40％ 的团队目前已有超过一半的生产环境代码由 AI 编写，44％ 的团队发现更多缺陷进入生产环境，而仅有 41％ 的团队会在合并前对 AI 编写的代码进行自动化检查

印度诺伊达和旧金山2026年11月14日 美通社 －－ 智能体 AI 质量工程平台 TestMu AI（前身为 LambdaTest）今日发布《State of AI in Quality Engineering 2026》报告。报告发现，81％ 的软件团队已合并自己未完全理解的 AI 生成代码或测试；随着 AI 编写的代码增多，44％ 的团队表示，漏检缺陷或生产环境事故有所增加。AI 如今已负责编写大量代码和测试，但大多数团队仍在生成后交由人工核验，或使用另一个 AI 模型检查。

97％ 的受访团队目前已在测试中使用 AI，或计划采用 AI。对于大多数团队而言，如何在发布前验证 AI 生成的代码和测试，仍是尚待解决的问题。

《 State of AI in Quality Engineering 2026》报告的主要发现：

• 验证缺口：仅有 41％ 的团队会在合并前对 AI 编写的代码进行自动化检查；大多数团队依赖人工审查（55％），或在代码编写完成后交由质量保证（QA）团队处理（51％）。未单独运行持续集成（CI）测试的团队中，有 49％ 出现漏检缺陷增加的情况；开展此类测试的团队中，这一比例为 38％。
• 开发者面临的风险最高：93％ 的开发者已合并自己未完全理解的 AI 输出。
• 让 AI 评判 AI，进一步扩大验证缺口：使用一个模型为另一个模型评分（LLM－as－a－judge）的团队中，有 29％ 经常合并自己并不理解的 AI 输出，约为其他团队（15％）的两倍。对于 AI 生成的测试，“几乎正确，但仍有偏差”这类情况所占比例的中位数为 65％。
• AI 智能体依赖人工审核及演示作为发布依据：77％ 的团队正在构建需要测试的 AI 智能体，但其中 37％ 没有系统化的评估方法，只有 28％ 会让用户刻意尝试使智能体出错，以测试其表现。
• 预算偏重生成，较少用于验证：50％ 的团队将大部分 AI 测试预算用于生成 AI 输出，而将大部分预算用于验证输出的团队仅占 17％。
• 很少有团队做好应对 AI 错误的准备：仅有 13％ 的团队制定了应对 AI 错误的应急响应预案。

“软件团队如今依赖 AI 编写代码、生成测试，并越来越多地依赖 AI 判断代码和测试是否已达到发布要求。然而，验证工作并未跟上这一转变。我们认为，AI 产生的任何输出，都应在合并前以及每次变更时，交由独立于生成模型的系统进行验证。遵循这一原则的受访团队，进入生产环境的缺陷更少。我们预计，这将成为借助 AI 交付软件的工程团队的标准做法。”TestMu AI 联合创始人兼首席执行官 Asad Khan 表示

在此阅读报告：testmuai.comresearchstate－of－ai－in－quality－engineering。

关于 TestMu AI

TestMu AI（前身为 LambdaTest）是一个智能体 AI 质量工程平台，为企业及真实应用场景中的 AI 部署提供质量保障。该平台在 5,000 多个浏览器及 50,000 多台真实设备上，对 Web 和移动应用开展智能体驱动的测试，同时为聊天、语音、交互式语音应答（IVR）、视频及图像智能体提供此类测试。如需了解更多信息，请访问 www.testmuai.com。

媒体联系人

Nikhil Saxena
TestMu AI 企业传播经理
nikhils＠testmuai.com ＋91 98709 81968