Hasbihal #1: AI Çağında Kalite Mimarisi: SDET’ in Evrim
Bölüm 2: Agentic AI Test Süreçlerine Girdiğinde Ne Olur? Otonom Test Ajanları: Hype mı, Gerçek mi?
Okuma Süresi 📖: 5 Dakika
Son dönemde üretken yapay zekanın (GenAI) bir sonraki evresi olarak tanımlanan “Agentic AI” (Ajan Yapay Zeka), yazılım testi ve kalite güvencesi (QA) dünyasını da derinden sarsıyor. Başta Silikon Vadisi merkezli girişimler olmak üzere birçok platform; insan müdahalesine gerek duymadan bir web veya mobil uygulamasını tarayan, kullanıcı davranışlarını taklit eden ve kendi kendine regresyon testleri icra eden otonom ajanları sahaya sürüyor.Geliştirme ekipleri ve bütçe yöneticileri için bu vaat oldukça çekici: Sıfır script bakımı, anında keşifsel testler ve sıfır test yazma eforu.Ancak telekomünikasyon, endüstriyel otomasyon veya finans gibi yüksek regülasyonlu ve hatanın milyonlarca euro kayba yol açabileceği sistemlerde çalışan bir mühendislik lideri gözüyle baktığımızda, bu vaadin arkasındaki yapısal sınırları doğru analiz etmek zorundayız.
Otonom Test Ajanlarının Karşılaştığı 4 Yapısal Engel
1. “Test Oracle” Problemi
Yazılım test teorisinin en temel kavramlarından biri “Test Oracle”dır; yani bir testin başarılı (pass) ya da başarısız (fail) sayılabilmesi için beklenen çıktının (expected result) kesin olarak bilinmesi prensibi.Bir Agentic AI modeli arayüzdeki DOM elementlerini analiz edebilir, formu doldurabilir ve satın alma butonuna tıklayabilir. Ancak satın alma sonucunda backend’de tetiklenen vergi matrahı doğru hesaplandı mı? İndirim kuponu kullanıcının segmentine uygun olarak mı düşüldü? AI ajanları genel kullanıcı akışlarını taklit edebilir, ancak karmaşık iş kurallarını (business domain knowledge) derinlemesine bilmeden bu adımların iş mantığı doğrulamasını (assertion) yapamaz.
2. Determinizm İhtiyacı ve “Flaky Test” Tehdidi
Sürekli Entegrasyon ve Sürekli Teslimat (CI/CD) süreçlerinin bel kemiği determinizmdir. Birim, entegrasyon veya E2E testleri aynı girdi verildiğinde her zaman aynı çıktıyı üretmelidir. Büyük Dil Modelleri (LLM) ise deterministik değil, stokastik (olasılıksal) motorlardır. Bir otonom ajanın aynı kullanıcı senaryosunu her test koşumunda birebir aynı adımlarla yürütmesi garanti edilemez. Bu durum, kurumsal organizasyonların en büyük kabusu olan “Flaky Test” (tutarsız test sonuçları) problemini katlar. Sürekli yeşil ve kırmızı arasında dalgalanan bir test hattına hiçbir CTO veya Release Manager güvenerek canlıya çıkış (production deployment) onayı veremez.
3. State & Context Yönetimi (Durum Patlaması)
Modern mimariler bağımsız mikroservislerden, asenkron mesaj kuyruklarından (Kafka, RabbitMQ vb.) ve dağıtık veritabanlarından oluşur. Bir testin icrası çoğu zaman önceden hazırlanmış spesifik bir veri durumuna (test data state) ve mock/stub mekanizmalarına bağlıdır. Arayüzden serbestçe gezinen bir ajanın tüm bu altyapı bağımlılıklarını yönetmesi, context window sınırlılıkları ve token maliyetleri göz önüne alındığında ölçeklenebilir değildir.
4. Kurumsal Güvenlik ve Uyumluluk (Compliance)
Regüle endüstrilerde (örneğin Siemens’in endüstriyel sistemleri veya bankacılık altyapıları), test ortamları dahi sıkı erişim kontrollerine ve veri gizliliği politikalarına (KVKK, GDPR, ISO 27001) tabidir. Kontrolsüz bir şekilde sistemde veri üreten veya dış LLM API’ları ile haberleşen otonom ajanların denetlenmesi (auditability) son derece zordur.—
Peki Agentic AI Nerede Gerçek Bir Katma Değer Sunuyor mu?
Otonom test ajanlarının bugünkü kısıtları, onların tamamen işe yaramaz olduğu anlamına gelmez. Doğru konumlandırıldığında Agentic AI, modern test mimarisinin vazgeçilmez bir hızlandırıcısıdır:
1. Self-Healing Test Otomasyonu: Arayüz değişikliklerinde kırılan CSS/XPath locator’larının arka planda akıllı ajanlar tarafından tespit edilip düzeltilmesi, test bakım maliyetini %40-60 oranında düşürebilmektedir.
2. Sentetik Test Verisi Üretimi: Karmaşık sınır durumlarını (edge cases) temsil eden, kişisel veri barındırmayan gerçekçi test veri setlerinin ajanlar aracılığıyla saniyeler içinde kurgulanması.
3. Akıllı Log ve Hata Analizi: Başarısız olan yüzlerce testin loglarını ve telemetri verilerini tarayarak ortak kök nedeni (root cause) saniyeler içinde bulan ve mühendise özetleyen analiz ajanları.
Sonuç: SDET’in Evrimi
Agentic AI, test mühendisliğini ortadan kaldırmıyor; aksine onu düşük katma değerli “script yazıp buton arama” hamallığından kurtarıyor.Geleceğin başarılı SDET’i ve Kalite Mimarı; testleri yapay zekaya emanet edip arkasına yaslanan kişi değil; deterministik test kapıları ile yapay zekanın öngörü yeteneğini hibrit bir mimaride birleştirebilen liderler olacaktır.
*Yazılım kalitesinde modern otomasyon mimarileri, stratejik test planlaması ve liderlik yaklaşımları için “Yazılım Test Mühendisliği” kitabımı inceleyebilir ve blog üzerinden diğer analizlerimize ulaşabilirsiniz.*