纯手动测试岗位确实在缩水，但具备判断力的测试专家反而更吃香了

最近在公司推行 AI 落地这两年，我最深刻的感受是：行业内关于“手动测试是否被 AI 取代”的讨论方向错了。其实并不是某种技术替代了某种岗位，而是测试能力的价值维度发生了迁移。纯粹靠“点点点”执行的岗位在消失，但能够定义测试范围、把控质量风险的测试专家，其议价能力反而提升了。

我们可以看一个非常典型的场景：在传统的回归测试周期里，如果一个项目有 500 个核心用例，可能需要 5 个测试员花一周时间手动跑一遍。而现在，一个懂业务、有判断力的核心测试，配合一套成熟的自动化脚本，可能在几个小时内就完成了同样的覆盖。这对剩下的那个人来说是效率的飞跃，但对于被替代的那四个执行者来说，确实很残酷。

这种变化并非 AI 突然之间进化到了能独立接管质量保证，而是三个趋势叠加的结果。首先是回归执行的自动化，这其实已经持续了十几年，重复性工作被干掉是必然。其次是文档产出的低成本化，以前撰写详细的测试用例和测试计划是很多人的“护城河”，但现在利用大模型，几秒钟就能出一个中等质量的草稿，文档本身不再具备竞争壁垒。最后是自动化门槛的降低，现在的 Playwright 在安装配置和 API 设计上比当年的 Selenium 好上手太多，如果一个测试员仅仅是会写简单的 UI 脚本，这在今天已经不算核心竞争力了。

然而，在实际操盘中，AI 依然有明显的“死穴”。它无法感知用户心理，比如某个按钮偏移了 2 像素，在支付页面可能会引发用户的信任焦虑，导致转化率下降，这种细微的感知 AI 无法量化。更重要的是，AI 不知道在成千上万个测试用例中，哪些才是真正决定系统生死、必须优先执行的。最核心的 Bug 往往藏在系统缝隙里，比如 Webhook 的重复触发导致的数据幂等性问题，或者复杂的时区转换错误，这些都需要极强的业务洞察力和经验积累。

对于目前还处于纯手动岗位的同学，我建议不要空谈“学习自动化”这种虚词，而应该走一条可量化的实操路径。

首先，深挖一门语言。不要只看视频教程，建议选择 Python 或 TypeScript，尝试用它去解决一个实际的、没见过的问题。其次，建立可证明的实操成果。在 GitHub 上建立一个自己的 Repo，尝试针对某个公开网站搭建一个小型测试框架，这种代码提交记录比任何培训证书都有说服力。

此外，要把现在的日常工作“技术化”。不要习惯于只在 UI 界面发现 Bug 然后提交，尝试去读服务器日志，分析数据库 Schema，尝试通过直接调用 API 接口来复现 Bug，这样你才能从“执行层”跃迁到“分析层”。

最后，把 AI 当成协作助手而非神谕。在利用 AI 生成代码或用例时，刻意去分辨其输出结果中的错误部分。这种“纠错能力”本质上是对测试知识储备的深层要求。

总结来说，手动测试作为一项“技能”正在升值，因为在这个 AI 泛滥的时代，人类的判断力变得极其稀缺；但作为个“岗位名称”，它确实在贬值。你的核心价值究竟在于“执行”还是“判断”？这决定了你是被替代，还是变得不可或缺。