EXANTE élargit ses tests avec l’IA, sans lui céder la main

EXANTE structure son usage de l’intelligence artificielle dans les tests de sa plateforme de courtage internationale. L’entreprise applique cette méthode à son terminal de négociation pour ordinateur, à son terminal web et à ses applications mobiles. Dzianis Talstsiuk, ingénieur qualité chargé de ces produits, décrit l’IA comme un partenaire de travail pour les testeurs. EXANTE ne lui confie pas la décision finale sur la qualité. L’objectif déclaré consiste à élargir la couverture des tests et à accélérer les mises en production. Une erreur d’affichage dans un carnet d’ordres peut entraîner une perte pour un client. Un ordre bloqué dans un état non résolu peut aussi créer un risque financier et réglementaire. Lire l’analyse d’EXANTE.

La pile technique combine Python et pytest pour les tests automatisés. EXANTE utilise Playwright pour son terminal web. Pour l’application de bureau, l’équipe associe OpenCV, EasyOCR et PyAutoGUI. Des outils d’Anthropic et d’OpenAI complètent cette architecture. L’entreprise n’a pas simplement ajouté une extension à son environnement existant. Elle a défini des points de contrôle entre l’analyse des exigences, le développement, les tests et la mise en production. La méthode repose aussi sur une approche dite « shift-left ». L’équipe qualité intervient dès que le responsable produit a fixé les exigences. Elle n’attend donc pas qu’une tâche arrive dans la colonne des tests. Cette organisation place la vérification plus tôt dans le cycle logiciel.

EXANTE déplace la qualité en amont

Les exigences passent d’abord par un modèle de langage. Celui-ci vérifie leur complétude, leur cohérence et les cas limites non traités. EXANTE ajoute son propre contexte grâce à des guides internes et aux retours précédents. Une connexion au Model Context Protocol donne également accès à la documentation interne. L’analyse produit une liste de contrôle. Les développeurs doivent la valider avant de transmettre la fonctionnalité à l’équipe qualité. Les exigences clarifiées servent ensuite à générer des cas de test. Ces cas sont liés automatiquement à Jira et aux outils de gestion des tests. Le processus formalise ainsi le passage entre besoin produit, développement et vérification. Il ne transforme pas la sortie du modèle en validation définitive.

Les usages utiles concernent notamment la génération de squelettes de tests, la refactorisation de code répétitif et l’identification de motifs de débogage. L’IA sert aussi à écrire des utilitaires complémentaires. EXANTE identifie toutefois plusieurs limites techniques. Les échecs silencieux représentent le risque le plus délicat. Un agent peut fournir une réponse incomplète ou incorrecte avec assurance, sans signaler d’incertitude. Les objets de page complexes demandent encore des corrections manuelles. Il en va de même pour l’automatisation du glisser-déposer, les assertions négatives et la correspondance de modèles avec reconnaissance optique. Ces limites expliquent le maintien d’une revue humaine sur chaque résultat produit.

Les testeurs gardent la validation finale

La base documentaire d’EXANTE repose sur deux fichiers d’index nommés CLAUDE.md et MEMORY.md. Elle est organisée en cinq catégories : processus, intégrations, formats, méthodologie et retours. L’équipe ajoute des commandes slash, des sous-agents et des serveurs MCP. Une commande appelée « council » fait intervenir plusieurs agents indépendants sur une même exigence, un cas de test ou un morceau de code. Cette comparaison vise à faire apparaître davantage de lacunes avant les étapes plus coûteuses. Le pipeline produit néanmoins un brouillon, et non un résultat final. Les équipes qualité examinent chaque sortie générée. Dzianis Talstsiuk présente donc l’IA comme un collègue, plutôt que comme un auteur. EXANTE détaille aussi son approche dans son billet consacré aux tests par IA.