Proč je téma důležité
Generativní AI umí během několika sekund navrhnout testovací scénáře, shrnout dlouhý log nebo přeformulovat technický popis chyby do srozumitelnější podoby. Právě rychlost ale snadno vytvoří dojem, že výsledek je také správný. V Quality Assurance je proto největší hodnotou AI nikoli automatické rozhodnutí, ale rozšíření pohledu a rychlejší práce s variantami.
Dobrý QA specialista používá AI jako kopilota: zadá jí dobře ohraničený úkol, poskytne potřebný kontext, vyžádá si předpoklady a poté výsledek ověří proti systému, dokumentaci nebo reálnému chování uživatele. Odpovědnost za závěr zůstává vždy na člověku.
Jak postupovat správně
Vymezte úkol a očekávaný výstup
Místo obecného „otestuj tuto funkci“ popište roli AI: například navrhnout hraniční scénáře pro import kontaktů, rozdělit je podle rizika a uvést předpoklady. Čím přesnější je zadání, tím lépe lze výsledek zkontrolovat.
Odstraňte citlivá a produkční data
Do veřejného nebo neschváleného nástroje nevkládejte osobní údaje, interní tokeny, kompletní logy ani neveřejný zdrojový kód. Použijte anonymizovaný příklad, syntetická data a pouze nezbytnou část kontextu.
Dodejte doménový kontext
Uveďte pravidla produktu, cílového uživatele, omezení a známé výjimky. Bez kontextu AI často navrhne obecně správné scénáře, které však neodpovídají skutečnému procesu.
Požadujte varianty a předpoklady
Nechte AI uvést, z čeho vychází, co neví a jaké alternativní vysvětlení existuje. Tím se snižuje riziko, že přijmete první přesvědčivě znějící odpověď.
Ověřte výsledek proti důkazu
Každý důležitý závěr porovnejte s požadavkem, logem, daty nebo reprodukcí. AI může pomoci najít stopu, ale nemá přístup ke všem souvislostem a může si chybějící část domyslet.
Zaznamenejte lidské rozhodnutí
V ticketu nebo testovacím záznamu oddělte návrh vytvořený AI od ověřeného závěru. Uveďte, co bylo potvrzeno, co zůstává hypotézou a kdo rozhodnutí schválil.
Čemu se naopak vyhnout
- Slepému kopírování testovacích scénářů bez kontroly proti reálnému procesu.
- Předávání citlivých dat nástroji, jehož podmínky a způsob ukládání nejsou schválené.
- Určení kořenové příčiny pouze podle shrnutí logu bez reprodukce a technických důkazů.
- Příliš obecným promptům, které produkují dlouhé, ale málo použitelné seznamy.
- Měření přínosu pouze ušetřeným časem; sledujte také přesnost, úplnost a množství oprav.
Praktický příklad
Při chybě exportu kampaně může AI nejprve roztřídit anonymizované úryvky logů do skupin: problém dat, autentizace, limit poskytovatele nebo chyba transformace. QA následně ověří časovou osu, konkrétní požadavek a odpověď API. AI urychlí orientaci, ale finální závěr stojí na ověřených důkazech.
Stejný princip lze použít při návrhu regresních scénářů. AI vytvoří první seznam, QA jej porovná s incidenty, analytikou používání a obchodními riziky. Výsledkem není více testů, ale lépe zvolená sada testů.
Ponaučení pro praxi
AI je nejpřínosnější tehdy, když rozšiřuje možnosti člověka, nikoli když zakrývá chybějící znalost. Správný postup kombinuje dobře zadaný úkol, bezpečná data, ověření proti zdroji a jasně zaznamenané lidské rozhodnutí.
Správný postup nemusí být složitý. Důležité je, aby byl vědomý, opakovatelný a aby tým dokázal vysvětlit, proč zvolil právě tento způsob kontroly. Kvalita nevzniká jedním nástrojem ani jednou rolí; vzniká kombinací dobrých otázek, důkazů a následné zpětné vazby.