Vor einigen Jahren klang künstliche Intelligenz im Softwaretesting noch nach Zukunftsmusik.

Auf Konferenzen wurde viel über autonome Tests, selbstheilende Automatisierung und intelligente Systeme gesprochen, die Fehler angeblich fast von allein erkennen. Im Arbeitsalltag der meisten Tester spielte das allerdings kaum eine Rolle.

Heute sieht das deutlich anders aus.

KI kann Anforderungen analysieren, Testfälle vorbereiten, Testdaten erzeugen, SQL-Abfragen schreiben, Logdateien auswerten und automatisierte Tests erstellen. Es gibt inzwischen sogar Tools, die ein komplettes Repository untersuchen, Dateien verändern, Befehle ausführen und anschließend prüfen, ob die Änderungen funktionieren.

Das bedeutet allerdings nicht, dass jedes Tool mit dem Zusatz „AI“ oder „KI“ automatisch nützlich ist.

Der Markt ist voller Lösungen, die auf der Website beeindruckend aussehen, in einem echten Projekt aber kaum ein konkretes Problem lösen. Deshalb soll diese Liste keine Ansammlung zufälliger Chatbots sein.

Ich habe Werkzeuge ausgewählt, die in typischen Situationen aus dem Arbeitsalltag eines Testers tatsächlich helfen können.

Einige wurden speziell für Testing entwickelt. Andere richten sich hauptsächlich an Entwickler, sind aber für Testautomatisierer genauso interessant.

Ich würde diese Liste auch nicht als klassische Rangliste betrachten. ChatGPT und Applitools lösen völlig unterschiedliche Probleme. Die Frage ist also nicht, welches Tool grundsätzlich am besten ist, sondern welches Tool zu einer bestimmten Aufgabe passt.

1. ChatGPT

Beginnen wir mit dem bekanntesten Tool: ChatGPT.

Fast jeder kennt es mittlerweile. Trotzdem nutzen viele Tester nur einen kleinen Teil der Möglichkeiten.

Oft sieht ein Prompt ungefähr so aus:

Erstelle Testfälle für eine Login-Funktion.

Das Ergebnis besteht dann meistens aus einigen allgemeinen positiven und negativen Szenarien. Danach entsteht schnell der Eindruck, dass KI beim Testen doch nicht besonders hilfreich ist.

Das eigentliche Problem liegt häufig nicht beim Tool, sondern beim fehlenden Kontext.

Wenn ich die Funktionsweise des Logins beschreibe, die Benutzerrollen erkläre, die Regeln für Passwörter angebe und zusätzlich die Akzeptanzkriterien einfüge, wird das Ergebnis wesentlich besser.

ChatGPT kann dann nicht nur Testfälle vorbereiten, sondern auch auf fehlende Anforderungen, Widersprüche und mögliche Grenzfälle hinweisen.

Im Softwaretesting kann ChatGPT unter anderem bei folgenden Aufgaben helfen:

• Anforderungen analysieren,
• Testfälle und Testszenarien erstellen,
• Grenzfälle finden,
• Testdaten generieren,
• Checklisten vorbereiten,
• SQL-Abfragen schreiben,
• Code erklären,
• Logs analysieren,
• Postman-Skripte erstellen,
• automatisierte Tests vorbereiten,
• Testergebnisse zusammenfassen.

Ein besserer Prompt könnte zum Beispiel so aussehen:

Analysiere die folgenden Anforderungen für ein Registrierungsformular. Zeige zuerst, welche Informationen fehlen oder unklar sind. Erstelle anschließend positive, negative und grenzwertige Testfälle. Gib für jeden Testfall die Testdaten, Schritte und das erwartete Ergebnis an.

Das ist ein deutlich besserer Ausgangspunkt als die einfache Bitte um „10 Testfälle“.

ChatGPT kann auch mit Dateien arbeiten. Tester können beispielsweise Berichte, CSV-Dateien oder Dokumentationen hochladen und bestimmte Muster oder Auffälligkeiten analysieren lassen.

Dabei sollte man selbstverständlich vorher prüfen, ob die Daten vertrauliche Informationen enthalten und ob das Unternehmen die Nutzung des jeweiligen Tools erlaubt.

Wird ChatGPT Softwaretester ersetzen? Nein.

Es kann sehr überzeugend formulierte Testfälle erzeugen, die geschäftlich trotzdem völlig irrelevant sind. Es kann nicht existierende Funktionen erfinden oder eine veraltete Syntax verwenden.

Die Antworten sollten deshalb als Vorschläge betrachtet werden, nicht als endgültige Wahrheit.

Für wen geeignet? Für fast alle Tester – unabhängig davon, ob sie manuell testen, automatisieren, APIs prüfen oder Anforderungen analysieren.

2. GitHub Copilot

GitHub Copilot wird meistens mit Entwicklern in Verbindung gebracht. Für Testautomatisierer kann das Tool jedoch genauso interessant sein.

Die einfachste Funktion besteht darin, beim Schreiben von Code passende Ergänzungen vorzuschlagen.

Man beginnt mit einem Test oder sogar nur mit einem Kommentar:

// Prüfe, ob ein Benutzerkonto nach drei
// fehlgeschlagenen Login-Versuchen vorübergehend gesperrt wird.

Auf Grundlage dieses Kommentars, des vorhandenen Codes und der Projektstruktur kann Copilot einen ersten Testentwurf vorschlagen.

Der Vorteil liegt aber nicht nur darin, schneller einzelne Codezeilen zu schreiben.

Copilot kann unter anderem helfen bei:

• Playwright-, Cypress- oder WebdriverIO-Tests,
• dem Erstellen von Assertions,
• Page Objects,
• der Refaktorierung wiederholter Logik,
• dem Erklären bestehender Tests,
• dem Finden möglicher Fehler,
• der Generierung von Testdaten,
• der Projektkonfiguration,
• der Überprüfung von Codeänderungen.

Gerade die Code-Review-Funktionen sind aus QA-Sicht interessant. Copilot kann Änderungen analysieren und auf potenzielle Probleme hinweisen.

Das ersetzt kein menschliches Review, kann aber als zusätzlicher Filter dienen.

Trotzdem sollte jede vorgeschlagene Änderung geprüft werden.

Copilot orientiert sich stark am vorhandenen Projekt. Ist das Repository gut strukturiert, übernimmt das Tool häufig die bestehenden Konventionen. Herrscht dagegen bereits Chaos, kann KI dieses Chaos einfach weiterführen.

Man darf außerdem nicht vergessen, dass ein technisch funktionierender Test nicht automatisch ein guter Test ist.

Der Code kann sauber laufen, alle Assertions können grün sein und trotzdem kann die wichtigste Geschäftsregel ungetestet bleiben.

Für wen geeignet? Vor allem für Testautomatisierer, die regelmäßig mit Code und GitHub arbeiten.

3. Claude Code

Claude Code geht deutlich weiter als ein klassischer Chatbot, der nur einzelne Funktionen generiert.

Es handelt sich um einen Agenten, der ein Repository analysieren, Dateien lesen, Änderungen vornehmen und Befehle ausführen kann.

Statt einen einzelnen Test in ein Chatfenster zu kopieren, kann man Claude Code mit einer größeren Aufgabe beauftragen, die mehrere Dateien umfasst.

Ein Beispiel:

Analysiere die vorhandenen Tests für den Bestellprozess. Prüfe, welche Szenarien bereits abgedeckt sind, zeige fehlende Fälle und bereite einen Test für eine fehlgeschlagene Zahlung vor. Verwende die bestehende Projektstruktur und ändere noch nichts, bevor du einen Plan erstellt hast.

Claude Code kann die passenden Dateien finden, vorhandene Tests lesen, Fixtures analysieren und eine Lösung vorbereiten, die zum Projekt passt.

Das Tool kann besonders hilfreich sein bei:

• der Erweiterung eines Testframeworks,
• der Analyse großer Repositories,
• dem Finden fehlender Tests,
• der Reparatur fehlerhafter Tests,
• der Refaktorierung,
• der Migration zwischen Bibliotheken,
• der Vorbereitung von Konfigurationen,
• dem Ausführen und Analysieren von Tests.

Diese Möglichkeiten sind praktisch, erfordern aber auch mehr Kontrolle.

Wenn ein Agent mehrere Dateien verändern darf, sollte man genau prüfen, welche Änderungen tatsächlich vorgenommen wurden.

In der Praxis ist es sinnvoll, zuerst eine Analyse und einen Plan anzufordern. Erst danach sollte die eigentliche Umsetzung erfolgen.

Am Ende müssen die Änderungen im Diff geprüft und die Tests erneut ausgeführt werden.

Ein sehr allgemeiner Auftrag wie:

Verbessere meine Tests.

ist meistens keine gute Idee.

Besser ist es, das Ziel, den Umfang und die Bedingungen klar zu beschreiben.

Für wen geeignet? Für erfahrenere Testautomatisierer, die mit größeren Repositories arbeiten und die vorgeschlagenen Änderungen selbst beurteilen können.

4. Gemini Code Assist und Gemini CLI

Gemini Code Assist unterstützt direkt in der Entwicklungsumgebung, während Gemini CLI ähnliche Möglichkeiten über das Terminal bereitstellt.

In der Praxis lassen sich diese Tools ähnlich wie GitHub Copilot oder Claude Code einsetzen: zum Generieren von Code, Analysieren eines Projekts, Beheben von Fehlern und Bearbeiten komplexerer Aufgaben.

Ein Tester könnte Gemini zum Beispiel folgenden Auftrag geben:

Analysiere dieses Cypress-Projekt. Finde wiederholte Codeblöcke und schlage vor, welche Teile in gemeinsame Commands verschoben werden sollten. Erstelle zuerst einen Plan und eine Liste der Dateien, die du ändern möchtest.

Gemini kann außerdem unterstützen bei:

• automatisierten Tests,
• Bash-Skripten,
• GitHub-Actions-Konfigurationen,
• der Analyse von Build-Fehlern,
• der Erhöhung der Testabdeckung,
• SQL-Abfragen,
• Testdaten,
• dem Erklären bestehenden Codes,
• der Arbeit mit MCP-basierten Tools.

Gemini CLI ist besonders interessant für Personen, die viel im Terminal arbeiten.

Statt ständig zwischen Browser, Editor und Konsole zu wechseln, kann ein Teil der Arbeit direkt über die Kommandozeile erledigt werden.

Ist das ein Tool speziell für Tester? Nein.

Wie Copilot oder Claude Code wurde es hauptsächlich für die Softwareentwicklung gebaut. Testautomatisierer erledigen allerdings viele ähnliche Aufgaben wie Entwickler. Die Grenze zwischen „Tools für Entwickler“ und „Tools für Tester“ wird deshalb immer weniger klar.

Für wen geeignet? Für Testautomatisierer, die in einer IDE, im Terminal oder mit Google-Cloud-Technologien arbeiten.

5. Cursor

Cursor ist ein Code-Editor, bei dem KI nicht nur eine Zusatzfunktion ist, sondern im Mittelpunkt des gesamten Workflows steht.

Auf den ersten Blick erinnert die Oberfläche an eine klassische Entwicklungsumgebung. Der entscheidende Unterschied ist jedoch der integrierte Agent, der das Repository analysieren, Änderungen planen und mehrere Dateien bearbeiten kann.

Ein Tester kann Cursor beispielsweise beauftragen, neue Tests passend zur vorhandenen Framework-Struktur zu erstellen:

Erstelle auf Grundlage der bestehenden Login-Tests neue Tests für die Passwort-Zurücksetzung. Verwende das vorhandene Page Object Model, die bestehenden Fixtures und dieselbe Benennungskonvention. Erstelle keine neue Lösung, wenn ein passender Mechanismus bereits im Projekt vorhanden ist.

Der letzte Satz ist besonders wichtig.

KI-Agenten neigen manchmal dazu, neue Hilfsfunktionen, Klassen und Dateien zu erstellen, obwohl ähnliche Lösungen längst im Projekt existieren.

Cursor kann helfen bei:

• der Analyse des gesamten Frameworks,
• dem Erstellen neuer Tests,
• der Refaktorierung von Page Objects,
• der Vorbereitung von Fixtures,
• dem Finden ungenutzten Codes,
• der Aktualisierung von Selektoren,
• der Dokumentation,
• der Integration neuer Bibliotheken,
• der Fehlerbehebung.

Der größte Vorteil ist der direkte Zugriff auf den Projektkontext.

Man muss nicht jeden Codeausschnitt einzeln in einen Chat kopieren und die gesamte Struktur des Frameworks erklären.

Genau daraus entsteht aber auch das größte Risiko.

Je mehr Änderungen ein Agent vornehmen kann, desto gründlicher müssen sie später geprüft werden.

Für wen geeignet? Für Testautomatisierer, die KI direkt im täglichen Coding-Workflow einsetzen möchten.

6. Postman Agent Mode

Postman muss man den meisten API-Testern wahrscheinlich nicht mehr vorstellen.

Agent Mode erweitert das Tool um die Möglichkeit, Aufgaben mit normaler Sprache zu beschreiben.

Man kann zum Beispiel folgenden Auftrag geben:

Füge Tests hinzu, die prüfen, ob der Statuscode 200 ist, die Antwortzeit unter 500 Millisekunden liegt und jedes E-Mail-Feld eine gültige Adresse enthält.

Der Agent kann daraufhin ein passendes Testskript vorbereiten und der Anfrage hinzufügen.

Weitere mögliche Aufgaben sind:

• Requests erstellen,
• Tests schreiben,
• Fehler beheben,
• API-Antworten erklären,
• Collections bearbeiten,
• Mock Server vorbereiten,
• Dokumentation erstellen,
• Authentifizierungsprobleme analysieren,
• bestehende Tests aktualisieren.

Das ist besonders hilfreich für Personen, die die Grundlagen von APIs verstehen, sich aber mit JavaScript noch nicht ganz sicher fühlen.

Man sollte allerdings vermeiden, das gesamte API-Testing auf Statuscodes und Antwortzeiten zu reduzieren.

Ein Endpoint kann Status 200 zurückgeben und trotzdem falsche Daten liefern.

Ein guter API-Test sollte zusätzlich die Struktur der Antwort, Feldwerte, Geschäftsregeln, Fehlerbehandlung, Berechtigungen und mögliche Auswirkungen auf andere Teile des Systems prüfen.

KI kann beim Schreiben des Tests helfen. Jemand muss aber weiterhin entscheiden, was überhaupt getestet werden sollte.

Für wen geeignet? Für API-Tester und Personen, die schneller Testskripte in Postman erstellen möchten.

7. Applitools Eyes

Stellen wir uns vor, ein automatisierter Test prüft, ob der Button „Jetzt kaufen“ auf der Seite vorhanden ist.

Der Test ist grün.

Nach einer Änderung wird der Button allerdings von einem Banner verdeckt und kann von einem Benutzer nicht mehr angeklickt werden.

Aus Sicht einer klassischen Assertion ist trotzdem alles in Ordnung. Das Element befindet sich weiterhin im DOM.

An dieser Stelle werden visuelle Tests interessant.

Applitools Eyes nutzt Visual AI, um Veränderungen im Erscheinungsbild einer Anwendung zu erkennen.

Das Tool kann unter anderem folgende Probleme finden:

• verschobene Elemente,
• falsche Abstände,
• verdeckte Buttons,
• fehlende Bilder,
• Unterschiede zwischen Browsern,
• fehlerhafte Layouts,
• Veränderungen in Dokumenten oder PDF-Dateien.

Applitools lässt sich mit bekannten Automatisierungsframeworks verbinden.

Der Test führt weiterhin die normalen Schritte aus. An bestimmten Stellen wird zusätzlich geprüft, ob die Anwendung visuell korrekt aussieht.

Das ist besonders hilfreich in Projekten, in denen sich die Oberfläche häufig verändert oder auf vielen Browsern und Geräten funktionieren muss.

Klassische Assertions werden dadurch allerdings nicht überflüssig.

Ein visueller Test kann nicht immer erkennen, ob ein Preis korrekt berechnet wurde, ob ein Benutzer die richtigen Berechtigungen erhalten hat oder ob Daten korrekt gespeichert wurden.

Am besten funktioniert eine Kombination aus funktionalen und visuellen Tests.

Für wen geeignet? Für Teams, die Web-, Mobile- oder Cross-Browser-Oberflächen testen.

8. mabl

mabl ist eine Testautomatisierungsplattform, die KI an mehreren Stellen einsetzt.

Das Tool kann bei Browser-, Mobile- und API-Tests helfen. Zusätzlich gibt es Funktionen, die Tests widerstandsfähiger gegenüber Änderungen in der Anwendung machen sollen.

In klassischen Automatisierungsprojekten kann bereits eine kleine Änderung an einem Selektor dazu führen, dass viele Tests fehlschlagen.

Self-Healing-Mechanismen versuchen zu erkennen, dass das Element noch existiert, sich aber seine Identifikation verändert hat.

Das klingt zunächst sehr gut, sollte aber mit Vorsicht eingesetzt werden.

Wenn ein Test einen Button „Bestätigen“ sucht und das Tool nach einer UI-Änderung auf ein ähnliches, aber falsches Element klickt, kann ein grüner Test entstehen, der in Wirklichkeit den falschen Prozess ausführt.

Automatische Reparatur sollte die Wartung vereinfachen, aber keine echten Produktänderungen verstecken.

mabl kann unterstützen bei:

• der Generierung von Tests aus Beschreibungen,
• JavaScript-Snippets,
• der Analyse fehlgeschlagener Tests,
• API-Tests,
• visuellen Assertions,
• der Anpassung an bestimmte Änderungen,
• der Einbindung in CI/CD.

Das ist besonders interessant für Teams, die Automatisierung aufbauen möchten, ohne sofort ein komplettes eigenes Framework zu entwickeln.

Für wen geeignet? Für Unternehmen, die eine Low-Code-Plattform für Web-, Mobile- und API-Tests suchen.

9. testRigor

testRigor ermöglicht es, automatisierte Tests mit Anweisungen in natürlicher Sprache zu erstellen.

Ein Test kann beispielsweise so aussehen:

click "Anmelden"
enter "tester@example.com" into "E-Mail-Adresse"
enter stored value "password" into "Passwort"
click "Weiter"
check that page contains "Benutzerbereich"

Ein solcher Test ist für manuelle Tester oder Fachbereiche deutlich verständlicher als Code mit XPath, CSS-Selektoren und zusätzlichen Bibliotheken.

testRigor kann eingesetzt werden für:

• Webanwendungen,
• mobile Anwendungen,
• Regressionstests,
• API-Tests,
• E-Mail-Prüfungen,
• Dateioperationen,
• End-to-End-Tests.

Der größte Vorteil ist der relativ niedrige Einstieg.

Tester müssen nicht sofort eine Programmiersprache und die komplette Architektur eines Automatisierungsframeworks beherrschen.

Natürliche Sprache löst allerdings nicht alle Probleme.

Ein Befehl kann ungenau sein. Wenn auf der Seite zwei ähnlich benannte Buttons erscheinen, muss das Tool trotzdem wissen, welcher gemeint ist.

Jemand muss außerdem das Szenario entwerfen, passende Daten auswählen und die erwarteten Ergebnisse definieren.

Man kann die Schreibweise eines Tests vereinfachen. Das Denken lässt sich dadurch nicht ersetzen.

Für wen geeignet? Für Teams, die manuelle Tester stärker in die Automatisierung einbinden möchten.

10. Momentic

Momentic gehört zu einer neueren Kategorie von Tools: KI-Agenten für Softwaretests.

Anstatt jeden technischen Schritt exakt zu definieren, kann man das Ziel des Szenarios beschreiben. Das Tool interpretiert den Auftrag, navigiert durch die Anwendung und führt die entsprechenden Aktionen aus.

Momentic kann verwendet werden für:

• End-to-End-Tests,
• automatisierte Exploration,
• das Erkennen wichtiger Benutzerflüsse,
• die Aktualisierung von Tests nach Änderungen,
• Regressionstests,
• die Analyse von Ergebnissen,
• die Ausführung in CI/CD.

Dieser Ansatz zeigt ziemlich deutlich, in welche Richtung sich ein Teil der Testautomatisierung entwickelt.

Tester beschreiben stärker das Geschäftsziel, während der Agent einen Teil der technischen Umsetzung übernimmt.

Vollständig autonom ist dieser Prozess trotzdem nicht.

Ein Agent kann verstehen, wie ein Kaufprozess durchlaufen wird. Er weiß aber nicht automatisch, welche Rabattregeln für das Unternehmen besonders kritisch sind.

Er kann prüfen, ob eine Bestellung abgeschlossen wurde. Möglicherweise erkennt er aber nicht, dass für ein bestimmtes Land der falsche Steuersatz berechnet wurde.

Je mehr Verantwortung an KI abgegeben wird, desto wichtiger wird eine klare Beschreibung des erwarteten Ergebnisses.

Für wen geeignet? Für Teams, die agentenbasierte End-to-End-Automatisierung ausprobieren möchten.

Mit welchem Tool sollte man anfangen?

Es ergibt wenig Sinn, zehn Tools gleichzeitig einzuführen.

Manuelle Tester können mit ChatGPT beginnen und es für Anforderungsanalysen, Testdaten und Grenzfälle einsetzen.

API-Tester sollten sich den Postman Agent Mode ansehen.

Testautomatisierer können GitHub Copilot, Cursor, Claude Code oder Gemini Code Assist ausprobieren. Dabei muss man nicht für alle Lösungen gleichzeitig bezahlen. Sinnvoller ist es, zwei oder drei Tools zu testen und zu prüfen, welches am besten zum eigenen Workflow passt.

Wenn visuelle Fehler das größte Problem darstellen, kann Applitools Eyes eine gute Wahl sein.

Wenn ein Team Automatisierung ohne ein umfangreiches eigenes Framework aufbauen möchte, sind mabl, testRigor oder Momentic interessant.

Zuerst sollte das Problem definiert werden. Danach wählt man das Werkzeug.

Nicht umgekehrt.

Eine Plattform nur deshalb zu kaufen, weil „KI“ auf der Startseite steht, ist noch keine Teststrategie.

Worauf sollte man beim Einsatz von KI achten?

KI-Tools können Arbeit deutlich beschleunigen. Sie können aber genauso schnell eine große Menge schlechten Codes, unnötiger Änderungen und oberflächlicher Testfälle erzeugen.

Keine vertraulichen Daten hochladen

Kundendaten, Passwörter, Tokens, API-Schlüssel, interne Dokumentationen oder geschützter Quellcode sollten nicht ohne Freigabe an externe Tools übermittelt werden.

Vor der Nutzung müssen die Unternehmensrichtlinien und die Datenschutzbedingungen des jeweiligen Anbieters geprüft werden.

Generierten Code prüfen

Professionell aussehender Code ist nicht automatisch korrekt.

KI kann nicht vorhandene Methoden verwenden, veraltete Syntax vorschlagen oder eine Bibliothek voraussetzen, die im Projekt gar nicht installiert ist.

Sie kann auch einen Test schreiben, der immer grün ist, weil die Assertion in Wirklichkeit nichts Sinnvolles prüft.

Testfälle nicht nur zählen

50 generierte Szenarien bedeuten noch lange keine gute Testabdeckung.

KI kann viele sehr ähnliche Fälle erzeugen und gleichzeitig genau den Fehler übersehen, der für das Unternehmen die größten Folgen hätte.

Im Testing zählt weiterhin das Risiko und nicht die Anzahl der Zeilen in einer Tabelle.

Self-Healing nicht blind vertrauen

Ein automatisch reparierter Selektor klingt hilfreich.

Trotzdem sollte geprüft werden, ob der Test wirklich noch dieselbe Aktion ausführt.

Ein grüner Test kann gefährlicher sein als ein fehlgeschlagener Test, wenn er heimlich das falsche Element prüft.

Nicht aufhören zu denken

Das größte Risiko besteht nicht darin, dass KI einen Fehler macht.

Das größte Risiko entsteht dann, wenn wir diesen Fehler nicht mehr bemerken, weil wir uns daran gewöhnt haben, Antworten ungeprüft zu akzeptieren.

Wird KI Softwaretester ersetzen?

Meiner Meinung nach wird KI den Beruf des Softwaretesters nicht abschaffen. Sie wird die Art der Arbeit aber deutlich verändern.

Ein Teil der wiederholbaren Aufgaben wird automatisiert.

Einfache Testdaten, grundlegende Assertions, erste Testentwürfe oder Zusammenfassungen von Ergebnissen werden immer weniger Zeit beanspruchen.

Gleichzeitig gewinnen Fähigkeiten an Bedeutung, die sich nicht so leicht ersetzen lassen:

• Produktverständnis,
• Risikobewertung,
• Anforderungsanalyse,
• die Fähigkeit, gute Fragen zu stellen,
• Verständnis von Geschäftsprozessen,
• Wissen über Systemarchitektur,
• kritische Bewertung von Ergebnissen.

KI kann einen Test vorbereiten. Jemand muss trotzdem entscheiden, ob das Szenario relevant ist.

KI kann Code schreiben. Jemand muss erkennen, ob der Code instabil ist oder an der eigentlichen Anforderung vorbeigeht.

KI kann Logs analysieren. Jemand muss den technischen Fehler mit dem Verhalten aus Sicht des Benutzers verbinden.

Tester, die KI sinnvoll einsetzen, werden bestimmte Aufgaben schneller erledigen als Personen, die diese Werkzeuge vollständig ignorieren.

Es geht aber nicht darum, KI bei jeder Kleinigkeit zu verwenden.

Entscheidend ist, die Situationen zu erkennen, in denen sie wirklich Zeit spart oder eine zusätzliche Perspektive liefert.

Fazit

Im Jahr 2026 ist KI kein exotischer Zusatz mehr. Für viele Tester gehört sie bereits zum normalen Werkzeugkasten.

ChatGPT hilft bei Anforderungen und Testfällen. GitHub Copilot, Cursor, Claude Code und Gemini unterstützen bei der Arbeit mit Code.

Postman Agent Mode erleichtert API-Tests. Applitools Eyes hilft dabei, visuelle Fehler zu erkennen.

mabl, testRigor und Momentic zeigen, wohin sich die Automatisierung entwickelt: weniger manuelle technische Schritte und mehr Beschreibung des Ziels, das ein Tool erreichen soll.

Trotzdem sollte man den gesamten Testprozess nicht einfach an KI abgeben.

Die besten Ergebnisse entstehen dann, wenn künstliche Intelligenz als Unterstützung eingesetzt wird.

Sie kann wiederholbare Aufgaben übernehmen, erste Vorschläge liefern und Analysen beschleunigen.

Die endgültige Bewertung sollte weiterhin beim Tester liegen.