Workflow ของ QA ที่ทำงานคู่กับ AI ได้จริง

ตัวอย่างที่ใช้ได้ใน sprint จริง

เช้า (Sprint planning / refinement):

• อ่าน user story ที่จะทำใน sprint
• ใช้ AI brainstorm acceptance criteria ที่ขาด → คุยกับ PO
• ใช้ AI draft test case จาก criteria → review กับทีม
• ระบุ edge case ด้วย adversarial prompt → discuss risk

กลางวัน (Implementation phase):

• Dev เขียน feature, QA ใช้ AI gen test case ขนาน
• ใช้ AI gen test data fake สำหรับ dev environment
• เริ่มเขียน Playwright test ด้วย AI สำหรับ flow ที่พร้อม
• review code ของ dev ใน PR — ใช้ AI summary diff

บ่าย (Test execution):

• run automation suite, ดู failure ที่เกิด
• ใช้ AI วิเคราะห์ root cause สำหรับ failure ใหม่
• ใช้ AI gen bug report draft จาก analysis
• exploratory test manual ในส่วนที่ AI ทำแทนไม่ได้

ก่อนเลิกงาน (Wrap-up):

• ใช้ AI สรุป test result ของวันส่งทีม
• log AI suggestion ที่ปฏิเสธ + เหตุผล (audit trail)
• update test plan สำหรับวันถัดไป

ภาพรวม: AI ช่วยลดเวลา repetitive work 30-50% เพิ่มเวลาให้คิดเรื่องที่สำคัญ

5 principle ที่ใช้ได้กับทุก task

Principle 1: AI สำหรับ first draft, คน สำหรับ final review

ใช้ AI gen draft แรก (test case, script, bug report) แต่คน review + commit เสมอ

Principle 2: ส่ง context มากกว่าสั่งสั้น ๆ

ใช้เวลา 5 นาทีเขียน prompt ดี ดีกว่า 30 นาทีแก้ output ที่ไม่ตรง

Principle 3: Verify ทุก reference

AI อ้าง API, function, spec → verify ว่ามีจริงก่อนใช้

Principle 4: Decision อยู่ที่คน

AI เสนอได้ — ตัดสินใจ release/no-release, scope, priority เป็นของคน

Principle 5: Audit trail ทุก AI usage

เก็บ log ว่า task ไหนใช้ AI, suggestion ไหนรับ ไหนปฏิเสธ — ใช้ improve workflow + accountability

Decision tree สั้น ๆ

Task ที่จะทำ
  │
  ├── เป็น repetitive / structured?
  │     └── yes → AI ช่วยได้
  │     └── no → ดูข้อถัดไป
  │
  ├── ต้องการ judgment / business context?
  │     └── yes → คนทำ
  │     └── no → AI ช่วยได้
  │
  ├── ต้องการ accountability ของผลลัพธ์?
  │     └── yes → คนทำ (AI ช่วย draft)
  │     └── no → AI ทำได้
  │
  └── เป็น decision ที่ irreversible?
        └── yes → คนทำ
        └── no → AI ลองได้

ตัวอย่าง mapping:

• gen test case จาก spec → AI (repetitive, no judgment ใหม่)
• ตัดสิน priority bug → คน (judgment + accountability)
• แก้ flaky test pattern → AI suggest, คน commit (judgment ของ trade-off)
• เขียน Playwright สำหรับ flow ใหม่ → AI gen, คน review (no irreversible)
• Approve PR ของ dev → คน (accountability)

ทักษะ AI-assisted = ทักษะที่ฝึกได้

Daily habits:

• เก็บ prompt template ที่ work — สร้าง personal library
• หลังใช้ AI แต่ละครั้ง สรุป "อะไรดี อะไรไม่ดี" สั้น ๆ
• review prompt failed รายสัปดาห์ — เห็น pattern ของตัวเอง

Weekly habits:

• ลอง tool ใหม่ 1 ตัว เปรียบเทียบกับ tool ปัจจุบัน
• read changelog ของ AI tool ที่ใช้ — feature ใหม่บ่อย
• share prompt + workflow กับทีม (Slack channel, wiki)

Monthly habits:

• audit ว่า task ไหนใน sprint ใช้ AI ได้คุ้ม, task ไหนไม่
• update team's AI usage guideline
• benchmark productivity (เวลาที่ใช้ทำ task เดิม vs เดือนก่อน)

ส่วนที่ AI ทำแทนไม่ได้

Critical thinking:

• รู้ว่าคำถามไหนถามถูก
• เห็น assumption ที่ผิดของทีม
• challenge requirement ที่กำกวม

Communication:

• สื่อสารกับ PO, dev, stakeholder
• เขียน bug report ที่ persuade dev ได้
• present test result ให้ executive เข้าใจ

Domain expertise:

• รู้ business logic ที่ลึกของระบบ
• รู้ user real ใช้งานยังไง
• รู้ history ของ decision ที่ทีมเคยทำ

Judgment under uncertainty:

• ตัดสินใจ release/no-release
• เลือก scope ของ regression
• รับผิดชอบ quality outcome

ทักษะเหล่านี้ลึกขึ้นเท่าไหร่ คุณยิ่งใช้ AI ได้มีประสิทธิภาพมากขึ้น

มองยาว 3-5 ปี

ที่กำลังเปลี่ยน:

• งาน manual repetitive ลดลงเรื่อย ๆ
• งาน "test executor" หายไปครึ่งหนึ่ง
• ความต้องการ "test architect" + "quality strategist" เพิ่มขึ้น
• คน QA 1 คนรับผิดชอบ scope ที่เคยใช้ 3-5 คน

ที่ยังต้องการ:

• คนที่เข้าใจ business + technology
• คนที่ตัดสินใจ risk ภายใต้ uncertainty
• คนที่ communicate ระหว่าง dev + product
• คนที่รับ accountability ของ quality

ทางเลือกในการพัฒนาตัวเอง:

• ลึกลง: Test architect, SDET, Quality engineering lead
• กว้างออก: Product, UX research, BA
• เปลี่ยนแขน: AI/ML engineering, Platform engineering, DevEx

ไม่ว่าจะเลือกทางไหน — ทักษะที่เริ่มจาก section นี้ (พื้นฐาน testing + AI as a tool) เป็นพื้นที่จำเป็น