Интеграция ИИ в QA: переход от ручного тестирования к интеллектуальному workflow на примере брокера EXANTE
В условиях финансового сектора, где ошибка может привести к финансовым потерям и регуляторным рискам, компания EXANTE перестроила процессы тестирования. Внедрение больших языковых моделей (LLM) позволило сместить фокус с реактивной фиксации багов на ранний анализ требований, формализацию критериев приемки и генерацию тест-кейсов. Эксперимент продемонстрировал, как ИИ может расширить покрытие и ускорить релиз, сохраняя при этом критически важный контроль человека над сложной логиком и контекстом.
# ИИ в тестировании: от анализа требований до автоматизации
В сфере высокочастотной торговли и финансовых рынков качество программного обеспечения является вопросом доверия и безопасности. Любое несоответствие в отображении цены или состояние ордера может иметь серьёзные последствия. Именно в таких условиях компания-брокер EXANTE начала трансформацию своего цикла разработки, внедрив искусственный интеллект в процессы обеспечения качества (QA). Цель была проста: превратить ИИ из вспомогательного инструмента в полноценного члена команды, способного брать на себя рутину и расширять границы человеческого восприятия.
Ранний анализ требований: устранение «тёмных углов» логики
Традиционный подход к тестированию часто сталкивается с проблемой: к моменту передачи задачи в тестирование её понимание уже затруднено или требования содержат логические пробелы. В EXANTE была внедрена стратегия «shift-left», где тестировщики подключаются к задаче сразу после её фиксации Product Owner'ом. На этом этапе запускается LLM для анализа спецификаций.
Инструмент не просто читает текст, а помогает выявить двоякие толкования. Например, в задаче по добавлению функции фокуса на инструмент в списке не было указано, как должно вести себя закрепленный блок при вводе нового тикера. ИИ помог сформулировать вопросы о граничных случаях: что происходит, если пользователь ищет одно, а фокус стоит на другом? Как система обрабатывает состояние загрузки и ошибки?
Анализ фокусируется на согласованности данных между Jira, Confluence и техническими спецификациями, полноте логики и зависимости, а также рисках регрессии. ИИ выступает в роли напарника, который быстро структурирует сомнения, позволяя человеку сосредоточиться на сложных архитектурных решениях, а не на поиске очевидных неточностей в тексте.
От ручных кейсов к чек-листам и регрессии
Результатом глубокого анализа становится создание чек-листа для разработчика, который должен пройти перед сдачей задачи. Этот список включает основной бизнес-сценарий, граничные случаи, проверку соответствия дизайну и специфические сценарии фичи. Это позволяет отлавливать очевидные баги ещё до начала активного тестирования.
Параллельно с этим ИИ используется для генерации структурированных тест-кейсов. Если раньше создание полного набора кейсов, включая обработку ошибок и edge-ситуаций, занимало часы, то теперь процесс ускорен в разы. Сгенерированные кейсы интегрируются в систему управления тестированием (TMS) и автоматически привязываются к задачам в Jira, пополняя регрессионную библиотеку.
Тем не менее, сгенерированный контент всегда требует человеческого ревью. ИИ отлично справляется со стандартными сценариями, но может ошибаться в узкодоменных нюансах, если контекст внутренней специфики не был передан в промпт. Ключевым моментом остаётся понимание того, что ИИ генерирует гипотезы и черновики, а утверждение логики и приёмка решений остаются за экспертом.
Архитектура автоматизации: Python, OCR и ограничения агентов
Слой автоматизации в EXANTE построен на стеке Python и pytest. Для веб-интерфейса используется Playwright, а для десктопных приложений — комбинация OpenCV, EasyOCR и PyAutoGUI, что обусловлено спецификой работы с элементами управления, не имеющими стандартных DOM-локаторов.
Здесь ИИ (в частности, Claude Code) демонстрирует сильные стороны в генерации каркаса тестов по существующему паттерну Page Object Model и рефакторинге повторяющегося кода. Однако существуют «тихие провалы». Агент может уверенно выдать решение, опираясь на неполные данные — например, пропустить ссылку на актуальную спецификацию, если её содержание было пустым, и заключить, что дополнительных требований нет.
Особые трудности ИИ испытывает с задачами, требующими глубокого понимания скрытых зависимостей, существующих только в головах разработчиков, или сложных сценариев компьютерного зрения (OCR), где обрезанный текст на экране может быть принят за валидный. В таких случаях алгоритм может предложить код, который визуально работает, но по факту не проверяет необходимые условия. Поэтому правило эксплуатации простое: если контекст можно легко оцифровать и добавить в базу знаний — делегируем ИИ; если зависимости неформализованы — решаем самостоятельно.
Техническая подсистема: База знаний как фундамент
Качество ответов ИИ напрямую зависит от того, насколько точно модель понимает контекст проекта. В EXANTE реализована система базы знаний, состоящая из файлов CLAUDE.md и MEMORY.md, которые автоматически подгружаются в контекст сессий.
Файл CLAUDE.md содержит фундаментальные правила и имеет ограничение в 100–150 строк для сохранения фокуса внимания модели. Файл MEMORY.md работает как индекс, где хранятся ссылки на подробную документацию. Система классифицирует файлы на категории: процессы, интеграции, форматы и методология. Важный нюанс реализации заключается в необходимости явных триггеров внутри файлов памяти, побуждающих модель запрашивать нужные документы. Без такой настройки агент может игнорировать актуальную документацию и выдавать поверхностные ответы. Эта архитектура позволяет масштабировать использование ИИ без необходимости постоянного дообучения модели, обеспечивая стабильное качество генерируемых артефактов.
«Технологии не заменяют тестировщика, они расширяют его когнитивные возможности, позволяя видеть то, что скрыто от усталого глаза. Но финальное решение всегда остается за человеком, который несет ответственность за продукт.» — так можно резюмировать опыт внедрения в EXANTE.