Alfa-Bank a transformé l’idée d’un testeur en générateur de stubs AI pour les équipes de test

Un testeur d'Alfa-Bank a transformé une idée en générateur de stubs alimenté par IA pour les équipes de test

Un testeur d'Alfa-Bank a créé un outil IA interne qui convertit des descriptions textuelles en stubs API prêts pour les tests de services. Le projet a commencé comme une expérience nocturne au sein de la communauté IA et a finalement évolué en MVP, domaine séparé et tests au sein de la banque.

Comment le projet est apparu

L'histoire a commencé au printemps 2025, lorsque l'ingénieur en tests Stas Zaitsev a décidé d'approfondir les réseaux de neurones et d'explorer comment ils pourraient être appliqués au travail quotidien d'assurance qualité. Après plusieurs expériences, dont un bot Telegram pour évaluer l'anglais, il a rejoint la communauté IA interne autour de la plateforme AlfaGen. Lors d'une des réunions, les participants se sont vu montrer une liste d'idées utiles que les équipes n'avaient pas encore eu le temps de mettre en œuvre.

Parmi elles se trouvait une tâche bien connue des testeurs : créer automatiquement des stubs API. L'idée était pratique et très ancrée dans la réalité. Lorsque le frontend est déjà prêt mais que le serveur est encore en développement, les tests sont souvent bloqués faute de réponses fonctionnelles du service.

Les stubs résolvent ce problème, mais leur préparation nécessite du temps, une configuration manuelle et une compréhension de l'infrastructure. Dans les exigences métier du nouvel agent, un scénario simple a été décrit : l'utilisateur spécifie les conditions, le système clarifie les détails et fournit le code du stub qui peut être utilisé immédiatement dans les tests sans longue préparation.

Comment fonctionne le générateur

Zaitsev a créé la première version très rapidement dans l'Atelier de Prompts d'AlfaGen : il a configuré un scénario qui générait du code de stub basé sur une description. Cependant, ce format s'est avéré inconfortable pour le travail réel et ne s'adaptait pas bien aux collègues sans formation technique. Le long dialogue en chat, l'exécution manuelle et le besoin de comprendre les détails ont rendu la solution plus une démonstration d'idée qu'un outil pour le travail quotidien des équipes QA. C'est pourquoi une deuxième version avec interface séparée et exécution automatique était nécessaire.

«

On supposait que le projet prendrait 3 mois, mais je ne le savais pas et j'ai fait tout ça en une soirée. »

Dans la deuxième version, l'auteur a assemblé un agent complet en trois parties : WireMock pour exécuter les stubs, une couche API en Kotlin et Spring AI pour la connexion à l'interface web d'AlfaGen, et une UI qui peut être utilisée sans connaissances approfondies en programmation. L'utilisateur décrit simplement le scénario nécessaire dans la fenêtre de chat — par exemple, quelles réponses retourner pour différents userIds, si une latence est nécessaire et quand retourner une erreur 404. Après cela, le système passe par plusieurs étapes :

• détermine le type de stub — REST ou SOAP
• sélectionne la méthode HTTP requise
• calcule le nombre de stubs séparés à créer pour différentes conditions
• génère le code et le vérifie pour les erreurs
• lance le résultat dans WireMock

Selon l'auteur, l'ensemble du cycle prend 10–15 secondes, après quoi le stub peut déjà être connecté dans l'environnement de travail. Pour ceux qui ont besoin d'un contrôle total, l'interface a également un mode manuel où les paramètres sont définis séparément. Cela rend l'outil utile à la fois pour les ingénieurs expérimentés et pour les testeurs qui ne veulent pas passer du temps sur l'assemblage manuel et le déploiement de mocks. Essentiellement, l'agent supprime presque toute la mécanique routine de l'utilisateur.

Du MVP au lancement

Le prototype nocturne a rapidement évolué en MVP de deux semaines, puis en produit interne complet. Après une présentation lors de la démo de la plateforme AlfaGen, d'autres équipes de la banque se sont intéressées à l'outil et le développeur a rejoint un groupe déjà travaillant à temps plein sur les agents QA. Le projet a ensuite commencé le processus d'atteindre la qualité industrielle : ils ont ajouté le mode chat, des dossiers de projet, des groupes de stubs avec logique, des corrections basées sur les retours des collègues et un scénario utilisateur plus pratique.

À la fin de novembre, l'équipe a fermé les problèmes critiques et a commencé la préparation d'un déploiement plus large. Pour la solution, ils ont alloué un domaine séparé, configuré les accès, réécrit le frontend selon les bibliothèques internes de la banque et préparé la documentation. Actuellement, le générateur est testé par des groupes de discussion au sein de la banque, et la version locale est déjà utilisée sur des tâches réelles dans les produits pour les petites entreprises.

Essentiellement, c'est un exemple de la manière dont une plateforme IA interne transforme les problèmes d'ingénierie individuels en service appliqué pour l'ensemble d'une organisation.

Ce que cela signifie

L'histoire d'Alfa-Bank montre que les outils IA utiles pour le développement peuvent émerger non seulement des équipes R&D dédiées, mais aussi par le bas — à partir des problèmes spécifiques des testeurs. Si ces projets sont rapidement amenés à l'interface, la documentation, les normes internes et les pilotes réels, ils cessent d'être des démonstrations des capacités des LLM et deviennent des outils de travail qui économisent des heures à des équipes entières et accélèrent le déploiement de nouveaux services en test. Pour l'IA d'entreprise, c'est plus important que n'importe quel beau scénario de démonstration.