Automatiser sans coder (vraiment) : l'IA comme copilote
Article 5 - Série : L'évolution de la QA avec l'IA
Il y a un clivage qui existe depuis longtemps dans les équipes QA. D'un côté, les profils techniques qui savent coder, qui écrivent leurs scripts Cypress ou Playwright, et qui avancent vite sur l'automatisation. De l'autre, les profils fonctionnels qui maîtrisent parfaitement le produit, connaissent les règles métier sur le bout des doigts, mais qui se sont toujours sentis exclus de la partie automatisation parce qu'ils ne savent pas programmer.
Ce clivage a longtemps été accepté comme une fatalité. L'automatisation, c'était le domaine des gens qui codaient. Point.
L'IA est en train de changer cette équation. Pas en supprimant la nécessité de comprendre ce qu'on automatise, mais en abaissant drastiquement la barrière technique qui empêchait une partie des QA de contribuer. Aujourd'hui, un QA qui sait décrire précisément un scénario de test en langage naturel peut obtenir un script d'automatisation fonctionnel en quelques minutes. Ce n'est pas de la science-fiction. C'est ce que font déjà des équipes concrètes avec des outils accessibles.
Ce que l'IA change dans l'accès à l'automatisation
La promesse de l'automatisation sans code n'est pas nouvelle. Les outils no-code et low-code pour les tests existent depuis des années (Katalon, TestComplete, Ranorex, …) avec des interfaces visuelles qui permettent d'enregistrer des parcours et de les rejouer. Le problème, c'est que ces outils atteignent rapidement leurs limites dès que les scénarios deviennent un peu complexes, et leur maintenance est souvent aussi lourde que celle de vrais scripts.
Ce que l'IA apporte, c'est quelque chose de fondamentalement différent : la capacité de traduire une description en langage naturel en code de test réel, lisible, maintenable, et adaptable. Vous décrivez ce que vous voulez tester, l'IA écrit le script. Vous expliquez une assertion, l'IA la code. Vous signalez une erreur dans le script, l'IA la corrige et vous explique ce qu'elle a changé.
C'est le modèle du copilote. Vous restez aux commandes et vous définissez la stratégie, vous validez les scénarios, vous interprétez les résultats, mais vous n'êtes plus bloqué par la syntaxe ou les subtilités du langage de programmation.
Concrètement : comment ça se passe
Prenons un exemple réel. Vous voulez automatiser le scénario de connexion d'une application web avec Playwright. Vous n'avez jamais écrit une ligne de Playwright de votre vie. Voici ce que vous pouvez faire.
Vous ouvrez ChatGPT ou Claude et vous soumettez ce prompt : « Je veux automatiser avec Playwright le scénario suivant sur une application web : l'utilisateur accède à la page de connexion, saisit son email et son mot de passe, clique sur le bouton "Se connecter", et est redirigé vers son tableau de bord. Génère le script complet en JavaScript avec les sélecteurs CSS classiques et une assertion sur l'URL finale. »
En trente secondes, vous obtenez un script structuré, commenté, avec les imports nécessaires, la structure du test, les interactions avec les éléments de la page, et l'assertion finale. Ce script n'est pas parfait ( les sélecteurs devront peut-être être ajustés à votre application réelle et les règles de page objet model ne sont pas forcément respectées) mais la structure est là, la logique est correcte, et vous avez économisé une à deux heures de recherche dans la documentation.
Ensuite, vous adaptez. Vous remplacez les sélecteurs génériques par ceux de votre application. Si quelque chose ne fonctionne pas, vous revenez à l'IA : « Ce sélecteur ne trouve pas l'élément, voici le HTML de la page, corrige le script. » Et l'IA ajuste. Ce dialogue itératif entre le QA et l'IA est le cœur du modèle copilote.
Les frameworks où l'IA est le plus efficace
Tous les frameworks d'automatisation ne se prêtent pas également bien à cette approche. Voici ceux où l'IA produit les meilleurs résultats aujourd'hui.
Playwright et Cypress sont les deux frameworks web où l'IA est la plus performante. Ils sont très bien représentés dans les données d'entraînement des LLMs, leur syntaxe est claire et cohérente, et leur écosystème de documentation est riche. Un QA non-codeur peut obtenir des scripts fonctionnels sur ces deux outils avec un minimum d'apprentissage.
Pour les tests d'API, Postman et sa collection de scripts pré-requête et post-réponse sont également bien maîtrisés par les LLMs. Générer des tests d'assertion sur des réponses JSON, créer des scénarios de test chaînés, automatiser des workflows API : l'IA gère tout ça avec une précision remarquable dès lors que vous lui fournissez la structure de vos réponses.
Pour les tests mobiles avec Appium, les résultats sont plus variables. Le framework est plus complexe, les environnements plus hétérogènes, et les erreurs de configuration plus fréquentes. L'IA reste utile pour générer la structure de base et déboguer, mais le niveau de compétence technique requis est plus élevé.
Les limites à connaître avant de se lancer
Soyons clairs sur ce que l'IA ne peut pas faire dans ce contexte, pour éviter les désillusions.
L'IA ne connaît pas votre application. Elle génère des scripts basés sur ce que vous lui décrivez ou sur le HTML que vous lui fournissez, mais elle ne peut pas naviguer elle-même dans votre application pour découvrir sa structure. Vous restez le pont entre l'outil et l'IA : c'est vous qui lui donnez les informations dont elle a besoin pour produire un script pertinent.
L'IA peut produire du code qui semble correct mais qui contient des erreurs subtiles. Un sélecteur trop fragile qui casse au moindre changement d'interface. Une assertion qui passe toujours même quand elle ne devrait pas. Une gestion des timeouts inadaptée à votre environnement. Ces erreurs ne sont pas toujours visibles au premier regard, et elles nécessitent un minimum de compréhension technique pour être détectées. La relecture reste indispensable.
Enfin, la maintenance des scripts générés par IA reste une responsabilité humaine. L'IA vous aide à créer, elle peut vous aider à corriger, mais elle ne surveille pas vos tests en production. Si votre application évolue et que vos scripts cassent, c'est à vous de les maintenir avec l'aide de l'IA, certes, mais pas à sa place.
Développer sa culture technique par l'IA
Il y a un bénéfice secondaire de cette approche que l'on sous-estime souvent : l'IA est un outil d'apprentissage remarquable pour les QA qui veulent monter en compétences techniques.
Quand l'IA génère un script et que vous lui demandez d'expliquer chaque ligne, vous apprenez. Quand elle corrige une erreur et vous explique pourquoi le code ne fonctionnait pas, vous comprenez. Ce dialogue pédagogique, disponible à la demande et adapté à votre niveau, n'existait pas avant. Un QA motivé peut progresser significativement en quelques mois en utilisant l'IA comme tuteur d'automatisation.
Ce n'est pas un raccourci qui dispense d'apprendre. C'est un accélérateur d'apprentissage. Et pour les équipes QA qui manquent de temps pour se former, c'est une opportunité réelle de monter en compétences tout en produisant de la valeur immédiate.
A retenir
L'IA comme copilote d'automatisation, ce n'est pas une promesse marketing. C'est une réalité accessible dès aujourd'hui, avec des outils gratuits, sur les frameworks les plus utilisés du marché. Elle ne supprime pas la nécessité de comprendre ce qu'on automatise, ni celle de valider ce que l'IA produit. Mais elle abaisse suffisamment la barrière technique pour que les QA fonctionnels puissent contribuer à l'automatisation, apprendre en faisant, et renforcer la couverture de test de leurs équipes. Le clivage codeur / non-codeur en QA n'est pas mort, mais il est sérieusement entamé.
FAQ
Faut-il quand même apprendre à coder pour utiliser l'IA comme copilote d'automatisation ? Pas pour produire les premiers scripts. Mais pour les maintenir, les déboguer et les faire évoluer, les bases sont un vrai atout. L'objectif n'est pas de devenir développeur, mais d'avoir suffisamment de culture technique pour comprendre ce que l'IA produit et identifier quand quelque chose ne va pas. L'IA elle-même peut vous aider à acquérir ces bases en cours de route. Il est aussi indispensable de maitriser les patterns essentiels comme le page objet Model.
Est-ce que les scripts générés par IA sont maintenables sur le long terme ? Ça dépend de la qualité du prompt initial et de votre niveau de relecture. Un script généré avec des sélecteurs robustes (data-testid plutôt que des classes CSS susceptibles de changer) et une structure claire sera maintenable. L'IA peut aussi vous aider à refactoriser des scripts existants pour les rendre plus solides. La maintenabilité reste un choix de conception, pas une garantie automatique.
Comment intégrer ces scripts dans une pipeline CI/CD si je ne suis pas développeur ? C'est souvent la prochaine étape après la génération des scripts. Là encore, l'IA peut vous accompagner : demandez-lui de générer la configuration GitHub Actions ou GitLab CI pour exécuter vos tests Playwright à chaque push. Les configurations de base sont relativement standardisées et bien maîtrisées par les LLMs. Pour une intégration plus avancée, un échange avec l'équipe DevOps reste recommandé.