Ускорение UI-тестирования с помощью локального ИИ-агента в крупной продуктовой компании
Крупная продуктовая компания сократила команду QA и передала написание UI-автотестов разработчикам, чтобы снизить расходы на тестирование. На практике разработчики стали тратить до 20% рабочего времени на тестовый код, релизный цикл замедлился.
Для ускорения создания UI-тестов наша команда развернула на локальных серверах клиента ИИ, который помогал быстро и безопасно создавать повторяющиеся элементы кода: проверки кнопок, полей, списков и других элементов интерфейса в мобильном приложении.
Клиент
Крупная продуктовая компания.
Задача
Задачи в контексте разработки:
-
Сократить трудозатраты на подготовку UI-автотестов без снижения качества проверок.
-
Снизить нагрузку на разработчиков, которые тратили до 20% времени на тестовый код вместо продуктовой функциональности.
-
Автоматизировать создание повторяющихся заготовок для взаимодействия с элементами интерфейса (кнопки, поля ввода, списки и др.).
-
Обеспечить ревью каждого сгенерированного теста перед добавлением в основной проект со стороны специалистов.
-
Сохранить инженерный контроль: ИИ не решает, что тестировать, и не добавляет код без проверки.
Бизнес-задачи:
-
Сократить расходы на тестирование мобильного приложения.
-
Ускорить релизный цикл за счёт перераспределения нагрузки внутри команды.
-
Повысить эффективность разработки без расширения штата и покупки готового сервиса.
-
Обеспечить безопасность данных: исходный код и пользовательские данные не должны передаваться во внешние сервисы.
-
Сделать процесс тестирования более управляемым за счёт чёткого разграничения ролей QA-инженеров и разработчиков.
Решение
Компания внедрила собственного ИИ-агента — виртуального помощника для рутинных задач по подготовке UI-автотестов. Решение развёрнуто на собственных серверах заказчикаа, поэтому исходный код приложения и пользовательские данные не передаются внешним поставщикам моделей. Взаимодействие построено через терминал на естественном языке, а для анализа кодовой базы и генерации решений использованы модели MiMo Code и GLM-4.5.
В результате работу распределили между специалистами и ИИ:
-
QA-инженеры определяют, что нужно проверять, и описывают тест-кейсы.
-
ИИ-агент генерирует заготовки тестового кода для взаимодействия с элементами интерфейса.
-
Разработчик уточняет и адаптирует код под конкретный сценарий, проводит ручное ревью — только после этого тест попадает в основной проект.
Внедрение шло постепенно: сначала инструмент применили на наименее критичных модулях, чтобы проверить качество генерации, выявить ограничения и адаптировать подход до масштабирования.
Результат
Реализация проекта позволила:
-
Автоматизировать часть рутинной работы по подготовке UI-автотестов.
-
Снизить нагрузку на разработчиков, связанная с подготовкой тестов (ранее — до 20% рабочего времени).
-
Освободить время для продуктовой разработки.
-
Сделать процесс тестирования более управляемым: роли QA-инженеров и разработчиков чётче разграничены, проверка качества сгенерированного кода обязательна.
-
Защитить исходный код и данные продукта за счёт развёртывания на собственных серверах.
-
Команде сохранить контроль над качеством: ИИ не принимает решения о том, что тестировать, и не добавляет код в проект без проверки разработчиком.
Бизнес-эффект
В конечном итоге это позволило повысить эффективность работы команды и достигнуть следующих результатов:
-
Снизить расходы и трудозатраты на тестирование без расширения штата и без покупки готового сервиса
-
Ускорить релизный цикл за счёт возврата разработчикам времени на продуктовую функциональность
-
Обеспечить безопасность данных при использовании ИИ (on-premise, без передачи данных внешним поставщикам моделей)
Технологии
MiMoCode — терминальный интерфейс для подключения и взаимодействия с LLM (GLM-4.5) в процессе разработки.
