Gereksinim Dokümanından Test Senaryosu Üretimi

Bu yazıda test senaryosu üretimi sürecinin yapay zeka ile nasıl otomatikleştiğini anlatıyoruz. Bir yazılım projesinde test ekiplerinin en çok zaman harcadığı işlerden biri, gereksinim dokümanını okuyup tek tek test senaryosuna çevirmektir. Yüzlerce maddelik bir SRS dokümanı için bu iş haftalar sürebilir. Üstelik doküman her güncellendiğinde ekip senaryoları yeniden elden geçirmek zorunda kalır.

Oysa test senaryolarının kaynağı zaten ortada: gereksinim dokümanının kendisi. Yapay zekâ destekli test otomasyonunun çıkış noktası da bu; senaryoları elle yazmak yerine doğrudan dokümandan üretmek. Aşağıda bu yaklaşımın nasıl işlediğine, neler kazandırdığına ve uygularken nelere dikkat etmeniz gerektiğine bakıyoruz.

Gereksinim Dokümanından Test Senaryosu Üretimi Nedir?

Klasik süreçte iş analisti gereksinimi yazar, test mühendisi bu dokümanı okur ve her madde için elle test senaryosu hazırlar. Ekip bu senaryoları daha sonra ya elle koşturur ya da otomasyon koduna çevirir. Her aşamada insan emeği ve yorum farkı vardır.

Gereksinim dokümanından otomatik test senaryosu üretimi ise bu zinciri kısaltır. Yapay zekâ, SRS (Software Requirements Specification) dokümanını okur, test edilebilir maddeleri ayıklar ve her biri için senaryo üretir. Senaryolar oradan da çalışan otomasyon koduna dönüşür.

Yaklaşımın kritik özelliği izlenebilirliktir: sistem, ürettiği her senaryoyu kaynağındaki gereksinim numarasıyla (FR) eşleştirir. Böylece hangi maddenin test edildiğini, hangisinin açıkta kaldığını her an raporlayabilirsiniz.

Test Senaryosu Üretimi Adım Adım Nasıl İşliyor?

Bu yaklaşımı uygulayan araçlar genellikle dört adımda çalışıyor:

1. Doküman analizi: Sistem, Word, PDF veya Markdown formatındaki gereksinim dokümanını okur ve test edilebilir özellik gruplarına ayırır. Giriş, yetkilendirme, raporlama gibi her grup kendi içinde ele alınır.
2. Senaryo çıkarımı: Araç, her gereksinim maddesi için Given/When/Then formatında senaryolar üretir. İyi bir senaryonun tek ve gözlemlenebilir bir beklentisi olur; "hatalı parola üç kez girildiğinde hesap kilitlenir" gibi.
3. Test üretimi: Sistem, senaryolardan Playwright gibi araçlarla çalışan E2E testleri oluşturur. Test kodu, senaryodaki adımları uygulamanın gerçek arayüzünde yürütür.
4. Koşum ve raporlama: Araç testleri uygulama üzerinde koşturur. Her senaryoyu 'geçti', 'gereksinimden sapma var' ya da 'koşulamadı' olarak işaretler ve kapsam matrisiyle raporlar.

Sonuçta elde edilen yalnızca test kodu değildir; gereksinim, senaryo ve test arasındaki eşlemeyi gösteren kapsam matrisi de sürecin doğal çıktısıdır.

Uygulamada Neler Görülüyor?

Bu yaklaşım kâğıt üzerinde kalmıyor. Meta, LLM tabanlı test üretim aracının sonuçlarını 2024'te yayımladı. Instagram ve Facebook kod tabanındaki değerlendirmede üretilen testlerin dörtte biri kod kapsamını (coverage) ölçülebilir şekilde artırdı. Mühendislerle yapılan değerlendirme oturumlarında ise aracın önerilerinin %73'ünü üretime kabul ettiler ( ACM FSE 2024 ).

Kurumsal tarafta da tablo benzer. Capgemini World Quality Report 2024-25'e göre kuruluşların %68'i kalite mühendisliğinde üretken yapay zekâyı kullanıyor veya yol haritasına almış durumda; katılımcıların %72'si test otomasyon süreçlerinin bu sayede hızlandığını söylüyor.

Yapay Zekâ Destekli Test Otomasyonunun Faydaları

• Zaman ve maliyet: Elle haftalar alabilen senaryo yazımı saatlere, hatta dakikalara inebilir; tekrar eden yazım işine harcanan mühendislik süresi azalır.
• Kapsam: Dokümandaki maddeler gözden kaçmaz. Kapsam matrisi boşlukları gösterdiği için ekip 'raporlama modülüne hiç test yazılmamış' gibi bir durumu yayına çıkmadan fark eder.
• İzlenebilirlik: Denetimlerde ve müşteri kabul sürecinde "hangi gereksinim hangi testle doğrulandı" sorusunun cevabı hazırdır.
• Güncellenebilirlik: Gereksinim değiştiğinde senaryolar yeniden üretilir; test setiniz dokümanı takip eder, ekibiniz analize ve keşif testlerine odaklanır.

Sektörün Yönü: Yaygınlaşan Yapay Zekâ Desteği

Gartner , 2027'ye kadar kurumların %80'inin yapay zekâ destekli test araçlarını araç zincirine eklemiş olacağını öngörüyor; 2023 başında bu oran yaklaşık %15'ti.

Geliştirici tarafında da eğilim aynı. Stack Overflow 'un 2025 anketinde katılımcıların %84'ü yapay zekâ araçlarını kullandığını veya kullanmayı planladığını belirtiyor; %80'i bu araçların kod testiyle daha bütünleşik hale geleceğini öngörüyor.

Dikkat Edilmesi Gereken Noktalar

Yapay zekâ test otomasyonu "kur ve unut" yaklaşımı değildir. Üç konuya özellikle dikkat etmek gerekiyor:

• Güvenilirlik: Yapay zekâ yanlış veya eksik senaryo üretebilir. Capgemini'nin 2025-26 raporunda kuruluşların %60'ı halüsinasyonu ve güvenilirlik sorunlarını en büyük engeller arasında sayıyor. Ekip, üretilen senaryoları insan gözüyle kontrol etmeli ve koşum sonuçlarını şeffaf şekilde raporlamalı.
• Determinizm: Model güncellendiğinde test sonuçlarının fark edilmeden değişmemesi gerekir. İyi kurgulanmış araçlar model sürümünü sabitler ve sonuçları doğruluğu bilinen bir referans setiyle karşılaştırır.
• Veri gizliliği: Aynı raporda katılımcıların %67'si veri gizliliğini engel olarak görüyor. Kurumunuzdaki gereksinim dokümanları büyük olasılıkla gizli bilgi içeriyor; dokümanların ve erişim bilgilerinin kurum dışına çıkmadığı, yerelde çalışan çözümler bu riski azaltır.

Sık Sorulan Sorular

Hangi doküman formatları destekleniyor? Bu alandaki araçlar yaygın olarak Word (.docx), PDF ve Markdown dokümanlarıyla çalışır. Doküman önce metne çevrilir, sonra analiz edilir. Kaynak kodu paylaşmak gerekir mi? Şart değil. Bazı yaklaşımlar kaynak koda erişmeden, canlı uygulamanın arayüzünü gezerek de test üretebilir. Gizlilik gereksinimi yüksek projelerde bu yöntem tercih edilir. Süreç ne kadar sürer? Doküman büyüklüğüne ve kullanılan araca göre değişir; senaryo çıkarımı çoğunlukla saatler içinde tamamlanır. Elle yazımda aynı iş haftalar alabildiği için asıl kazanç bu karşılaştırmada ortaya çıkar. Yapay zekâ hatalı senaryo üretirse ne olur? Her senaryo gereksinim numarasına bağlı olduğu için hatalı üretim hızla fark edilir; koşum sonuçları da ayrı ayrı işaretlenir. Son karar her zaman test mühendisindedir. Mevcut test altyapısını değiştirmek gerekir mi? Çoğu araç çıktıyı Playwright gibi standart test çatılarında üretir; testler mevcut CI/CD hattınıza eklenebilir.

Sonuç

Gereksinim dokümanı çoğu kurumda yalnızca geliştirme öncesinde okunan bir dosyadır. Yapay zekâ destekli test otomasyonu onu yaşayan bir test kaynağına çeviriyor: sistem senaryoları dokümandan üretir, kapsamı ölçer, değişiklikleri test setine yansıtır. Arca Yazılım olarak yazılım testi ve kalite süreçlerinde bu yaklaşım üzerinde çalışıyoruz.

Bu konu hakkında daha fazla bilgi almak için 0312 256 72 78 numaralı telefondan bize ulaşabilir, detaylı bilgi ve diğer çözümlerimiz için www.arcayazilim.com adresini ziyaret edebilirsiniz.