Künstliche Intelligenz verändert die Softwareentwicklung. Damit verändert sie auch den Softwaretest. Generative AI kann Anforderungen analysieren, Testfälle vorbereiten, Testdaten erzeugen, Ergebnisse zusammenfassen und Tester bei zahlreichen Aufgaben unterstützen, die bisher überwiegend manuell erledigt wurden.
Für Softwaretester entsteht dadurch eine spannende Frage: Was bleibt eigentlich noch die Aufgabe des Menschen, wenn KI immer mehr Testarbeit unterstützen kann?
Die Antwort ist weniger dramatisch, als manche Schlagzeile vermuten lässt. Generative AI macht professionelle Softwaretester nicht überflüssig. Sie verschiebt vielmehr den Schwerpunkt ihrer Arbeit.
Wer KI sinnvoll im Testing einsetzen möchte, muss weiterhin verstehen, was gute Qualität ausmacht, welche Risiken bestehen und wann ein KI-generiertes Ergebnis tatsächlich belastbar ist.
Damit wird aus klassischer Testkompetenz zunehmend eine Kombination aus Testing, KI-Kompetenz und kritischer Bewertung.
Was bedeutet Generative AI im Softwaretest?
Generative AI kann neue Inhalte auf Grundlage vorhandener Informationen erzeugen. Im Softwaretest bedeutet das beispielsweise, dass ein Large Language Model Anforderungen oder User Stories analysiert und daraus Vorschläge für Testfälle entwickelt.
Es kann Testdaten vorbereiten, mögliche Randfälle identifizieren, bestehende Testfälle überarbeiten oder beim Formulieren von Akzeptanzkriterien unterstützen.
Auch bei der Analyse von Fehlerbeschreibungen, der Dokumentation oder der Vorbereitung automatisierter Tests kann Generative AI eine Rolle spielen.
Damit unterscheidet sich der Ansatz von klassischer Testautomatisierung.
Bei der klassischen Automatisierung wird vorab definiert, welche Schritte ein Tool ausführt. Generative AI kann dagegen aus natürlicher Sprache, Code oder anderen Informationen neue Vorschläge erzeugen und Tester dadurch bereits bei der Analyse und Gestaltung unterstützen.
Das eröffnet neue Möglichkeiten. Es bringt jedoch auch neue Anforderungen an die Qualitätssicherung mit sich.
KI verändert vor allem die Vorbereitung von Tests
Ein erheblicher Teil professioneller Testarbeit beginnt lange vor der eigentlichen Testausführung.
Anforderungen müssen verstanden, Risiken eingeschätzt und geeignete Tests entwickelt werden. Genau in diesen frühen Phasen kann Generative AI viel Arbeit unterstützen.
Ein Tester kann beispielsweise eine User Story oder eine Anforderung analysieren lassen und sich mögliche Testbedingungen vorschlagen lassen.
Die KI kann auf fehlende Informationen aufmerksam machen oder Fragen formulieren, die anschließend mit Fachbereichen und Entwicklern geklärt werden sollten.
Auch verschiedene Testszenarien lassen sich schneller vorbereiten.
Damit verändert sich die Arbeit des Testers von der reinen Erstellung hin zu einer stärker prüfenden und steuernden Rolle.
Der Tester muss nicht zwangsläufig jede Idee selbst formulieren. Er muss aber beurteilen können, welche der erzeugten Ideen sinnvoll sind und welche nicht.
Testfälle lassen sich schneller erzeugen, aber nicht ungeprüft übernehmen
Einer der offensichtlichsten Einsatzbereiche von Generative AI ist die Erstellung von Testfällen.
Aus Anforderungen, User Stories oder anderen Bestandteilen der Testbasis können innerhalb kurzer Zeit zahlreiche Vorschläge entstehen.
Das kann insbesondere zu Beginn einer Testanalyse hilfreich sein.
Doch mehr Testfälle bedeuten nicht automatisch bessere Tests.
Eine KI kann wichtige Randbedingungen übersehen, Anforderungen falsch interpretieren oder Tests erzeugen, die zwar plausibel klingen, aber keinen echten zusätzlichen Erkenntnisgewinn liefern.
Hier zeigt sich eine grundlegende Veränderung der Testerrolle.
Die zentrale Kompetenz besteht zunehmend nicht mehr allein darin, Testfälle zu erzeugen, sondern darin, deren Qualität zu beurteilen.
Welche Tests sind relevant? Welche Risiken werden tatsächlich abgedeckt? Wo fehlen wichtige Szenarien? Wo entstehen nur Varianten desselben Tests?
Generative AI beschleunigt die Erstellung. Die Verantwortung für eine sinnvolle Teststrategie bleibt jedoch beim Menschen.
Auch Testdaten können mit KI schneller entstehen
Testdaten gehören zu vielen Testszenarien zwingend dazu.
Generative AI kann helfen, unterschiedliche Datensätze, Kombinationen oder Grenzfälle vorzubereiten und damit den Aufwand für die Testdatenerstellung reduzieren.
Das ist besonders interessant, wenn zahlreiche unterschiedliche Situationen betrachtet werden sollen.
Gleichzeitig entstehen neue Fragen.
Sind die erzeugten Daten tatsächlich für den Test geeignet? Enthalten sie unbeabsichtigt problematische Muster? Werden sensible Informationen verwendet? Und bilden die Daten die benötigten Situationen realistisch genug ab?
KI kann die Erstellung von Testdaten erleichtern.
Sie entbindet Tester jedoch nicht davon, zu prüfen, ob diese Daten zum jeweiligen Testziel passen.
Prompt Engineering wird auch für Tester zur Kompetenz
Wer Generative AI im Softwaretest einsetzt, kommuniziert mit dem System häufig über Prompts.
Damit wird Prompt Engineering auch für Softwaretester relevant.
Ein sehr allgemeiner Prompt wie „Erstelle Testfälle für diese Anforderung“ kann ein brauchbares Ergebnis liefern. Für professionelle Testarbeit reicht das jedoch häufig nicht aus.
Je klarer Testziel, Kontext, erwartete Abdeckung und Rahmenbedingungen formuliert sind, desto gezielter kann eine KI unterstützen.
Tester benötigen deshalb zunehmend die Fähigkeit, Aufgaben für KI-Systeme strukturiert zu formulieren.
Dabei geht es nicht darum, komplizierte Prompt-Formeln auswendig zu lernen.
Entscheidend ist vielmehr, dass der Tester selbst versteht, welches Testproblem gelöst werden soll.
Nur wer das Ziel kennt, kann auch beurteilen, ob die Antwort der KI hilfreich ist.
Prompt Engineering wird damit zu einer Erweiterung klassischer Testkompetenz.
KI kann Anforderungen kritisch hinterfragen
Softwaretests beginnen nicht erst mit fertigem Code.
Unklare oder widersprüchliche Anforderungen gehören zu den häufigsten Ursachen späterer Probleme. Generative AI kann Tester bereits bei der Analyse der Testbasis unterstützen.
Ein KI-System kann beispielsweise nach Mehrdeutigkeiten suchen, fehlende Informationen identifizieren oder Fragen formulieren, die im weiteren Projektverlauf geklärt werden sollten.
Damit entsteht eine interessante Verbindung zwischen Requirements Engineering und Testing.
Die KI ersetzt dabei nicht das Gespräch mit Stakeholdern.
Sie kann aber helfen, schneller Stellen zu erkennen, an denen dieses Gespräch notwendig ist.
Gerade für Tester kann das wertvoll sein, weil Qualität damit früher im Entwicklungsprozess betrachtet wird.
Der Tester wird stärker zum Prüfer von KI-Ergebnissen
Generative AI erzeugt Ergebnisse sehr schnell.
Genau darin liegt sowohl ihre Stärke als auch ihre größte Herausforderung.
Eine Antwort kann überzeugend formuliert sein und trotzdem fachlich falsch liegen. Ein Testfall kann professionell aussehen und trotzdem einen wichtigen Aspekt der Anwendung übersehen.
Bei generativer KI entsteht deshalb eine neue Form der Qualitätssicherung innerhalb der Qualitätssicherung.
Tester prüfen nicht mehr nur Software.
Sie müssen zunehmend auch die Qualität der KI-Unterstützung beurteilen, die sie bei ihrer eigenen Arbeit einsetzen.
Das verändert den Arbeitsalltag deutlich.
Statt jeden Testfall von Grund auf selbst zu formulieren, können Tester Vorschläge erzeugen lassen und anschließend bewerten, verbessern und priorisieren.
Dadurch wird kritisches Denken nicht weniger wichtig.
Es wird wichtiger.
Halluzinationen werden im Testing zum Qualitätsrisiko
Generative KI kann Informationen erzeugen, die plausibel erscheinen, aber sachlich nicht stimmen.
Im allgemeinen KI-Kontext wird dieses Verhalten häufig als Halluzination bezeichnet.
Im Softwaretest kann das beispielsweise dazu führen, dass ein System Funktionen voraussetzt, die gar nicht existieren, Anforderungen falsch interpretiert oder erwartete Ergebnisse erfindet.
Wer solche Antworten ungeprüft übernimmt, verschiebt Fehler möglicherweise direkt in die Testbasis.
Deshalb muss beim Einsatz von Generative AI eine neue Kontrollfrage selbstverständlich werden:
Woher wissen wir, dass dieses KI-Ergebnis richtig ist?
Diese Frage passt sehr gut zur Denkweise professioneller Tester.
Schließlich gehört Skepsis gegenüber Annahmen bereits heute zum Kern guter Testarbeit.
Generative AI verändert damit nicht die grundlegende Idee des Testens. Sie schafft lediglich eine weitere Quelle von Ergebnissen, die kritisch bewertet werden muss.
Bias kann auch die Testqualität beeinflussen
Eine weitere Herausforderung entsteht durch mögliche Verzerrungen in KI-generierten Ergebnissen.
Wenn ein KI-System bestimmte typische Nutzungssituationen stärker berücksichtigt als andere, kann sich das auch auf vorgeschlagene Tests auswirken.
Bestimmte Nutzergruppen, Randfälle oder ungewöhnliche Situationen könnten dadurch weniger stark berücksichtigt werden.
Tester sollten deshalb nicht davon ausgehen, dass eine KI automatisch für vollständige Abdeckung sorgt.
Gerade menschliche Erfahrung kann dabei helfen, Situationen einzubeziehen, die nicht unmittelbar aus den verfügbaren Informationen hervorgehen.
Generative AI erweitert die Möglichkeiten des Testers.
Sie ersetzt aber nicht dessen Verantwortung für eine ausgewogene und risikoorientierte Betrachtung.
Datenschutz und Informationssicherheit bleiben entscheidend
Wer KI für Softwaretests verwendet, arbeitet häufig mit Informationen aus realen Entwicklungsprojekten.
Das können Anforderungen, Quellcode, Fehlerbeschreibungen, Systeminformationen oder Testdaten sein.
Nicht all diese Informationen dürfen ohne Weiteres in beliebige KI-Anwendungen eingegeben werden.
Damit wird neben Testing-Kompetenz auch ein sicherer Umgang mit Informationen erforderlich.
Tester müssen wissen, welche KI-Werkzeuge im Unternehmen freigegeben sind, welche Daten verwendet werden dürfen und welche internen Vorgaben gelten.
Ein technisch hervorragender Prompt ist wenig wert, wenn dafür Informationen verarbeitet werden, die nicht in das verwendete System gehören.
Der professionelle Einsatz von Generative AI beginnt deshalb nicht nur mit der Frage, was technisch möglich ist, sondern auch mit der Frage, was im jeweiligen Unternehmenskontext verantwortbar ist.
Generative AI kann auch Testautomatisierung unterstützen
Ein weiterer interessanter Bereich liegt in der Testautomatisierung.
Generative AI kann beispielsweise dabei helfen, Code zu verstehen, Vorschläge für Testskripte zu entwickeln oder bestehende Automatisierung zu überarbeiten.
Auch hier gilt jedoch: Ein erzeugtes Skript ist zunächst ein Vorschlag.
Es muss verstanden, geprüft und in die bestehende Testarchitektur eingeordnet werden.
Gerade für Testautomatisierer kann KI dadurch den Einstieg in bestimmte Aufgaben beschleunigen. Gleichzeitig steigt aber die Bedeutung von Architekturverständnis und technischer Bewertung.
Wenn KI Code schneller erzeugt, wird die Frage umso wichtiger, ob dieser Code langfristig wartbar und fachlich sinnvoll ist.
Geschwindigkeit allein ist kein Qualitätsmerkmal.
Was verändert sich dadurch für die Rolle des Softwaretesters?
Generative AI verschiebt die Arbeit weg von einigen wiederkehrenden Tätigkeiten und stärker hin zu Bewertung, Steuerung und Qualität.
Tester werden dadurch zunehmend zu Menschen, die KI-Unterstützung gezielt einsetzen und ihre Ergebnisse kontrollieren.
Das bedeutet nicht, dass klassische Fähigkeiten verschwinden.
Kenntnisse über Testverfahren, Risiken, Testdesign, Qualität und Softwareentwicklung bleiben weiterhin die Grundlage.
Neu kommt die Fähigkeit hinzu, Generative AI als Werkzeug professionell einzusetzen.
Ein guter Tester der Zukunft muss deshalb nicht zum KI-Entwickler werden.
Er sollte aber verstehen, was Generative AI leisten kann, wo ihre Grenzen liegen und wie sich Ergebnisse sinnvoll in den Testprozess integrieren lassen.
Mehr KI bedeutet nicht automatisch weniger Tester
Wenn KI Testfälle erstellen, Daten erzeugen und Dokumentationen vorbereiten kann, liegt eine Frage nahe: Werden künftig weniger Softwaretester benötigt?
Eine pauschale Antwort wäre wenig sinnvoll.
Generative AI kann bestimmte Tätigkeiten erheblich beschleunigen. Gleichzeitig steigen jedoch die Erwartungen an Softwarequalität und die Komplexität digitaler Systeme.
Auch die KI-generierten Ergebnisse selbst müssen bewertet werden.
Dadurch verändert sich weniger die grundsätzliche Notwendigkeit von Testing als vielmehr die Art, wie Testing durchgeführt wird.
Routineaufgaben können stärker unterstützt werden. Menschliche Kompetenz verschiebt sich dadurch zu komplexeren Aufgaben wie Risikobewertung, Teststrategie, Interpretation und Qualitätsentscheidung.
Aus „Wie erstelle ich diesen Test?“ wird häufiger die Frage:
„Ist dieser vorgeschlagene Test tatsächlich der richtige?“
Generative AI sollte nicht nur punktuell eingeführt werden
Einzelne Tester beginnen häufig selbst damit, KI-Werkzeuge auszuprobieren.
Das kann wertvolle Erfahrungen erzeugen.
Langfristig sollten Unternehmen den Einsatz jedoch strukturiert betrachten.
Es braucht Klarheit darüber, für welche Aufgaben Generative AI sinnvoll eingesetzt werden soll, welche Werkzeuge zulässig sind und wie Ergebnisse kontrolliert werden.
Ebenso wichtig ist, Erfahrungen aus einzelnen Teams zu teilen.
Ein guter Prompt, eine sinnvolle Vorgehensweise oder eine erkannte Schwäche eines KI-Tools sollte nicht bei einer einzelnen Person verbleiben.
Damit entwickelt sich der Einsatz von Generative AI vom persönlichen Produktivitätsexperiment zu einem Bestandteil professioneller Testorganisation.
CT-GenAI schafft einen strukturierten Einstieg
Genau an diesem Punkt setzt der ISTQB Certified Tester – Testing with Generative AI (CT-GenAI) an.
Die Qualifikation richtet sich an Softwaretester, Testanalysten, Testmanager, Testautomatisierer und weitere Fachkräfte, die Generative AI gezielt für Softwaretest-Aufgaben einsetzen möchten.
Dabei geht es nicht nur darum, ein KI-Tool bedienen zu können.
Im Mittelpunkt stehen unter anderem Grundlagen generativer KI und Large Language Models, Prompt Engineering im Testing, der Umgang mit Risiken und die Integration KI-gestützter Ansätze in bestehende Testprozesse.
Damit verbindet CT-GenAI bekannte Testing-Kompetenz mit den neuen Möglichkeiten generativer KI.
Wichtig ist dabei eine klare Abgrenzung: CT-GenAI beschäftigt sich vor allem damit, Generative AI für das Testing einzusetzen.
Wer sich dagegen speziell damit beschäftigt, wie KI-basierte Systeme selbst getestet werden, bewegt sich stärker im Themenfeld ISTQB AI Testing.
Diese Unterscheidung hilft Unternehmen und Testern dabei, die passende Qualifizierung für ihre tatsächliche Aufgabe auszuwählen.
Gute Tester werden durch KI wichtiger, nicht unwichtiger
Die vielleicht wichtigste Veränderung durch Generative AI liegt darin, dass die Menge möglicher Ergebnisse enorm wächst.
KI kann in kurzer Zeit zahlreiche Testideen erzeugen, Varianten vorschlagen und Informationen aufbereiten.
Doch jemand muss weiterhin entscheiden, welche davon relevant sind.
Genau hier zeigt sich der Wert professioneller Tester.
Wer Risiken versteht, Qualitätsziele kennt und die Perspektive unterschiedlicher Nutzer einnimmt, kann Generative AI wesentlich effektiver einsetzen als jemand, der lediglich Ergebnisse erzeugen lässt.
KI erhöht damit nicht nur die Geschwindigkeit des Testens.
Sie erhöht auch die Bedeutung von Urteilsfähigkeit.
Fazit: Generative AI verändert Testing, aber nicht das Ziel
Das Ziel professionellen Softwaretestens bleibt unverändert: Qualität sichtbar machen, Risiken erkennen und Vertrauen in digitale Produkte schaffen.
Generative AI verändert jedoch die Werkzeuge, mit denen dieses Ziel erreicht wird.
Testfälle können schneller vorbereitet, Anforderungen analysiert, Testdaten erzeugt und Automatisierungsaufgaben unterstützt werden. Gleichzeitig entstehen neue Risiken durch fehlerhafte KI-Ausgaben, Bias, Datenschutz und unkritische Übernahme von Ergebnissen.
Damit entwickelt sich auch die Rolle des Softwaretesters weiter.
Tester müssen künftig nicht nur Software kritisch hinterfragen. Sie müssen auch beurteilen können, wann KI-Unterstützung hilfreich ist und wann ihr Ergebnis selbst zum Testobjekt für den menschlichen Verstand wird.
Generative AI ersetzt damit nicht die Kompetenz guter Tester.
Sie macht diese Kompetenz an vielen Stellen sogar noch sichtbarer.
Zuletzt erschienen
Wie Unternehmen Regeln, Verantwortung und Kontrolle beim Einsatz von Künstlicher Intelligenz zusammenbringen können, erfahren Sie im vorherigen Beitrag:
„AI Compliance einfach erklärt: Was Unternehmen beim Einsatz von KI beachten müssen“
Schulungstipp: ISTQB Certified Tester – Testing with Generative AI bei SERVIEW
Wenn Sie Generative AI gezielt und professionell im Softwaretest einsetzen möchten, bietet die ISTQB Certified Tester – Testing with Generative AI (CT-GenAI) Schulung bei SERVIEW den passenden nächsten Schritt.
Das Training vermittelt praxisnah, wie Large Language Models und Generative AI entlang des Testprozesses eingesetzt werden können. Sie beschäftigen sich mit Prompt Engineering, KI-gestützter Erstellung und Optimierung von Testfällen und Testdaten sowie mit Risiken wie Halluzinationen, Bias und Datenschutz.
Damit erweitern Sie klassische ISTQB-Kompetenzen um Fähigkeiten, die für modernes KI-unterstütztes Testing zunehmend wichtiger werden.
Mehr erfahren:
ISTQB Schulungen bei SERVIEW
