Svoi.ru a réduit la préparation des tests de 70% en utilisant des agents IA

L'IA aide déjà le QA non seulement à écrire des tests automatisés, mais aussi à éliminer l'étape la plus coûteuse et cachée — la préparation à la vérification du produit. L'équipe de Svoi.ru a démontré que les agents IA peuvent prendre en charge l'analyse des exigences, la collecte de contexte et la préparation initiale de la documentation de test, réduisant le temps sur cette étape d'environ 70%.

Le problème identifié par l'équipe est familier à presque tout spécialiste QA. De l'extérieur, le travail de QA semble souvent consister à exécuter des scripts et trouver des bugs, mais à l'intérieur du processus, une partie importante des ressources est dépensée bien avant le premier clic sur le système. Il faut lire les exigences, retrouver les tâches associées, vérifier les versions de la documentation, comprendre comment fonctionne réellement la logique métier, trouver les dépendances entre services et reconstituer l'image complète à partir de sources dispersées.

Si un produit évolue rapidement, cette étape préparatoire commence à consommer des heures, et parfois des jours, surtout quand l'information est stockée dans plusieurs systèmes et mise à jour non simultanément. C'est ici que l'IA s'est avérée utile non comme un générateur universel de tests, mais comme un outil pour la routine analytique. Au lieu de tenter de remplacer complètement le spécialiste QA, l'équipe s'est concentrée sur une zone spécifique et étroite : accélérer la collecte et la structuration des informations avant les tests.

La logique est claire : plus vite un spécialiste obtient une image complète d'une fonctionnalité, plus tôt il peut passer à l'évaluation des risques, à la sélection des scénarios et à la vérification réelle du comportement du système. Cette approche élimine l'un des principaux goulots d'étranglement du processus QA — le changement constant entre les exigences, les tickets, les commentaires, les maquettes et les accords internes rarement rassemblés en un seul endroit. Selon la description du cas, les agents IA ont été utilisés comme une couche intermédiaire entre le spécialiste QA et les sources de connaissance.

Ils aident à lire les matériaux d'entrée, à extraire les entités clés, à rassembler le contexte de la tâche et à préparer une base claire pour le travail futur. Dans ce format, l'agent est précieux non pas parce qu'il prend des décisions finales, mais parce qu'il économise du temps sur la recherche et l'organisation des données. Le spécialiste QA reste responsable de la qualité, des priorités et de l'interprétation finale, mais dépense moins d'efforts sur les tâches mécaniques : copier des faits, vérifier les formulations et préparer le premier brouillon de la documentation de test.

L'effet de 70% semble particulièrement significatif car il ne s'agit pas d'une accélération locale d'une seule opération, mais d'une réduction de la charge sur l'ensemble du cycle préparatoire. Quand le temps est dépensé non pas à lire des dizaines de documents, mais sur une couverture de test significative, l'équipe arrive à la vérification des scénarios complexes plus rapidement, trouve des lacunes dans les exigences plus tôt et dépend moins du transfert manuel de connaissance entre les gens. De plus, ces agents peuvent aussi être utiles pour les rôles adjacents : analystes, développeurs, responsables de la qualité.

Si un mécanisme unique peut rassembler le contexte et le rendre lisible, non seulement le QA en bénéficie, mais tout le cycle de livraison des changements. Il est également important que ce résultat ne signifie pas un remplacement automatique des spécialistes QA. Au contraire, le cas montre un scénario d'implémentation d'IA plus mature : ne pas substituer l'expertise, mais l'amplifier là où les humains dépensent du temps sans ajouter de nouvelle valeur.

La préparation aux tests est un bon candidat pour une telle automatisation car il y a beaucoup d'actions répétitives, beaucoup d'informations textuelles et un risque élevé de perdre des détails lors de la compilation manuelle de l'image générale. Plus un produit est complexe et plus il contient de règles métier, plus le bénéfice d'un assistant qui consolide rapidement les données en une seule représentation devient notable. Pour le marché, c'est un autre signal que la prochaine phase de mise en œuvre de l'IA dans le développement n'est pas liée uniquement à la génération de code.

Les rendements les plus notables proviennent souvent de processus moins publics, mais coûteux — analyse des exigences, préparation des artefacts, transfert de contexte et réduction de la routine opérationnelle. Si de telles pratiques s'enracinent, le rôle de QA évoluera encore plus vers l'expertise en recherche et produit, tandis que la préparation de routine sera de plus en plus couverte par des agents IA spécialisés.