Karriere in der Qualitätssicherung

Wie sich die Qualitätssicherungsarbeit durch künstliche Intelligenz verändert

KI kann dabei helfen, Tests vorzuschlagen, Daten aufzubereiten und Ergebnisse zu überprüfen. Aber jemand muss entscheiden, welche Risiken von Bedeutung sind, und prüfen, ob die Beweise korrekt sind. Welche Fähigkeiten sind heute nützlich und wie bereitet man sich auf die kommenden Jahre vor?

4. November 2026 9 Min. Lesezeit

Wobei KI helfen kann — und wo weiterhin QA-Urteilsvermögen gefragt ist

Ein KI-Tool kann Tests vorschlagen, Daten vorbereiten, durch einen Bildschirm scrollen oder Ergebnisse zusammenfassen. Das Team entscheidet weiterhin, welche Risiken wichtig sind, welches Ergebnis beweist, dass eine Funktion in Ordnung ist, und wann ein verwirrender Test untersucht oder gestoppt werden muss. Sie müssen nicht jeden Klick überprüfen: Sie müssen Entscheidungen überprüfen, die sich auf Zahlungen, Berechtigungen, persönliche Informationen oder den Zugriff auf den Dienst auswirken können.

In Vorträgen und Testveranstaltungen diskutieren wir, wie wir diese Aufgaben zwischen Menschen und Werkzeugen verteilen können. Es ist ein Gespräch über eine Arbeitsweise, nicht eine neue Position mit einer einheitlichen Definition. Es zeigt auch nicht, dass alle Unternehmen ihre Arbeitsplätze im gleichen Tempo verändern. Konkret geht es darum, zu evaluieren, welche Hilfe die KI in jedem Team leistet und wer für das Ergebnis verantwortlich ist.

Lernen Sie, Anforderungen und Risiken in klare Kriterien umzuwandeln, um zu entscheiden, ob das Ergebnis richtig ist. Geben Sie dem Tool die Informationen, die es benötigt, damit es keine Regeln aufstellt. prüft, ob seine Vorschläge relevant und wiederholbar sind und welche Warnungen echte Fehler sind. Halten Sie die Schritte und Ergebnisse fest, damit Sie rekonstruieren können, was passiert ist. Je nach Produkt werden Kenntnisse über APIs, Daten, Absturzprotokollierung, Sicherheit und Zugänglichkeit hinzugefügt.

Es praktiziert auch die Überprüfung von generiertem Code und Tests: Prüfung auf schwache Behauptungen, fragile Daten, versteckte Abhängigkeiten und eine Abdeckung, die nur die Anzahl der Fälle erhöht. In generativen Systemen kommt die Bewertung von Ein- und Ausgängen, Robustheit, Privatsphäre und Verhalten gegenüber unerwünschten Anweisungen hinzu. Werkzeuge ändern sich schnell; Qualitätskriterien und Domänenwissen bleiben länger erhalten.

Was kann sich bis 2027 ändern?

Die bis November 2026 verfügbaren Beweise zeigen, dass Teams einige Aufgaben ändern, erlauben uns jedoch nicht zu sagen, dass KI diejenigen ersetzen wird, die in der Qualitätssicherung arbeiten. Der World Quality Report besagt, dass 89 % der befragten Organisationen generative KI in der Softwarequalität testen oder einsetzen; nur 15 % hatten es auf das gesamte Unternehmen ausgeweitet. Das Testen eines Tools bedeutet nicht, dass es unbeaufsichtigt arbeiten kann oder bereits verbesserte Ergebnisse erzielt hat.

Notieren Sie sich zur Vorbereitung, welche Aufgaben automatisiert werden, wer Änderungen und Ergebnisse überprüft, welche Fehler noch untersucht werden müssen und welches Wissen dem Team fehlt. Erzählen Sie in einem Interview einen konkreten Fall: Welches Risiko haben Sie erkannt, wie haben Sie entschieden, was getestet werden soll, welche Beweise Sie überprüft haben und was sich verbessert hat. Das erklärt Ihre Erfahrung besser als die Auflistung von Tools oder Eingabeaufforderungen.

Stellen Sie sich eine Änderung bei einer Abonnementverlängerung vor. Ein Tool kann Tests für ein aktives Konto, ein überfälliges Konto und ein anderes Konto vorschlagen, dessen Zahlung abgelehnt wurde. Sie können auch Dummy-Daten vorbereiten und den Fluss in einer Schleife durchlaufen. Der QS-Mitarbeiter prüft, ob wichtige Fälle fehlen, bestätigt, was mit der Rechnung und dem Zugriff geschehen soll, stellt sicher, dass keine echten Konten verwendet wurden, und überprüft etwaige Fehler. Nach der Korrektur können betroffene Tests wiederholt werden.

Diese Verteilung funktioniert nur, wenn es klare Grenzen gibt: eine isolierte Testumgebung, Dummy-Konten, erlaubte Aktionen, eine maximale Anzahl von Versuchen und eine Regel zum Stoppen des Tests. Ohne diese Einschränkungen könnte das Tool Daten ändern, Gebühren erstellen oder ein normales Ergebnis als Fehler kennzeichnen. Die Aufgabe der Qualitätssicherung besteht darin, zu erklären, was getestet werden muss, die Grenzwerte festzulegen und zu entscheiden, ob die Ergebnisse wirklich zeigen, dass die Funktion in Ordnung ist.

So wählen Sie aus, welche Aufgaben Sie delegieren möchten

Bevor Sie eine Aufgabe delegieren, fragen Sie: Wie überprüfen wir die Antwort? Kann ein Fehler rückgängig gemacht werden? Gibt es sensible Daten? Verfügt das Tool über die notwendigen Informationen? Kann jemand das Ergebnis rechtzeitig überprüfen? Die Erstellung eines Entwurfs oder die Zusammenfassung von Aufzeichnungen ohne personenbezogene Daten ist in der Regel risikoarm. Änderungen, die sich auf Berechtigungen, Zahlungen, persönliche Daten oder Sicherheit auswirken, erfordern mehr Kontrollen und menschliche Zustimmung. Bei einer kritischen Entscheidung können Sie die Datenerfassung automatisieren und die endgültige Entscheidung dem Team überlassen.

Der World Quality Report 2025–26 zeigt, dass Unternehmen generatives KI-Wissen (63 %) sowie Qualitätsgrundlagen (60 %) und mündliche und schriftliche Kommunikation (51 %) schätzen. Bei der praktischen Lektüre handelt es sich nicht um „Lernanregungen und das war's“: Es ist notwendig, technisches Wissen, Testerfahrung und die Fähigkeit, Risiken zu erklären, zu kombinieren. KI kann bei der Analyse helfen; Das Team muss erklären können, warum es dem Ergebnis vertraut – oder nicht vertraut.

Wählen Sie im ersten Monat einen bekannten Prozess und notieren Sie die Risiken, Daten und das als richtig erachtete Ergebnis. Probieren Sie im zweiten Schritt eine bestimmte Aufgabe aus – zum Beispiel Vorschläge für Tests auf der Grundlage der Anforderungen – und prüfen Sie, ob die Vorschläge nützlich sind, Fälle wiederholen, wichtige Situationen auslassen oder zu viel Zeit für die Überprüfung in Anspruch nehmen. Berücksichtigen Sie im dritten Schritt nur das, was erfolgreich war, und hinterlassen Sie schriftlich, wie es abgebrochen wird, wer besteht und wie ein nicht bestandener Test wiederholt werden kann. Ziel ist es, zu wissen, wo es wirklich hilft, und nicht, KI überall einzusetzen.

Bringen Sie zu einem Vorstellungsgespräch eine vollständige Anamnese mit: anfängliches Risiko, Deckungsentscheidung, gefundene Beweise, ausgeschlossenes falsch positives Ergebnis, bestätigter Mangel und Ergebnis der Änderung. Erklären Sie, welchen Teil Sie delegiert haben, was Sie überprüft haben und was Sie dem Agenten nicht erlaubt haben. Diese Erzählung zeigt technisches Urteilsvermögen, Kommunikation und Verantwortung; Die Auflistung von Anbietern oder Eingabeaufforderungen allein beweist dies nicht.

Die Arbeit verändert sich; ein neuer Jobtitel erklärt den Wandel nicht

Die Zusammenarbeit zwischen Menschen und KI-Tools beschreibt eine Arbeitsweise, nicht eine standardisierte Berufskategorie oder eine Vorhersage, dass alle QA-Agenten verwaltet werden. Im Team kann eine Person KI nutzen, um Fallentwürfe vorzubereiten; In einem anderen Fall besteht die Priorität darin, den generierten Code zu überprüfen, ein Orakel für einen Konversationsdienst zu definieren oder einen sich wiederholenden Teil der Analyse zu automatisieren. Die Position ändert sich je nach Produkt, Regelung, Ausstattung und Fehlerkosten. Akzeptanzumfragen zeigen umfangreiche Experimente, aber der Anteil der Organisationen, die eine Größenordnung erreichen, ist recht gering; Die Einführung eines Tools ist nicht gleichbedeutend mit einer Änderung der gesamten Arbeitsstruktur.

Um genau zu sein, trennen Sie Aufgaben von Verantwortlichkeiten. Die Suche nach Kombinationen, die anfängliche Datenvorbereitung oder die Protokollzusammenfassung können unterstützt werden. Um zu definieren, was „richtig“ bedeutet, Geschäftsrisiken zu priorisieren, eine Ausnahme zu genehmigen oder zu entscheiden, ob ein Release freigegeben wird, sind immer noch explizites Urteilsvermögen und Verantwortungsbewusstsein erforderlich. Einige Aufgaben werden auf die Entwicklung, das Produkt oder die Plattform verlagert; andere werden rund um die Bewertung und Kontrolle auftauchen. Es gibt keine Belege dafür, dass diese Verteilung in allen Unternehmen gleich sein wird oder dass die Zahl der Stellen in einem bestimmten Verhältnis steigen oder fallen wird.

Es klassifiziert eine Aufgabe nach vier Faktoren: Auswirkung von Fehlern, einfache Überprüfung des Ergebnisses, Reversibilität und Datenoffenlegung. Das Generieren von Fallideen für eine öffentliche Anforderung und deren Überprüfung ist in der Regel mit einem geringeren Risiko verbunden als das Ändern von Genehmigungen oder das Ausführen von Zahlungen. Ein Agent kann einen Bildschirm in einer fiktiven Umgebung durchsuchen, aber wenn er kein echtes Konto sieht, sollte er keinen Zugriff darauf haben. Wenn das Ergebnis mit einer unabhängigen Behauptung überprüft wird und rückgängig gemacht werden kann, besteht mehr Spielraum für die Automatisierung; Wenn es auf einer mehrdeutigen Interpretation beruht oder Menschen betrifft, erhöht es die Kontrolle und behält die menschliche Zustimmung.

Die Delegation muss Spuren hinterlassen: Anwendungsversion, Eingabeaufforderung oder Anweisungen, verfügbare Tools, Aktionsgrenzen, verwendete Daten und zurückgegebene Beweise. Dadurch können wir untersuchen, warum zwei Läufe unterschiedliche Antworten lieferten. Vermeiden Sie es auch, das Versagen des Agenten der Person zuzuschreiben oder die Zusammenfassung so zu akzeptieren, als wäre sie der Originalbeweis. Ein guter Betrieb ermöglicht es dem System, zu sagen: „Ich habe nicht genügend Informationen“, einen technischen Fehler zu melden, ohne ihn in einen Produktfehler umzuwandeln, und Aktionen zu stoppen, die außerhalb des Geltungsbereichs liegen.

Was Sie in den nächsten drei Monaten üben sollten

Wählen Sie im ersten Monat einen Ablauf aus, den Sie kennen, und schreiben Sie auf, welche Anforderungen jeder Fall abdeckt, welche Daten er verwendet und welche Beweise das Ergebnis belegen. Im zweiten Schritt testen Sie eine KI-Aufgabe mit Dummy-Daten und einer kleinen Stichprobe: Fälle generieren, einen Unterschied überprüfen oder Fehler klassifizieren. Spart abgelehnte Ergebnisse und Korrekturzeit, nicht nur Treffer. Vergleichen Sie im dritten Schritt die aktuelle Methode und entscheiden Sie, ob Sie sie beibehalten, anpassen oder verwerfen möchten. Dieser Plan erzeugt eine konkrete Geschichte für das Team und ein vertretbares Erlebnis für ein Interview, ohne sich auf trendige Vorhersagen zu verlassen.

Um das Profil zu entwickeln, kombinieren Sie Testgrundlagen mit einer Spezialität, die das Produkt benötigt: API und Verträge, Automatisierung, Daten, Leistung, Zugänglichkeit, Sicherheit oder Bewertung generativer Systeme. Lernen Sie, Spuren zu lesen, Berechtigungen zu überprüfen und ein Risiko in einer Sprache zu erklären, die Produkt und Entwicklung versteht. Die Fähigkeit besteht nicht darin, hübsche Aufforderungen zu schreiben; besteht darin, eine wiederholbare Prüfung zu entwerfen, zu erkennen, wann das Modell eine Regel erfunden hat, und nachweislich zu zeigen, warum eine Entscheidung zuverlässig ist. Der tatsächliche Bedarf für jede Kompetenz sollte durch Rollen und Gespräche in Ihrem Markt bestätigt werden und nicht aus einem Vortrag oder einem globalen Bericht abgeleitet werden.

Wenn ein Tool Fälle generiert oder exemplarische Vorgehensweisen durchführt, kann der Wert der Qualitätssicherung weniger sichtbar werden, wenn das Team nur geschriebene Skripte oder ausgeführte Tests zählt. Es ist ratsam, dies mit beobachtbaren Ergebnissen zu erklären: Welches Risiko wurde vor der Veröffentlichung entdeckt, welche unklare Annahme wurde geklärt, welche Beweise ermöglichten es uns, ein falsch positives Ergebnis auszuschließen, und welche Entscheidung wurde dank dieser Überprüfung geändert. Dies bedeutet nicht, dass das gesamte Ergebnis der Qualitätssicherung zugeschrieben werden muss; Es bedeutet, den Zusammenhang zwischen der Analyse und einer Produkt- oder Konstruktionsentscheidung aufzuzeigen. Ein konkreter Fall hilft Entwicklung und Führung zu verstehen, warum Expertenbewertungen immer noch ihren Platz im Fluss haben.

Es verändert auch die Art des Lernens. Es ist nicht notwendig, jeden neu erscheinenden Anbieter zu beherrschen. Es ist sinnvoller zu lernen, wie man Ausgaben überprüft, Klassifizierungsfehler misst, Protokolle liest und erkennt, wenn ein Test die Anforderungen, die er angeblich abdeckt, nicht abdeckt. Für jemanden, der mit der Qualitätssicherung anfängt, bietet eine Grundausbildung in Testtechniken, SQL, HTTP, Versionskontrolle und Lesefehlern mehr Optionen als das Auswendiglernen einer bestimmten Schnittstelle. Für jemanden mit Erfahrung besteht der nächste Schritt möglicherweise darin, zu überprüfen, wie Agenten mit Berechtigungen, Daten und Beweisen integriert sind. In beiden Fällen wird das Kriterium durch reproduzierbare Arbeit und begründete Entscheidungen belegt, nicht durch einen trendigen Titel.