Warum Tester trotz KI-Hype sicher sind

Unter KI-gestütztem Testen versteht man den Einsatz von Werkzeugen der künstlichen Intelligenz zur Unterstützung von Testern in allen Phasen des Softwaretestprozesses, einschließlich Testplanung, Testfallerstellung, Testdatenerstellung, Testdurchführung, Fehleranalyse und -berichterstattung. Die KI übernimmt arbeitsintensive und mechanische Aufgaben, während die menschlichen Tester die Kontrolle über den Kontext, die Geschäftslogik und die Verifizierung der Ergebnisse behalten. Die Rolle des Testers verlagert sich auf die Entscheidungsfindung und das Training der Modelle, verschwindet aber nicht.

Das Wichtigste in Kürze

• KI fordert die Rolle des Testers heraus, indem sie mechanische und automatisierte Aufgaben auf Maschinen verlagert, aber der Kontext, die Geschäftslogik und die Vorhersage des Nutzerverhaltens erfordern immer noch menschliche Kontrolle.
• Die Generierung von Testfällen und Testdaten ist heute der wertvollste KI-Anwendungsfall im Testen: Eine Aufgabe, für die ein Mensch einen Monat braucht, kann mit KI-Unterstützung in etwa einer Woche erledigt werden.
• Geschäftsinteressenten können direkt zur Testautomatisierung beitragen, wenn Anweisungen in einfacher Sprache das Skripting ersetzen und so den Kreis der Personen erweitern, die Testaktivitäten durchführen können.
• Skripting-Kenntnisse in Sprachen wie TypeScript oder Python sind nach wie vor erforderlich, da jemand überprüfen muss, ob die von der KI erstellten Skripte tatsächlich das tun, was sie tun sollen.
• Das ISTQB bietet zwei spezielle Lehrpläne zum Thema KI im Testen an: einen über das Testen von KI-Produkten und einen neueren über den Einsatz generativer KI im Testalltag, der alle drei bis sechs Monate aktualisiert wird.

KI verlagert die Rolle des Testers, sie beseitigt sie nicht

KI verändert den Umfang der Testarbeit, aber menschliche Tester behalten die Kontrolle über den Prozess. Alle paar Jahre verspricht ein neues Schlagwort, das Testen überflüssig zu machen: erst Testautomatisierung, dann agil, dann DevOps, jetzt KI. Tester sind immer noch da.

Der Grund dafür ist einfach. KI kämpft in ihrem derzeitigen Stadium mit dem Kontext, der Geschäftslogik und der Fähigkeit, sich wie ein echter Nutzer zu verhalten. Für ein Modell ist es schwer vorherzusagen, was ein Nutzer tatsächlich tun wird. Für diesen Teil der Arbeit braucht es Menschen.

Mitko Mitev, der seit mehr als dreißig Jahren in der Qualitätssicherung von Software tätig ist, sieht die Zukunft eher in der Unterstützung durch KI als im Ersatz durch KI. Mechanische und sich wiederholende Aufgaben werden von der Maschine übernommen. Das Denken, die Entscheidungen, die Validierung und das Training der Modelle bleiben bei den Testern.

Die Leute haben Angst, dass diese Tools uns ersetzen werden, aber das glaube ich nicht. Der Arbeitsbereich der Tester und QAs wird sich verändern, aber wir werden die Kontrolle behalten. Mitko Mitev

Wo KI im Testprozess hilft

KI bringt den größten Nutzen in den arbeitsintensiven Teilen des Testens, nicht in den urteilslastigen. Eine gute Möglichkeit, dies zu erkennen, ist es, die Phasen des Testprozesses durchzugehen und zu fragen, wo ein Tool von Nutzen sein kann.

Die Erzeugung von Testdaten ist der eindeutigste Gewinn. Du kannst im Klartext beschreiben, was du brauchst, zum Beispiel zweihundert Nutzer mit Bankkonten und Transaktionslimits, und erhältst schnell verwertbare Daten. Was früher mühsam von Hand gemacht werden musste, wird zu einer kurzen Anweisung.

Die Erstellung von Testfällen folgt demselben Muster. Verbinde ein Modell mit deinen bestehenden Anforderungen, Anwendungsfällen oder einem Dokumentationswerkzeug und bitte es, Testfälle aus dieser Quelle zu erstellen. Bei einem großen System, für das vielleicht Tausende von Testfällen benötigt werden, ist der Zeitunterschied sehr groß: Die Arbeit, für die ein Mensch vielleicht einen Monat braucht, kann mit KI-Unterstützung auf etwa eine Woche reduziert werden.

Mitko schätzt, dass KI bei all diesen Aufgaben etwa zwanzig bis vierzig Prozent des Aufwands und der Zeit einsparen kann. Der Gewinn konzentriert sich dort, wo die Arbeit mechanisch ist, nicht dort, wo sie interpretiert werden muss.

Kann KI formale Testverfahren anwenden?

Ja, KI kann mit etablierten Testentwurfsverfahren arbeiten, und wie gut sie das tut, hängt vom Kontext des Modells ab. Wenn du ein Modell im Voraus mit Daten aus deinem Geschäftsfeld trainierst, kannst du es anweisen, eine bestimmte Technik anzuwenden, oder du lässt es wählen, welche Technik passt.

Standardisierte Techniken haben hier einen Vorteil. Da das ISTQB als De-facto-Standard fungiert, sind die Techniken in öffentlichen Informationen umfassend dokumentiert. Selbst ein Modell mit wenig individuellem Kontext kann auf dieses gemeinsame Wissen zurückgreifen, so dass die Anwendung gängiger Techniken selten ein Problem darstellt.

Exploratives Testen ist ein Bereich, in dem KI mehr als nur Geschwindigkeit bietet. Du kannst ein Modell anweisen, einen Prozess in ungewöhnlichen oder unbekannten Sequenzen zu durchlaufen und so Wege zu simulieren, an die ein Mensch vielleicht nicht denkt. In Kombination mit dem kritischen Denken des Testers erweitert dieser Input die Bandbreite der zu prüfenden Dinge.

Testautomatisierung geht von der Skripterstellung zur einfachen Sprache über

Die größte Veränderung in der Testautomatisierung ist der Wechsel vom Schreiben von Skripten zum Ausdrücken von Absichten in natürlicher Sprache. Mit Konzepten wie MCP kannst du ein Sprachmodell mit einem Tool zur Testautomatisierung verbinden und einen Großteil des Prozesses direkt steuern.

Agenten treiben dies noch weiter voran. Du kannst einen Agenten anweisen, Testanweisungen in natürlicher Sprache zu erstellen und zur Ausführung zu bringen, ohne jedes Skript von Hand zu schreiben. Die Skripterstellung findet zwar immer noch statt, aber sie wird generiert und nicht Zeile für Zeile eingetippt.

Das wirft eine berechtigte Frage nach den Fähigkeiten auf. Wenn einfache Sprache Skripte erzeugen kann, brauchen Tester dann noch TypeScript oder Python? Mitkos Antwort ist, dass das tiefe Wissen weiterhin notwendig ist. Jemand muss überprüfen, ob die generierten Skripte korrekt sind und tatsächlich die Aufgabe erfüllen, für die sie gedacht sind.

Klartext erweitert den Kreis derer, die Tests erstellen können

Der wirkliche Mehrwert von KI in der Automatisierung ist, dass mehr Menschen daran teilnehmen können. Früher war die Testautomatisierung allein den Testern und Automatisierungsspezialisten vorbehalten. Klartextanweisungen öffnen diese Arbeit auch für Geschäftsleute.

Stell dir vor, du schreibst deine Testabsicht in Klartext, gibst sie in ein Tool ein und erhältst einen Entwurf des Testskripts. Ein Testautomatisierungsentwickler verfeinert und validiert dann diesen Entwurf. Das Projekt profitiert davon, dass mehr Personen an der Erstellung der Tests mitwirken können.

Wie KI das Testmanagement und die Testberichterstattung unterstützt

Sobald die Kernarbeit des Testens strukturiert ist, stärkt KI die Planung, die Fehleranalyse und die Testberichterstattung. Planer-Agenten können auf der Grundlage einer Risikobewertung einen Plan erstellen, der aufzeigt, in welchen Bereichen mehr und in welchen weniger getestet werden muss.

Die Fehlerzustandsanalyse ist eine weitere wichtige Funktion. KI kann ähnliche Fehlerzustände zusammenfassen, die Bereiche der Software hervorheben, in denen die meisten Fehler auftreten, und dabei helfen, das Testen auf diese Bereiche zu konzentrieren. Mit der Analyse von Logdateien, dem Clustering und der Grundursachenanalyse wird es einfacher, die Ursache eines Fehlerzustands zu finden.

Die Berichterstattung schließt den Kreis. KI kann die Ergebnisse zusammenfassen und für eine bestimmte Zielgruppe aufbereiten: eine Version für Geschäftsleute, eine andere für technische Teams, eine weitere für den Betrieb. Für die C-Level-Leser bedeutet das einen kurzen Bericht, in dem steht, was passiert ist, warum es passiert ist und ob die Empfehlung lautet, in Betrieb zu gehen.

Für Nicht-Muttersprachler/innen gibt es einen praktischen Nebeneffekt. Wie Mitko sagte, produzieren die Tools oft ein besseres Englisch als sein eigenes, so dass die Pläne und Berichte sauberer ausfallen.

Mehr generierter Code bedeutet mehr zu testen

KI verändert die Softwareentwicklung, nicht nur das Testen, und das bedeutet nicht weniger, sondern mehr Arbeit für das Testen. Entwicklungsteams können jetzt mit hoher Geschwindigkeit Software produzieren, auch Code von unbekannter Qualität. Irgendjemand muss ihn ja testen.

Menschliches Testen allein kann mit diesem Output nicht mithalten. Wenn die Entwicklung so schnell voranschreitet, ist die KI-Unterstützung beim Testen nicht mehr nur optional, sondern Teil des gesamten Teams, das damit Schritt halten muss. Die Geschwindigkeit der Softwareproduktion ist der Druck, der KI in den Testprozess bringt.

Fang jetzt an, das Testen mit KI zu lernen, nicht erst nächstes Jahr

Der Ratschlag ist direkt: Fange jetzt an und verschiebe es nicht. Das Feld entwickelt sich so schnell, dass du schon nach wenigen Monaten ins Hintertreffen gerätst.

Die Anforderungen an die Bewerber/innen verändern sich bereits. Anstatt einen Bewerber nach dem Unterschied zwischen einer Klasse und einem Objekt zu fragen, sind die wichtigeren Fragen, ob er weiß, was MCP ist, wie ein Sprachmodell funktioniert und wie Agenten arbeiten. Das Wissen über das Testen ist nach wie vor das Wichtigste, denn es ist die Basis, auf der alles andere aufbaut.

Für einen strukturierten Weg bietet das ISTQB zwei relevante Lehrpläne an. 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 wurde im Juli veröffentlicht. Der eine lehrt, wie man KI-Produkte testet, der andere, wie man KI-Produkte in der täglichen Arbeit einsetzt. Der Lehrplan für Generative KI soll alle drei bis sechs Monate aktualisiert werden, um mit neuen Trends Schritt zu halten.