Program konferencji 28 Stycznia 2027 r.
9:00 – 9:50
Sławomir Radzymiński
Ocado Technology
"Samoleczące się testy z AI"
Samoleczące się testy nie są nowym pomysłem, jednak rozwój agentów AI sprawił, że mogą dziś oznaczać coś więcej niż automatyczną zamianę niedziałającego selektora. Współczesny agent potrafi analizować kod testów, zachowanie aplikacji, wyniki wykonania oraz artefakty z pipeline’u, a następnie zaproponować odpowiednią reakcję na awarię.
Kluczowym elementem takiego procesu powinien być triage. Nie każdy niedziałający test jest zepsutym testem. Przyczyną może być błąd produktu, problem środowiska, zmiana wymagań, awaria zewnętrznej integracji albo rzeczywisty problem w automatyzacji. Agent powinien najpierw sklasyfikować awarię i ocenić dostępne dowody, a dopiero później zdecydować, czy naprawa testu jest uzasadniona.
Podczas prelekcji omówię architekturę procesu samoleczenia testów end-to-end z wykorzystaniem agentów AI, Playwrighta i CI/CD. Przyjrzymy się zasadom podejmowania decyzji przez agenta, potrzebnym zabezpieczeniom oraz granicom jego autonomii. Poruszę również kwestie kosztów, powtarzalności, audytowalności i ryzyka, że automatyczna poprawka jedynie ukryje rzeczywisty problem w produkcie.
Celem wystąpienia będzie uporządkowanie koncepcji samoleczących się testów oraz pokazanie, w jakich sytuacjach takie podejście może przynieść wartość, a kiedy nadal potrzebna jest decyzja i doświadczenie człowieka.
9:50 – 10:30
Grzegorz Holak
SII Polska / QualityCat Sp. z o.o.
Filip Barszcz
Santander Corporate & Investment Banking
"AI nie zastąpiła QA — daje nam czas, by naprawdę zadbać o jakość"
Dekada automatyzacji zamieniła testerów w młodszych programistów frameworków — piszących kruche skrypty zamiast myśleć o jakości. Dziś tę „hydraulikę” przejmuje AI. I robi to wystarczająco dobrze. Co w takim razie zostaje dla nas?
W tej prezentacji pokazujemy dwie perspektywy tej samej transformacji. Test Architect opowie, jak dojrzałość AI realnie zwraca testerom czas — i jak mierzyć, czy ten czas faktycznie wrócił (podpowiedź: nie liczbą osób używających AI, tylko odzyskanymi godzinami). QA Chapter Lead pokaże, jak przeprowadzić duży zespół przez zmianę w regulowanej instytucji finansowej: od nazwania lęków wprost, przez pomiar dojrzałości i piloty z bramkami, po governance, które buduje zaufanie zamiast je podważać.
Bez marketingu, bez srebrnych kul. Konkretne wzorce — Delegate → Guardrail → Measure → Decide — które przetrwają rotację narzędzi. Bo AI nie zabrało nam pracy. Oddało nam rzemiosło.
10:30 – 10:45
Przerwa
10:45 – 11:25
Arkadiusz Jelonek
Fundrbird &
Testing Station
CASE STUDY "Daj AI oczy, ręce i dane. Nowoczesne serwery MCP w pracy testera"
Bez dostępu do narzędzi agent AI widzi tylko to, co opiszemy mu w oknie czatu lub przekażemy w kontekście. Serwery takie jak Playwright MCP, Chrome DevTools MCP, ReportPortal MCP i Qase MCP pozwalają mu zajrzeć za kulisy aplikacji i sprawdzić, co naprawdę się w niej dzieje. Pokażę, jak korzystam z tych integracji w swojej codziennej pracy. Jak prowadzę testy eksploracyjne, przekazuję agentowi scenariusze testowe i analizuję przyczyny niestabilnych testów. Opowiem też, gdzie MCP może zawieść, a gdzie rzeczywiście pomaga testerowi. Mam wrażenie, że wciąż zbyt mało się o nim mówi, choć pozwala połączyć agenta z narzędziami, których używamy na co dzień.”
11:25 – 12:05
Michał Wilkowski
Inetum
"Jak poskromić smoka, czyli harness engineering w praktyce"
Agenci AI są jak smoki – potężni i niezwykle użyteczni, ale też niebezpieczni i nieprzewidywalni.
Ich trzy największe wady to:
– trudne do przewidzenia koszty,
– niestabilne wyniki,
– szybkie zmiany, przez które trudno o powtarzalność.
W swojej prezentacji pokażę Wam, jak przestać walczyć z tym smokiem, a zacząć go tresować. W tym celu zepniemy ze sobą możliwości jakie daje nam harness engineering (Langchain), deterministyczne sterowanie i testy automatyczne procesów (skrypty w języku Python sterowane przez serwer MCP).
12:05 – 12:45
Michał Ślęzak
Sii Poland
"Automatyzacja testów na sterydach: agenci AI, MCP i CLI. Co naprawdę działa?"
W 2025 roku każde narzędzie testowe dostawało własny serwer MCP. W 2026 pytanie jest bardziej konkretne: czy MCP jest nam w ogóle potrzebny, skoro agent świetnie radzi sobie z linią poleceń?
Zobaczysz, jak model językowy steruje całym stosem testowym jako jednym procesem: od testów UI i API, przez raporty w ReportPortal i skany dostępności, po zgłoszenia i pull requesty. Porównamy dwa podejścia na tych samych zadaniach. Z jednej strony serwery MCP, z drugiej Playwright CLI i GitHub CLI (gh), które agent wywołuje bezpośrednio z Basha. Benchmarki pokazują, że podejście CLI potrafi zużywać wielokrotnie mniej tokenów i działać stabilniej.
Michał pokaże wyniki własnych eksperymentów. Dowiesz się, gdzie MCP naprawdę się broni (uwierzytelnianie, kontrola dostępu, narzędzia ze stanem, brak CLI), gdzie wygrywa CLI i jak wygląda model hybrydowy stosowany dziś w Claude Code czy Cursorze. Wyjdziesz z prostą regułą: kiedy sięgnąć po MCP, a kiedy CLI w zupełności wystarczy.
12:45 – 13:30
Przerwa obiadowa
13:30 – 14:05
Tomasz Klepacki
Jit Team
"Od eksploracji do regresji. Livecoding z zespołem agentów testowych"
Wystąpienie będzie przeplatać krótkie slajdy z livecodingiem w Claude Code. Na każdym etapie jeden slajd pokaże, co dokładam i po co, a potem od razu przejdę do kodu. Zacznę od pustego katalogu i gołego agenta, którego puszczę na sklep internetowy z wcześniej wstawionymi błędami. Potem krok po kroku dołożę kolejne elementy: skill z wiedzą domenową, wyspecjalizowanych subagentów z ograniczonymi uprawnieniami, hooki, które nie pozwalają agentowi zgłosić błędu bez dowodu ani „naprawić” testu przez wyłączenie go, a na końcu komendę, która z potwierdzonych błędów robi testy regresyjne w Playwright. Po każdym kroku zajrzymy na tablicę i sprawdzimy, ile błędów zespół faktycznie znalazł, a ile zgłosił na wyrost.
14:05 – 14:45
- Dawid Pacia
PatchingIT & Pull Request
Rafał Rymek
OneRail & Pull Request
CASE STUDY "Działa czy tylko udaje? Co AI naprawdę zmienia w automatyzacji testów mobilnych - i gdzie tylko udaje, że zmienia"
Generowanie testów. Znajdowanie elementów bez XPatha. Self-healing. Inteligentne asercje. Analiza czerwonych buildów. Triaging flaków.
Każde z tych zastosowań zostało przetestowane w jednym projekcie na tych samych urządzeniach. Wyniki okazały się zaskakujące: część wdrożeń została na produkcji, część sprawdziła się tylko przy pisaniu kodu, a z self-healingu trzeba było zrezygnować, bo zaczął ukrywać prawdziwe błędy aplikacji.
„AI w testach mobilnych” to nie jedno narzędzie, a zbiór zastosowań o skrajnie różnym zwrocie z inwestycji. Będzie to przegląd mapy tych rozwiązań z podziałem na to, co wygrywa bezdyskusyjnie (analiza awarii z farmy), co sprawdza się warunkowo, a co jest tylko iluzją i demem sprzedażowym. Całość oparta na jednym wdrożeniu: Android i iOS z jednego kodu, testy na realnych urządzeniach i prawdziwe rachunki za tokeny.
Czego dowiedzą się uczestnicy:
– Mapa zastosowań AI w testach mobilnych z podziałem na produkcję, fazę pisania oraz iluzje i dema sprzedażowe
– Dlaczego to samo zastosowanie potrafi być genialne przy budowie frameworka i szkodliwe w runtime
– Jak zbudować analizę awarii na artefaktach z farmy – najszybszy realny zwrot w całym temacie
– Ile to kosztuje: tokeny, minuty na farmie, czas inżyniera – i kiedy rachunek się nie domyka
14:45 – 15:00
Przerwa
15:00 – 15:50
Radosław Wasik - moderator
STATSCORE & rwasik.pl
Michalina Graczyk
InPost
Krzysztof Kołodziejczyk
Testerzy.pl
Tomasz Stelmach
Quality Island
Panel Dyskusyjny "AI po zderzeniu z produkcją: bezpieczeństwo, ROI i granice automatyzacji"
Demo działa świetnie. POC daje obiecujące wyniki. A potem pojawiają się dane produkcyjne, polityki bezpieczeństwa, koszty, wymagania biznesu i pytanie: czy AI rzeczywiście daje nam wartość?
W panelu porozmawiamy o tym, co dzieje się, gdy AI wychodzi poza eksperymenty i trafia do prawdziwego projektu. Jak korzystać z modeli bez ryzyka wycieku danych? Jak mierzyć ROI zamiast opierać się na deklaracji pracujemy szybciej? Które elementy systemu jakości powinny pozostać deterministyczne, a gdzie możemy zaufać agentom AI i probabilistycznym decyzjom? I gdzie automatyzacja wspierana przez AI – np. self-healing – zwiększa odporność procesu, a gdzie może ukrywać problemy, które tester powinien zobaczyć?
Porozmawiamy też o tym, gdzie powinna przebiegać granica autonomii AI i kiedy human review nadal powinien być ostatnią linią obrony przed release’em.
Główne zagadnienia:
– AI kontra polityki bezpieczeństwa: Jak używać AI, kiedy nie możemy wysyłać kodu, danych klientów czy logów do zewnętrznych modeli?
– Czy AI faktycznie się opłaca? Jak liczyć ROI, uwzględniając licencje, modele, integracje, review, utrzymanie i koszt błędnych decyzji?
– Deterministic vs probabilistic quality system: Co powinno pozostać klasycznym PASS/FAIL, a gdzie AI może analizować, rekomendować i podejmować decyzje?
– Jak daleko możemy pozwolić AI działać autonomicznie? Agenci, triage, exploratory testing, analiza ryzyka, generowanie testów, auto-fixy.
– Self-healing: odporność testów czy maskowanie regresji? Kiedy AI naprawia test, a kiedy naprawia coś, czego naprawiać nie powinno?
– Human review – ostatnia linia obrony czy wąskie gardło? Kiedy człowiek musi zatwierdzić wynik AI i czy da się skalować human-in-the-loop?
– Co zmienia AI w roli QA? Mniej ręcznego wykonywania kontroli, więcej projektowania mechanizmów jakości, guardrails, evals i audytu.
15:50 – 16:30
Przemysław Barański
jaktestowac.pl
Krzysztof Kijas
jaktestowac.pl
"Nie potrzebujesz najlepszego modelu. Potrzebujesz dobrej maszyny"
(Jak świadomie łączyć modele AI, kontekst i narzędzia w testach automatycznych)"
Bierzesz najmocniejszy model, wrzucasz zadanie i liczysz, że AI dowiezie?
To trochę jak wsadzić silnik z bolidu F1 do przeciętnego auta bez dobrej skrzyni biegów, opon i wprawnego kierowcy. Może będzie szybko. Może będzie drogo. Ale wcale nie musi być skutecznie.
W pracy z AI model jest tylko silnikiem. O wyniku jednak decyduje cała maszyna: kontekst, prompt, narzędzia, warstwy walidacji – w tym Twoja decyzja, czy naprawdę potrzebujesz najmocniejszej jednostki do prostego commita, refaktoryzacji albo wygenerowania testów E2E.
A ta maszyna właśnie się zmienia. Ekosystem AI do kodowania przechodzi od zachwytu nad modelami do chłodnej kalkulacji: limitów, requestów, tokenów, nowych planów i korekt subskrypcji. To sygnał, że AI przechodzi z fazy eksperymentu w fazę kosztu operacyjnego.
Podczas tej prelekcji pokażemy, jak świadomie dobierać modele AI do różnych scenariuszy w testach automatycznych: od prostych zmian w kodzie, przez analizę commitów i refaktoryzację, aż po generowanie testów end-to-end. Zobaczysz, kiedy wystarczy tani i szybki model, kiedy warto sięgnąć po mocniejszy, a kiedy problemem nie jest silnik, tylko źle dobrany kontekst i chaotyczny sposób pracy.
Pokażemy też:
– jak wygląda aktualny ekosystem narzędzi i modeli AI do pracy z kodem,
– jak context window, system prompt, agent prompt i fine-tuning wpływają na jakość odpowiedzi,
– gdzie AI najczęściej przepala tokeny, czas i budżet,
– jak dobierać model do zadania, zamiast używać jednego „najlepszego” modelu do wszystkiego,
– jak liczyć koszt pracy z AI: subskrypcje, requesty, tokeny, limity, iteracje i poprawki.
To prelekcja dla testerów automatyzujących, QA engineerów i tech leadów, którzy chcą szybciej dowozić wartość, lepiej dobierać narzędzia i nie przepalać budżetu na pełnym gazie tam, gdzie wystarczyłby dobrze dobrany bieg.
16:30 – 17:05
Radosław Smilgin
Testerzy.pl
Michał Buczek
Testerzy.pl
"Testowanie manualne w dobie AI"
Testowanie eksploracyjne w dobie AI urosło do miana najskuteczniejszej i najtańszej metody testowania. Podczas tego case study zobaczysz jak wyciągnąć z niego maksimum przy minimalnej inwestycji.
17:05
Zakończenie konferencji