สิ่งที่ AI ทำได้ดี และสิ่งที่ยังต้องพึ่งคน

AI เก่งในจุดที่ "เคยใช้เวลา" ของ QA มาก ๆ

Pattern matching จาก context: ถ้ามี requirement หรือ code ให้ AI ดู มันจะร่าง test case หรือ script ที่อยู่ใน pattern เดิมของทีมได้เร็วมาก

Generation ที่มีโครงสร้าง: gen test case ตาม template, gen test data ตาม schema, gen Playwright test ตาม Page Object pattern — งานพวกนี้ AI ทำได้ดี

Summarization: สรุป failure log ยาว ๆ, สรุป diff ของ PR, สรุปสิ่งที่ทีมคุยกันใน thread — งานสรุปถนัดของ LLM โดยตรง

Translation ระหว่างรูปแบบ: แปลง manual steps เป็น Playwright code, แปลง user story เป็น Gherkin, แปลง bug report เป็น test case — งานแปลงรูปแบบที่มี mapping ชัดเจน AI เก่ง

Brainstorm edge cases: ขอให้ AI ลิสต์ edge case ของ input ใดอันหนึ่ง มักได้ idea ที่มนุษย์ลืมเพราะคิดในกรอบเดิม

AI ยังพังในจุดที่ "ต้องเข้าใจจริง" ไม่ใช่แค่ "เคยเห็น pattern"

Hallucination: AI ตอบสิ่งที่ฟังดูถูกแต่ผิด เช่น เรียก API ที่ไม่มีจริง, ใช้ method ที่ไม่มีใน library, อ้าง spec ที่ไม่มีใน requirement

Plausible-but-shallow: gen test case ที่ดูครบ แต่ไม่ assert สิ่งที่สำคัญจริง เช่น เช็ก URL แต่ไม่เช็ก content, เช็ก element มีอยู่แต่ไม่เช็กค่าใน element

ขาด business context: AI ไม่รู้ว่าระบบนี้มี user real ใช้งานอะไร, business rule ที่ไม่ได้เขียนใน spec, decision เก่าที่ทีมเคยตกลง

ตัดสินใจไม่เป็น: AI gen idea ได้แต่บอกไม่ได้ว่า "อันไหนควรทำก่อน" หรือ "อันไหน acceptable risk"

Stateful workflow ยาว ๆ: AI ในการทดสอบอัตโนมัติแบบ end-to-end หลาย session บ่อยครั้งหลุด context กลางทาง

ใช้เป็น checklist ก่อนตัดสินใจให้ AI ทำงาน

นี่คือหลักที่ทุก QA ที่ใช้ AI ควรยึด

ใช้ AI = ยังต้องรับผิดชอบ output เหมือนเขียนเอง

หลัก verify ที่ใช้ได้กับทุก output:

• Run จริงในสภาพแวดล้อมจริง อย่าเชื่อแค่ output ที่ AI โชว์
• เช็ก reference: ถ้า AI อ้างชื่อ method, function, API — verify ว่ามีจริง
• ลองแก้ assumption: ถ้า test ผ่านทุกครั้ง ลอง break โค้ดดูว่า test fail จริงหรือเปล่า
• ดู edge case ที่ AI ไม่ได้พูดถึง — บ่อยครั้งจุดที่หายคือจุดสำคัญ
• ถามตัวเองว่า "ถ้าจุนเนียร์ในทีมเขียน output แบบนี้มา ฉันจะ approve ไหม"

มี boundary ที่ชัดเจน

• ตัดสินใจว่า bug ระดับไหน block release
• เลือก scope ของ regression run ก่อน production deploy
• คุยกับ stakeholder เพื่อ clarify requirement
• รับผิดชอบ test plan ที่ลง sign-off
• ประเมิน security risk ที่กระทบ data จริง

งานเหล่านี้ AI สามารถ assist ได้ (เช่น draft email, suggest scope) แต่ "decision" ต้องเป็นคน เพราะถ้าผิดแล้วจะมีคนรับผิด