Какая нейросеть генерирует тесты?

Генерация тестов нейросетью реально работает, но не как замена тестировщика, а как ускоритель черновой работы. Разница по типам тестов ощутимая.

Лучше всего это работает для модульных (unit) тестов по готовому коду: инструменты вроде GitHub Copilot или встроенных функций в средах разработки неплохо генерируют тесты на стандартные случаи и граничные значения, если у них есть сама функция или метод для анализа. Здесь экономия времени реальная — модель видит сигнатуру функции и типовые кейсы, которые обычно проверяют.

Со сценарными тест-кейсами по текстовому описанию функционала сложнее. Языковая модель может накидать черновик: основные позитивные и негативные сценарии, очевидные граничные условия, но она не знает бизнес-контекста вашего продукта, например того, что для конкретного клиента скидка не должна суммироваться с промокодом, если это нигде явно не описано в задаче. Такие тонкости все равно приходится добавлять руками.

Рабочая схема, которую стоит попробовать:

• дать модели текст задачи или пользовательской истории и попросить накидать список сценариев для проверки;
• пройтись по списку самому и добавить кейсы, специфичные для вашего продукта, которых модель знать не может;
• для готового кода дополнительно прогнать генерацию unit-тестов через инструмент, встроенный в среду разработки.

По опыту команд, которые уже внедрили такой подход, экономия времени на рутинных, повторяющихся тест-кейсах доходит до 30-40%, но полностью убрать этап ручной проверки и написание тестов на нетривиальную бизнес-логику пока не получается ни у одного инструмента. Если ожидания настроены правильно — черновик плюс ваша правка, а не готовый результат, — внедрение окупается быстро.