KI im Softwaretest hat 2026 zwei Seiten: Wir testen mit KI, wenn Generative AI Testdesign, Testdaten, Automatisierung oder Analyse unterstützt. Und wir testen KI, wenn Machine-Learning-Modelle, Large Language Models oder KI-Agenten selbst Teil unseres Testobjekts sind.
Beides verändert die Arbeit von Tester:innen. Die größere Veränderung reicht aber über Testing hinaus.
Wenn KI Anforderungen analysiert, Code erzeugt, Tests schreibt oder als Agent selbstständig Werkzeuge bedient, verändern sich auch Entwicklungsprozesse, Rollen und Verantwortlichkeiten. Wer prüft KI-generierten Code? Was darf ein Agent selbst entscheiden? Wie stellen wir sicher, dass Geschwindigkeit nicht auf Kosten der Qualität geht?
KI-Einführung ist deshalb nicht nur eine Toolentscheidung. Sie ist eine Software-Engineering-, Qualitäts- und Organisationsaufgabe.
Die interessante Frage lautet 2026 nicht mehr: „Können wir KI im Testing einsetzen?“
Sondern:
Wo bringt uns KI wirklich weiter – und wie integrieren wir sie so, dass Geschwindigkeit und Qualität gemeinsam steigen?
Testen mit KI und Testen von KI: zwei unterschiedliche Aufgaben
Die Begriffe klingen ähnlich, verlangen aber unterschiedliche Kompetenzen.
| Testen mit KI | Testen von KI | |
| Rolle der KI | Werkzeug für Tester:innen | Teil des Testobjekts |
| Beispiele | Testideen, Testdaten, Analyse, Automatisierung | LLM, ML-Modell, Recommendation Engine, KI-Agent |
| Typische Risiken | Halluzinationen, falsche Vorschläge, Datenschutz, Automation Bias | Bias, variable Ergebnisse, Datenqualität, Robustheit, Security |
| Weiterbildung | ISTQB CT-GenAI, AiU GenAI-Assisted Test Engineer | ISTQB CT-AI v2.0 |
Diese Trennung findet sich inzwischen auch beim ISTQB: CT-GenAI behandelt die Nutzung Generativer KI im Testing. CT-AI v2.0 konzentriert sich vollständig auf das Testen KI-basierter Systeme und berücksichtigt ausdrücklich auch Generative AI und Large Language Models. Der neue CT-AI-Syllabus wurde von elf auf sieben Kapitel gestrafft und entlang des Machine-Learning-Lifecycles neu strukturiert.
In realen Projekten brauchen Teams zunehmend beide Perspektiven.
Wo KI im Softwaretest heute wirklich hilft
Die Frage „Welches KI-Tool sollen wir einsetzen?“ kommt häufig zu früh.
Interessanter ist zunächst:
Welche Aufgabe wollen wir besser lösen?
Testideen und Testfälle entwickeln
Generative AI kann Anforderungen, User Stories und Akzeptanzkriterien analysieren und daraus Testbedingungen und Testideen ableiten.
Ein Beispiel: Für eine Rabattlogik soll das Modell nicht einfach „30 Testfälle erzeugen“. Stattdessen bekommt es die Geschäftsregeln und den Auftrag, Äquivalenzklassen, Grenzwerte und relevante Kombinationen zu untersuchen.
Das kann viel Vorarbeit sparen.
Die entscheidenden Fragen bleiben aber bei den Tester:innen:
Hat das Modell die Anforderung korrekt verstanden? Welche Risiken fehlen? Hat es Voraussetzungen angenommen, die nirgendwo beschrieben wurden?
Genau deshalb beginnt KI-gestütztes Testing häufig eine Stufe früher: bei der Qualität der Requirements.
KI kann Lücken und Widersprüche sichtbar machen. Sie kann unklare Anforderungen aber genauso schnell in unklare Testfälle übersetzen.
Testdaten erzeugen
Generative AI eignet sich gut dazu, synthetische Testdaten zu erzeugen und Varianten schnell in benötigte Formate zu bringen.
Für einen internationalen Checkout können beispielsweise Kombinationen aus Ländern, Adressen, Währungen, Zahlarten und Grenzfällen entstehen.
Was die KI nicht automatisch weiß: Welche Kombinationen fachlich besonders kritisch sind, welche Daten repräsentativ sein müssen und welche Datenschutzregeln gelten.
Auch hier bleibt Testdesign wichtiger als reine Generierung.
Testautomatisierung unterstützen
Coding-Assistenten und Coding-Agenten können Testcode erzeugen, erklären, anpassen und zunehmend auch selbstständig ausführen.
Damit verschiebt sich ein Teil der Arbeit vom Schreiben zum Prüfen, Bewerten und Entscheiden.
Und genau hier wird aus einem Toolthema schnell ein Consulting-Thema:
Welche Änderungen darf ein Agent selbst durchführen? Welche Quality Gates gelten? Wer reviewt KI-generierten Code? Welche Zugriffsrechte erhält das System? Wo ist ein menschlicher Freigabepunkt notwendig?
Je stärker KI in Entwicklungsprozesse eingreift, desto wichtiger werden Architektur, Governance und klare Verantwortlichkeiten.
Fehler und Testergebnisse analysieren
Ein weiteres starkes Einsatzfeld ist die Analyse.
LLMs können Logs zusammenfassen, ähnliche Fehler gruppieren, Testresultate erklären oder mögliche Ursachen mit Änderungen im System in Verbindung bringen.
KI-gestützte Testplattformen integrieren solche Funktionen inzwischen direkt in Testmanagement und Testautomatisierung.
Der Mehrwert besteht dabei nicht darin, dass KI plötzlich „alle Bugs findet“.
Interessanter ist, dass Menschen weniger Zeit mit dem Zusammentragen von Informationen verbringen – und mehr Zeit mit ihrer fachlichen Bewertung.
KI-Werkzeuge 2026: lieber nach Aufgabe als nach Hype auswählen
Eine „Top 10 der besten KI-Testtools“ ist meistens schon veraltet, bevor der Artikel veröffentlicht wird.
Sinnvoller ist eine Einteilung nach Aufgaben:
| Kategorie | Beispiele | Typischer Einsatz |
| Coding-Assistenten und Agenten | GitHub Copilot, Cursor, Claude Code, Codex | Testcode, Analyse, Refactoring, Engineering-Aufgaben |
| LLM-Evaluationswerkzeuge | DeepEval, Ragas, promptfoo | LLM- und RAG-Systeme evaluieren, Regressionen erkennen |
| KI-gestützte Testplattformen | BrowserStack, mabl | Testdesign, Automatisierung, Wartung und Fehleranalyse |
| Eigene KI-Workflows | LLMs plus APIs, MCP und interne Systeme | unternehmensspezifische Engineering- und QA-Prozesse |
Die wichtigeren Fragen lauten:
Welches Problem wollen wir lösen?
Welche Daten benötigt die KI?
Welche Daten darf sie sehen?
Welche Systeme darf sie verändern?
Wie überprüfen wir ihre Ergebnisse?
Und woran erkennen wir, dass der neue Prozess tatsächlich besser ist?
Genau diese Fragen sollten vor einem großen Rollout beantwortet werden.
Prompting für Tester:innen: Struktur statt Zauberspruch
Gutes Prompting besteht nicht aus magischen Formulierungen.
Der aktuelle ISTQB CT-GenAI-Syllabus beschreibt sechs Bestandteile strukturierter Prompts: Rolle, Kontext, Anweisung, Eingabedaten, Randbedingungen und Ausgabeformat.
Für die tägliche Arbeit lassen sie sich gut in vier Fragen bündeln:
1. Wer arbeitet in welchem Kontext?
Hier verbinden wir Rolle und Kontext. Welche Perspektive soll das Modell einnehmen? Und was muss es über das System, die Domäne und die Aufgabe wissen?
Beispiel: „Du arbeitest als Test Analyst für einen B2B-Onlineshop. Bestellungen über 10.000 Euro benötigen eine zusätzliche Freigabe.“
2. Was soll konkret getan werden?
Das ist die Anweisung. Sie sollte klar und möglichst konkret beschreiben, welche Aufgabe das Modell ausführen soll.
Beispiel: „Leite Testbedingungen mithilfe von Grenzwertanalyse und Entscheidungstabellen ab.“
3. Auf welcher Grundlage und innerhalb welcher Grenzen?
Hier kommen Eingabedaten und Randbedingungen zusammen.
Welche User Stories, Akzeptanzkriterien, Testfälle, Screenshots oder Codeausschnitte soll das Modell verwenden? Und was soll es ausdrücklich nicht tun?
Beispiel: „Nutze ausschließlich die folgende User Story und ihre Akzeptanzkriterien. Erfinde keine zusätzlichen Geschäftsregeln. Kennzeichne fehlende Informationen als offene Fragen.“
4. Wie soll das Ergebnis aussehen?
Das Ausgabeformat macht Erwartungen überprüfbarer.
Beispiel: „Liefere eine Tabelle mit Testbedingung, Risiko, Testdaten und erwartetem Ergebnis.“
Zusammen ergibt sich beispielsweise: Du arbeitest als Test Analyst für einen B2B-Onlineshop. Bestellungen über 10.000 Euro benötigen eine zusätzliche Freigabe. Leite auf Basis der folgenden User Story Testbedingungen mithilfe von Grenzwertanalyse und Entscheidungstabellen ab. Erfinde keine fehlenden Geschäftsregeln und kennzeichne Unklarheiten als offene Fragen. Gib das Ergebnis als Tabelle mit Testbedingung, Risiko, Testdaten und erwartetem Ergebnis aus.
Der entscheidende Punkt ist nicht, jeden Prompt möglichst lang zu machen.
Die Struktur zwingt uns dazu, Aufgabe, Ausgangslage, Grenzen und Erwartungen bewusst zu formulieren.
Der CT-GenAI-Syllabus ergänzt diese Grundstruktur unter anderem um Techniken wie Prompt Chaining, Few-Shot Prompting und Meta Prompting.
Und wie beim klassischen Testing gilt:
Ein gut formulierter Prompt ersetzt nicht die Prüfung des Ergebnisses.
KI-Agenten im Test: Wenn aus Antworten Handlungen werden
Ein Chatbot antwortet.
Ein Agent kann handeln.
Er kann Dateien lesen, Repositories untersuchen, Code verändern, Tests starten und abhängig vom Ergebnis den nächsten Schritt auswählen.
Damit werden Abläufe möglich wie:
Requirement → Testidee → Testcode → Testlauf → Fehleranalyse → Änderungsvorschlag
Das ist leistungsfähig. Gleichzeitig entsteht eine neue Qualitätsdimension.
Wir müssen nicht mehr nur überprüfen, was ein KI-System sagt, sondern auch, was es tut.
Dazu gehören Fragen nach Berechtigungen, Secrets, Netzwerkzugriff, Sandboxing, Protokollierung und Freigaben.
Und Agenten verändern Zusammenarbeit.
Wenn ein Agent Tätigkeiten übernimmt, die bisher Entwickler:innen oder Tester:innen durchgeführt haben, müssen Teams neu klären:
Wer prüft welches Ergebnis?
Was bedeutet künftig ein Code Review?
Wann benötigen wir ein Vier-Augen-Prinzip?
Welche Entscheidungen bleiben bewusst beim Menschen?
Welche Kompetenzen werden wichtiger?
KI-Einführung funktioniert deshalb selten dauerhaft als reine Bottom-up-Toolinitiative.
Teams brauchen Freiraum zum Experimentieren – aber ebenso gemeinsame Leitplanken, Lernschleifen und Klarheit über Verantwortung.
KI-Systeme testen: Wenn das erwartete Ergebnis nicht mehr eindeutig ist
Bei klassischer Software wünschen wir uns häufig einen klaren Zusammenhang:
Input X führt zu Output Y.
Generative AI macht das komplizierter.
Ein LLM kann auf dieselbe Frage unterschiedliche akzeptable Antworten liefern. Gleichzeitig kann eine Antwort überzeugend formuliert und trotzdem sachlich falsch sein.
Testing benötigt deshalb mehrere Arten von Testorakeln und Evaluationsmethoden:
- deterministische Prüfungen für eindeutig messbare Eigenschaften,
- kuratierte Test- und Referenzdaten,
- wiederholte Testausführungen,
- geeignete Qualitätsmetriken,
- exploratives Testing,
- Red Teaming,
- Tests von Daten, Retrieval und Tools,
- menschliche Evaluation.
Genau hier setzt ISTQB CT-AI v2.0 an. Die aktuelle Version konzentriert sich vollständig auf das Testen KI-basierter Systeme. Der Syllabus folgt dem ML-Lifecycle und umfasst unter anderem Eingangsdaten, Modelle, ML-Entwicklung sowie eigene Inhalte für Generative AI und LLMs.
Kann KI eine andere KI bewerten?
Ja. Bei LLM-as-a-Judge bewertet ein Sprachmodell die Ausgabe eines anderen Modells anhand vorher festgelegter Kriterien.
Das kann bei großen Mengen generierter Antworten sehr hilfreich sein.
Aber auch der Judge ist ein Modell.
Wo etwas deterministisch geprüft werden kann, sollten wir es deterministisch prüfen. Wo ein LLM bewertet, sollten seine Bewertungen gegen fachlich geprüfte Beispiele und menschliche Urteile kalibriert werden.
Kurz: KI kann Teil des Testorakels sein. Sie sollte nicht ungeprüft das Testorakel ersetzen.
Was der EU AI Act 2026 für Softwaretest bedeutet
Seit dem 2. August 2026 werden weitere zentrale Vorschriften des EU AI Act durchgesetzt. Seit diesem Datum gelten auch Transparenzpflichten nach Artikel 50 für bestimmte KI-Systeme. Dazu gehört beispielsweise, dass Menschen bei bestimmten interaktiven Anwendungen erkennen können müssen, dass sie mit KI interagieren. Für bestimmte KI-generierte oder manipulierte Inhalte gelten ebenfalls Kennzeichnungspflichten.
Der Zeitplan für Hochrisiko-KI wurde inzwischen angepasst. Die entsprechenden Regeln für bestimmte eigenständige Hochrisiko-Systeme nach Anhang III gelten ab 2. Dezember 2027. Für Hochrisiko-KI, die in bestimmte regulierte Produkte integriert ist, gilt der 2. August 2028.
Für Softwaretest und Quality Engineering ist vor allem die Konsequenz interessant.
Risiken, Daten, Robustheit, Security, Transparenz und menschliche Kontrolle müssen systematischer betrachtet werden. Testing kann dafür einen wichtigen Teil der Evidenz liefern:
Was wurde geprüft? Mit welchen Daten? Gegen welche Qualitätskriterien? Welche Grenzen wurden gefunden? Wie verhält sich das System bei Fehlern oder Unsicherheit?
Damit rückt Qualität noch früher in den Lifecycle.
Compliance beginnt nicht kurz vor einem Audit. Sie beginnt bei Produktentscheidungen, Requirements, Architektur und Qualitätsstrategie.
Dieser Abschnitt ersetzt keine Rechtsberatung.
Wo KI im Testing an Grenzen stößt
KI kann erstaunlich überzeugend falsch liegen.
Das führt zu einigen sehr praktischen Risiken.
Halluzinationen: LLMs können Anforderungen, APIs oder Geschäftsregeln erfinden.
Automation Bias: Je häufiger ein Werkzeug gute Ergebnisse liefert, desto größer ist die Gefahr, dass Menschen das nächste Ergebnis weniger kritisch prüfen.
Datenschutz und Informationssicherheit: Requirements, Logs, Sourcecode und Kundendaten gehören nicht automatisch in jedes Modell.
Agentenrisiken: Ein falscher Text ist ärgerlich. Eine falsche Aktion mit Schreibrechten kann ganz andere Folgen haben.
Veränderliche Systeme: Modelle, Prompts, Retrieval-Daten und angeschlossene Tools ändern sich. Damit kann sich auch das Verhalten einer Anwendung verändern.
Und schließlich:
Mehr generierte Tests bedeuten nicht automatisch mehr Qualität.
Wenn KI 1.000 Testfälle erzeugt, müssen wir immer noch wissen, welche davon tatsächlich Erkenntnis liefern.
Professionelle Testkompetenz wird durch KI deshalb nicht unwichtiger.
Sie wird wichtiger.
KI im Testing ist selten nur ein Testing-Thema
Ein Team kann mit einem einzelnen KI-Tool starten.
Sobald daraus aber eine dauerhafte Arbeitsweise werden soll, berührt KI schnell den gesamten Software-Lifecycle.
Produkt und Requirements: Welches Problem wollen wir lösen? Wie definieren wir Erfolg und akzeptable Risiken?
Architektur und Entwicklung: Wo werden Modelle und Agenten integriert? Welche technischen Grenzen gelten?
Quality Engineering: Welche Evaluationsverfahren, Teststrategien und Quality Gates benötigen wir?
DevOps und Betrieb: Wie überwachen wir Qualität, Kosten und Veränderungen des Systemverhaltens?
Security und Resilienz: Was geschieht bei Ausfällen, manipulierten Eingaben oder fehlerhaften Aktionen?
Und schließlich:
Organisation: Welche Aufgaben und Rollen verändern sich? Wo liegen künftig Entscheidungen? Wie lernen Teams voneinander? Und wie verhindern wir, dass jedes Team seine eigenen Regeln für KI erfindet?
Damit wird KI-Einführung auch zu einem Stück Organisationsentwicklung.
Nicht unbedingt als großes Change-Programm.
Oft beginnt sie pragmatischer: mit einem geeigneten Use Case, einem Pilotteam und klaren Erfolgskriterien. Anschließend betrachten wir nicht nur die Technik, sondern auch die Arbeitsweise.
Was ist tatsächlich schneller geworden?
Wo entsteht neuer Review-Aufwand?
Welche Entscheidungen brauchen weiterhin Menschen?
Welche Kompetenzen fehlen?
Welche Leitplanken helfen?
Und was davon sollte auf andere Teams übertragen werden?
Lernen, anpassen, standardisieren, skalieren.
Das ist meist wirksamer, als zuerst ein unternehmensweites KI-Regelwerk zu schreiben und anschließend zu hoffen, dass es zur Praxis passt.
Bei trendig betrachten wir deshalb nicht nur Testing. Unsere Beratung verbindet Produkt- und Innovationsarbeit, Requirements Engineering, Softwarearchitektur, Entwicklungsprozesse, Quality Engineering, digitale Resilienz, Transformation sowie DevOps und Continuous Delivery.
Dabei geht es ausdrücklich auch darum, Lösungen zu schaffen, die zu Teams und Organisation passen. Die aktuelle trendig-Positionierung nennt klare Entscheidungswege, gemeinsame Zielbilder und funktionierende Schnittstellen zwischen Product, Design, Entwicklung und Qualitätssicherung als Teil nachhaltiger Innovation.
Wir starten deshalb nicht automatisch mit der Frage: Welches KI-Tool wollen wir einführen?
Sondern mit:
Was wollen wir besser machen – und woran erkennen wir, dass es besser geworden ist?
Je nach Ausgangslage kann daraus ein Workshop, ein Pilot, eine Qualitätsstrategie, eine Veränderung des Entwicklungsprozesses, Coaching oder Training entstehen.
Das Ziel ist nicht möglichst viel KI.
Das Ziel ist bessere Softwareentwicklung mit beherrschbarer KI-Unterstützung.
Weiterbildung: Mit KI testen – und KI testen lernen
Werkzeuge verändern sich schnell.
Methoden und Kompetenzen halten länger.
Deshalb unterscheiden wir auch bei Weiterbildung zwischen unterschiedlichen Zielen.
ISTQB® Certified Tester – Testing with Generative AI (CT-GenAI)
Wer Generative AI professionell für Testaktivitäten einsetzen möchte, findet im ISTQB CT-GenAI einen strukturierten Einstieg.
Bei trendig dauert das Training 3 Tage.
Der aktuelle Syllabus behandelt unter anderem:
- Grundlagen von GenAI und Large Language Models,
- Prompt Engineering für Testaufgaben,
- Risiken wie Halluzinationen, Bias und Datenschutz,
- LLM-gestützte Testinfrastrukturen und Agenten,
- sowie die organisatorische Einführung von Generative AI im Testing.
Gerade der letzte Punkt ist wichtig: Eine neue Technologie ist noch keine neue Arbeitsweise. Teams müssen Erfahrungen sammeln, Ergebnisse bewerten und daraus gemeinsame Vorgehensweisen entwickeln. Auch ISTQB adressiert im aktuellen CT-GenAI ausdrücklich die organisatorische Einführung und Kompetenzentwicklung.
AiU Certified GenAI-Assisted Test Engineer
Der AiU Certified GenAI-Assisted Test Engineer ist besonders praxisorientiert.
Bei trendig dauert das Training ebenfalls 3 Tage.
Der Schwerpunkt liegt auf der konkreten Nutzung von Generative AI in Testaktivitäten – beispielsweise bei Requirements Reviews, Testdesign, Testdaten und der Kommunikation von Fehlern.
Das Training eignet sich damit besonders für Tester:innen, die GenAI unmittelbar in ihren Arbeitsalltag integrieren möchten.
AiU Certified GenAI-Assisted Test Engineer
ISTQB® Certified Tester AI Testing – CT-AI v2.0
Wer dagegen KI-basierte Systeme selbst testen möchte, braucht einen anderen Schwerpunkt.
Dafür bieten wir das ISTQB CT-AI v2.0 als 4-Tage-Training an. Die trendig-Trainingsübersicht und aktuellen Termine weisen CT-AI entsprechend mit vier Tagen aus.
CT-AI v2.0 ist die aktuelle Version der ISTQB-Zertifizierung für das Testen KI-basierter Systeme. Sie behandelt unter anderem Datenqualität, Machine-Learning-Modelle, neuronale Netze, KI-spezifische Qualitätsmerkmale sowie das Testen von Generative AI und LLMs.
Damit ergeben sich drei unterschiedliche Perspektiven:
CT-GenAI: Generative AI methodisch im Testing einsetzen.
AiU GenAI-Assisted Test Engineer: GenAI sehr praxisnah in der täglichen Testarbeit nutzen.
CT-AI v2.0: KI-basierte Systeme professionell testen.
Und weil KI nicht an der QA-Grenze haltmacht, gehört zum Kompetenzaufbau mehr als Testing.
Auch Product, Requirements Engineering, Architektur, Entwicklung, Security, DevOps und Führung müssen verstehen, was sich durch KI verändert.
Weiterbildung wird besonders wirksam, wenn sie mit der tatsächlichen Arbeit verbunden wird: Wissen lernen, im Pilot anwenden, Erfahrungen reflektieren und daraus neue gemeinsame Arbeitsweisen entwickeln.
So verbinden sich Training, Consulting und Organisationsentwicklung.
Fazit: KI verändert Testing – und die Art, wie wir Software entwickeln
2026 geht es nicht mehr darum, ob jemand ChatGPT schon einmal einen Testfall schreiben ließ.
KI kann Anforderungen analysieren, Testideen erzeugen, Testdaten erstellen, Code schreiben, Fehler untersuchen und als Agent ganze Aufgabenketten bearbeiten.
Gleichzeitig entstehen neue Testobjekte, neue Risiken und neue Qualitätsfragen.
Wir müssen deshalb zwei Dinge lernen:
mit KI zu testen – und KI zu testen.
Unternehmen müssen noch eine dritte Aufgabe lösen:
KI so in ihre Arbeitsweise integrieren, dass Menschen, Prozesse und Technologie zusammenpassen.
Dafür braucht es nicht nur Tools.
Es braucht Test- und Engineering-Kompetenz, klare Qualitätskriterien, passende technische Leitplanken, nachvollziehbare Verantwortlichkeiten und Teams, die gemeinsam lernen können.
Genau deshalb verbinden wir bei trendig Beratung, Coaching und Training entlang des gesamten Software-Lifecycles.
Wir unterstützen dabei, sinnvolle Einsatzfelder zu finden, Qualität von Anfang an mitzudenken, neue Arbeitsweisen kontrolliert auszuprobieren und Menschen so zu befähigen, dass sie diese anschließend selbst weiterentwickeln können.
Denn entscheidend ist am Ende nicht, wie viel KI in Deinem Entwicklungsprozess steckt.
Entscheidend ist, ob dadurch bessere Software entsteht.
faq: häufige fragen zu KI im Softwaretest
Was bedeutet KI im Softwaretest?
Der Begriff umfasst zwei Perspektiven: Beim Testen mit KI unterstützt KI klassische Testaktivitäten. Beim Testen von KI werden KI-basierte Systeme selbst zum Testobjekt.
Wo hilft Generative AI Tester:innen besonders?
Typische Einsatzgebiete sind Requirements-Analyse, Testideen und Testfälle, Testdatengenerierung, Unterstützung bei Testautomatisierung sowie die Analyse von Logs, Testergebnissen und Fehlern.
Kann KI Softwaretester:innen ersetzen?
KI kann einzelne Tätigkeiten automatisieren oder beschleunigen. Risikoanalyse, fachliche Bewertung, Teststrategie und Verantwortung für Qualitätsentscheidungen bleiben jedoch wichtig. Die Rolle verändert sich deshalb stärker, als dass sie einfach entfällt.
Wie ist ein guter Prompt für Testing aufgebaut?
Der ISTQB CT-GenAI-Syllabus nennt sechs Komponenten: Rolle, Kontext, Anweisung, Eingabedaten, Randbedingungen und Ausgabeformat. Für die Praxis lassen sie sich in vier Fragen bündeln: Wer arbeitet in welchem Kontext? Was soll getan werden? Auf welcher Grundlage und innerhalb welcher Grenzen? Wie soll das Ergebnis aussehen?
Was ist der Unterschied zwischen CT-GenAI und CT-AI v2.0?
CT-GenAI behandelt den Einsatz Generativer KI zur Unterstützung von Testing. CT-AI v2.0 konzentriert sich auf das Testen KI-basierter Systeme selbst, einschließlich Machine Learning, Generative AI und Large Language Models.
Wie lange dauert das CT-AI-v2.0-Training bei trendig?
Das ISTQB Certified Tester AI Testing – CT-AI v2.0 bieten wir bei trendig als 4-Tage-Training an.
Was können KI-Agenten im Testing?
Agenten können mehrstufige Aufgaben bearbeiten: Informationen analysieren, Dateien oder Code verändern, Tests starten, Ergebnisse auswerten und weitere Aktionen auslösen. Dadurch werden neben funktionaler Qualität auch Berechtigungen, Security, Kontrollmechanismen und Verantwortlichkeiten wichtig.
Wie testet man LLMs, wenn ihre Antworten variieren?
In der Praxis werden mehrere Methoden kombiniert: deterministische Prüfungen, Referenzdaten, wiederholte Ausführungen, Qualitätsmetriken, exploratives Testing, Red Teaming, LLM-as-a-Judge und menschliche Evaluation.
Ist KI-Einführung nur ein technisches Projekt?
Nein. Sobald KI regelmäßig Aufgaben übernimmt, verändern sich häufig Rollen, Reviews, Entscheidungswege und benötigte Kompetenzen. Deshalb sollten Technologie, Prozesse, Qualifizierung und Organisationsentwicklung gemeinsam betrachtet werden.
Wo sollte ein Unternehmen mit KI im Testing anfangen?
Mit einem klar umrissenen Problem statt mit einem großen Tool-Rollout: Use Case auswählen, Ziel und Qualitätskriterien festlegen, Pilot durchführen und sowohl technische Ergebnisse als auch Auswirkungen auf die Arbeitsweise bewerten. Erfolgreiche Ansätze können anschließend schrittweise skaliert werden.