Когда в QA у команды зоопарк фреймворков, это уже не про качество. Это про рост cost of maintenance, расползан

Когда в QA у команды зоопарк фреймворков, это уже не про качество. Это про рост cost of maintenance, расползание ownership и лишний spend на поддержку.

В крупной структуре проблема обычно одна: тесты пишутся в разнобой, стандарта нет, а каждый новый инструмент добавляет не скорость, а накладные расходы. ИИ сверху на такой хаос ставить бессмысленно — модель просто не понимает контекст, а значит, не сокращает цикл, а усложняет его.

Что сделали правильно:
— централизовали фреймворк
— добавили RAG, чтобы подтягивать релевантный контекст
— подключили MCP-сервер, чтобы LLM работала не “в вакууме”, а в рабочей среде

Экономический вывод простой: ИИ дает эффект не там, где “магия”, а там, где уже вычищена база. Сначала порядок в процессах, потом автоматизация. Иначе у вас не reduction in labor, а дорогая надстройка над неэффективностью.

Будущий QA — это не просто человек, который пишет автотесты. Это инженер, который умеет декомпозировать задачу, держать доменную экспертизу и считать, где automation реально окупается 📉