Addio ai junior in QA, segnala un senior: sviluppatori e AI assorbono il lavoro
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Un senior QA di una fintech racconta che le aziende stanno eliminando i ruoli junior, mentre sviluppatori e strumenti AI svolgono il lavoro manuale, secondo Software Testing Weekly.
“Stanno eliminando i junior QA”, scrive un senior di una fintech. Prima sono andati via i tester manuali. Ora tagliano i junior, perché sviluppatori e strumenti di AI prendono il lavoro facile. Nella stessa discussione, un senior developer dice di voler passare al QA per auditare il codice generato. Chiede se il QA sia morto o se il mercato stia perdendo qualcosa1.
Il 333° numero di Software Testing Weekly raccoglie i segnali di questo spostamento. Martin Cáceres González nota che tutti in team usano l’AI. Il collo di bottiglia diventa il testing. Propone di delegare la routine alle macchine e di spendere il tempo umano per capire dove un cambiamento può rompere1. Vineet Verma aggiunge: l’AI ha reso il codice più veloce da scrivere. Non più veloce da fidare. Quel vuoto finisce sulla scrivania del QA.
Il tema dell’oracolo torna più volte. Madhawa Ratnayake elenca lezioni dal testing con coding agent, a partire dal controllo dei dati di test prima di credere a un fallimento. Emre Gültekir ricorda che un test verde risponde solo alla domanda che hai posto. Daniel Seidewitz racconta un caso opposto: l’agente ha passato ogni test, ma il codice era sbagliato. Valentyna Polienova descrive un audit di una suite Flutter scritta da agenti e ricava due abilità da insegnare agli agenti per catturare bug, non solo righe1.
Non tutto peggiora. Jacob Voytko riporta quanti crash vedevamo negli anni Novanta. Oggi, anche con più codice generato, partiamo da una base migliore1. Filip Hric propone il “tester 2.0”: diventare tecnici, capire come funzionano gli agenti e come valutarli.
Sul fronte operativo emergono tre piste. La prima, il monitoraggio. Ben Congdon descrive agenti che controllano ogni rilascio e individuano problemi meglio degli alert standard. Sourik Ganguly spiega come verificare codice generato con controlli, review e “ricevute”.
La seconda, l’architettura dei test. Kavitha Namduri sostiene che l’AI toglie l’alibi per tenere una suite monolitica. Dividere ora costa meno, conviene farlo dove ha impatto. Mohammad Faisal Khatri aggiorna la piramide dei test all’era del codice generato. Nathan Broadbent usa un digest settimanale della CI e un coding agent per correggere i flaky test. Esra Kocaoğlu racconta cosa succede quando lasci a un agente la riparazione dei test falliti. Ahmet Kalafat mostra una pipeline con doppia validazione: regole deterministiche decidono, il modello consiglia. Swati Seela elenca gli errori da non ripetere con “giudici” AI1.
La terza, gli strumenti. Moshiur Rahman fa vedere come ottenere bozze Playwright da user story con un LLM. Verma racconta come gli isolated retries di Playwright abbiano alzato un pass rate dal 70% al 99% e migliorato la leggibilità. Indra Aristya indica cosa verificare dopo che l’AI ha scritto i test. Tayguara Dias Reis porta un caso in cui un agente ha trovato un bug che la suite aveva mancato. Myke Ralduxin confronta Claude Code, Cursor e Copilot per il lavoro QA e invita a valutare il “cavalletto”, il harness, prima del modello. Ibrahim Denis Fofanah nota che i test degli agenti spesso coprono solo l’impianto. Boni García fa testare a un agente il proprio codice in un browser live e usa un secondo modello per la verifica. Volta Jebaprashanth lascia che l’AI faccia debug nel browser in cui il test è fallito. Quando i developer si prendono i test, costruiscono anche infrastruttura: Scapia esegue oltre 300 flussi Maestro ogni notte in un device lab leggero, con guide su principi SOLID e organizzazione dei test1.
La domanda iniziale resta aperta, ma il perimetro si chiarisce. Ai tester serviranno oracoli solidi, capacità di audit del codice generato e controllo del harness. Un passo concreto: mappare dove una modifica può rompere, introdurre controlli deterministici e registri di “ricevute”, poi affiancare agenti per esecuzione e monitoraggio su ogni rilascio1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Rilettura. Un passaggio toglie i tic della prosa generata da un modello, come i contrasti costruiti e le frasi che annunciano invece di informare, senza toccare fatti e fonti.
- Fedeltà alle fonti. Un passaggio dedicato toglie ogni affermazione che le fonti non sostengono. Valutazione su questo pezzo: 9,5/10.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale: superato.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica. Questo articolo ha preso 8,0/10 dopo 1 revisione.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.