Как в «СВОЙ Тех» сократили подготовку к тестированию на 70% с помощью AI-агентов
Внедрение началось не с AI, а с регламентов оценки задач и учёта рабочего времени QA. После появления данных команда увидела, что значительная часть времени уходит не на сами проверки, а на чтение требований, поиск документации, разбор бизнес-логики, подготовку сценариев и оценку объёма тестирования.
Вместо одного промпта команда собрала цепочку из трёх агентов: координатор управляет процессом, агент исследования требований извлекает и структурирует данные из Jira, Confluence и вложений, а агент тест-дизайна готовит сценарии, ветки логики, critical path и регрессионные проверки. В типовой задаче на 4 часа подготовка сокращается до 1–2 часов: около часа экономится на сборе и анализе требований, ещё около двух — на создании первичной тестовой модели.
AI не заменяет QA-инженера: человек проверяет чек-листы, сужает избыточные сценарии и принимает финальные решения. В финтех-контексте отдельно ограничили доступ агентов к данным: для Confluence используется пользователь с ограниченной ролью, агенты работают только с явно переданными источниками и следуют принципу минимально необходимого доступа.
Коротко
- В «СВОЙ Тех» AI-агентов применили для двух QA-процессов: эстимации тестирования и подготовки тестовой документации.
- Система состоит из трёх ролей: Workflow Coordinator, Requirements Researcher и QA Test Design Architect.
- По внутренним оценкам команды, подготовка к тестированию в типовой задаче на 4 часа сокращается до 1–2 часов.
- Главный практический эффект — не только экономия времени, но и раннее выявление пробелов, противоречий и неполных бизнес-правил.
- Ограничение кейса: AI может расширять область проверок сверх нужного, поэтому ревью и финальная оценка остаются за QA-инженером.
FAQ
Зачем QA-команде понадобились AI-агенты, если финальные тесты и решения всё равно остаются за инженером?
AI-агенты снимают с QA часть подготовительной аналитики: сбор требований, поиск связанной документации, первичную структуру сценариев и оценку покрытия. Инженер после этого проверяет результат и принимает финальные решения.
Какие источники данных использует агентская цепочка при подготовке требований и тестовой модели?
В описанном кейсе агенты работают с Jira-тикетом, acceptance criteria, связанными страницами Confluence, вложениями и явно переданными документами. Внешние данные в процесс не добавляются.
Почему AI-агентам нельзя полностью доверить оценку объёма тестирования и формирование чек-листа?
Агенты могут строить слишком широкое покрытие и включать проверки, которые не нужны для конкретной небольшой задачи. Поэтому QA-инженер должен сузить сценарии и убрать избыточность.
Читайте также
LLM-агент для поиска свободных доменов: автоматизация подбора- Когда, зачем и как правильно начинать новую сессию в Claude Code
- Как я локально тестировал новый Qwen 3.6 и Gemma 4
- Как мы построили AI-экзоскелет для QA-инженера: от идеи до 11 автономных агентов
- Как Meta* убила Llama, чтобы спасти свой ИИ-бизнес
- Перед внедрением AI в QA нужно измерить реальную структуру работы: AI-автоматизация в QA даёт смысловой эффект только после того, как команда понимает, куда уходит время инженеров. В кейсе сначала ввели регламенты оценки задач и учёта рабочего времени, а уже затем увидели, что основной резерв лежит не в запуске тестов, а в анализе требований, поиске документации и подготовке тестовых сценариев.
[QA / Аналитика процессов]
Зарегистрированные пользователи видят только два тезиса.
Зарегистрироваться
В «СВОЙ Тех» описали кейс внедрения AI-агентов в QA: система собирает требования из Jira, Confluence и вложений, помогает строить тестовое покрытие и, по внутренним оценкам команды, сокращает подготовку к тестированию до 70%.