Эта статья основана на реальном опыте использования Claude в работе QA-инженера. Все оценки времени — практические, не теоретические.  

Работа тестировщика предполагает много разных задач: написать чек-листы, оформить баг-репорты, прочитать очередное техническое задание и составить тестовую документацию, которую, скорее всего, кроме него никто не увидит. На это уходят часы, которые могли бы идти на реальное тестирование, исследование продукта или профессиональный рост.

В условиях развития нейросетей, многие веб-студии внедряют в рабочий процесс ИИ-агентов. На сегодняшний день большую популярность набирает Claude. Читайте дальше, чтобы узнать, почему он составляет мощную конкуренцию для ChatGPT, а также о двух главных направления применения Claude в тестировании.

Чтобы понять, насколько Claude действительно полезен в работе тестировщика, я покажу, какие данные передавала нейросети, сколько времени обычно трачу на выполнение каждой задачи вручную и насколько удалось ускорить процесс с помощью ИИ. А еще поделюсь готовыми промптами, которые использую сама и которые вы сможете сразу взять в работу.

Для каких задач ИИ-агенты подходят лучше всего: обзор ChatGPT и Claude

Для большинства повседневных задач ChatGPT будет достаточно. Перевести фразу, узнать как пройти, сколько стаканов воды на стакан гречи — на все эти вопросы ChatGPT ответит. Claude здесь не подойдет, потому что очень быстро израсходуются лимиты на простых запросах. Claude необходим для длинных документов, сложного анализа и больших задач.  

Если основная работа это тексты, документация, анализ больших документов и код, Claude будет чуть более точным и предсказуемым инструментом. Если нужна генерация изображений, голосовой режим или интеграция с экосистемой Microsoft — без ChatGPT не обойтись.

Многие специалисты в итоге комбинируют оба инструмента, используя сильные стороны каждого. Лично мне пока хватает связки из платной версии Claude и бесплатного ChatGPT — для большинства рабочих задач этого более чем достаточно.

Какие есть ограничения при использовании ChatGPT и Claude

Как и любым инструментом, ИИ нужно уметь пользоваться. У Claude есть свои особенности, ограничения и не самые очевидные нюансы, о которых лучше узнать заранее. Иначе в первые пару часов работы можно наделать в штаны — примерно так, как это было у меня при первом знакомстве с ним. 

Бесплатная версия Claude — это как дать конфету ребенку и отобрать в тот же момент, как она пересечет нижний зубной ряд. Почему — потому что у этой нейросети очень жесткие лимиты. Нужно постоянно платить целковые, чтобы полноценно работать. Подписка за $20 в месяц закрывает большинство задач, но даже с ней нужно делать запросы правильно. 

У Claude есть три вида лимитов:

1. Лимит использования

Лимит использования обновляется каждые 5 часов. На платной подписке за $20 — это около 45 сообщений за 5 часов, после чего он сбрасывается и нужно снова ждать, что лично меня очень раздражает.

2. Лимит длины

Этот лимит регулирует, сколько информации может храниться в рамках одного чата. С одной стороны, это удобно, поскольку информация не превращается в полную кашу, а с другой стороны — хочется самостоятельно решать, когда прервать текущую ветку.

3. Лимит загружаемых в чат файлов

Лимит загружаемых в чат файлов — почти то же самое, что и ограничение с длиной. Если файлов стало слишком много, Claude откажется работать, и придется создавать новый чат для того, чтобы продолжить решение вопроса.

Прежде чем отправлять промпт, остановитесь на минуту и подумайте, какой результат хотите получить. Какая информация вам нужна? Какие вопросы необходимо задать? Постарайтесь собрать всё в одном сообщении, а не вести диалог по принципу «вспомнил — дописал».

Сразу давайте нейросети максимум контекста: описание задачи, исходные данные, ограничения и ожидаемый результат. Чем полнее будет запрос, тем меньше времени уйдёт на уточнения. Тем более что возможность что-то уточнить позже есть не всегда — в самый неподходящий момент можно упереться в лимиты и остаться с недоделанной задачей.

Перед отправкой полезно перечитать свой промпт и посмотреть на него со стороны. Достаточно ли в нём информации? Понятна ли задача без дополнительных пояснений? Все ли важные детали учтены? Если ответ «да», то и результат, скорее всего, окажется гораздо ближе к тому, что вы ожидаете получить.

В ChatGPT тестировщик обычно закидывает промт, получает ответ, а дальше начинаются бесконечные правки: тут - отступ, тут - цвет, тут - слово. Пять, десять, пятнадцать правок. Эдакая игра в пятнашки. С Claude так не получится, ему нужно одно длинное сообщение с несколькими вопросами, задачами и прикрепленной информацией в одном промте. Это совершенно другая модель взаимодействия.

Лимиты сначала очень раздражают, но со временем вы поймете, что они заставляют работать эффективнее, и к финальному результату вы приходите быстрее. Проекты поначалу кажутся усложнением, но потом экономят огромное количество времени.

Как пользоваться нейросетями для создания тестовой документации

Написание документации — одна из самых трудоемких и недооцененных частей работы QA. Разберем основные моменты, которые можно генерировать через ИИ. 

1. Чек-листы

Чек-лист — это структурированный список проверок для конкретного функционала или раздела продукта. Хороший чек-лист показывает позитивные и негативные сценарии, граничные случаи и кросс-браузерное поведение. 

Что нужно предоставить:

• Описание функционала: ТЗ, задача из трекера или скриншоты

• Технологический стек: Livewire, React, Vue и т.д.

• Что уже было протестировано ранее

• Тип чек-листа: регрессионный, приемочный, smoke

  Промпт для чек-листа Ты QA-инженер. Составь подробный чек-лист для тестирования [название функционала]. Контекст: - Продукт: [описание продукта, например "интернет-магазин на Laravel + Livewire"] - Функционал: [что именно нужно тестировать, например "форма оформления заказа"] - Технологии: [стек, если важен] - Тип чек-листа: [smoke / приёмочный / регрессионный] Требования к чек-листу: - Позитивные сценарии (happy path) - Негативные сценарии (невалидные данные, граничные случаи) - UX/UI проверки (соответствие макету, поведение при ошибках) - Кросс-браузерные проверки (если нужно) - Проверки на мобильных устройствах (если нужно) Ниже — описание функционала / ТЗ: [вставить текст, прикрепить имеющуюся документацию].

2. Тест-кейсы

Тест-кейс — более детальная форма, чем чек-лист. Включает предусловия, шаги, ожидаемый результат. Нужен там, где важно точное воспроизведение: регрессия, передача задачи другому QA, приемка с заказчиком.

Что нужно предоставить:

• Чек-лист или описание функционала

• Шаблон тест-кейса, принятый в команде

• Уровень детализации: шаги пошагово или в общем виде

• Данные для тестирования

Время вручную — от 2 до 4 часов на 20–30 тест-кейсов. Основная трудозатрата — формулировка шагов и ожидаемых результатов. Время с ИИ — от 20 до 30 минут. ИИ разворачивает чек-лист в тест-кейсы с шагами, ты уточняешь формулировки под свой продукт.

3. План тестирования (Test Plan)

Это документ для команды или заказчика, описывающий что, как и когда будет тестироваться. Включает scope, стратегию, риски, критерии входа/выхода, необходимые ресурсы.

Что предоставить:

• Описание проекта или релиза

• Что входит и что не входит в scope

• Сроки

• Тип тестирования: функциональное, регрессионное, нагрузочное, приемочное

• Известные риски и ограничения

Это стратегический документ, и его структурирование требует опыта, самостоятельное написание потребует от 3 до 5 часов. Если использовать ИИ, то нужно будет всего от 30 до 45 минут.

4. Критерии приемки (Acceptance Criteria)

Документ, который фиксирует, что считается успешно сделанным. Используется при сдаче работы заказчику или при завершении спринта. Четкие критерии приемки защищают как заказчика, так и команду от разночтений.

Что предоставить:

• Чек-листы по всем компонентам: фронт, API, админка и т.д.

• ТЗ или бриф

• Известные баги и их статус

• Для кого документ: внутренний или для заказчика

Чтобы сделать критерии приемки вручную, потребуется от 4 до 6 часов. Нужно синтезировать несколько источников, выделить суть и корректно сформулировать критерии. Если использовать ИИ, то от 30 до 60 минут. ИИ читает все предоставленные документы и формирует структурированный документ.

5. Пользовательская инструкция к CRM / административной панели

Документ для конечных пользователей или клиентов, объясняющий как работать с системой. Содержит описание разделов, полей, логику работы функций.

Что предоставить:

• Скриншоты интерфейса: каждый экран или раздел

• API-документацию или ТЗ 

• Целевую аудиторию инструкции: технический пользователь или обычный менеджер

• Требования к формату: Word, PDF, количество страниц и др.

Вручную нужно от 6 до 10 часов на документацию к панели с 15+ разделами. Нужно не только описать интерфейс, но и разобраться в бизнес-логике. Время работы с использованием ИИ от 1 до 2 часов. ИИ описывает интерфейс по скриншотам, объясняет логику полей, формирует структуру инструкции. Ты проверяешь точность и добавляешь нюансы, которые ИИ не видит.

6. Отчет по результатам тестирования

Итоговый документ по окончании тестирования или этапа. Содержит что тестировалось, какие баги найдены, что осталось открытым, выводы и рекомендации.

Что предоставить:

• Список выполненных проверок (чек-лист с отметками)

• Список найденных багов с приоритетами

• Что не было протестировано и почему

• Общую оценку качества (твою как специалиста)

Время вручную — от 1 до 3 часов. Основная сложность — правильно расставить акценты и оформить профессионально. Время с ИИ — от 15 до 30 минут. ИИ структурирует данные и пишет выводы на основе предоставленной информации.

Как пользоваться нейросетями для анализа входящей документации

Если первая часть — это создание документов, то вторая — это чтение и анализ того, что приходит от аналитиков, дизайнеров и заказчиков. Большие объёмы текста, противоречия в требованиях, расхождения между макетами и ТЗ — все это можно скормить Claude. 

1. Анализ технического задания 

Что ИИ может сделать:

• Найти противоречия и взаимоисключающие требования

• Выявить незаполненные или неопределённые значения

• Сформулировать список вопросов к аналитику или заказчику

• Классифицировать проблемы по критичности: блокеры, важное, вопросы

Что предоставить:

• Полный текст технического задания

• Контекст: новый продукт или доработка существующего

Для самостоятельного анализа нужно от 2 до 4 часов на ТЗ из 30–50 страниц. Очень легко пропустить противоречие между двумя разделами, написанными в разное время разными людьми. Если пользоваться ИИ, то потребуется всего 15–30 минут. ИИ читает весь документ целиком и держит в голове все части одновременно — это его принципиальное преимущество перед человеком.

2. Сравнение макетов Figma с ТЗ

Что ИИ может сделать:

• Принять описание макета (скриншоты + текстовое описание) и сопоставить с ТЗ

• Классифицировать каждое расхождение: ошибка дизайнера, намеренное решение или устаревшая документация

• Сформировать структурированный отчет по разделам

Что предоставить:

• Скриншоты макетов или текстовое описание компонентов

• Текст ТЗ или требования к разделу

• Контекст: дизайнер новый или уже работает с командой давно

Вручную потребуется от 3 до 5 часов на 14 и более разделов, а с использованием ИИ всего 30–60 минут. Загружаешь скриншоты и ТЗ, ИИ формирует таблицу расхождений с квалификацией каждого.

3. Анализ OpenAPI / Swagger спецификации

Что ИИ может сделать:

• Извлечь список эндпоинтов и методов

• Описать бизнес-логику каждого запроса простым языком

• Сформировать список проверок для API-тестирования по каждому эндпоинту

• Найти потенциально проблемные места: обязательные поля без валидации, отсутствующие коды ошибок

Что предоставить:

• JSON или YAML файл спецификации

• Контекст продукта, чтобы ИИ мог правильно интерпретировать бизнес-логику

Для самостоятельного анализа нужно от 3 до 6 часов на спецификацию с 30–50 эндпоинтами. Плотный технический документ, читать который вручную утомительно, поэтому с использованием ИИ всего потребуется 20–40 минут.

4. Аудит UI Kit на полноту состояний

Что ИИ может сделать:

• По описанию компонентов и их экранов выявить недостающие состояния

• Сформировать список: какие состояния есть, каких нет

• Типичные пропуски: состояния ошибки, пустые списки, загрузка, недоступность

Что предоставить:

• Перечень компонентов с описанием или скриншотами

• Список состояний, которые должны быть покрыты (если есть стандарт)

Без использования ИИ потребуется 2-4 часа. Легко упустить 2-3 состояния на каждый компонент, что в масштабе UI Kit дает десятки пропусков, поэтому лучше взять в работу ИИ и потратить 15-30 минут. ИИ систематически проходит по каждому компоненту.

5. Анализ баг-репортов и логов

Что ИИ может сделать:

• Читать ошибки из Network-вкладки браузера, серверных логов или консоли

• Выдвигать гипотезы о причинах с приоритезацией

• Объяснять техническую суть проблемы простым языком для описания в баг-трекере

Что предоставить:

• Скриншоты Network-запросов с заголовками и телом

• Текст ошибок из логов

• Контекст: что делал пользователь перед ошибкой

Самостоятельный анализ от 30 минут до 2 часов, в зависимости от сложности и знания стека. Время с ИИ  — 5–15 минут. ИИ читает ошибку, выдает гипотезы и объясняет почему.

Ключевые мысли

Интеграция нейросетей позволяет тестировщикам автоматизировать трудоемкие рутинные задачи и сосредоточиться на более сложных аспектах анализа качества.

Для достижения максимального результата важно учитывать специфику взаимодействия с моделью: 

• В отличие от ChatGPT, где эффективны итеративные правки, Claude требует предоставления контекста и всех исходных данных в одном развернутом промте, чтобы избежать избыточных правок и лимитов.

• Использование платной подписки помогает справиться с лимитами использования, которые обновляются каждые 5 часов, при этом строгая структура запросов дисциплинирует работу и позволяет приходить к результату быстрее.

• Для выполнения повседневных коротких задач (например, перевод или простые вопросы) лучше подходит ChatGPT, тогда как Claude оптимален для глубокого анализа длинных документов и работы с программным кодом.

Главное, что стоит понять: нейросеть не заменяет тестировщика, а помогает избавиться от значительной части рутинных задач. Все, что связано с обработкой больших объемов информации, поиском закономерностей и подготовкой документации, выполняется быстрее и зачастую требует меньше усилий со стороны специалиста.

При этом остаются задачи, в которых ИИ не способен заменить человека. К ним относятся принятие решений о результате тестирования, оценка пользовательского опыта, глубокое понимание продукта и его бизнес-логики, а также взаимодействие с командой. Такие задачи требуют контекста, опыта и профессионального суждения.

Поэтому наиболее эффективный подход — использовать ИИ как помощника. Пока нейросеть занимается обработкой данных, подготовкой черновиков и поиском потенциальных проблем, тестировщик может сосредоточиться на анализе, исследовании продукта и принятии решений. Именно такое распределение ролей позволяет получить от искусственного интеллекта максимальную пользу без потери качества работы.