Почему тестировщиков вряд ли заменят нейросети?
Не знаю, только у меня так или нет, но сейчас практически все мои околоайтишные каналы трубят про китайский Deepseek — нейросеть, которая подбирается (а в некоторых вопросах и превосходит) к ChatGPT от OpenAI. На этом фоне хочется немного поговорить о распространённом утверждении, что нейросети скоро заменят нас, бестолковых тестировщиков, и будут сами сидеть на созвонах по 8 часов, решая задачи невероятной важности.
1️⃣ Ручные тестировщики в безопасности
Раньше мы думали, что в первую очередь заменят специалистов ручного труда — курьеров, грузчиков, водителей и т. д. Казалось, изобретут роботов, и они легко справятся с такими, на первый взгляд, несложными задачами.
Но реальность оказалась другой: под наибольшую угрозу попали переводчики, писатели, дизайнеры, программисты — те, кого мы считаем "белыми воротничками" и представителями креативных профессий. Как выяснилось, креативность — не самая сильная сторона человека (многие признают, что ИИ придумывает новое лучше, чем они сами). А вот зарплаты тех, кого, как мы думали, заменят в первую очередь, только растут — и, кажется, что в некоторых случаях курьеры зарабатывают больше опытных разработчиков.
В этом плане ручной тестировщик — очень интересная единица. Существует целый ряд задач (и даже видов тестирования), неподвластных нейросетям. Я часто видел посты и видео о том, как очередная новая нейросеть гениально решает задачи разработчиков, но ни разу не видел, как она справляется даже с простой задачей ручного тестировщика.
На самом деле, тут напрашивается отдельный пост, поэтому ставьте 🙂, если хотите узнать, что это за задачи такие.
2️⃣ Продуктовая сложность
Современный цифровой продукт — это сложная сеть, которую трудно полностью понять и хоть как-то охарактеризовать. Например, Т-Банк или Сбер может состоять из сотен команд, каждая из которых по-своему строит процессы: кто-то ведёт документацию в специализированных системах, кто-то делает ставку на макеты, кто-то расписывает всю информацию в задачах, а кто-то строит работу вокруг встреч.
Сила ИИ (хотя это пока и не ИИ в полном смысле) в том, что он умеет работать с чёткими, формализованными системами. Но цифровые продукты — их полная противоположность. Как нейросеть может разобраться в продукте, если для обычной ежедневной задачи нужно написать пяти людям, собрать две встречи, пролистать все чаты, пересмотреть макеты и документацию, чтобы найти хоть какие-то требования?
Хотя сейчас развиваются AI-агенты, и мне было бы интересно посмотреть, найдётся ли им применение в тестировании.
3️⃣ Слабость в автотестах
Сразу скажу: нейросети хороши там, где доступно много документации, публичной информации и открытых репозиториев с кодом. Поэтому они на удивление неплохо справляются с разработкой — как frontend, так и backend. Но, по моему опыту, они практически бесполезны в задачах автоматизатора тестирования.
Как человек, который перепробовал множество инструментов автоматизации, могу сказать одно: более-менее адекватно они работают только с юнит-тестами и, может, с одной-двумя популярными фреймворками автоматизации. Всё. Когда я писал курсы по Robot Framework, даже при наличии хорошей документации в 90% случаев нейросеть выдавала лютую дичь. А так как комьюнити QA Automation несоизмеримо меньше комьюнити разработчиков, нейросетям не хватает примеров хорошего кода, что, конечно, отдаляет наше поглощение миром машин.
---
Да, время от времени перспектива, что когда-нибудь нас всех заменит ИИ, настораживает. Но пока таких трендов не наблюдается — напротив,
количество вакансий тестировщиков растёт год от года. Так что не бойтесь — в ближайшее время нас не заменят. 🙂
Если вы хотите учиться и не боитесь восстания машин, приходите на
мои курсы по тестированию! Сегодня я снова подключил промокод специально для моих читателей —
BRAINY_TG (по нему вы получите небольшую, но приятную скидку). 🚀
