AI 测试：更广泛的覆盖范围、更少的错误、新的风险

人工智能工具正在通过更快的自动化、全天候覆盖和更高的准确性重塑软件测试。

译自 AI Testing: More Coverage, Fewer Bugs, New Risks，作者 Tal Barmeir。

生成式 AI 的出现正在迅速开启软件测试的新纪元。凭借旨在执行与人类测试自动化工程师相同工作的 AI 测试记录器，生成式 AI 变得如此复杂，以至于它可以解释自然语言指令来自动生成测试自动化代码。

此功能使测试大众化，允许没有编码专业知识的个人直接与测试框架交互。它通过使用户能够通过记录他们与网站的交互来轻松生成代码，从而简化了整个测试自动化过程——无需手动编码。生成式 AI 驱动的测试器无缝集成到 CI/CD 管道中，自动检测错误并提醒团队注意潜在问题。

使用 AI 转换 QA

根据经验，从人工自动化测试员到 AI 测试自动化工程师的旅程是一个变革性的过程。传统上，过渡到测试自动化需要大量时间和资源，包括学习编码和理解自动化框架。

AI 消除了这些障碍并加快了开发周期，大大缩短了上市时间并提高了准确性，同时减少了软件测试人员的管理任务。

通过 AI 软件测试，公司可以快速缩短上市时间。他们可以解释用自然语言编写的测试场景，自动生成必要的代码进行测试自动化，并在各种平台和语言上执行测试。这大大减少了启用时间，使 QA 专业人员能够专注于战略任务而不是编码复杂性。反过来，这解决了测试自动化方面的严重短缺，帮助公司在几分钟内并行处理任意数量的场景，在任何时间实现更高的数字产品质量，为多语言网站和应用程序以及任何屏幕尺寸（包括计算机、平板电脑和手机）创建测试自动化。

AI 在测试中带来的生产力提升是巨大的。我们现在有一家大型国际银行，我们帮助他们充分利用我们的解决方案，使其能够在其两个网站（支持大约十种不同的语言）上提高测试自动化覆盖率，在短短几周内将其从仅 40% 提高到近 90%。我认为这是一项了不起的成就，不仅是因为最终结果，还因为在具有安全性和集成的企业环境中工作通常需要很长时间。

虽然传统的测试自动化可能仅限于单一平台或语言以及一个人的能力，但 AI 增强的测试打破了这些限制。测试人员现在可以在任何平台（Web、移动、桌面）上以多种语言创建和执行测试，并具有众多测试人员的能力。这增强了测试能力，并引入了新的灵活性和效率水平。

AI 优势：多语言和全天候测试

使用 AI 提升 QA 团队的技能带来了多语言测试和 24/7 全天候运营的显著优势。在当今的全球市场中，软件产品通常必须满足不同用户的需求，需要进行多语言测试。AI 使这成为可能，而无需测试人员了解每种语言，从而扩展了软件产品的覆盖范围和可用性。

全天候测试的能力确保了测试不会成为快节奏开发中的瓶颈。AI 的自主维护功能进一步减少了更新测试用例所需的时间和精力，确保测试保持相关性和实用性。IDC 最近的一份报告预测，到 2028 年，基于生成式 AI 的工具将能够编写 70% 的软件测试。这将减少手动测试的需求，并提高测试覆盖率、软件可用性和代码质量。

应对挑战

IDC 预测，“到 2026 年，45% 的 DevOps 团队将使用利用 AI 的 DevSecOps 工具来识别应用程序和供应链中的安全挑战”。因此，虽然生成式 AI 提供了显著优势，但它也带来了组织必须解决的运营和安全挑战：

其中一些包括幻觉——AI 可能会在测试期间生成不准确或捏造的输出，从而导致结果不正确并可能忽略关键问题。数据隐私——测试期间使用的敏感数据被错误处理或泄露的风险引发了重大的隐私问题。另一个挑战是缺乏透明度。许多 AI 系统的“黑匣子”性质使得难以追踪决策过程，从而阻碍了调试和对系统的信任。 最后，安全漏洞意味着系统容易受到对抗性攻击，这些攻击可能利用系统弱点，从而危及测试过程。另一个值得一提的挑战是不一致的输出——人工智能可能会产生不稳定或不相关的结果，影响测试可靠性，并使维护一致的测试标准变得困难。

风险缓解策略

为了利用生成式人工智能的强大功能，同时降低这些风险，组织可以实施多种策略，例如“人在环路”（HITL）监督或人工监督。这确保了对人工智能生成的输出进行严格的准确性和可靠性验证。人工监督员可以审查和批准人工智能生成的测试用例，确保它们在实施前符合必要的标准。另一种方法是限制人工智能的自主性，这有助于限制人工智能的创造自由，并防止系统做出无根据的假设或行动。

为人工智能设定明确的界限和指导方针，确保其在可接受的参数范围内运行，从而保持可预测和可靠的测试过程。第三种选择是要求对行动进行推理，以执行一项策略，即人工智能必须解释其决策，提高透明度，并建立对人工智能生成结果的信任。通过要求对每个行动进行推理，开发人员可以深入了解人工智能的思维过程，并做出明智的调整。最后，安全数据管理实践有助于实施强有力的策略，保护敏感信息在人工智能训练期间不被滥用。加密、匿名化和访问控制对于保护数据隐私至关重要。

使用生成式人工智能驱动的测试实践

随着生成式人工智能越来越多地集成到软件开发生命周期中，了解其功能和局限性至关重要。通过有效地管理这些动态，开发团队可以利用生成式人工智能的潜力来增强其测试实践，同时确保其软件产品的完整性。通过仔细考虑概述的挑战和缓解策略，组织可以充分利用生成式人工智能的强大功能来推动软件测试的创新，并交付高质量的软件产品。