> For the complete documentation index, see [llms.txt](https://vladislaveremeev.gitbook.io/qa_bible/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://vladislaveremeev.gitbook.io/qa_bible/ai-v-testirovanii/ai-driven-development-lifecycle.md).

# AI-Driven Development Lifecycle (AI-DLC)

**AI-Driven Development Lifecycle (AI-DLC)** — адаптация классического SDLC (Software Development Lifecycle) под реалии AI-ассистированной разработки. В отличие от традиционного жизненного цикла, AI участвует на каждой фазе: от формирования требований и написания кода до ревью, деплоя и мониторинга.

AI-DLC не является отдельной методологией — это фреймворк, описывающий, как AI встраивается в существующие процессы и что меняется на каждом этапе для команды, включая QA.

***

## Фазы AI-DLC

### 1. Discovery & Ideation (обнаружение и идеация)

**Что делает AI:**

* Анализирует рыночный контекст и конкурентов
* Синтезирует пользовательские интервью и feedback
* Генерирует гипотезы и user stories из неструктурированных данных
* Выявляет паттерны в данных поддержки и жалобах пользователей

**Роль QA на этом этапе:** Участие в формулировке acceptance criteria с самого начала. AI-сгенерированные user stories требуют ревью на:

* Полноту (все пользовательские сценарии учтены?)
* Тестируемость (можно ли проверить выполнение критерия?)
* Конкретность (нет ли размытых формулировок?)

{% hint style="info" %}
На этапе Discovery QA-инженер становится соавтором промптов для AI: чем точнее сформулированы требования, тем меньше дефектов возникнет на этапе реализации.
{% endhint %}

***

### 2. Specification (спецификация)

**Что делает AI:**

* Преобразует высокоуровневые требования в детальные спецификации
* Генерирует примеры граничных условий
* Выявляет противоречия и неполноту в требованиях
* Предлагает acceptance criteria для user stories

**Роль QA на этом этапе:** Верификация AI-сгенерированных спецификаций:

* Покрытие edge cases — AI часто упускает нетипичные сценарии
* Соответствие бизнес-логике — AI не всегда понимает контекст бизнеса
* Отсутствие двусмысленностей — AI реализует требования буквально
* Тестируемость каждого критерия — нельзя тестировать «система должна быть интуитивной»

**Ключевой артефакт:** спецификация, прошедшая QA-ревью, становится входным данным для AI-генерации кода на следующем этапе.

***

### 3. Implementation (реализация)

**Что делает AI:**

* Генерирует код по спецификации (Vibe Coding, Agentic Development)
* Ускоряет работу разработчика (AI-Augmented Development)
* Предлагает архитектурные решения
* Генерирует шаблонный код, конфигурации, документацию

**Скорость итераций:** кратно выше, чем в традиционном SDLC. Фича, которая занимала неделю, может быть реализована за день.

**Роль QA на этом этапе:** Непрерывный параллельный тест-дизайн — тест-кейсы пишутся одновременно с кодом, а не после. Ключевые задачи:

* Проверка промежуточных результатов по мере готовности
* Участие в ревью плана агента (если используется Agentic Development)
* Обновление тест-плана при изменении реализации

{% hint style="warning" %}
Высокая скорость реализации — ловушка для QA. Если тестирование начинается только после завершения реализации, команда рискует обнаружить системные проблемы, когда переделывать дорого.
{% endhint %}

***

### 4. Testing (тестирование)

**Что делает AI:**

* Генерирует тест-кейсы по коду и спецификации
* Анализирует покрытие и выявляет непокрытые пути
* Предсказывает зоны риска на основе истории дефектов
* Генерирует данные для тестирования (test data generation)
* Автоматически создаёт автотесты

**Роль QA на этом этапе:** AI смещает QA от генерации тестов к валидации качества тестов:

* Ревью AI-сгенерированных тест-кейсов на корректность и полноту
* Добавление исследовательских сценариев, которые AI не предусмотрел
* Проверка, что AI-тесты действительно тестируют требования, а не реализацию
* Обнаружение «тестов-мутантов» — тестов, написанных под баг

{% hint style="danger" %}
AI оптимизирует тест-кейсы под видимую логику кода. Дефекты в самой логике — требования, которые AI неверно понял, — такие тесты не найдут. Исследовательское тестирование человеком остаётся незаменимым.
{% endhint %}

***

### 5. Review & Integration (ревью и интеграция)

**Что делает AI:**

* Проводит статический анализ кода
* Выявляет потенциальные уязвимости (SAST)
* Проверяет соответствие code style и архитектурным паттернам
* Предлагает улучшения в PR-комментариях
* В агентном режиме: итерирует фикс до прохождения всех проверок CI

**Роль QA на этом этапе:**

* Аудит AI-решений в пайплайне: что агент изменил и почему?
* Контроль того, что агент не «починил» тесты вместо кода
* Верификация результатов автоматического ревью
* Проверка, что CI-пайплайн не был ослаблен под AI-процессы

***

### 6. Deployment & Monitoring (деплой и мониторинг)

**Что делает AI:**

* Анализирует логи в реальном времени
* Кластеризует ошибки и выявляет паттерны
* Предсказывает аномалии до того, как они становятся инцидентами
* Коррелирует деплои с изменениями в метриках

**Роль QA на этом этапе:**

* Настройка правил алертинга, покрывающих бизнес-критичные метрики
* Верификация, что AI-мониторинг отслеживает нужные показатели
* Участие в postmortem после инцидентов
* Обновление тест-сьютов на основе production-инцидентов

***

### 7. Feedback Loop (петля обратной связи)

**Что делает AI:**

* Синтезирует данные из production: логи, метрики, отзывы пользователей
* Генерирует предложения по улучшению
* Создаёт новые user stories для следующей итерации
* Анализирует распределение дефектов по компонентам

**Роль QA на этом этапе:**

* Оценка качества AI-синтеза обратной связи
* Проверка, что критические дефекты из production попадают в backlog
* Анализ трендов дефектов — где AI-разработка генерирует наибольшее количество проблем
* Корректировка тест-стратегии на основе данных

***

## AI-DLC vs традиционный SDLC

| Параметр             | Традиционный SDLC             | AI-DLC                      |
| -------------------- | ----------------------------- | --------------------------- |
| Скорость итерации    | Недели — месяцы               | Дни — недели                |
| Генерация требований | Аналитик вручную              | AI + аналитик               |
| Написание кода       | Разработчик                   | Разработчик + AI / AI-агент |
| Тест-дизайн          | QA вручную                    | AI генерирует, QA ревьюит   |
| Ревью кода           | Человек                       | Человек + AI-анализ         |
| Мониторинг           | Дашборды + алерты             | AI-аномалии + дашборды      |
| Узкое место          | Разработка                    | Спецификация и ревью        |
| Роль QA              | Downstream (после разработки) | Смещена влево на все этапы  |

***

## Ключевые риски AI-DLC для QA

### Ускорение без качества

Скорость разработки растёт. Если QA-процессы не масштабируются пропорционально — дефекты накапливаются. Без автоматизации и параллельного тест-дизайна QA становится узким местом.

### Дрейф требований

AI на каждой фазе интерпретирует требования заново. Итоговый продукт может расходиться с исходным замыслом, причём каждый шаг интерпретации выглядит корректным. Нужна непрерывная верификация против исходных требований.

### Потеря аудируемости

Когда AI участвует на всех этапах, сложно восстановить, почему было принято то или иное решение. Это затрудняет анализ дефектов, особенно в регуляторных контекстах.

### Зависимость от модели

Смена или обновление AI-модели может изменить поведение всего пайплайна — от генерируемого кода до тест-кейсов. Обновление модели — событие, требующее регрессионного тестирования.

### Эрозия навыков

Если QA-команда полностью делегирует тест-дизайн AI, экспертиза деградирует. AI-инструменты должны усиливать навыки, а не заменять их.

***

## Адаптация QA-команды к AI-DLC

### Новые компетенции QA

| Компетенция          | Описание                                         |
| -------------------- | ------------------------------------------------ |
| Prompt Engineering   | Формулировка эффективных промптов для AI-задач   |
| AI Output Validation | Оценка качества и корректности AI-вывода         |
| Context Engineering  | Управление контекстом для стабильных результатов |
| AI Risk Assessment   | Оценка рисков AI-действий и агентных изменений   |
| Prompt Testing       | Тестирование промптов как артефактов             |

### Ключевые практики

1. **Shift-left QA** — участие в каждой фазе AI-DLC, не только в Testing
2. **AI-assisted test design** — использовать AI для ускорения тест-дизайна, сохраняя человеческий ревью
3. **Continuous regression** — автоматизированный регрессионный набор как обязательное условие AI-DLC
4. **HITL на критических точках** — никакого автономного деплоя без QA-одобрения

***

## Источники

* [DORA — State of DevOps 2024](https://dora.dev/research/) — ежегодный отчёт с разделом о влиянии AI на метрики DevOps
* [Atlassian — AI in Software Development](https://www.atlassian.com/software/confluence) — практики AI-DLC
* [ISTQB — AI Testing Foundation Level](https://www.istqb.org/certifications/ai-tester) — сертификация по тестированию AI-систем