KI-Technik & Entwicklung

Softwaretests mit LLMs: Testfälle, Testdaten und Automatisierung absichern

Testfälle schreiben, Testdaten bereitstellen und eine wachsende Suite stabil halten kostet QA-Teams viel Zeit. Welche Teile dieser Arbeit LLMs und KI-Funktionen in Testwerkzeugen übernehmen können, erarbeiten Sie an vier Stellen: beim Ableiten von Testfällen aus Anforderungen, beim Erzeugen synthetischer Daten, bei UI- und API-Tests und bei der risikobasierten Priorisierung. Ebenso viel Gewicht bekommt die Frage, wie halluzinierte Tests auffallen und warum hohe Abdeckung allein wenig aussagt. Den Abschluss bildet ein Plan für den KI-Einsatz in Ihrer eigenen Testlandschaft.

Für wen

Test-Engineers, QA-Verantwortliche sowie Entwicklerinnen und Entwickler, die mit KI mehr Testabdeckung und effizientere Testabläufe erreichen wollen.

KI-Tagesseminar · 1 Tag

Testfälle und Testdaten generieren, Suiten priorisieren, Qualität der Tests sichern

Das nehmen Sie mit

  • Für jede Phase des Testprozesses können Sie begründen, wo LLMs entlasten und wo sie unzuverlässig werden.
  • KI-generierte Testfälle haben Sie in einer Übung bewertet, in einer zweiten eine Testsuite nach Risiko geordnet.
  • Halluzinierte Tests und irreführende Abdeckungswerte erkennen Sie und sichern KI-Testcode durch Reviews ab.
  • Am Beispiel einer CI-Pipeline sehen Sie, wie KI-gestütztes Testen in den Entwicklungsablauf eingebunden wird.

Ablauf

  1. Teil 1

    Modul 1 – Einordnung: Wo LLMs im Testprozess ansetzen

    • Einsatzfelder entlang des Testlebenszyklus: Testidee, Testentwurf, Ausführung, Pflege der Suite
    • Stärken und Schwächen von LLMs beim Testen: plausible Testfälle ja, fachlich verlässliches Testorakel nein
    • Testwerkzeuge mit KI-Unterstützung: Funktionsumfang verbreiteter Produkte im Vergleich
    • Routinearbeit, die sich abgeben lässt: Testdaten anlegen, Grenzwerte durchspielen, Testskripte anpassen
    • Bestandsaufnahme: wo die Testabdeckung in Ihren Projekten derzeit Lücken hat
  2. Teil 2

    Modul 2 – Generieren: Testfälle und Testdaten mit KI erzeugen

    • Testfälle aus User Stories, Akzeptanzkriterien und vorhandenem Code ableiten lassen
    • Synthetische Testdaten erzeugen und Produktionsdaten anonymisieren, bevor sie in Testumgebungen landen
    • Übung: Mit einem LLM Testfälle zu einer Anforderung generieren und nach Relevanz bewerten
    • Qualität vor Masse: Dubletten aussortieren, Grenzwerte und Fehlerpfade gezielt abdecken
  3. Teil 3

    Modul 3 – Automatisieren: UI- und API-Tests erstellen und stabil halten

    • UI- und API-Tests mit KI-Unterstützung schreiben und in bestehende Testframeworks einfügen
    • Selbstheilende Tests, die geänderte Oberflächenelemente nachführen, und Wege gegen Flakiness
    • Risikobasierte Testpriorisierung: welche Tests nach einer Codeänderung zuerst laufen
    • Übung: Eine vorhandene Testsuite nach Risiko ordnen und die Reihenfolge begründen
    • Pflegeaufwand der Suite senken, damit sich keine Testschulden aufstauen
  4. Teil 4

    Modul 4 – Absichern und einführen: Verlässliche Tests in der Pipeline

    • Halluzinierte Tests erkennen: Assertions ohne Aussagekraft, erfundene Schnittstellen, falsche Erwartungswerte
    • Reviews für KI-generierten Testcode verbindlich festlegen
    • Metriken richtig lesen: hohe Abdeckung belegt noch keine aussagekräftigen Tests
    • Fallstudie: KI-gestütztes Testing in eine CI-Pipeline integrieren, vom Commit bis zum Testbericht
    • Damit das Team dem Ergebnis der Suite weiter trauen kann: Transparenz über KI-Anteile und Prüfroutinen
    • Ihr Fahrplan: erster Einsatzbereich, passende Werkzeuge, Kennzahlen für den Erfolg

VoraussetzungenErfahrung im Softwaretest oder in der Qualitätssicherung ist Voraussetzung, Grundkenntnisse im Programmieren erleichtern die Übungen.

AbschlussTeilnahmezertifikat und digitales Badge

Thema anfragen