AI กำลังเปลี่ยน Workflow ของ QA อย่างไร
บทนี้พาคุณเห็นภาพใหญ่ว่าทำไมงาน QA หลังยุค LLM ไม่เหมือนเดิม และทำไมทักษะ AI-assisted testing กลายเป็นพื้นฐานใหม่ของอาชีพนี้
จบบทนี้แล้วคุณจะ...
- อธิบายได้ว่า AI เปลี่ยนบทบาทของ QA ในแต่ละขั้นของ STLC อย่างไร
- เห็นความต่างระหว่าง "ใช้ AI ช่วย" กับ "ปล่อยให้ AI ทำแทน"
- ระบุได้ว่างานไหนใน workflow ของคุณคุ้มที่จะให้ AI ช่วยที่สุด
- เข้าใจว่าทำไม QA ที่ใช้ AI เป็นเครื่องมือ จะมีคุณค่าต่อทีมมากกว่า QA ที่กลัว AI
1 · ภาพใหญ่ของ QA ก่อนและหลัง AI
งาน QA ไม่ได้หายไป แต่จุดที่ใช้เวลาเปลี่ยนไป
ในยุคก่อน LLM กลายเป็นเครื่องมือใช้งานง่าย QA ใช้เวลาส่วนใหญ่ไปกับงานซ้ำซาก:
- เขียน test case จำนวนมากจาก requirement
- copy-paste step คล้าย ๆ กันเพื่อทำหลาย scenario
- เขียน automation script จาก manual flow
- อัพเดต locator ที่พังหลัง UI เปลี่ยน
- เขียน bug report ให้ละเอียดพอที่ dev จะ reproduce ได้
หลังจากที่ AI assistant ใช้งานได้จริง งานเหล่านี้ส่วนใหญ่ AI ทำได้เร็วกว่ามนุษย์หลายเท่า สิ่งที่เปลี่ยนไม่ใช่เนื้องาน แต่เป็นสัดส่วนของเวลาที่ QA ต้องทุ่มในแต่ละขั้น
2 · เปรียบเทียบ workflow แบบเก่ากับ AI-assisted
จุดที่ AI ช่วยได้มากที่สุดมักเป็นจุดที่เคยน่าเบื่อที่สุด
| ขั้นใน STLC | Workflow แบบเก่า | Workflow แบบ AI-assisted |
|---|---|---|
| Test design | เขียน test case มือ ใช้เวลาหลายวัน | AI ร่าง draft จาก requirement, QA review และเติม edge case |
| Test data | สร้าง data มือหรือเขียน script | AI gen realistic data ตาม schema, QA ตรวจ PII |
| Automation | port test case เป็น code มือ | AI gen script base, QA refactor + assert ให้แม่น |
| Maintenance | แก้ locator มือทุกครั้ง | self-healing tool หรือ AI suggest locator ใหม่ |
| Failure analysis | ไล่ stack trace + log มือ | AI สรุป root cause, QA ตัดสินใจ scope |
| Bug report | เขียน reproducible step มือ | AI draft จาก trace, QA ขัดเกลา |
จุดที่ AI ช่วยไม่ได้เลย:
- ตัดสินใจว่า bug นี้ block release หรือไม่
- ประเมิน business risk ของ scenario ที่หาย
- คุยกับ stakeholder เพื่อ clarify requirement
- รับผิดชอบ quality ในเชิงที่มี accountability
3 · บทบาทใหม่ของ QA: จาก executor เป็น reviewer + judge
ทักษะที่ขาดไม่ได้คือการ "review งานของ AI" ให้เป็น
QA ที่ทำงานกับ AI ได้ดีจะใช้เวลาส่วนใหญ่กับ 3 อย่าง:
- Prompting — สื่อสารกับ AI ให้ได้ output ที่ใกล้ใช้งานจริง
- Reviewing — อ่าน output ของ AI หา hallucination, logic ผิด, edge case ที่หาย
- Judging — ตัดสินใจว่า output นี้พร้อมเข้า test suite หรือต้องแก้
ทักษะ 3 อย่างนี้ต้องอาศัยความเข้าใจหลักการ testing ที่แข็งแรง เพราะถ้าคุณไม่รู้ว่า test case ที่ดีหน้าตาเป็นอย่างไร คุณจะ review งาน AI ไม่ออก
นี่คือเหตุผลที่ Section 1-4 ของหลักสูตรนี้ยังจำเป็นมากในยุค AI ไม่ใช่ลดลง
4 · ความเข้าใจผิดที่พบบ่อย
สิ่งที่ทีมมักเข้าใจผิดเกี่ยวกับ AI-assisted testing
- "AI จะมาแทนที่ QA" — AI เก่งงานซ้ำ แต่ตัดสินใจ business risk ไม่ได้ บทบาท QA ยังจำเป็น
- "AI gen test ได้ดี ก็ใช้ได้เลย" — output ของ AI มี hallucination บ่อย ต้อง review ทุกครั้ง
- "ใช้ AI = ขี้เกียจ" — ใช้ AI ผิดเพราะอยากลัดต่างหากที่ขี้เกียจ ใช้เป็นและ review ดี = professional
- "ต้องเป็น AI engineer ก่อนถึงใช้ได้" — ใช้ AI เพื่อทำงาน QA ไม่ต้องรู้ ML แค่รู้ว่าจะ prompt และ review อย่างไร
5 · จุดเริ่มต้นที่แนะนำ
ไม่ต้องเปลี่ยน workflow ทั้งหมดในวันเดียว
วิธีเริ่มที่ง่ายและเห็นผลเร็ว:
- เลือก task ซ้ำ ๆ ที่คุณทำบ่อยสุดในสัปดาห์
- ลองใช้ AI ช่วย task นั้น 1-2 ครั้ง
- เปรียบเทียบเวลาและคุณภาพกับวิธีเดิม
- ถ้าได้ผล ทำซ้ำจนเป็นนิสัย แล้วค่อยขยายไปงานถัดไป
ตัวอย่าง task ที่เริ่มลองได้ง่าย:
- gen test case จาก user story ที่เพิ่ง refine
- เขียน Playwright test จาก manual steps ที่จดไว้
- สรุป failure log ที่ยาว ๆ ให้สั้นลง
- gen edge case ที่คุณยังไม่เคยคิด
Practice
แบบฝึก: ระบุ task ที่ AI ช่วยได้ในสัปดาห์ของคุณ
ลิสต์ task ที่คุณทำในสัปดาห์ที่ผ่านมา และแบ่งเป็น 3 กลุ่ม:
- AI ช่วยได้เกือบทั้งหมด (gen, draft, summarize)
- AI ช่วยบางส่วน (ต้อง review หนัก หรือ context เฉพาะ)
- AI ช่วยไม่ได้ (decision, communication, accountability)
ดูตัวอย่างคำตอบ
ตัวอย่าง:
| Task | กลุ่ม | เหตุผล |
|---|---|---|
| เขียน test case จาก user story | 1 | structure ซ้ำ AI gen ได้ดี |
| Review test case ที่ทีมเขียน | 2 | AI ช่วย flag issue ได้ แต่ context ทีมต้องคนรู้ |
| ตัดสินใจว่า bug นี้ ship ได้ไหม | 3 | accountability ต้องเป็นคน |
| Update locator ที่พัง | 1 | self-healing tool ทำได้ |
| Pair กับ dev ตอน sprint planning | 3 | ต้องการ judgment + communication |
สิ่งที่ต้องเอาติดตัวไปจากบทนี้
- AI เปลี่ยน "สัดส่วนเวลา" ของงาน QA ไม่ใช่เนื้องาน
- งานซ้ำ ๆ AI ช่วยได้มาก งานตัดสินใจยังต้องเป็นคน
- ทักษะใหม่ที่ขาดไม่ได้คือ prompt, review และ judge งาน AI
- หลักการ testing พื้นฐานยิ่งสำคัญในยุค AI เพราะต้อง review งาน AI ให้ออก
- เริ่มจาก task เล็ก ๆ ที่ทำบ่อย ไม่ต้องเปลี่ยน workflow ทั้งหมดทันที