ИИ для QA: мы перестали тратить часы на подготовку Acceptance Criteria

Вот важная новость с фронта ИИ: Maggie_S 6 минут назад ИИ для QA: мы перестали тратить часы на подготовку Acceptance Criteria Простой 3 мин 7 Блог компании Банки. ру Тестирование IT-систем * Искусственный интеллект DevOps * Управление разработкой * Кейс Всем привет! Я Марго, QA-инженер команды МС в Банки.

Этой весной мы с командой автоматизировали подготовку Acceptance Criteria (это по сути такой чек-лист, по которому команда проверяет, готова ли задача) с помощью ИИ. Это сократило рутинную работу и ускорило тестирование. Ниже расскажу, как мы это сделали.

Технические детали

Что такое Критерии приемки? Критерии приемки (Acceptance Criteria или AC, как я дальше буду их называть) – это по сути чек-лист, по которому команда проверяет, готова ли задача. В нем описываются как основной пользовательский сценарий (Happy Path), так и нестандартные ситуации (Edge Cases), которые система тоже должна корректно обработать.

Например, нам нужно настроить функционал отображения персонального кредитного рейтинга в личном кабинете пользователя:HP (Happy Path): Клик на «Узнать рейтинг» → успешный ответ от БКИ, пользователь видит свой балл (например, 750). EC (Edge Case): Шлюз БКИ недоступен (таймаут) → пользователь видит заглушку «Сервис временно недоступен» и кнопку обновления. До апреля этого года наш пайплайн выглядел так: задача проходила через этапы аналитики, дизайна макетов, груминга, разработки и код-ревью – и только после этого, в самом конце подключался QA и начинал собирать контекст, что надо было сделать и что получилось.

Недавно мы решили пересмотреть процесс в рамках подхода «Встроенное качество» (Shift Left), который активно внедряется у нас в компании. После перехода на Shift Left, QA стал подключаться еще до груминга и успевает заранее разобраться в требованиях. Однако подготовка AС по-прежнему оставалась самой трудоемкой частью процесса:Вспомнить обсуждение на груминге;Перечитать описание задачи в Jira;Просмотреть Confluence и макеты в Figma;Найти важные уточнения в комментариях;Сформулировать Happy Path и Edge Cases.

Отраслевые последствия

Эту рутинную часть мы решили автоматизировать. Моя коллега Марина Арутюнян написала скилл, который формирует список AC и отдает QA на валидацию. Алгоритм работы скиллаВесь процесс можно поделить на 4 этапа.

1 этап – сбор контекстаВ Jira и Confluence скилл подключается через другие скиллы: мы выбрали такой вариант потому что он позволяет корректно читать данные – MCP-сервера грешат тем, что иногда ломают верстку. К Figma он подключается через Desktop MCP, потому что в нем нет ограничений на количество запросов в минуту. В этих источниках он читает все описания, обсуждения и собирает релевантные данные.

2 этап – подготовка Acceptance CriteriaИИ анализирует полученные данные, выделяет важное, помечает устаревший контекст, задает вопросы. К каждому AC добавляет обоснование, почему он добавил эти критерии.

Событие, по словам экспертов, усилит конкуренцию в сфере ИИ.