Conferenza SQF2026

La qualità del software è da sempre un pilastro fondamentale per il successo di prodotti e servizi digitali.

Oggi, l’introduzione massiva dell’intelligenza artificiale (AI) sta ridefinendo i paradigmi tradizionali, spostando l’attenzione dalla mera conformità a standard verso un approccio proattivo, predittivo e adattivo. Se fino a poco tempo fa l’AI nel testing e nello sviluppo software era confinata a progetti pilota o a nicchie sperimentali, oggi assistiamo a una transizione epocale: l’adozione su larga scala di soluzioni AI-driven sta diventando una realtà concreta, con impatti profondi su processi, competenze e modelli economici.

In questo intervento di apertura, esploreremo come l’AI stia trasformando la qualità del software lungo tutto il ciclo di vita, analizzando:

1) L’evoluzione dei processi di qualità grazie all’AI, dall’automazione intelligente al monitoraggio predittivo.

2) Gli impatti organizzativi e umani, con particolare attenzione ai nuovi ruoli e alle competenze richieste.

3) Le implicazioni economiche, tra richieste di riduzione dei costi e nuovi investimenti necessari.

4) Le sfide etiche e normative, in un contesto globale sempre più attento a trasparenza e accountability.

L’obiettivo è offrire una visione d’insieme delle opportunità e delle criticità che questa transizione comporta, stimolando una riflessione su come prepararsi a un futuro imminente in cui l’AI sarà sempre più pervasiva.

Banca Mediolanum monitora il processo di rilascio tramite diversi strumenti e ha raccolto nel tempo un ampio patrimonio di dati organizzati in un database. La Banca sfrutta questa conoscenza per migliorare il processo di analisi di impatto pre-rilascio, cioè il controllo su tutte le componenti applicative interessate dai cambiamenti, al fine di mitigare potenziali regressioni.

Recentemente, la Banca ha espresso la necessità di valorizzare ulteriormente i dati adottando modelli di intelligenza artificiale per migliorare l’accuratezza dell’analisi. Per raggiungere questo obiettivo, la Banca ha collaborato con TXT Quence.

Lo speech presenterà Arcan Impact Analysis, la soluzione di TXT Quence che utilizza il machine e il deep learning per predire le funzionalità impattate a partire da un cambiamento software. Nel caso di Banca Mediolanum, Arcan IA è stato addestrato sui dati della Banca ed è stato integrato con una web app dedicata per l’esecuzione delle analisi e l’ispezione dei risultati.

Sarà presentato il principale caso d’uso implementato presso la Banca: il suggerimento della strategia di non regressione basato sull’analisi d’ impatto del rilascio. Verrà mostrato come, grazie all’intelligenza artificiale, la banca identifica i rilasci storici correlati a quello in target, analizzandone l’ambito funzionale e le feature coinvolte. Si dimostrerà che questa correlazione consente alla banca di risalire ai test storicamente associati a ciascuna feature e di confrontarli con la copertura prevista nel rilascio attuale.

Infine, verranno illustrati i risultati delle sperimentazioni condotte su dati reali e discussa l’efficacia complessiva della soluzione.

Il Cyber Resilience Act (CRA) dell’UE rende la sicurezza un requisito obbligatorio. Per i produttori di software, la sfida è proteggere IA e proprietà intellettuale rispettando le nuove normative.

La nostra presentazione introduce Thales Sentinel come ponte tra protezione software e conformità. Dimostreremo come le soluzioni Sentinel soddisfino i requisiti del CRA tramite crittografia robusta e strumenti anti-reverse engineering. Scoprirete come implementare la “security by design” e trasformare la sicurezza in un modello di business scalabile.

Dalle licenze a prova di manomissione all’entitlement management in cloud, mostreremo come Thales Sentinel automatizzi la conformità tecnica e rafforzi la fiducia dei clienti. Trasformate gli ostacoli normativi nel vostro vantaggio strategico: Protect, Comply, and be successful…

In Italia oltre 2,9 milioni di persone vivono con una disabilità grave. Ma il vero problema non è l’accesso al digitale: è la qualità dell’esperienza. La capacità di completare un’azione. Davvero. Per tutti.

Dal 28 giugno 2025 l’European Accessibility Act ha cambiato le regole del gioco: banche, e-commerce, telecomunicazioni, trasporti, app mobile. L’accessibilità non è più un’opzione. Non è più solo un obbligo della Pubblica Amministrazione. È un requisito di mercato, per chiunque eroghi servizi digitali.

Poste Italiane lo aveva capito prima degli altri. Il percorso è iniziato nel 2021, anticipando gli obblighi, e ha portato alla costruzione di un processo industrializzato su scala reale: 62 canali digitali, oltre 1.000 servizi, più di 100 verifiche tecniche, centinaia di stakeholder coinvolti.

Clariter accompagna Poste Italiane in questo cammino, con un approccio che fonde eccellenza tecnica, Human Centred Design e intelligenza artificiale, e che mette al centro le persone con disabilità, non solo le checklist di conformità.
In questo intervento raccontiamo come si costruisce l’accessibilità su larga scala. Concretamente.

Perché un servizio non può dirsi di qualità se non può essere utilizzato da tutti con pieno successo. E perché 90 milioni di europei con disabilità (un adulto su quattro) ci ricordano che sostenibilità sociale e inclusione non sono obiettivi separati dalla strategia digitale: ne sono la misura più autentica.

L’Intelligenza Artificiale sta rivoluzionando l’intero ciclo di vita dello sviluppo software, dalla definizione dei requisiti, passando per la generazione di codice, fino al test, manutenzione ed evoluzione del sistema in produzione.

Durante lo speech presenteremo AI Make, il metodo di DS Group che rende operativo questo paradigma, permettendo di “dominare” l’Intelligenza Artificiale in ogni fase del ciclo di sviluppo.

Non si tratta solo di ridurre i costi e i tempi rendendo competitivo il Make verso il Buy (e liberando così le aziende dal lock-in verso i vendor e i system integrator), ma di un cambio di paradigma, un vero “salto quantico” che cambia le regole del gioco e permette alle imprese di riappropriarsi della conoscenza strutturata dei processi e delle funzionalità dei loro sistemi, creando le basi di “ontologia” indispensabili per addestrare puntualmente e mantenere aggiornati gli Agenti AI che avranno un ruolo e prenderanno decisioni.

In un contesto in cui velocità e affidabilità sono diventate fattori critici, il testing non può più rappresentare un collo di bottiglia. Eppure molte organizzazioni continuano a fare affidamento su processi manuali, lunghi e fragili, che rallentano le release e aumentano i rischi.

Questa sessione esplora come l’Intelligenza Artificiale stia trasformando il testing in una leva strategica per performance e innovazione.

Grazie all’AI agentica, le organizzazioni possono potenziare il lavoro dei tester, automatizzare processi end-to-end e orchestrare la collaborazione tra persone e agenti intelligenti. Scoprirete come le aziende più innovative stanno riducendo gli sforzi manuali, accelerando i cicli di delivery e trasformando il testing in un vero motore di valore per il business e di vantaggio competitivo.

L’Intelligenza Artificiale Generativa sta rapidamente trasformando il modo in cui vengono gestite le attività di testing. Ma qual è lo stato dell’arte dell’adozione dell’AI nel testing?

Partendo dall’esperienza maturata con ARIA, la piattaforma AI-powered di ALTEN dedicata al Software Testing, nel corso dell’intervento presenteremo le principali evidenze emerse dall’adozione in contesti reali, l’approccio che stiamo adottando per scalare l’adozione dell’AI e l’evoluzione dei nostri acceleratori nell’ottica di supportare il processo di test end-to-end. Mostreremo come grazie ad ARIA sia possibile accompagnare l’intero percorso, dalla comprensione dei requisiti alla generazione di test automatizzati, con significativi vantaggi in termini di efficienza, qualità e robustezza.

Se la tua roadmap non prevede un budget per la supervisione umana nel testing, non stai risparmiando: stai solo rimandando una fattura molto più salata. Matteo Comin presenterà un framework per analizzare e scomporre i workflow, attribuendo costi e responsabilità a ogni fase del progetto. Senza una supervisione umana strategica, non stai eliminando le attività di testing: stai semplicemente trasferendo il lavoro (e i rischi) ai tuoi clienti finali.

Durante questa sessione vedremo come bilanciare la velocità dell’AI con il valore della verifica umana. Scopriremo come evitare che output non validati si trasformino in un rischio nascosto per il business, permettendo di innovare rapidamente senza esporti a crisi post-lancio. Un approccio concreto per proteggere la reputazione del brand e costruire processi AI realmente scalabili, sostenibili e intenzionali.

Come si possono ottenere insight più rapidi e migliorare la qualità del software senza aumentare costi e complessità operativa? La risposta non è sostituire l’uomo con l’AI, ma amplificarne le capacità.

L’intervento illustra come le organizzazioni possano passare da sperimentazioni isolate di Intelligenza Artificiale a un utilizzo strutturato e governato all’interno dei processi aziendali.

Verrà presentato l’approccio di TXT Ennova basato sulla piattaforma GAIA, che integra AI generativa, basi di conoscenza affidabili e orchestrazione dei processi per automatizzare attività complesse end-to-end.

Attraverso casi reali saranno mostrati i benefici in termini di riduzione dell’effort operativo, miglioramento della qualità dei dati e accelerazione del time-to-delivery, mantenendo al contempo controllo su sicurezza, privacy e governance dell’AI.

Nel panorama della Cyber Security, la velocità di evoluzione delle minacce rende obsoleto l’approccio puramente manuale. Sebbene l’IA non possa (e non debba) sostituire l’intuizione di un Security Analyst etico, può agire come un potente moltiplicatore di forza nelle fasi di ricognizione e analisi.

In questo intervento esploreremo l’uso pratico dell’IA a supporto dei Penetration Test all’interno del nostro laboratorio di sicurezza.

Analizzeremo casi concreti in cui l’IA ci ha supportato nella generazione di payload complessi per testare la resilienza delle applicazioni; in quest’ottica, illustreremo anche come stiamo valutando l’estensione del perimetro dei nostri servizi attraverso l’utilizzo di Agentic AI, con l’obiettivo di migliorare l’efficienza dei processi di test non lineari.

Il focus resterà sul bilanciamento tra l’automazione intelligente e il controllo umano: come usare l’IA per gestire la “forza bruta” e l’analisi massiva, liberando il talento del tester per concentrarsi sulla logica di attacco più sofisticata.

Nei team QA esiste spesso una frattura silenziosa: pochi automation engineer concentrano lo sviluppo degli script, mentre la conoscenza funzionale diffusa nel team fatica a trasformarsi in automazione scalabile. Il risultato è un collo di bottiglia: l’automazione cresce lentamente, genera rework e diventa difficile da governare.

Questa asimmetria non è solo un problema di competenze, ma di architettura del processo e di coerenza architetturale, dove i test nascono in modo eterogeneo, senza regole condivise e senza una reale integrazione nel sistema.

L’intervento presenta il Dual-Layer GenAI Governance Model (DLGGM), che separa produzione funzionale e industrializzazione tecnica: le competenze di dominio contribuiscono alla generazione dei test, mentre gli automation engineer ne governano qualità, integrazione e manutenibilità.

L’obiettivo è garantire test costruiti secondo standard condivisi, coerenti tra loro e integrati nelle architetture e nelle pipeline di delivery.

La GenAI agisce come acceleratore all’interno di un processo controllato: l’AI propone, la governance tecnica decide.

I risultati che abbiamo raggiunto includono una riduzione fino al 70% dei tempi di sviluppo, il superamento dei target in oltre il 90% dei progetti e una migliore integrazione tra competenze funzionali, tecniche e di governance.

Manual testing is not dead. Many functional verification activities still require human judgment, especially for volatile features, visual checks, and cases where the cost of automation development and maintenance is too high. In modern delivery pipelines, manual test execution often becomes a bottleneck: it slows sprint completion, blocks resources during repetitive verification cycles, and can reduce confidence in results due to fatigue or heterogeneous verification practices.

This talk explores a practical vision where manual tests remain essential but their execution is delegated to dedicated AI agents. The goal is not to replace testers but to remove the mechanical burden of execution.

We will show how AI can reclaim time while keeping control, providing traceability and proof of execution inside existing test management tools. We also discuss how AI-assisted execution reshapes the balance between traditional automation, manual testing, and human oversight to transform manual test execution into an observable, scalable, and controlled activity without losing the value of human quality judgment.

Sopra Steria e CREDEM hanno realizzato un tool per il testing che sfrutta AI Generativa; partendo dalla generazione automatica di test book funzionali ora evolve verso un ambizioso framework di automation. Permette ad analisti di scrivere test automatici, liberando sviluppatori da attività ripetitive.

Risultati: riduzione 60% tempi progettazione, +40% copertura test, eliminazione errori manuali con persone focalizzate su controlli puntuali e figure senior liberate da task ripetitivi per attività strategiche; futuro potenziale impiego di Knowledge Graph per ulteriore incremento qualità.
In corso studio di fattibilità per applicare AI al project management e una gestione metodologica dei processi di sviluppo.

Il progetto risponde alla richiesta di velocità del business, allineandosi perfettamente con evoluzione verso DevOps/DevSecOps e Agile, metodologia che si adatta ottimamente alla rapidità AI.
Integrazione cloud Azure garantisce scalabilità, sicurezza e conformità normative bancarie.

Artificial Intelligence is rapidly moving from experimentation into everyday business reality. As CEO of a global certification and examination company, Werner Henschelchen shares practical insights into how AI is already being used in learning, certification, content creation, automation, and daily workflows — far beyond the hype and headlines.

The session will explore how AI adoption may evolve over the coming years and how it could fundamentally reshape the way people learn, work, and build skills. To better understand the scale of this transformation, the talk will also compare the current AI revolution with other major technological shifts of the last century, including electrification, industrial automation, and the rise of the internet.

A practical and forward-looking perspective on one of the biggest changes our industry has ever faced.

La Piattaforma Enterprise per la Trasformazione Intelligente del Codice

Ogni anno, le aziende spendono miliardi di euro in progetti di migrazione del codice. Team di sviluppatori impegnati per mesi a tradurre manualmente codebase legacy, migrare tra framework o modernizzare stack tecnologici. Il risultato? Progetti in ritardo, budget sforati e codice che richiede estensivo refactoring.

• 6-18 mesi – durata media di un progetto di migrazione enterprise
• 70% dei progetti supera il budget iniziale
• 40% del codice richiede riscrittura post migrazione

Scriba.ai trasforma radicalmente il processo di migrazione del codice. La nostra piattaforma utilizza i modelli di intelligenza artificiale più avanzati al mondo per convertire automaticamente il codice tra linguaggi e framework diversi, preservando la logica di business e generando codice idiomatico, pronto per la produzione.

Scriba.ai non è un semplice traduttore sintattico. La nostra piattaforma comprende il significato del codice e genera output che un developer esperto scriverebbe nativamente.

Ad oggi la piattaforma gestisce oltre 60 linguaggi in entrata e in uscita, con un grado di precisione fino al 99,7% in prima conversione.

Il codice è un asset più prezioso. Scriba.ai implementa i più elevati standard di sicurezza per proteggere la proprietà intellettuale.

Scriba.AI è basato su una serie di tecnologie di IA interamente proprietarie; non ci sono chiamate a modelli esterni (ChatGPT, Claude, Mistral ecc); la piattaforma non richiede internet e gira su infrastruttura basata in EU. Potenzialmente la piattaforma è anche utilizzabile in modalità on-premise per necessità particolari in settori altamente regolamentati.

Durante la presentazione mostreremo il funzionamento della piattaforma con una conversione “live” da codice legacy a codice moderno.

Il moderno modello di delivery del software richiede un’automazione che non sia solo veloce, ma anche intelligente, adattiva e capace di fornire insight profondi. Lo scripting tradizionale e gli sforzi di testing manuale non riescono più a stare al passo con le odierne aspettative di continuous delivery, performance su larga scala e conformità normativa.

Questa sessione approfondisce come il testing funzionale e prestazionale moderno e intelligente trasformi l’approccio pratico dei team all’automazione, riducendo significativamente l’intervento manuale, accorciando i cicli di feedback e concentrando le competenze ingegneristiche su attività a maggior valore aggiunto.

Un pilastro fondamentale di questa evoluzione è l’Autonomous Testing, che segna il passaggio dal semplice ‘eseguire script’ al ‘prendere decisioni’. Grazie all’integrazione di algoritmi di Machine Learning e AI generativa, la core software delivery platform e’ oggi in grado di auto-apprendere dai cambiamenti dell’interfaccia utente, generare autonomamente casi di test basati sul comportamento reale degli utenti.

Esploreremo come questa autonomia non solo elimini il debito tecnico della manutenzione, ma permetta di raggiungere una copertura dei test dinamica, capace di evolversi alla stessa velocità del codice.

Attraverso esempi pratici, vedremo come l’automazione intelligente permetta ai team di validare la funzionalità e le performance delle applicazioni in modo più rapido e coerente. Questo approccio aiuta i team di delivery a procedere più velocemente e con maggiore sicurezza, senza aumentare i rischi o i costi operativi.

L’AI sta accelerando lo sviluppo software, ma velocità senza qualità significa accelerazione del rischio. Oggi è possibile sviluppare codice più velocemente che mai, ma ogni accelerazione nello sviluppo aumenta anche la pressione su qualità, governance e affidabilità. Un singolo errore in produzione può fermare il business o impattare il bilancio. Con un Agentic Testing in cloud è possibile rendere la QA un abilitatore strategico per uno sviluppo software più rapido, efficiente e sicuro.

L’obiettivo di questo intervento è riassumere lo stato dell’arte dello schema ISTQB, con focus particolare su:

• La struttura complessiva delle certificazioni, con evidenza delle evoluzioni rispetto all’anno precedente
• La nuova versione del syllabo e della certificazione “AI testing (CT-AI)”, dedicato alle pratiche di test per la validazione di sistemi AI-based
• Le evoluzioni del syllabo e della certificazione “Testing with Generative AI (CT-GenAI)”, indirizzato all’utilizzo della GenAI nelle attività di test
• Il nuovo syllabo e certificazione “Finance Testing (CT-FT)” che si focalizza sulle pratiche di testing nel mondo delle applicazioni finanziarie, bancarie e assicurative
• Il nuovo syllabo e certificazione “Quality in DevOps (CT-QDO)”  che dettaglia le attività di quality assurance in ambito CI/CD, automazione e monitoraggio continuo

L’intervento fornirà infine una versione di insieme delle altre certificazioni offerte da ITA-STQB, in particolare; REQB, iSAQB e TMMi.

Il mantra “Shift Left” ci ha insegnato ad anticipare il testing, ma il vero salto di qualità avviene quando il controllo qualità inizia prima ancora della scrittura del codice.

In questa presentazione illustrerò un metodo per estendere il QA alla fase di ideazione e analisi dei requisiti, superando i limiti della documentazione tradizionale. Spesso le specifiche di business restano implicite o frammentate, rendendo impossibile valutare l’impatto reale di una modifica sui sistemi esistenti.

La metodologia proposta utilizza l’AI come custode centralizzato della conoscenza aziendale, permettendo agli stakeholder di comprendere il magnitudo tecnico e i rischi di una richiesta nel momento stesso in cui viene concepita.

Vedremo come trasformare il processo di sviluppo rendendo oggettiva la tracciabilità: il software verifica automaticamente la corrispondenza tra requisiti di business e ticket operativi, eliminando l’ambiguità e la dipendenza da aggiornamenti manuali destrutturati.

L’obiettivo è validare la fattibilità del “cosa” prima ancora di definire il “come”.

L’introduzione degli AI Assistant sta trasformando i processi nelle organizzazioni complesse, rivoluzionando il modo in cui i team lavorano, prendono decisioni e collaborano.

Racconteremo di come, negli ultimi mesi in CRIF, azienda globale specializzata in sistemi di informazioni creditizie e di business information e soluzioni per il credito, abbiamo portato gli AI Assistant dall’idea al campo, in un’iniziativa multidisciplinare che integra strumenti e pratiche operative in tre aree chiave: Sviluppo, Testing e Operations. L’obiettivo: misurare l’impatto sulla qualità e sulla produttività e definire un modello replicabile.

L’approccio ha combinato KPI rigorosi con feedback continui e un percorso di abilitazione strutturato: training di onboarding, sessioni mensili di condivisione, office hours su temi specifici e una community per l’apprendimento collettivo.
I casi d’uso hanno coperto scenari end‑to‑end concreti.

I risultati ottenuti sono in linea con i benchmark riportati in letteratura.

L’approccio adottato ha permesso di ottenere progressi significativi sulle tre aree: nel Coding accelerazione dei processi con integrazione di componenti, nelle Operations una riduzione delle attività manuali e ripetitive; nel Testing consolidamento di una toolchain AI-assisted per la Test Automation Factory, creando basi solide per scalare con efficacia.

LABBGEN sviluppa un’architettura innovativa per la generazione automatica di test black-box tramite Large Language Models.

Destinato alla manifattura avanzata, il progetto affronta contesti con software complesso e scarsa documentazione, utilizzando LLM per analizzare sistemi esistenti e generare piani di testing affidabili.

La piattaforma adotta un’architettura cognitiva multi-agente: agenti specializzati collaborano per pianificare, generare, eseguire e validare test case in modo ciclico e autocorrettivo, simulando l’interazione utente e i flussi produttivi. Integra computer vision per testare sistemi senza accesso a codice o dati, tramite analisi delle interfacce grafiche.

L’Obiettivo finale è di ridurre gli errori software di almeno il 20%, diminuire tempi e costi di verifica e validazione, offrendo alle aziende manifatturiere un vantaggio competitivo in qualità, sostenibilità ed efficienza produttiva.

Uno dei principali pain point per i team di sviluppo è la frammentazione della documentazione tra documenti di analisi, task operativi e user stories.

Nel tempo, mantenere allineata questa mole di informazioni diventa un incubo: ogni ricerca richiede di partire dalla documentazione iniziale e ricostruire tutte le modifiche successive.

In questo intervento mostreremo come superare questo limite attraverso un AI Agent conversazionale costruito con Copilot Studio, integrato con Azure DevOps, Teams e Power Platform. Il sistema consente di trasformare le User Stories in una Knowledge Base accessibile e sempre aggiornata, permettendo al team di interrogare, aggiornare e generare contenuti tecnici direttamente nei canali di collaborazione quotidiana. Così, la documentazione non è più uno sforzo, ma un risultato naturale e continuo del lavoro stesso.

Durante la presentazione realizzeremo il progetto passo dopo passo, mostrando in concreto le funzionalità di Copilot Studio e le possibilità di interoperabilità offerte dall’ecosistema Microsoft. Perché quando la documentazione si scrive da sola, il team può finalmente concentrarsi su ciò che conta: sviluppare codice che funziona.

Nel passaggio dall’hype alla produzione, la GenAI sta trasformando lo sviluppo software, non solo rendendolo più rapido, ma soprattutto più aderente al valore di business.

In questo intervento presentiamo un approccio operativo per progettare e governare iniziative AI-native, riducendo tempi e costi senza compromettere qualità e protezione dei dati.

Affronteremo il tema Build vs Buy in un contesto GenAI, evidenziando quando il custom risulta più conveniente rispetto alla frammentazione SaaS, per poi approfondire integrazione e orchestrazione dei flussi, cicli di delivery accelerati e metriche per misurare impatto e ROI.

Esamineremo inoltre la governance granulare nell’era degli agenti, con segregazione nativa, IAM per agenti, modelli auditati e infrastrutture private zero-retention.

Concluderemo con l’evoluzione dei ruoli, in particolare lo Strategic AI PM come ponte tra business ed engineering, e con un caso studio in ambito documentale e legale, in cui oltre il 60% delle attività di coding e verifica è stato supportato da agenti AI.

In modern software development, we have mastered automated checking, yet we often lose sight of what quality really means: human experience.

Software Testing and User Experience still operate in silos, driven by different languages and success metrics. The result is a recurring failure mode: products that work flawlessly but fail users.

This talk proposes a shift in perspective: treating testing as a socio-technical system, where quality is measured by alignment between implementation and real user needs, not by the absence of bugs.

We will explore the trade-offs between engineering rigor and perceptual agility, and why UX must be treated as a direct input to quality, not a downstream concern.

Generative Al is presented as a catalyst, not a shortcut. Instead of generating shallow test cases, Al can augment the tester’s cognitive work by turning unstructured UX data into testing stories and contextual risk models.

By addressing automation bias and embracing shift-right feedback, teams can build quality pipelines that stay grounded in real-world usage.

Garantire la qualità del software rispettando scadenze strette e gestendo una complessità crescente è una sfida quotidiana per noi professionisti del QA e testing. Per questo ALTEN investe in soluzioni innovative basate sull’intelligenza artificiale, con l’obiettivo di rendere il nostro lavoro più semplice, veloce ed efficace.

Uno dei risultati più interessanti di questo impegno è ARIA-APT, un acceleratore basato sull’AI generativa, progettato per supportare il passaggio dalla specifica OpenAPI alla generazione, validazione e reportistica di test API automatizzati.

Nel corso dell’intervento attraverso una demo guidata vi mostreremo le caratteristiche salienti della soluzione e vi condivideremo i risultati ottenuti in un progetto reale per un nostro cliente.

Per decenni il testing software ha seguito un copione preciso: leggere i requisiti, scrivere i casi di test, automatizzarli, eseguirli. Un processo lineare, prevedibile, costoso. Ma cosa succede quando l’intelligenza artificiale entra in ognuno di questi passaggi, non come acceleratore marginale, ma come protagonista capace di prendere decisioni?

In questo workshop esploreremo, attraverso un esperimento concreto, come l’AI generativa stia ridefinendo il ciclo di vita del test: dalla generazione automatica di casi a partire dai soli requisiti, all’esplorazione autonoma di un oggetto sconosciuto per dedurne il comportamento atteso, fino all’orchestrazione completa di una suite di automation eseguita end-to-end.

Mostreremo dal vivo come, partendo da pochi parametri di input, un URL, credenziali, una tipologia di test, sia possibile attivare flussi radicalmente diversi: AI che scrive i test, AI che li segue, AI che esplora e poi decide. Non parleremo di un prodotto, ma di un cambio di paradigma: cosa significa per i tester, per i team di QA, per chi commissiona crowdtesting, per chi oggi spende settimane in attività che domani potrebbero richiedere ore. Un’occasione per ragionare insieme su dove finisce l’automazione classica e dove comincia qualcosa di diverso e su quali competenze ci serviranno davvero nei prossimi anni.