Intensif Gratuit 21–22/11Intensif gratuit de 2 jours en Vibecoding (21–22 nov, 16h00 MSK) · Cohorte 3 le 23/11S'inscrire gratuitement →Cohorte 3 (23/11)
SortieAPI / Produit · Prêt à l'emploiHabr AI→ original

Claude Code et 11 agents : comment une équipe QA a automatisé jusqu'à 80 % de la routine de test

Au lieu de recruter deux testeurs de plus, une équipe QA a assemblé un système de 11 agents sur Claude Code. Il analyse Jira et Confluence, construit des scénarios selon l'ISTQB, écrit des tests automatisés d'API et d'UI et ouvre lui-même une Merge Request. Lors d'un pilote d'un mois et demi, la régression est passée de 50 à 400 cas, et la vérification des nouvelles fonctionnalités est tombée de plusieurs jours à quelques heures.

Traité par IA depuis Habr AI ; édité par Hamidun News
Claude Code et 11 agents : comment une équipe QA a automatisé jusqu'à 80 % de la routine de test
Source : Habr AI. Collage: Hamidun News.
Écouter l'article

Une équipe QA a montré que les agents IA peuvent déjà prendre en charge l'essentiel de la routine de test : de la lecture des exigences et de la conception des scénarios jusqu'au chargement des cas de test dans un TMS et à l'ouverture d'une Merge Request avec des tests automatisés prêts à l'emploi. Plutôt que d'élargir l'effectif de deux testeurs supplémentaires, l'équipe a monté sur Claude Code un « exosquelette » de 11 agents spécialisés et affirme qu'il couvre jusqu'à 80 % du travail opérationnel d'un ingénieur QA.

Elle est partie d'un problème classique des équipes produit : le développement livre de nouvelles fonctionnalités plus vite que les tests ne parviennent à transformer les exigences en scénarios, en données et en automatisation. D'après l'estimation interne, environ 20 % du temps QA passe dans l'analyse des exigences et la conception des tests, 15 % de plus dans la création de cas dans le TMS, 10 % dans la préparation des données et 25 % dans l'automatisation ; viennent ensuite les vérifications elles-mêmes, la régression et les rapports. Au total, jusqu'à 80 % de la charge peut être décrite par des règles et découpée en étapes répétables.

D'où l'idée : ne pas remplacer l'ingénieur, mais en faire l'opérateur d'un pipeline, qui fixe la tâche, contrôle les artefacts et n'intervient que là où le système manque de contexte ou lorsqu'une décision ambiguë doit être prise.

L'architecture prend la forme d'une chaîne modulaire de 11 skills et d'un orchestrateur distinct. Un agent extrait la tâche de Jira et les documents associés de Confluence, un autre décompose les exigences en User Stories et en tâches, un troisième génère des scénarios de test selon les règles de l'ISTQB. Les suivants s'occupent des données manquantes, des divergences, des sélecteurs DOM, des tests automatisés d'API et d'UI, de la comparaison des scénarios avec le code, du chargement des cas dans Zephyr Scale et de la création de la Merge Request dans GitLab.

La source de vérité unique est constituée de scénarios JSON offrant une traçabilité complète jusqu'aux exigences et aux critères d'acceptation, tandis qu'une matrice de couverture RTM est construite en parallèle. Pour la partie frontend, le système interroge aussi Figma via MCP et en extrait non pas de simples captures d'écran, mais la structure de l'interface, les états et les contraintes des éléments.

L'équipe a mis un accent particulier sur la qualité et la protection contre les faiblesses typiques des LLM. Après la génération des scénarios, l'orchestrateur fait passer des points de contrôle qualité : il vérifie le schéma JSON, l'exhaustivité des étapes, les priorités, l'absence de doublons et la couverture des exigences. Après la génération des tests automatisés, le contrôle se durcit encore : le code Python, les fixtures et l'exécution des tests sont validés.

Le débogage repose sur un schéma en deux temps. D'abord, le système lance chaque test séparément et distingue les problèmes du code de test des vrais défauts du produit. Puis intervient le test de mutation : dans un test déjà réussi, on inverse l'assert, et s'il reste malgré tout au vert, il est considéré comme vide et doit être retravaillé.

Une autre couche importante est un protocole de divergences entre Jira, Figma, le texte des exigences et le comportement réel de l'interface. Les conflits évidents sont réglés automatiquement selon une hiérarchie de priorité des sources, et les cas litigieux remontent à l'ingénieur.

En pratique, le pilote a livré en un mois et demi les chiffres pour lesquels on lance généralement ce type d'expérience. Le nombre de cas de test de régression est passé d'environ 50 à 400, le niveau de détail des scénarios est devenu complet et la couverture de la régression par l'automatisation s'est approchée de 100 %. La régression elle-même est passée d'environ une journée à quelques dizaines de minutes, le délai entre la fin du développement et la validation QA est tombé de plusieurs jours à quelques heures, et le branchement des tests sur un nouveau projet demande désormais environ quatre heures de configuration, contre des mois de recrutement et d'adaptation.

Par ailleurs, le système a commencé à détecter plus de contradictions cachées dans les exigences et plus de bugs que le processus manuel. La version pilote fonctionne avec un abonnement Claude Pro à 100 dollars par mois et, selon l'équipe, peut desservir 2–3 projets avec plus de 100 tests par mois chacun.

La principale leçon de ce cas est que le rôle du QA commence bel et bien à glisser de l'exécution manuelle vers la gestion du contexte, des règles et de la qualité des décisions prises par l'IA. Mais l'histoire ne tient qu'à plusieurs conditions : les exigences doivent être suffisamment complètes, le projet doit disposer d'une vraie source de contexte, comme des contrats d'API et des données de test, et le pipeline ne doit pas être une « boîte noire ». La valeur ne réside pas dans une génération magique de tests, mais dans une chaîne transparente d'étapes que l'on peut relancer, vérifier et renforcer progressivement.

Si cette approche décolle au-delà des pilotes, le marché du test pourrait y gagner non pas un remplaçant des ingénieurs, mais un mode de travail bien plus productif et évolutif.

Dossier
ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
Qu'en pensez-vous ?
Chargement des commentaires…