IA générative et test logiciel : replay du webinaire Elitek

Le 13 juillet 2026, Elitek a consacré une heure à une question que se posent aujourd'hui toutes les équipes qualité : comment utiliser l'IA générative dans le test logiciel sans perdre la maîtrise de la qualité, du budget et de la conformité. Le webinaire était animé par EL Mehdi TMIMI, expert en test logiciel et en intelligence artificielle, avec une modération assurée par Safwen Khalloufi.

Une simulation chiffrée présentée en séance a résumé l'enjeu à elle seule : une organisation de plusieurs centaines de testeurs et développeurs, en usage quotidien intensif, peut voir sa facture de tokens grimper à plusieurs centaines de milliers de dollars par mois. L'IA générative fait gagner du temps, mais elle transforme une compétence en ligne de coût. Voici le replay et la synthèse complète de la session.

Au programme du webinaire

La session a suivi quatre temps, puis une séquence de questions et réponses :

pourquoi l'IA générative change le test logiciel, et ce que le référentiel ISTQB en dit ;
les cas d'usage concrets, activité de test par activité de test ;
les bases du prompt engineering, avec la structure d'un prompt réellement exploitable ;
les risques, les limites et les bonnes pratiques, démonstration à l'appui.

Le fil conducteur : l'IA générative n'est pas un gadget que l'on branche sur une équipe de test. C'est un outil supplémentaire, encadré par un référentiel, une analyse de risque et une validation humaine.

Pourquoi l'IA générative change le métier de testeur

Les grands modèles de langage reposent sur le traitement du langage naturel et l'apprentissage profond. Appliqués au test, ils donnent au testeur un moyen de tester plus vite et de tester mieux. Quatre bénéfices ont été mis en avant pendant la session :

une meilleure couverture de test, en particulier sur les exigences mal couvertes ;
la mise en place de tests auto-réparateurs, qui résistent aux changements d'interface ;
la génération de jeux de données de test ;
la maintenabilité des scripts automatisés, souvent le vrai point de douleur des équipes.

Le point important, martelé pendant l'heure : l'IA ne remplace ni le testeur ni le test manager. Elle déplace leurs responsabilités. Le testeur gagne un binôme capable de relire son travail et de challenger ses angles morts. Le test manager, lui, s'appuie sur l'IA pour le reporting et l'analyse de données. Dans les deux cas, ce sont de nouvelles compétences à acquérir, pas un poste à supprimer. Si vous venez du test manuel, le sujet rejoint directement celui du passage à l'automatisation.

Les cas d'usage concrets, activité par activité

Pour qui a suivi une certification ISTQB Foundation, la grille est familière : toutes les activités du processus de test peuvent aujourd'hui être assistées par l'IA générative.

Dans la phase d'analyse

L'IA sert de moteur de test statique. Elle relit la base de test et fait remonter les omissions, les ambiguïtés et les incohérences des exigences. Elle aide aussi à identifier les conditions de test, à alimenter une approche de test basé sur les risques et à optimiser la couverture des exigences.

Dans la phase de conception et d'implémentation

L'IA assiste la priorisation des cas de test, la génération de scénarios, l'écriture de scripts automatisés sur différents frameworks et la création des fichiers d'intégration. Un rappel de cadrage a été fait ici : chaque cas d'usage doit rester conforme au règlement européen sur l'intelligence artificielle, et faire l'objet d'une analyse de risque. Certains usages, comme la surveillance biométrique des personnes, sont restreints en Europe.

Une fois le prototype validé, l'objectif devient l'industrialisation à grande échelle. C'est là que la question du coût, abordée plus bas, devient structurante.

Trois façons d'intégrer l'IA dans une chaîne de test

Le webinaire distingue trois voies, du plus artisanal au plus autonome :

Le prompt engineering direct, c'est-à-dire le dialogue avec un modèle depuis une interface de conversation. C'est le point d'entrée de la plupart des équipes.
L'intégration dans l'outillage de gestion de test, où l'IA est branchée dans l'outil que l'équipe utilise déjà, ce qui évite les allers-retours et les copier-coller hasardeux.
Les agents IA, capables de dérouler des étapes de test et d'interagir directement avec les interfaces.

Sur ce dernier point, la mise au point est nette : les agents savent rejouer des étapes définies, mais ils ne savent pas encore faire du test exploratoire. Le test exploratoire mobilise de l'expérience, de l'intuition métier et une capacité à sortir du script, que les modèles n'ont pas. Le testeur doit donc conserver son expertise métier, ne serait-ce que pour évaluer ce que l'IA lui renvoie. C'est exactement la ligne de partage que nous décrivions dans notre analyse des agents IA en entreprise, entre promesses et limites.

Comprendre le moteur avant d'écrire le prompt

Une partie de la session a été consacrée au fonctionnement interne des modèles, parce qu'on ne pilote pas correctement un outil dont on ignore la mécanique.

Tokenisation et vectorisation. Le texte est découpé en tokens, puis projeté sous forme de vecteurs porteurs d'une logique sémantique. Conséquence pratique montrée en direct : reformuler un prompt fait varier le nombre de tokens consommés. Un prompt mieux écrit coûte moins cher et répond plus vite.

La fenêtre contextuelle. C'est la limite de tokens utilisables dans une conversation. Elle contient quatre choses : le prompt système, le prompt utilisateur, l'historique de la conversation et les nouvelles réponses. Quand la fenêtre sature, le modèle perd le contexte. Il faut alors savoir repartir sur une nouvelle conversation plutôt que de s'acharner.

Le RAG plutôt que le fine-tuning. Pour donner au modèle une connaissance métier durable sans le coût prohibitif d'un réentraînement, les équipes s'appuient sur la génération augmentée par récupération, qui joue le rôle de réservoir de connaissances externe.

La structure d'un prompt efficace

C'est le cœur du webinaire, et la partie la plus directement réutilisable. Un prompt exploitable en contexte professionnel comporte six composantes.

Composante	Ce qu'elle apporte
Le rôle	Le persona endossé par le modèle, par exemple test analyst sur une application bancaire.
Le contexte	Le système, le domaine métier, les enjeux réglementaires.
L'instruction	La tâche précise à réaliser, formulée sans ambiguïté.
Les données d'entrée	Les exigences, les spécifications, les jeux de données. À joindre en pièce jointe plutôt qu'à coller en vrac.
Les contraintes	Les contraintes légales, réglementaires et techniques à respecter.
Le format de sortie	Le livrable attendu, du fichier texte au tableur.

Trois techniques de prompting sont ensuite mobilisées, conformément au syllabus ISTQB dédié à l'IA générative :

le prompting simple, en zero-shot, one-shot ou few-shot, principalement pour cadrer le format de la sortie ;
l'enchaînement de prompts, pour décomposer une tâche complexe en étapes successives ;
le métaprompting, qui consiste à faire travailler l'IA en binôme sur la qualité du prompt lui-même.

Un prompt validé ne doit pas rester dans l'historique d'un poste de travail. Il se range dans une bibliothèque de prompts, versionnée et partagée. Pour aller plus loin sur cette discipline, notre guide sur le prompt engineering et les prompts fiables au travail détaille la méthode.

La démonstration : des exigences bancaires aux cas de test

La démonstration a déroulé une chaîne complète sur un cas d'application bancaire, en s'appuyant sur les normes du métier plutôt que sur l'improvisation.

Revue des exigences. En demandant au modèle d'appliquer la norme ISO 20246 sur les revues et le modèle de qualité ISO 25010, l'IA identifie les incohérences, les ambiguïtés et les informations manquantes des exigences, sans réécrire le document original.
Génération des conditions de test. Nouvelle tâche, nouvelles contraintes : le modèle de qualité ISO 25010 pour les caractéristiques fonctionnelles et non fonctionnelles, et la série ISO 29119 pour les livrables de test. Sortie demandée en tableur.
Matrice de couverture. Le fichier produit croise exigences, sous-exigences, conditions de test extraites, réglementation applicable, priorité et technique de conception de test.
Génération des cas de test. Sur une exigence ciblée, avec des contraintes explicites de technique boîte noire et de conformité à la protection des données. Le modèle retient de lui-même la table de décision comme technique de conception.

La leçon de la démonstration tient en une formule répétée en séance : garbage in, garbage out. La qualité de la sortie dépend directement de la qualité des données d'entrée. Un prompt riche adossé à des exigences propres produit une matrice exploitable. Un prompt vague produit du bruit convaincant.

Risques, sécurité et coûts : la partie que personne ne doit sauter

Les erreurs propres aux modèles

Hallucinations, biais inappropriés, erreurs de raisonnement : les modèles se trompent avec assurance. D'où le principe du Human in the Loop, une validation humaine à chaque étape. Sans expertise métier pour relire, une erreur non détectée finit en production. C'est précisément la valeur que le testeur conserve.

La confidentialité des données

Même sur un abonnement entreprise, les données envoyées à un modèle doivent être anonymisées ou masquées. Les outils de gestion des données de test servent à cela. Envoyer des données de production réelles à une IA, c'est ouvrir une brèche de sécurité. Le sujet est développé dans notre article sur les données confidentielles et ce qu'il faut mettre dans un prompt.

La sécurité des modèles eux-mêmes

Le projet OWASP publie un top 10 des vulnérabilités propres aux applications à base de grands modèles de langage : injections de prompt, empoisonnement des données, entre autres. Ces vulnérabilités se testent, et elles se testent en amont.

Le coût des tokens

C'est l'angle mort de la plupart des projets. La consommation de tokens est une ligne budgétaire à part entière, qui se surveille comme on a appris à surveiller la facture cloud. La simulation présentée en séance, sur une organisation de plusieurs centaines de personnes en usage quotidien intensif, débouchait sur un ordre de grandeur de plusieurs centaines de milliers de dollars par mois. Sans pilotage de cette consommation, le retour sur investissement attendu disparaît.

Se certifier : deux voies ISTQB, à ne pas confondre

Le référentiel ISTQB propose deux certifications qui traitent d'intelligence artificielle, et la confusion entre les deux est fréquente.

Tester avec l'IA générative : comment se servir de l'IA générative pour réaliser des activités de test. C'est le sujet du webinaire, et son orientation est résolument pratique. La formation ISTQB CT-GenAI se déroule sur deux jours, théorie et pratique.
Tester des systèmes d'IA : comment tester une application qui embarque de l'intelligence artificielle. L'approche est plus académique. C'est l'objet de la certification ISTQB testeur en intelligence artificielle, dont le syllabus existe en deux versions qui se chevauchent, la version 2 ayant été publiée en avril 2026.

Côté examen, la certification consacrée au test avec l'IA générative compte 40 questions à traiter en 60 minutes, avec un seuil de réussite fixé à 65 pour cent. Un tiers-temps de 25 pour cent est prévu lorsque la langue de l'examen n'est pas la langue maternelle du candidat, ainsi que pour les personnes en situation de handicap disposant d'une reconnaissance valide.

Le prérequis est le même dans les deux cas : la certification ISTQB Foundation. Les modules avancés supposent par ailleurs une expérience réelle du test logiciel, de l'ordre de six mois minimum. Si vous démarrez, commencez par préparer l'examen ISTQB Foundation, puis regardez ce que ces spécialisations changent concrètement sur le salaire d'un testeur certifié en France.

Comment Elitek vous accompagne

Elitek est un organisme de formation certifié Qualiopi, basé à Paris, spécialisé dans l'informatique, le test logiciel et l'intelligence artificielle. Les formations se déroulent en présentiel, en distanciel ou en format hybride, selon le besoin des équipes.

Sur le périmètre couvert par ce webinaire :

la formation ISTQB CT-GenAI, pour utiliser l'IA générative dans vos activités de test, sur deux jours ;
la formation ISTQB testeur en intelligence artificielle, pour tester des systèmes qui embarquent de l'IA ;
la certification ISTQB Foundation, prérequis indispensable aux deux précédentes ;
la certification ISTQB Test Automation, pour industrialiser l'automatisation ;
la certification ISTQB Test Manager, pour piloter une stratégie de test à l'échelle.

L'examen de certification se commande à l'issue de la formation. Pour une vue d'ensemble du parcours, consultez notre guide complet de la formation au test logiciel ou l'ensemble du domaine test et assurance qualité.

FAQ

L'IA générative va-t-elle remplacer les testeurs ?

Non. Le webinaire est explicite sur ce point : l'IA générative ne remplace ni le testeur ni le test manager, elle leur donne un outil supplémentaire et de nouvelles compétences à acquérir. Les agents IA savent dérouler des étapes de test définies, mais ils ne savent pas faire de test exploratoire, qui repose sur l'expérience et l'intuition métier. Surtout, une expertise humaine reste indispensable pour valider les sorties du modèle et détecter ses erreurs.

Quelles sont les six composantes d'un prompt efficace en test logiciel ?

Un prompt exploitable comporte le rôle endossé par le modèle, le contexte du système et du domaine, l'instruction précise à réaliser, les données d'entrée, les contraintes légales et techniques à respecter, et le format de sortie attendu. Les données d'entrée, comme les exigences, doivent être jointes en pièce jointe plutôt que collées en vrac dans la conversation.

Quelle est la différence entre les deux certifications ISTQB liées à l'IA ?

La certification consacrée au test avec l'IA générative porte sur l'utilisation de l'IA pour réaliser des activités de test, avec une orientation pratique et une formation de deux jours. La certification de testeur en intelligence artificielle porte sur le test des systèmes qui embarquent de l'IA, avec une approche plus académique. Les deux ont la certification ISTQB Foundation pour prérequis.

Comment se déroule l'examen de la certification ISTQB CT-GenAI ?

L'examen comporte 40 questions à traiter en 60 minutes, avec un seuil de réussite fixé à 65 pour cent. Un tiers-temps de 25 pour cent est accordé lorsque la langue de l'examen n'est pas la langue maternelle du candidat, ainsi qu'aux personnes en situation de handicap disposant d'une reconnaissance valide. La certification ISTQB Foundation est un prérequis.

Peut-on envoyer des données de production à une IA générative ?

Non. Même avec un abonnement entreprise, les données confidentielles doivent être anonymisées ou masquées avant tout envoi à un modèle, à l'aide d'outils de gestion des données de test. Envoyer des données réelles revient à ouvrir une brèche de sécurité pour l'entreprise. C'est une règle non négociable rappelée pendant le webinaire.

Comment maîtriser le coût d'un usage de l'IA générative en test ?

En surveillant la consommation de tokens comme une ligne budgétaire à part entière. Un prompt mieux écrit consomme moins de tokens et répond plus vite. À l'échelle d'une grande organisation en usage quotidien intensif, la facturation peut atteindre plusieurs centaines de milliers de dollars par mois, ce qui annule le retour sur investissement si la consommation n'est pas pilotée.

IA générative et test logiciel : le replay du webinaire