Achten Sie auf die Lücken beim KI-gestützten Testen und darauf, was noch manuell erfolgt

KI-gestütztes Testen nimmt zu, manuelles Testen entwickelt sich jedoch anders. Vom Schreiben und Wiederholen von Tests bis hin zur Überprüfung der KI-Ausgabe und der Rolle des Orchestrators verändert sich die Rolle des Testers. Woher wissen Sie, was manuell bleiben sollte und wo Sie heute zuverlässig KI nutzen können?

Nehmen Sie mit Nathan Jakubiak von Parasoft und Gastredner Diego Lo Giudice von Forrester Research an einem Kamingespräch über Markttrends teil, unter anderem darüber, warum „Vibe Coding“ „Vibe Testing“ erfordert und welche Rolle die Qualitätssicherung in einem KI-gesteuerten Softwareentwicklungslebenszyklus (SDLC) spielt.

Key Take Away

• KI verändert die Erstellung, Ausführung und Wartung von Tests, aber es ist wichtig, ihre Grenzen zu verstehen.
• Die Rolle manueller Tester verschiebt sich hin zu strategischeren und überwachenden Funktionen.
• Organisationen stehen bei der Einführung von KI vor Herausforderungen, darunter die Weiterbildung von Teams und das Verständnis neuer Technologien.
• Für eine effektive KI-Integration ist das Erlernen neuer Fähigkeiten wie Prompt Engineering und das Verständnis der KI-Funktionen erforderlich.
• Der ideale Tech-Stack für die KI-gestützte Entwicklung umfasst Tools, die KI auf allen Testebenen unterstützen.

Die dauerhafte Rolle manueller Tests

Trotz der Fortschritte in der KI zeigen die Daten, dass manuelles Testen noch lange nicht überholt ist. Tatsächlich wird ein erheblicher Teil der Tests immer noch manuell durchgeführt. Eine aktuelle Umfrage ergab, dass durchschnittlich zwischen 20 und 23.6 Prozent Automatisierung erreicht werden, wobei ein großer Prozentsatz der Entwickler immer noch manchmal oder immer manuelle Tests durchführt. Dies verdeutlicht die Kluft zwischen dem Ideal der Vollautomatisierung und der aktuellen Realität.

Die Rolle der Tester entwickelt sich weiter. Kurzfristig werden sie wahrscheinlich vom Schreiben von Automatisierungsskripten auf die Überprüfung und Verfeinerung von KI-generierten Tests umsteigen. Dies ähnelt der Verwendung von Codegeneratoren durch Entwickler: Die KI erstellt den Code, aber ein Mensch überprüft und passt ihn an. Tester müssen außerdem die Möglichkeiten und Grenzen von KI-Tools verstehen und lernen, den richtigen Kontext für die KI bereitzustellen, um bessere Testfälle zu generieren. Dazu gehört das Verständnis von Konzepten wie Vektoreinbettungen und Retrieval Augmented Generation (RAG).

Mit zunehmender Weiterentwicklung der KI könnten Tester eine stärker orchestrierende Rolle übernehmen und verschiedene KI-Agenten verwalten, die verschiedene Testaufgaben übernehmen. Der zentrale menschliche Faktor, den KI nicht ersetzen kann, ist die Beurteilung, ob das aktuelle Qualitätsniveau den Geschäftsanforderungen entspricht. Dazu gehört das Verständnis des Erscheinungsbilds, der Benutzerfreundlichkeit und der allgemeinen Intuitivität der Anwendung – Aspekte, die über eine einfache Funktionsvalidierung hinausgehen.

Herausforderungen bei der Einführung von KI für Tests

Integration von KI in Test-Workflows ist nicht ohne Hürden. Eine der größten Herausforderungen ist die Akzeptanz – die Überwindung der Angst vor Arbeitsplatzverlust und die Ermutigung der Teams, KI-Tools zu nutzen. Dies erfordert erhebliche Weiterbildung. Tester müssen sich mit KI-Konzepten, großen Sprachmodellen (LLMs) und der effektiven Steuerung dieser Systeme vertraut machen.

Auch das rasante Tempo der KI-Innovation stellt eine Herausforderung dar. Ständig entstehen neue Modelle, multimodale Funktionen und Agenten, sodass es für Unternehmen schwierig ist, Schritt zu halten. Zu verstehen, was jede neue Entwicklung für das Testen bedeutet und wie sie effektiv eingesetzt werden kann, ist eine ständige Aufgabe.

Unternehmen müssen die KI-Fähigkeiten ihrer aktuellen Tools und Anbieter bewerten. Eine zentrale Frage ist: Was kann dies KI-gestütztes Tool Was können Sie heute tun, was ein Standardtool vor einem Jahr noch nicht konnte? Dies hilft, die tatsächlichen Vorteile und den ROI der KI-Einführung zu verstehen. Ohne entsprechende Schulung und Verständnis der Tools kann die Einführung langsam und ineffektiv sein.

Aufbau des idealen KI-erweiterten Tech-Stacks

Wenn Sie über den idealen Tech-Stack für einen KI-gestützten Softwareentwicklungszyklus nachdenken, ist es hilfreich, die Testpyramide zu berücksichtigen. Dieses Modell umfasst typischerweise Unit-Tests an der Basis, gefolgt von Integrationstests (API) und schließlich Funktions- und UI-Tests an der Spitze. Statische Analysen werden häufig ebenfalls am unteren Ende durchgeführt.

KI kann auf allen folgenden Ebenen angewendet werden:

• Statische Analyse: KI kann bei der Triage helfen und sogar Probleme, die bei der statischen Analyse gefunden wurden, automatisch beheben., wodurch der manuelle Aufwand für die Behebung reduziert wird.
• Unit-Tests: KI kann Entwickler durch die Generierung von Unit-Tests unterstützen, einschließlich der Identifizierung von Rand- und Sonderfällen, wodurch Tests gründlicher durchgeführt und Entwicklungszeit gespart wird.
• API-, Funktions- und UI-Tests: KI ermöglicht die Beschreibung von Testfällen in natürlicher Sprache und entfernt sich so von hochtechnischen Spezifikationen. Tools können diese Beschreibungen interpretieren und die Tests ausführen. Auch das Konzept selbstheilender Tests könnte sich weiterentwickeln, bei denen KI potenzielle Probleme präventiv behebt.
• Manuelles Testen: KI kann die Testauswahl durch Techniken wie optimieren Test Impact Analysis, sodass sich Tester bei Änderungen auf die relevantesten Tests konzentrieren können. Dies gilt auch für die Optimierung der Tests, die nach Codeänderungen ausgeführt werden sollen.

Über diese spezifischen Anwendungen hinaus gibt es einen wachsenden Trend zum „Vibe-Testing“, bei dem Tester eng mit KI-Agenten zusammenarbeiten, und zwar in einem dialogorientierten und iterativen Ansatz. Dies erfordert ein fundiertes Verständnis der zugrunde liegenden KI-Modelle und die Fähigkeit, Kontext bereitzustellen, beispielsweise durch Modellgärten, die die Auswahl spezifischer LLMs oder die Integration in bestehende Wissensbasen und Vektordatenbanken ermöglichen.

Neue Fähigkeiten für Tester im KI-Zeitalter

Um relevant zu bleiben, müssen Tester und QA-Experten neue Fähigkeiten entwickeln. Prompt Engineering ist entscheidend – lernen Sie, wie Sie effektiv mit KI kommunizieren, um die gewünschten Ergebnisse zu erzielen. Dazu gehört, Fragen zu stellen, Eingabeaufforderungen zu iterieren und die Interaktion mit KI wie ein Gespräch mit einem Experten zu behandeln.

Traditionelle Testfähigkeiten bleiben jedoch weiterhin wichtig. Zu wissen, was gute Qualität ausmacht, wie man effektive Testfälle schreibt und die geschäftliche und technische Abdeckung zu verstehen, ist nach wie vor unerlässlich. Diese grundlegenden Fähigkeiten fließen in die von Testern erstellten Eingabeaufforderungen ein und helfen ihnen, die Ergebnisse der KI zu bewerten.

Einige Tester müssen ein tieferes technisches Verständnis von KI entwickeln, einschließlich der Funktionsweise von LLMs. Andere konzentrieren sich möglicherweise mehr auf den Aspekt des „Vibe Coding“ und konzentrieren sich auf das Geschäftsverständnis und die Erstellung von Prompts. Der Schlüssel liegt darin, die Funktionsweise von KI-Tools zu erlernen, ihre Grenzen zu verstehen und herauszufinden, wie sie zur Effizienzsteigerung eingesetzt werden können, sei es bei der Generierung von Testfällen, der Triage von Fehlern oder der Erstellung von Testdaten.

Letztendlich sollten Tester die treibende Kraft hinter diesen KI-Tools sein, anstatt von ihnen ersetzt zu werden. Indem sie verstehen, was KI leisten kann und wie sie diese optimal nutzen können, können Tester ihre Karriere vorantreiben und der technologischen Entwicklung immer einen Schritt voraus sein.

Ratschläge zur Einführung von KI

Für Unternehmen, die KI in ihre Testprozesse integrieren möchten, ist ein kleiner Einstieg oft der beste Ansatz. Entwickeln Sie einen klaren Plan für den Einsatz von KI und beginnen Sie mit einem kleinen Team. Dies ermöglicht Experimentieren und Lernen, ohne das gesamte Unternehmen zu überfordern.

Lassen Sie sich bei der Betrachtung des ROI nicht von langwierigen Business Cases aufhalten. Manchmal ist der Nutzen klar ersichtlich. Wenn beispielsweise ein KI-Tool pro Entwickler auch nur eine Minute pro Tag einspart, können die Kosteneinsparungen die Investition schnell rechtfertigen. Der Schlüssel liegt darin, die Tools den Nutzern zur Verfügung zu stellen und sie mit dem Experimentieren zu beginnen.

Der Schutz geistigen Eigentums und der Datenschutz sind besonders bei der Nutzung cloudbasierter KI-Dienste von entscheidender Bedeutung. Stellen Sie sicher, dass das geistige Eigentum Ihres Unternehmens geschützt ist und die Richtlinien des Anbieters keine erneute Schulung von Modellen mit Ihren sensiblen Daten zulassen.

Fördern Sie Experimente und kontinuierliches Lernen. Teilen Sie Wissen und Erfahrungen teamübergreifend, um Fehler zu vermeiden und die Einführung zu beschleunigen. Die Schaffung interner KI-Communitys fördert die Zusammenarbeit und macht die Vorteile bekannt. Priorisieren Sie die KI-Einführung, bleiben Sie über Branchentrends auf dem Laufenden und ermöglichen Sie Teams, zu erkunden, wie KI ihre Testverfahren modernisieren kann.