Cos'è l'AI-Assisted Testing (Agentic QA)?

L'AI-Assisted Testing, sempre più chiamato Agentic QA, è l'uso di agenti AI per generare, mantenere ed eseguire test software con intervento umano ridotto. Non si tratta solo di scrivere casi di test da una specifica: gli agenti più maturi analizzano un cambio di codice, selezionano da soli i test rilevanti da eseguire, classificano i fallimenti distinguendo un bug reale da un test rotto per un cambio di interfaccia, propongono il fix e imparano dagli esiti dei run successivi. Il pezzo che ha reso popolare la categoria è il self-healing test: quando l'interfaccia cambia, ad esempio un selettore o un layout, il test si adatta automaticamente invece di rompersi, cosa che nel testing tradizionale è la causa più comune di manutenzione infinita delle suite. È una traiettoria che segue da vicino quella dell'AgentOps: più un compito diventa automatizzato, più serve tracciarne il comportamento per fidarsene davvero.

Un'adozione più annunciata che eseguita

Gartner prevede che entro il 2026 l'80% delle aziende adotterà strumenti di AI-augmented testing nella propria toolchain di delivery (Gartner Peer Insights), e una survey di Leapwork riporta che il 79% delle aziende lo ha già adottato in qualche forma, con il 74% che prevede di aumentare gli investimenti. Ma un'altra survey indipendente racconta una storia più scomoda: solo il 16% delle aziende lo ha davvero implementato in produzione, nonostante il 75% lo consideri una priorità. Il divario tra intenzione dichiarata ed esecuzione reale è il tratto distintivo di questa fase: molte organizzazioni hanno comprato o pilotato uno strumento, poche lo hanno reso parte stabile della pipeline.

Il cambio di nome che segnala la maturità

Anche Gartner sta rinominando la categoria: da "AI-Augmented Software Testing Tools" a "Agentic Software Quality Assurance Platforms", un segnale che il mercato non guarda più a un plugin che aiuta a scrivere test, ma a una piattaforma che gestisce autonomamente porzioni della qualità del software. Il driver è in parte paradossale: più codice viene generato dall'AI (vibe coding, agenti di sviluppo), più cresce il volume di test necessari, non meno. La domanda di QA non si riduce con l'automazione del codice, si sposta a valle.

Perché conta per un'azienda

Il mercato dei tool di Agentic QA è affollato e nessun vendor è imprescindibile: la scelta corretta è restare neutrali rispetto al fornitore e valutare sulla base dell'integrazione con la pipeline esistente, non sull'hype del singolo prodotto. Il rischio più concreto è l'over-promise: "autonomo" nel marketing di molti tool significa ancora "genera una bozza che un umano rivede", non "sostituisce il QA engineer". Per un'azienda che integra questi strumenti, il valore reale si misura sull'aggancio alla pipeline CI/CD e alla disciplina di GitOps: un agente di test che non è cablato nel flusso di rilascio resta un esperimento isolato. E per chi valuta anche sistemi AI generativi, il parallelo con gli evals è diretto: in entrambi i casi si tratta di misurare in modo continuo e automatico se un sistema fa ciò che dovrebbe, non di fidarsi di una demo.