AI sinh test xong rồi — làm sao biết nó SAI? Sổ tay kiểm chứng output AI cho QA

🚀 Thiết lập trong 6 bước

Mất khoảng 10-15 phút lần đầu, sau đó chỉ việc dùng.

1. 1
   Kiểu 1 — Bịa dữ kiện (số, ID, nguồn không có trong đầu vào)

   AI hay 'điền vào chỗ trống' bằng dữ kiện nghe hợp lý nhưng không có trong đầu vào: một con số ngưỡng, một mã lỗi, một trích dẫn tài liệu. Cách bắt: truy nguồn từng dữ kiện — mỗi số / ID / quy tắc trong output phải chỉ ra được nó lấy từ dòng nào của đầu vào. Không truy được = nghi bịa, đánh dấu 'cần xác nhận' rồi hỏi lại BA/dev.
2. 2
   Kiểu 2 — Kết quả mong đợi mơ hồ hoặc sai

   Những câu kiểu 'hệ thống hoạt động đúng', 'hiển thị phù hợp' nghe xuôi tai nhưng không kiểm được. Cách bắt: với mỗi case, hỏi 'làm sao biết nó đúng?'. Nếu không trả lời được bằng một điều quan sát được (thấy chữ X, chuyển sang trang Y, trả về mã Z) thì kết quả mong đợi đó vô dụng. Luôn đối chiếu lại requirement gốc.

   Xem cách viết kết quả mong đợi rõ ràng →
3. 3
   Kiểu 3 — Sót tổ hợp, giá trị biên, nhánh âm tính

   AI liệt kê happy path rất tốt, nhưng hay sót: tổ hợp nhiều điều kiện cùng lúc, giá trị biên (ngay trên/dưới ngưỡng), trường hợp âm tính hiếm. Cách bắt: soi lại bằng checklist kỹ thuật thiết kế test (phân vùng tương đương, giá trị biên, bảng quyết định) và hỏi thẳng 'còn thiếu dạng nào'. Đừng coi danh sách AI đưa ra là đã đủ.

   Checklist 7 nhóm soát không lọt case →
4. 4
   Kiểu 4 — Test "xanh" giả (assertion yếu, luôn pass)

   Nguy hiểm nhất với automation: test chạy qua hết nhưng assertion quá lỏng (chỉ kiểm 'có phần tử nào đó', không kiểm đúng nội dung) nên không bao giờ đỏ — vô dụng mà tưởng an toàn. Cách bắt: cố tình làm sai rồi xem test có đỏ không — đổi một chữ trong app, bỏ một bước, cho dữ liệu sai. Test không đỏ khi đáng lẽ phải đỏ = test rởm, phải siết assertion.
5. 5
   Kiểu 5 — Gộp nguồn cũ/mới thành câu trả lời mượt nhưng sai

   Khi đọc nhiều trang tài liệu hoặc nhiều file code, AI hay trộn thông tin từ phiên bản cũ và mới thành một câu trả lời trôi chảy nhưng lệch thực tế. Cách bắt: với mỗi kết luận quan trọng, hỏi 'lấy từ trang/file nào' rồi mở đúng nguồn đó đối chiếu. Ưu tiên nguồn có ghi ngày tháng / phiên bản.

   Xem cách bắt mâu thuẫn giữa các trang tài liệu →
6. 6
   Kiểu 6 — Tự tin sai ở vùng code phức tạp

   Với code bất đồng bộ, hàng đợi, race condition, múi giờ, AI hay trace sai nhưng vẫn trình bày chắc nịch. Cách bắt: ở những vùng rủi ro cao (thanh toán, xác thực, đồng bộ dữ liệu), không dùng output AI làm kết luận — coi nó là giả thuyết, tự đọc code và hỏi dev để xác nhận trước khi đưa vào test plan.

   Xem cách trace luồng nghiệp vụ qua code →

🔍 2 prompt — kèm chỗ AI hay sai cần bắt

AI sinh kết quả chỉ trong vài giây — việc của bạn là kiểm lại. Mỗi prompt kèm ví dụ kết quả và 🔍 Góc soi lỗi của Tester (chỗ AI hay sai, nên xem trước khi dùng). Bấm Copy → dán vào Claude Code / ChatGPT.

Dưới đây là đầu vào và một output bạn vừa tạo. Hãy rà lại chính output đó và lập bảng: Dữ kiện | Lấy từ đâu trong đầu vào (trích dòng) | Hay do bạn tự suy diễn/giả định. Đánh dấu rõ những dữ kiện KHÔNG có trong đầu vào để tôi xác minh. Không bào chữa, không thêm dữ kiện mới.

[DÁN ĐẦU VÀO + OUTPUT CẦN SOI VÀO ĐÂY]

Dưới đây là một output bạn vừa tạo. Giả sử bạn là một QA khó tính review lại nó: chỉ ra 3-5 chỗ dễ sai hoặc rủi ro nhất, mỗi chỗ nói rõ vì sao đáng nghi và tôi nên kiểm gì để xác nhận. Xếp theo mức rủi ro giảm dần.

[DÁN OUTPUT CẦN SOI VÀO ĐÂY]