Introduzione
Tutti parlano di intelligenza artificiale nel testing del software. Le survey di settore mostrano entusiasmo crescente, i vendor promettono rivoluzioni, e i team QA guardano all'IA come alla soluzione di tutti i loro problemi. Ma cosa succede davvero quando si passa dalle parole ai fatti?
Uno studio accademico pubblicato su arXiv nell'aprile 2025 - firmato da Katja Karhu, Jussi Kasurinen e Kari Smolander dell'Università LUT in Finlandia - ha condotto una systematic mapping study su ricerche recenti (dal 2020 in poi) sull'adozione dell'IA nel software testing. I risultati sono sorprendenti, e meritano di essere letti con attenzione da chiunque stia valutando di introdurre l'IA nel proprio processo di QA.
Il dato che dovrebbe far riflettere: solo il 16% ha davvero adottato l'IA
Partiamo dal numero più significativo. Secondo la survey Perforce 2025 citata nello studio, oltre il 75% degli intervistati identifica l'AI-driven testing come una componente fondamentale della propria strategia per il 2025. Eppure, solo il 16% ha effettivamente adottato l'IA nel proprio processo di testing. Un anno prima, la percentuale era ancora più bassa: solo l'11% stava implementando tecniche di IA nel testing.
Questo gap non è un caso isolato. È strutturale. Lo studio di Karhu et al. evidenzia che la maggior parte delle ricerche esistenti sull'IA nel testing sono di natura sperimentale e non riflettono contesti industriali reali. Come scrivono gli autori: "most of the existing studies on AI in software testing are experimental studies and thus do not take into consideration the industrial context" (citando Nguyen et al., 2023).
Detto in parole semplici: c'è molta teoria e poca pratica documentata. E questo crea un problema serio: le aziende non hanno benchmark reali su cui basare le proprie decisioni di investimento.
Cosa sta cambiando: dall'assistenza al codice all'automazione intelligente
Nonostante il gap tra interesse e adozione, il panorama si sta evolvendo rapidamente. Il report di Rainforest QA (novembre 2025), basato su un'indagine condotta su oltre 600 sviluppatori software in USA, Canada, UK e Australia, documenta una trasformazione significativa avvenuta nel corso del 2025.
Il dato più interessante è questo: tre quarti dei team che utilizzano framework di test automation tradizionali (basati su codice) hanno adottato strumenti AI per supportare la scrittura e la manutenzione dei test. Un tasso di adozione notevole, ma con una storia complicata dietro.
Nella prima fase di adozione, l'IA non stava ancora risparmiando tempo. In alcuni casi, i team che usavano strumenti AI spendevano leggermente più tempo nella manutenzione delle test suite rispetto a chi non li usava. Il motivo? I primi strumenti AI per il testing erano superficiali: autocomplete, generatori di codice, soluzioni puntuali aggiunte sopra framework esistenti. Non cambiavano il modo in cui i test venivano creati o mantenuti, quindi non potevano ridurre il dolore delle test suite fragili e degli aggiornamenti manuali.
Ma il paesaggio è cambiato. Come documenta Rainforest QA: "AI in software testing has shifted from code assistance to intelligent automation - tools that understand your app's structure, can crawl it autonomously, and update tests as the UI evolves." I team che avevano investito nelle prime fasi stanno ora vedendo i ritorni attesi.
I casi d'uso concreti che funzionano davvero
Lo studio di Karhu et al. e i dati di Tricentis convergono nell'identificare i casi d'uso in cui l'IA sta dimostrando valore reale nel testing.
La generazione automatica di test case è il più citato. Strumenti come GitHub Copilot vengono già usati per accelerare la scrittura di script di test, e i sistemi di nuova generazione permettono di descrivere scenari in linguaggio naturale e ricevere script Selenium in minuti. Secondo Tricentis (2024), il 58% degli intervistati usa già AI copilot per la scrittura di codice e il 42,5% per il testing.
La self-healing automation è forse il caso d'uso più impattante sul lungo periodo. I selettori CSS e XPath si rompono ogni volta che l'interfaccia cambia, e la manutenzione di questi script consuma storicamente fino al 40% del budget QA (Mordor Intelligence, 2026). I sistemi AI che si auto-riparano quando un elemento dell'UI cambia stanno eliminando questo collo di bottiglia strutturale.
La quality intelligence - ovvero la capacità di identificare quali test eseguire in base ai cambiamenti del codice - sta riducendo i tempi di esecuzione dei test in modo drammatico. Secondo Tricentis, alcune implementazioni hanno ridotto i cicli di test fino all'80%, con un impatto diretto sulla velocità di delivery.
Il problema dell'adozione nelle PMI
Un dato particolarmente interessante emerso dalla ricerca di Rainforest QA riguarda le piccole aziende. I team di piccole dimensioni che usavano l'IA erano più propensi a mantenere aggiornate le proprie test suite automatizzate rispetto ai team più grandi. Questo segnale, che inizialmente sembrava controintuitivo, si è rivelato predittivo: l'IA non stava ancora eliminando il lavoro, ma stava rendendo il testing moderno possibile per team snelli senza il personale o la larghezza di banda per mantenere framework complessi.
Nel 2025, questa tendenza si è accelerata. Con strumenti AI più potenti e progettati specificamente per il testing, anche startup con team di sviluppo piccoli possono mantenere una copertura completa senza il peso del tradizionale test writing e maintenance. Il no-code testing basato sul linguaggio naturale ha cambiato le regole del gioco.
Perché l'adozione è ancora lenta: le cause strutturali
Lo studio di Karhu et al. individua alcune cause strutturali del ritardo nell'adozione. Primo, c'è una carenza di ricerche empiriche basate su interviste o survey dirette alle aziende: la maggior parte degli studi è teorica, rendendo difficile per i team QA valutare l'applicabilità pratica. Secondo, i risultati positivi dell'IA nel testing tendono a essere sovrastimati nei comunicati dei vendor, creando aspettative irrealistiche che si scontrano con la complessità dell'implementazione.
A questo si aggiunge il problema della obsolescenza rapida dei framework AI. Secondo Mordor Intelligence, il rischio di obsolescenza rapida dei framework AI è uno dei freni principali all'adozione, con un impatto negativo stimato del -0,5% sul CAGR del settore. Le aziende che investono in uno strumento AI oggi rischiano di dover ricominciare da capo tra 18-24 mesi se il mercato si consolida attorno a soluzioni diverse.
Cosa fare in pratica: un approccio pragmatico
Se stai valutando di introdurre l'IA nel tuo processo di testing, i dati suggeriscono un approccio in tre fasi. Inizia con casi d'uso specifici e misurabili: la generazione di test case per funzionalità ripetitive è il punto di partenza ideale, perché il ROI è misurabile e il rischio è contenuto. Documenta i risultati con metriche concrete - tempo risparmiato, numero di difetti rilevati, frequenza di rottura degli script - prima di scalare.
Nella seconda fase, valuta l'adozione di piattaforme purpose-built per l'AI testing, non soluzioni AI aggiunte sopra framework esistenti. La differenza tra i due approcci è sostanziale, come dimostrano i dati di Rainforest QA. Nella terza fase, investi nella formazione del team: l'IA non sostituisce i tester, ma cambia radicalmente il tipo di competenze richieste, spostando il focus dalla scrittura di script alla progettazione di strategie di test e all'interpretazione dei risultati.
Conclusione
Il divario tra aspettative e realtà nell'adozione dell'IA nel testing è reale, documentato e comprensibile. Ma non deve scoraggiare: significa semplicemente che siamo nelle fasi iniziali di una trasformazione profonda. Lo studio di Karhu et al. è prezioso proprio perché ci ricorda di non fidarci ciecamente dei comunicati dei vendor e di cercare evidenze empiriche reali. Chi inizia oggi ad accumulare esperienza pratica, con un approccio pragmatico e misurabile, avrà un vantaggio competitivo significativo nei prossimi anni.
Fonti
- Karhu K., Kasurinen J., Smolander K., Expectations vs Reality - A Secondary Study on AI Adoption in Software Testing, arXiv, aprile 2025
- Rainforest QA, The State of Software Test Automation in the Age of AI, novembre 2025
- Tricentis, 5 AI Trends Shaping Software Testing in 2025, dicembre 2024
- Mordor Intelligence, Automation Testing Market, gennaio 2026
- Testlio, Top 30+ Test Automation Statistics in 2025, febbraio 2025