Gehen Sie einen schnelleren, intelligenteren Weg zur KI-gestützten C/C++-Testautomatisierung. Erfahren Sie mehr >>
WEBINAR
Die KI entwickelt sich rasant – und damit auch der Druck auf die Teams, Schritt zu halten. Anfang 2026 stellen sich viele QA- und Entwicklungsleiter dieselbe Frage: Wie können wir KI so gestalten, dass sie wirklich hilfreich ist und nicht überfordert?
Sehen Sie sich das offene Gespräch zwischen Forrester-Analyst Devin Dickerson, Experten von Parasoft und Bhanu Miryala, Leiter der QA-Automatisierung bei Northbridge Financial, über die aktuellen Entwicklungen im Bereich Softwaretests und die Bereiche an, in denen KI Teams die Arbeit wirklich erleichtern kann.
Devon Dickerson von Forrester hebt einen faszinierenden Trend hervor: Während rund 47 % der Entwickler in Unternehmen angeben, generative KI in ihren Arbeitsablauf zu integrieren, dürfte die tatsächliche Nutzung unter Einzelentwicklern deutlich höher liegen. Dies führt zu einer gewissen Diskrepanz. Einzelentwickler und junge Startups setzen KI-Tools bereits umfassend ein und integrieren sie nahezu standardmäßig in ihre Prozesse. Bei größeren Unternehmen sieht die Situation jedoch anders aus. Viele befinden sich noch in der Pilotphase und kämpfen mit Fragen der Governance, des Datenschutzes und der Messung des Return on Investment (ROI) dieser KI-Initiativen.
Das bedeutet, dass einzelne Entwickler zwar ihre Arbeitsabläufe mithilfe von KI transformieren, Unternehmen aber noch dabei sind, ihren gesamten Softwareentwicklungszyklus darauf auszurichten. Es geht nicht nur um die Einführung der Technologie, sondern auch um die Entwicklung von Richtlinien und Strategien zu ihrer Unterstützung.
Die Art und Weise, wie Menschen KI-Tools nutzen, hat sich deutlich verändert. Anfangs drehte sich alles um „Prompt Engineering“ – also darum, die KI optimal nach ihren Wünschen zu fragen. Das ist zwar nach wie vor wichtig, die eigentliche Innovation findet aber im „Context Engineering“ statt. Dabei geht es darum, die Informationen, auf die die KI Zugriff hat, so zu verwalten, dass sie sich auf das Projektziel konzentriert und die Architekturstandards einhält. Man kann es sich so vorstellen, als würde man den KI-Assistenten auf dem richtigen Weg halten.
Fortschritte wie die Verwendung von Markdown-Dateien in der IDE oder Konzepte wie MCP (das den Programmierassistenten Kontext und Werkzeuge zugänglich macht) sind Teil dieser Entwicklung hin zu einem besseren Kontextmanagement. Diese dynamische Kontextermittlung entwickelt sich zu einem zentralen Problem, auch wenn sich die konkreten Lösungen im Laufe der Zeit ändern können.
Obwohl KI die Codegenerierung deutlich beschleunigt, kann diese Beschleunigung bestehende Schwachstellen im Softwareentwicklungszyklus (SDLC) aufdecken und verschärfen. Banu von Northbridge teilte seine Erfahrungen. Sein Unternehmen, das sich mit komplexen Systemen für die gewerbliche Versicherung befasst, die Legacy- und moderne Technologien kombinieren, befindet sich seit 2021 auf dem Weg der Automatisierung. Sie haben die Automatisierung von einfachen Aufgaben auf C# Selenium umgestellt, CI/CD-Pipelines integriert und sogar hybride API- und UI-Automatisierung erprobt. Dennoch stellten sie fest, dass die rein repetitive UI-Automatisierung keinen signifikanten Mehrwert bot und die Anzahl der Fehler bei manuellen Tests weiterhin höher war.
Hier kommt KI ins Spiel. Banus Team untersucht derzeit, wie KI bei der Generierung von Testfällen, Testdaten und sogar Automatisierungsskripten helfen kann. Ziel ist es, repetitive Aufgaben zu überwinden und kreativere, autonome Tests zu ermöglichen. Dies ist entscheidend, denn wenn die Tests nicht mit der KI-gestützten Codegenerierung Schritt halten, gehen die Vorteile der Gesamtbeschleunigung verloren.
Nathan von Parasoft demonstrierte, wie KI in der Praxis angewendet werden kann. Er zeigte, wie man ein API-Testszenario generieren Anhand einer OpenAPI-Definition und der Beschreibung des gewünschten Testfalls durch den Benutzer. Durch die Aufforderung, zwei Artikel in den Warenkorb zu legen, eine Bestellung aufzugeben und diese zu bestätigen, schlug der KI-Assistent die notwendigen API-Aufrufe vor, parametrisierte die Testdaten (Artikel-IDs und Mengen) und übernahm sogar die Authentifizierung und die Extraktion dynamischer Daten (wie Bestellnummern).
Dieser Prozess erzeugte ein vollständig funktionsfähiges, parametrisiertes Testszenario, das anschließend ausgeführt wurde und erfolgreich Bestellungen in der Demo-Anwendung platzierte. Dies zeigt, wie KI den manuellen Aufwand bei der Erstellung komplexer Testszenarien, insbesondere für APIs, erheblich reduzieren kann.
Wie passen wir also unsere Teststrategien an, wenn Entwickler dank KI schneller programmieren? Banu betonte, dass die traditionelle Automatisierung die Kluft zwischen Entwicklung und Test nicht überbrückt hat. Wir brauchen leistungsfähigere, kreativere und domänenspezifische Testlösungen. Die Herausforderung liegt in den Qualifikationen der vorhandenen Ressourcen; es ist schwierig, Mitarbeiter mit sowohl Domänenwissen als auch Automatisierungsexpertise zu finden. Unternehmen müssen in Schulungen und Tools investieren, die komplexe Architekturen verstehen und sich dynamisch anpassen können.
Devon ergänzte, dass hervorragende Tester sowohl die Technologie als auch die vorgesehene Softwarenutzung verstehen und dadurch realistische Testfälle erstellen. Er merkte außerdem an, dass standardmäßige KI-Codierungsassistenten für die Erstellung dynamischer und umfassender Tests möglicherweise nicht ausreichen. Speziell entwickelte Tools könnten erforderlich sein, um die Testpraktiken an die Geschwindigkeit der Codegenerierung anzupassen.
Da „Vibe-Coding“ immer häufiger eingesetzt wird, stellt sich die Frage: Brauchen wir „Vibe-Testing“? Schnelles Codieren kann zwar Vorteile bieten, birgt aber auch Risiken. Wenn Entwickler Code schreiben, den sie nicht vollständig verstehen, muss das Testen gründlich sein. Qualitätssicherungsmethoden, einschließlich statischer Codeanalyse und Sicherheitstests, sind wichtiger denn je. KI mag zwar repetitive Aufgaben übernehmen, aber die menschliche Validierung bleibt unerlässlich, um sicherzustellen, dass die Anwendung wie vorgesehen funktioniert.
Banu betonte, dass KI mitunter durch den Kontext verwirrt werden kann, insbesondere bei älteren Systemen oder wenn User Stories auf frühere Implementierungen verweisen. Daher benötigen KI-generierte Tests weiterhin umfangreiches Training, Überprüfung und Iteration. Der Wandel muss auf Unternehmensebene erfolgen, mit einem ganzheitlichen Plan zur Integration von KI in alle Funktionen, nicht nur in Entwicklung und Qualitätssicherung.
Das Testen von Anwendungen, die selbst KI-Funktionen enthalten, stellt eine Reihe neuer Herausforderungen dar. Diese Anwendungen können nicht-deterministisch sein, Verzerrungen aufweisen und auf eine Weise reagieren, die zwar korrekt, aber mit traditionellen Testmethoden nicht eindeutig interpretierbar ist.
Nathan schlug vor, KI selbst zur Validierung nicht-deterministischer Ergebnisse einzusetzen. Ein „KI-Asserter“ kann helfen festzustellen, ob ein Ergebnis akzeptabel ist, selbst wenn es leicht abweicht. Beispielsweise kann er erkennen, dass der Status „verarbeitet“ in bestimmten Kontexten einem Status „aufgegeben“ entsprechen kann. Ein anderer Ansatz ist Service-VirtualisierungHierbei können die KI-Komponenten (wie LLMs) durch Platzhalter ersetzt werden, um deterministische Tests zu erstellen. Dies ermöglicht die Validierung der Interaktion des restlichen Systems mit der KI, selbst wenn deren Ausgabe unvorhersehbar ist.
Letztlich Testen einer KI-gestützten Anwendungs erfordert einen Mix aus Strategien: KI für Codeanalyse und TestgenerierungRobuste API-Testautomatisierung, statische Codeanalyse und das Verständnis dafür, wann nicht-deterministische Systeme durch Techniken wie Schema-Erzwingung deterministischer gemacht werden müssen, sind dabei entscheidend. Es geht darum, diese Qualitätspraktiken zu kombinieren, um zuverlässige Ergebnisse zu gewährleisten.
