در حالی که 81 درصد از رهبران سازمانی بر این باورند که هوش مصنوعی می تواند به طور قابل اعتمادی اشکالات خود را شناسایی کند، حتی با وجود شواهدی که وجود دارد، تنها 64 درصد از متخصصان نرم افزار به آن اعتماد دارند، بر اساس گزارش وضعیت کیفیت و تست نرم افزار SmartBear در سال 2026، شکاف اطمینان در کیفیت نرم افزار هوش مصنوعی آشکار می شود.
در واقع، بر اساس این نظرسنجی، 46 درصد از تیم‌ها کدهای تولید شده توسط هوش مصنوعی را ارسال کرده‌اند که بعداً شکست خورده است، اما از این تعداد، 69 درصد همچنان گفته‌اند که اطمینان بالایی دارند یا کاملاً مطمئن هستند که این کد طبق طراحی کار می‌کند. این گزارش خاطرنشان می‌کند که شکاف بین آنچه رهبران باور دارند و آنچه پزشکان می‌بینند گسترده است، و این به توسعه‌دهندگان و مهندسان نرم‌افزار بستگی دارد که اطمینان حاصل کنند که نتایج آنها انتظارات مدیریت را برآورده می‌کند، “خواه ابزارها و فرآیندهای مناسب برای انجام آن را داشته باشند یا نه”.
اعتبارسنجی هرگز مهمتر از این نبوده است
در حالی که استفاده از هوش مصنوعی برای تست نرم‌افزار ضروری است، زیرا هوش مصنوعی کد بیشتری را با سرعت زیاد تولید می‌کند، سازمان‌ها به بررسی‌های مناسب برای تأیید عملکرد آن در طول چرخه عمر توسعه نیاز دارند. بخشی از این اعتبارسنجی شامل بررسی عملکرد هوش مصنوعی توسط انسان ها می شود تا مطمئن شوند که نرم افزار همانطور که در نظر گرفته شده کار می کند و دارای اشکال نیست.
باز هم، توسعه دهندگان بیش از رهبران نسبت به تست های تولید شده توسط هوش مصنوعی احتیاط می کنند، به طوری که 56٪ گزارش داده اند که به تست های هوش مصنوعی بیشتر از تست های نوشته شده توسط انسان اعتماد دارند. در همین حال، 72 درصد از رهبران این اعتماد را دارند. اما سازمان‌ها کاملاً آماده کنار گذاشتن آزمایش‌کنندگان نیستند، تنها 3 درصد از پاسخ‌دهندگان می‌گویند که آنها فقط به تأیید خودکار هوش مصنوعی متکی هستند، در حالی که 84 درصد از حداقل یک شکل از بررسی انسانی برای تأیید آزمایش‌های ایجاد شده توسط هوش مصنوعی استفاده می‌کنند. با این حال، جالب است که 92٪ از پاسخ دهندگان می گویند که هوش مصنوعی آزمایش کننده اصلی کد آنهاست و 48٪ می گویند که تنها زمانی مناسب است که با نظارت انسانی همراه باشد.
SmartBear در این گزارش می‌گوید یکی از استدلال‌های کلیدی علیه آزمایش کدهای هوش مصنوعی این است که بازبین‌ها نمی‌توانند آن کد را تأیید کنند، اگر ندانند که هوش مصنوعی بر اساس چه مشخصاتی می‌نویسد. بر اساس این گزارش، «داشتن یک سیستم مسئول تولید کد و اعتبارسنجی آن منجر به ایجاد یک جعبه سیاه برای آزمایش می‌شود – نه منطق پشت آزمایش‌ها و نه مفروضات زیربنایی آنها به طور مستقل برای افرادی که اسماً فرآیند را مشاهده می‌کنند قابل خواندن نیستند». تیم‌ها سیگنال جداگانه‌ای ندارند تا تأیید کنند آنچه در حال آزمایش است منعکس‌کننده چیزی است که واقعاً مهم است، و هیچ خط دید روشنی در مورد اینکه آیا مجموعه آزمایشی با موفقیت نشان‌دهنده پوشش واقعی است یا فقط هوش مصنوعی کار خود را تأیید می‌کند، وجود ندارد.
مراحل بررسی مستقل
از لحاظ تاریخی، تیم‌ها کد را نزدیک‌تر به حمل و نقل بررسی می‌کردند، اما از آنجایی که ارسال مکرر اهمیت پیدا می‌کرد، حرکت «تغییر چپ» زودتر در چرخه عمر توسعه آزمایش شد. اکنون، با هوش مصنوعی، سازمان ها از یک رویکرد سه مرحله ای برای آزمایش استفاده می کنند:
قبل از نسل: 46 درصد از پاسخ دهندگان گفتند قبل از اینکه هوش مصنوعی آن را تولید کند، بررسی می کنند که آیا مشخصات هدف کد را منعکس می کند.
قبل از اینکه متعهد شوید: 49 درصد گزارش کرده‌اند که بیش از 60 درصد کدهای تولید شده توسط هوش مصنوعی را قبل از انجام بررسی مستقل بررسی می‌کنند.
قبل از انتشار: 60 درصد می گویند که به طور مستقل بیش از 60 درصد از کدهای نوشته شده با هوش مصنوعی را قبل از انتشار آزمایش می کنند.
اعتبارسنجی مشخصات قبل از اینکه هوش مصنوعی شروع به کدنویسی از آن کند، اولین و ارزان ترین زمان برای پیدا کردن یک مشکل است. گزارش می گوید. خطاهایی که بعداً در SDLC یافت می‌شوند گران‌ترین و زمان‌برترین برای رفع هستند. بنابراین در حالی که هوش مصنوعی به برخی از تیم‌های آزمایشی کمک می‌کند تا پوشش بیشتری داشته باشند، لزوماً مشکل هزینه را حل نمی‌کند. آزمایش جامع چیزی بیش از حل کردن مشکلات است؛ انجام آن قبل از اینکه به یک مشکل تبدیل شود.»
برای کسب اطلاعات بیشتر، گزارش کامل را اینجا بخوانید.
