Le nuove risorse dell’intelligenza artificiale hanno innescato in tutto il mondo una forte trasformazione nel campo del Quality Engineering (QE), aprendo nuove opportunità per ripensare il lavoro, lo sviluppo software, le operazioni e i processi aziendali.
L’impatto, in particolare quello dell’AI generativa e delle soluzioni basate su agenti, sta rivoluzionando il modo in cui il software viene progettato, sviluppato e distribuito.
Il Quality Engineering, storicamente un campo fertile per l’innovazione, sta così vedendo le sue regole riscritte da nuove possibilità, che spaziano dalla progettazione intelligente delle nuove soluzioni, fino ai copiloti AI e ai test autocorrettivi.
Ma il percorso verso l’adozione dell’AI non è esente da ostacoli e difficoltà, e i team di QE stanno procedendo con cautela: l’entusiasmo per la trasformazione si scontra spesso con le realtà pratiche.
Indice degli argomenti:
Il World Quality Report 2025
L’analisi del World Quality Report 2025, realizzato in partnership tra Capgemini, OpenText e Sogeti, evidenzia in parallelo sia uno slancio sia una forte esitazione nell’ecosistema QE.
A tre anni dall’inizio della disponibilità di Gen AI su vasta scala, la maturità nelle imprese rimane limitata e non omogenea: solo il 15% delle organizzazioni ha raggiunto una scalabilità a livello aziendale. La maggioranza, invece, si concentra nelle fasi intermedie: il 43% delle organizzazioni rimane in una fase di sperimentazione (piloting) e il 30% ha raggiunto la distribuzione operativa.
Esitazioni, cautela e produttività
Questo scenario evidenzia un diffuso collo di bottiglia: “le aziende riconoscono l’importanza dell’AI, ma faticano a muoversi oltre le prove di concetto”, sottolinea il World Quality Report: “particolarmente rilevante è l’aumento dei non adottanti, saliti dal 4% nel 2024 all’11% nel 2025, un segnale di accresciuta cautela del mercato. Nonostante questa esitazione, i primi risultati sono incoraggianti. Le organizzazioni che hanno implementato l’AI riscontrano un miglioramento medio della produttività del 19% rispetto a prima”.
Questi risultati sono in gran parte dovuti a una più rapida generazione di test per lo sviluppo di nuove soluzioni e software, a un’automazione più intelligente e a una migliore copertura dei test.
Problemi di governance e di competenze
Tuttavia, la realtà resta sfumata: un terzo delle realtà censite a livello mondiale ha riscontrato miglioramenti minimi, anche dopo l’implementazione operativa, a causa di problemi di governance e di competenze.
L’AI generativa sta guadagnando terreno soprattutto supportando attività più circoscritte e basate su progetti specifici, piuttosto che essere utilizzata come partner strategico. “I casi d’uso stanno evolvendo notevolmente”, rimarca l’analisi del settore: “se l’anno scorso l’attenzione era focalizzata sull’analisi delle attività (come il test reporting e defect analysis), quest’anno le organizzazioni stanno dando priorità alle attività di shift-left, ovvero la progettazione di casi di test (46% in produzione, 43% in piloting) e l’affinamento dei requisiti (43% in produzione, 42% in piloting)”.
L’impatto nel Test Data Management (TDM)
Nel campo della gestione dei dati di test (TDM), l’adozione è quasi universale per la generazione di dati: quasi tutte le organizzazioni censite (il 95% del totale) utilizzano Gen AI per generare dati di test.
L’adozione di dati sintetici è in crescita (35% complessivo) e fornisce più di un quarto dei dati di test. Ciononostante, esiste un divario significativo tra sperimentazione e integrazione: solo il 10% ha pienamente integrato la Gen AI nei propri cicli di vita e di sviluppo per il TDM.
Automazione potenziata e Agentic solutions
L’AI è sempre più vista come un catalizzatore per l’automazione dei test. Oltre il 60% delle imprese sfrutta l’AI per la creazione autonoma di script e la generazione di dati. In media, circa un quarto (25%) dei nuovi script di test automatizzati è stato generato con strumenti basati su Gen AI negli ultimi 12 mesi.
L’emergere di copiloti AI (37% in produzione, 52% in piloting) e di test autocorrettivi (38% in produzione, 44% in piloting) segnala una crescente fiducia nell’affidabilità operativa dell’AI.
Tuttavia, l’automazione è a un bivio, con quasi il 50% delle imprese ancora in fase di pianificazione e la copertura media che si attesta a solo un terzo dei casi di test.
Le barriere alla scalabilità
La vera sfida per l’AI nel settore del Quality Engineering “non è la sua utilità, ma la sua integrazione su larga scala”, osserva il World Quality Report: “i problemi che ostacolano l’adozione sono passati dai timori strategici, come la mancanza di una strategia di convalida, a problemi concreti di esecuzione”.
Le sfide principali includono: difficoltà di integrazione nei flussi di lavoro e nelle pipeline QE esistenti (per il 64% dei casi), specialmente nell’allineamento dei sistemi legacy con l’innovazione AI.
Dati e privacy: la preoccupazione maggiore è l’esposizione di dati sensibili durante l’addestramento o il prompting degli strumenti AI, per il 67% delle imprese. Per questo, le organizzazioni devono bilanciare il pieno potenziale dell’AI con rigorosi quadri di governance.
Affidabilità e ‘allucinazioni’ nei risultati: poiché i team di QE rimangono pienamente responsabili della qualità del loro lavoro, è essenziale che possiedano l’esperienza per valutare criticamente e sfidare gli output dell’AI.
Gap di competenze: nonostante l’entusiasmo, solo il 53% delle aziende ha formato i propri tester sui fondamentali di AI e machine learning.
Le raccomandazioni strategiche di Capgemini
Per passare dalla fase sperimentale alla piena scalabilità, le organizzazioni devono concentrarsi su tre imperativi urgenti:
- l’allineamento strategico degli obiettivi di business e degli sforzi QE;
- la creazione di forti modelli di governance e sicurezza dei dati;
- l’apprendimento continuo per collaborare efficacemente con i sistemi AI.
L’adozione dell’AI in Quality Engineering “è come la costruzione di un grattacielo”, fanno notare gli analisti di Capgemini: “l’AI fornisce le gru più veloci e potenti mai viste, permettendo di raggiungere altezze di produttività e innovazione mai immaginate. Ma senza fondamenta solide, una governance rigorosa, e ingegneri esperti in grado di leggere i nuovi progetti e verificare ogni elemento e passaggio, la struttura rischia di crollare prima di raggiungere la piena altezza. La chiave è l’equilibrio tra l’accelerazione della macchina e la responsabilità umana”.
