Ручное тестирование + ИИ как рабочий инструмент. Каждый навык проходит цикл: самостоятельно → с ИИ → проверка → доказательство → ваше решение.
Первый проверенный артефакт — уже на первой неделе.
Мы не обещаем трудоустройство — мы даём навыки и артефакты, которые можно подтвердить на собеседовании.
Это баг-репорт: так вы докажете разработчику, что ошибка есть. Такие артефакты вы будете сдавать каждую неделю.
Если хотя бы два пункта — про вас, дальше будет по делу.
Курсы учат тестированию так, будто на дворе 2020-й. Про ИИ — один вебинар в конце, а работодатель уже спрашивает, как вы работаете с ним каждый день.
После курса на собеседовании просят показать, что вы реально делали. Показать нечего: сертификат и конспекты — это не портфолио.
ChatGPT пишет тест-кейсы за секунды — и непонятно, зачем тогда junior. Затем, что кто-то должен найти, где он врёт. Этому нигде системно не учат.
Самостоятельное обучение — это 30 вкладок, случайные ролики и ноль обратной связи. Непонятно, что вы уже умеете, а что только кажется.
ИИ не изучается отдельно от профессии. Каждая компетенция — от тест-дизайна до SQL — проходит один и тот же цикл:
Решаете задачу без ИИ — фиксируете свой baseline.
Та же задача с моделью: быстрее, шире, с черновиками.
Сверяете результат с источником истины: контрактом, данными, логом.
Скриншот, HAR, запрос, запуск — вывод подтверждён фактом.
Что принять, что отклонить, что исправить — решаете вы.
// хорошо оформленный AI-ответ без понимания не засчитывается — это правило курса
Это AI-журнал: студент поймал модель на выдуманном endpoint и задокументировал проверку. Ровно этим junior-AI-native отличается от «умею промптить».
Не «видео + тест», а последовательность модулей с обязательной практикой и защитой. Раскройте модуль, чтобы увидеть, что нужно сдать.
Этап 1–2 · недели 1–7 · вход в профессию и база ручного QA
Рабочая среда, источники истины, как устроена LLM на прикладном уровне: галлюцинации, устаревшие знания, выдуманные ссылки. Правила безопасности: NDA, персональные данные, токены. Первая задача — сначала без ИИ, потом с ним, с фиксацией разницы.
hard gate → ✓ можете показать свой вклад, назвать источник истины и объяснить, как проверяли AI-ответ
Уровни и виды тестирования, smoke/sanity/retest/regression, SDLC и STLC, Agile-процессы, роли в команде, среды и релизный цикл. ИИ — генератор гипотез о рисках, которые вы учитесь фильтровать от шума.
hard gate → ✓ объясняете связь проверки с риском, не путаете retest с regression
Техники тест-дизайна: классы эквивалентности, границы, таблицы решений, состояния и переходы, pairwise. Исследовательское тестирование по charter. ИИ извлекает утверждения из требований и расширяет ваш набор — вы удаляете неподтверждённые сценарии.
hard gate → ✓ каждая существенная проверка привязана к требованию или риску; вы знаете, где покрытие заканчивается
Чек-листы, тест-кейсы, матрица трассируемости, severity/priority, жизненный цикл дефекта, TMS-прогоны, quality report. ИИ — редактор черновиков; вы ищете в них непроверяемые шаги и выдуманные детали.
hard gate → ✓ дефекты воспроизводимы, документация без придуманных root cause; первый прогон и 3+ доказательных баг-репорта сданы
Этап 3 · недели 8–13 · техническая база ручного QA
Путь запроса от клика до ответа сервера, DOM, DevTools: Elements, Console, Network, Application. Cookies и storage, валидация форм, адаптивность и базовая доступность. ИИ анализирует сохранённые HAR и ошибки — только по фактическим данным.
hard gate → ✓ показываете факт, на котором основан вывод, и честно говорите, когда данных недостаточно
Методы и коды ответов, JSON и схема, OpenAPI как источник истины, Postman-коллекции с тестами, Basic/Bearer/JWT/OAuth 2.0, негативные проверки и права доступа. ИИ генерирует запросы строго по контракту — вы ищете выдуманные endpoints и поля.
hard gate → ✓ коллекция запускается повторно, тесты связаны с контрактом, различаете ошибку запроса, прав и сервера
SELECT → JOIN → GROUP BY, проверка дублей и статусов, связь UI–API–база. Интеграции, mock и webhook, логи с correlation ID, Kafka и CI/CD на концептуальном уровне, regression pack по diff задачи. ИИ пишет SQL по реальной схеме и суммаризирует логи со ссылками на строки.
hard gate → ✓ объясняете каждый запрос и не выдаёте гипотезу по логам за установленную причину
Этап 4–5 · недели 14–15 · расширение кругозора и AI-native workflow
Прерывания, сети и offline, device matrix, эмулятор, ADB и logcat на уровне знакомства. Производительность, безопасность, доступность — как риски, которые junior называет, а не «покрывает».
hard gate → ✓ указываете устройство и состояние приложения; выводы ограничены фактическими данными
Context engineering, структурированный вывод, библиотека проверенных промптов, AI-review по рубрике, простая QA-утилита, agentic workflow с журналом действий и подтверждением изменений. Замер эффекта: время, полнота, число исправлений.
hard gate → ✓ workflow воспроизводится другим человеком, а заявленная польза подтверждена замером «до и после»
Этап 6 · неделя 16 · подтверждение готовности
Финальная приоритизация рисков, quality report, аудит AI-журнала, практическая задача по неизвестной фиче, самопрезентация проекта. Порог финала — 80% по рубрике, и вы должны объяснить каждое решение сами.
hard gate → ✓ ≥80% по финальной рубрике + выполнение практической задачи по незнакомой фиче
Не «знания и уверенность», а конкретные файлы, которые можно открыть на собеседовании.
И главное — способ думать: сначала источник истины, потом вывод; сначала доказательство, потом баг-репорт; ИИ — инструмент, решение — ваше. Это и есть профессия, а не набор инструментов.
Вместо этого показываем то, что подделать нельзя: саму программу и её правила.
Полный роадмап: 10 модулей, темы, обязательная практика и артефакты каждой недели. Веса оценки (45 / 25 / 15 / 15), пороги 70% и 80%, правила пересдач.
Плотность программы — сама по себе аргумент. Запросите PDF через форму и сравните с любым другим курсом.
После первого потока опубликуем реальные артефакты выпускников — с их разрешения.
Есть работа по 10–12 часов в неделю, проверка каждого артефакта и защита решений — ровно то, что делает ваше портфолио убедительным на отборе.
Гарантий оффера нет — есть системная подготовка к реальному отбору. Она встроена в программу, а не приклеена вебинаром в конце.
К неделе 16 у вас есть то, что реально смотрят на отборе:
Финальный модуль — это тренировка собеседования, а не выпускной:
Вы выходите junior ручным QA с планом развития. Дальше — отдельные треки по мере роста:
// мы сознательно не запихиваем всё это в 16 недель: сначала — уверенная база ручного QA, потом — специализация
Нас двое, мы соавторы: программу, задания и проверку работ делаем вместе — вы работаете с обоими, а не с «куратором из чата».
Team Lead QA Engineer · 7 лет в тестировании
«Сейчас развиваюсь в EdTech, до этого — финтех (умные устройства, реклама), digital-маркетинг и b2b-продукты для застройщиков. Умею обучать людей — и хочу делать для них действительно качественные курсы».
QA-инженер · основатель EDVERSE
«Несколько лет обучаю ручному тестированию и готовлю людей к работе в IT. Строю обучение вокруг того, что тестировщик реально делает на проекте — и что спрашивают на собеседованиях».
Программа рассчитана именно на это: модуль М0 ставит рабочую среду и цифровую базу с нуля, код используется только в простых прикладных задачах. Что действительно требуется — 10–12 часов в неделю и готовность объяснять свои решения. Это единственный реальный порог.
Именно поэтому. Половина работы с ИИ на курсе — это проверка: вы учитесь ловить выдуманные endpoints, ложные root cause и несуществующие коды ответов, подтверждать каждый значимый вывод источником или запуском. Тестировщик, который умеет проверять ИИ, ценнее того, кто его боится, и того, кто ему слепо верит.
ИИ уже заменяет рутинные задачи — и именно поэтому вырос спрос на тех, кто умеет ставить ему задачу, проверять результат и отвечать за решение. Курс готовит ровно к этой роли: вы выходите не «джуном, который конкурирует с ChatGPT», а джуном, который им управляет и документирует это в AI-журнале.
Нет. Это курс ручного тестирования: код встречается только в простых прикладных задачах — SQL-запросы, чтение JSON, Postman-тесты. Автоматизация, нагрузка и security вынесены в отдельные треки после базового курса — мы сознательно не пытаемся сделать из новичка автоматизатора за 16 недель.
16 недель по 10–12 часов. Меньше — честно не получится: 35% каждой недели — самостоятельная практика, ещё 25% — та же задача с ИИ, и всё это проверяется. Если сейчас столько времени нет, лучше отложить старт, чем сойти на модуле М4.
Потому что «гарантия трудоустройства» в edtech — это маркетинговая формула с мелким шрифтом, и вы это знаете. Мы даём то, что реально проверяют на отборе: навыки, объяснимые решения и папку артефактов. Финальный модуль включает практическую задачу по незнакомой фиче и mock-собеседование — репетицию настоящего отбора.
Три вещи. ИИ встроен в каждую задачу с первого модуля, а не добавлен вебинаром в конце. Каждый модуль закрывается защитой у живого человека — hard gate, который нельзя пройти пересмотром видео. И оценивается артефакт (45% веса), а не прохождение теста: hard gate не пройден — модуль пересдаётся с разбором причины.
Всего 10 мест: авторы проверяют каждую работу лично. Взамен просим одного — обратной связи по программе.
50 000 ₽40 000 ₽
цена первого потока — фиксируется при записи; следующие потоки — 50 000 ₽
Спасибо! Полная программа курса уже доступна — забирайте:
Даты старта и условия первого потока пришлём лично в течение 24 часов — в Telegram или на почту, смотря что вы оставили.