PrzedsprzedażAkademia AI w testach i jakości oprogramowania: 1 350 zł zamiast 1 750 zł netto do 30 listopada

Startuje przedsprzedaż Akademii AI w testach i jakości oprogramowania: 5 tygodni z Tomaszem Stelmachem, start 11 stycznia 2027. Wyjątkowa cena 1 350 zł netto zamiast 1 750 zł tylko do 30 listopada.

zostało 12 dniZobaczcie program i zapiszcie się
Generowanie przypadków testowych z AI: prompty z technik ISTQB i checklista
Czas czytania: 14 minut

Generowanie przypadków testowych z AI wygląda imponująco dokładnie do momentu, w którym zaczniecie czytać wynik. Znacie to uczucie: wklejacie wymaganie do ChatGPT, Copilota albo Claude, dostajecie profesjonalnie sformatowaną tabelę, a po chwili okazuje się, że część przypadków sprawdza reguły, których nikt nigdy nie zapisał. Problem rzadko leży w narzędziu, częściej w poleceniu: model zna techniki projektowania testów z podręcznika, ale nie zna Waszego produktu. Prośba osadzona w konkretnej technice ISTQB daje wynik, który umiecie sprawdzić, bo technika mówi, co powinno się w nim znaleźć. Dlatego dostajecie tu jedną specyfikację z prawdziwymi wartościami, cztery prompty, oczekiwane wyniki i checklistę, która łapie halucynacje. Ten tekst należy do serii, którą przygotowujemy przed startem programu Akademia AI w testach i jakości oprogramowania.

45%
testów z Copilota nadawało się do użycia, gdy projekt miał już testy (AST 2024)
92%
bezużytecznych testów, gdy projekt nie miał istniejących testów (AST 2024)
2%
maksymalne pokrycie na prawdziwych projektach Java, przy ponad 80% na zadaniach podręcznikowych (EASE 2024)
64%
błędów w testach z modeli językowych to błędy asercji (arXiv 2025)

Generowanie przypadków testowych z AI: co model robi dobrze, a gdzie zmyśla

Generowanie przypadków testowych z AI polega na tym, że model językowy dostaje wymaganie i zwraca propozycję przypadków: warunki, kroki, dane i oczekiwany wynik. To szkic do sprawdzenia, nie gotowy zestaw. Model w minutę rozpisuje kombinacje, pamięta o polach pustych i formatuje wszystko w czytelną tabelę. Ma też słabość, która kosztuje najwięcej: tam, gdzie specyfikacja milczy, model nie milczy. Wymyśla komunikaty błędów, limity i reguły biznesowe, a potem podaje je tym samym pewnym tonem co fakty.

Ten wzorzec omawiamy na każdym jednodniowym szkoleniu z AI w testowaniu oprogramowania. W zespołach, które szkolimy, scenariusz bywa ten sam: ktoś wkleja całą historyjkę użytkownika, dostaje 40 przypadków, z czego kilka sprawdza nieistniejące reguły, a wartości granicznych brakuje. Tabela wygląda jak praca doświadczonego testera, ale nie przeszłaby jego przeglądu. Tomasz Stelmach, CEO Quality Island, widzi to z bliska: w Quality Island przeprowadził ponad 40 wdrożeń AI w procesach testów i jakości oprogramowania.

Żeby ocenić, czego brakuje w tabeli od modelu, trzeba wiedzieć, jak wygląda dobry przypadek testowy. Ogólny szablon promptu znajdziecie w artykule o AI w testowaniu oprogramowania, a tutaj idziemy poziom głębiej, w konkretne techniki. Wniosek dla Was: technika ISTQB w prompcie zamienia „wygeneruj” w „zastosuj metodę, której wynik umiem sprawdzić”.

Przykład do pracy: specyfikacja formularza rejestracji z prawdziwymi wartościami

Wszystkie cztery prompty pracują na jednej specyfikacji, bo porównujecie metody, nie przykłady. Formularz rejestracji ma pola z zakresami, reguły łączone i stany konta, więc nadaje się do każdej techniki. Jeśli któraś brzmi mgliście, zajrzyjcie najpierw do artykułu o technikach projektowania testów.

SPECYFIKACJA: Formularz rejestracji konta w sklepie internetowym.
Pole "Login": wymagane, od 3 do 20 znaków, dozwolone litery a-z i A-Z, cyfry 0-9 oraz podkreślnik "_". Login musi być unikalny.
Pole "E-mail": wymagane, poprawny format adresu, adres unikalny w systemie.
Pole "Hasło": wymagane, od 8 do 64 znaków, co najmniej jedna wielka litera i jedna cyfra.
Pole "Wiek": wymagane, liczba całkowita od 18 do 99.
Pole "Kod polecający": opcjonalne, dokładnie 6 znaków, wielkie litery i cyfry.
Pole "Akceptuję regulamin": wymagane zaznaczenie.
Po wysłaniu poprawnego formularza konto ma stan NIEPOTWIERDZONE, a system wysyła link aktywacyjny ważny 24 godziny.
Kliknięcie linku w ciągu 24 godzin zmienia stan na AKTYWNE.
Po 24 godzinach bez kliknięcia konto przechodzi w stan WYGASŁE. Użytkownik może poprosić o nowy link, co przywraca stan NIEPOTWIERDZONE.
Pięć nieudanych logowań z rzędu na koncie AKTYWNE zmienia stan na ZABLOKOWANE.
Reset hasła przez e-mail na koncie ZABLOKOWANE przywraca stan AKTYWNE.

Ten blok wklejacie raz, na początku rozmowy. Zaraz po nim drugi, krótszy:

ZASADY: Opieraj się wyłącznie na SPECYFIKACJI.
Przy każdym przypadku podaj, z którego zdania specyfikacji wynika.
Nie wymyślaj komunikatów błędów, pól, limitów ani reguł.
Jeśli czegoś brakuje albo coś jest niejednoznaczne, dopisz to na końcu jako PYTANIE DO ANALITYKA.
Dane testowe mają być fikcyjne.

Dwie zasady niosą cały ciężar. Odnośnik do zdania specyfikacji sprawia, że każdy przypadek da się prześledzić do źródła, a przypadek bez źródła to od razu kandydat na halucynację. PYTANIE DO ANALITYKA zamienia zgadywanie w pytanie: tam, gdzie model dopisałby własną regułę, zostawia decyzję Wam.

Cztery prompty z technik ISTQB, gotowe do skopiowania

Każdy prompt doklejacie po SPECYFIKACJI i ZASADACH. Zasada żelazna: jeden prompt, jedna technika, jedna odpowiedź, bo cztery techniki w jednym poleceniu dają odpowiedź płytką we wszystkich czterech. Dzięki temu generowanie przypadków testowych przestaje być loterią: przy każdym prompcie macie tabelę „Co powinniście dostać”, z którą porównujecie odpowiedź modelu.

Prompt 1: klasy równoważności

Technika dzieli dane wejściowe na grupy, które system powinien traktować tak samo, i bierze po jednym reprezentancie z grupy; pilnuje, żeby żadna grupa danych niepoprawnych nie została pominięta.

TECHNIKA: Podział na klasy równoważności (ISTQB, poziom podstawowy).
ZADANIE: Dla pól "Wiek" i "Login" wypisz osobno klasy poprawne i niepoprawne. Dla każdej klasy podaj jednego reprezentanta i oczekiwany wynik: przyjęte albo odrzucone.
FORMAT: Tabela: pole | klasa | poprawna czy niepoprawna | reprezentant | oczekiwany wynik | zdanie ze specyfikacji.
POKRYCIE: Każda klasa niepoprawna w osobnym przypadku. Nie łącz dwóch błędów w jednym teście.

Co powinniście dostać

PoleKlasaReprezentantOczekiwany wynik
Wiekliczba całkowita od 18 do 9935przyjęte
Wiekponiżej 1810odrzucone
Wiekpowyżej 99120odrzucone
Wiekliczba niecałkowita25,5odrzucone
Wiekwartość nieliczbowa albo puste pole„abc”, pusteodrzucone (dwa osobne przypadki)
Loginod 3 do 20 dozwolonych znakówtester_01przyjęte
Loginkrótszy niż 3 znakiabodrzucone
Logindłuższy niż 20 znakówlogin o długości 25 znakówodrzucone
Loginznak spoza dozwolonychjan.kowalskiodrzucone
Loginlogin już zajęty albo puste poleistniejący login, pusteodrzucone (dwa osobne przypadki)

Źródło: opracowanie Quality Island na podstawie specyfikacji z tego artykułu.

Na co patrzeć: modele lubią dawać kilku reprezentantów tej samej klasy (wiek 25, 30 i 40 to jeden test w trzech kopiach) i zapominają o klasie „liczba niecałkowita”. Dobra odpowiedź zada też pytania, których specyfikacja nie rozstrzyga: czy polskie znaki w loginie („Łukasz”) są niedozwolone, skoro lista mówi a-z, i jak system traktuje wiek wpisany jako „018”.

Prompt 2: wartości brzegowe

Błędy lubią granice, bo tam programista wybiera między znakiem „mniejsze” a „mniejsze lub równe”.

TECHNIKA: Analiza wartości brzegowych, wariant dwupunktowy (ISTQB, poziom podstawowy).
ZADANIE: Dla pól "Wiek", "Login" (długość), "Hasło" (długość) i "Kod polecający" (długość) wskaż każdą granicę i podaj wartość na granicy oraz najbliższą wartość po drugiej stronie granicy.
FORMAT: Tabela: pole | granica | wartość | oczekiwany wynik | zdanie ze specyfikacji.
DODATKOWO: Wypisz osobno, które wartości dołożyłby wariant trzypunktowy.

Co powinniście dostać

PoleWartości odrzuconeWartości przyjęte
Wiek17 i 10018 i 99
Login, długość2 i 21 znaków3 i 20 znaków
Hasło, długość7 i 65 znaków8 i 64 znaki
Kod polecający, długość5 i 7 znaków6 znaków

Źródło: opracowanie Quality Island na podstawie specyfikacji z tego artykułu.

Razem 15 wartości; wariant trzypunktowy dokłada 19 i 98 dla wieku, 4 i 19 znaków dla loginu oraz 9 i 63 znaki dla hasła.

Na co patrzeć: kod polecający jest opcjonalny, więc pusty kod ma być przyjęty, a kod z 5 znaków odrzucony; modele często mieszają te sytuacje. Druga pułapka: hasło z 8 znaków, ale bez cyfry, testuje dwie reguły naraz. Do granic długości hasła używajcie haseł spełniających pozostałe reguły.

Prompt 3: tablica decyzyjna

Tablica decyzyjna pilnuje kombinacji warunków, czyli miejsca, w którym ludzie najczęściej przyjmują „to oczywiste” bez sprawdzenia.

TECHNIKA: Testowanie z użyciem tablicy decyzyjnej (ISTQB, poziom podstawowy).
WARUNKI: W1 e-mail jest unikalny. W2 hasło spełnia reguły. W3 wiek mieści się w zakresie od 18 do 99. W4 regulamin zaakceptowany.
AKCJE: A1 konto utworzone w stanie NIEPOTWIERDZONE. A2 formularz odrzucony z komunikatem.
ZADANIE: Zbuduj pełną tablicę dla wszystkich kombinacji warunków, a potem wersję zminimalizowaną. Przy minimalizacji napisz, które kolumny połączyłeś i dlaczego.
FORMAT: Warunki i akcje w wierszach, reguły w kolumnach, wartości T, N oraz * dla wartości dowolnej.

Co powinniście dostać

Warunek albo akcjaR1R2R3R4R5
W1 e-mail unikalnyTN***
W2 hasło spełnia regułyT*N**
W3 wiek od 18 do 99T**N*
W4 regulamin zaakceptowanyT***N
A1 konto utworzonetaknienienienie
A2 formularz odrzuconynietaktaktaktak

Źródło: opracowanie Quality Island na podstawie specyfikacji z tego artykułu.

Pełna tablica ma 2 do potęgi 4, czyli 16 kolumn; zminimalizowana ma 5.

Na co patrzeć: minimalizacja zakłada, że nie ma znaczenia, który komunikat zobaczy użytkownik, gdy dwa warunki są fałszywe naraz, a specyfikacja tego nie mówi. Dobra odpowiedź zada to pytanie, słaba wymyśli komunikat „Popraw zaznaczone pola” i zrobi z niego oczekiwany wynik. To najczęstsza halucynacja wymagań w tej technice.

Prompt 4: przejścia stanów

Przejścia stanów pilnują tego, czego nie widać na jednym ekranie, czyli historii konta w czasie.

TECHNIKA: Testowanie przejść pomiędzy stanami (ISTQB, poziom podstawowy).
ZADANIE: Zbuduj tabelę stanów i zdarzeń dla konta. Stany: NIEPOTWIERDZONE, AKTYWNE, WYGASŁE, ZABLOKOWANE. Zaproponuj przypadki testowe, które pokryją każde poprawne przejście. Potem osobno wypisz przejścia niepoprawne, czyli zdarzenia, które w danym stanie nie mają opisanego skutku, i przy każdym zadaj PYTANIE DO ANALITYKA.
FORMAT: Tabela: stan początkowy | zdarzenie | stan końcowy | przypadek testowy.

Co powinniście dostać

Stan początkowyZdarzenieStan końcowy
NIEPOTWIERDZONEkliknięcie linku w ciągu 24 godzinAKTYWNE
NIEPOTWIERDZONEupływ 24 godzin bez kliknięciaWYGASŁE
WYGASŁEprośba o nowy linkNIEPOTWIERDZONE
AKTYWNEpięć nieudanych logowań z rzęduZABLOKOWANE
ZABLOKOWANEreset hasła przez e-mailAKTYWNE

Źródło: opracowanie Quality Island na podstawie specyfikacji z tego artykułu.

Na co patrzeć: pięć wierszy to pełne pokrycie poprawnych przejść, ale ciekawsze jest to, czego specyfikacja nie mówi. Dobra odpowiedź zapyta, co się dzieje po kliknięciu starego linku na koncie WYGASŁE, czy reset hasła działa na koncie NIEPOTWIERDZONE i czy udane logowanie zeruje licznik nieudanych prób. Słaba dopisze własne komunikaty i stany. Model, który nie zadał ani jednego pytania o tę specyfikację, przypomina nowego kolegę, który po pierwszym dniu mówi, że wszystko jest jasne: miło to usłyszeć, ale jego pierwszy raport lepiej przeczytać dwa razy.

Chcecie ćwiczyć takie prompty na zadaniach, a nie na własnych pomyłkach? Akademia AI w QA ma osobne ścieżki dla testera manualnego i analityka oraz testera automatyzującego. Start 11 stycznia 2027, do 30 listopada cena przedsprzedaży 1 350 zł netto.

Akademia AI w QA

Checklista weryfikacji: co tester manualny sprawdza w wyniku AI

Tu praca testera nie znika, tylko zmienia kształt: z pisania przypadków na ich odbiór, a odbiór to umiejętność do wyćwiczenia (więcej w macierzy kompetencji testera w erze AI). Żeby odebrać wynik AI, trzeba znać techniki, którymi powstał. Jeśli chcecie, żeby tester manualny w Waszym zespole miał te podstawy, kurs testera oprogramowania daje fundamenty, bez których trudno ocenić, czego w tabeli brakuje. Poniżej protokół odbioru: dziesięć punktów, zanim cokolwiek trafi do repozytorium.

Checklista: zanim przypadki z AI trafią do repozytorium testów

01Odnośnik do źródła: każdy przypadek wskazuje zdanie specyfikacji, z którego wynika. Przypadek bez odnośnika to kandydat na halucynację wymagań.

02Zmyślone reguły: szukajcie liczb, limitów i komunikatów, których nie ma w specyfikacji, na przykład wymogu znaku specjalnego w haśle albo limitu 30 znaków loginu.

03Duplikaty: dwa przypadki z reprezentantami tej samej klasy to jeden test w dwóch kopiach. Usuńcie je przed zapisaniem.

04Przypadki negatywne: policzcie przypadki, które kończą się odrzuceniem danych. W tej specyfikacji klas niepoprawnych jest więcej niż poprawnych, więc przewaga ścieżek szczęśliwych oznacza słaby prompt. Każdy przypadek negatywny ma tylko jeden błąd.

05Obie strony granicy: przy każdej granicy jest wartość na granicy i jej sąsiad po drugiej stronie, na przykład 17 i 18 oraz 99 i 100.

06Konkretny oczekiwany wynik: „system działa poprawnie” to nie wynik. Wynik to stan konta, przyjęcie albo odrzucenie danych, albo pytanie do analityka.

07Pytania do analityka: pusta lista pytań przy tej specyfikacji to sygnał ostrzegawczy, nie sukces.

08Priorytety: model zwykle nadaje wszystkim przypadkom ten sam priorytet. Priorytet ustala tester według ryzyka.

09Dane osobowe: w prompcie i w wyniku są wyłącznie dane fikcyjne. Żadnych prawdziwych adresów e-mail, numerów PESEL ani zrzutów z produkcji.

10Polityka narzędzia: przed wklejeniem specyfikacji sprawdźcie, czy Wasza organizacja dopuszcza to narzędzie do takich dokumentów.

Źródło: opracowanie Quality Island; punkty stosowane przy przeglądzie przypadków testowych w naszych projektach.

Punkt 09 wynika wprost z zasady minimalizacji danych w art. 5 ust. 1 lit. c RODO: dane osobowe mają być ograniczone do tego, co niezbędne do celów przetwarzania. To opis zasady, nie porada prawna; politykę narzędzi ustala Wasza organizacja.

Odebrany przypadek warto zapisać w formacie czytelnym dla analityka i automatu, na przykład jako scenariusze w języku Gherkin, które wymuszają warunek wstępny, akcję i wynik. Z naszego doświadczenia najwięcej czasu oszczędza punkt 01: odnośnik do zdania specyfikacji wyłapuje większość halucynacji, zanim zaczniecie czytać kroki.

ChatGPT, Copilot czy Claude: ile zmienia wybór narzędzia?

Uczciwa odpowiedź: nie ma rankingu, który rozstrzygnie to za Was. Badanie z konferencji ISEC 2025 (IIIT Hyderabad) porównało sześć ogólnodostępnych modeli, w tym ChatGPT, Claude i Gemini, na przypadkach testowych z wymagań w języku naturalnym, walidując je na modelu Simulink. Ciekawsza od wyniku jest metoda: żeby porównać odpowiedzi, badacze potrzebowali wzorca. Wy ten wzorzec już macie, to tabele „Co powinniście dostać” z sekcji trzeciej.

Liczby pokazują coś ciekawszego niż ranking. Według badania El Hajiego, Brandt i Zaidmana z konferencji AST 2024 Copilot, przy 290 ocenionych testach, dawał około 45,28% testów nadających się do użycia, gdy projekt miał już testy, i aż 92,45% bezużytecznych, gdy ich nie miał. Analiza Alvesa i współautorów z 2025 roku, porównująca GPT-4o, Amazon Q i Llama 3.3, wykazała, że 64% błędów w wygenerowanych testach to błędy asercji. W tym samym badaniu z 2025 roku najmniej błędów miał GPT-4o (10 i 6% w dwóch scenariuszach), a najwięcej Amazon Q (19 i 28%). Wniosek dla Was: rozrzut między narzędziami istnieje, ale rozrzut między „z kontekstem” a „bez kontekstu” jest większy.

Praktyczna różnica: asystent w edytorze kodu widzi otwarte pliki i istniejące testy, a czat widzi tylko to, co wkleicie. O wyborze w firmie decyduje polityka bezpieczeństwa organizacji, nie sympatia zespołu. Prompty z sekcji trzeciej działają w każdym z tych narzędzi, bo nie zależą od funkcji producenta. Przećwiczyć je w swoim tempie możecie na kursie online AI w testowaniu oprogramowania.

Pokrycie to nie jakość: co badania z lat 2023 do 2025 mówią o testach z LLM

Badania mówią dwie rzeczy naraz. Pierwsza: modele realnie podnoszą pokrycie. Według badania Schäfera, Nadi, Eghbali i Tipa z 2023 roku narzędzie TestPilot osiągnęło na 25 pakietach npm medianę pokrycia instrukcji 70,2% i gałęzi 52,8%, wobec 51,3 i 25,6% dla wcześniejszego narzędzia Nessie.

Wbrew pozorom

Intuicja podpowiada, że model, który świetnie radzi sobie z zadaniami testowymi, poradzi sobie też w Waszym projekcie. Badanie Siddiqa i współautorów z konferencji EASE 2024 pokazało coś odwrotnego: model Codex osiągał ponad 80% pokrycia na podręcznikowych zadaniach HumanEval, a na prawdziwych projektach Java ze zbioru SF110 żaden badany model nie przekroczył 2%. Wynik na przykładach z internetu mówi więc niewiele o wyniku na Waszym kodzie i Waszych wymaganiach, dlatego weryfikacja jest częścią metody, nie dodatkiem.

Źródło: Siddiq i inni, Using Large Language Models to Generate JUnit Tests, EASE 2024.

Druga: modele częściej rozpoznają, niż rozumieją. Z badania Qureshiego i Jianga z 2025 roku wynika, że po zmianie nazw identyfikatorów w kodzie skuteczność obu badanych modeli spadała o ponad 60%. Dlatego odnośnik do zdania specyfikacji jest tak skuteczny: wymusza na modelu pokazanie, skąd coś wie.

Weryfikacja nie tylko filtruje, ona poprawia wynik. Mutation score liczy się tak: celowo psujemy kod w drobnych miejscach i sprawdzamy, ile takich zmian testy wyłapią; pokrycie mówi, że kod został wykonany, mutation score mówi, czy test zauważyłby błąd. Według badania Dakhel i współautorów z 2023 roku metoda MuTAP, która podaje modelowi informację zwrotną z testowania mutacyjnego, osiągnęła mutation score 93,57% i wykrywała do 28% więcej błędnych fragmentów kodu. Przegląd Wanga i współautorów z 2024 roku objął 102 prace naukowe o modelach językowych w testowaniu.

Wniosek dla Was: ta sama zasada działa bez kodu, na poziomie przypadków. Przypadek, który przejdzie zarówno dla poprawnej, jak i błędnej implementacji, niczego nie sprawdza. Tomasz Stelmach, CEO Quality Island, mówi o tym krótko: „Model zna techniki projektowania testów z podręcznika, ale nie zna Waszego produktu. Dlatego tester nie przestaje być potrzebny, tylko zmienia się jego pierwsza czynność: zamiast pisać przypadki, sprawdza, które z wygenerowanych naprawdę coś sprawdzają.”

Z danych własnych Quality Island, czyli z ponad 450 000 napisanych testów automatycznych, wiemy, ile kosztuje test, który przechodzi zawsze: tyle, ile jego utrzymanie, przy zerowej wartości. Szerszy obraz tego, co w AI dla QA już działa, a co jeszcze nie, znajdziecie na Strefie QA, siostrzanym portalu Quality Island.

Jak wprowadzić prompty do pracy zespołu w dwa tygodnie

Dwa tygodnie, pięć kroków

01Wybierzcie jedną funkcję ze sprintu i spiszcie specyfikację jak w sekcji 2, z liczbami zamiast przymiotników.

02Uruchomcie cztery prompty osobno, w jednym narzędziu, i zapiszcie odpowiedzi bez poprawek.

03Przejdźcie checklistę z sekcji 4 i policzcie, ile przypadków odrzuciliście i z jakiego powodu.

04Pytania do analityka wyślijcie analitykowi. Odpowiedzi dopiszcie do specyfikacji, a nie tylko do testów.

05Po dwóch tygodniach porównajcie czas przygotowania przypadków, odsetek odrzuconych i liczbę nowych pytań.

Źródło: opracowanie Quality Island.

To, co ćwiczycie w tych krokach, weszło do oficjalnego kanonu zawodu. Według komunikatu ISTQB z lipca 2025 roku certyfikacja Certified Tester Testing with Generative AI (CT-GenAI) obejmuje prompt engineering w analizie i projektowaniu testów oraz ograniczanie ryzyk halucynacji i prywatności danych. Jeśli planujecie certyfikację, podpowiadamy, który certyfikat ISTQB wybrać.

Jeżeli wolicie ćwiczyć pod okiem prowadzącego, Akademia AI w QA ma osobne ścieżki dla testera manualnego i analityka oraz dla testera automatyzującego, a zadania wyglądają jak te z tego artykułu. Program nagrywa w całości Tomasz Stelmach. Start 11 stycznia 2027 roku, sesje na żywo w poniedziałki o 17:30, każda nagrywana. Do 30 listopada 2026 roku obowiązuje cena przedsprzedaży 1 350 zł netto zamiast 1 750 zł netto, także przy płatności w grudniu, a faktura rozlicza tegoroczny budżet szkoleniowy. Do zadań wystarczą darmowe wersje narzędzi AI.

Gdy zespół potrzebuje procesu, a nie tylko umiejętności, zacznijcie od planu wdrożenia AI w zespole QA na 90 dni i sprawdźcie wdrożenie AI w procesie testów albo zajrzyjcie do kalendarza szkoleń.

Wolicie jeden dzień z trenerem i prompty przećwiczone na wymaganiach podobnych do Waszych? Szkolenie przechodzi przez generowanie testów i granice zaufania do modelu.

Szkolenie AI w testowaniu

A jeśli chcecie posłuchać, jak inne zespoły podchodzą do tego tematu, AI w testach pojawia się w rozmowach testerów na Testing Ground Conference.

Co zabrać z tego artykułu

01Generowanie przypadków testowych z AI działa najlepiej, gdy prompt nazywa technikę ISTQB.

02Jedna specyfikacja z liczbami, jeden blok zasad, jeden prompt na technikę.

03Odnośnik do zdania specyfikacji przy każdym przypadku to najtańszy filtr na halucynacje wymagań.

04Według badania z AST 2024 Copilot dał około 45 procent użytecznych testów przy istniejących testach i ponad 92 procent bezużytecznych bez nich.

05Przypadek, który przejdzie dla poprawnej i błędnej implementacji, niczego nie sprawdza.

06Pusta lista pytań do analityka to sygnał ostrzegawczy.

Źródło: El Haji, Brandt i Zaidman (AST 2024), Siddiq i inni (EASE 2024), Dakhel i inni (2023), dane własne Quality Island.


Powiązane na blogu Quality Island

Pełna lista źródeł

  • Khalid El Haji, Carolin Brandt, Andy Zaidman (Delft University of Technology), Using GitHub Copilot for Test Generation in Python: An Empirical Study, AST 2024, conf.researchr.org. Stąd 290 testów, 45,28 i 92,45 procent.
  • Mohammed Latif Siddiq i inni, Using Large Language Models to Generate JUnit Tests: An Empirical Study, EASE 2024, arxiv.org. Stąd 80 i 2 procent pokrycia.
  • Max Schäfer, Sarah Nadi, Aryaz Eghbali, Frank Tip, An Empirical Evaluation of Using Large Language Models for Automated Unit Test Generation, 2023, arxiv.org. Stąd pokrycie TestPilot i Nessie.
  • Arghavan Moradi Dakhel i inni, Effective Test Generation Using Pre-trained Large Language Models and Mutation Testing, 2023, arxiv.org. Stąd mutation score MuTAP.
  • Victor Alves i inni, Quality Assessment of Python Tests Generated by Large Language Models, 2025, arxiv.org. Stąd błędy asercji i różnice między modelami.
  • Irtaza Sajid Qureshi, Zhen Ming Jiang, Test Case Generation from Bug Reports via Large Language Models, 2025, arxiv.org. Stąd spadek po zmianie nazw identyfikatorów.
  • Brahma Reddy Korraprolu, Pavitra Pinninti, Raghu Reddy (IIIT Hyderabad), Test Case Generation for Requirements in Natural Language: An LLM Comparison Study, ISEC 2025, conf.researchr.org. Stąd porównanie sześciu modeli.
  • ISTQB, komunikat o certyfikacji Certified Tester Testing with Generative AI (CT-GenAI), 2025, istqb.org. Stąd zakres certyfikacji.
  • Rozporządzenie (UE) 2016/679 (RODO), art. 5 ust. 1 lit. c, 2016, eur-lex.europa.eu. Stąd zasada minimalizacji danych.
  • Junjie Wang i inni, Software Testing with Large Language Models: Survey, Landscape, and Vision, IEEE Transactions on Software Engineering, 2024, arxiv.org. Stąd przegląd 102 prac.
  • Dane własne Quality Island, 2026: ponad 450 000 napisanych testów automatycznych, ponad 2 500 przeszkolonych specjalistów, ponad 40 wdrożeń AI w procesach testów i jakości oprogramowania.

Co o tym sądzisz?

Dodaj komentarz

Bądź na bieżąco
Strefa QA, portal z eksperckimi artykułami o jakości oprogramowania
Bądź na bieżąco
Specjalista ds. AI w organizacji
Specjalista ds. AI w organizacji: program przekwalifikowujący

4 400,00 zł

03.02.27, 14.04.27, 02.06.27
5 dni
Inżynier AI
Inżynier AI: program przekwalifikowujący dla specjalistów IT

6 900,00 zł

12.01.27, 16.03.27
8 tygodni
KURS ONLINE: PAQT Foundation, AI w pracy testera, przygotowanie do egzaminu

790,00 zł

Popularne artykuły
Język Gherkin: co to jest i jak go używać w testowaniu oprogramowania
Smoke test: co to jest, kiedy go uruchamiać i czym różni się od sanity testu
Jak zostać testerem oprogramowania: ścieżka krok po kroku bez dyplomu informatyka
Najnowsze artykuły
Automatyzacja testów: od czego zacząć, tabela decyzyjna narzędzi i pierwszy test do wklejenia
Generowanie przypadków testowych z AI: prompty z technik ISTQB i checklista
Szkolenie zamknięte dla zespołu QA: koszt, dofinansowanie z KFS 2026 i szablon zapytania
Popularne kategorie

Grupa marek jakości oprogramowania

Jakość oprogramowania w Polsce ma swój adres

Quality Island