Az Abstracta Quality Intelligence keretrendszert mutatott be bankoknak

A gyorsabb fejlesztés új minőségi kihívást hoz

Az Abstracta szerint a mesterséges intelligencia felgyorsította a szoftverfejlesztést. A kód megírása egyre kevésbé lassítja a szállítást, miközben a több kód több változtatást és ezzel több lehetséges kockázatot is jelent. Ha a szervezetek gyorsítják a fejlesztést, de változatlanul ugyanazokat az ellenőrzési és validációs folyamatokat használják, ezek a folyamatok szűk keresztmetszetté válhatnak.

A kockázat a banki rendszereknél különösen jelentős, mert egy szoftverhiba pénzt, személyes adatokat vagy akár több ezer ügyfelet is érinthet. Az Abstracta szerint a mérnöki vezetőknek ezért azt kell megérteniük, milyen kockázattal jár egy változtatás, és rendelkezésre áll-e elegendő bizonyíték a kiadási döntéshez.

A vállalat 2025-ben Quality Intelligence Gapnek nevezte el azt a szakadékot, amely az AI által előállított eredmények és a biztonságos kiadási döntésekhez szükséges értelmezés között húzódik. A Quality Intelligence a követelményeket, a kódot, a teszteket, a korábbi incidenseket és az éles működés adatait kapcsolja össze a változtatások kockázatának folyamatos értékeléséhez.

Ügynökök készítik elő a kiadási döntést

Az Abstracta október 13-án, a montevideói Quality Sense Conf 2026 nyitóelőadásán mutatta be a Quality Intelligence vízióját és a kapcsolódó kiáltvány első változatát. A vállalat ezt a gyakorlatot az Abstracta Intelligence vállalati AI-platformon alkalmazza, amely a Tero nevű, nyílt forráskódú QA-munkafolyamatokhoz készült ügynökkeretrendszerre épül, és elérhető a Microsoft Marketplace-en.

A platform ügynökei a bankok meglévő rendszereihez kapcsolódnak, többek között a Jira, a CI/CD-folyamatok, az AS/400 és a banki alaprendszerek környezetéhez. A System Understanding funkció dokumentumok, feladatjegyek, kód és tesztek alapján mutatja meg, hogyan működik egy funkció, folyamat vagy üzleti szabály. A Change Impact feltárja, mi változott, és mely területek lehetnek érintettek.

A Risk Assessment a korábbi előzmények, hibák, hiányos lefedettség és incidensek alapján jelzi a kockázatokat. A Release Readiness összefoglalja a döntéshez rendelkezésre álló bizonyítékokat, a végső jóváhagyást azonban egy ember adja meg. A Knowledge Capture a szakértői tudást újrafelhasználható és auditálható kontextussá alakítja.

A tesztelési érettséget, a DORA-mutatókat és a Release Readiness állapotát irányítópultok jelenítik meg a minőségbiztosítási, mérnöki és vezetői csapatok számára. Az auditnyomok, a meghatározott szerepkörök és az emberi jóváhagyás a vállalat szerint biztosítják az elszámoltathatóságot.

Banki tapasztalatra és fokozatos bevezetésre építenek

Az Abstracta közlése szerint a vállalat közel 20 éve dolgozik üzletileg kritikus rendszerek minőségének javításán, többek között a BBVA és a Santander számára. A Bantotal kutatás-fejlesztési csapatával és a Microsoft AI Co-Innovation Labbel közösen generatív AI-copilótort készített egy több százezer programból álló banki alaprendszer megértéséhez.

A vállalat által közölt eredmények szerint egyes együttműködésekben hat hónapon belül 40 százalékkal csökkent a gyártási hibák száma. A regressziós ciklusok napokról körülbelül 30 percre rövidültek, a Tero-ra épülő AI-ügynökök pedig havonta több mint 2000 munkaórát takarítottak meg.

Az Abstracta Intelligence bevezetése az Abstracta 90-Day Quality Intelligence Frameworkdel indul. Ez meghatározza, mit kell először kezelni, mi változott, milyen bizonyíték hiányzik, milyen hatást gyakorol az AI, és mit érdemes kiterjeszteni. A Tero ingyenes és nyílt forráskódú a GitHubon.

Sofía Palamarchuk, az Abstracta társigazgatója szerint: „A szoftver előállítása többé nem a szűk keresztmetszet. Az AI sokkal gyorsabbá teszi a szoftver előállítását, de a több kód több változást és több lehetséges kockázatot is jelent.” A vezető hozzátette, hogy a Quality Intelligence a technikai kontextust, az üzleti szabályokat és a tapasztalt tesztelők, illetve elemzők tudását kapcsolja össze, miközben a kiadási döntés a felelős embereknél marad.