AI má povolenie testovať. A robí to spôsobom, ktorý stojí za pozornosť
Testovanie je nenahraditeľnou súčasťou vývoja. Potvrdzuje kvalitu, chráni pred regresiou a buduje dôveru v systém. Zároveň však patrí medzi najviac opakujúce sa činnosti v životnom cykle softvéru. Často podceňované, časovo náročné a vnímané ako bremeno, ktoré sa „nejako“ musí zvládnuť.
S nástupom generatívnej AI sa však aj táto časť vývoja mení. Nie dramaticky, ale systematicky. S reálnymi vplyvmi na produktivitu tímov. Potvrdzuje to aj report Accenture Technology Vision 2025, podľa ktorého sa vývojový proces posúva od práce s nástrojmi smerom k spolupráci so systémami. Tie aktívne navrhujú riešenia, adaptujú sa na kontext a podporujú rozhodovanie.
Vývoj má svojich asistentov, testovanie ich ešte len dostáva
Zatiaľ čo nástroje ako GitHub Copilot alebo CodeWhisperer priniesli do vývojového prostredia asistenciu pri písaní kódu, oblasť testovania ostávala pozadu. Automatizácia testov sa tradične spoliehala na skriptovanie a šablónovité generovanie prípadov, často bez hlbšieho pochopenia domény alebo zámeru vývojára.
Testy sa síce spúšťali, no vznikali pomaly. Scenáre sa vytvárali manuálne. Pokrytie zostávalo otázne. A to, čo sa nazývalo „automatizácia“, bolo v skutočnosti len delegovanie repetitívnej práce.
To sa dnes mení.
Do testovania vstupuje nový hráč
V prostredí, kde sa kladie dôraz na rýchlosť, stabilitu a predvídateľnosť výstupov, sa testovanie posúva z reaktívnej fázy do fázy aktívneho návrhu. Zásluhu na tom má spojenie behaviorálne orientovaného vývoja (BDD) s generatívnymi modelmi, ktoré vedia pracovať s jazykom aj štruktúrovaným vstupom.
Framework Cucumber pomáha písať testy tak, aby im rozumeli nielen vývojári, ale aj ľudia, ktorí neovládajú kód. Využíva jazyk Gherkin, ktorý je vhodne štruktúrovaný a zároveň dostatočne formálny na to, aby s ním vedeli pracovať aj jazykové modely. Práve táto kombinácia zrozumiteľnosti a predvídateľnej syntaxe ho robí vhodným na generovanie konzistentných testovacích výstupov.
Pri vhodnej integrácii dokáže AI model:
- analyzovať testované prostredie,
- navrhnúť štruktúru BDD scenárov,
- upraviť alebo doplniť existujúce testy na základe špecifikácie alebo predchádzajúcich výsledkov.
Nie „magická automatizácia“, ale efektívna spolupráca
AI zatiaľ netestuje autonómne. Potrebuje prístup k repozitáru, základnú štruktúru testovacích nástrojov a jasne definovaný kontext. No ak tieto predpoklady splníme, dokáže významne uľahčiť návrh testovacích scenárov. A to nielen na úrovni používateľského rozhrania, ale aj v prípade backendových služieb, API alebo systémovej logiky.
To, čo sa doteraz modelovalo ručne, môže byť navrhnuté AI ako prvotný draft, ktorý vývojár overí, upraví a spustí. AI tak vystupuje nie ako „náhrada testera“, ale ako inteligentný asistent, ktorý dokáže viesť dialóg, reagovať na spätnú väzbu a učiť sa z iterácií.
Cucumber a Gherkin – AI agenti s povolením testovať
Ako vyzerá testovanie v praxi, keď AI rozumie zámeru? Čo všetko dokáže autonómny agent navrhnúť a v čom ešte potrebuje ľudský kontext? Ako zmeniť testovanie z neobľúbenej fázy na súčasť inovačného cyklu?
Príďte si to pozrieť naživo. Volám sa Braňo Majerník a pozývam vás na prednášku Cucumber a Gherkin – AI agenti s povolením testovať, kde si ukážeme, ako sa testovanie mení vďaka generatívnej AI.
