KI-gestütztes Testen heißt, Werkzeuge der künstlichen Intelligenz in allen Phasen des Testprozesses einzusetzen: bei Testplanung, Testfallerstellung, Testdaten, Testdurchführung, Fehleranalyse und Testbericht. Die KI übernimmt arbeitsintensive und mechanische Aufgaben, die Tester behalten die Kontrolle über Kontext, Geschäftslogik und die Prüfung der Ergebnisse. Ihre Rolle verschiebt sich zu Entscheidungen und zum Trainieren der Modelle, sie verschwindet nicht.
Das Wichtigste in Kürze
- KI stellt die Rolle der Tester infrage, weil mechanische Aufgaben und Automatisierung zur Maschine wandern. Kontext, Geschäftslogik und die Vorhersage von Nutzerverhalten brauchen aber weiter menschliche Kontrolle.
- Testfälle und Testdaten zu generieren, bringt heute im Testen den größten Nutzen: Was ein Mensch in einem Monat erledigt, schafft er mit KI-Unterstützung in etwa einer Woche.
- Fachbereiche können direkt zur Testautomatisierung beitragen, wenn Anweisungen in natürlicher Sprache das Skripten ersetzen. So wächst der Kreis derer, die Tests vorantreiben.
- Skriptkenntnisse in Sprachen wie TypeScript oder Python bleiben nötig, denn jemand muss prüfen, ob die von der KI erzeugten Skripte wirklich tun, was sie sollen.
- Das ISTQB bietet zwei eigene Lehrpläne zu KI im Testen an: einen zum Testen von KI-Produkten und einen neueren zum Einsatz generativer KI im Testalltag, der alle drei bis sechs Monate aktualisiert wird.
KI-gestütztes Testen verschiebt die Rolle der Tester, statt sie abzuschaffen
KI-gestütztes Testen verändert, was Tester tun, aber die Kontrolle über den Prozess bleibt bei ihnen. Alle paar Jahre verspricht ein neues Schlagwort, das Testen überflüssig zu machen: erst Testautomatisierung, dann Agilität, dann DevOps, jetzt KI. Die Tester sind immer noch da.
Der Grund ist einfach. KI tut sich in ihrem jetzigen Stand schwer mit Kontext, mit Geschäftslogik und damit, sich wie ein echter Nutzer zu verhalten. Vorherzusagen, was ein Nutzer tatsächlich tun wird, fällt einem Modell schwer. Für diesen Teil der Arbeit braucht es Menschen.
Mitko Mitev arbeitet seit mehr als dreißig Jahren in der Qualitätssicherung von Software. Er sieht die Zukunft in einer KI, die unterstützt, nicht in einer KI, die ersetzt. Mechanische und wiederkehrende Aufgaben wandern zur Maschine. Denken, Entscheiden, Validieren und das Trainieren der Modelle bleiben bei den Testern.
“Die Leute haben Angst, dass diese Werkzeuge uns ersetzen, aber das glaube ich nicht. Die Arbeit von Testern und QA wird sich verändern, aber wir behalten die Kontrolle.”
(Mitko Mitev)
Wo KI-gestütztes Testen Aufwand spart
Am meisten bringt KI in den arbeitsintensiven Teilen des Testens, nicht dort, wo Urteilsvermögen gefragt ist. Das sieht man gut, wenn man die Phasen des Testprozesses durchgeht und fragt, wo ein Werkzeug echte Last abnimmt.
Bei den Testdaten ist der Gewinn am deutlichsten. Du beschreibst in natürlicher Sprache, was du brauchst, etwa zweihundert Nutzer mit Bankkonten und Transaktionslimits, und bekommst schnell brauchbare Daten. Was früher Handarbeit war, wird zu einer kurzen Anweisung.
Bei der Testfallerstellung läuft es genauso. Du verbindest ein Modell mit deinen vorhandenen Anforderungen, Anwendungsfällen oder einem Dokumentationswerkzeug und lässt es daraus Testfälle erzeugen. Bei einem großen System, das vielleicht Tausende Testfälle braucht, ist der Zeitunterschied erheblich: Arbeit, für die ein Mensch einen Monat braucht, schrumpft mit KI-Unterstützung auf etwa eine Woche.
Über diese Aufgaben hinweg schätzt Mitko, dass KI etwa zwanzig bis vierzig Prozent an Aufwand und Zeit einsparen kann. Der Gewinn entsteht dort, wo die Arbeit mechanisch ist, nicht dort, wo interpretiert werden muss.
Kann KI formale Testentwurfsverfahren anwenden?
Ja, KI kann mit etablierten Testentwurfsverfahren arbeiten. Wie gut, hängt vom Kontext ab, den das Modell hat. Trainierst du es vorab mit Daten aus deiner Fachdomäne, kannst du ihm ein bestimmtes Verfahren vorgeben oder es selbst wählen lassen, welches passt.
Standardisierte Verfahren sind hier im Vorteil. Weil das ISTQB als De-facto-Standard gilt, sind die Verfahren in öffentlich zugänglichen Quellen breit beschrieben. Auch ein Modell mit wenig eigenem Kontext kann auf dieses Wissen zugreifen, deshalb ist die Anwendung gängiger Verfahren selten ein Problem.
Beim explorativen Testen bringt KI mehr als nur Tempo. Du kannst ein Modell anweisen, einen Prozess in ungewöhnlichen oder unbekannten Reihenfolgen zu durchlaufen und so Wege zu simulieren, an die ein Mensch vielleicht nicht denkt. Zusammen mit dem kritischen Denken der Tester wird dadurch breiter geprüft.
Testautomatisierung: von Skripten zu natürlicher Sprache
Die größte Veränderung in der Testautomatisierung ist der Schritt vom Schreiben von Skripten dahin, die Absicht in natürlicher Sprache auszudrücken. Mit Konzepten wie MCP verbindest du ein Sprachmodell mit einem Testautomatisierungswerkzeug und steuerst einen Großteil des Ablaufs direkt.
Agenten gehen noch weiter. Du kannst einen Agenten Testanweisungen in natürlicher Sprache erzeugen und bis zur Ausführung bringen lassen, ohne jedes Skript von Hand zu schreiben. Skripte entstehen weiterhin, aber sie werden generiert statt Zeile für Zeile getippt.
Das wirft eine berechtigte Frage nach den Fähigkeiten auf. Wenn natürliche Sprache Skripte erzeugt, brauchen Tester dann noch TypeScript oder Python? Mitko sagt: Das tiefe Wissen bleibt nötig. Jemand muss prüfen, ob die generierten Skripte korrekt sind und wirklich die Aufgabe erfüllen, für die sie gedacht sind.
Natürliche Sprache öffnet die Testerstellung für mehr Menschen
Der eigentliche Mehrwert von KI in der Automatisierung: Mehr Menschen können mitmachen. Früher gehörte die Testautomatisierung allein den Testern und Automatisierungsspezialisten. Anweisungen in natürlicher Sprache öffnen diese Arbeit auch für die Fachbereiche.
Stell dir vor, jemand aus dem Fachbereich schreibt die Testabsicht in Klartext, gibt sie in ein Werkzeug ein und bekommt einen Skriptentwurf. Eine Testautomatisiererin verfeinert und validiert diesen Entwurf anschließend. Das Projekt gewinnt, weil mehr Rollen an den Tests mitarbeiten.
Wie KI Testmanagement und Testbericht unterstützt
Ist die Kernarbeit des Testens einmal strukturiert, stärkt KI auch Planung, Fehleranalyse und Berichtswesen. Planungsagenten können auf Basis einer Risikobewertung einen Plan erstellen, der zeigt, welche Bereiche mehr und welche weniger Tests brauchen.
Auch die Analyse von Fehlerzuständen passt gut. KI kann ähnliche Fehlerzustände bündeln, die Bereiche der Software mit den meisten Fehlerzuständen sichtbar machen und helfen, das Testen dort zu konzentrieren. Mit Logdatei-Analyse, Clustering und Ursachenanalyse lässt sich leichter finden, woher ein Fehlerzustand kommt.
Der Bericht schließt den Kreis. KI kann Ergebnisse zusammenfassen und für ein bestimmtes Publikum aufbereiten: eine Fassung für die Fachseite, eine für technische Teams, eine für den Betrieb. Für das C-Level heißt das ein kurzer Bericht, was passiert ist, warum es passiert ist und ob ein Go-live empfohlen wird.
Für alle, die nicht auf Englisch als Muttersprache schreiben, gibt es einen praktischen Nebeneffekt. Die Werkzeuge schreiben oft besseres Englisch als er selbst, sagt Mitko, und so fallen Pläne und Berichte sauberer aus.
Mehr generierter Code, mehr Testbedarf
KI verändert die Softwareentwicklung insgesamt, nicht nur das Testen, und das bedeutet mehr Testarbeit, nicht weniger. Entwicklungsteams produzieren inzwischen Software in hohem Tempo, auch Code von unbekannter Qualität. Irgendwer muss ihn testen.
Mit menschlichem Testen allein kommt man bei diesem Ausstoß nicht hinterher. Wenn die Entwicklung so schnell läuft, ist KI-Unterstützung im Test keine Option mehr, sondern Teil dessen, wie das ganze Team mithält. Das Tempo der Softwareproduktion ist der Druck, der KI in den Testprozess zieht.
Fang jetzt an, Testen mit KI zu lernen, nicht erst nächstes Jahr
Der Rat ist direkt: Fang jetzt an und schieb es nicht auf. Das Feld bewegt sich so schnell, dass schon ein paar Monate Warten dich zurückwerfen.
Bei Bewerbungsgesprächen verschieben sich die Fragen bereits. Statt nach dem Unterschied zwischen Klasse und Objekt zu fragen, geht es eher darum, ob jemand weiß, was MCP ist, wie ein Sprachmodell funktioniert und wie Agenten arbeiten. Das Testwissen kommt trotzdem zuerst, denn darauf baut alles andere auf.
Wer einen strukturierten Weg sucht, findet beim ISTQB zwei passende Lehrpläne. Der eine behandelt das Testen von KI-Produkten und ist seit etwa zwei Jahren auf dem Markt. Der andere, Generative AI in Testing, ist neuer und erschien im Juli 2025. Der eine zeigt, wie man KI-Produkte testet, der andere, wie man KI-Werkzeuge in der täglichen Arbeit einsetzt. Der Lehrplan zu generativer KI soll alle drei bis sechs Monate aktualisiert werden, um mit neuen Entwicklungen Schritt zu halten.


