Vous cherchez une alternative à Mabl ?

Les deux sont des plateformes de test propulsées par l'IA, mais leur point d'entrée diffère. Mabl s'articule autour du Trainer, une application Chrome à installer, dans laquelle on navigue pour enregistrer les étapes ; les fonctions GenAI ont été ajoutées par-dessus, mais l'enregistreur reste l'interface principale, en Chrome uniquement, et la logique avancée nécessite souvent des extraits JavaScript. Thunders repose sur un moteur qui transforme une description en langage naturel en test exécutable, sans application de bureau, exécutable dans n'importe quel navigateur et sur tout OS, avec une couche d'agents IA pour l'exécution et l'auto-réparation. À cela s'ajoutent des différences de plateforme : tarification transparente et publiée côté Thunders, et sécurité entreprise (SOC 2, ISO 27001, RGPD). En clair, Mabl part de l'enregistrement d'actions dans le navigateur, Thunders part de l'intention exprimée en clair.

Le cœur de l'authoring chez Mabl est le Trainer, une application Chrome que l'on installe puis dans laquelle on déroule le parcours pour que l'outil capture les étapes. Cela fonctionne bien, mais impose trois contraintes : une machine sur laquelle l'application est installée, une dépendance à Chrome, et le fait de rejouer le parcours à chaque création. Thunders supprime tout cela : on décrit l'objectif en langage naturel et le test est généré, sans installation, sans dépendance à un navigateur particulier, et sans parcours à dérouler au préalable. Une équipe QA rédige un test à partir d'une spec, une équipe métier vérifie un checkout sans jamais ouvrir de navigateur. L'enregistreur n'a pas été modernisé, il a disparu.

C'est l'ambition fondatrice affichée de Thunders : une réduction du temps de test de l'ordre de 90 %. Le mécanisme est direct : au lieu d'un cycle spec vers enregistrement vers ajustement, tu décris le scénario en une seule phrase et le moteur génère le test complet, assertions et cas limites compris. Le gain vient de la suppression des étapes manuelles intermédiaires (pas de capture, pas de sélecteurs à ajuster, pas de script à écrire) et de la génération assistée par IA.

La logique clé est de jouer un même parcours automatiquement sous plusieurs angles, sans réécrire de test. Thunders propose des personas de type SEO reviewer, accessibility tester et security auditor (actuellement en alpha), ainsi que des personas personnalisés que tu définis selon ton contexte métier (bientôt disponibles). Là où un outil centré sur l'enregistrement rédige chaque test à partir du parcours d'un seul utilisateur, Thunders réutilise le même parcours pour le passer au crible de plusieurs profils, ce qui fait émerger des cas limites que l'équipe n'aurait pas pensé à scripter. La couverture s'étend donc sans multiplier le travail de rédaction.

C'est un point de contraste net. Mabl facture au crédit par exécution cloud : une enveloppe mensuelle qui peut s'épuiser avant la fin du mois pour une équipe qui teste à chaque commit, même si les exécutions locales et en CI sont illimitées. Ses prix officiels ne sont pas publiés (les estimations tierces évoquent une entrée autour de 450 dollars par mois), et l'offre d'entrée suppose un engagement annuel. Thunders facture à l'abonnement mensuel ou annuel, avec des crédits inclus dans chaque offre et une grille entièrement publiée : coût d'une action de test standard à 0,01 crédit, tarif de dépassement à 0,80 euro par crédit sur le plan Pro. Les tests continuent de tourner au-delà de l'enveloppe, avec une notification avant toute facturation supplémentaire, et chaque plan inclut un essai gratuit de 14 jours (avec 100 crédits Pro). L'argument est la prévisibilité et la transparence face à un modèle par crédits opaque.

Via les personas IA décrits plus haut : le même parcours est exécuté sous l'angle d'un relecteur accessibilité, d'un auditeur sécurité ou d'un relecteur SEO, sans construire une suite dédiée pour chacun. Ces personas d'accessibilité, de SEO et de sécurité sont aujourd'hui en alpha, et des personas personnalisés sont annoncés. Mabl couvre lui aussi l'accessibilité (contrôles WCAG), le visuel, l'API et la performance sur sa plateforme, mais chaque test y reste rédigé à partir du parcours d'un seul utilisateur : il n'existe pas de mécanisme natif pour rejouer automatiquement ce parcours à travers plusieurs personas. C'est cette couverture multi-angles sans rédaction supplémentaire que Thunders met en avant.

Thunders se connecte nativement à GitHub Actions, GitLab CI, Jenkins, CircleCI et Azure DevOps, avec la possibilité de définir quelles suites se déclenchent sur quels événements (PR, merge, déploiement) et quels seuils de réussite ou d'échec appliquer. La plateforme s'intègre aussi aux outils de suivi et de collaboration comme Jira, Linear, Xray, Slack et Teams. Elle ajoute une ouverture via le protocole MCP, qui permet aux assistants IA (Claude, ChatGPT, Cursor, Devin, Windsurf) d'écrire, exécuter et analyser des tests directement depuis l'espace de travail. De son côté, Mabl propose des intégrations CI solides et des exécutions locales et CI illimitées.

Thunders (initialement Thunder Code) a été fondé par Karim Jouini et Jihed Othmani, deux anciens ingénieurs Microsoft qui avaient déjà cofondé Expensya, une plateforme de gestion des notes de frais rachetée en 2023 par le suédois Medius, dans une opération estimée entre 100 et 120 millions de dollars, l'une des plus grosses sorties tech africaines. Après le rachat, Jouini a occupé le poste de chief product and technology officer chez Medius, où l'idée de Thunders est née des inefficacités qu'il a observées dans le test logiciel. L'entreprise a levé 9 millions de dollars en seed, avec des investisseurs comme Silicon Badia et des business angels reconnus comme Roxanne Varza (Station F) et Karim Beguir (InstaDeep), et a été sélectionnée pour le programme Future 40 de Station F. C'est donc une équipe de fondateurs expérimentés, avec une sortie majeure à leur actif et une expertise IA antérieure à la vague ChatGPT.

Parce que le test encode une intention plutôt qu'un sélecteur figé, et parce que des agents IA prennent en charge son entretien. L'auto-healing basé sur le ML détecte les écarts quand l'interface change et réaligne le test sur l'objectif décrit, et les agents peuvent mettre à jour ou réparer automatiquement les cas cassés. Mabl propose aussi un auto-heal natif qui suit les éléments à travers plusieurs attributs et remplace l'élément modifié sans intervention manuelle, mais il agit au niveau du sélecteur d'un parcours enregistré : quand le parcours lui-même change (une étape réordonnée, une logique déplacée d'une page à l'autre), la correction retombe sur ton équipe. Thunders répare au niveau de l'intention, ce qui permet à la maintenance de ne pas croître linéairement avec la taille de la suite.

Thunders cible les équipes qui veulent aller vite et démocratiser le test au-delà de la QA : équipes produit, PM, développeurs et analystes, sur des applications web, mobiles natives et API. Le contexte joue en sa faveur : le marché du test logiciel est estimé à plus de 100 milliards de dollars d'ici 2027, et les fondateurs estiment que des acteurs établis comme Tricentis ou BrowserStack sont lents à adopter les nouvelles technologies, ce qui ouvre un espace pour une approche AI-native. La maturité de l'IA générative rend enfin réaliste la création de tests en langage naturel, à un moment où la pression sur la vitesse de release et la réduction des coûts QA n'a jamais été aussi forte. Mabl reste une référence pour les équipes Agile centrées sur le web ; Thunders mise sur l'accessibilité en langage naturel et une couverture plus large comme différenciateurs.