Применение генеративных моделей в разработке на 1С перешло из экспериментальной фазы в практическую. Если раньше ИИ использовали преимущественно для написания и анализа кода, то теперь он всё активнее проникает в тестирование: помогает готовить юнит-тесты, разбирать сложные унаследованные системы и автоматизировать повторяющиеся операции. Однако, как отметили модераторы секции QA на INFOSTART TECH EVENT 2026, само наличие модели не гарантирует полезный результат — без заданного контекста, правил и ограничений вместо осмысленного набора проверок можно получить формально корректную, но бесполезную конструкцию.

Особенно остро эта проблема проявляется при генерации юнит-тестов. Модель способна быстро подготовить основу, но не всегда понимает бизнес-логику, критичность отдельных сценариев и реальные риски системы. Поэтому специалисту приходится проверять не только код, но и то, что именно проверяет созданный тест. В программе секции QA этой теме посвящены доклады «AI-assisted testing для легаси-систем: стратегии, промпты, ограничения и практические подходы» и «Как заставить ИИ писать полезные unit-тесты для 1С, а не уверенную ерунду». Эти выступления подчёркивают, что ключевой вопрос сегодня — не «можно ли применять ИИ в тестировании», а «как встроить его в процесс, чтобы качество действительно росло».

Стоит отметить, что не вся рутина тестировщика требует нейросетей. Значительную часть повторяющихся операций можно сократить с помощью уже существующих инструментов: автотестов, шаблонов, чек-листов и правильно выстроенных процессов. Один из практических сценариев — сочетание Vanessa Automation и ИИ при дымовом тестировании. Автоматизация берёт на себя выполнение стабильных проверок, а модель может помогать с подготовкой сценариев и анализом результатов. При этом ценность инструмента определяется не его технологической новизной, а возможностью встроить его в ежедневную работу. Поэтому особенно полезны материалы, после которых остаются не только идеи, но и готовые артефакты: репозитории, шаблоны, инструкции и проверочные списки.

Граница между тестированием, разработкой и аналитикой становится всё менее заметной. Разработчик отвечает за тестируемость кода и юнит-тесты, аналитик — за однозначность требований, QA-инженер — за стратегию проверок и оценку рисков, руководитель — за процессы и взаимодействие специалистов. Даже хорошо настроенная автоматизация не исправит ситуацию, если участники команды по-разному понимают требования или слишком поздно обсуждают ограничения решения. Поэтому в QA всё больше внимания уделяют коммуникации, обратной связи и совместной работе над качеством продукта. Качество перестало быть зоной ответственности только отдела тестирования — это задача всей команды.

Когда в компании работает один тестировщик, его развитие можно обсуждать индивидуально. С ростом команды возникает потребность в более прозрачной системе: какие знания и навыки нужны на каждой позиции, чем инженер отличается от старшего инженера, какие компетенции уже сформированы, что необходимо освоить для перехода на следующий уровень и какие навыки действительно нужны конкретной компании. Матрица компетенций помогает специалисту видеть направление развития, а руководителю — обсуждать рост сотрудника на основе понятных критериев. Однако просто скопировать чужую модель недостаточно: в разных компаниях одинаковые должности могут означать разные задачи, уровень самостоятельности и зоны ответственности. Готовую матрицу стоит рассматривать как основу, которую необходимо адаптировать под продукты, процессы и структуру своей команды. При разработке модели можно опираться не только на опыт других организаций, но и на профессиональные стандарты и ГОСТы — они не заменят внутреннюю работу, но помогут проверить полноту требований.

Для российского рынка 1С эти тенденции имеют особое значение. Платформа 1С широко распространена в корпоративном сегменте, и многие компании только начинают внедрять ИИ-инструменты в свои процессы разработки и тестирования. Опыт, озвученный на INFOSTART TECH EVENT 2026, показывает, что слепое копирование западных практик без учёта специфики 1С может привести к разочарованию. Вместо этого эксперты рекомендуют фокусироваться на создании внутренних регламентов использования ИИ, обучении сотрудников правильной постановке задач для моделей и формировании культуры совместной ответственности за качество. Реакция отрасли пока сдержанно-оптимистичная: потенциал ИИ очевиден, но без должного контроля он рискует превратиться в генератор «уверенной ерунды», как выразились авторы одного из докладов.

В сравнении с альтернативами — классическими фреймворками автотестирования или ручным тестированием — ИИ-подходы выигрывают в скорости создания черновых тестов, но проигрывают в точности и понимании контекста. Например, Vanessa Automation остаётся надёжным инструментом для стабильных проверок, тогда как ИИ лучше подходит для исследования легаси-кода и генерации идей. Таким образом, оптимальная стратегия — гибридная: автоматизация берёт на себя рутину, а ИИ помогает там, где требуется анализ и творческий подход. Однако ключевым остаётся экспертная проверка результатов, которую пока нельзя полностью переложить на модель. Перспективы дальнейшего развития темы будут обсуждаться на INFOSTART TECH EVENT 2026, который пройдёт 8–10 октября в Санкт-Петербурге. Открытыми остаются вопросы: как измерять эффективность ИИ в тестировании, какие метрики использовать для оценки качества сгенерированных тестов и как обучать команды работе с новыми инструментами. Также неясно, насколько быстро российские компании 1С смогут адаптировать свои процессы под ИИ-ассистентов и не приведёт ли это к новым рискам, связанным с безопасностью и поддержкой легаси-систем. Ответы на эти вопросы отрасль будет искать в ближайшие годы.