GenAI in Testing & QA — Cheat Sheet

Der Spickzettel zum Seminar GenAI für Testing, QA und Code Review — die Einordnungen, die man im Alltag braucht, wenn Testmaterial aus einem Modell kommt und trotzdem belastbar sein soll.

Wo GenAI ansetzt

Die Unterstützung beginnt nicht erst beim Testlauf.

Phase	Unterstützung durch GenAI
Planung	Teststrategie aus Produktinfos und Ressourcen entwerfen
Anforderungen	Ambiguitäten, Edge Cases und Lücken aufdecken
Vorbereitung	Testfälle, explorative Pfade und Testdaten erzeugen
Implementierung	Tests im Browser fahren, Skripte schreiben und reviewen
Release	Regressionskandidaten wählen, Risiko und Bericht erstellen
Learning	Fehlschläge, Coverage-Lücken und Nutzerfeedback analysieren

Wo das Risiko besonders wiegt

Kontext	Warum kritisch
Komplexe Systeme	Viele Abhängigkeiten, Fehler wirken indirekt
Medizin, Finanzen & Co.	Regelwissen fehlt oder ist veraltet
Missionskritische Systeme	Ausfall hat unmittelbare reale Folgen

Modul: GenAI im Softwaretest

Testfälle erzeugen

Der Gewinn liegt in den Iterationen, nicht im ersten Treffer:

Schritt	Ergebnis
Erster Prompt	Breite Abdeckung, aber redundant und annahmelastig
Gruppieren	Deutlich weniger Fälle bei gleicher Abdeckung
Format vorgeben	Direkt importierbar ins Testmanagement-Tool
Coverage-Matrix	Sichtbar, welches Kriterium wie gedeckt ist

Aspekt	Aus Anforderungen	Aus Exploration
Grundlage	Story, Kriterien, PRD	Laufende Anwendung
Detailgrad	Hoch und präzise	Gröber, dafür real
Stärke	Vollständige Kriterienabdeckung	Findet Ungeschriebenes
Risiko	Erfundene Testdaten	Ohne Scope läuft es aus dem Ruder

Prompt-Gerüst gegen erfundene Details — explizite Verbote wirken besser als der Hinweis „bitte korrekt”:

Rolle:    Senior QA Engineer für eine Web-Anwendung.
Kontext:  Nutze ausschließlich die User Story und den DOM-Auszug im
          Anhang. Erfinde keine Felder oder Selektoren; markiere
          Lücken als OFFEN.
Ergebnis: Testfälle mit Titel, Vorbedingung, Schritten, Testdaten und
          Erwartung — positive und negative Fälle getrennt.

Module: Testfälle mit GenAI · Teststrategie mit GenAI

Testebenen

Ebene	Grundlage für die KI	Typischer Aufwand
Unit	Quellcode einzelner Funktionen	Gering, sehr schnell grün
Integration	Fluss über mehrere Schichten	Setup einmalig, dann leicht
End-to-End	Laufende Anwendung im Browser	Höchster, dafür nutzernah

Modul: Testautomatisierung beschleunigen

Nichtfunktionale Tests

WCAG-Stufe	Anspruch	Beispiel
A	Mindestkonformität	Eingabefeld hat ein verknüpftes Label
AA	Üblicher Zielwert	Tastaturfokus ist deutlich sichtbar
AAA	Strengste Anforderungen	Kontrast von 7:1 bei normalem Text

Wer AA anstrebt, muss A vollständig miterfüllen. Screenreader-Tests bleiben manuell — die Liste der offenen manuellen Prüfungen gehört deshalb eingefordert.

Sprache	Worauf zu achten ist
Deutsch	Dezimalkomma, längere Labels, Validierungsmeldungen
Japanisch	Textdarstellung, Sucheingabe, Tabellenlayout
Arabisch	Rechts-nach-links, Feldreihenfolge, Icons, Mischtexte

Modul: Nichtfunktionale Tests mit GenAI

Code Review

Instanz	Zuständig für
Deterministische Werkzeuge	Format, Stil, bekannte Schwachstellen, Testlage
KI-Review	Zusammenfassung, fehlende Tests, riskante Sonderfälle
Autor	Kontext im PR-Text, offensichtliche Korrekturen
Mensch im Review	Design, Fachlogik, Wartbarkeit, Release-Risiko

Priorität	Inhalt
Blocker	Neu eingeführte Sicherheitslücke, verwundbares Produktionspaket
Priorität 2	Zu aktualisierende Pakete ohne akutes Risiko
Priorität 3	Linter-Fehler und Warnungen, nach Schwere sortiert

Der Blocker-Entscheid ist ein Vorschlag, keine Freigabeentscheidung. Und die KI führt die Prüfung nicht selbst durch — sonst wären die Befunde nicht reproduzierbar; sie liest die Berichte der Werkzeuge und gleicht sie mit dem Diff ab.

Modul: Code Review & Qualitätsstandards

Triage und Berichte

Vorschlagen	Nicht selbst entscheiden
Schweregrad mit Begründung	Schweregrad im Ticket ändern
Komponente, Risikoart, Owner	Zuweisung verbindlich setzen
Dublettenkandidaten mit Belegen	Meldungen als Dublette schließen
Fehlende Angaben benennen	Meldung ohne Rückfrage verwerfen

Rohwert	Aussage im Bericht
87 fehlgeschlagene Tests	Fehler häufen sich im Checkout; 23 durch Auth-Timeout
Coverage-Prozentwert	Welche Akzeptanzkriterien belegt sind — und welche nicht
Liste offener Defekte	Welche davon das Release tatsächlich blockieren

Modul: Qualitätsberichte mit GenAI

Typische Fallen

Ohne Produktkontext erfindet die KI Features, die es gar nicht gibt.
Generierte Sätze wirken vollständig, decken aber selten alle Akzeptanzkriterien ab. Ohne Coverage-Matrix fällt das nicht auf.
Umformulierte Akzeptanzkriterien brechen still das Mapping.
„Du hast recht” ist keine Korrektur — die Ursache bleibt unentdeckt.
Selbstsichere Formulierung wird leicht mit Verlässlichkeit verwechselt.
Zwei Läufe mit demselben Prompt liefern unterschiedliche Abdeckung.
Ohne Scope im Prompt erkundet der Agent die komplette Anwendung.
Ohne Reset des Ausgangszustands ist ein E2E-Lauf nicht wiederholbar.
Ein bestandener Fuzz-Lauf beweist keine Korrektheit, nur keinen Fund.
Grüne Tests sagen nichts über die fachliche Güte der Erwartungen.
Coverage allein belegt keine Qualität — erst die Kombination der Signale.
Ohne Regeldatei kommentiert der Review-Bot nach allgemeinen Annahmen und erzeugt Rauschen.
Befehle, die Fehler schlucken, machen jedes Quality Gate wirkungslos.
Fehlermeldungen enthalten Logs, Screenshots, Tokens — nur freigegebene Werkzeuge nutzen.

Dieses Thema als Schulung für Ihr Team

Dieser Beitrag erklärt das Thema. Damit Ihr Team es danach auch anwendet, gibt es GenAI für Testing, QA und Code Review als Schulung — an Ihrem eigenen Code, mit den Fragen, die ein Text nicht beantwortet. Sie wählen die Module, wir bauen daraus ein Programm.

2 Tage·ab 900 EUR netto pro Tag (bis 3 Teilnehmende) ·Termin nach Vereinbarung

Als Team-Schulung anfragen Zum Seminar GenAI für Testing, QA und Code Review →