概要
https://tech-blog.tabelog.com/entry/ai-for-qa-automation-test
詳細内容
## AIによる手動QAの自動化：自動テストコーディングのAI化でテスト実行工数を52%削減
https://tech-blog.tabelog.com/entry/ai-for-qa-automation-test
食べログは、AIを活用した自動テストコーディングにより、手動QAのボトルネックであったテスト実行工数を52%削減し、97%のコード生成精度を達成した。
**Content Type**: ⚙️ Tools
**Language**: ja
**Scores**: Signal:5/5 | Depth:5/5 | Unique:4/5 | Practical:5/5 | Anti-Hype:5/5
**Main Journal**: 96/100 | **Annex Potential**: 93/100 | **Overall**: 96/100
**Topics**: [[AIを活用したQA自動化, 自動テストコーディング, テスト実行効率化, プロンプトエンジニアリング, 人間とAIの協働]]
食べログの品質管理部AI4QAプロジェクトは、テスト実装のAI化（Phase1）で成果が限定的だった教訓から、ボトルネックであるテスト実行工数削減を目標に「自動テストコーディングのAI化（Phase2）」へ進化した。これは、小規模なコード修正でもテストケースが膨大化する「軽微な修正問題」という構造的課題を解決し、開発とQAの工数比率を適正化することが狙いだ。
著者は、単なるAI導入ではなくQAプロセス全体を見直す戦略的アプローチを採用したと強調する。Phase1で構築したテストナレッジ基盤（仕様書解析ノウハウ、テスト観点抽出技術、GitHubでのテストナレッジ一元管理）を最大活用し、AIが手動テストから自動テストまでを一気通貫で制御する設計だ。技術選定では、AIエージェントによる直接テスト実行はFlakyテストや偽陽性を誘発するため、既存のSelenium+Cucumber+CircleCI環境は維持し、Cursorを用いてテストコード生成のみをAI化するハイブリッド戦略を採用。これにより、既存環境の安定性を活かしつつ、AIの能力を最大限に引き出す。
AIが安定した品質のコードを生成するために、3層の品質保証システムを構築した。第1層は、食べログQAチームの知見を体系化した「自動テスト設計ガイド」であり、ワークフロー、アーキテクチャ原則、ベストプラクティスをCursorのプロンプトに注入する。第2層は、TypeScriptコンパイルエラー検証や既存コード重複チェックなど「自動テスト12検証項目」で、生成されたコードの品質を機械的にチェックし、AIが自動修正するループを持つ。第3層は、CircleCIとの統合により、既存の安定した実行環境と品質基準を継承する。さらに、プロンプトエンジニアリングでは、AIの「嘘をつく」傾向を抑制するため、禁止事項のチェックリストをプロンプトとして渡し、Few-shotプロンプティングで精度向上を図っている。
OMAKASEプロジェクトでの検証では、テスト実行工数を52%削減し、自動化率を64%（目標78%に対し進捗67%）まで向上させた。Page Objectの生成精度は97.26%、Step Definitionは92.63%と高い精度を達成し、AIの自己修正能力により人間による修正は全体の3〜7%に抑えられた。この結果に対し、チームメンバーからは「これ、本当にAIが書いたの？」という驚きの声が上がったという。
手動QAエンジニアの育成面でも成果を上げ、段階的学習やモブプログラミングを通じて、不安を抱えていたメンバーが自信を持ってAIを活用できるようになり、あるメンバーは「コーディングが好きになりました」と語るほどだ。著者は、この取り組みがQAエンジニアの価値を「テストを実行する人」から「品質戦略を設計する人」へと進化させ、業界全体の「軽微な修正問題」に対する実践的な解決策となると提言している。