AI 能协助哪些工作，哪些仍需要 QA 判断
人工智能工具可以建议测试、准备数据、滚动屏幕或总结结果。团队继续决定哪些风险很重要，什么结果证明功能正常，以及何时调查或停止令人困惑的测试。您不需要检查每次点击：您确实需要检查可能影响付款、权限、个人信息或服务访问的决策。
在演讲和测试活动中，我们讨论如何在人员和工具之间分配这些任务。这是关于工作方式的对话，而不是具有单一定义的新职位。它也不表明所有公司都在以相同的速度更换工作。具体是评估AI给每个团队提供了哪些帮助以及谁对结果负责。
学会将需求和风险转化为明确的标准来决定结果是否正确。为工具提供所需的信息，这样它就不会制定规则；检查其建议是否相关、可重复，以及哪些警报是真正的错误。记录步骤和结果，以便您可以重建发生的情况。根据产品的不同，它添加了 API、数据、崩溃日志记录、安全性和可访问性方面的知识。
它还练习审查生成的代码和测试：检查弱断言、脆弱数据、隐藏依赖项以及只会增加案例数量的覆盖范围。在生成系统中，它增加了对输入和输出、稳健性、隐私和面对不利指令时的行为的评估。工具变化很快；质量标准和领域知识的持续时间更长。
从现在到 2027 年会发生什么变化
截至 2026 年 11 月的证据表明，团队正在改变一些任务，但我们不能说人工智能将取代 QA 工作人员。 《世界质量报告》称，89% 的受访组织正在测试或使用生成式人工智能软件质量；只有 15% 的人将其扩展到整个公司。测试工具并不意味着它可以在无人监督的情况下工作或已经改进了结果。
为了做好准备，写下哪些任务是自动化的、谁审查变更和结果、哪些错误仍需要调查，以及团队缺少哪些知识。在采访中，讲述一个具体案例：您发现了哪些风险，您如何决定测试什么，您审查了哪些证据以及改进了哪些内容。这比列出工具或提示更好地解释了您的体验。
想象一下订阅续订的变化。工具可以建议对活跃帐户、逾期帐户和付款被拒绝的另一个帐户进行测试；您还可以准备虚拟数据并循环执行流程。质量检查人员检查是否缺少任何重要案例，确认发票和访问权限应该发生什么，验证没有使用真实帐户，并检查任何错误。纠正后，可以重复受影响的测试。
此分布仅在存在明确限制的情况下才有效：隔离的测试环境、虚拟帐户、允许的操作、最大尝试次数以及停止测试的规则。如果没有这些限制，该工具可能会修改数据、产生费用或将正常结果标记为错误。 QA 的工作是解释需要测试的内容，设置这些限制，并确定结果是否确实表明该功能正常。
如何选择委派哪些任务
在委派任务之前，请问：我们如何检查答案？错误可以逆转吗？是否有敏感数据？该工具是否有必要的信息？有人可以及时审核结果吗？在没有个人数据的情况下准备草稿或总结记录通常风险较低。影响权限、付款、个人信息或安全性的更改需要更多的控制和人工批准。在关键决策中，您可以自动收集数据，并将最终决定权交给团队。
《2025-26 年世界质量报告》显示，公司重视生成式人工智能知识 (63%)、质量基础知识 (60%) 以及口头和书面沟通 (51%)。实践阅读并不是“学习提示而已”：需要结合技术知识、测试经验和解释风险的能力。 AI可以帮助分析；团队必须能够解释为什么他们相信或不相信结果。
在第一个月，选择一个已知的流程并记下风险、数据以及什么结果被认为是正确的。第二步，尝试一个特定的任务——例如，根据需求提出测试——并检查建议是否有用、重复案例、遗漏重要情况或花费太多审查时间。在第三个中，仅包含成功的测试，并以书面形式记录如何停止测试、谁通过了测试以及如何重复失败的测试。我们的目标是了解人工智能在哪里真正有帮助，而不是在任何地方都使用人工智能。
对于面试，请携带完整的历史记录：初始风险、承保范围决定、发现的证据、排除的误报、确认的缺陷以及变更的结果。解释您委托的部分、您验证的内容以及您不允许代理执行的操作。这种叙述展示了技术判断、沟通和责任；列出提供商或提示本身并不能证明这一点。
工作方式在变化，换个职位名称并不能说明问题
人与人工智能工具之间的协作描述了一种工作方式，而不是标准化的专业类别或所有 QA 都将管理代理的预测。在一个团队中，一个人可以使用AI来准备草稿案；在另一种情况下，优先事项将是检查生成的代码，为会话服务定义预言机，或自动执行分析的重复部分。该位置根据产品、法规、设备和错误成本而变化。采用率调查显示进行了广泛的实验，但达到规模的组织比例相当小；采用工具并不等于改变整个工作结构。
准确地说，将任务与职责分开。可以协助搜索组合、初始数据准备或日志摘要。定义“正确”的含义、优先考虑业务风险、批准例外情况或决定是否发布版本仍然需要明确的判断和责任。有些任务将转移到开发、产品或平台；其他的将出现在评估和控制周围。没有证据表明这种分配在所有公司中都是平等的，或者承诺职位数量会按特定比例增加或减少。
它根据四个因素对任务进行分类：错误的影响、验证结果的难易程度、可逆性和数据暴露。为公共要求生成案例想法并对其进行审查通常比更改许可证或执行付款的风险更低。代理可以在虚构环境中浏览屏幕，但如果他们看不到真实帐户，则他们不应访问该帐户。当结果通过独立断言进行验证并且可以逆转时，就有更大的自动化空间；如果它依赖于模糊的解释或影响人们，它就会增强控制并保留人们的认可。
授权必须留下标记：申请版本、提示或说明、可用工具、行动限制、使用的数据和返回的证据。这使我们能够调查为什么两次运行给出不同的响应。还要避免将代理人的失败归咎于本人或将摘要视为原始证据。良好的操作可以让系统说“我没有足够的信息”，在不将技术故障转变为产品缺陷的情况下交付技术故障，并停止超出范围的操作。
未来三个月可以练习什么
在第一个月，选择一个您知道的流程，并写下每个案例涵盖的要求、使用的数据以及证明结果的证据。在第二步中，您使用虚拟数据和小样本测试 AI 任务：生成案例、检查差异或对错误进行分类。保存拒绝的结果和纠正时间，而不仅仅是命中。第三，与现有方法进行比较，决定是否保留、调整或放弃。该计划为团队提供了一个具体的故事，并为采访提供了可靠的体验，而不依赖于流行的预测。
要开发配置文件，请将测试基础知识与产品所需的专业知识相结合：API 和合同、自动化、数据、性能、可访问性、安全性或生成系统的评估。学习阅读跟踪、审查权限并用理解产品和开发的语言解释风险。技巧不在于写出漂亮的提示；而在于如何写出漂亮的提示。是设计一个可重复的检查，检测模型何时发明了规则，并用证据证明为什么决策是可靠的。对每种能力的真正需求应该通过市场中的角色和对话来确认，而不是从谈话或全球报告中推断出来。
当工具生成案例或运行演练时，如果团队仅计算编写的脚本或运行的测试，那么 QA 的价值可能会变得不那么明显。建议用可观察的结果来解释它：在发布之前发现了哪些风险，澄清了哪些模棱两可的假设，哪些证据使我们能够排除误报，以及由于审查而改变了哪些决定。这并不意味着将整个结果归因于质量检查；它意味着显示分析与产品或工程决策之间的联系。具体案例有助于开发和领导层理解为什么专家评审仍然在流程中占有一席之地。
它还改变了学习方式。没有必要掌握每一个出现的新提供商。学习如何检查输出、测量分类错误、读取日志以及识别测试何时未涵盖其声称涵盖的要求会更有用。对于刚开始从事 QA 的人来说，测试技术、SQL、HTTP、版本控制和读取错误的基础提供了比记住特定接口更多的选择。对于有经验的人来说，下一步可能是审查代理如何与权限、数据和证据集成。在这两种情况下，该标准都是通过可重复的工作和解释的决策来证明的，而不是通过流行的标题来证明。