Dunia pengembangan perangkat lunak bergerak semakin cepat. Rilis fitur baru yang dulu memakan waktu berbulan-bulan kini bisa dilakukan dalam hitungan hari, bahkan jam, berkat praktik continuous integration dan continuous deployment (CI/CD). Di tengah percepatan ini, automation testing menjadi tulang punggung yang memastikan kualitas tidak dikorbankan demi kecepatan. Namun, seiring kemajuan kecerdasan buatan (AI) dan machine learning, muncul pertanyaan besar: apakah masa depan automation testing akan sepenuhnya dikendalikan mesin, ataukah manusia tetap memegang kendali utama?
Evolusi Automation Testing: Dari Script Manual ke AI
Automation testing bukanlah konsep baru. Sejak era 1990-an, tim QA sudah menggunakan tools seperti WinRunner dan kemudian Selenium untuk menjalankan skenario pengujian berulang secara otomatis. Pendekatan ini menghemat waktu dibanding pengujian manual, tetapi tetap membutuhkan manusia untuk menulis, memelihara, dan memperbaiki script ketika aplikasi berubah.
Seiring waktu, muncul generasi baru tools seperti Cypress, Playwright, dan Appium yang lebih ramah developer dan mendukung pengujian lintas platform. Tahap berikutnya adalah integrasi AI: tools seperti Testim, Mabl, dan Applitools mulai menggunakan machine learning untuk mendeteksi perubahan UI secara otomatis, menyarankan perbaikan script yang rusak (self-healing tests), dan bahkan menghasilkan skenario uji baru berdasarkan pola penggunaan aplikasi.
Kini, dengan kemunculan large language models (LLM) seperti yang mendukung asisten AI modern, automation testing memasuki babak baru. AI tidak lagi sekadar menjalankan script yang sudah ditulis, tetapi mampu:
- Membaca requirement atau user story dan menghasilkan test case secara otomatis
- Menulis kode automation testing dari deskripsi bahasa alami
- Menganalisis hasil pengujian dan menyimpulkan akar masalah (root cause analysis)
- Memprediksi area kode yang berisiko tinggi untuk diuji lebih intensif
Argumen untuk “Mesin yang Pegang Kendali”
Ada beberapa alasan kuat mengapa banyak pihak percaya mesin akan semakin dominan dalam automation testing:
1. Kecepatan dan skala yang tidak tertandingi. Mesin dapat menjalankan ribuan skenario pengujian secara paralel dalam waktu singkat, sesuatu yang mustahil dilakukan manusia secara manual.
2. Konsistensi tanpa kelelahan. Manusia rentan terhadap kesalahan akibat kelelahan atau kebosanan saat mengulang pengujian yang monoton. Mesin tidak memiliki batasan ini.
3. Kemampuan belajar dari data historis. AI dapat mempelajari pola bug di masa lalu untuk memprediksi area kode yang paling berisiko, sehingga pengujian menjadi lebih terarah (risk-based testing).
4. Self-healing dan adaptasi otomatis. Ketika UI aplikasi berubah, AI modern dapat menyesuaikan selector atau alur pengujian tanpa intervensi manusia, mengurangi biaya pemeliharaan yang selama ini menjadi masalah klasik automation testing.
Argumen untuk “Manusia Tetap Pegang Kendali”
Meski demikian, ada batasan mendasar yang membuat peran manusia tetap krusial:
1. Pemahaman konteks bisnis. Mesin bisa mendeteksi bahwa sebuah tombol tidak berfungsi, tetapi menentukan apakah suatu perilaku aplikasi “benar” secara bisnis membutuhkan pemahaman konteks yang hanya dimiliki manusia.
2. Exploratory testing dan intuisi. Banyak bug kritis ditemukan bukan lewat script terstruktur, melainkan lewat eksplorasi manusia yang mencoba skenario tidak terduga, mengikuti “insting” bahwa ada sesuatu yang janggal.
3. Pengujian pengalaman pengguna (UX). Aspek seperti kenyamanan visual, alur interaksi yang intuitif, atau nuansa emosional dari sebuah produk sulit diukur murni oleh mesin.
4. Tanggung jawab dan akuntabilitas. Ketika sistem AI melakukan kesalahan dalam menentukan pass/fail suatu pengujian, tetap dibutuhkan manusia yang mengambil keputusan akhir dan bertanggung jawab, terutama untuk sistem-sistem kritis seperti di sektor kesehatan, keuangan, atau penerbangan.
5. Merancang strategi pengujian. AI baik dalam eksekusi, tetapi merancang strategi testing yang selaras dengan tujuan bisnis, risiko, dan prioritas tetap memerlukan penilaian manusia.
Masa Depan yang Paling Mungkin: Kolaborasi, Bukan Persaingan
Alih-alih memandangnya sebagai pertarungan “manusia versus mesin”, gambaran yang lebih realistis adalah kolaborasi manusia dan mesin dengan pembagian peran yang berubah:
- Mesin mengambil alih tugas-tugas repetitif, eksekusi skala besar, deteksi pola, dan pemeliharaan script.
- Manusia berfokus pada strategi pengujian, exploratory testing, penilaian risiko, interpretasi hasil, serta keputusan etis dan bisnis.
Peran QA Engineer pun bertransformasi. Alih-alih menghabiskan waktu menulis ratusan baris script, mereka akan lebih banyak berperan sebagai:
- Test strategist yang merancang pendekatan pengujian menyeluruh
- AI trainer/supervisor yang melatih dan mengawasi model AI agar menghasilkan test case relevan
- Quality advocate yang menjembatani kebutuhan bisnis, pengalaman pengguna, dan kualitas teknis
Tantangan yang Perlu Diwaspadai
Transisi ini bukan tanpa risiko. Beberapa tantangan yang perlu diantisipasi:
- Ketergantungan berlebihan pada AI dapat membuat tim kehilangan kepekaan terhadap detail penting yang tidak terdeteksi mesin.
- Bias dalam data pelatihan AI dapat menyebabkan area tertentu dari aplikasi kurang teruji karena pola historis yang tidak representatif.
- Kebutuhan keterampilan baru. Tim QA perlu mempelajari cara bekerja dengan AI, termasuk prompt engineering dan interpretasi output model, bukan hanya sekadar coding tradisional.
- Isu keamanan dan privasi data saat AI mengakses data produksi atau log aplikasi untuk pembelajaran.
Kesimpulan
Pertanyaan “manusia atau mesin yang pegang kendali” sebenarnya mengarah pada jawaban yang lebih nuansir: keduanya akan memegang kendali, tetapi di ranah yang berbeda. Mesin akan semakin mendominasi eksekusi teknis, skala, dan efisiensi, sementara manusia akan tetap menjadi pengambil keputusan strategis yang memastikan pengujian selaras dengan nilai bisnis dan kebutuhan pengguna nyata.
Masa depan automation testing bukanlah tentang mesin menggantikan manusia sepenuhnya, melainkan tentang manusia yang belajar bekerja bersama mesin secara lebih cerdas — memanfaatkan kekuatan AI untuk hal-hal yang repetitif dan berskala besar, sambil tetap menjaga sentuhan manusia untuk hal-hal yang membutuhkan penilaian, empati, dan konteks.
Pada akhirnya, organisasi yang akan unggul bukanlah yang paling banyak mengotomatisasi, melainkan yang paling bijak dalam menentukan kapan manusia harus turun tangan dan kapan mesin bisa dipercaya mengambil alih.