De chaos à la maîtrise : l’innovation en IA dans l’ingénierie de la qualité
Après plus de 25 ans de travail sur la qualité des logiciels dans des secteurs tels que les télécommunications, l’énergie, les services financiers et l’électronique grand public, j’ai vu de nombreuses ‘ grandes innovations ’ arriver et disparaître.
Actuellement, l’attention est entièrement tournée vers l’IA. Et oui – l’IA est omniprésente. Des organisations de tous les secteurs examinent comment l’utiliser dans le cadre de leurs stratégies d’innovation, notamment dans le développement et l’essai de logiciels, où la pression pour aller plus vite tout en maintenant une qualité constante ne cesse de s’intensifier.
Mais l’adoption de l’IA n’est pas aussi simple que d’activer un outil.
En réalité, ce que je constate à chaque fois est le suivant : lorsque les organisations adoptent l’IA sans structure, elles créent du bruit. Les équipes choisissent des outils différents, les individus expérimentent séparément et, au final, on obtient un paysage d’efforts fragmentés. Au mieux, cela offre de petites opportunités d’amélioration pour les individus, mais il n’y a ni cohérence, ni continuité, ni rien de ce qui pourrait être étendu à l’ensemble de l’entreprise. Le résultat est davantage de distraction que de transformation, et souvent un accroissement de la dette technique plutôt que sa réduction.
Chez Resillion, société Total Quality dédiée à aider les organisations à commercialiser plus rapidement et avec la plus haute qualité des produits numériques sécurisés, nous avons adopté une approche différente. Mon équipe et moi-même avons passé les dernières années à appliquer l’IA dans les domaines de l’ingénierie de qualité, de la cybersécurité et de la conformité, en respectant strictement les règles de la discipline technique. Notre objectif n’a jamais été d’utiliser l’IA partout, mais de l’appliquer là où elle apporte véritablement de la valeur, tout en veillant à ce que les humains restent en contrôle.
Lorsque l'IA devient partie du problème
La triste vérité est que l’IA peut facilement devenir une partie du problème plutôt que de la solution.
J’ai vu des organisations s’efforcer de déployer cette technologie pour résoudre les problèmes de test, mais cela a en réalité créé de nouveaux risques : une confiance fausse due à des résultats non validés, une attention concentrée sur une automatisation à faible valeur ajoutée alors que les flux critiques restent non couverts, et des équipes consacrant plus de temps à gérer les outils que à améliorer la qualité.
Les responsables de la qualité de l'assurance et de la qualité de l'information font face à une pression sans relâche pour accélérer les progrès, augmenter la couverture et réduire les risques, dans un contexte de pénurie de compétences et d'une complexité croissante. L'IA semble être la solution miracle, mais sans structure, gouvernance et validation humaine, elle ne fait que renforcer la complexité et saper la confiance.
La véritable question n’est pas de savoir s’il faut adopter l’IA dans le développement et les tests logiciels ; c’est plutôt la question de savoir comment l’utiliser sans que cela ne devienne une autre source de risque.
Transformer le chaos en contrôle
Nous croyons fermement que l’adoption durable de l’IA doit être considérée comme une forme d’ingénierie logicielle, fondée sur les mêmes disciplines fondamentales qui régissent toute transformation technique réussie.
Comme l’IA ne crée de valeur que lorsqu’elle est orientée vers des objectifs précis, plutôt que de déployer des outils de manière réactive, nous nous concentrons sur des cas d’utilisation spécifiques où l’IA peut éliminer les obstacles ou réduire les risques. Nous appliquons une méthode de cartographie des valeurs et des études de faisabilité pour structurer les initiatives qui permettent d’obtenir des résultats rapides tout en restant alignés sur les objectifs de qualité à long terme.
Fondations techniques solides
Si la disponibilité ouverte des outils d’IA est parfaitement adaptée au développement communautaire, une approche généralisée de ces outils devient rapidement impossible à gérer. Nous nous concentrons sur des ensembles d’IA, des infrastructures de données et des outils de cycle de vie définis qui peuvent être gérés, sécurisés, testés et évolués. Nos partenariats avec des hyperscalers et des fournisseurs de modèles s’inscrivent dans un cadre architectural contrôlé, non pas comme des expériences, mais comme des plateformes de production.
Le paysage de l’IA évolue constamment ; il est donc essentiel d’être agile. Le prototypage rapide, le développement des MVP, les pilotes et l’échelle contrôlée nous permettent d’apprendre rapidement tout en restant disciplinés. L’apprentissage rapide est précieux – l’échec rapide sans structure l’est pas.
Aucune initiative en matière d’IA ne peut aboutir sans des résultats mesurables. Les indicateurs de performance commerciaux et les KPI techniques guident les décisions d’investissement et garantissent que l’adoption reste liée à une amélioration significative – et non à une nouveauté.
Gouvernance et gestion des risques
Une dernière précision sur ce sujet de plus en plus chaud en matière d’IA – Développement responsable de l'IA. Chaque innovation en IA est évaluée sur le plan éthique, opérationnel et en termes de sécurité et de conformité. La traçabilité, l’explicabilité et l’auditabilité restent des éléments incontournables dans des environnements où la qualité et la confiance définissent la valeur de la marque.
L’IA en action : Des cas d’utilisation réels dans le cadre du QE
En appliquant ces principes, nous avons concentré notre travail sur des cas d’utilisation qui démontrent systématiquement des impacts dans les environnements clients.
Validation des exigences – Récupération des défauts avant qu’ils ne se manifestent
Nous utilisons le traitement du langage naturel pour analyser les descriptions des besoins des utilisateurs, les textes réglementaires et les spécifications techniques afin de garantir leur clarté, leur exhaustivité et leur cohérence avant même le début du développement. Cette étape de contrôle qualité précoce empêche les exigences ambiguës ou incomplètes de se transformer en défauts ultérieurs.
Dans un programme de services financiers auprès d'un client, cette approche a permis de réduire les défauts de production en direct de jusqu'à 50 %. 75%, Tout en réduisant les coûts de la mise en conformité dans les deux cycles de test et de développement.
Les barrières humaines restent essentielles. Les conclusions de l’IA sont toujours revues par des responsables de la qualité expérimentés. Les couches d’explicabilité indiquent précisément pourquoi les problèmes ont été signalés, permettant ainsi aux humains de valider les conclusions, apporter des modifications et prendre des décisions de qualité finales.
Conception du test – De semaines à quelques heures
La génération manuelle de scénarios d’essai est l’une des phases les plus longues du cycle de vie du test. Nos solutions d’IA intègrent le contexte structuré – exigences, documents de conception, flux de processus métier, guides d’utilisation, schémas de wireframes et défauts historiques – pour produire des cas d’essai complets et moins influencés par les biais ainsi que des ressources d’automatisation.
Cela a réduit les efforts de préparation des tests en mode « greenfield » de manière considérable. 70%. Un client de produits électroniques grand public a compressé des semaines de travail en quelques heures tout en améliorant considérablement la couverture.
De nouveau, l'IA accélère la production, mais les humains apportent leur expertise. Les responsables des tests revoient tous les packs générés avant leur adoption, effectuent des échantillonnages et une validation basée sur les risques, et ajustent manuellement le périmètre lorsque les produits ou les environnements réglementaires nécessitent une attention plus poussée.
Stabilité de l’automatisation – Scripts de réparation automatiques
Toute personne qui travaille sur l’automatisation de l’interface utilisateur sait à quel point les scripts peuvent être fragiles. Des modifications mineures apportées à l’interface utilisateur peuvent souvent entraîner l’interruption de tests de régression critiques, compromettant ainsi la confiance dans l’efficacité de l’automatisation.
L’IA détecte désormais automatiquement les modifications de l’interface utilisateur et corrige directement les scripts lorsque les seuils de confiance sont atteints, ou propose des corrections assorties de scores de confiance pour approbation humaine. Cette approche réduit les erreurs fausses et réduit considérablement les coûts d’entretien.
Les outils industriels sont de qualité supérieure 95% réductions des coûts de maintenance des tests pour des suites d'essais très orientées vers l'interface utilisateur. Un de nos clients du secteur énergétique a rencontré un problème Réduction de 50% dans le cadre de l’entretien de l’automatisation.
Critiquement, les barrières de sécurité restent en place. Les modifications automatisées ne sont appliquées que dans des limites de confiance définies. Chaque modification est enregistrée et archivée, et les ingénieurs conservent le contrôle pour approuver, rejeter ou annuler toute modification.
Analyse des résultats – Insights plus rapides et plus intelligentes
Nous appliquons une IA multimodale pour analyser les résultats de l’exécution des tests, en parallèle avec des données telles que les journaux de log, les vidéos, les captures d’écran et les enregistrements audio. Les faux positifs sont filtrés et les causes sous-jacentes identifiées en quelques secondes, plutôt que des heures.
Les équipes de QA consacrent moins de temps à la tria des problèmes et davantage de temps à se concentrer sur les véritables défauts. Le développement bénéficie d’un routage des défauts plus précis et plus rapide, ce qui réduit les cycles inutiles et accélère la résolution des problèmes.
La vérification humaine reste toujours le dernier filtre. L’IA propose des classifications et des causes, mais la gestion de la qualité assure la validation de tous les résultats avant d’aiguiller les défauts ou de clôturer les résultats. L’explicabilité garantit la responsabilité dans toutes les décisions.
Pourquoi les barrières de sécurité sont importantes
De nombreuses organisations expérimentent l’IA ‘ bricolée ’, formant des testeurs comme des ingénieurs de prompt-response et encourageant les expérimentations au niveau des outils. Bien que cela crée un élan, il n’est rarement capable de produire de la cohérence ou une échelle d’échelle.
Sans cadres, les entreprises rencontrent des résultats peu fiables, des lacunes en matière de gouvernance et des coûts de formation croissants, sans garantie de reproductibilité. Des frameworks conçus à cet effet créent ce que les outils ad hoc ne peuvent pas offrir :
Cohérence par le biais d'interrogations structurées et de modèles finement ajustés
Validation par des contrôles humains obligatoires
Contexte par l’intégration avec des systèmes de gestion de données éprouvés
L'IA n'est pas un substitut, mais un assistant
Chaque révolution industrielle a suscité des craintes de pertes d’emplois, depuis la mécanisation jusqu’à l’automatisation et désormais l’IA. Mais dans le domaine de l’ingénierie et du test logiciel, nous croyons que l’IA apporte quelque chose de bien plus utile : elle élimine les tâches répétitives sans valeur ajoutée, permettant ainsi aux experts de se concentrer sur ce qui reste insubstituable dans l’intelligence humaine.
- Comprendre les nuances des produits
- Explorant les cas extrêmes qui échappent à l'automatisation
- Prendre des décisions complexes en matière de risque que les machines ne peuvent pas prendre
Les gagnants ne seront pas des organisations qui appliquent le plus d’IA. Ce seront plutôt celles qui savent exactement où appliquer cette technologie et, surtout, où elle ne devrait pas être utilisée.
La ligne d'arrivée
L’IA dans le QE n’est pas une solution miracle. C’est un outil puissant.
Lorsque cela est utilisé de manière disciplinée, il accélère les tests, augmente la couverture et empêche les erreurs avant qu'elles ne soient intégrées dans la production.
Utilisé sans structure, il crée une inefficacité, une confusion et une surexposition dangereuse.
Le résultat est entièrement entre vos mains.
À venir prochainement
Dans le prochain article de cette série, Conor Thomson, Senior Solution Architect et responsable du programme d’innovation en IA chez Resillion, Dans cet article, nous approfondirons notre cadre de conception de tests basés sur l’IA et découvrirons comment nous utilisons l’IA générative pour créer des ressources de test adaptées au contexte et spécifiques à chaque domaine, ce qui permet de gagner du temps et d’améliorer la confiance.
Vous souhaitez explorer cela concrètement ?
Si vous êtes prêt à voir comment l’IA structurée peut renforcer votre processus de QA, Contactez-nous. Nous vous expliquerons nos frameworks, nos barrières de sécurité et les résultats obtenus dans le monde réel, et nous vous aiderons à passer de l’expérimentation à l’exécution.
Robby Putzeys
Responsable de l'ingénierie de qualité
Robby Putzeys est un dirigeant expérimenté possédant plus de 25 ans d’expérience en ingénierie de qualité des logiciels, aidant les organisations à fournir des systèmes informatiques de haute qualité, des produits numériques et des environnements technologiques complexes dans des secteurs tels que les télécommunications et l’électronique de consommation.
