生成AIをQA業務に導入しようとしても、「結局、何を任せればよいのか」で止まりがちです。
いきなりテスト設計全体を任せる必要はありません。まずは、既存情報の整理や候補の洗い出しなど、出力を人が確認しやすい作業から始めるのが現実的です。
私は業務用製品の品質改善支援で、生成AIを使ってテスト観点、確認項目、テストケースなどの作成を行いました。その経験から、最初に試しやすい作業は次の5つだと考えています。
- 複数資料の整理と要約
- テスト観点の候補作成
- 確認項目とテストケースの下書き
- 既存テストとの比較と漏れの候補抽出
- レビュー用資料の下書き
大切なのは、生成AIの出力を完成品ではなく、レビューするための下書きとして扱うことです。
1. 複数資料の整理と要約
最初に任せやすいのは、要求、仕様、既存テスト、過去の障害などに散らばった情報の整理です。
たとえば、資料ごとに次の内容を抽出させます。
- 対象機能と利用者
- 前提条件と制約
- 正常時の動作
- 異常時の動作
- 状態の変化
- 資料間で記述が異なる箇所
- 判断に必要な情報が不足している箇所
要約だけで終わらせず、「根拠となった資料や記述」も併記させると、人が確認しやすくなります。
ただし、AIが資料間の矛盾を正しく解決できるとは限りません。矛盾や不足を見つけるところまでをAIに任せ、どの記述を採用するかは担当者が判断します。
2. テスト観点の候補作成
次に試したいのが、テスト観点の候補作成です。
単一の仕様書だけを渡すよりも、次の情報を組み合わせた方が、現場に合う候補を得やすくなります。
- 要求情報
- 機能仕様とUI仕様
- 組織で使っている標準テスト観点
- 既存のテストケース
- 過去の障害データ
- テストレベルとテストタイプの定義
私が最初に試したときは、AIが出した候補をそのまま使おうとして失敗しました。数は十分に見えましたが、一般的なテストプロセスの話が現場固有の観点として混ざり、QAの責任範囲外の内容や、対象機能に対して粒度の合わない項目も含まれていたためです。
そこで、観点を作らせる前に「今回のテスト対象」「QAが担当する範囲」「求める観点の粒度」を明示し、出力後も次の3点で絞り込むようにしました。
- 対象へ実際に適用できるか
- QAの担当スコープに収まっているか
- 他の観点と比べて粒度が合っているか
AIには最初から正解だけを求めるのではなく、候補を広く出させたうえで、現場の条件に沿って人が選別する使い方が向いています。
仕様、既存テスト、過去障害を使って根拠付きの候補を作る具体的な流れは、Claude Codeでテスト観点を作る手順で紹介しています。
3. 確認項目とテストケースの下書き
テスト観点が整理できたら、各観点を確認項目やテストケースへ段階的に落とします。
一度に完成形を作らせるのではなく、次のように分けると確認しやすくなります。
- テスト観点を作る
- 観点ごとの確認項目を作る
- 確認項目ごとに前提条件、操作、期待結果を作る
- 人がレビューして修正する
段階を分ける理由は、問題が起きた場所を特定しやすいからです。観点が誤っているのか、確認項目への分解が不十分なのか、実行手順だけが間違っているのかを切り分けられます。
実務では、もっともらしいものの実行できない手順が含まれることもありました。実機や検証環境で実行できるかは、必ず人が確認します。
4. 既存テストとの比較と漏れの候補抽出
生成AIは、新しい成果物を作るだけでなく、既存テストの点検にも使えます。
たとえば、新しい観点一覧と既存テストケースを対応付け、次の候補を抽出させます。
- 観点に対応するテストが見つからない
- 複数のテストが重複している可能性がある
- 仕様変更後も古い条件が残っている
- 過去障害に対応する確認が見つからない
- 期待結果が曖昧で合否を判断できない
ここで得られるのは、あくまで「漏れや重複の候補」です。対応が見つからない理由は、本当の漏れだけでなく、名称や粒度の違いかもしれません。AIの判定件数をそのまま品質指標にはせず、確認対象を絞り込むために使います。
5. レビュー用資料の下書き
最後は、レビューで使う資料の下書きです。
AIが作成した成果物について、次のような形に整理させると、レビューを始めやすくなります。
- 今回追加した観点
- 既存テストから変更した箇所
- 判断できず保留した箇所
- 参照した入力資料
- レビューで確認してほしい論点
- 対象外とした範囲
成果物だけを渡すより、判断の根拠と未確認事項を一緒に示した方が、レビュアーは重要な箇所に集中できます。
ただし、AIが説明した生成理由が、実際の内部処理を正確に表しているとは限りません。後から理由を説明させるのではなく、作業時に参照元と判断結果を記録させる方が安全です。
最初は「整理」から始める
5つのうち、最初の小さな検証に向いているのは「複数資料の整理と要約」です。
対象を1機能に絞り、機密情報を含まない資料または公開可能なサンプルを使って、次の点を確認します。
- 欲しい形式で情報を整理できるか
- 根拠を追跡できるか
- 誤りや過剰な抽出がどれくらいあるか
- 入力準備、生成、レビューに何分かかるか
- 手作業より有効な場面があるか
小さく試した結果をもとに、テスト観点やテストケースの作成へ範囲を広げます。
AIへ任せず、人が判断すること
QA業務で生成AIを使う場合でも、次の判断は人が担当します。
- 仕様として何が正しいか
- どこまでをテスト対象にするか
- リスクに対して十分な網羅性があるか
- 手順を実際に実行できるか
- 最終成果物を採用してよいか
AIは、情報の整理、候補の作成、比較を速める道具です。対象業務や製品を理解した担当者の判断まで置き換えるものではありません。
機密情報を入力する前に確認する
業務資料を利用する場合は、使用するAIサービスの契約条件だけで判断せず、所属組織のルールを確認してください。
少なくとも、利用承認、入力可能な情報、データの保存・保持、学習利用の有無、アクセス権、ログの扱いを確認します。判断できない場合は、実際の業務情報を入力せず、架空の仕様や公開情報で検証します。
まとめ
QA業務で生成AIを使い始めるなら、最初に任せたいのは次の5つです。
- 複数資料の整理と要約
- テスト観点の候補作成
- 確認項目とテストケースの下書き
- 既存テストとの比較と漏れの候補抽出
- レビュー用資料の下書き
まずは1機能の情報整理から試し、出力の正確さだけでなく、人のレビューを含めた作業時間を記録してみてください。
AIが作ったテストケースの確認方法は、AIが作ったテストケースをレビューする6つの観点で具体例とともに紹介します。
運営者の経験と、このブログの発信方針については運営者プロフィールをご覧ください。
次に読む記事
生成AIで最初の一歩を試すなら、Claude Codeでテスト観点を作る手順で、根拠資料から観点候補を作る流れを確認してください。
無料チェックリスト
AIが作った候補を採用する前に確認したい方は、AI生成テストケース 6観点レビューチェックリスト(PDF)をご利用ください。
QAでの生成AI活用やレビューの進め方について相談したい場合は、お問い合わせページからご連絡ください。
