Daniel Horn beschäftigt sich seit rund 14 Jahren mit Qualitätssicherung, Software Testing und Testautomatisierung. Im Experteninterview erklärt er, warum KI bestehende Herausforderungen im Quality Engineering verstärkt, welche Rolle frühes Testen und Automatisierung spielen und wie Unternehmen ihre Teststrategie an die neue Entwicklungsgeschwindigkeit anpassen können.

Das Wichtigste in Kürze

• KI beschleunigt die Softwareentwicklung – und erhöht damit den Druck auf das Software Testing.
• Klassische Testprozesse geraten an Grenzen, wenn Anforderungen und Software-Inkremente sich ständig verändern.
• Testing muss früher beginnen: Qualitätssicherung sollte bereits bei Anforderungen und Use Cases ansetzen.
• Testautomatisierung, Parallelisierung und automatisierte Umgebungen werden wichtiger, um mit der steigenden Anzahl an Releases und Pull Requests umzugehen.
• KI kann Testfälle erstellen, Ergebnisse analysieren und Fehler priorisieren – sie ersetzt jedoch nicht den menschlichen Tester.
• Unternehmen sollten KI gezielt für konkrete Use Cases einsetzen, statt sie nur aufgrund des aktuellen Hypes zu verwenden.

Software Testing im KI-Zeitalter: Experteninterview mit Daniel Horn

Im vollständigen Experteninterview spricht Daniel Horn über die Herausforderungen des Quality Engineerings im KI-Zeitalter und erklärt, wie Unternehmen ihre Teststrategie an die steigende Entwicklungsgeschwindigkeit anpassen können.

Video ansehen

Transkript lesen

[00:06] Software Testing im KI-Zeitalter. Warum Qualitätssicherung neu gedacht werden muss. Herzlich willkommen zum heutigen accompio Fokusthema aus Dresden. Bei mir ist Daniel Horn. Daniel, schön, dass du da bist. Magst du dich kurz vorstellen und erläutern, welche Rolle du im Bereich Quality Engineering und Software Testing hast und welche Herausforderungen dich da täglich fordern in deinem Arbeitsalltag? Vielen Dank, dass ich hier sein darf. Ja, mein Name ist Daniel Horn, wie schon gesagt, ich bin seit knapp 14 Jahren in der Qualitätssicherung tätig, als Berater. Hauptsächlich Testing, manuelles Testing, Testautomatisierung, Testmanagement, alles das, was man sich so in der Qualitätssicherung vorstellen konnte. Und über die letzten Jahre hat sich mein Fokus so ein bisschen

[00:52] hinbewegt zu: Wie kann man Qualität tatsächlich in der agilen Transformation besser gestalten? DevOps-Teams besser gestalten, also alles, wo man denkt: hochqualitative Software. Wie kann ich das bewerkstelligen? Wie müssen meine Testprozesse dafür ausgelegt werden? Jetzt beschleunigt KI diesen gesamten Entwicklungsprozess. Was bedeutet diese neue Geschwindigkeit für die Rolle von Quality Engineering? Ja, prinzipiell verstärkt KI erstmal nur das, was wir vorher schon über den agilen Wandel gesehen haben. Also so dieses ganze Thema, weichere Anforderungen, schnellere Iterationszyklen usw. und so fort. Das hat vor KI das ganze Quality Engineering schon

[01:39] auf die Probe gestellt. Jetzt mit KI, mit noch schnelleren Prototyping durch die Entwickler und durch die Programmierer wird dieser Missstand, der über die letzten Jahre aufgekommen ist, natürlich nur noch stärker sichtbar. Und ja, die Hauptherausforderung wird halt sein: Wie kommunizieren wir Qualität? Wie können wir Qualität letzten Endes in die Software wirklich reinbringen? Konstruktiv, aber auch dann analytisch sicherzustellen, dass das, was wir wollen, auch tatsächlich geliefert wurde. Und an welcher Stelle gerät der klassische Entwicklungs- und Testprozess da zuerst unter Druck? Schon relativ früh. Also diese klassischen Testprozesse gehen halt davon aus,

[02:25] dass man stabile Anforderungsdokumente hat, schon vorher sich mal Gedanken darüber gemacht hat was braucht man denn eigentlich? Agilität, KI dreht das Ganze halt um. Wir wollen schneller werden, Wir wollen schneller am Markt sein und prüfen, ob das, was wir eigentlich gerade gebaut haben, schon da ist, und alles das, was man mal nach Lehrbuch gelernt hat, geht davon aus, dass wir stabile Anforderungen haben. Wir wissen schon, wie die Software am Ende aussehen soll. Und hier kommen wir halt schon das erste Mal so richtig unter Druck. Wir wissen das eigentlich gar nicht. Und das Zweite ist natürlich je schneller diese Lieferungen kommen, desto mehr wird es dann bei der Testautomatisierung oder bei der Testdurchführung unter Druck geraten. Testpipelines von ein bis zwei Tagen können wir uns halt jetzt nicht mehr

[03:12] leisten. Wo entstehen aktuell die größten Engpässe für Quality Engineering Teams bei der Vorbereitung, Durchführung und Auswertung von Tests? Das, was halt sichtbar wird, ist tatsächlich bei der Ausführung. Also wie schon gesagt, die Lieferung wird immer schneller und irgendwie diese Bugwelle, die sich gerade so vor den Entwicklern vorschiebt mit Hey, wir haben ja immer mehr Features, wir haben ja immer mehr Lieferungen, immer mehr Commits. Klassische Testteams kommen da halt nicht mehr hinterher, weil die Testmethoden, das Testvorgehen, natürlich noch darauf ausgelegt sind, dass nach klassischen Systemen geliefert wird. Also wir liefern irgendwie wöchentlich, wir liefern irgendwie alle zwei Wochen, das lässt sich einplanen.

[03:58] Wenn jetzt das heißt wir liefern alle zwei Stunden, können wir nicht mehr damit rechnen, dass wir irgendwie zwei Tage lang Testing-Zeiträume haben, sondern wir müssen das irgendwie anders bewerkstelligen. Und was verändert sich dadurch ganz konkret im Arbeitsalltag eines Quality-Engineering-Teams? Salopp lässt sich das einfach in einem Satz ausdrücken. Also stell dir vor, du versuchst auf bewegte Ziele zu schießen im Dunkeln. Also so nach dem Motto Du weißt halt, das, was gestern noch gültig war, ist heute nicht mehr gültig. Das, was gestern noch funktioniert hat, muss heute nicht mehr unbedingt funktionieren, weil ja natürlich neue Software-Inkremente gekommen sind. Und so weiter und so fort. Und diese Geschwindigkeit, die stellen Tester tatsächlich aktuell vor große Herausforderungen.

[04:45] Und da hilft halt oft auch wirklich nur noch mal einen Schritt zurückgehen, zu gucken, wo können wir denn testen, wo können wir Qualität heben? Und über die letzten Jahre hat sich leider so ein bisschen eingeschlichen, dass funktionaler Test sehr, sehr viel End-to-End-Testing ist. Also wir prüfen, wenn die Software fertig ist. Wir gucken, dass dann alle Funktionen da sind und wir müssen wieder mehr hin zu dem, was eigentlich gelehrt wird. Viele kleine Tests, viele frühe Tests und wenige Tests in den späteren Entwicklungsstufen. Und gibt es da Veränderungen, die Unternehmen zwingend brauchen, damit die Qualität mit dieser enormen Entwicklungsgeschwindigkeit Schritt halten kann? Die Teams müssen enger zusammenarbeiten, also eigentlich alles das, was so das ganze agile Manifest und ja,

[05:33] die agile Transformation, DevOps, schon seit 20 Jahren predigt, ist: Teams müssen zusammenwachsen, Teams müssen besser kommunizieren. Wie schon gesagt, das verstärkt sich halt alles durch KI jetzt und das verstärkt sich durch diese Geschwindigkeit da wird das plötzlich sichtbar, dass diese Kommunikation unabdingbar ist. Eine Trennung zwischen Business-Analyse, Entwickler, Programmierer und Tester ist so halt irgendwie nicht mehr tragbar, sondern alle müssen miteinander reden. Jeder muss dasselbe Verständnis von der Software haben. Und von Anfang an sollten vielleicht dann auch schon Tester in der Anforderungsanalyse beteiligt sein. Was kann man denn testen? Wo sind Edge Cases, die eine KI oder der Code letzten Endes betrachten sollte? Und je mehr Informationen ich einer KI gebe, desto besser wird der Code

[06:19] natürlich dann auch. Eine KI kann nur mit dem arbeiten, was sie weiß und oft hat man einfach so ein intrinsisches internes Wissen, was nicht kodifiziert ist und wir müssen mehr lernen, dieses Wissen zu kodifizieren. Wir müssen mehr lernen, von vornherein zu sagen das ist das, was wir wollen, auch wenn es erstmal nur das erste Inkrement ist. Aber das ist erstmal unsere Qualitätsschranke, die wir aufbauen. Und in dieser Schranke kann dann die KI am besten arbeiten. Welche Fehler machen Unternehmen derzeit besonders häufig, wenn sie KI in der Softwareentwicklung einsetzen, ohne ihre Teststrategie anzupassen? Du hast jetzt eigentlich schon genannt, die setzen halt KI ein, ohne die Teststrategie anzupassen. Also prinzipiell wird KI erstmal nur verwendet für: wir wollen programmieren, wir wollen coden, wir wollen entwickeln.

[07:06] Das ganze System steht und fällt aber damit, dass eigentlich die gesamte Pipeline oder der gesamte Prozess ja mehr oder weniger im Flow bleiben muss. Und wenn ich jetzt nur eine Stelle beschleunige, dann habe ich hinter dieser beschleunigten Stelle plötzlich einen Stau, weil ich nicht mehr weiterkomme und vor dieser Stelle oder in dieser Stelle plötzlich so ein Vakuum, weil die da vorgelagerten Prozesse einfach nicht schnell genug sind, um neue Anforderungen und neue Inputs zu liefern. Das, was ich beobachte oder was wir beobachten, ist tatsächlich dass Unternehmen KI halt sehr, sehr fokussiert auf einzelne Stellen ansetzen und gucken. Das kann man hier machen, das kann man da machen, aber dabei den Gesamtprozess aus dem Blick verlieren und einfach nicht mehr wissen,

[07:54] was braucht denn eigentlich meine Entwicklung, was braucht meine Programmierung, das braucht dann Anforderungen und die müssen auch irgendwie schneller geliefert werden. Und so weiter und so fort. Also ja, den Gesamtprozess mehr oder weniger im Blick behalten. Und das ist der größte Fehler in meinen Augen. Wichtige Konzepte im Software Testing sind ja seit Jahren Shift Left und Shift Right. Ist das noch zeitgemäß oder braucht es ein neues Verständnis von Qualitätssicherung? Ich glaube, die Konzepte sind sogar noch zeitgemäßer oder noch aktueller als das, was sie vor fünf, sechs Jahren waren. Also Shift Left sagt ja eigentlich Wir verlagern qualitätssichernde Aufgaben in frühere Aktivitätsstufen oder in frühere Prozessstufen. Das heißt, wir haben Themen wie konstruktive Qualitätssicherung.

[08:43] Wir stellen vorher schon mal sicher was wollen wir denn überhaupt testen? Während der Anforderungsanalyse wird schon mal geprüft. Das könnten Edge Cases sein, das könnten Use Cases sein. Oder sind Use Cases, die wir testen. Und dieser Gedanke, frühzeitig mit dem Test anzufangen und frühzeitig mit qualitätssichernden Maßnahmen anzufangen, das ist ja das, was Shift Left mehr oder weniger aussagt. Und ja, die KI wird halt auch einfach, je mehr ich gebe, desto mehr oder desto bessere Ergebnisse wird sie liefern. Auf der anderen Seite Shift Right ist ja ein Konzept, das sagt: Qualität sollte aus dem Fachbereich kommen, beziehungsweise die Qualitätsanforderungen sollten aus dem Fachbereich kommen, was hier natürlich auch wieder in dieses ganze Thema Kommunikation reinspielt. Also wir müssen mehr kommunizieren der anfordernde Fachbereich,

[09:30] die anfordernden Stellen, sollten halt tatsächlich auch schon mal sagen das ist uns wichtig. Ein gesamtes Softwaresystem schon mal vorher zu designen und zu sagen, das muss es können, um dann festzustellen, das ist eigentlich gar nicht das, was, was der Fachbereich wollte. Da habe ich Zeit verloren, egal wie es war. Dann habe ich Token verbrannt bei der KI. Ich habe im Zweifelsfall Wochen oder Monate verloren, was überhaupt nicht notwendig wäre. Also von daher alle Stellen mehr oder weniger frühzeitig in diesen ganzen Qualitätsfindungsprozess, Anforderungsprozess mit einzubinden, hebt letzten Endes konstruktiv die Qualität des Systems. Der ganze analytische Teil der wird dann irgendwie mit in diese Prozesse reingearbeitet werden müssen.

[10:16] Wie verändert sich die Zusammenarbeit zwischen Entwicklung und Quality Engineering, wenn KI immer größere Teile der Softwareentwicklung übernimmt? Kommunikation wird eigentlich immer wichtiger. Also das heißt, alle beteiligten Teile müssen in irgendeiner Art und Weise miteinander kommunizieren, miteinander reden und sich miteinander austauschen. Die Aufgaben des Quality Engineering werden vermutlich auch weggehen von diesem ganzen analytischen Teil hin zu: Wie kann ich ganze Teams enablen und wie kann ich mein Produktteam letzten Endes dahin bringen, dass es in Qualität denkt, dass es nicht einfach nur Hey, ich habe Feature geliefert, fertig aus, sondern dass im Zweifelsfall auch noch mal geguckt wird,

[11:02] was kann denn passieren, wenn der Kunde oder der Benutzer da irgendwie sinnlose Daten eingibt? Also genau dieses Enablement wird es viel mehr geben. Und welche Rolle spielen dabei Testautomatisierung und Continuous Testing? Also vor allem im Bezug auf die Geschwindigkeit moderner Entwicklungsprozesse. In der aktuellen Geschwindigkeit mehr oder weniger unabdingbar. Also wir haben es vorher schon gesehen. Testautomatisierung hat den ganzen Prozess beschleunigt. Wir konnten unsere Testzyklen mehr oder weniger einkürzen, dadurch, dass man halt Testautomatisierung gemacht hat. Und wenn wir jetzt schneller liefern, desto mehr Testautomatisierung muss man machen. Also als kleines Beispiel zum Beispiel: Ich habe letztens auch über die letzten Wochen eine kleine Software gebaut

[11:51] und die hat dann auch irgendwie Zyklen von 2 bis 5 Stunden, bis ich gesagt habe. Hey, das ist fertig oder nicht? Und wenn ich nach fünf Stunden kein Ergebnis hatte, habe ich das abgebrochen und neu gemacht. Und das ging auch nur, weil ich von vornherein ein relativ hartes Qualitätskorsett gesetzt habe und gesagt habe: Teste alles das, was du schreibst, teste alles das, was gemacht wird, und ich mache am Ende nur noch eine Abnahme, eine Sichtabnahme: Passt das? Ist das, was ich eigentlich letzten Endes angefordert habe ist auch das geliefert worden, was ich wollte? Hätte ich das nicht gehabt, wären wahrscheinlich diese Zyklen bedeutend länger geworden. Oder es wäre am Ende tatsächlich Software rausgekommen, die nicht das getan hätte, was sie soll. Jetzt kann KI heutzutage Testfälle erstellen, Testergebnisse analysieren oder Fehler priorisieren.

[12:37] Wo siehst du da aktuell den größten Mehrwert? Du hast es eigentlich schon genannt. Also es ist mehr oder weniger, KI-Systeme sind Systeme, die Vorhersage-Orakel sind so nach dem Motto Hey, ich korreliere ein Wort A mit einem Wort B und das führt zu einem Ergebnis C. Irgendwann hat man mal gelernt Korrelation ist nicht gleich Kausalität. Also genau das muss halt geprüft werden. Und aber diese Themen, die bleiben ja nicht aus. Also das, was halt einem Programmierer hilft, wird auch im Quality Engineering Testautomatisierung helfen. Codegenerierung. Alles das, was irgendwie. Wir müssen sich wiederholende Tasks machen.

[13:24] Wir müssen regelmäßig mal auf Ergebnisse gucken, eventuell Muster erkennen. Also gerade auch so bei Mustererkennung ist KI halt einfach unschlagbar gut, weil es einfach sagen kann. Hey, in meinem Datensatz taucht jetzt dieser Fehler 200 mal auf bei 300 Testfällen. Vielleicht hat es einen Root Cause mehr oder weniger einen Kernfehler, der letzten Endes da im Code ist und nicht einfach 200 Fehler. Und wir müssen nicht 200 Tests analysieren, sondern uns auf einen Fehler spezifizieren. Also da wird KI sehr, sehr stark helfen in der Analyse und in der Codegenerierung und all dem, was letzten Endes sich wiederholende Aktivitäten sind.

[14:11] Alles das, was ich sage es mal künstlerisch oder nachdenkend ist, da sollte man halt KI eher als Brainstorming-Partner und Ähnliches verwenden und die Ergebnisse lieber doch noch mal zwei-, dreimal überprüfen. Das heißt, da gibt es natürlich beim Einsatz von KI auch klare Grenzen. Wo siehst du den menschlichen Tester, die menschliche Testerin als unerlässlich? Als prüfende Stelle, also bei all dem Hype, den KI gerade macht, sollten wir uns halt immer bewusst sein: KI ist erstmal nur ein Werkzeug. Also ich kann Werkzeuge natürlich richtig einsetzen. Ich kann Werkzeuge aber auch falsch einsetzen. Und genau mit diesen, mit diesem Gedanken sollte man

[14:57] halt immer mal gucken, wie kann ich KI sinnvoll einsetzen? Setze ich KI in diesem Augenblick überhaupt erst erstmal sinnvoll ein oder setze ich KI erstmal nur als Mittel zum Zweck ein? Weil ich gerade einen KI-Bot habe oder ein LLM habe, muss ich nicht unbedingt jede Aktivität an mein LLM abtreten. Und da dann tatsächlich noch mal zu gucken, was sind Aufgaben, wo ich definitiv schon mal sage: Hey, da bin ich schneller, da bin ich vielleicht auch konstruktiver als eine KI, weil eine KI oft in ihren Trainingsdaten bleibt und da sehr, sehr wenig ausbrechen kann, was ich sage mal, Scheuklappen angeht. Hilft da vielleicht auch das menschliche oder der menschliche Aspekt immer noch, also dieser Human in the Loop?

[15:46] Ein anderer Aspekt ist natürlich immer so ein Thema Souveränität. Weil jetzt gesetzt den Fall was passiert oder gesetzt den Fall, alle meine Systeme sind auf KI, alle meine Prozesse sind durch KI-Agenten implementiert. Ich habe eigentlich niemanden mehr, der irgendwie was prüft, was passiert, wenn die Anbieter ihre Preisschrauben andrehen? Was passiert, wenn Anthropic plötzlich sagt Ne, in der EU wollen wir kein Geschäft mehr machen? Und so weiter und so fort. Also diese ganze Abhängigkeit, das muss natürlich auch irgendwie sichergestellt werden, dass man sich nicht zu abhängig macht von diesen Systemen. Also ich bin der Meinung, alles das, was eine KI macht, sollte mindestens noch ein Mitarbeiter in irgendeiner Art und Weise manuell machen können. Klar, es dauert länger, aber der Prozess sollte dadurch nicht stehen bleiben.

[16:34] Das ist auch noch mal ein wichtiger Ansatz. Die Abhängigkeit, die du angesprochen hast. Das ist wahrscheinlich vielen auch gar nicht so bewusst, die sich mit dem Thema beschäftigen. Jetzt haben wir die menschliche Komponente angesprochen. Kannst du vielleicht noch mal so ganz konkrete Aufgaben nennen, die wirklich von einem erfahrenen Quality Engineer nach wie vor übernommen werden müssen? Prinzipiell die Einschätzung wie gut ist die Software tatsächlich? Also dieses ganze Risikomanagement. Testen ist erstmal nur eine Risikomanagement-Aktivität. Also wollen wir mit dem, wie die Software aktuell aussieht, wollen wir damit live gehen oder auch nicht? Und Testen senkt das Risiko oder gibt Signale, um letzten Endes diese Risikoaussage treffen zu können.

[17:21] Und diese Aussage, die würde ich immer einen Menschen treffen lassen, weil das ist eine Aussage, da sind im Zweifelsfall Haftungsthemen dahinter. Das sind rechtliche Themen dahinter, das sind aber auch finanzielle Risiken dahinter. Und da eine KI, wo ich nicht weiß, wo kriegt die ihre Information her, die Aussage treffen zu lassen, Ja, jetzt deployen und gib ihm, sehe ich ein bisschen kritisch. Also ich bin da auch eher so der Mensch, habe die kritischen Prozesse lieber selber in der Hand als dass man das so abtritt. Daniel, wie sollte aus deiner Sicht eine moderne Teststrategie aussehen, die die Vorteile der KI nutzt, aber keine Kompromisse bei Qualität und Sicherheit eingeht?

[18:07] Für mich und ich habe es ja mehrfach schon angesprochen, viel in dieser Strategie sollte Zusammenarbeit sein, Kommunikationsprozesse sein und Ähnliches. Also wie können wir sicherstellen, dass Qualität tatsächlich durch die KI automatisch mit eingebaut wird? Wie können wir vorher schon sicherstellen, dass dieses Qualitätskorsett oder unsere Qualitätsschranken mehr oder weniger da sind? Frühzeitig testen, also wirklich frühzeitig schon die Qualität reinbringen. Viele Unit-Tests, viele Integrationstests einplanen. Wenn ich das mache, habe ich eigentlich in der Regel schon 80 bis 90 % der kritischen Fehler in irgendeiner Art und Weise aufgefangen und nicht mehr da. Und Qualitätssicherung darf

[18:53] halt nicht das letzte Glied in der Kette sein. Also oft wird es einfach so gesehen: Hey, wir entwickeln was wir haben unsere Software. Das muss geprüft werden. Das ist mehr oder weniger so dieser Fabrikgedanke. und Conveyor-Belt-Gedanke. So am Ende ist die Qualitätsabnahme und Ähnliches. Wir müssen halt mehr in die Konzepte rein, dass Qualität von Anfang an automatisch mit eingebaut ist. Und das schaffen wir halt nur durch Automatisierung, frühzeitige Automatisierung, Parallelisierung. Im Zweifelsfall Parallelisierung von Testsystemen usw. und so fort. Also wir müssen halt hier viel mehr in die Richtung gehen,

[19:39] was konnten wir technisch überhaupt vorher schon machen, was aber überhaupt nicht notwendig war, weil der Druck dafür nicht da war, das sollten wir jetzt verstärken. Also wie können wir 200 Pull-Requests gleichzeitig testen, die alle eine unterschiedliche Version haben? Das funktioniert natürlich nicht mit einem oder zwei stabilen, fixen Testumgebungen. Also viel mehr in: Wie kann ich skalieren automatisieren von alldem, was in irgendeiner Art und Weise in diese Prozesse reingeht? Tests automatisieren, Deployments automatisieren, Umgebungen automatisieren. Zum Abschluss hätte ich gerne noch einen Tipp von dir für Unternehmen, die heute KI in ihre Softwareentwicklung integrieren möchten.

[20:24] Was würdest du denen raten? Ich wiederhole mich: KI sollte nicht Mittel zum Zweck sein. Also ich sollte KI nicht einsetzen, nur weil KI da ist und weil gerade der Hype da ist. Wir sollten immer prüfen, welche Use Cases wollen wir damit wirklich machen? Gibt es im Zweifelsfall sogar schon Automatisierungslösungen oder Prozesse, die schneller und günstiger sind als eine KI? Also eine KI ist halt auch nicht das Schnellste. Die muss halt nachdenken, muss jedes Mal neu ihre Prozesse überdenken. Kritisch zu hinterfragen, in welchen. Kritisch zu hinterfragen, in welchen Schritten möchte ich KI gerne einsetzen? In welchen Schritten ist KI tatsächlich notwendig? Wo habe ich Unstimmigkeiten oder im Zweifelsfall

[21:13] unklare Anforderungen oder unklare Voraussetzungen? Da hilft halt KI. Alles das, was eigentlich stupides Abarbeiten von Dingen ist, und stupides Durchklicken, stupides Wir testen einfach die eine Klasse. Das muss nicht unbedingt durch KI gemacht werden. Das kann halt auch über klassische Automatisierungslösungen gemacht werden. Ansonsten sollten wir KI gesamtprozesstechnisch denken, nicht in Einzelprozessen, sondern gesamtprozesstechnisch. Da helfen Workshops mit allen Stakeholdern. Da hilft tatsächlich noch mal reinzugehen. Was für Ängste haben Leute, also mehr oder weniger auch jeden abholen, der in diesem Prozess beteiligt ist. Das können die Early Adopter sein, das sollten aber auch die Kritiker sein,

[21:59] die im Zweifelsfall halt noch mal hinterfragen. Themen wie Souveränität: Was passiert, wenn Systeme nicht mehr da sind? Also alles das zu bedenken und nicht einfach auf diesen Hype-Zug aufspringen. Daniel, vielen Dank für diesen Tipp zum Schluss vielen Dank für das tolle Gespräch. Ihnen danke ich fürs Zuschauen, fürs Zuhören und wir hören uns, sehen uns gerne beim nächsten accompio Fokusthema. Super.

KI beschleunigt die Entwicklung – aber nicht automatisch die Qualität

KI verstärkt zunächst eine Entwicklung, die bereits mit agilen Methoden und kürzeren Iterationszyklen begonnen hat. Anforderungen werden flexibler, Software wird schneller entwickelt und häufiger ausgeliefert.

Mit generativer KI steigt diese Geschwindigkeit nochmals deutlich. Entwickler können schneller Prototypen erstellen und größere Mengen an Code produzieren. Für Quality Engineering bedeutet das: Die bisherige Geschwindigkeit von Testprozessen reicht zunehmend nicht mehr aus.

Testpipelines, die ein oder zwei Tage benötigen, passen nicht mehr zu einer Umgebung, in der innerhalb kürzester Zeit neue Software-Inkremente entstehen.

„KI ist erstmal nur ein Werkzeug.“

Daniel Horn, Principal IT-Consultant bei accompio

Testing muss früher beginnen

Ein zentraler Ansatz ist deshalb das sogenannte Shift Left: Qualitätssicherung wird möglichst weit nach vorne in den Entwicklungsprozess verlagert.

Statt erst die fertige Software zu testen, sollte bereits während der Anforderungsanalyse gefragt werden: Was soll eigentlich getestet werden? Welche Use Cases gibt es? Welche Edge Cases müssen berücksichtigt werden? Und welche Qualitätsanforderungen bestehen überhaupt?

Daniel Horn sieht dabei auch die Kommunikation zwischen Fachbereich, Entwicklung und Testing als entscheidend. Qualitätsanforderungen sollten nicht erst am Ende des Entwicklungsprozesses entstehen, sondern möglichst früh gemeinsam definiert werden.

Das führt zu einem grundsätzlichen Wandel: Testing wird nicht nur zur Kontrolle fertiger Software, sondern zu einem Bestandteil der Softwareentwicklung von Anfang an.

Automatisierung wird zum entscheidenden Faktor

Wenn Software schneller entwickelt und häufiger ausgeliefert wird, müssen auch Tests schneller durchgeführt werden können.

Testautomatisierung ist dabei kein völlig neues Konzept. Sie hat bereits in der Vergangenheit geholfen, Testzyklen zu verkürzen. Durch die zusätzliche Geschwindigkeit von KI gewinnt sie jedoch nochmals an Bedeutung.

Dabei geht es nicht nur darum, einzelne Testfälle zu automatisieren. Auch Deployments, Testumgebungen und die parallele Durchführung von Tests müssen stärker automatisiert werden.

Ein Beispiel verdeutlicht die Herausforderung: Wenn gleichzeitig hunderte Pull Requests mit unterschiedlichen Softwareständen getestet werden sollen, reichen ein oder zwei feste Testumgebungen nicht mehr aus. Testsysteme müssen dynamisch und parallel bereitgestellt werden können.

Was kann KI im Software Testing übernehmen?

KI bietet im Testing verschiedene Möglichkeiten. Sie kann beispielsweise Testfälle erstellen, Testergebnisse analysieren, Fehler priorisieren oder bei der Mustererkennung unterstützen.

Gerade bei großen Mengen an Testergebnissen kann das hilfreich sein. Statt hunderte Ergebnisse manuell auszuwerten, kann KI dabei helfen, Auffälligkeiten zu erkennen und den Fokus auf relevante Fehler zu lenken.

Trotzdem bleibt die menschliche Bewertung wichtig. KI sollte als Werkzeug und Unterstützung verstanden werden – nicht als Ersatz für das fachliche Verständnis eines Testers.

KI nicht um ihrer selbst willen einsetzen

Für Unternehmen ergibt sich daraus eine wichtige Frage: Wo bringt KI tatsächlich einen Mehrwert?

Daniel Horn warnt davor, KI nur einzusetzen, weil sie verfügbar ist oder der aktuelle Hype es nahelegt. Für manche Aufgaben existieren bereits klassische Automatisierungslösungen, die schneller, günstiger oder zuverlässiger sein können.

Deshalb sollte jeder Prozess kritisch betrachtet werden: Wo ist KI sinnvoll? Wo reicht klassische Automatisierung? Und an welchen Stellen ist menschliche Expertise unverzichtbar?

KI sollte dabei nicht nur für einzelne Arbeitsschritte betrachtet werden. Sinnvoller kann es sein, den gesamten Prozess zu analysieren und gemeinsam mit den beteiligten Teams zu überlegen, an welchen Stellen KI tatsächlich unterstützt.

Die moderne Teststrategie: früh, automatisiert und parallel

Eine moderne Teststrategie muss laut Daniel Horn vor allem eines leisten: Qualität frühzeitig und kontinuierlich in den Entwicklungsprozess integrieren.

Dazu gehören viele kleine Tests auf unterschiedlichen Ebenen – beispielsweise Unit- und Integrationstests – anstatt ausschließlich umfangreicher End-to-End-Tests am Ende des Entwicklungsprozesses.

Gleichzeitig müssen Tests, Deployments und Testumgebungen stärker automatisiert und parallelisiert werden. Nur mit umfassendem Test Management können Quality-Engineering-Teams mit einer Entwicklung Schritt halten, bei der potenziell hunderte Änderungen gleichzeitig entstehen.

„Wir müssen mehr in die Richtung gehen: Was können wir technisch überhaupt schon machen, was vorher aber überhaupt nicht notwendig war? Das sollten wir jetzt verstärken.“

Daniel Horn, Principal IT-Consultant bei accompio

Quality Engineering für Ihre Anwendungen mit accompio

accompio unterstützt Unternehmen dabei, ihre Teststrategie an die steigende Entwicklungsgeschwindigkeit anzupassen.

Zu unseren Leistungen

Fazit: KI verändert Testing – aber ersetzt Quality Engineering nicht

KI verändert die Geschwindigkeit der Softwareentwicklung grundlegend. Damit steigt auch der Druck auf bestehende Testprozesse. Die Antwort darauf ist jedoch nicht, sämtliche Testaufgaben an KI zu übergeben. Unternehmen müssen vielmehr ihre gesamte Teststrategie weiterentwickeln: früher testen, stärker automatisieren, Prozesse parallelisieren und Qualitätsanforderungen bereits bei der Entwicklung berücksichtigen.

KI kann dabei unterstützen: bei der Erstellung von Testfällen, der Analyse von Ergebnissen oder der Erkennung von Mustern. Die Entscheidung, wo und wie KI sinnvoll eingesetzt wird, bleibt jedoch eine zentrale Aufgabe der Menschen im Quality Engineering.

Über den Experten

Daniel Horn
Principal IT-Consultant bei accompioÜber den Experten

Daniel Horn ist Principal IT-Consultant bei accompio und unterstützt Unternehmen dabei, ihre Teststrategie an die steigende Entwicklungsgeschwindigkeit anzupassen.

LinkedIn

FAQ zu Software Testing im KI-ZeitalterWie verändert KI das Software Testing?

KI beschleunigt die Softwareentwicklung und führt dadurch zu mehr Software-Inkrementen und kürzeren Entwicklungszyklen. Testing muss deshalb schneller, stärker automatisiert und früher in den Entwicklungsprozess integriert werden.

Kann KI Softwaretester ersetzen?

KI kann Tester bei Aufgaben wie der Erstellung von Testfällen, der Analyse von Testergebnissen und der Mustererkennung unterstützen. Die fachliche Bewertung und die Entscheidung, welche Tests und Qualitätsanforderungen relevant sind, bleiben jedoch wichtige Aufgaben des Menschen.

Was bedeutet Shift Left im Software Testing?

Shift Left bedeutet, Qualitätssicherung möglichst früh in den Entwicklungsprozess zu verlagern. Tests und Qualitätsanforderungen werden bereits während der Anforderungsanalyse und Entwicklung berücksichtigt, statt erst am Ende die fertige Software zu prüfen.

Warum wird Testautomatisierung durch KI wichtiger?

Wenn Software schneller entwickelt und häufiger ausgeliefert wird, müssen auch Tests schneller durchgeführt werden. Automatisierte Tests, Deployments und Testumgebungen ermöglichen es, größere Mengen an Änderungen parallel zu prüfen.

Welche Aufgaben kann KI im Software Testing übernehmen?

KI kann Testfälle erstellen, Code für die Testautomatisierung generieren, Testergebnisse analysieren, Fehlermuster erkennen und Auffälligkeiten priorisieren. Die fachliche Prüfung sowie Risiko- und Freigabeentscheidungen sollten weiterhin Menschen im Quality Engineering übernehmen.

Welche Rolle spielt Continuous Testing bei KI-beschleunigter Softwareentwicklung?

Continuous Testing integriert automatisierte Tests fortlaufend in den Entwicklungsprozess. Dadurch werden Fehler schneller sichtbar und kurze Lieferzyklen möglich. Dafür müssen neben den Tests auch Deployments und Testumgebungen automatisiert und bei Bedarf parallel bereitgestellt werden.

Wie entwickeln Unternehmen eine moderne Teststrategie für das KI-Zeitalter?

Eine moderne Teststrategie beginnt früh mit klaren Qualitätsanforderungen, Unit- und Integrationstests. Fachbereich, Entwicklung und Quality Engineering arbeiten eng zusammen, wiederkehrende Tests, Deployments und Umgebungen werden automatisiert und menschliche Experten behalten Risiko- und Freigabeentscheidungen in der Hand.