Roman Yakymchuk Consulting | Всім привіт, Артем Безручко на звʼязку 🙌Сьогодні про штучний інтелект ...

Всім привіт, Артем Безручко на звʼязку 🙌Сьогодні про штучний інтелект говорять усюди - і це не просто хайп. Для QA та Testing він реально корисний: допомагає знімати рутину, швидше розбиратися з невідомим, структурувати думки, генерувати варіанти перевірок і підсвічувати “сліпі зони”. Наприклад: за 2–5 хвилин він може перетворити OpenAPI-спеку в список тест-ідей або підсумувати Jenkins-лог так, щоб стало ясно, де і чому впав тест. Але є нюанс: користь від AI майже завжди прямо пропорційна тому, як саме ти ним користуєшся. Багато хто “пробував”, але не отримав вау-ефекту - бо підхід був випадковий, без системи, і AI відповідав так само випадково.Щоб стало простіше, я люблю умовно ділити “володіння AI” на рівні. Це не про IQ і не про “хто крутіший”, а про те, наскільки глибоко AI інтегрований у твою щоденну роботу. Один і той самий інструмент в руках двох людей може бути або іграшкою, або реальним підсилювачем продуктивності.L0 - “питання-відповідь” і текстовий пошук. Це найпоширеніший формат: попросити пояснити термін, знайти ідеї, згенерувати список, перефразувати текст, перекласти, підсумувати логіку. У QA це часто виглядає як: “поясни, що означає помилка в логах”, “зроби короткий summary баг-репорту”, “підкажи, які ризики в цьому флоу”. Корисно, швидко, але ефект обмежений - бо ти отримуєш відповідь більш-менш узагальнену, без прив’язки до твоїх правил і артефактів.L1 - промптинг як навичка. Тут починається магія: ти вмієш ставити задачі правильно, давати контекст, обмеження, формат відповіді, приклади, критерії якості. Ключова різниця з L0 така: на L0 ти питаєш “що робити?”, а на L1 - задаєш “як саме робити”, у якому форматі, з якими обмеженнями і як перевірити результат. Для QA це означає: генерувати тест-кейси не “аби які”, а під контракт/AC; просити AI зробити мутації для негативного тестування; витягнути з OpenAPI обмеження та перетворити їх у тест-ідеї; допомогти з аналізом падінь у CI; сформувати чіткий чекліст для дослідницької сесії. На цьому рівні AI перестає бути “чатиком” і стає інструментом, який можна керовано використовувати.L2 - інтеграції та автоматизація під конкретні задачі. Це коли AI - не окреме вікно, а частина процесу: наприклад, бот/скрипт, який бере Jira-опис і генерує первинний тест-скоуп; або пайплайн, який підтягує логи з Jenkins і робить зрозумілий звіт “що впало і чому”; або шаблон у Confluence/Notion, який напівавтоматично формує документацію. Тут цінність у тому, що ти зменшуєш ручну роботу системно, а не “коли згадав - тоді спитав”.L3 - RAG (Retrieval Augmented Generation): AI з “пам’яттю” твоєї бази знань. Це вже рівень, коли модель не просто відповідає з того, на чому її навчали, а спочатку шукає інформацію у твоїх внутрішніх джерелах (документації, контрактах, політиках, специфікаціях, knowledge base), і лише потім формує відповідь на основі знайденого. У QA це дуже потужно: можна ставити питання типу “що в нашому контракті сказано про PATCH?” або “які були домовленості щодо error envelope?”, і отримувати відповідь, прив’язану до реальних документів команди, а не до абстрактних “кращих практик”.Найголовніше: AI сам по собі не гарантує результат. Результат дає метод - розуміння рівнів, правильні патерни постановки задач, дисципліна в контексті та перевірці відповідей. І це, чесно, хороша новина: навичка прокачується доволі швидко, якщо рухатися структуровано. Якщо відчуваєш, що хочеться перейти від “я пробував” до “я реально використовую AI в QA щодня” - значить ти вже на правильному маршруті. 🙂