最近后台收到不少留言，问我测试新人想转型AI有什么机会。
每次聊到这个话题，很多同学的第一句话都是：“我想去大厂做AI”、“我想去搞大模型”。说实话，这个想法挺好，但现实是——头部大厂和通用大模型公司就那么几家，岗位数量有限、背景要求集中，结果自然是——所有人都挤在金字塔最尖的那一小块。
想法当然没问题，但我通常都会反问一句：你打算拿什么去和那一拨人竞争？
但 AI 并不是只有“造大模型”这一条路。 它本身是一整条产业链，从上游到下游，每个环节都有不同的测试需求，有些岗位的竞争还没那么激烈，对新人反而更友好。
今天想和大家聊的，就是这些竞争没那么夸张、但真实存在机会的方向。
一、从 AI 的「上游」切入，做质量而不是算法
很多人会忽略一件事：
在模型真正跑起来之前，已经有大量工作要做完了。
其中一个绕不开的关键词，就是——数据。
数据就像 AI 的原材料，原材料质量不过关，后面再强的模型也白搭。 所以在 AI 的上游，其实长期存在着一类岗位：负责把控数据质量、流程和边界。
这些公司可以重点关注：
数据服务 / 数据处理公司
比如海天瑞声、数据堂这类公司，本质上是在做数据的采集、标注、处理和交付。
他们未必都叫“测试工程师”， 但会非常需要有测试思维的人去做：
- 数据准确性检查
- 标注一致性验证
- 流程规范性审核
有大量业务数据的行业公司
比如海康威视（视频数据）、科大讯飞（语音数据）。
这里要说明一句： 👉 我说的不是算法或模型岗，而是：
- 数据流程
- 平台质量
- 业务测试相关角色
这些岗位不一定技术门槛低，但比模型研发更看重细心、逻辑和业务理解。
给测试新人的建议：
- 简历中重点强调你做过的：
-
- 边界校验
- 异常场景
- 数据一致性问题
- 面试时可以主动聊：
-
- 数据如何被认为是“合格的”
- 哪些问题应该在前置阶段被发现
这会让面试官觉得你不是来“蹭 AI”，而是真的懂质量。
二、别只盯通用大模型，看看「行业大模型」
通用大模型难进，这是事实。 但被很多人忽略的是——大量行业公司正在做自己的 AI 能力。
比如：
- 理想汽车：Mind GPT
- 好未来：Max GPT
- 金山办公：WPS AI
这些公司有一个共同特点：
- 深耕行业多年
- 场景明确
- 做 AI 是为了解决真实业务问题
他们真正缺的，往往不是“会调模型的人”， 而是懂业务、能判断 AI 在真实场景里好不好用的人。
这正好是测试可以发挥价值的地方，比如：
- AI 功能在业务流程中的稳定性
- 输出结果对用户决策的影响
- 专业领域用户对 AI 内容的接受度
给测试新人的建议：
如果你之前在：
- 教育
- 汽车
- 办公软件
这些行业做过测试，那就是优势。
面试时不要只说“我会测功能”， 而是多讲一句：
这个行业的用户，真正关心什么样的结果？
这会让你从“执行测试”，变成“业务型测试”。
三、应用层机会最多，也最容易积累经验
如果你是刚毕业或刚转方向， 我个人最推荐你重点关注的，其实是 AI 的应用层。
简单说一句：谁把 AI 真正用起来，谁就更需要测试。
包括但不限于：
- AI 对话产品
- AI 绘图 / 视频工具
- 各类「传统软件 + AI 功能」的公司
这类公司的特点很明显：
- 产品迭代快
- 用户反馈直接
- 问题暴露快
他们通常不要求你研究算法， 更看重你能不能：
- 设计测试场景
- 判断输出是否“可用”
- 帮产品降低风险
给测试新人的建议： 提前准备几个 AI 测试的思路，比如：
- 如果 AI 每次结果不同，怎么判断质量？
- 如何把“主观好坏”拆成可讨论的标准？
- 哪些问题必须在上线前被拦住？
这些问题一抛出来，面试官基本就知道：
你不是第一次认真想 AI 测试。
给自己铺一条更现实的路：三步走
如果你真的想往 AI 测试发展，我会更建议你这样走：
第一步：别执着一步到位
先在 AI 产业链里站住一个位置，哪怕是数据质量、业务测试，只要在真实项目里。
第二步：用项目说话，而不是用兴趣说话
不管是公司项目还是个人实践，关键是你能不能：
- 讲清楚背景
- 说出判断依据
- 说明你为质量做了什么
第三步：慢慢从“执行”走向“共建”
哪怕只是多想一步：
“这个问题如果不解决，会对用户产生什么影响？”
你已经在往 AI 质量共建靠近了。
关于我们
霍格沃兹测试开发学社，隶属于 测吧（北京）科技有限公司，是一个面向软件测试爱好者的技术交流社区。
学社围绕现代软件测试工程体系展开，内容涵盖软件测试入门、自动化测试、性能测试、接口测试、测试开发、全栈测试，以及人工智能测试与 AI 在测试工程中的应用实践。
我们关注测试工程能力的系统化建设，包括 Python 自动化测试、Java 自动化测试、Web 与 App 自动化、持续集成与质量体系建设，同时探索 AI 驱动的测试设计、用例生成、自动化执行与质量分析方法，沉淀可复用、可落地的测试开发工程经验。
在技术社区与工程实践之外，学社还参与测试工程人才培养体系建设，面向高校提供测试实训平台与实践支持，组织开展 “火焰杯” 软件测试相关技术赛事，并探索以能力为导向的人才培养模式，包括高校学员先学习、就业后付款的实践路径。
同时，学社结合真实行业需求，为在职测试工程师与高潜学员提供名企大厂 1v1 私教服务，用于个性化能力提升与工程实践指导。
