«Банки.ру» подключили ИИ для тестирования кода: время проверки упало в 6,5 раза

Команда «МС» в «Банки.ру» до апреля 2025 года работала по классической схеме: QA-инженер подключался в конце цикла, заново перечитывал описание задачи, комментарии, макеты и только потом формулировал критерии приёмки. Acceptance Criteria (AC, по сути чек-лист, по которому команда проверяет, готова ли задача) были самой трудоёмкой частью процесса. Марго, QA-инженер команды, описала, как проблему решили с помощью ИИ для тестирования кода, и поделилась конкретными цифрами.

Что такое Acceptance Criteria и зачем их автоматизировать?

AC описывают два типа сценариев:

• Happy Path (основной путь): пользователь нажимает кнопку, получает ожидаемый результат. Например, клик на «Узнать рейтинг» возвращает балл из бюро кредитных историй.
• Edge Case (нестандартная ситуация): сервис недоступен, данные не пришли, пользователь ввёл некорректное значение. Система должна показать понятную заглушку, а не зависнуть.

Раньше QA-инженер тратил на один комплект AC несколько часов: вспомнить обсуждение на груминге (встреча, где команда разбирает задачу), перечитать Jira, просмотреть Confluence, открыть макеты в Figma, найти уточнения в комментариях и всё это свести в структурированный список. Это чистая рутина, которую и решили отдать нейросети.

Что понадобится

• Jira и Confluence с API-доступом для чтения задач и документации.
• Figma с подключённым Desktop MCP (протокол, через который ИИ читает макеты без лимита запросов в минуту).
• Claude Sonnet (закрытая модель от Anthropic) для генерации AC. Средняя стоимость обработки одной задачи, по данным команды «Банки.ру», составляет около 1 доллара.
• Навык-скрипт (в терминологии команды «скилл»), который связывает источники данных с моделью и публикует результат обратно в Jira через REST API.
• Примерно 2 недели на настройку интеграций и отладку промптов (промпт, текстовая инструкция для нейросети).

Пошаговая инструкция

1. Соберите контекст автоматически. Скрипт подключается к Jira и Confluence через вспомогательные навыки (не через MCP-серверы напрямую, потому что те иногда ломают вёрстку). К Figma подключение идёт через Desktop MCP, где нет ограничений на число запросов. На этом этапе ИИ читает описания задач, обсуждения и комментарии.

2. Передайте данные модели для генерации AC. Claude Sonnet анализирует собранный контекст, выделяет ключевые требования, помечает устаревшую информацию и формирует список критериев. К каждому AC модель добавляет обоснование, почему именно этот критерий попал в список. Если чего-то не хватает, модель формулирует уточняющие вопросы.

3. Проведите валидацию. ИИ не публикует результат сам. Он передаёт QA-инженеру структурированный список с указанием типа критерия (Happy Path или Edge Case), описанием и видом артефакта. Критерии, которые нужно перепроверить на продакшене, помечаются отдельно. QA проверяет полноту, корректирует логику и принимает решение.

4. Сохраните AC в задаче. После утверждения критерии публикуются в Jira в нужном формате через REST API. Задачи, которые не требуют AC (без изменения бизнес-логики), получают метку skip_AC, и скрипт их пропускает.

Что делать с этим прямо сейчас?

Авторам на Дзене и копирайтерам. Принцип «ИИ собирает черновик, человек проверяет и дорабатывает» работает не только в тестировании. Если вы тратите время на сбор фактуры из разных источников перед написанием текста, попробуйте тот же подход: дайте модели ссылки на материалы, попросите собрать тезисы, а потом проверьте и отредактируйте.

Маркетологам и менеджерам продуктов. Если ваша команда работает в Jira и тратит часы на описание требований, покажите им этот кейс. Стоимость около доллара за задачу при сокращении цикла тестирования в несколько раз окупается за первую неделю.

Предпринимателям в РФ. Кейс «Банки.ру» показывает, что ИИ для тестирования кода уже применяется в российских компаниях. Claude Sonnet доступен через API, но требует оплаты в валюте. Из отечественных альтернатив для генерации текстовых критериев можно попробовать YandexGPT или GigaChat, хотя прямого сравнения качества AC на этих моделях в источнике нет.

Главное, что показал этот кейс: нейросеть не заменяет QA-инженера, а убирает ту часть работы, которая не требует экспертизы, сбор и пересказ того, что уже написано в трёх разных системах. Освободившееся время уходит на поиск неочевидных ошибок, а это именно та работа, ради которой тестировщиков и нанимают.