Chancen und Herausforderungen für das Software-Testing

Laut Gartner haben 45 Prozent der Unternehmen seit dem erfolgreichen Markteintritt von ChatGPT ihre Investitionen in künstliche Intelligenz erhöht und 70 Prozent testen bereits das Arbeiten mit generativer KI. Auch im Bereich Softwareentwicklung und Qualitätssicherung kann die neue Technologie unterstützen. 

Ein großer Pluspunkt generativer KI ist die Möglichkeit, mit ihr in natürlicher Sprache zu kommunizieren. Dadurch können mehr Anwender von dem Tool Gebrauch machen und etwa ohne Programmierkenntnisse Entwicklungs- und Testing-Aufgaben übernehmen. Die Herausforderung besteht darin, die KI richtig anzuleiten, damit sie die gewünschten Ergebnisse liefert. Statt den Code selbst zu schreiben, gestaltet man ihn also mithilfe der KI. Dies erfordert die Verwendung von Eingaben (Prompts) und regelmäßiges Feedback, um sie zu korrigieren. 

Um einer KI die genauen Prozesse beizubringen, müssen Entwickler ihre Gedankengänge beim Coden dokumentieren. Auch für die Testautomatisierung muss diese Herangehensweise gewählt werden: Der Ingenieur sollte so genau wie möglich dokumentieren, wie der Test abläuft und welche Entscheidungen er dabei trifft. Mit dem richtigen Training kann die KI beispielsweise eigenständig Tests generieren oder bestimmte Test Cases für einen Anwendungsfall vorschlagen. 

Generative KI kann zwar Entwicklung und Qualität optimieren, dennoch erfordert ihre Integration in Produkte und Dienstleistungen eine innovative Strategie zur Selbstprüfung. Denn selbstlernende Systeme verändern sich abhängig von den Trainingsdaten permanent. Ein Beispiel: ChatGPT wurde auf die Interaktion mit Menschen optimiert, was aber dazu führte, dass sich die Coding Fähigkeiten verschlechterten. Es ist somit nicht sicher, ob eine KI sich im Einsatz noch so verhält, wie man es erwartet. Dabei stellt sich die Frage: Wie kann man bei KI testen, ob die Antwort – die wir selbst ja nicht kennen – richtig ist?

Eine neue Teststrategie ist gefragt, die sich daran orientiert, was in der Vergangenheit bereits funktioniert hat. Ein Testing also, das eher einem Monitoring gleicht und überprüft, ob die KI vom erwarteten Verhalten abweicht. Anwender sollten zwei Test-Kategorien etablieren: Wichtige Szenarien und kritische Szenarien. Die Technologie erfordert eine ständige Überwachung der Ein- und Ausgaben zur Sicherstellung der Qualität. Hierzu können API-Testtools wie Tricentis Tosca oder Tricentis Testim genutzt werden. Eine Dokumentation aller Änderungen und regelmäßige Überprüfungen sind notwendig ebenso wie die Simulation von Worst-Case-Szenarien bei entscheidenden Einsatzfeldern.

Wichtig ist hier auch, Fragen zu rechtlichen Themen wie Urheberrecht und Datenschutz mit einzubeziehen. Denn wenn Daten einmal in ein KI-System eingeflossen sind, ist es fast unmöglich sie wieder daraus zu entfernen und das System sie vergessen zu lassen. Daher sollten Unternehmen auf eine gute Datenhygiene achten und für jeden Kunden ein separates Datenmodel trainieren. 

Generative KI hat das Potenzial, die Softwarentwicklungsbranche neu zu gestalten – wenn sie sorgfältig und überlegt angewendet wird. Abzuwarten bleibt, wie KI in Zukunft vom Gesetzgeber reguliert wird. Fest steht: Keine Volkswirtschaft kann sich zu starke Restriktionen leisten, sonst wandern innovative Unternehmen in andere Wirtschafträume ab. Wer jetzt schon auf eine gute Datenhygiene achtet und Ein-Kunden-Modelle fährt, hat gute Chancen, in Zukunft von seinen jetzt getätigten Investitionen in die Technologie zu profitieren.

Quelle: David Colwell

 David Colwell ist Vice President of Artificial Intelligence and Machine Learning bei Tricentis, einem Anbieter von Software für Testautomatisierung. Zuvor war er in den Bereichen Innovation, Solutions Architecture und Quality Assurance tätig.