Viele kleine Schleifen
Agentische QA braucht viele kleine Feedback-Schleifen im Prozess statt eines großen Test-Gates am Ende. Drei Ideen, wo ein Team damit anfangen kann.
KI & Softwarequalität
Künstliche Intelligenz verändert Softwarequalität in zwei Richtungen: Teams müssen KI-basierte Systeme mit ihren probabilistischen Ergebnissen prüfen und können zugleich generative KI für Analyse, Testentwurf und Automatisierung einsetzen. Dieser Themenbereich trennt beide Perspektiven und verbindet technische Möglichkeiten mit realistischen Qualitätsrisiken.
Die Beiträge und Podcastfolgen behandeln unter anderem das Testen von LLMs, Daten- und Modellqualität, geeignete Evaluationsansätze sowie den verantwortungsvollen Einsatz von KI im Testing. Sie zeigen, wo KI produktiv unterstützt, wo menschliches Urteilsvermögen unverzichtbar bleibt und wie Experimente in nachvollziehbare Qualitätsarbeit überführt werden können.
Grundlagen
Artikel
Testing 2026: Die Arbeit wandert vom Schreiben zum Prüfen
Im Testing 2026 ist KI Werkzeug, Sparringspartner und Prüfling. Fünf Felder von Spezifikation über explorative Tests und Testdaten bis zu KI-Features.
Schnellere Pferde
Mit KI bauen wir gerade schnellere Pferde für unseren alten Job. Die richtigen Probleme sind menschliche, und dafür müssen wir miteinander reden.
Zwischen Stolz und Wegwerfware
Wer KI-Output nur übernimmt, baut keine Beziehung zum Ergebnis auf. Warum Ownership beim Durchdringen entsteht und nicht beim Generieren.
Die große Verdichtung
KI und Agilität verdichten Wissen und Arbeit in der Software-Entwicklung. Warum uns dabei die Zeit zum Denken fehlt und wie bewusste Bremsen helfen.
KI: Lösen wir die für uns relevanten Probleme?
KI in der Softwareentwicklung generiert Apps im Nu, während Teams in Legacy-Code ersticken. Warum KI die Probleme lösen sollte, die wirklich wehtun.
Entspannt, aber achtsam
KI-Hype von allen Seiten: warum Komplettverweigerung selten funktioniert und wie kleine Schritte und der Gartner Hype Cycle gelassen machen.
Verhindern wir Lernen?
Wer KI nur für den Output nutzt, überspringt den Lernprozess. Tester lernen durch Fragen und Systemwissen, GPT hilft als Kritiker und bei Routinen.
Von Werkzeugen und Wegbereitern
Die Zukunft des Testens liegt nicht in besseren Tools, sondern in Menschlichkeit. Warum Tester die Dolmetscher zwischen den Welten sind.
Wenn KI programmiert
Braucht KI eigene Programmiersprachen? Warum menschenlesbarer Code nur ein Zwischenstadium sein könnte und welche Rolle Entwicklern bleibt.
Stoizismus - Entscheidungen treffen in der KI-Welt
Stoizismus hilft, in der KI-Welt klarer zu entscheiden: Kontrolle, Tugenden und Akzeptanz schaffen Fokus, wenn KI uns mehr Entscheidungen zuschiebt.
Fokus Mensch
KI und Mensch teilen sich die Arbeit: KI übernimmt Routine, der Mensch entscheidet. Wer in KI investiert, muss auch in Menschen investieren.
(Test)datenradikalkur
Eine Testdaten-Radikalkur kommt vor der KI. Datenmengen, Schemas und Datenschutz bremsen das Testdatenmanagement, KI allein löst das nicht.
KI-Systeme testen: Qualität muss neu definiert werden
KI-Systeme testen heißt, Qualität neu zu definieren. Zugleich hilft KI im Softwaretest bei Testfällen, Testdaten und Fehleranalyse. Ein Zwischenstand.
Software-Test und KI – Mensch gegen Maschine
Mensch gegen Maschine im Software-Test: KI hilft bei Analysen, Testfällen, Fehlersuche und Testdaten, entscheiden muss der Mensch.
SDET und Coaching-Rollen: Tester brauchen breitere Profile
Der SDET, ein Tester mit Entwicklerkompetenz, und Coaching-Rollen tragen Qualität ins Team. Der Quality Engineer löst den Testmanager ab.
T-Shape-Tester: Von Requirements bis DevOps mitdenken
T-Shape-Tester kennen neben dem Test auch Requirements, Architektur, Entwicklung und DevOps. Dazu kommen ML-Systeme als Testobjekt.
Künstliche Intelligenz testen: Statistik statt Ja und Nein
Wer künstliche Intelligenz testen will, bewertet Ergebnisse statistisch und prüft die Trainingsdaten mit. Umgekehrt übernimmt KI selbst Testaufgaben.
Podcastfolgen
Wie man Regeln und Skills baut, damit Agenten sich erinnern
Mit Coding Agents arbeiten Entwickler am System statt im System und brauchen weniger Reviews. Hooks, Regeln und Retro-Skills verankern Korrekturen.
Agentische Systeme im Testen: Warum der Mensch entscheidet
Agentische Systeme mit acht bis zwölf KI-Agenten decken das Testen von der Anforderung bis zum Performance-Test ab. Menschen prüfen jede Übergabe.
KI-generierter Code: Qualitätssicherung muss mitwachsen
KI-generierter Code heißt mehr Code und statistisch mehr Fehler. Nur rund 30 Prozent der KI-Review-Kommentare taugen, die Prüfung muss mitwachsen.
KI beim Testen steigert den Wert erfahrener Tester
KI beim Testen hilft bei Routine, doch KI-generierter Code bringt mehr Fehlerzustände. Erfahrene Tester mit Geschäftswissen werden dadurch wertvoller.
KI als Tester: Mit LLM as a Judge Sprachmodelle prüfen
KI als Tester: Mit LLM as a Judge und kalibrierten Rubriken lassen sich LLM-Anwendungen automatisiert testen, auch ohne deterministisches Ergebnis.
API Testing: Agentenoptimiertes Design senkt Token-Kosten
API Testing liefert stabileres Feedback als Frontend-Tests. Wer REST, GraphQL, Webhooks und MCP kennt, testet gezielter und spart Tokens.
LLMs im Testen: Fang mit kleinen, überschaubaren Aufgaben an
LLMs im Testen lohnen sich bei kleinen, klaren Aufgaben wie Testdokumentation und regelbasierten Reviews. An altem Embedded-Code scheitern sie.
Vibecoding und das fehlende Systemverständnis in der Praxis
Die Mittelschicht der Entwickler bricht weg, wer bleibt, braucht breites Systemverständnis und echte Tiefe statt nur Vibecoding-Routine.
Dokumentation mit KI-Personas automatisch prüfen
KI-Personas als Dokumentations-Tester: Wie ein simulierter Junior-Entwickler mit 1,8 Mio. Token zeigt, wo Docs wirklich scheitern.
Lernen und Verlernen mit KI: Was länger hält als Tools
Lernen und Verlernen mit KI: In einer MIT-Studie zeigten Studierende mit ChatGPT die schwächste Hirnvernetzung. Kritisches Denken wird wichtiger.
Was KI mit Vertrauen und Teamgefüge wirklich anrichtet
KI macht das Teamgefüge sachlicher, doch das ist kein Fortschritt. Wo niemand mehr Fehlbarkeit erlebt, leiden Vertrauen und Feedbackkultur im Team.
Fähigkeiten von Testern: Warum Kommunikation entscheidet
Fähigkeiten von Testern zählen mit KI mehr denn je: Kommunikation und kritisches Denken. Wer QA-Teams abbaut, lässt die Nutzer die Fehler finden.
KI im Labor: Erst die Strategie, dann die API-Anbindung
KI im Labor gelingt auch unter strenger Regulierung: Stakeholder kartieren, den Umfang eng halten und die Konformität per Bow-Tie-Analyse belegen.
Wenn generative KI gegen die eigenen Werte verstößt
Generative KI ist ethisch nicht verwendbar, solange Trainingsdaten ohne Zustimmung genutzt werden und Milliardäre die Modelle kontrollieren.
Chatbot-Testen: Warum Fehler in Prompt und Abruf stecken
Chatbot-Testen bricht mit der klassischen Testlogik: gleiche Eingabe, andere Ausgabe. Wer die abgerufenen Chunks protokolliert, findet die Fehler.
KI-gestütztes Testen: Tester behalten die Kontrolle
KI-gestütztes Testen ersetzt keine Tester, spart aber grob 20 bis 40 Prozent Aufwand bei Testdaten und Testfällen. Die Kontrolle bleibt bei ihnen.
Agentic Engineering: KI beschleunigt vorhandene Prinzipien
Wer schlechte Prinzipien hat und AI einsetzt, wird schneller schlechter. Warum Agentic Engineering mehr als Codegenerierung braucht.
Sicherheitstests für KI: Ausgabe prüfen statt nur Eingabe
Sicherheitstests für KI reichen von manipulierten Trainingsdaten bis zu Prompts, die Gehälter verraten. Oft schützt erst ein Filter an der Ausgabe.
Das Vertrauen in KI-Agenten lebt im System rund um das Modell
Vertrauen in KI-Agenten entsteht wie bei Kollegen: durch klare Kommunikation und Kontrollen. Ein System um das Modell fängt dessen Fehler auf.
QFD liefert Ursache-Wirkungs-Analysen, die LLMs fehlen
Quality Function Deployment (QFD) verknüpft Kundennutzen per Matrix mit Funktionen und Testfällen. Irrelevante Tests fallen weg, Prioritäten sitzen.
KI‑generierte Testfälle im regulierten Umfeld
KI-generierte Testfälle im Medizintechnik-Umfeld: wie ein RAG-System ohne Tool-Validierung regulatorisch sauber bleibt.
Next-Gen Software Engineering: Jedem Modell ein Testmodell
Next-Gen Software Engineering koppelt Konstruktion und Qualitätssicherung eng. KI-generierter Code wird auf Dauer teuer, und Tester bleiben gefragt.
Kritisches Denken beim Testen mit KI: Quellen prüfen
Kritisches Denken bleibt beim Testen mit KI die Kernaufgabe. Wer KI-Ergebnisse ohne Blick auf die Quelldaten übernimmt, hat seinen Job nicht gemacht.
KI-Testassistent: Normgerechte Testfälle nach ISO 29119
Der KI-Testassistent Sherlock der Stadt München übernimmt die Testfallerstellung für Fachbereiche ohne Testwissen, Export nach TestLink oder X-Ray.
Macht KI im Softwaretest den Testerjob überflüssig?
KI im Softwaretest verschiebt den Testerjob zu Teststrategie und kritischem Hinterfragen. Dazu: flaky Tests isolieren, Shift Left über Refinements.
KI im Testalltag: Mehr Tempo, mehr Barrierefreiheitstests
KI im Testalltag beschleunigt Testfälle, Skripte und Testdaten, wenn erfahrene Tester steuern. Barrierefreiheitstests wuchsen 2025 durch Regulierung.
Software-Qualität: KI beschleunigt nur saubere Prozesse
Software-Qualität beginnt beim Testprozess, KI rächt fehlende Grundlagen nur schneller. Fehlerintuition und nicht-funktionale Tests zählen mehr.
Legacy-Apps testen mit KI: Visuelle Selektoren statt IDs
Legacy-Apps testen ohne Element-IDs: Ein KI-Modell erkennt Bedienelemente per Screenshot. Bei der Bahn laufen so 60 Testfälle in rund drei Stunden.
KI-Bias: Menschen übernehmen Vorurteile von Algorithmen
KI-Bias entsteht aus Trainingsdaten. Gefährlich wird er, weil Menschen Empfehlungen von Algorithmen rasch übernehmen und die Schieflage übersehen.
KI im Requirements Engineering braucht präzise Prompts
KI im Requirements Engineering: Für KI-basierte Anforderungsanalyse gehören Scope, Kontext und Schablone in den Prompt, sonst erfindet das Modell.
Natürliche Intelligenz im Test: Der Mensch bewertet die KI
Natürliche Intelligenz findet Bugs durch Neugier, Intuition und Kontextwissen. KI-generierte Unit-Tests bleiben oft in einer Äquivalenzklasse hängen.
KI im Software-Testing: Systemwissen bleibt unverzichtbar
KI im Software-Testing hilft bei Testdaten und Code-Reviews, übersieht aber Seiteneffekte gewachsener Systeme. Deshalb zählen Tester-Skills weiter.
Software-Testumfrage: Testverfahren geraten in Vergessenheit
Die Software-Testumfrage 2024 zeigt: Ein Drittel nutzt KI beim Codieren, Testautomatisierung stagniert seit 2020, Testverfahren verlieren an Boden.
Statische Code-Analyse mit KI: Zwei Drittel der Fixes taugen
Statische Code-Analyse liefert tausende Findings, ein Sprachmodell soll sie beheben. Wo das klappt und wo Modelle ihr Nichtwissen verschweigen.
Zukunft der Softwareentwicklung: KI erzeugt Legacy-Code
Die Zukunft der Softwareentwicklung wirkt vertrauter als gedacht: KI liefert vor allem schneller Legacy-Code. Gute Entwickler zeichnet das Testen aus.
Qualitätssicherung für KI-Agenten: Probezeit inklusive
Qualitätssicherung für KI-Agenten gleicht einer Einstellung: Auswahl, Probezeit, Kontrolle. Prompt-Logs, KI-Prüfer und Reviews prüfen die Ergebnisse.
Legacy-Modernisierung, wenn die Experten fehlen
Bei der Legacy-Modernisierung fehlen oft die Fachexperten, nicht die Technik. Wie Umbau in Scheiben, Tests und RAG das Wissen im Altcode heben.
Prüfung von KI-Systemen: Eine Matrix ordnet das Prüffeld
Die Prüfung von KI-Systemen braucht Ordnung: Die AI Assessment Matrix des TÜV AI Lab legt Prüfdimensionen gegen den Daten- und Modell-Lifecycle.
Anforderungsanalyse: Lücken finden mit DEFOSPAM
Bei der Anforderungsanalyse zeigen sich oft mehr Lücken als gedacht. DEFOSPAM deckt sie systematisch auf, und KI kann dabei als Ideengeber helfen.
KI-Testbeschreibung: Testfälle strukturiert wie Code
Eine KI-Testbeschreibung gliedert Testfälle in Testziel, Schritte und Akzeptanzkriterien, gestützt auf fünf Fähigkeiten und Kriterien wie Robustheit.
KI-gestütztes Testdesign: Methodenwissen bleibt Pflicht
KI-gestütztes Testdesign liefert Äquivalenzklassen und Grenzwerte in Minuten, aber nicht fehlerfrei. Die Lücken zeigt nur Methodenwissen.
Trends im Software-Testen: KI und Gesetze als Treiber
Trends im Software-Testen 2024: KI steckt in jedem Testwerkzeug, European Accessibility Act und Cyber Resilience Act ziehen Prüfungen nach vorn.
Trends im Software-Testing: KI testen und mit KI testen
Trends im Software-Testing laut Umfrage: KI liegt beim Testen auf Platz zwei nach der Programmierung. Requirements Engineering hinkt, Scrum dominiert.
Generative KI: Generierte Unit-Tests zementieren Bugs
Generative KI schreibt Unit-Tests, die Bugs festschreiben. GenAI Testing hilft trotzdem: Testfälle prüfen, Edge Cases finden, Boilerplate bauen.
Barrierefreiheitstests: KI prüft sprachliche WCAG-Kriterien
Barrierefreiheitstests landen oft im Wust aus Word, Excel und Browser. Eine integrierte Testumgebung spart Aufwand, KI prüft sprachliche Kriterien.
KI-Testen: Determinismus entscheidet über die Teststrategie
KI testen klingt komplex, reduziert sich aber auf eine Frage: deterministisch oder nicht? Was das ganz konkret für die Teststrategie heißt.
Skills für Tester: Welches Problem löst das KI-Tool?
Skills für Tester drehen sich um KI als Werkzeug und Testobjekt, Testdaten unter dem Cyber Resilience Act und Qualität als Teamaufgabe.
Softwareentwicklung in zehn Jahren: Grundlagen bleiben
Softwareentwicklung 2034 bleibt vertrauter als gedacht: alte Sprachen, Tests und präzise Fragen zählen weiter. KI beschleunigt vor allem Legacy-Code.
Im A4Q Practical Tester erzeugt KI die Prüfungsfragen
Der A4Q Practical Tester prüft Test-Skills an realen Szenarien wie Testplan und Defect-Report. Sprachmodelle erzeugen die Fragen, Experten prüfen sie.
ATDD für LLMs: Fehlerdialoge als Tests und Trainingsdaten
ATDD überträgt fehlschlagende Akzeptanztests auf das Fine-Tuning von LLMs. So fallen Regressionen auf, doch ein String-Vergleich reicht dafür nicht.
Podcast Software Testing: Rückblick auf das erste Jahr
Ein Jahr Podcast Software Testing: 67 Folgen, über 22.000 Downloads. Was aus einem spontanen Video-Call wurde und wie es weitergehen soll.
ChatGPT im Softwaretest: Stark beim explorativen Testen
ChatGPT im Softwaretest leitet Testfälle ab und erzeugt Testdaten. Wer mit ChatGPT testen will, braucht Fachwissen, um Unsinn zu erkennen.
KI-Qualitätssicherung: Qualität wird zur statistischen Größe
KI-Qualitätssicherung heißt umdenken: kein klares Testorakel, statistische Qualität statt Pass/Fail. Metamorphes Testen und Pairwise Testing helfen.
Faire KI: Assurance Case macht Fairness testbar
Faire KI klingt gut, aber was bedeutet das messbar? Warum sich Fairness-Maße widersprechen können und wie ein strukturierter Assurance Case hilft.
Audio-KI testen: Jeder Fehler kostet ein neues Training
Audio-KI testen, ohne in den Code schauen zu können: Warum goldene Testsätze, Trainingsdaten-Tracking und ChatGPT dabei eine Rolle spielen.
Prompt Engineering für Testfälle: Review bleibt Pflicht
Prompt Engineering für Testfälle: Few-Shot-Beispiele machen sie robuster, Bibliotheksspezifikationen korrekter. Zwei von elf Tests blieben falsch.
Vom Tischler zum Tester: Quereinstieg neben dem Vollzeitjob
Vom Tischler zum Tester: Handwerkliche Genauigkeit hilft, ISTQB Foundation Level legt die Basis. Welche Aufgaben KI übernimmt, welche nicht.
Machine Learning im Testing: Ursachen statt roter Tests
Machine Learning im Testing: KI entlastet automatisiertes Testen, gruppiert rote Tests nach Ursache (aus 200 werden sieben) und wählt nach Risiko aus.