Diasoft a automatisé les tests d'API et d'événements avec AI et déplacé le rôle de la QA vers la logique métier

Diasoft a expliqué comment elle a intégré un agent basé sur LLM dans le pipeline de développement et a pratiquement retiré à l'équipe QA la rédaction manuelle de tests pour les APIs et événements complexes. Le système accepte des cas de test en langage métier, assemble automatiquement les contrats nécessaires, génère du code, l'exécute sur le banc d'essai et l'affine jusqu'à une exécution stable.

Pourquoi les Modèles Étaient Insuffisants

Autrefois, l'entreprise couvrait automatiquement principalement les opérations CRUD typiques et les événements standards. Pour ces scénarios, les modèles suffisaient car la logique se répétait d'un service à l'autre. Mais la valeur réelle des produits ne réside pas dans la simple lecture et l'écriture de données, mais dans les opérations métier : le calcul des intérêts, l'application des commissions, le traitement des limites, le lancement de chaînes d'actions connexes. Ce sont précisément ces parties qui sont généralement les plus difficiles à tester, et ce sont exactement celles qui ont le plus ralenti les releases lorsque les tests devaient être écrits manuellement.

Diasoft s'appuie sur la plateforme low-code Digital Q.Archer, où sont stockés les contrats d'API et d'événements. C'est important car le LLM ne fonctionne pas à partir de descriptions aléatoires ou de documentation obsolète, mais à partir d'un modèle formalisé du service. Grâce à cela, le système comprend mieux quels endpoints et événements correspondent réellement au scénario, et le testeur ne passe pas de temps à analyser manuellement des dizaines d'interfaces et comprend plus rapidement le contexte de l'opération métier.

Comment Fonctionne l'Agent

L'idée clé est que l'IA n'est pas extraite dans un chat séparé à côté du développement, mais est intégrée dans la plateforme Digital Q.DevOps en tant qu'agent complet de test automatisé. Un orchestrateur dirige le modèle, valide le code contre les règles internes, envoie le test à un vrai banc d'essai et renvoie les erreurs dans le cycle de génération. De cette façon, le LLM ne se contente pas d'écrire un brouillon, mais suit le même chemin qu'un ingénieur suit habituellement lors du débogage.

« L'IA n'écrit pas simplement du code 'dans un tiroir', elle l'exécute

immédiatement sur le banc d'essai ».

En termes généraux, le pipeline fonctionne comme suit :

• le testeur sélectionne un service et formule un cas en langage métier
• l'orchestrateur récupère Swagger et les schémas JSON des événements de Digital Q.Archer
• le LLM sélectionne les endpoints et les événements pertinents pour le scénario
• le modèle génère un test Groovy, et la plateforme le valide contre les règles de domaine
• le code s'exécute sur le banc, et en cas d'échec, il est affiné selon les logs jusqu'à ce qu'il passe de manière stable

Après l'exécution réussie, le système ajoute des étiquettes de service et publie le test prêt dans le référentiel Git du produit.

Groovy a été choisi pour les tests car il est proche de Java, sur lequel la plupart des microservices de l'entreprise sont construits, mais l'approche elle-même n'est pas liée à un seul langage.

Diasoft souligne séparément la complexité des tests d'événements : il ne suffit pas d'appeler une API, il faut aussi capturer un message dans le broker, vérifier la structure et s'assurer que le contenu correspond au scénario métier et au résultat attendu de l'opération.

Comment le Rôle de QA Change

L'effet le plus notable est le décalage du rôle du testeur de l'écriture de code vers la gestion des exigences. Maintenant, la qualité du résultat dépend davantage de la précision avec laquelle le spécialiste a décrit le scénario métier : ce qui doit se passer, dans quelles conditions et quel résultat est considéré comme correct. Si l'instruction est vague, le modèle sélectionnera les mauvais endpoints ou vérifiera les mauvaises conditions. Si le scénario est clairement décrit, le chemin vers un test automatisé prêt est sensiblement raccourci.

C'est précisément la formulation qui devient le nouvel outil de travail pour l'automatisation.

Cela entraîne également un nouveau domaine de responsabilité pour QA. Pour le testeur, il n'est plus aussi important d'examiner attentivement le code généré ligne par ligne que de vérifier le sens des assertions et de s'assurer que le test prouve vraiment la logique métier nécessaire. Essentiellement, QA devient l'accepteur du travail de l'IA et un expert du domaine. Il y a moins de codage routinier, mais des exigences plus élevées pour comprendre le produit, les contrats d'intégration et la qualité des exigences elles-mêmes. C'est plus proche d'un examen de scénario que de la programmation manuelle.

Ce Que Cela Signifie

Diasoft montre un scénario pratique où LLM est utile non pas en tant qu'assistant pour un développeur solitaire, mais en tant que partie d'un pipeline d'ingénierie gérée. Si une entreprise dispose déjà de contrats formels, de bancs d'essai et de règles de validation, la génération de tests automatisés peut passer de l'expérimentation au processus industriel — en particulier pour les APIs et événements complexes qui restaient auparavant presque toujours du travail manuel. C'est particulièrement notable dans les systèmes financiers et d'intégration.