Nová éra AI testování: Od automatizace k autonomním agentům a MCP

Proč potřebujeme změnu? 

V IT se všichni snažíme zrychlovat, ale s rychlostí roste i komplexita. Tradiční model, kde se do testování investuje zhruba 30 % času vývoje, začíná narážet na své limity. Navíc až 40 % času automatizace dnes „spalujeme“ na úpravě lokátorů a údržbě stávajících testů. AI nám nabízí cestu, jak z tohoto začarovaného kruhu ven. 

AI Agenti: Více než jen chytrý chat 

Mnoho lidí si pod AI představí jen chatovací okno, ale v testování se posouváme k LLM workflow a AI agentům. 

• LLM Workflow: Aplikace se zabudovaným modelem, který umí používat nástroje (např. vyhledávání na internetu). 
• AI Agent: Na rozdíl od jednoduchého workflow jde o algoritmus, který je schopen v cyklu volat LLM, rozdělit si velký úkol na menší kroky a ty postupně plnit. 

Typický testovací agent by měl být schopen na příkaz „objednej pizzu a prověř, že cena je nad 100 Kč“ sám otevřít prohlížeč, navigovat se, klikat a vyplňovat pole. Pokud narazí na chybu, měl by svůj postup opravit a zkusit to znovu, podobně jako člověk. 

MCP: Univerzální konektor pro vaše nástroje 

Klíčovou novinkou je Model Context Protocol (MCP). Jde o standard, který umožňuje AI agentům komunikovat s různými aplikacemi a službami bez nutnosti složitého programování. Funguje jako konektor, díky kterému může agent: 

• Číst soubory na disku. 
• Připojit se k e-mailu, Slacku nebo MS Teams. 
• Ovládat prohlížeč přes nástroje jako Playwright. 

Dnes už nemusíte psát složitý kód v TypeScriptu; pomocí MCP a vhodných promptů ve VS Code můžete agentovi zadat úkol typu „přihlas se na LinkedIn a pozvi mé přátele na webinář“ a on to provede. 

Od MCP ke „Skills“: Vyšší efektivita 

I když je MCP silný nástroj, může být někdy pomalý nebo mu chybí kontext. Proto se do popředí dostávají skilly – znovupoužitelné instrukce a skripty, které si agent načte do kontextu jen tehdy, když je skutečně potřebuje (on-demand). 

Příkladem může být skill pro reporting chyb. Místo aby agent jen hádal, jak má vypadat hlášení chyby, dostane přesnou metodiku (názvosloví, labely, priority) a podle ní pak analyzuje existující tickety v GitHubu nebo navrhuje nové. 

AI Testing Team: Budoucnost v praxi 

Představte si tým AI agentů, kteří spolupracují. Marcel demonstroval proces, kde agent (v roli test analytika) dostane ID bugu z Jiry, stáhne si detaily, v nástroji Wopee.io (který Marcel vyvíjí) vybere relevantní testy, spustí je přes Playwright a výsledek reportuje zpět do Jiry jako komentář. To vše se děje autonomně a koordinovaně. 

Je to jen bublina? 

Marcel připouští, že AI je v určitém smyslu bublina, která jednou splaskne, podobně jako dot-com bublina v roce 2000. To ale neznamená, že technologie zmizí. Naopak, z bubliny vzejdou vítězové, kteří změní trh. 

Dnes se nacházíme ve fázi „AI augmented testing“, kdy AI testování obohacuje, ale směřujeme k „agentickému testování“, kde kód pro testy možná nebude vůbec potřeba. Role v IT se začínají míchat – z každého se stává „builder“ a hranice mezi vývojářem, testerem a produktovým manažerem se stírají. 

Závěrečné doporučení? Nehledejte v tom magii, ale experimentujte. Sledujte trendy, zkoušejte nové nástroje (Cursor, MCP servery, Playwright agenty) a nenechte si ujet vlak, i když zatím přesně nevíme, kterým směrem se koleje v budoucnu stočí. 

Celou přednášku můžete zhlédnout na YouTube zde.