Le contexte
Le SI gère, suit et instruit l'ensemble des dossiers de financement portés par des fonds européens au service des politiques publiques. L'enjeu est simple à énoncer, redoutable à tenir : chaque euro doit être tracé, justifié et contrôlé, jusqu'aux appels de fonds transmis à la Commission européenne.
Tester ce SI n'a rien d'anodin. Créer un seul dossier complet (contexte, participants, plan de financement, instruction, conventionnement, bilan, contrôle de service fait.. ) représente +810 actions, encadrées par des validations en cascade et des contrôles de gestion bloquants. Chaque sprint exige une trentaine de jeux de données, toujours plus complexes à mesure que l'application s'enrichit.
Le point de rupture
Début 2024, l'équation devient intenable. L'équipe de 4 testeurs consacre un tiers de son temps à la seule création manuelle des jeux de données. La fenêtre d'exécution en recette passe de 3 à 2 semaines.
Le constat des équipes est sans ambiguïté : ce n'est pas un problème de compétences, c'est un problème de temps.
Notre défi sur ce projet ? Transformer un robot Playwright en un robot hybride intelligent, à la fois créateur de données et contrôleur automatisé. Un retour d’expérience terrain qui montre comment l’IA peut devenir un levier de compétitivité puissant.
La solution : un robot qui a grandi en trois étapes
1. Automatiser la création des jeux de données
Pour faire face à l'augmentation des cycles de recette, les équipes ont d'abord automatisé la création des jeux de données de test. Grâce à un premier robot développé sous Robot Framework, plus de 800 opérations de saisie ont été automatisées, réduisant le temps de préparation d'un jeu de données d'1 heure à 10 minutes. Un premier gain majeur en productivité qui a permis d'absorber l'augmentation de la charge de tests.
2. Accélérer la migration grâce à l'IA générative
L'évolution de l'application vers une architecture web moderne a nécessité la migration des scripts d'automatisation vers Playwright. Pour éviter une réécriture longue et coûteuse, l'équipe s'est appuyée sur l'IA générative pour analyser les scripts existants, produire automatiquement le nouveau code puis le faire valider par les experts. Résultat : une migration réalisée en 2 jours au lieu de 10, tout en conservant la qualité des automatisations.
3. Faire évoluer les tests vers un contrôle intelligent
L'automatisation ne se limite plus à la préparation des données : elle devient un véritable outil de contrôle qualité. À chaque sprint, le robot vérifie automatiquement 375 données financières critiques et détecte les écarts de calcul. Les règles métier sont décrites par les testeurs, l'IA génère les scripts de vérification et les experts en valident le contenu. Cette collaboration entre IA et expertise humaine permet d'accélérer la production des tests tout en garantissant leur fiabilité.
Les résultats : la qualité mesurée, sprint après sprint
-
÷5
Temps de création d'un jeu de données
-
4 j/h
Libérés par sprint pour l'équipe de test
-
×5
Couverture des tests de non-régression
