Jak AI změnila manuální testování v roce 2026
Ještě před dvěma lety bylo „AI v testování" marketingové buzzword. Dnes, v roce 2026, je to pracovní realita každého QA týmu, který nechce zaostat. Při vší té vlně hype se ale rozmazává otázka, která o ROI rozhoduje: co AI reálně zvládne, kde selhává a co jí máme svěřit?
Tenhle článek je praktické shrnutí pro dev leady, QA manažery a technické PM, kteří o AI potřebují rozhodovat, ne o ní snít.
Co AI v QA v roce 2026 reálně zvládne
Za poslední rok se tyhle use-case u našich klientů přesunuly z experimentu do produkce:
- Generování testů z user stories — Claude Code nebo Cursor dokážou z dobře napsaných acceptance criteria vygenerovat Cypress nebo Playwright test, který je z 80 % hotový. Zbylých 20 % je napojení na Page Object a review.
- Klasifikace failů — když vám padá 23 % buildů, potřebujete automatickou triage. AI klasifikátor rozhodne za pár sekund „tohle je reálný bug vs. tohle je síťová flakiness", s přesností kolem 88 %.
- Oprava flaky testů — Cursor s přístupem do repozitáře umí najít anti-patterny (hardcoded timeouty, chybějící waity) a navrhnout opravu s menší chybovostí než průměrný junior tester.
- Code review PR — AI agent hlídá, jestli se přidaný test drží konvencí projektu, jestli neduplikuje existující scénář a jestli pokrývá negativní případy.
- Generování testovacích dat — syntetická fixture data, GDPR-safe profily zákazníků, multi-tenant variace. Schema-aware AI zvládne vygenerovat data pro JSON schema i pro tabulku v DB.
Kde AI stále selhává
V následujících oblastech jsme viděli nejvíc tichých selhání — AI vrátí výstup, který vypadá správně, ale má zásadní problém:
- Exploratory testing — AI není zvědavá. Nebude klikat na okrajové případy „jen aby viděla, co se stane". Exploratory testing je lidská činnost a v roce 2026 to tak zůstane.
- Posouzení přístupnosti — test se screen readerem, kontrast v konkrétním kontextu, kognitivní zátěž. AI umí spustit axe-core, ale posoudit „je tohle použitelné pro starší uživatele?" ne.
- UX intuice — „tenhle flow je technicky správný, ale pocitově špatný" je úsudek, který AI neumí zkalibrovat bez obrovské množiny olabelovaných dat — a ta neexistují.
- Doménová logika — v pojišťovnictví, zdravotnictví a financích jsou pravidla tak specifická, že AI bez kurátorovaného kontextu halucinuje. Musíte investovat do RAG nebo do pořádných system promptů.
- Regulatorní compliance — posouzení GDPR, SOX nebo PCI-DSS potřebuje human-in-the-loop z právních důvodů.
Jak vypadá efektivní hybridní QA tým
Týmy, které v roce 2026 fungují, se drží téhle struktury:
- Senior QA engineer (1–2 lidé) — vlastní framework, dělá code review, navrhuje architekturu testů, zapojuje AI nástroje do workflow.
- Medior QA + AI asistent — píše 70 % testů s pomocí AI, reviduje výstup, opravuje flakiness. Podstatně vyšší průtok než před dvěma lety.
- Exploratory tester (0,5 FTE) — dělá session-based exploratory testing, usability review a audit přístupnosti. Nedá se nahradit.
- Unit testy v rukou vývojářů — AI jim pomáhá psát unit testy jako vedlejší produkt, ne jako samostatnou aktivitu.
Oproti roku 2023: stejný výstup dodá zhruba o 40 % méně lidí, s vyšším pokrytím a nižším mean-time-to-detection.
Praktické ROI: co jsme viděli u klientů
Na projektu v médiích (redakční platforma), kde jsme nasadili AI-asistované generování testů s Claude Code, jsme naměřili:
- Čas na napsání jednoho E2E testu klesl z průměrných 3,5 hodiny na 55 minut (−73 %).
- Flakiness rate před AI refaktoringem: 18 %. Po něm: 4,2 %.
- Pokrytí test suite při stejném rozpočtu: z 62 % na 81 %.
Jsou to čísla z jednoho projektu. Ne garance — ale ukazatel, jaký řád je realistický.
Co dělat teď
Pokud AI v QA zatím nepoužíváte:
- Vyberte jeden tým a jeden nástroj (na začátek doporučujeme Claude Code). Nedělejte z toho hned firemní rollout.
- Dejte si 2 týdny a jeden konkrétní cíl — např. „zrefaktorovat 20 flaky testů s pomocí AI". Měřitelné a časově ohraničené.
- Změřte to — hodiny, flakiness, bug escape rate. Bez čísel nemáte argument pro finální rozhodnutí.
- Teprve pak rozšiřte — když máte interní důkaz, rozhodnete se o licencích, školení a change managementu.
Pokud chcete discovery call o tom, jak AI zapojit do vašeho QA týmu — ozvěte se. Projdeme stav testování u vás, kde by byl největší quick win a jak měřit, jestli AI reálně pomáhá, nebo jen dělá hluk.