Oggi più che mai, migliorare la qualità del software rappresenta un obiettivo prioritario per le performance di qualsiasi organizzazione.
La “qualità” comprende sia le caratteristiche del prodotto software – come affidabilità, usabilità, performance e sicurezza – sia i processi utilizzati per svilupparlo e testarlo. I processi, quindi, non sono meno importanti, soprattutto considerando ciò che oggi l’AI ci permette di realizzare.
Coinvolto in un progetto relativo a una soluzione software mission-critical per un importante cliente del settore finanziario, il nostro team di Quality Assurance Engineering si è trovato ad affrontare un ostacolo comune a molte realtà del settore: l’assenza completa di requisiti funzionali e documentazione di sistema.
Lavorare su una codebase non documentata costringe i team a ricorrere a test manuali e reattivi, rallentando la velocità dei rilasci. Per interrompere questo circolo vizioso, abbiamo progettato un framework di Quality Engineering potenziato dall’AI, in grado di ricostruire la logica applicativa e automatizzare la generazione di test end-to-end (E2E).
Fase 1 – Reverse engineering della baseline funzionale
Prima di poter implementare il modello di automazione, era necessario affrontare il problema del debito documentale. Utilizzando l’AI come vero e proprio co-pilota architetturale, il nostro team ha ricostruito l’applicazione non documentata partendo da zero.
Attraverso uno sprint mirato e concentrato, abbiamo redatto tre specifiche complete dei requisiti funzionali, relative a funzionalità macro-complesse, e 15 User Stories strutturate, creando una baseline verificata dal team e condivisa sia con gli stakeholder di business sia con quelli tecnici.
Fase 2 – Il motore multi-agent per la generazione dei test
Una volta definita la baseline funzionale, abbiamo sviluppato un workflow autonomo multi-agent. Coordinati da un orchestratore centrale, cinque agenti AI specializzati eseguono le attività secondo una sequenza rigorosa e deterministica:
- L’Analista ISTQB (fase Gherkin): analizza le User Stories per generare scenari logici strutturati (Happy Path, Edge Case ed Error Path).
- L’Explorer (fase MCP): naviga l’interfaccia live in tempo reale, mappando con precisione i locator del DOM.
- Il Data Engineer (fase Data-JSON): estrae e struttura i dati di test, trasformandoli in payload JSON pronti per l’esecuzione.
- L’E2E Developer (fase Playwright): traduce specifiche, locator e dati in suite di test Playwright in JavaScript, modulari e pronte per l’utilizzo in produzione.
Fase 3 – Governance Human-in-the-Loop e impatto
Per prevenire i rischi più comuni legati a output AI non supervisionati, il framework introdotto integra rigorosi controlli di Human-in-the-Loop governance.
Gli ingegneri verificano gli scenari Gherkin generati dall’AI ed effettuano rigorose peer review su tutto il codice Playwright prima del merge nell’ambiente di staging.
Gli scenari Gherkin sono descrizioni strutturate, scritte in linguaggio naturale, del comportamento atteso del software e consentono di creare un collegamento tra il linguaggio degli stakeholder di business e quello dei team tecnici.
Combinando la velocità degli agenti autonomi con la supervisione degli ingegneri, abbiamo ottenuto risultati significativi:
- 138 test individuali generati: distribuiti in 32 robusti script E2E Playwright.
- Incremento esponenziale della velocità: abbiamo raggiunto in poche settimane un volume di test che in precedenza avrebbe richiesto sei mesi di attività manuali frammentate.
- Maturità e scalabilità: abbiamo fatto evolvere il nostro modello di testing dai controlli manuali e reattivi (Livello 1) a un ecosistema di tool ottimizzato e guidato dall’AI (Livello 4), che viene ora adottato anche all’interno della nostra practice di testing.
Integrando workflow AI multi-agent direttamente nel Software Development Life Cycle (SDLC), non ci siamo limitati ad automatizzare l’esecuzione dei test: abbiamo ridotto il debito tecnico, recuperato tempo prezioso per gli engineering team e definito un nuovo benchmark per la Quality Assurance in ambito enterprise.
Il cliente, dopo aver espresso grande soddisfazione per i risultati ottenuti, per il valore generato nel lungo periodo e per l’approccio innovativo e proattivo del team, ha deciso di adattare queste metodologie internamente ad altre soluzioni.
Scopri di più sull’Application Performance
Articolo di Lisa Scarpellini