Kompetencje testera w erze AI: macierz umiejętności na 2027 dla testera manualnego, automatyzującego i lidera QA

Kompetencje testera w erze AI buduje się dziś najczęściej po godzinach, metodą prób i błędów, i to nie z lenistwa, tylko dlatego, że mapy nikt nie narysował. Jeśli uczycie się pracy z modelem językowym na własnych zadaniach, między regresją a refinementem, robicie dokładnie to, co większość rynku. Problem w tym, że bez mapy nie wiecie, czy stoicie w miejscu, które za rok będzie standardem, czy dopiero na starcie. Ten artykuł daje Wam tę mapę: macierz kompetencji AI dla testera manualnego, testera automatyzującego i lidera QA, z trzema poziomami i arkuszem samooceny do skopiowania. Liderzy znajdą tu też sposób, jak z arkuszy całego zespołu zrobić plan rozwoju na 2027 rok. Wszystko na liczbach z czterech źródeł, nie na wrażeniach.

Kompetencje testera w erze AI: co się naprawdę zmienia

Kompetencja AI testera to umiejętność użycia modelu językowego w zadaniu testowym i odpowiedzialnej oceny wyniku. Tyle definicji, bo ważniejsze jest to, co z niej wynika: generowanie stało się tanie, a weryfikacja i decyzja zostały drogie. Wniosek dla Was: tester AI to nie osobny zawód, tylko tester, który umie ocenić, czy to, co oddał model, jest prawdą, i wziąć za to odpowiedzialność.

Skalę zmiany pokazuje World Economic Forum: według raportu The Future of Jobs 2025 średnio 39% obecnych umiejętności pracownika zmieni się albo zdezaktualizuje w latach 2025 do 2030, a gdyby światowa siła robocza liczyła 100 osób, 59 potrzebowałoby szkolenia do 2030 roku. Ten sam raport World Economic Forum z 2025 roku stawia AI i big data na szczycie listy najszybciej rosnących umiejętności, przed sieciami i cyberbezpieczeństwem, a analityczne myślenie wskazuje jako najbardziej poszukiwaną umiejętność podstawową, niezbędną według 7 na 10 firm. Zwróćcie uwagę, że to jest para: nowa technologia plus myślenie, które ją kontroluje.

Po drugiej stronie stoi praktyka: w badaniu Stack Overflow Developer Survey 2025 narzędzi AI używa w pracy albo planuje ich używać 84% badanych, 51% zawodowych programistów używa ich codziennie, ale trafności odpowiedzi ufa tylko 33%, a nie ufa 46%. Rynek już używa, tylko nie ufa. Najrzadszą umiejętnością nie jest więc generowanie, tylko sprawdzenie wyniku, a to od zawsze była praca testera.

W zespołach, które szkolimy, widać to samo: prawie każdy ma otwarty czat, prawie nikt nie ma metody na ocenę tego, co z niego wychodzi. Dokładnie wokół tej luki zbudowany jest program Akademia AI w testach i jakości oprogramowania z trzema ścieżkami według roli oraz szkolenie AI w testowaniu oprogramowania. Podstawy zawodu się przy tym nie zmieniły i opisaliśmy je na danych z ofert pracy w tekście tester oprogramowania, wymagania i obowiązki; tu chodzi o warstwę, która doszła nad nimi.

Macierz kompetencji AI dla trzech ról: tabela poziomów od 1 do 3

Macierz czytacie tak: poziom 1 znaczy używam, poziom 2 znaczy kontroluję wynik, poziom 3 znaczy uczę innych i buduję z tego proces. Poziom liczy się tylko wtedy, gdy macie na niego dowód: link do repozytorium, zgłoszenie, prompt albo raport, który możecie komuś pokazać. Bez dowodu to nie poziom, tylko wrażenie.

Trzy role odpowiadają typowym ścieżkom w zespołach QA: tester manualny i analityk, tester automatyzujący i inżynier testów oraz lider. Wspólne fundamenty są takie same dla wszystkich, bo bez nich poziomy w roli nie mają na czym stać.

Wspólne fundamenty dla każdej roli

Tester manualny i analityk

Jeśli pracujecie blisko kodu, Wasza tabela wygląda inaczej, bo inne są pułapki.

Tester automatyzujący i inżynier testów

Lider nie musi być najlepszy w promptach, ale odpowiada za to, czy zespół mierzy efekt i zna zasady.

Lider QA, Head of QA, CTO

Najczęstszy błąd przy samoocenie to wpisanie poziomu 3 za to, że ktoś używa czatu codziennie. Częstotliwość to nie poziom. Poziom 3 zaczyna się tam, gdzie z Waszej pracy korzysta ktoś inny: zespół używa Waszej biblioteki poleceń, Waszych kryteriów odrzucenia albo Waszych zasad naprawy testów.

Arkusz samooceny kompetencji AI do skopiowania

Poniższy arkusz przenosi całą macierz na jedną kartkę. Skopiujcie go do notatki i wypełnijcie przy konkretnym zadaniu, nie z pamięci.

ARKUSZ SAMOOCENY: KOMPETENCJE AI W TESTOWANIU
Imię i rola: ______________________   Data: __________
Skala: 0 nie robię tego, 1 używam, 2 kontroluję wynik, 3 uczę innych i buduję proces
Zasada: ocena bez dowodu liczy się jako 0

WSPÓLNE FUNDAMENTY (wszyscy)
F1 Polecenie z kontekstem i ograniczeniami   ocena: __   dowód: ______________
F2 Weryfikacja wyniku modelu                  ocena: __   dowód: ______________
F3 Dane i poufność                            ocena: __   dowód: ______________

ROLA: wypełnij jedną sekcję
Tester manualny i analityk
M1 Analiza wymagań                            ocena: __   dowód: ______________
M2 Projektowanie przypadków testowych         ocena: __   dowód: ______________
M3 Dane testowe                               ocena: __   dowód: ______________
M4 Zgłoszenia błędów i testy eksploracyjne    ocena: __   dowód: ______________

Tester automatyzujący i inżynier testów
A1 Generowanie kodu testów                    ocena: __   dowód: ______________
A2 Utrzymanie i niestabilne testy             ocena: __   dowód: ______________
A3 AI w potoku CI/CD                          ocena: __   dowód: ______________
A4 Testowanie funkcji opartych na modelu      ocena: __   dowód: ______________

Lider QA, Head of QA, CTO
L1 Wybór zastosowań                           ocena: __   dowód: ______________
L2 Pomiar efektu                              ocena: __   dowód: ______________
L3 Ryzyko i zasady                            ocena: __   dowód: ______________
L4 Rozwój ludzi                               ocena: __   dowód: ______________

WYNIK
Fundamenty: __ / 9      Rola: __ / 12
Najniższa ocena w fundamentach: ______________ (od niej zaczynam)
Dwie kompetencje do podniesienia w tym kwartale:
1. ______________   zadanie, na którym ją przećwiczę: ______________
2. ______________   zadanie, na którym ją przećwiczę: ______________
Przegląd z liderem: data __________

Jak wypełnić go uczciwie? Oceniajcie się przy konkretnym zadaniu z ostatnich dwóch tygodni, nie przy wyobrażeniu o tym, co byście zrobili. Przy każdej ocenie wpiszcie dowód: link, zgłoszenie, prompt, raport. Jeśli dowodu nie ma, ocena spada do zera i to jest cenna informacja, a nie porażka.

Liderzy, dla Was jedna zasada ponad wszystkie: wypełniajcie arkusz z każdą osobą osobno, w rozmowie, nie zbiorczo w arkuszu kalkulacyjnym. Z arkuszy całego zespołu zróbcie potem mapę: policzcie, ile osób ma poziom 2 w weryfikacji wyniku modelu, czyli w wierszu F2. Jeśli mniej niż połowa, to jest Wasz pierwszy temat szkoleniowy, przed jakimkolwiek nowym narzędziem. Samoocena bez dowodu przypomina CV z rubryką „Excel: zaawansowany”: wszyscy ją mają, dopóki ktoś nie poprosi o tabelę przestawną.

Umiejętności testera manualnego i automatyzującego: gdzie najczęściej stoi zespół

Tester manualny zwykle jest na poziomie 2 w danych testowych i na poziomie 1 w analizie wymagań. Nie dlatego, że analiza jest trudniejsza, tylko dlatego, że nikt mu nie pokazał, że model najlepiej wyłapuje niejasności i sprzeczności w wymaganiu, a nie pisze przypadki. W naszych projektach zmiana jednego pytania, z „napisz przypadki testowe” na „wypisz, czego w tym wymaganiu brakuje”, przenosiła ludzi z poziomu 1 na 2 szybciej niż jakiekolwiek narzędzie. Dobrym punktem startu jest szablon promptu do przypadków testowych, który wymusza kontekst i ograniczenia z wiersza F1 macierzy.

Tester automatyzujący z kolei szybko dochodzi do poziomu 2 w generowaniu kodu, ale utyka na poziomie 1 w utrzymaniu. Powód jest podstępny: „naprawa” padającego testu przez model potrafi uciszyć prawdziwy błąd. Test znów przechodzi, defekt zostaje, a Wasz raport kłamie z czystym sumieniem.

Liczby to potwierdzają: w Stack Overflow Developer Survey 2025 aż 66% badanych wskazuje rozwiązania „prawie dobre, ale nie do końca” jako największą frustrację w pracy z AI. W tym samym badaniu Stack Overflow z 2025 roku 45,2% mówi, że debugowanie kodu wygenerowanego przez AI zajmuje więcej czasu, a 75,3% zapyta człowieka, gdy nie ufa odpowiedzi. Wniosek dla Was: „prawie dobre” to dokładnie miejsce, w którym zarabia tester, bo ktoś musi odróżnić prawie dobre od dobrego, zanim zrobi to klient.

Dwie rzeczy warto tu rozdzielić. Umiejętności testera z wiersza A4 macierzy dotyczą testowania produktu, który ma model w środku, i o tym piszemy osobno w tekście o testowaniu samych systemów AI. A jeśli nurtuje Was pytanie o przyszłość zawodu, na naszym portalu Strefa QA znajdziecie realne scenariusze tego, czy AI zabiera pracę testerom, rozpisane bez wróżenia.

Lider QA i CTO: jak użyć macierzy do planu rozwoju zespołu na 2027

World Quality Report 2025 od Capgemini, Sogeti i OpenText pokazuje, że 50% organizacji wskazuje brak kompetencji z AI i uczenia maszynowego, bez zmiany wobec 2024 roku. Według tego samego World Quality Report 2025 tylko 15% organizacji osiągnęło wdrożenie w skali całej firmy, a średni raportowany wzrost produktywności to 19%, choć około jedna trzecia widzi zysk minimalny. Wniosek dla Was: brak kompetencji stoi w miejscu od dwóch lat, mimo że narzędzia zmieniły się w tym czasie kilka razy, więc problemem nie jest narzędzie.

Pracodawcy to zresztą widzą: według World Economic Forum i raportu The Future of Jobs 2025 aż 63% z nich uważa luki kompetencyjne za główną barierę transformacji w latach 2025 do 2030, 85% planuje stawiać na podnoszenie kwalifikacji, a dwie trzecie chce zatrudniać ludzi z konkretnymi umiejętnościami AI. Budżet szkoleniowy na 2027 będzie więc pracował w warunkach, w których ci sami ludzie są trudni do zatrudnienia i warto ich wychować u siebie.

Plan z macierzy składa się z czterech kroków. Najpierw samoocena każdej osoby na arkuszu powyżej, w rozmowie i z dowodami. Potem mapa zespołu: ile osób stoi na którym poziomie w każdej kompetencji. Następnie dwie kompetencje na kwartał na osobę, nie więcej, każda przypięta do konkretnego zadania z backlogu. Na koniec przegląd po kwartale, znów na dowodach, nie na deklaracjach. Mapę kompetencji warto zestawić z planem samego wdrożenia, który rozpisaliśmy w tekście wdrożenie AI w zespole QA w 90 dni. Jeśli chcecie zderzyć ten plan z miarami pracy zespołu, pomogą Wam metryki DORA w erze AI, a przy rozmowie o budżecie tekst o tym, ile naprawdę wynosi koszt własnego zespołu QA.

Jest też kontekst prawny: art. 4 AI Act, czyli rozporządzenia (UE) 2024/1689, zobowiązuje dostawców i podmioty stosujące systemy AI do podejmowania środków wspierających rozwój kompetencji w zakresie AI u personelu, który z tych systemów korzysta; obowiązek stosuje się od 2 lutego 2025 roku, a po zmianie rozporządzeniem (UE) 2026/1744, obowiązującej od 27 lipca 2026 roku, wprost nie wymaga gwarantowania określonego poziomu kompetencji; udokumentowana samoocena i plan szkoleń to rozsądny element takich działań, przy czym to opis wymogu, nie porada prawna, i sam w sobie nie gwarantuje zgodności.

Wypełniona macierz przydaje się też indywidualnie: na platformie QA Board specjaliści QA publikują profile kompetencyjne, a firmy proszą o kontakt tylko za zgodą specjalisty. Profil zbudowany na poziomach z dowodami mówi tam o Was więcej niż lista haseł technologicznych.

Tomasz Stelmach, CEO Quality Island, który w Quality Island przeprowadził ponad 40 wdrożeń AI w procesach testów i jakości oprogramowania, mówi o tym wprost: „Zanim kupicie zespołowi kolejne narzędzie AI, sprawdźcie, kto umie ocenić jego wynik. Narzędzie bez takiej osoby nie przyspiesza testów, tylko szybciej produkuje rzeczy do sprawdzenia.” Jeśli wolicie zmapować zespół razem z nami i od razu połączyć wynik z planem, porozmawiajmy o tym przy usłudze wdrożenia AI w procesie testów, a samych liderów rozwija program rozwoju liderów jakości QA Leadership Academy.

ISTQB CT-GenAI i inne drogi nauki: co daje certyfikat, a czego nie da

Sylabus ISTQB CT-GenAI v1.0, zatwierdzony przez Zgromadzenie Ogólne ISTQB 25 lipca 2025 roku, adresowany jest do testerów, inżynierów automatyzacji testów, kierowników testów, programistów i liderów IT, a kurs akredytowany wymaga minimum 13,6 godziny zajęć w pięciu rozdziałach. Rozkład tego czasu mówi więcej niż niejedna prognoza: według sylabusa ISTQB CT-GenAI z 2025 roku inżynieria promptów w testowaniu zajmuje 365 z 815 minut, czyli prawie połowę kursu, zarządzanie ryzykiem generatywnej AI, w tym halucynacjami, błędami rozumowania, stronniczością, prywatnością danych i regulacjami, dostało 160 minut, wprowadzenie 100 minut, infrastruktura testów oparta na LLM, czyli RAG, agenty i LLMOps, 110 minut, a wdrażanie w organizacji 80 minut. Nawet organizacja układająca standardy zawodu uznała więc, że najpierw trzeba nauczyć ludzi pisać polecenia i rozpoznawać halucynacje, a dopiero potem budować infrastrukturę.

Cele nauczania sięgają poziomów K1 zapamiętanie, K2 zrozumienie i K3 zastosowanie, a ostatni z pięciu celów biznesowych mówi, że absolwent przyczynia się do zdefiniowania i wdrożenia strategii i mapy drogowej generatywnej AI w testowaniu w organizacji. Certyfikat porządkuje wiedzę i daje zespołowi wspólny język, co ma realną wartość. Nie przesunie Was jednak z poziomu 1 na 2 w macierzy, bo poziom 2 wymaga dowodu z własnej pracy, a tego żaden egzamin nie wystawi.

Jeśli macierz pokazała Wam lukę, a wolicie przejść ją z planem, a nie po godzinach metodą prób, temu służy Akademia AI w QA. To program online: wspólne fundamenty i jedna z trzech ścieżek według roli, tych samych co w macierzy wyżej, czyli tester manualny i analityk, tester automatyzujący oraz lider QA, Head of QA i CTO. Całość nagrywa Tomasz Stelmach, start 11 stycznia 2027 roku, sesje na żywo odbywają się w poniedziałki o 17:30 i każda jest nagrywana, a do zadań wystarczą darmowe wersje narzędzi AI; nakład czasu to orientacyjnie około 15 godzin tygodniowo razem z sesją. W przedsprzedaży do 30 listopada 2026 roku cena wynosi 1 350 zł netto wobec regularnych 1 750 zł netto, zamówienie złożone do 30 listopada zachowuje cenę przedsprzedaży także przy płatności w grudniu, a faktura w 2026 roku rozlicza jeszcze tegoroczny budżet szkoleniowy.

Dla tych z Was, którzy wolą krótszą formę, jest kurs online o AI w testowaniu oprogramowania, a terminy zajęć na żywo zbiera kalendarz szkoleń.

Od czego zacząć w tym tygodniu

Trzy ruchy, żaden na „kiedyś”. Po pierwsze: skopiujcie arkusz i oceńcie się przy jednym zadaniu z ostatnich dwóch tygodni; macie takie zadanie pod ręką, prawda? Po drugie: wybierzcie jedną kompetencję, w której jesteście na poziomie 1, i jedno zadanie z najbliższego sprintu, na którym ją przećwiczycie, z dowodem na koniec. Po trzecie, liderzy: zaplanujcie po 30 minut rozmowy z każdą osobą nad arkuszem, zanim zaczniecie planować budżet na 2027, bo mapa zespołu zrobiona przed budżetem kosztuje kilka godzin, a zrobiona po nim kosztuje cały źle wydany budżet.

Macierz nie mówi Wam, kim macie być. Mówi, gdzie stoicie i jaki jest następny krok w Waszej roli, niezależnie od tego, którą ze ścieżek kariery testera idziecie. Tester AI, który potrafi ocenić wynik modelu i pokazać na to dowód, nie musi czytać prognoz o przyszłości zawodu z duszą na ramieniu. Ma mapę, a z mapą po nieznanym terenie chodzi się zupełnie inaczej.

Powiązane na blogu Quality Island

• Wdrożenie AI w zespole QA: plan 90 dni, koszt pilotażu i karta mierników
• AI w testowaniu oprogramowania: szablon promptu, tabela decyzyjna i liczby z badań
• Testowanie systemów AI: jak zapewnić jakość w erze sztucznej inteligencji
• Agentic testing: czy Wasza praca właśnie się zmienia, czy znika
• Wymagania testera oprogramowania: analiza 716 ofert pracy
• Testowanie oprogramowania: ścieżki kariery i zarobki testera

Pełna lista źródeł

• World Economic Forum, The Future of Jobs Report 2025, styczeń 2025, reports.weforum.org. Stąd wzięliśmy 39% zmieniających się umiejętności, 59 na 100 pracowników do przeszkolenia, 63% i 85% pracodawców, ranking umiejętności oraz trend 57%, 44% i 39%.
• Stack Overflow, Developer Survey 2025, sekcja AI, 2025, survey.stackoverflow.co. Stąd wzięliśmy 84% używających albo planujących, 33% i 46% zaufania i braku zaufania oraz 66%, 45,2% i 75,3%.
• ISTQB, Certified Tester Specialist Level: Testing with Generative AI (CT-GenAI), sylabus v1.0, 2025, istqb.org. Stąd wzięliśmy datę zatwierdzenia, adresatów, pięć rozdziałów i ich minimalny czas, razem 13,6 godziny.
• Capgemini, Sogeti i OpenText, World Quality Report 2025, 17. edycja, listopad 2025, capgemini.com. Stąd wzięliśmy 50% wskazujących brak kompetencji z AI i ML, 15% wdrożeń w skali organizacji i 19% wzrostu produktywności.
• Dane własne Quality Island, 2026: ponad 2 500 przeszkolonych specjalistów, ponad 350 ankiet poszkoleniowych, ponad 40 wdrożeń AI w procesach testów i jakości oprogramowania, ponad 450 000 napisanych testów automatycznych.