Aktuelle KI-Modelle können nicht erklären, warum sie zu einem Ergebnis kommen – ihnen fehlt kausales Denken. Quality Function Deployment (QFD) bietet genau das: eine Matrix-basierte Methode, die Kundennutzen über Ursache-Wirkung-Ketten mit konkreten Funktionen und Tests verbindet. Während Software Testing heute oft im Blindflug zwischen tausenden Testfällen stattfindet, ermöglicht QFD eine radikale Fokussierung auf das, was Kunden wirklich brauchen. Die Herausforderung: Matrizen mit 1000 User Stories und 5000 Tests waren bisher nicht berechenbar – bis neue KI-Techniken genau das möglich machten.
In dieser Episode spreche ich mit Thomas Fehlmann, Six Sigma Experte und Pionier für Quality Function Deployment (QFD), über eine Methode, die Kundennutzen messbar mit Tests verbindet. Während moderne LLMs keine Ursache-Wirkung-Analysen beherrschen, zeigt Thomas, wie QFD genau diese Lücke schließt und Testern hilft, aus tausenden möglichen Tests jene herauszufiltern, die wirklich zählen. Wir sprechen darüber, warum gut getestete Autos nicht teurer verkauft werden können, wie personalisierte Tests in der Garage Realität werden könnten und warum diese japanische Methode in der Softwareentwicklung noch immer ein Schattendasein fristet. Thomas öffnet eine Tür zu kausalem Denken in einer Welt, die gerade von statistischen Modellen dominiert wird.
„Halluzinationen sind nicht ein Fehler von LLM, sondern es ist die Architektur, die es bringt." - Dr. Thomas Fehlmann
Thomas Fehlmann ist seit 2016 offiziell im Ruhestand - theoretisch. Praktisch jedoch bleibt er ein aktiver und leidenschaftlicher Forscher. Seine Arbeit präsentiert er regelmäßig auf internationalen Konferenzen, wo er Erkenntnisse mit Fachkollegen diskutiert und seine neuesten Ergebnisse veröffentlicht.
Ursprünglich prägten Themen wie Six Sigma und Prozesssteuerung seine wissenschaftliche Laufbahn. Doch seine Neugier für künstliche Intelligenz reicht viel weiter zurück: Bereits im Studium beschäftigte er sich intensiv damit – und blieb der Disziplin treu, selbst durch mehrere KI-Winter hindurch.
Heute widmet sich Thomas der Frage, wie Graphmodelle der kombinatorischen Logik helfen können, das Innenleben moderner KI-Modelle nachvollziehbarer zu machen. Sein Fokus liegt darauf, besser zu verstehen, wie KI funktioniert und welchen realen Mehrwert sie für ihre Nutzer schafft.
Softwarequalität steht und fällt mit dem echten Nutzen für den Kunden. Doch wie können wir Kundenerwartungen gezielt in unsere Tests bringen? Im Podcast Software Testing diskutierte Richie mit Thomas Fehlmann, einem Experten für Six Sigma und Quality Function Deployment (QFD), was kausales Denken in Zeiten von Künstlicher Intelligenz (KI) für die Softwareentwicklung und das Testen bedeutet.
QFD ist keine ganz neue Methode, aber vielen im Softwarebereich noch fremd. Thomas Fehlmann erklärte im Podcast, dass QFD mit Matrizen arbeitet. Man schaut gezielt darauf, welchen Nutzen jede Funktion bringt und wie dieser Nutzen messbar ist. Es geht darum, mit möglichst wenig Aufwand das Maximum herauszuholen. Die große Herausforderung: Kundennutzen ist zwar messbar, aber schwierig direkt auf Funktionen abzubilden. Wer QFD kennt, erkennt darin Muster, die auch in künstlicher Intelligenz stecken.
Was unterscheidet QFD von heutigen KI-Systemen? Laut Thomas Fehlmann, können heutige große Sprachmodelle (LLMs) kaum echte Ursache-Wirkungs-Analysen machen. KI und unser menschliches Denken funktionieren oft ähnlich – wir sprechen spontan und erklären erst danach, was wir meinen. Aber für überzeugende Tests, die echten Kundennutzen liefern, müssen wir den Zusammenhang erklären: Warum ist eine Funktion für den Kunden zentral? Hier kommt kausales Denken ins Spiel. KI ist aktuell stark im Erkennen, aber schwach in der logischen Erklärung.
Wie kann QFD konkret im Softwaretest helfen? Der Kundennutzen zieht sich durch die Software. Daten werden zwischen Modulen ausgetauscht und können zu Wissen werden. Mit QFD kann man die Ursache-Wirkung-Beziehung messbar und nachvollziehbar machen. Bei KI-Verfahren kann dies helfen, Halluzinationen (Fehler im Output) zu vermeiden. Im Automobilbau etwa könnte eine KI mit Kausalitätsprüfung zertifizierbar werden – heute ist das nicht möglich.
Ein wichtiger Vorteil: Wer anhand des Kundennutzens priorisiert, setzt seine Tests gezielter ein. Thomas Fehlmann schilderte, wie man Tests sogar personalisieren kann. Beim nächsten Software-Update im Auto wären nicht alle Funktionen gleich wichtig – jeder Kunde braucht andere Features. Die Maschine sollte erkennen, welche Funktionen relevant sind. Tests könnten zuhause laufen, passgenau für die eigenen Bedürfnisse.
Trotz der Vorteile ist QFD bei Entwicklern wenig verbreitet. Gründe dafür sind unter anderem die Unbeliebtheit von funktionalen Modellen, weil Manager damit Funktionen mit Zahl und Bezahlung verknüpfen. Ein weiteres Problem sind riesige Matrizen – in der Realität gibt es tausende User Stories und noch mehr Tests. Erst seit einigen Jahren können wir mit großen Matrizen effizient umgehen, aber viele wenden diese Möglichkeiten trotzdem nicht für QFD an, sondern für KI-Modelle.
In Deutschland und der Schweiz wird zu QFD und KI geforscht. Große Unternehmen wie Volkswagen und Skoda nutzen QFD – manchmal unter anderen Namen. Immer geht es darum, herauszufinden, was Kunden wirklich wollen: zum Beispiel den Platz für die Handtasche im Auto. Auch kleinere Firmen können damit gezielt wachsen und Produkte entwickeln, die Kunden begeistern. Aber Finanzierung und Geheimhaltung bremsen viele Ansätze.
Kundennutzen bleibt der wichtigste Kompass für Softwaretests. Wer Ursache und Wirkung im Blick hat, schafft bessere Tests und spart Ressourcen. QFD kann dabei helfen, den Kundennutzen gezielt zu messen und darauf die Tests auszurichten. KI ist als Werkzeug hilfreich, aber wir müssen ihre Grenzen erkennen und sie mit kausalen Methoden verbinden, um echte Qualität abzusichern. Wer strategisch testet, kann sowohl Kunden als auch Unternehmen echten Mehrwert bieten.