Mit KI beim Testen hängt die Zukunft des Softwaretests an erfahrenen Testern, die Testverfahren beherrschen und das Geschäft hinter der Software verstehen. KI erledigt wiederkehrende, klar umrissene Aufgaben gut, scheitert aber an den Rändern: an halluzinierten Anforderungen, nicht überprüfbaren Ergebnissen und unerwartetem menschlichem Verhalten. Am meisten zählen Geschäftswissen, Requirements Engineering, Prompt Engineering und Kommunikation.
Das Wichtigste in Kürze
- KI-Ergebnisse stimmen oft genug, um vertrauenswürdig zu wirken. Der fehlerhafte Rest, also erfundene Quellen, erfundene Anforderungen und erfundene Testfälle, richtet echten geschäftlichen Schaden an, wenn kein Mensch das Ergebnis prüft.
- Wer nur vorgefertigte Skripte abarbeitet, ohne das Geschäft dahinter zu verstehen, ist durch KI direkt ersetzbar. Fachwissen macht einen Tester schwer automatisierbar.
- Prompt Engineering und Requirements Engineering gehören heute zum Kern des Berufs, denn das Grundproblem, das Verhalten von Software präzise und eindeutig zu beschreiben, ist seit 30 Jahren dasselbe.
- Kommunikation ist die große Lücke in der Ausbildung von Testern: Daten ehrlich darstellen, Erwartungen von Stakeholdern steuern und klare Prompts schreiben verlangt Fähigkeiten, die ein technisches Studium nicht vermittelt.
KI beim Testen bleibt und macht erfahrene Tester wertvoller
Tester werden durch KI nicht überflüssig, aber ihre Arbeit verändert sich. Olivier Denoo ist seit fast 30 Jahren in der Branche und sieht in KI beim Testen eher eine Chance für die Test-Community als eine Bedrohung.
Sein Argument ist schlicht. KI ist keine Mode, die wieder vergeht. Vielleicht gibt es eine Blase, und vielleicht verliert sie irgendwann Luft, die Technologie selbst bleibt aber Teil der Softwareentwicklung. Wer lernt, sie gut einzusetzen, behält seinen Platz. Wer das nicht kann, steht ungeschützt da.
Wie konkret das Risiko ist, zeigt ein Beispiel. Wenn deine Arbeit seit zwanzig Jahren darin besteht, denselben Knopf zu drücken und dasselbe Skript laufen zu lassen, das du nicht einmal selbst geschrieben hast, bist du ernsthaft gefährdet. Genau diese Arbeit übernimmt die KI zuerst.
Warum KI-generierter Code Testern mehr Arbeit macht
Vibe Coding bringt Software schneller hervor und prüft ihre Qualität weniger. In dieser Lücke braucht es erfahrene Tester.
Wenn jemand ohne Entwicklerhintergrund eine Anwendung per Prompt entstehen lässt, bleiben Fragen offen. Erfüllt der Code die Anforderungen? Wie entwickelt er sich weiter? Ist er wartbar? Ist er sicher? Repositories können Hintertüren und Trojaner enthalten, und wer nicht entwickelt, kann nicht beurteilen, ob der generierte Code taugt.
Olivier rechnet damit, dass die Folgen in Monaten bis wenigen Jahren sichtbar werden, sobald es genug KI-generierte Anwendungen gibt. Ob Agenten andere Agenten überwachen, LLMs andere LLMs prüfen oder ein Mensch mit im Prozess ist: Die Zahl der Fehlerzustände steigt. Mehr Fehlerzustände heißen mehr Tester, und zwar vor allem mehr erfahrene Tester.
Was einen erfahrenen Tester ausmacht
Ein erfahrener Tester verbindet Testhandwerk mit Geschäftsverständnis. Beides zählt, und meistens fehlt das Zweite.
Zum Handwerk gehört, Testverfahren anzuwenden, zu wissen, wo man suchen muss, und ein Problem sinnvoll anzugehen. Geschäftsverständnis heißt, zu wissen, was hinter der Anwendung steckt und wozu es sie gibt. Niemand schreibt Software, um eine neue Plattform oder Sprache vorzuführen. Code soll ein Ziel erreichen und jemandem bei einer Aufgabe helfen.
Je stärker Systeme miteinander verbunden sind, desto schwerer wird dieses Verständnis. Anwendungen greifen eng ineinander, und die Geschäftsabläufe, die quer durch sie laufen, sind kaum noch zu überblicken. Es braucht Leute, die den ganzen Prozess von Anfang bis Ende verstehen und nicht nur das Verhalten einer einzelnen Komponente.
Warum “KI kann testen, also sparen wir Tester” gefährlich ist
Ein Manager, der von einer Konferenz zurückkommt und glaubt, KI mache Tester überflüssig, schätzt die Technologie falsch ein. Wer danach handelt, steuert auf eine geschäftliche Katastrophe zu.
Die Falle: KI wirkt klug. Sie liefert immer eine Antwort, weil sie dafür gebaut ist. Sie gibt dir recht, bestätigt dich und präsentiert ihr Ergebnis mit großer Sicherheit.
“Das Problem ist, dass diese Antwort auf den ersten Blick klug aussieht, aber wahrscheinlich nur zu 85, 90 Prozent klug ist. Und was ist mit den restlichen 10 oder 15 Prozent, die fehlerhaft sind?”
(Olivier Denoo)
In diesem Rest steckt der Schaden, und darin liegt das größte Risiko von KI beim Testen. KI kann Anforderungen, Testfälle und Code halluzinieren. Ein bekanntes Beispiel sind Quellenangaben: Bittest du eine KI um ihre Quellen, nennt sie dir vielleicht einen plausiblen Autor, ein plausibles Buch und einen plausiblen Mitautor, und alles davon ist erfunden. Wenn du nicht gegenprüfst oder nicht genug weißt, um den Fehler zu erkennen, gehst du ein echtes Risiko ein. Nur ein Mensch, der die Ergebnisse prüft, verhindert, dass selbstsichere, aber falsche Ausgaben in Produktion landen.
Wo KI Testern hilft und wo sie an Grenzen stößt
Die einfachen Teile des Testprozesses erledigt KI gut. Schwer tut sie sich an den Rändern, bei der Anforderung und beim Orakel. Dort bleibt menschliches Urteil unverzichtbar.
KI kann Anforderungen schreiben und prüfen. Sie kann sortieren und priorisieren. Sie kann Testfälle erzeugen. Nur musst du vorher sicher sein, dass Anforderungen und Testfälle überhaupt stimmen.
Die schweren Fragen sind seit dreißig Jahren dieselben. Wo sind die Anforderungen? Was soll die Software eigentlich tun? Wie genau und eindeutig kannst du beschreiben, was du willst, bis ins letzte Detail? Und auf der anderen Seite steht das Orakelproblem: Woran erkennst du, dass das Ergebnis richtig ist?
Eine Steuererklärung zeigt die Grenze. Es gibt so viele mögliche Fälle, dass sich kaum prüfen lässt, ob der Endbetrag stimmt, also ob die richtige Summe nachgezahlt oder erstattet wird. Für eine KI ist diese Art der Prüfung keine leichte Aufgabe.
Der Nutzer ist ein echter Mensch, keine Persona
Software wird für jemanden gebaut, und dieser Jemand muss sie verstehen und bedienen können. Wer beim Testen den tatsächlichen Nutzer vergisst, übersieht Fehler, die in keinem Testfall stehen.
Personas haben einen Haken: Sie decken nur die Menschen ab, an die du schon gedacht hast. Olivier nennt als Beispiel seine Mutter. Sie wird 80 und nutzt weder Smartphone noch Apps. In Paris braucht man inzwischen eine App, um U-Bahn zu fahren. Wie soll das für eine 80-Jährige funktionieren, die einfach nur mit der Metro fahren will? Der Ablauf mag sauber definiert und für viele hilfreich sein, trotzdem schließt er ganze Nutzergruppen stillschweigend aus.
Deshalb gehört UX zur Arbeit eines Testers. Der Mensch im Prozess ist nicht nur der Bediener in deinem System. Es ist auch die Person, bei der das Ergebnis ankommt und die verstehen muss, was die Software da liefert.
Randfälle entstehen, wo der saubere Prozess auf die Wirklichkeit trifft
Selbst ein perfekt definierter Prozess scheitert an dem einen Schritt, an dem ein Mensch etwas tut, womit das Modell nicht rechnet. Oliviers verlorener Koffer zeigt das.
Die Gepäckabfertigung am Flughafen ist von Anfang bis Ende festgelegt. Jeder Schritt und jeder Fall ist geregelt. Auf dem Rückweg aus Thailand blieb sein Gepäck in Genf hängen, während er in Brüssel landete. Swiss bestätigte, dass der Koffer mit dem Flug am nächsten Morgen nachkommt, und sein eigener Tracker zeigte ihn in Brüssel an. Dann schrieb Brussels Airlines per E-Mail, das Gepäck sei nicht auffindbar, obwohl er den Raum nennen konnte, in dem es vermutlich stand.
Seine Vermutung: Jemand hat den Koffer vom Band genommen und vergessen, das Etikett zu scannen. Ein einziger fehlender Scan, und das Gepäckstück war aus dem System verschwunden. In diesen Raum müssen Tester hineindenken. Menschen benutzen Software, Autos und Flugzeuge, und manchmal benutzen sie sie falsch. Das Unerwartete passiert genau an den Nahtstellen, die die Spezifikation für sicher hält.
Welche Fähigkeiten Tester jetzt aufbauen sollten
Was Tester im KI-Zeitalter relevant hält, liegt an beiden Enden des technischen Spektrums: genauere Arbeit an Anforderungen und bessere Kommunikation. Der sichere Umgang mit KI wird dabei vorausgesetzt.
Auf der technischen Seite steht Requirements Engineering ganz oben, zusammen mit Prompt Engineering und Techniken für generative KI, denn KI gehört inzwischen zum Job. Gefragt sind außerdem DevOps-Praktiken, Pipelines und Automatisierung. Manuelles Testen bleibt, verschiebt sich aber vom wiederholten Abarbeiten von Skripten hin zum explorativen Testen. Die Grundlage für alles ist Geschäftsverständnis: zu wissen, wofür die Anwendung da ist.
Wer einen strukturierten Weg sucht, findet bei ISTQB zwei Zertifizierungen mit KI-Schwerpunkt. Die eine behandelt den Einsatz von generativer KI beim Testen und wurde kürzlich aktualisiert, um mit dem schnellen Markt Schritt zu halten. Die andere, CT-AI, behandelt das Testen von KI selbst, einschließlich agentischer Architekturen, und wurde ebenfalls aktualisiert. Ein DevOps-Lehrplan ist in Arbeit, neben den etablierten Pfaden für Testmanagement und agiles Testen.
Kommunikation kommt in der Ausbildung zu kurz
Kommunikation ist für Olivier die wichtigste Fähigkeit eines Testers, und ausgerechnet sie fehlt in der IT-Ausbildung.
Das fängt beim Prompt an. Das alte Problem ist auch das neue: Wir wissen immer noch nicht, wie wir genau beschreiben, was wir wollen. Vage, unklare und mehrdeutige Aussagen scheitern bei einer KI genauso wie vor dreißig Jahren bei einem Entwicklungsteam. Einen präzisen Prompt zu schreiben ist Kommunikation.
Und es hört dort nicht auf. Auch wenn die KI den Bericht schreibt, die Testfälle sortiert und ein Schema zur Priorisierung aufstellt, musst du die Ergebnisse noch zu den Stakeholdern im Fachbereich und ins Management tragen. Das heißt, Daten ehrlich darzustellen, ohne das Ergebnis zu verbiegen, und mit der Psychologie und den Machtspielen drumherum umzugehen.
Ingenieure zieht es zur Technik, weil sie ihnen Spaß macht. Das ist verständlich und zugleich ein blinder Fleck. Die Soft Skills, die im technischen Studium beiseitegeschoben oder vergessen werden, sind es, mit denen ein Tester aus richtigen Befunden Entscheidungen macht, nach denen andere handeln.
Häufig gestellte Fragen
Welche Tester haben das größte Risiko, durch KI ersetzt zu werden?
Tester, deren Arbeit darin besteht, vorgefertigte Skripte abzufahren, sind diejenigen, die von der KI als Erstes übernommen werden. Jemand, der seit zwanzig Jahren auf denselben Knopf drückt und Skripte ausführt, die er nicht einmal selbst geschrieben hat, ist direkt austauschbar. Fachwissen ist der Schutz: Ein Tester, der das Geschäftsfeld hinter der Anwendung versteht, lässt sich viel schwerer automatisieren.
Reduziert KI-unterstütztes Programmieren den Aufwand für das Testen?
Nein. „Vibe-Coding“ produziert Software schneller, aber die Qualitätssteuerung erfolgt weniger. Wenn jemand, der kein Entwickler ist, eine Anwendung aus dem Nichts erschafft, gibt es niemanden, der überprüft, ob der Code den Anforderungen entspricht, ob er eine hohe Wartbarkeit aufweist oder ob er sicher ist; Repositories können Hintertüren und Trojaner enthalten. Mehr generierter Code bedeutet mehr Fehlerzustände und damit einen höheren Bedarf an erfahrenen Testern.
Warum ist Geschäftswissen genauso wichtig wie Testverfahren?
Software dient dazu, ein Ziel zu erreichen und jemandem bei einer Aufgabe zu helfen, nicht, um eine Plattform oder eine Sprache zur Schau zu stellen. Ein Tester, der dieses Ziel nicht versteht, kann nicht beurteilen, wie das richtige Verhalten aussieht. Die Schwierigkeit wächst, je komplexer Anwendungen miteinander verknüpft sind: Geschäftsabläufe erstrecken sich über mehrere Systeme, und jemand muss den gesamten Prozess von Anfang bis Ende verfolgen.
Wie vertrauenswürdig sind KI-generierte Ergebnisse bei der Testarbeit?
Sie wirken zuversichtlich und sind oft genug falsch, um eine Rolle zu spielen. KI liefert immer eine Antwort, weil sie darauf ausgelegt ist, eine zu liefern, und vielleicht sehen 85 bis 90 Prozent davon plausibel aus und sind auch fundiert. Die restlichen 10 bis 15 Prozent richten den Schaden an: erfundene Anforderungen, fingierte Testfälle oder plausible Verweise mit erfundenen Autoren und Büchern. Wer den Fehler erkennen kann, muss eine Gegenprüfung durchführen.
Kann KI bestätigen, dass ein Testergebnis korrekt ist?
Nicht zuverlässig. Zu prüfen, ob ein Ergebnis richtig ist (das sogenannte Orakelproblem), gehört zu den schwierigen Aufgaben, die KI nicht löst. Eine Steuererklärung zeigt die Grenzen auf: Die Anzahl möglicher Fälle ist so groß, dass es wirklich schwierig ist, den endgültigen zu zahlenden oder erstattungsfähigen Betrag zu überprüfen. Das Generieren und Sortieren von Testfällen fällt der KI leichter als die Überprüfung der Richtigkeit.
Warum reichen Personas nicht aus, wenn man für echte Nutzer testet?
Personas decken nur die Menschen ab, die du dir bereits vorgestellt hast. Olivier Denoos Beispiel ist seine Mutter, die 80 wird und weder ein Smartphone noch Apps nutzt, obwohl man in Paris eines braucht, um mit der Metro zu fahren. Ein Prozess kann gut definiert und für viele Menschen hilfreich sein und dennoch stillschweigend ganze Nutzergruppen ausschließen. Deshalb gehört UX in den Aufgabenbereich des Testers.
Warum scheitern selbst vollständig spezifizierte Prozesse in der Praxis?
Weil schon eine einzige Person aus dem Modell herausfallen kann. Die Gepäckabfertigung am Flughafen ist von Anfang bis Ende festgelegt, doch Olivier Denoos Koffer blieb in Genf, während er in Brüssel landete, höchstwahrscheinlich, weil jemand den Koffer vom Förderband nahm und vergaß, das Etikett zu scannen. Ein einziger fehlender Scan, und das Gepäckstück verschwand aus dem System.
Verschwindet das manuelle Testen?
Nein, aber es verändert sich. Manuelles Testen entfernt sich von sich wiederholenden, geskripteten Testläufen hin zu explorativem Testen, bei dem menschliches Urteilsvermögen etwas beiträgt, was ein Skript nicht leisten kann. Daneben sind Anforderungsengineering, Prompt-Engineering und Techniken der generativen KI gefragt, ebenso wie DevOps-Praktiken, Pipelines und Automatisierung. All das beruht darauf, zu verstehen, wozu die Anwendung eigentlich dient.
