Wykorzystanie sztucznej inteligencji w obszarze Quality Engineering rośnie, zmieniając sposób, w jaki zespoły projektują, automatyzują i prowadzą testy oprogramowania. Według najnowszej edycji raportu World Quality Report 2025–26, przygotowanego przez Capgemini, 43% organizacji eksperymentuje już z wykorzystaniem Gen AI w Quality Engineering. Jednak tylko 15% wdrożyło takie rozwiązania na skalę całego przedsiębiorstwa. Jednocześnie firmy mierzą się z barierami związanymi m.in. z bezpieczeństwem i prywatnością danych, integracją narzędzi oraz wiarygodnością wyników generowanych przez AI.
Wraz z rozwojem sztucznej inteligencji zmienia się też sposób myślenia o jej wykorzystaniu w procesach testowania. Zamiast traktować AI wyłącznie jako pojedynczego asystenta wykonującego konkretne zadanie, organizacje zaczynają eksperymentować z rozwiązaniami, w których wyspecjalizowani agenci współpracują ze sobą i wspierają kolejne etapy procesu Quality Engineering.
Od pojedynczego asystenta do zespołu agentów
W prostych zastosowaniach jeden agent AI może pomóc np. wygenerować przypadki testowe, przeanalizować wyniki czy przygotować raport. Problem pojawia się wtedy, gdy testowane oprogramowanie jest złożone, a jego działanie zależy od wielu powiązanych ze sobą komponentów, danych i procesów.
Dotyczy to szczególnie systemów starszej generacji – rozwijanych przez wiele lat, często złożonych z setek mikrousług i zależności, których pełny kontekst może być trudny do odtworzenia. W takich środowiskach samo wygenerowanie kodu źródłowego nie wystarcza. Trzeba jeszcze wiedzieć, co testować, na podstawie jakich danych, jak zweryfikować wynik i jak połączyć go z informacjami znajdującymi się w innych systemach.
– Kluczowe jest odejście od traktowania AI jako pojedynczego narzędzia wspierającego testera oprogramowania. W złożonych środowiskach większą wartość może dawać system, w którym poszczególne zadania są rozdzielone pomiędzy wyspecjalizowanych agentów, a ich wyniki są wzajemnie weryfikowane – mówi Konrad Greszata, CTO Testing Practice w Capgemini Polska.
AI potrzebuje kontekstu
Jednym z największych wyzwań związanych z wykorzystaniem sztucznej inteligencji w Quality Engineering jest zapewnienie odpowiedniego kontekstu. Bez dostępu do aktualnych informacji o systemie, wymaganiach czy stanie projektu model nie jest w stanie wiarygodnie wspierać procesu wytwarzania oprogramowania. W przypadku jednego z wdrożeń Capgemini problem ten dotyczył rozwijanej od ponad 20 lat złożonej platformy API. Standardowe narzędzia AI, takie jak asystenci programistyczni czy chatboty, nie miały wystarczającego kontekstu architektonicznego, aby wiarygodnie wspierać cały proces Quality Engineering. Odpowiedzią było stworzenie wielopoziomowej architektury agentowej, w której praca została podzielona pomiędzy wyspecjalizowane warstwy odpowiadające za kolejne elementy procesu.
Kluczowym elementem rozwiązania stało się połączenie agentów z rzeczywistymi źródłami danych. Za pomocą protokołu Model Context Protocol (MCP) środowisko zostało zintegrowane m.in. z Jira, Confluence, Playwright oraz Xray Test Management. Dzięki temu agenci mogą korzystać z aktualnego kontekstu projektu zamiast opierać swoje działania wyłącznie na informacjach przekazanych im w pojedynczym zapytaniu.
– W przypadku złożonych systemów samo wygenerowanie odpowiedzi przez AI nie jest wystarczające. Agent musi mieć dostęp do właściwego kontekstu, a jego działanie powinno być ograniczone przez jasno określone reguły i mechanizmy kontroli jakości. Dopiero połączenie tych elementów pozwala myśleć o AI jako o części procesu Quality Engineering, a nie tylko kolejnym narzędziu – mówi Konrad Greszata, CTO Testing Practice w Capgemini Polska.
Kontrola jakości także dla AI
Wykorzystanie wielu agentów nie oznacza jednak, że można zrezygnować z kontroli człowieka. Wręcz przeciwnie – wraz ze wzrostem autonomii systemów rośnie znaczenie mechanizmów, które ograniczają ryzyko błędnych decyzji. W rozwiązaniu Capgemini zastosowano hierarchię reguł określających sposób działania agentów oraz bramki jakościowe na poszczególnych etapach procesu. Kod testowy podlega automatycznej weryfikacji m.in. pod kątem bezpieczeństwa i poprawności składniowej, zanim zostanie zaakceptowany.
Takie podejście odpowiada na jeden z problemów wskazywanych przez najnowszy World Quality Report 2025–26. Organizacje coraz szerzej eksperymentują ze sztuczną inteligencją w obszarze Quality Engineering & Testing, ale przejście od eksperymentów do wdrożeń na dużą skalę nadal jest trudne. Raport wskazuje m.in. na problemy z integracją, bezpieczeństwem danych oraz niezawodnością i halucynacjami AI.
Co daje podejście wieloagentowe?
W przypadku analizowanego rozwiązania zastosowanie środowiska wieloagentowego przyniosło mierzalne efekty:
- 80% redukcji liczby błędów krytycznych na produkcji dzięki wielostopniowej weryfikacji i bramkom jakościowym,
- 65% krótszy czas analizy przyczyn źródłowych zgłoszeń (redukcja z godzin do kilku minut),
- 30% wzrostu pokrycia testami automatycznymi przy ograniczonym zaangażowaniu deweloperów,
- 30% przyspieszenia Release Management Process dzięki kompleksowej automatyzacji testów,
- 40% oszczędności czasu przy przygotowywaniu raportów testowych dzięki automatyzacji raportowania
Jeden agent czy cały system?
Wraz ze wzrostem złożoności systemów rośnie znaczenie architektury, w której AI nie działa jako pojedynczy asystent, ale jako zespół wyspecjalizowanych agentów. Nie chodzi przy tym o zastąpienie jednego narzędzia kilkoma kolejnymi, ale o podział złożonego procesu na zadania, zapewnienie agentom dostępu do właściwego kontekstu oraz wbudowanie mechanizmów kontroli jakości.
W praktyce oznacza to przejście od pytania „co może zrobić AI?” do pytania „jak zaprojektować środowisko, w którym sztuczna inteligencja może bezpiecznie i skutecznie wykonać cały złożony proces?”
