Un agent de test lit un scénario, se connecte à une application, saisit des données, observe les écrans et produit des preuves. Ces capacités accélèrent l’exécution des tests manuels et en Gherkin. Elles conduisent aussi, légitimement, le service sécurité à examiner le traitement des données avant toute mise en service.

Dans un précédent article, nous avons présenté l’exécution agentique des tests manuels et Gherkin et les questions à se poser avant de se lancer. Nous nous concentrons ici sur la sécurité et la conformité.

Notre conviction est simple : un agent de test doit avoir un flux de données explicable. Les équipes QA doivent pouvoir dire précisément quelles données sont transmises à l’agent IA, comment elles sont sécurisées et pendant combien de temps elles sont conservées. Elles doivent aussi pouvoir poser les mêmes questions à tout fournisseur d’exécution agentique, quel qu’il soit.

Cet article propose la grille d’analyse à appliquer à une solution d’exécution agentique, puis les réponses apportées par notre solution Lynqa pour les distributions Cloud et Self-Managed. Les éléments qui relèvent du détail d’implémentation (architecture fine, matrice des flux, liste des sous-traitants) sont documentés dans le DPA et le Trust Center, et approfondis lors de la revue sécurité qui précède un projet pilote.

1. Quelles données l’agent de test utilise-t-il ?

Le test, les données et ce qui apparaît à l’écran

L’agent reçoit en entrée des tests manuels au format action/résultat attendu, ou des scénarios en Gherkin. Cela inclut les actions à réaliser, les résultats attendus, les données de test nécessaires au scénario, ainsi que des pièces jointes. Ces données proviennent du référentiel de tests (par exemple, les données des tickets « Test » et « Test Execution » de Xray).

Pendant l’exécution, l’agent observe l’interface. Il peut voir des références de contrat, des montants, des documents ou des informations relatifs à un compte de test. Les captures d’écran, les observations et les journaux produits à chaque étape deviennent, eux aussi, des données à protéger.

L’architecture de la solution détermine l’étendue de cet accès. Certains outils exploitent le DOM, le code, les appels réseau ou les logs du navigateur. Lynqa fonctionne par “computer-use” : il utilise une souris et un clavier virtuels et interprète uniquement les informations visibles à l’écran. Il n’accède ni au DOM, ni au HTML, ni au code source, ni aux API, ni à la base de données. Ce choix d’architecture réduit structurellement la surface d’accès : ce que l’agent ne peut pas atteindre n’a pas besoin d’être protégé de lui.

Figure – Le parcours des données pendant l’exécution agentique d’un test

Les identifiants et données sensibles doivent être isolés

Un agent utilise parfois un compte de test ou un secret technique. Ces informations ne doivent pas être écrites en clair dans le scénario. Dans Lynqa, elles sont renseignées séparément en tant que données sensibles non visibles. Elles ne sont pas intégrées au texte envoyé au modèle d’IA.

Les conditions d’utilisation de Lynqa Cloud interdisent l’utilisation de données personnelles dans les tests et les données de test. La bonne pratique reste la même quel que soit l’outil : des jeux de données synthétiques ou anonymisés, des comptes limités à l’environnement de test et des droits faciles à révoquer.

Figure – Les données sensibles sont fournies séparément du cas de test et masquées dans Lynqa

2. Que veut vérifier votre service sécurité ? Les huit questions à poser

La revue de sécurité analyse le parcours réel des données. Huit questions permettent de cadrer rapidement le sujet. Vous pouvez les reprendre telles quelles dans votre dossier d’évaluation, pour Lynqa comme pour toute autre solution d’exécution agentique :

  • Données traitées. Quels tests, captures, pièces jointes, identifiants et journaux sont collectés ?
  • Périmètre d’accès. L’agent observe-t-il uniquement l’écran ou accède-t-il aussi au DOM, au code, au réseau ou au backend ?
  • Localisation. Où sont hébergés le service, les sauvegardes et les logs ? Dans quelle région le modèle d’IA réalise-t-il l’inférence ?
  • Fournisseurs. Quel modèle et quels sous-traitants reçoivent les données ? Les transferts hors Union européenne sont-ils encadrés ?
  • Utilisation par l’IA. Les tests, captures, prompts et réponses peuvent-ils servir à entraîner un modèle ?
  • Rétention. Combien de temps chaque catégorie de données est-elle conservée et sous quel délai est-elle définitivement supprimée ?
  • Supervision humaine. L’exécution est-elle clairement identifiée comme réalisée par un agent ? Qui confirme le verdict et qui conserve la décision de mise en production ?
  • Preuves. Quels audits, contrôles techniques, politiques et journaux permettent de vérifier les engagements annoncés ?

Les réponses doivent être documentées dans le DPA (Data Processing Agreement), qui facilite cette vérification en regroupant les contrôles et les documents applicables. Un fournisseur qui ne peut pas répondre simplement à ces huit questions vous demande, de fait, de lui faire confiance sur parole.

3. Cloud ou Self-Managed : deux modèles de protection

Dans le Cloud de l’éditeur

Le fournisseur exploite l’infrastructure, assure les mises à jour et supervise le service. Ce modèle facilite le démarrage, à condition de connaître la localisation de chaque traitement. L’hébergement de l’application et l’inférence du modèle d’IA peuvent se situer dans deux régions distinctes.

Le service sécurité vérifiera notamment le chiffrement, l’isolation logique des clients, la gestion des secrets, les durées de conservation, la liste des sous-traitants et les garanties du fournisseur d’IA. Une adresse IP fixe permet également d’autoriser précisément l’agent à accéder aux environnements de test.

En Self-Managed et BYO-AI (Bring Your Own AI)

Il s’agit d’une distribution « on-premise » utilisant un LLM validé et disposant d’accès encadrés par la DSI de l’entreprise utilisatrice. L’agent, ses exécuteurs et son stockage sont déployés dans l’environnement du client. Le BYO-AI peut prendre la forme d’une clé API appartenant au client ou d’une gateway IA interne déjà approuvée par l’entreprise.

Avec une gateway ou un modèle interne, les tests, captures, prompts, résultats et journaux restent dans le réseau du client. Cette configuration répond aux besoins des applications inaccessibles depuis Internet et des environnements réglementés. Le client conserve, en contrepartie, la responsabilité de l’installation, de la supervision, des sauvegardes et des mises à jour qu’il décide d’appliquer.

Figure – Lynqa Cloud et Lynqa Self-Managed répondent à deux niveaux de contrôle

4. SOC 2 Type II : une conformité nécessaire, à lire avec méthode

Une preuve indépendante de l’efficacité des contrôles

Un rapport SOC 2 Type II évalue la conception des contrôles et leur efficacité opérationnelle sur une période donnée. Il couvre par exemple la gestion des accès, les changements, la surveillance, la réponse aux incidents et la protection des systèmes.

Le périmètre mérite une lecture attentive, et c’est vrai pour tout éditeur. Le rapport peut couvrir le service principal sans inclure une application Marketplace, certaines intégrations ou tous les sous-traitants. Le critère audité et la période d’observation doivent également être précisés. SOC 2 est un rapport d’attestation, pas une certification générale de toute l’offre.

Les sujets propres à l’IA restent à vérifier

SOC 2 ne garantit pas automatiquement l’absence d’entraînement sur les données clients, la région d’inférence, la rétention des prompts ou la conformité de chaque configuration au RGPD. Ces points nécessitent des engagements contractuels et une description claire des flux.

Les scans DAST réguliers, le bug bounty, la gestion des vulnérabilités, le DPA, les clauses de transfert, les politiques d’usage des modèles et les journaux d’audit complètent le dispositif. La conformité devient utile lorsqu’elle permet au client de vérifier un contrôle précis.

La supervision humaine est également centrale. L’exécution doit être identifiée comme réalisée par un agent. Le QA examine les preuves, décide du verdict et conserve seul la décision de mise en production.

5. Les garanties apportées par Lynqa

Un périmètre d’accès réduit et contrôlé

Lynqa exécute les tests manuels et Gherkin déjà validés dans le référentiel QA, par exemple Xray dans Jira. L’agent observe l’écran, agit sur l’interface et produit, pour chaque étape, l’action réalisée, l’observation, le verdict, l’explication et la capture associée. Des contrôles appliqués aux instructions reçues bloquent les contenus malveillants avant l’exécution.

L’accès est limité aux URL autorisées par le client et à l’environnement de test. Pour Lynqa Cloud, Smartesting fournit une adresse IP fixe qui peut être ajoutée à la whitelist. Le QA peut confirmer ou modifier le verdict ; sa décision est tracée dans Lynqa et, selon l’intégration, dans Xray. Lynqa ne décide jamais d’une mise en production.

Lynqa Cloud : hébergement en France et flux documentés

Le SaaS Lynqa est hébergé chez Scaleway en France. L’inférence du modèle d’IA est actuellement réalisée aux États-Unis par l’API d’un fournisseur tiers. Ce transfert est encadré contractuellement et les données ne sont pas utilisées pour entraîner le modèle. L’identité du fournisseur d’inférence et la liste complète des sous-traitants sont documentées dans le DPA et tenues à jour dans le Trust Center Lynqa.

Les données Lynqa sont conservées 30 jours. Une demande de suppression peut être effectuée à tout moment et la suppression définitive intervient dans un délai maximal de 60 jours. Les données sont chiffrées, les clients sont isolés logiquement, les accès internes sont limités et les exécutions sont journalisées. Les incidents de sécurité affectant les données font l’objet d’une notification sous 24 heures.

Lynqa Self-Managed : les données restent dans l’environnement du client

Lynqa Self-Managed est disponible pour les organisations qui souhaitent héberger l’agent dans leur propre infrastructure. Les composants d’exécution, le stockage, les résultats et les journaux sont installés dans le réseau du client. Aucune télémétrie d’exécution n’est envoyée à Smartesting.

Le client utilise sa propre clé vers un fournisseur d’IA ou sa gateway interne. Dans cette seconde configuration, aucune donnée ne sort du réseau. Smartesting fournit les packages et les mises à jour ; le client les vérifie puis décide de leur installation.

Un dispositif de sécurité vérifiable

Smartesting a obtenu un rapport SOC 2 Type II portant sur le critère de sécurité. Il couvre Lynqa Service API et Lynqa Dashboard sur la période du 1er mars au 31 mai 2026. L’audit a été réalisé par A-LIGN et les tests des contrôles n’ont relevé aucune exception. Lynqa for Xray et les intégrations tierces ne font pas partie de ce périmètre. Le rapport est accessible sur demande, dans le cadre d’un accord de confidentialité.

Le dispositif comprend également des scans DAST réguliers et un programme public de bug bounty en cours pour Lynqa for Xray. Le Trust Center Lynqa présente les contrôles relatifs à l’infrastructure, au produit, à l’organisation, aux procédures internes et à la protection des données ; c’est la source de référence, tenue à jour au fil des évolutions du dispositif.

Figure – Le Trust Center Lynqa regroupe les contrôles et documents de sécurité

Les informations actualisées sont disponibles dans le Trust Center Lynqa. Le DPA, les conditions d’utilisation et les autres documents contractuels sont accessibles depuis les documents légaux Lynqa.

Enfin, lors du cadrage d’un proof of concept, Smartesting remet un dossier sécurité destiné à votre RSSI : description détaillée des flux, architecture de la distribution retenue, sous-traitants et modalités de connexion à votre référentiel de tests. C’est ce dossier, et non un article de blog, qui sert de support à votre revue sécurité.

Choisir un agent dont le flux de données est explicable

Avant de confier un test à un agent, l’équipe doit pouvoir expliquer quelles données il reçoit, ce qu’il observe, quel modèle les traite, où les preuves sont conservées et comment elles sont supprimées.

La sécurité repose sur une architecture adaptée aux données, des contrôles techniques et contractuels vérifiables, et une conformité indépendante dont le périmètre est clairement annoncé. Le choix entre Cloud et Self-Managed permet ensuite d’ajuster le niveau de contrôle au contexte de l’organisation.

Les huit questions de cet article sont le point de départ. Les réponses détaillées (architecture, flux, sous-traitants) se construisent avec vos équipes sécurité, lors du cadrage d’un projet pilote.

Pour étudier une architecture Lynqa adaptée à votre environnement, demandez une démonstration.

En 2025, nous avons franchi un cap de maturité dans l’usage de l’IA pour accélérer et faciliter les tests logiciels. En particulier les tests fonctionnels au niveau système et d’acceptation.

De la conception à l’exécution, l’IA permet d’aider les équipes QA à gagner du temps et à améliorer la qualité des tests. Le tout, sans bouleverser les pratiques existantes.
Cet article s’inspire de la Journée thématique IA (JTIA) du CFTL du 11 décembre 2025. Plus de 200 participants ont bénéficié de retours d’expérience et de présentations sur les usages les plus aboutis de l’IA pour les tests.

La figure suivante présente quatre cas d’usage parmi les plus matures et performants. Il constituent un workflow complet de test assisté par l’IA :

4 cas d’usage les plus performants de l’IA pour les tests en 2026

L’IA s’intègre désormais naturellement aux principales activités de test (analyse, conception et exécution). Afin de soutenir différents rôles : test manager, analyste de test, testeur QA ou automaticien. Elle ne remplace pas l’expertise humaine, mais permet de travailler plus efficacement, avec davantage de rapidité et de productivité.
Trois progressions majeures de l’IA et de sa mise en œuvre pour les tests sont à noter :

  • Les architectures de type agent IA combinent raisonnement, accès aux outils et gestion de la mémoire des actions réalisées. Elles utilisent par exemple des serveurs MCP (Model Context Protocol). Ces architectures sont désormais matures.
  • Les assistants et agents IA s’intègrent au processus de travail et à l’outillage des équipes QA. Cette intégration aux outils de conception, gestion et automatisation des tests est essentielle pour obtenir les gains de productivité et de qualité attendus de l’IA.
  • Les modèles d’IA ont fortement progressé dans la qualité des résultats et leurs capacités. Le raisonnement et la planification sont devenus très performants. Le traitement des données de capture d’écran, de tableaux ou de structures de données est très fluide et qualitatif. Ces progrès rapides sont au service de nos cas d’usage de l’IA pour les tests.

Nous présentons ici, les quatre cas d’usage qui apparaissent comme les plus matures. Les équipes QA peuvent les évaluer, les intégrer et les exploiter dès maintenant. Cette liste est non exhaustive. En fonction de votre contexte vous pouvez expérimenter d’autres cas d’usage de l’IA pour les tests.

L’IA joue le rôle d’un véritable “4ᵉ amigo” lors des cérémonies Agile pour faciliter l’amélioration des User Stories. L’assistant IA aide à détecter les zones floues, à poser les bonnes questions, à mettre en évidence des dépendances fonctionnelles, à en évaluer la qualité rédactionnelle et à suggérer une rédaction clarifiée. Cela permet d’obtenir des User Stories (US) mieux documentées, plus complètes, mieux formulées et donc plus faciles à tester. 

Mais attention : ce n’est pas l’IA qui rédige les User Stories et les éléments de spécification. C’est la collaboration active des parties prenantes Product Owner, Business Analyst, Testeurs et Développeurs. Bénéficiant de l’assistant IA pour approfondir, améliorer la rédaction, qui permet un gain en temps et en qualité de ces bases de test. 

Au-delà du gain de temps, cette assistance améliore la collaboration entre les rôles et renforce la bonne pratique du “shift-left” par une revue critique de la rédaction des US assistée par l’IA.

👉 Exemple présenté à la JTIA : Axa France a présenté son environnement “Secure GPT for IT”, un développement interne de la Guilde de Test. L’optimisation des User Stories a été leur premier cas d’usage implémenté, avec deux composantes :
L’évaluation par l’IA des US sur des critères tels que INVEST (Indépendante, Négociable, à Valeur, Estimable, Suffisamment petite et Testable)
Le 4ᵉ amigo : l’assistant IA est utilisé pour poser des questions sur la complétude, les ambiguïtés et la correction des US.

Pour les tests fonctionnels, considérons d’une part, les tests des User Stories et d’autre part, les scénarios de test de validation et les tests de régression.

Les tests de User Stories visent une bonne couverture des critères d’acceptation. Ces cas de test des US sont souvent assez volatiles au sens où ils sont utilisés lors des phases de validation d’un sprint, mais pas au-delà. L’apport de l’IA consiste à accélérer leur création et à augmenter la couverture des critères d’acceptation de chaque US testée. Il est très facile, grâce à l’IA, de générer un grand nombre de ces cas de test. Mais, comme pour le cas d’usage précédent, c’est bien le testeur QA qui doit contrôler le processus, revoir et valider (ou non) chaque cas de test généré. L’augmentation du nombre de tests générés pose aussi le problème du temps nécessaire à leur exécution… résolu par l’exécution par IA des tests, présentée ci-dessous.

Les scénarios de test de validation et les tests de régression sont des tests à forte valeur ajoutée, pour lesquels l’expérience des testeurs QA est essentielle afin d’assurer la qualité en termes de couverture et d’organisation de la suite de tests. Pour ces tests, le testeur QA pilote l’IA à travers des conditions de test à couvrir, des scénarios pertinents à prioriser. Afin de cibler autant les cas nominaux que les cas aux limites à tester. Dans ce cas d’usage, la simple construction à partir des US ne suffit plus. Le testeur QA utilise l’IA pour faciliter la création des scénarios, suggérer la couverture des conditions de test ou actualiser les parcours de tests, tout en conservant le contrôle de l’atteinte de l’objectif de test. Pour atteindre les gains attendus en termes de productivité et de qualité des tests, l’IA doit être au service d’une démarche structurée de conception de tests.

👉 Exemple présenté à la JTIA : Thales et Smartesting ont partagé une solution de conception de tests assistée par l’IA, à partir de documents de spécification et de règles métier, pour une mise en contexte très précise du modèle d’IA utilisé pour la génération. Les techniques de RAG – Retrieval Augmented Generation – et un serveur MCP – Model Context Protocol – sont intégrés à la solution YEST dans l’environnement d’utilisation (le modèle d’IA est celui de l’utilisateur). Un appel à expérimentation de cet assistant IA de conception de tests a été lancé lors de la conférence.

Même assistée par l’IA, l’automatisation scriptée peut s’avérer non pertinente, par exemple lorsque les scénarios de test évoluent rapidement ou lorsque l’IHM n’est pas totalement stabilisée. L’IA permet alors d’exécuter directement les tests manuels pas à pas sur l’IHM de l’application, exactement tels qu’ils sont définis dans le référentiel de test, à la manière d’un testeur QA sans avoir besoin d’automatiser.

Ce cas d’usage est nouveau, issu directement des progrès des agents d’IA et de leur intégration à l’outillage de test. L’exécution des scénarios de test directement avec l’IA permet d’accélérer les cycles de test de validation des sprints ou des pré-releases, en accompagnant les testeurs QA, sans recourir aux temps et délais liés à l’automatisation via du scripting ou du no-code.

L’intégration dans le référentiel de test, comme le fait l’agent Lynqa dans l’environnement Jira / Xray permet de lancer et de visualiser les exécutions nativement dans l’outil de Test Management et de gérer les statuts d’exécution et le reporting assisté par l’IA.

👉 Exemple présenté à la JTIA : sur plusieurs applications web servant d’exemples, Lynqa a exécuté des scénarios de test sur l’IHM de ces applications, en identifiant automatiquement les écarts entre le résultat attendu et le comportement réel. Une démonstration concrète de la capacité de l’IA à exécuter des scénarios de test de bout en bout, de manière autonome tout en restant sous contrôle, et à fournir un reporting détaillé pour chaque étape de test (commentaires des actions, captures d’écran et verdict de test).

L’IA peut accompagner les automaticiens dans la création et la maintenance des tests automatisés (Playwright, Cypress, etc.). Elle facilite la génération de code, adapte les scripts à mesure que l’application évolue (self-healing) et limite les opérations de maintenance. Les scripts de test gagnent ainsi en stabilité, en robustesse et en durée de vie.

Les assistants IA tels que GitHub Copilot ou d’autres assistants de codage font désormais partie des outils du quotidien des développeurs. Leur usage bénéficie également aux automaticiens de test, en accélérant l’écriture des scripts, en facilitant leur structuration et en contribuant à la standardisation des pratiques.

Contrairement au cas d’usage précédent, où l’IA exécute nativement les scénarios de test tels que conçus par le testeur QA, l’automatisation assistée par l’IA repose sur une solide expertise technique. L’intervention d’un automaticien de test ou d’un développeur reste nécessaire pour contrôler, ajuster et valider le code de test généré par l’IA.

👉 Exemple présenté à la JTIA : Open et Xloan ont partagé un REX sur l’intégration progressive de l’IA pour améliorer et accélérer les tests logiciels. L’IA a été utilisée pour rétrodocumenter et optimiser le patrimoine de tests existant, accélérer l’écriture et l’automatisation (via GitHub Copilot et Robot Framework) et renforcer la robustesse des tests automatisés grâce à l’IA. Les résultats montrent des gains significatifs de vélocité et de qualité, avec une orchestration d’outils d’IA pilotée par l’expertise humaine.

Que prioriser en 2026 ?

L’adoption de l’IA dans les processus et les organisations de test s’effectue suivant un cycle en trois phases. Les retours d’expérience à la JTIA montrent qu’un grand nombre d’organisations se situe au début de la deuxième phase. Celle-ci consiste à prioriser et à cadrer l’usage de l’IA pour les tests.

En 2026, la question n’est donc plus de savoir si l’IA fonctionne pour les tests. Mais, plutôt, de savoir comment l’utiliser efficacement. Cette démarche peut s’appuyer sur trois priorités. Poursuivre la formation des équipes QA. Se focaliser sur les cas d’usage les plus performants. Intégrer les assistants et agents IA dans le workflow et l’outillage de test.

1. Poursuivre la formation des équipes QA

L’enquête IA du CFTL en 2025, a confirmé l’importance de former les équipes QA aux bonnes pratiques d’IA pour les tests. Le CFTL a présenté ces résultats lors de la JTIA. Depuis septembre 2025, la nouvelle certification ISTQB CT-GenAI : Tester avec l’IA générative propose une formation certifiante et reconnue à l’international. Cette certification s’appuie sur des objectifs d’apprentissage centrés sur la pratique. L’ISTQB adopte ici une approche nouvelle et adaptée à la montée en compétences en IA générative. Pour progresser, il faut comprendre les bases et pratiquer régulièrement. Chez Smartesting, nous formons à l’IA générative appliquée aux tests par la pratique depuis 2023. Cette expérience nous a placés en première ligne dans le développement de la certification ISTQB CT-GenAI.

2. Se focaliser sur les cas d’usage les plus performants et mesurer le ROI

En 2026, les organisations doivent s’appuyer sur des cas d’usage matures, opérationnels et mesurables. Le schéma des quatre cas d’usage performants met en évidence une vision des processus de test assistés par l’IA. Cette approche crée un cycle efficace d’analyse, de conception et d’exécution des tests. Enchaîner les cas d’usage de manière cohérente facilite l’intégration de l’IA dans le quotidien des équipes QA. Cette démarche améliore la productivité et la qualité.

La mesure du ROI varie selon les cas d’usage. Pour l’analyse et la conception de tests avec l’IA, le ROI reste difficile à évaluer. Les parties prenantes interviennent à des niveaux différents. L’impact se manifeste surtout par une réduction du re-travail. Pour l’exécution des tests, le ROI se mesure plus facilement. Lors de l’exécution de tests manuels par une IA, les cycles de test permettent de comparer les coûts avec ou sans agent IA. Pour l’automatisation assistée par IA, la mesure reste plus complexe. Toutefois, les temps de mise à jour des scripts se mesurent clairement avec ou sans IA.

3. Intégrer dans le processus de test et la chaine existante

L’IA offre la promesse de tests autonomes réalisés par des agents IA. Ces agents discutent entre eux, prennent des décisions, corrigent le code et mettent en production. Cette vision futuriste n’est pas notre réalité actuelle. Comme pour la conduite autonome des véhicules en Europe, il est difficile de prédire si cela arrivera.

En 2026, nous devons adopter une vision pragmatique de l’IA. Il faut renforcer le processus et les outillages de test actuels. Intégrer les assistants et agents IA de façon simple et fluide. Cette approche facilite l’adoption par les équipes.

À Smartesting, Lynqa est disponible dans les environnements de Test Management existants. Nous avons commencé avec Lynqa for Jira, intégré à la plateforme Jira, avec Xray comme premier outil de Test Management. Nous avons aussi créé un partenariat avec XQUAL, permettant aux utilisateurs de lancer leurs exécutions de test par agent IA. Le tout en obtenant de manière centralisée les preuves de test. D’autres intégrations sont en préparation.

Conclusion

En 2025, la communauté QA a franchi un cap dans l’adoption de l’IA générative au service des activités de test. Les preuves de gain ont commencé à être établies et l’adoption des technologies a progressé. 

En 2026, nous allons probablement voir une accélération de cette adoption. En effet, certains éléments clés sont présents. La volonté des décideurs pour avancer, la maturité des technologies et les savoir-faire qui se sont approfondis. Cette aventure collective et stimulante s’appuie sur une démarche structurée à mettre en œuvre au sein des organisations de test.