ARTICLE · 1053788
工信部推动“人工智能+软件”:研发提速后,质量保障如何跟上?
工信部推动“人工智能+软件”:研发提速后,质量保障如何跟上?
近日，工业和信息化部印发《“人工智能+软件”专项行动实施方案》。 
这份文件传递出的信号，不只是鼓励开发人员使用智能编程工具。它正在推动人工智能进入需求分析、代码生成、测试验证等研发环节，并进一步改变软件产品形态和企业服务模式。 对企业来说，问题已经不只是“AI能否提高开发效率”，还包括另一个更现实的判断：当代码和功能生成得越来越快，现有质量保障体系能否跟上新的交付速度？ AI正在改变软件的生产、产品和服务根据工信部官方解读，“人工智能+软件”主要围绕三条路径推动软件企业转型。 第一，改变软件生产方式。通过智能编程工具覆盖需求分析、代码生成、测试验证等研发流程，推动软件研发提质增效。 第二，改变软件产品形态。推动基础软件、工业软件等传统产品智能化升级，同时发展具备感知、记忆、决策、交互和执行能力的智能体软件。 第三，改变软件企业的服务模式。支持企业采购和使用大模型、智能体服务，推动软件企业向人工智能应用服务商转型。 这意味着，“人工智能+软件”并不是在现有系统中简单增加一个AI入口，而是在重新组织软件从需求到交付的生产过程。 
在这份实施方案及官方解读中，有三项内容与软件质量保障直接相关。 AI开始进入测试验证环节 文件提出，引导企业采购和使用安全可靠的智能编程工具，覆盖需求分析、代码生成、测试验证等研发流程。 测试没有因为AI生成代码而被弱化。相反，随着智能编程工具深入研发过程，质量验证需要更早参与需求理解、代码变更分析和风险识别。 生成代码需要经过审查 文件提出强化人工智能生成代码安全，指导企业建立生成代码安全审查机制。 AI可以快速给出代码，但“能够运行”只是最基础的判断。生成结果是否符合业务规则，是否遗漏边界条件，是否引入权限、依赖和可维护性问题，仍然需要审查与验证。 上线前检测仍是必要关口 文件还提出，推动重点行业新上线软件在上线前开展安全检测，发现风险及时整改。 AI提高的是软件生产效率，并没有取消上线前的质量责任。研发节奏越快，企业越需要明确测试范围、上线条件和风险处置机制。 AI生成得越快， 测试面对的问题可能越复杂假设企业使用智能编程工具，根据一段自然语言需求生成新的业务功能，同时完成部分前端、后端和测试代码。 演示环境中，页面可以打开，流程也能走通。但在正式上线前，至少还需要回答以下问题。 需求是否被准确理解？ AI可能实现了文字要求，却误解了业务规则、用户角色或数据处理逻辑。 测试需要验证的不只是“功能有没有生成”，还要确认“生成的是不是业务真正需要的功能”。 异常场景是否得到处理？ 正常流程可以完成，不代表重复提交、网络中断、接口超时、权限不足和数据异常时仍能正确处理。 这些不容易在演示中出现的场景，恰恰可能成为上线后的质量风险。 新代码是否影响原有业务？ AI可以快速生成和修改大量代码，但代码变更仍可能影响原有模块、上下游接口以及历史业务流程。 新功能通过测试，并不代表关联功能没有受到影响。 不同环境下能否稳定运行？ 软件最终需要运行在不同设备、操作系统、浏览器、网络和负载环境中。 AI生成的代码同样需要经过兼容性、性能、稳定性和异常恢复验证。 AI生成的测试用例是否有效？ AI可以辅助生成测试用例，但用例数量不等于风险覆盖。 这些用例是否覆盖关键业务规则、边界条件和高风险路径，仍然需要测试人员结合业务场景进行判断。 企业需要建立与AI研发匹配的质量链路 面对更快的代码生产速度，企业不能只采购一个智能编程工具，还需要同步调整质量流程。 
把质量要求前移到需求阶段 在生成代码之前，先明确业务规则、角色权限、异常处理和验收标准。 需求表达越模糊，AI生成结果偏离业务目标的可能性越高。测试人员也需要更早参与需求评审，提前识别歧义和风险。 为生成代码设置审查机制 企业需要明确哪些代码可以由AI辅助生成，哪些模块必须人工复核，以及代码进入主分支前需要经过哪些检查、测试和审批。 AI生成代码不应绕过现有的研发规范和质量门禁。 建立风险导向的测试体系 围绕真实业务风险，企业可以组合开展： 不同测试类型解决的问题并不相同，不能用一次功能演示或单一通过率代替完整的上线判断。 加快核心流程的自动化回归 当AI频繁生成或修改代码，完全依赖人工执行回归测试，很难持续跟上版本变化。 企业可以优先将稳定、重复、业务价值较高的核心流程纳入自动化回归，为每次代码变更提供及时的质量反馈。 保留清晰的上线门槛 测试结果最终需要支持发布决策。 企业应结合业务风险，综合判断核心流程、遗留缺陷、兼容范围、性能表现和已知限制，而不是仅以“功能可以运行”作为上线依据。 测试人员正在从执行者走向质量决策者 工信部官方解读提出，坚持就业友好导向，从稳岗、扩岗、转岗三个方面推动软件产业就业发展，并提到代码审查、AI安全等新岗位需求。 对应到软件测试领域，AI更适合承担部分重复性工作，例如辅助生成用例、脚本和测试数据，整理执行结果，或帮助分析高风险变更。 测试人员更核心的价值，将集中在以下方面： AI可以帮助测试人员更快地执行，但无法替代对业务风险和质量边界的专业判断。 让研发效率与质量反馈同步提升 “人工智能+软件”推动的不只是开发工具升级，也对企业的测试效率、回归能力和质量治理提出了更高要求。 围绕软件研发与交付过程，无缺智测持续关注功能验证、UI自动化、接口测试、兼容性测试、性能测试和测试管理等质量场景。 当AI开始参与需求分析和代码生成，企业需要同步建立与研发速度相匹配的质量能力： 这里的目标不是追求“无人测试”，而是让测试人员减少重复执行，把更多精力放在业务风险、测试策略和上线质量判断上。 AI可以加快软件生产，但软件最终仍要经得住真实业务、真实环境和真实用户的检验。 当需求分析、代码生成和产品迭代被AI加速，质量保障也需要从研发末端的一次检查，转向贯穿需求、代码、测试和发布的持续能力。 企业下一步需要关注的，不只是“AI能写多少代码”，还有一个更重要的问题： 现有测试体系，能否及时发现AI生成代码带来的新风险？ — END — 欢迎联系我们 
【更多内容】 无缺智测 | 产品及服务矩阵 案例 | 某手游公司测试服务项目 案例 | 某智能出行品牌兼容性项目 再次中标｜某金融机构兼容性测试服务项目
功能与业务流程测试 接口与系统集成测试 权限和数据边界验证 兼容性测试 性能与稳定性测试 异常恢复测试 自动化回归测试
理解业务目标和用户场景 识别需求、架构与代码风险 判断AI生成用例是否有效 设计边界、异常和探索性测试 确定回归范围与发布条件 用测试证据支持上线决策
利用AI辅助测试用例生成和结果分析 通过自动化回归验证核心业务流程 通过接口测试检查系统间业务协同 通过兼容性测试验证多终端运行表现 通过性能测试识别负载与稳定性风险 通过测试管理串联需求、用例、缺陷和报告
苏州 · 南京 · 杭州
研发中心 | 交付中心 | 运营中心