AI และระบบอัตโนมัติเปลี่ยนแปลงวิศวกรรมคุณภาพ: ข้อมูลเชิงลึกจากรายงานคุณภาพโลก 2024

รายงานคุณภาพโลก 2024-25 โดย OpenText เปิดเผยแนวโน้มที่เปลี่ยนแปลงวิศวกรรมคุณภาพ (QE) และการทดสอบทั่วโลก โดยมีผู้บริหารมากกว่า 1,775 คนจาก 33 ประเทศที่เข้าร่วมการสำรวจ รายงานนี้แสดงให้เห็นว่า AI, ระบบอัตโนมัติ และความยั่งยืนกำลังเปลี่ยนแปลงภูมิทัศน์ของการประกันคุณภาพ เมื่อเทคโนโลยี AI มีความก้าวหน้า องค์กรต่างๆ ต้องใช้โซลูชันใหม่ๆ สำหรับ QE โดยเฉพาะอย่างยิ่งเมื่อ Generative AI (Gen AI) มีบทบาทสำคัญ

เราจะสำรวจผลการวิจัยของรายงาน โดยเน้นย้ำแนวโน้มสำคัญใน QE, ระบบอัตโนมัติ และ AI และให้ข้อมูลเชิงลึกที่สามารถนำไปใช้ได้สำหรับองค์กรที่พร้อมจะก้าวไปสู่อนาคตของวิศวกรรมคุณภาพ

การเพิ่มขึ้นของ AI ในวิศวกรรมคุณภาพ

หนึ่งในผลการวิจัยที่น่าสนใจที่สุดคือการนำ AI มาใช้ใน QE อย่างรวดเร็ว โดย 71% ขององค์กร ได้นำ AI และ Gen AI มาใช้ในกระบวนการของตน ซึ่งเพิ่มขึ้นจาก 34% ในปีก่อนหน้า การเปลี่ยนแปลงนี้เป็นจุดเปลี่ยนสำคัญในอุตสาหกรรม โดย AI จะเปลี่ยนแปลงหลายด้านของ QE ตั้งแต่การอัตโนมัติการทดสอบไปจนถึง การบริหารคุณภาพข้อมูล

ผลกระทบของ AI นั้น深刻อย่างยิ่งใน การอัตโนมัติการทดสอบ โดย 73% ของผู้ตอบแบบสอบถาม ระบุว่า AI และ การเรียนรู้ของเครื่อง (ML) เป็นตัวขับเคลื่อนสำคัญของความก้าวหน้า เทคโนโลยีคลาวด์เชิงพาณิชย์และ การอัตโนมัติกระบวนการด้วยหุ่นยนต์ (RPA) ติดตามอย่างใกล้ชิด โดย 67% และ 66% ตามลำดับ ใช้ความก้าวหน้าเหล่านี้ ความเร็วและประสิทธิภาพของการอัตโนมัติได้รับการปรับปรุงอย่างมาก ทำให้องค์กรสามารถลดความพยายามด้วยมือและเพิ่มพิสัยการทดสอบ

ตัวอย่างเช่น 72% ขององค์กร ระบุว่า Gen AI ได้เร่งกระบวนการอัตโนมัติการทดสอบของตน ในขณะที่ 68% ระบุว่าการรวมระบบเข้าด้วยกันง่ายขึ้น ทำให้สามารถทำงานร่วมกับพายพันการพัฒนาที่มีอยู่ได้อย่างราบรื่น โดยการอัตโนมัติงานที่ทำซ้ำๆ และการสร้างสคริปต์ทดสอบ AI ไม่เพียงแต่ลดต้นทุนเท่านั้น แต่ยังเพิ่มผลผลิตของวิศวกรคุณภาพด้วย

วิศวกรรมคุณภาพใน Agile: การเปลี่ยนแปลงสู่ทีมที่รวมกัน

ความสำคัญที่เพิ่มขึ้นของการฝังวิศวกรรมคุณภาพลงใน ทีม Agile เป็นอีกแนวโน้มสำคัญที่รายงานเน้นย้ำ ปัจจุบัน 40% ขององค์กร มีวิศวกรคุณภาพที่รวมอยู่ในกระบวนการ Agile ของตน การเปลี่ยนแปลงนี้เป็นการเปลี่ยนแปลงที่ชัดเจนจากศูนย์ทดสอบแห่งความเป็นเลิศแบบดั้งเดิม (TCoEs) ซึ่งลดลงในการใช้งาน โดยปัจจุบันประกอบด้วย 27% ของโครงสร้าง QE ของผู้ตอบแบบสอบถาม เทียบกับ 70% ในปีก่อนหน้า

การเน้นย้ำในการฝังวิศวกรรมคุณภาพลงในทีม Agile เพื่อให้ได้การวนซ้ำที่เร็วขึ้นและจัดตำแหน่งที่ดีขึ้นตามเป้าหมายทางธุรกิจ นอกจากนี้ การทำงานร่วมกันข้ามฟังก์ชัน ยังถือเป็นสิ่งสำคัญในการส่งมอบผลลัพธ์ที่มีคุณภาพสูง โดย 78% ของผู้ตอบแบบสอบถามเน้นย้ำถึงความสำคัญในการส่งมอบผลิตภัณฑ์ที่มีคุณภาพสูงขึ้นและเร็วขึ้น

尽管มีการก้าวหน้าเหล่านี้ แต่ยังคงมีความท้าทาย รายงานพบว่า 56% ขององค์กร ยังคงมองว่าวิศวกรรมคุณภาพเป็นหน้าที่ที่ไม่ใช่เชิงกลยุทธ์ และ 53% ยอมรับว่ากระบวนการวิศวกรรมคุณภาพในปัจจุบันของตนไม่เพียงพอสำหรับวิธีการ Agile สิ่งนี้ต้องการการเน้นย้ำมากขึ้นในการจัดตำแหน่งเมตริกวิศวกรรมคุณภาพกับผลลัพธ์ทางธุรกิจที่กว้างขึ้น เช่น ความพึงพอใจของลูกค้าและผลกระทบต่อรายได้

คุณภาพข้อมูล: พื้นฐานสำหรับการทดสอบที่ขับเคลื่อนด้วย AI

เมื่อองค์กรต่างๆ พึ่งพาการตัดสินใจโดยใช้ข้อมูลมากขึ้น คุณภาพของข้อมูล ของพวกเขาได้รับความสำคัญมากขึ้น รายงานเผยว่า 64% ขององค์กร พิจารณาคุณภาพข้อมูลเป็นลำดับความสำคัญสูงสุด แต่หลายองค์กรยังคงดิ้นรนกับการจัดการคุณภาพข้อมูล การกำหนดความเป็นเจ้าของข้อมูลที่ชัดเจนและปรับปรุงกรอบการกำกับดูแลข้อมูลเป็นขั้นตอนสำคัญในการรับรองความถูกต้องและความน่าเชื่อถือของโมเดล AI ที่ใช้ใน QE

หากไม่มีข้อมูลที่มีคุณภาพสูง AI จะไม่สามารถสร้างข้อมูลเชิงลึกที่มีความหมาย สร้างสถานการณ์ทดสอบ และคาดการณ์ผลลัพธ์ได้ สิ่งนี้อธิบายได้ว่าทำไม 58% ของผู้ตอบแบบสอบถาม จัดอันดับข้อมูลรั่วไหลเป็นความเสี่ยงที่สำคัญที่สุดที่เกี่ยวข้องกับ Gen AI เมื่อองค์กรรวม AI เข้ากับกระบวนการคุณภาพของตน การรับรองความปลอดภัยของข้อมูลจะกลายเป็นสิ่งสำคัญ

การตรวจสอบผลิตภัณฑ์ฉลาด: การทดสอบที่อยู่นอกเหนือจากฟังก์ชันการทำงาน

การตรวจสอบ ผลิตภัณฑ์ฉลาด กำลังเป็นส่วนสำคัญของแนวปฏิบัติวิศวกรรมคุณภาพสมัยใหม่ ตามรายงาน 21% ของงบประมาณการทดสอบ ได้ถูกกำหนดให้ตรวจสอบเทคโนโลยีฉลาด สะท้อนถึงความต้องการที่เพิ่มขึ้นสำหรับกลยุทธ์ที่ครอบคลุมเพื่อให้แน่ใจว่าผลิตภัณฑ์เหล่านี้ทำงานได้อย่างราบรื่นใน環境ที่เชื่อมต่อกัน

ความถูกต้องตามฟังก์ชันการทำงานยังคงเป็นลำดับความสำคัญสูงสุดสำหรับการตรวจสอบผลิตภัณฑ์ฉลาด โดย 30% ของผู้ตอบแบบสอบถาม ระบุว่าเป็นปัจจัยที่สำคัญที่สุด อย่างไรก็ตาม ความปลอดภัย (23%) และคุณภาพข้อมูล (21%) ก็ได้รับการจัดอันดับสูงเช่นกัน ซึ่งบ่งบอกถึงการเปลี่ยนแปลงไปสู่กลยุทธ์การทดสอบที่ครอบคลุมมากขึ้นซึ่งจัดการกับความซับซ้อนของผลิตภัณฑ์ฉลาด

รายงานยังระบุถึงความท้าทายในการทดสอบผลิตภัณฑ์เหล่านี้ โดยเฉพาะอย่างยิ่งเมื่อพูดถึงการตรวจสอบโมเดล AI ที่ฝังตัวและความสามารถในการทดสอบการรวมทั้งหมดระหว่างอุปกรณ์และโพรโทคอล การขาดแคลนผู้ทดสอบที่มีทักษะยังทำให้ความท้าทายเหล่านี้รุนแรงขึ้น โดย 44% ขององค์กร ต้องดิ้นรนเพื่อค้นหาคนที่มีความสามารถในการจัดการกับความซับซ้อนของการทดสอบผลิตภัณฑ์ฉลาด

ความยั่งยืนในวิศวกรรมคุณภาพ

ด้วยความกังวลที่เพิ่มขึ้นเกี่ยวกับการเปลี่ยนแปลงสภาพภูมิอากาศและความรับผิดชอบต่อสิ่งแวดล้อม 58% ขององค์กร จัดลำดับความสำคัญของความยั่งยืนในการวางแผน QE ของตน อย่างไรก็ตาม เพียง 34% เท่านั้นที่ได้ดำเนินแนวปฏิบัติที่วัดผลกระทบต่อสิ่งแวดล้อมของกิจกรรมการทดสอบของตน สิ่งนี้เน้นย้ำถึงช่องว่างที่สำคัญระหว่างความตั้งใจและการดำเนินการ ซึ่งเน้นย้ำถึงความจำเป็นในการมีกรอบการทำงานที่แข็งแกร่งมากขึ้นเพื่อติดตามความพยายามด้านความยั่งยืน

องค์กรต่างๆ เริ่มสำรวจว่าวิศวกรรมคุณภาพสามารถมีส่วนร่วมในการนำ Green IT ไปใช้ได้อย่างไร โดยพื้นที่ต่างๆ เช่น การติดตามการบริโภคพลังงาน การวิเคราะห์ข้อมูลสิ่งแวดล้อม และการเพิ่มประสิทธิภาพสภาพแวดล้อมการทดสอบได้รับความสนใจ AI สามารถมีบทบาทสำคัญในการพยายามเหล่านี้ โดย 54% ของผู้ตอบแบบสอบถาม ระบุว่าการเพิ่มประสิทธิภาพการใช้พลังงานเป็นหนึ่งในการใช้งานที่มีคุณค่ามากที่สุดของ AI ในการตรวจสอบคุณภาพ

คำแนะนำหลักสำหรับอนาคต

รายงานให้คำแนะนำหลักๆ สำหรับองค์กรที่ต้องการอยู่ในระดับแนวหน้าของภูมิทัศน์วิศวกรรมคุณภาพที่เปลี่ยนแปลงไป:

1. ใช้ Gen AI สำหรับการอัตโนมัติ: เริ่มต้นการทดลองกับ Gen AI เพื่อปรับปรุงและเร่งกระบวนการอัตโนมัติการทดสอบ ความสามารถของ Gen AI ขยายออกไปนอกเหนือจากการสร้างสคริปต์ โดยให้โอกาสสำหรับระบบอัตโนมัติที่ปรับตัวได้เองซึ่งสามารถเพิ่มทั้งประสิทธิภาพและประสิทธิผล
2. ลงทุนในความสามารถด้าน QE: เพื่อให้ทันกระแส AI และการอัตโนมัติ องค์กรต่างๆ ต้องลงทุนในการเพิ่มทักษะให้กับวิศวกรคุณภาพของตน วิศวกรที่มีความสามารถเต็มรูปแบบที่สามารถทำงานทั่วทั้งชีวิตวงจรซอฟต์แวร์ได้กำลังเป็นที่ต้องการมากขึ้น
3. มุ่งเน้นไปที่เมตริกการแสดงผลทางธุรกิจ: เปลี่ยนจากเมตริกดั้งเดิม เช่น ประสิทธิภาพกระบวนการและการครอบคลุมการทดสอบ ไปสู่การเน้นย้ำว่าโครงการ QE ส่งผลกระทบต่อผลลัพธ์ทางธุรกิจ เช่น ความพึงพอใจของลูกค้าและความเติบโตของรายได้
4. พัฒนาแผนยุทธศาสตร์ด้านความยั่งยืน: นำกระบวนการที่ครอบคลุมมาใช้เพื่อวัดและลดผลกระทบต่อสิ่งแวดล้อมของกิจกรรม QE การรวมความยั่งยืนเข้ากับการทดสอบจะไม่เพียงแต่ส่งเสริมเป้าหมายความรับผิดชอบต่อสังคมขององค์กรเท่านั้น แต่ยังปรับปรุงประสิทธิภาพการทำงานได้อีกด้วย

สรุป

รายงานคุณภาพโลก 2024-25 วาดภาพอุตสาหกรรมที่อยู่บนจุดเปลี่ยนแปลง โดยได้รับแรงผลักดันจาก AI, การอัตโนมัติ และความยั่งยืน เมื่อองค์กรต่างๆ นำทางภูมิทัศน์ใหม่นี้ การใช้แนวทางที่มีวิสัยทัศน์ไปข้างหน้าในการวิศวกรรมคุณภาพจะเป็นสิ่งจำเป็นในการได้เปรียบในการแข่งขัน โดยการนำศักยภาพของ AI, ลงทุนในความสามารถ และจัดตำแหน่งการวางแผนคุณภาพให้สอดคล้องกับเป้าหมายทางธุรกิจ องค์กรต่างๆ จะสามารถเตรียมพร้อมสำหรับความท้าทายและโอกาสที่อยู่ข้างหน้าได้