Positive

  Шаг 4. Добавление атрибутов чек-листа

  Следующий этап — добавляем метаинформацию. AI не всегда сам понимает, какие атрибуты нужны в чек-листе для QA. У нас, например, в каждой проверке должны быть:

• Priority (High / Medium / Low)

• Behavior Type (Positive / Negative)
• Component (для связи с модулями)

• иногда — Link to requirement

  Я либо пишу руками, что не хватает, либо показываю: «Вот ты сделал X, а должно быть Y». Часто использую фразу:

  «Ты делаешь хорошо, но мне нужно, чтобы ты делал, как на картинке»

  Показываю скрин. DeepSeek на это реагирует нормально.

  В итоге получаю уже почти финальный чек-лист, который по смыслу и форме соответствует нашим стандартам.

  Шаг 5. Экспорт тест-кейсов в TestRail, Qase и Allure TestOps

  Когда всё устраивает, экспортирую результат в формат, который можно закинуть в систему управления тестами.

  Самый удобный — CSV. AI сам генерирует таблицу, где:

• каждая строка — отдельная проверка

• все поля — на месте

• структура — готова для импорта в TestRail, Qase или Allure TestOps

  Можно, конечно, и в Markdown или JSON — зависит от того, куда дальше идёт документация.

  Рефлексия и нюансы использования AI в тестировании

  Первый раз у меня ушло где-то 40 минут — от скрина до готового чек-листа. Но теперь, когда AI обучен и диалог сохранён, всё делается в 3–5 раз быстрее.

  Важно не закрывать сессию, где вы уже провели итерации — потом можно использовать её как рабочую среду. AI помнит ваш стиль, структуру и требования.

  Что важно учесть при автоматизации QA с помощью AI

  AI редко даёт идеальный результат с первого раза. Каждый шаг — это цикл: прочитать, поправить, уточнить, сверить с ожиданиями. Без этого не обойтись.

  Слепо доверять AI не стоит. Он полезный, но сыроватый инструмент. Чтобы поймать косяки, нужно понимать, как выглядит хороший результат. Поэтому AI — для тех, кто уже умеет писать документацию руками.

  Шаблоны лучше подгонять под задачу. Один шаблон можно использовать на похожих экранах — но обязательно проверять. Новый проект? Придётся докрутить под его особенности. Всё равно быстрее, чем с нуля.

  Юридические риски — тоже важно учитывать. Если работаете под NDA, не сливайте реальные данные в AI-инструменты. Это может считаться разглашением. Лучше перестраховаться и обезличить чувствительную информацию.

  Если написание документации для вас тот еще квест — попробуйте автоматизацию тестирования с помощью AI. Да, потребуется немного повозиться с настройкой, но потом это превращается в реально удобный рабочий инструмент.

  Если уже используете AI в тестировании — делитесь своими приёмами в комментариях. Чем больше практик, тем быстрее индустрия выйдет из состояния «я всё сам руками» в нормальный, взрослый автоматизированный подход.

  FAQ: автоматизация QA с помощью AI

  Какой AI лучше использовать для написания тест-кейсов?

  В статье используется DeepSeek, но подход работает и с другими языковыми моделями — ChatGPT, Claude, GigaChat и аналогами. Главное не сама модель, а система итераций: постановка задачи, уточнение требований, форматирование и добавление атрибутов.

  Может ли AI полностью заменить QA-инженера в написании документации?

  Нет. AI ускоряет процесс, но не заменяет специалиста. Чтобы поймать ошибки и неточности в сгенерированном чек-листе, нужно самому понимать, как выглядит качественная тест-документация. AI — инструмент для тех, кто уже умеет писать тест-кейсы руками.

  Сколько времени занимает настройка AI под свои шаблоны тест-кейсов?

  Первая итерация — от скрина экрана до готового чек-листа — занимает около 40 минут. После того как AI «обучен» на конкретном диалоге и знает формат, структуру и требования проекта, процесс ускоряется в 3–5 раз.

  Безопасно ли загружать в AI данные проекта, если работаешь по NDA?

  Нет, если это реальные конфиденциальные данные. Загрузка чувствительной информации в AI-инструменты может считаться разглашением по NDA. Перед работой рекомендуется обезличивать данные или использовать тестовые/демо-примеры вместо реальных.

  В какой формат можно экспортировать тест-кейсы, сгенерированные AI?

  Самый удобный формат — CSV, он подходит для импорта в TestRail, Qase и Allure TestOps. Также можно экспортировать в Markdown или JSON — в зависимости от того, куда дальше загружается документация.

  Нужно ли каждый раз объяснять AI требования с нуля?

  Нет. Если не закрывать рабочую сессию/диалог, где уже прошли итерации уточнения, AI запоминает стиль, структуру и требования конкретного проекта. Один настроенный шаблон можно применять на похожих экранах, слегка адаптируя под новый контекст.