Przez dekady organizacje traktowały weryfikację jakości oprogramowania jako niezbędny, ale rzadko strategiczny etap procesu wytwórczego. Ten model miał wady, ale działał, dopóki tempo produkcji oprogramowania wyznaczane było przez ludzi. Dzisiaj, dzięki AI, jest ono znacznie szybsze – oprogramowanie rozwija się stale, a tolerancja na błędy spada. Dlatego rośnie potrzeba konsolidacji środowisk oraz narzędzi i zdecydowanego odejścia od ręcznego testowania.
Działy IT i inżynierii oprogramowania mierzą się dziś z dwojakim wyzwaniem: z jednej strony sztuczna inteligencja dramatycznie przyspiesza wytwarzanie kodu, a z drugiej zwiększa wolumen zmian wymagających walidacji. Badania Microsoftu pokazują, że programiści korzystający z GitHub Copilot realizują zadania dotyczące kodowania o ponad 55 proc. szybciej. Jednocześnie IDC raportuje, że 72 proc. programistów modyfikuje ponad 40 proc. kodu generowanego przez AI.
Szybsze wytwarzanie nie redukuje więc potrzeby testowania, a wręcz przeciwnie, wykładniczo zwiększa presję na zespoły odpowiedzialne za kontrolę jakości, zarówno pod względem wolumenu, jak i złożoności. To wymaga rewizji dotychczasowego podejścia i adekwatnej adaptacji technologicznej.
Strukturalna asymetria narzędzi
Narzędzia do weryfikacji kodu, szczególnie opierające się na manualnych procesach, skalują się znacznie wolniej niż te służące do jego generowania. Dziś, gdy oprogramowanie jest dostarczane w trybie ciągłym – w formie aplikacji korporacyjnych, API, platformy danych, interfejsów klienckich i serwisów opartych na AI – wpływ wprowadzanych zmian jest trudny do przewidzenia a potencjalne błędy mają nie tylko konsekwencje techniczne, ale również operacyjne, finansowe czy reputacyjne.
Organizacje, które nie zrewidują swojego modelu walidacji jakości kodu, będą systematycznie tracić zdolność do nadążania za tempem jego zmian. Wiele firm odczuwa już ten narastający dług operacyjny i dostrzega, jak zmienia się rola testów w procesie wytwarzania oprogramowania.
Fragmentacja jako punkt krytyczny
Model, w którym weryfikacja jakości oprogramowania pojawia się dopiero w końcowej fazie jego wytwarzania przekłada się na to, że narzędzia wykorzystywane w ramach SDLC nie są skoordynowane, przekazywanie zadań jest niedokładne, a automatyzacja wymaga dużego nakładu pracy. To utrudnia zespołom programistów skupienie na testowaniu, ocenę skutków zmian, identyfikację luk pokrycia czy wystarczająco szybkie działanie, gdy cykle wytwarzania się skracają.
Historyczny model nie tylko tworzy tego rodzaju tarcie, ale pomija także dzisiejszą skalę i złożoność działania. To sprawia, że dane o jakości są rozproszone, widoczność ograniczona, a decyzje o wdrożeniu podejmowane w oparciu o niepełny obraz stanu systemu.
Podstawą tej nieskuteczności nie jest brak kolejnej warstwy automatyzacji, tylko inteligentnego, adaptacyjnego modelu operacyjnego, który byłby ściśle powiązany z decyzjami dotyczącymi wydań kolejnych wersji. Dojście do takiego modelu wymaga uznania redukcji fragmentacji za kluczowy cel architektoniczny.
Agentowe testowanie: AI to nie wszystko
Weryfikowanie kodu z pomocą agentów AI jest zorkiestrowaną odpowiedzią na strukturalne – technologiczne i operacyjne – niedobory wcześniejszego modelu. Uwzględnia ono generowanie adekwatnych definicji przypadków kontrolnych, identyfikację ryzyka i adaptację w miarę rozwoju aplikacji. W przypadku tego rozwiązania ostatecznym celem nie jest maksymalizacja liczby testów, lecz koncentracja wysiłku na najwrażliwszych obszarach: zmianach lub zależnościach, które mają największe znaczenie biznesowe.
Testowanie agentowe zakłada także wzmocnienie odporności przez uniezależnienie się od ciągłych rekonfiguracji przy każdej zmianie interfejsu, parametrów konfiguracji lub komponentów środowiska. Poza tym to rozwiązanie zaspokaja potrzebę programistów dotyczącą czytelnych sygnałów, którym można ufać przy analizie testów: flaguje ono co się zmieniło, co zostało uwzględnione, gdzie są luki oraz czy wydanie wersji można bezpiecznie kontynuować.
Nowa skala testowania
Podobnie jak w innych przypadkach transformacji technologicznej, np. tak jak przy migracjach do chmury obliczeniowej, skala adopcji systemów agentowej weryfikacji jakości jest funkcją zaufania do mechanizmów kontroli, a nie samej technologii. Tymczasem presja konkurencyjna nie zwalnia. Organizacje, które nie zbudują zaufania do agentów AI, będą musiały utrzymać warstwy manualnego nadzoru, negując znaczną część korzyści z automatyzacji.
Organizacje, które wdrożyły agentowe testowanie demonstrują wyniki niespotykane w poprzednim modelu. Brytyjski bank NatWest skrócił czas do rozpoczęcia testów i radykalnie zredukował koszty utrzymania aplikacji. EDF, monopolista francuskiej energetyki, zautomatyzował większość testów systemu SAP, przyspieszając wydania i obniżając koszty. Cisco, firma teleinformatyczna z USA, ograniczyło pracę ręczną i prognozuje istotne oszczędności dzięki rozszerzeniu zakresu automatyzacji w cyklu wytwarzania aplikacji. Badania IDC wskazują, że agentyczne testowanie generuje średnio 4 mln dolarów rocznych korzyści na organizację, trzyletni ROI na poziomie 529 proc. i zwraca się w ok. 6 miesięcy.
Wykluwanie się nowego modelu operacyjnego
Agentowa weryfikacja kodu udostępnia mechanizmy do skoordynowania odizolowanych systemów i przekucia kontroli jakości w źródło pewności w cyklu wytwarzania oprogramowania. Pozwala to identyfikować ryzyka z wyprzedzeniem, obniżać koszty utrzymania i optymalizować cykl wydawania wersji aplikacji.
Dla podmiotów, którym się to uda, nieuchronny przyrost złożoności w miarę dodawania nowych funkcjonalności nie będzie przekładał się negatywnie na procesy wytwarzania oprogramowania. Takie organizacje zyskają kluczową przewagę konkurencyjną w postaci odblokowania potencjału na innowacje przy jednoczesnym obniżaniu ryzyka operacyjnego.
Piotr Zając, AI&ML Solution Consultant w UiPath
O UiPath
UiPath (NYSE: PATH) jest liderem w dziedzinie orkiestracji biznesowej i automatyzacji, któremu organizacje z całego świata powierzają przekształcanie złożoności działalności w inteligentne i bezpieczne operacje, w których agenci AI analizują, roboty wykonują zadania, a ludzie kierują procesami. Powstały z myślą o nowoczesnych przedsiębiorstwach i najbardziej regulowanych branżach na świecie, UiPath integruje automatyzację, orkiestrację, sztuczną inteligencję i testowanie w ramach kontrolowanych, skalowalnych procesów. Umożliwia wprowadzanie innowacji w tempie adekwatnym do biznesu, zapewniając jednocześnie kontrolę i zgodność z przepisami, których wymagają liderzy przedsiębiorstw. Więcej informacji można znaleźć na stronie www.uipath.com oraz Test Cloud.
Kontakt dla mediów: