Искусственный интеллект сначала пришел в разработку как помощник программиста, а теперь перестраивает соседний контур - тестирование. Для бизнеса это закономерный этап. Чем быстрее компании генерируют и изменяют код, тем выше нагрузка на QA-инженер (тестировщика). Исследовательский отчет DORA 2025 от компании Google показало, что ИИ уже используют 90% опрошенных технологических специалистов, более 80% отмечают рост производительности. Но более активное применение ИИ связано не только с ростом пропускной способности разработки, но и с повышением нестабильности поставки ПО: часть экономии времени на создании кода переносится на аудит и проверку.
Поэтому профессия тестировщика не исчезает, а меняет содержание. Модель, в которой специалист вручную составляет тест-кейсы, запускает проверки и разбирает ошибки, дополняется ИИ-агентами. Они получают цель на естественном языке, анализируют требования и приложение, создают сценарии, запускают тесты, изучают логи и при изменении интерфейса способны корректировать часть проверок самостоятельно.
Тренд уже заметен по продуктам крупных поставщиков. Компания BrowserStack в 2025 г. на своей одноименной платформе для тестирования кода представила ИИ-агент для генерации тест-кейсов, low-code-автоматизации, анализа сбоев, автоматического восстановления тестов и визуального контроля. Компания заявляет, что ее ИИ-агент сокращает время подготовки тестов более чем на 90%.
Международная ИТ-компания Tricentis развивает в своем продукте Tosca ИИ-агента для автоматизированного тестирования, а также протокол MCP, через который ИИ-агенты взаимодействуют с инструментами тестирования. Похожая логика развивается и в Playwright - открытом фреймворке Microsoft для автоматизированного тестирования веб-приложений. Он позволяет программно управлять браузером: открывать страницы, нажимать кнопки, вводить данные и проверять работу интерфейса так, как это делает обычный пользователь. В Playwright применяется схема из трех ИИ-агентов. Первый анализирует приложение и составляет план проверки, второй на его основе автоматически создает тесты, а третий запускает их и при необходимости исправляет тесты, которые перестали работать после изменений в программе.
Другой подход предлагает компания-разработчик Katalon. В своем ИИ-инструменте TrueTest анализирует реальные пользовательские маршруты, сопоставляет их с тестовым покрытием и генерирует проверки для обнаруженных пробелов. В 2025 г. компания также сообщала о новых ИИ-возможностях на базе сервисов Amazon и оценивала сокращение продолжительности тестирования до 60%, или примерно на 25 часов за спринт.
На этом фоне тестировщик все меньше похож на оператора набора сценариев и все больше - на архитектора контроля качества. Его задачей становится определить, что необходимо проверить, какие риски критичны для бизнеса, достаточны ли данные и покрытие и где нужна независимая ручная проверка. При этом широкое внедрение генеративных инструментов по-прежнему сдерживается вопросами надежности и точности их результатов. В опросе Stack Overflow 2025 г. 46% разработчиков сообщили, что скорее не доверяют точности ИИ, 66% назвали проблемой ответы, которые оказываются «почти правильными», а 45% отметили дополнительные затраты времени на отладку сгенерированного кода.
По мнению Ильнура Ильдаровича Хасанова, кандидата технических наук, доцента кафедры информационных технологий Факультета информационных технологий и анализа больших данных Финансового университета при Правительстве Российской Федерации, переход к агентному тестированию меняет саму единицу автоматизации: раньше автоматизировался отдельный тест, теперь - цикл от интерпретации требования до анализа результата. Поэтому ключевой компетенцией специалиста становится способность задавать критерии качества и контролировать автономную систему.
Экономический эффект от внедрения ИИ в тестирование связан прежде всего с сокращением доли рутинных операций. Если автоматизация позволяет вдвое уменьшить время, которое специалист тратит на создание, актуализацию и первичный анализ тестов, то при двухнедельном спринте можно высвободить около 20 часов рабочего времени. В год это дает примерно 520 часов на одного специалиста, которые могут быть перераспределены на проверку сложных сценариев, анализ критических дефектов и контроль качества релизов. Итоговая эффективность зависит от стоимости лицензий, интеграции и обучения персонала, поэтому наибольший экономический эффект такие решения дают в проектах с большим объемом регрессионного тестирования и частыми релизами.
По мнению Алексея Николаевича Чернякова, кандидат философских наук, доцента кафедры информационных технологий Факультета информационных технологий и анализа больших данных Финансового университета при Правительстве Российской Федерации, главным ограничением автономного QA-инженера остается вопрос ответственности: ИИ-агент способен предложить и выполнить проверку, но бизнесу по-прежнему нужен специалист, который понимает последствия пропущенного дефекта и оценивает качество не только технически, но и с точки зрения пользовательского и бизнес-сценария.
Поэтому ближайшая трансформация профессии тестировщика выглядит не как замена человека алгоритмом. Исчезает часть ручной рутины, а приоритет в работе смещается к постановке задач ИИ-агенту, проектированию количества тестов, анализу рисков, контролю данных и верификации работы ИИ-агентов. Чем больше кода компании будут производить с помощью ИИ и вайб-кодинга, тем выше станет спрос не просто на тестирование, а на управляемый контур доверия к программному продукту.