В крупных ИТ-подразделениях, включая Сбер, накоплены десятки разрозненных фреймворков для автоматизированного тестирования, что приводит к дублированию функциональности и снижению эффективности. Владимир Михаленков, разработчик централизованного решения в Сбере, описывает ситуацию, когда в одном только департаменте B2C использовалось свыше 50 Java-фреймворков для схожих задач. Это создавало проблемы адаптации сотрудников, порождало «велосипеды» и увеличивало затраты на поддержку устаревших решений. Подобная ситуация характерна для многих крупных российских компаний, где отсутствие стандартизации в инструментах тестирования приводит к значительным финансовым и временным потерям.

За основу нового подхода был взят открытый Perfeccionista-framework, обеспечивающий оркестрацию тестов с изолированными окружениями для многопоточного выполнения. Фреймворк поддерживает обёртки вокруг популярных инструментов вроде JUnit, TestNG или Gherkin, а также интеграции с REST, Kafka и СУБД. Архитектура позволяет бесконечно расширять функциональность, что критически важно для крупного банка с разнообразными технологическими стеками. В отличие от предыдущих решений, Perfeccionista предлагает единый стандарт для всех команд, что значительно упрощает процессы адаптации новых сотрудников и снижает затраты на поддержку.

Интеграция с ИИ стала следующим шагом развития платформы. Подключение RAG-архитектуры и MCP-сервера позволяет языковым моделям корректно интерпретировать контекст тестовых сценариев. Однако, как показал эксперимент с генерацией кода автотестов, LLM без дополнительной настройки часто выдают технически некорректные решения. Ключевая проблема — отсутствие у модели понимания специфики конкретного фреймворка и требований кода. Это особенно актуально для российского рынка, где пока нет массового опыта интеграции ИИ в процессы тестирования, и многие компании только начинают эксперименты в этой области.

Ситуация отражает общемировой тренд: по данным опроса, часть QA-специалистов уже активно используют ИИ, в то время как другие сохраняют скепсис. Российский рынок тестирования демонстрирует аналогичное разделение. Решение Сбера предлагает компромисс — сочетание стандартизированного инструментария с адаптивными возможностями ИИ, что может стать образцом для других крупных ИТ-компаний в стране. Важно отметить, что подобные интеграции требуют значительных инвестиций в обучение персонала и доработку моделей под конкретные бизнес-процессы.

Перспективы проекта связаны с дальнейшей интеграцией ИИ-компонентов и масштабированием фреймворка на новые технологические стеки. Открытым остаётся вопрос баланса между унификацией процессов и гибкостью для отдельных команд. Опыт Сбера показывает, что будущее автоматизированного тестирования лежит в симбиозе централизованных решений и адаптивных ИИ-инструментов, где роль тестировщика эволюционирует в сторону управления контекстом и промптов. Для российского ИТ-рынка это особенно актуально, так как позволяет сократить разрыв с западными компаниями в области автоматизации тестирования.

Ключевым вызовом для внедрения подобных решений остаётся изменение менталитета команд и преодоление сопротивления новым технологиям. Как показывает практика Сбера, успешная трансформация процессов тестирования требует не только технических решений, но и комплексной работы по изменению корпоративной культуры. В ближайшие годы мы likely увидим активное развитие этого направления на российском рынке, особенно в банковском секторе и крупных ИТ-компаниях.