פרק 85 – איך מכניסים AI לארגון בדיקות?בפרק 85 של הפודקאסט של TestIL מבית ITCB, נתנאל הרוש מארח את גיא דנביץ' לשיחה מעשית על אחת השאלות שמעסיקות כיום כמעט כל צוות QA: איך מכניסים בינה מלאכותית לתהליכי הבדיקות בארגון – ולא רק מדברים עליה? גיא משתף מניסיונו האישי בהטמעת כלי AI בתוך סביבת Enterprise, ומציג את ההזדמנויות הגדולות שמביאה הבינה המלאכותית לעולם הבדיקות, לצד האתגרים האמיתיים של אבטחת מידע, רגולציה, קונטקסט, אמינות ואישורים ארגוניים. מי הוא גיא דנביץ'?גיא נמצא בתחום בדיקות התוכנה למעלה משש שנים, לאחר שעשה הסבה מקצועית מעולם השיווק בתקופת הקורונה. כיום הוא עובד ב-Vonage, שנרכשה על ידי Ericsson, ועוסק בבדיקות של פלטפורמה בתחום התקשורת המשלבת יכולות AI ו-Agentic Workflows. במהלך השיחה הוא מסביר כיצד ניתן לבנות תהליכים וסוכנים המבוססים על LLM, וממחיש זאת באמצעות דוגמה של סוכן AI שיכול לנהל שיחה עם לקוח, להבין את כוונתו, לאסוף פרמטרים ולבצע עבורו פעולה – למשל הזמנת פיצה – במקום נציג אנושי. האם AI כבר יכול להחליף תהליכים שלמים?אחת הנקודות המרכזיות בפרק היא ההבדל בין שימוש ב-AI כדי להאיץ תהליך לבין שימוש בו כדי להחליף לחלוטין את האדם. לדברי גיא, בתחומים מסוימים – במיוחד בתהליכים פשוטים יחסית וב-Happy Flows – סוכני AI כבר מסוגלים לבצע פעולות במהירות וביעילות גבוהה מאוד. השילוב העמוק יותר של LLM במוצר שעליו עובד הצוות שלו אף הצליח לקצר משמעותית את תהליך בניית הסוכנים. תהליכים שבעבר דרשו עשרות Nodes יכולים כיום להיבנות באמצעות מספר קטן משמעותית של רכיבים. עם זאת, ככל שהתרחיש מורכב יותר ודורש הבנה של חריגים, הקשר עסקי, שיקול דעת או טיפול במקרה ייחודי של לקוח – הצורך באדם עדיין משמעותי. האתגר הגדול: קונטקסטנושא שחוזר לאורך הפרק הוא Context. LLM יכול לספק תשובה מצוינת – אבל רק בהתאם למידע שהוא מכיר. כאשר המודל אינו מכיר את המערכת, ה-Codebase, הארכיטקטורה, הדרישות העסקיות וההיסטוריה של המוצר, הוא עלול לספק תשובות שנשמעות משכנעות אך אינן נכונות. גיא משתף בדוגמאות משימוש ב-AI לצורך Debugging. במקרה אחד, לאחר שסיפק למודל מספיק רקע על המערכת וה-Backend, ה-AI הציע כיוון שהצוות לא חשב עליו – והוא אכן הוביל לפתרון הבעיה. במקרה אחר, ה-AI הציע הסבר שנשמע הגיוני לחלוטין, אך המפתחים מיד זיהו שהוא אינו רלוונטי כלל לאופן שבו המערכת שלהם עובדת. המסקנה: AI הוא כלי מצוין להצעת כיוונים, רעיונות ופתרונות – אבל הוא עדיין אינו תחליף לאדם שמכיר לעומק את המערכת, את הצד הטכני ואת הצד העסקי. איך AI כבר עוזר לבודקי תוכנה?בפרק מוצגים מספר שימושים מעשיים שכבר יכולים לקצר את עבודת הבודק: הבנה וסיכום של מסמכי דרישות ו-FRD מורכבים. הפקת סיכומים, אודיו, וידאו ואינפוגרפיקות ממסמכים באמצעות כלים כמו NotebookLM. סיוע בתכנון בדיקות וביצירת Test Cases. כתיבת SDD ראשוני. Debugging וניתוח תקלות. הצעת כיווני חקירה שלא בהכרח היו עולים מיד אצל הבודק או המפתח. בנייה ותחזוקה של בדיקות API. יצירת Collections וטסטים ב-Postman. יצירת תיעוד ל-API. שימוש ב-Agent Mode וב-MCP לצורך חיבור תהליכים וכלים. עם זאת, גיא מדגיש כי כל תוצר של AI עדיין דורש Human Review. ככל שהמערכת או הפיצ'ר מורכבים יותר, כך גדלה החשיבות של אימות התוצאה. Security, רגולציה והבעיה של ארגוני Enterpriseאחד החלקים המשמעותיים בפרק עוסק בפער שבין הרצון לתת ל-AI כמה שיותר קונטקסט לבין הצורך של הארגון להגן על המידע שלו. מצד אחד, ככל שנותנים למודל יותר מידע על המערכת, הוא מסוגל לספק תשובות מדויקות יותר. מצד שני, ארגון לא יכול בהכרח להעביר ל-LLM את כל ה-Codebase, מידע עסקי, מידע של לקוחות או נתונים רגישים. האתגר משמעותי במיוחד בארגונים גדולים ובתחומים מפוקחים כמו בנקאות, פיננסים וביטוח. לכן הכנסת כלי AI לארגון אינה החלטה טכנולוגית בלבד. היא דורשת התייחסות לשאלות של Security, Privacy, רגולציה, הרשאות וחשיפת מידע. איך גיא הצליח להכניס את יכולות ה-AI של Postman לארגון?אחד הסיפורים המרכזיים בפרק הוא התהליך שגיא עבר כדי לקבל אישור לשימוש ביכולות ה-AI של Postman. לאחר שגילה את יכולות ה-Agent Mode של Postman והבין שהן יכולות לסייע ב-Debugging, בבניית Tests ו-Collections, ביצירת Documentation ובאינטגרציות, הוא הציג את הרעיון לראש הצוות וקיבל תמיכה להתקדם. אלא שאז הגיע המחסום הארגוני: הכלי לא היה מאושר לשימוש. במקום לוותר, גיא החל לקדם תהליך אישור מסודר. הוא עבד מול הגורמים הרלוונטיים בארגון ומול אנשי Postman, אסף מסמכי אבטחה, השתתף בשיחות והציג גם את הערך העסקי והמקצועי של הכלי וגם את האופן שבו נשמר המידע. תהליך אישור מסוג זה יכול לדבריו להימשך כחצי שנה ואף יותר. במקרה שלו, בזכות עבודה אינטנסיבית וקידום הנושא מול הגורמים השונים, התהליך הסתיים בתוך כחודש. זהו גם אחד המסרים המרכזיים של הפרק: כדי להכניס AI לארגון לא מספיק למצוא כלי טוב – צריך לדעת להוכיח את הערך שלו ולתת מענה לחששות הארגוניים. האם AI באמת חוסך זמן בבדיקות?כן – אבל לא בצורה מוחלטת. גיא מתאר קיצור משמעותי בתהליכים כמו קריאה והבנה של מסמכי דרישות, מחקר ו-Debugging. פעולות שבעבר דרשו זמן רב ופינג-פונג בין אנשים יכולות כיום להתבצע מהר יותר. להערכתו, בחלק מהפעילויות מדובר בחיסכון של עשרות אחוזים. עם זאת, אנחנו עדיין לא נמצאים בשלב שבו ניתן לתת לסוכן AI את המשימה, ללכת לשתות קפה ולחזור כשהכול מוכן. האדם עדיין נדרש לבחון את התוצאות, להבין את הקונטקסט, לזהות טעויות ולקבל החלטות. לכן בשלב הנוכחי AI מקצר תהליכים יותר משהוא מבטל אותם. תשתית ה-AI בבדיקותגיא משתף גם בכלים ובתשתיות שבהם הצוות עושה שימוש כיום. אחד הכלים המרכזיים הוא Postman AI, שמשתלב בתשתית אוטומציית API קיימת ומאפשר לסייע ביצירת בדיקות, Collections, Debugging, Documentation ואינטגרציות. בנוסף, הצוות עושה שימוש ב-GitHub Copilot ומתחיל לעבוד עם Playwright ויכולות Agentic הקשורות אליו. עם זאת, גיא מדגיש שהם עדיין נמצאים בתהליך. אין עדיין סוכן אחד שמכיר את כל המערכת ומבצע את כל תהליך הבדיקות מקצה לקצה באופן אוטונומי. ה-Killer Feature: שילוב עמוק יותר של LLMבצד המוצר, גיא מספר על גרסת V3, שבה בוצעה אינטגרציה עמוקה יותר עם LLM. השילוב מאפשר למערכת להבין בצורה טובה ומהירה יותר את כוונת המשתמש ולפשט משמעותית את בניית ה-Workflow של הסוכן. לדוגמה, תהליך שבעבר היה דורש כ-30 Nodes עשוי כעת להיבנות באמצעות כ-15 בלבד – קיצור של כ-50%. בצד הבדיקות, אחת היכולות הבולטות מבחינתו היא Agent Mode של Postman, שמאפשר באמצעות הנחיות בשפה טבעית לבנות Collections, ליצור Tests, לבצע Debugging, לכתוב Documentation ואף לעבוד עם MCP וכלים חיצוניים. אז האם אנחנו בדרך ל-Autopilot של QA?עדיין לא. לדברי גיא, כדי שסוכן AI יוכל באמת לבצע חלק גדול מתהליך ה
