Zukunft der Softwareentwicklung: Qualitätssicherung im KI-Zeitalter

Wie sieht die Zukunft der Softwareentwicklung aus, wenn Künstliche Intelligenz nicht mehr nur ein Schlagwort, sondern ein alltägliches Werkzeug ist? In einer neuen Episode des Podcasts Software Testing & Qualität trifft Host Richard Seidl auf eine der prägendsten Persönlichkeiten der deutschen Software-Qualitätsszene: Prof. Dr. Ina Schieferdecker. Ina, die lange das Fraunhofer-Institut für Offene Kommunikationssysteme (FOKUS) leitete, seit den Anfängen im German Testing Board aktiv ist und an der TU Berlin Quality Engineering lehrt, teilt ihre Vision vom Next-Gen Software Engineering. Das Gespräch taucht tief in die Frage ein, wie KI, Low-Code-Plattformen und modellbasierte Ansätze die Art und Weise, wie wir Software bauen und testen, fundamental verändern. Es geht um die zentralen Herausforderungen: Wie sichern wir die Qualität in einer Welt automatisierter Code-Generierung und welche Kompetenzen brauchen Fachkräfte, um in diesem neuen Paradigma nicht nur zu überleben, sondern erfolgreich zu sein?

Das Wichtigste auf einen Blick

• KI als zweischneidiges Schwert: Werkzeuge zur Code-Generierung versprechen enorme Produktivitätssteigerungen, bergen aber das Risiko, schlecht wartbaren Spaghetti-Code zu erzeugen. Laut Ina Schieferdecker wird die menschliche Überprüfung und Qualitätssicherung dadurch nicht überflüssig, sondern wichtiger denn je.
• Renaissance des modellbasierten Denkens: Was früher als sperriges Model-Based Testing galt, erlebt durch Low-Code- und No-Code-Plattformen eine Wiedergeburt. KI kann diesen Ansatz revolutionieren, indem sie nicht nur Top-down-Entwürfe ermöglicht, sondern auch Bottom-up-Modelle aus bestehendem Code extrahiert und so die Lücke zwischen Entwurf und Realität schließt.
• Von der Fehlerfindung zur Qualitätskonstruktion: Ina plädiert dafür, den Fokus von der reaktiven Fehlersuche auf die proaktive Konstruktion von Qualität zu verlagern. Es geht darum, Software und die dazugehörigen Testsysteme von der Anforderung bis zur Implementierung parallel und integriert zu entwickeln - ein konsequenter Shift Left-Ansatz.
• Die Zukunft der Ausbildung ist praktisch: Theoretisches Wissen, wie es in Zertifizierungen wie dem ISTQB vermittelt wird, reicht nicht mehr aus. Die nächste Generation von Software-Expert:innen muss durch intensive, praktische Übungen an realen Problemen geschult werden, um die nötige Erfahrung und die entscheidenden Aha-Effekte zu erleben.
• Die Rolle des Testers wird strategischer: Weit davon entfernt, obsolet zu werden, entwickelt sich die Rolle des Testers hin zu einer strategischen Funktion. In einer Welt zunehmend kritischer und komplexer Softwaresysteme sind es die menschlichen Expert:innen, die Risiken bewerten, komplexe Zusammenhänge verstehen und die wirklich wichtigen Qualitätsprobleme identifizieren.

Next-Gen Software Engineering: KI als Katalysator und Risiko

Ina Schieferdecker, die ihre Karriere stark auf das Prüfen und die Testautomatisierung ausgerichtet hatte, erklärt, dass sie an einem Punkt eine gewisse Frustration empfand. Das Testen allein könne immer nur feststellen, ob etwas gut oder schlecht ist, aber nicht aktiv die Qualität im Entstehungsprozess gestalten. Ihre Vision des Next-Gen Software Engineering verknüpft daher die Software-Konstruktion viel enger mit der Analyse. Statt eines nachgelagerten Prozesses stellt sie sich eine parallele Entwicklung vor: Zu jeder Softwarespezifikation gehört eine Testspezifikation, zu jedem Softwaremodell ein Testmodell.

Künstliche Intelligenz wirbelt diesen Ansatz nun kräftig durcheinander. Während KI-Werkzeuge das Potenzial haben, die Automatisierung auf ein neues Level zu heben, warnt Ina vor blindem Vertrauen. Insbesondere bei generativen Sprachmodellen, die für das sogenannte Vibecoding - also das schnelle Erzeugen von Code - eingesetzt werden, sieht sie große Gefahren. Diese Modelle sind oft auf einem riesigen, aber qualitativ durchwachsenen Korpus von Code trainiert. Das Ergebnis kann funktional korrekt erscheinen, aber gleichzeitig ineffizient, unsicher oder extrem schlecht wartbar sein. Jede zusätzlich generierte Codezeile, so Ina, verursacht langfristige Kosten für Wartung, Dokumentation und Tests - eine Rechnung, die heute noch kaum jemand aufmacht.

Die Wiedergeburt des modellbasierten Engineerings

Konzepte wie das modellbasierte Testen existieren seit Langem, galten aber oft als zu akademisch und unpraktisch. Ina beobachtet, dass die aktuellen Low-Code- und No-Code-Plattformen diese Ideen nun unter neuem Namen für die breite Masse zugänglich machen. Sie sieht darin eine Bestätigung, dass die Abstraktion von der konkreten Implementierung enorme Vorteile bietet. Am Fraunhofer-Institut entwickelte sie mit ihrem Team den sogenannten Model-Bus - eine Art Service-Bus, der nicht Daten, sondern Modelle verschiedener Engineering-Disziplinen (Anforderungen, Architektur, Tests) miteinander verknüpft und synchronisiert.

Das Problem war bisher oft, dass die Modelle schnell veralteten, sobald die praktische Implementierung begann. Hier kommt KI ins Spiel: Sie ermöglicht nicht nur den klassischen Top-down-Ansatz (vom Modell zum Code), sondern auch den umgekehrten Weg. Durch Mustererkennung kann KI aus bestehendem Code Abstraktionen, also Modelle, ableiten. Dieser Bottom-up-Ansatz könnte die Synchronisation zwischen Entwurf und Code automatisieren und modellbasiertes Arbeiten endlich praxistauglich machen. Ina betont, dass selbst einfache Testspezifikationen, wie sie auf Konferenzen oft vorgestellt werden, im Kern bereits Testmodelle sind - auch wenn sie nicht so genannt werden.

Kompetenzen für die Zukunft: Mehr Praxis, weniger Theorie

Wenn die Werkzeuge immer intelligenter werden, was müssen dann die Menschen können? Ina, die maßgeblich an den Lehrplänen des ISTQB und German Testing Board mitgewirkt hat, äußert hier deutliche Kritik. Die bisherigen Ausbildungen seien zu stark auf die Vermittlung von Theorie und Terminologie fokussiert. Zwar sei das Fundament wichtig, doch wahre Expertise entstehe erst durch die Anwendung in der Praxis.

Da Software in immer mehr kritischen Bereichen wie der Energieversorgung oder der Medizintechnik eingesetzt wird, benötigen wir echte Expert:innen, die nicht nur wissen, was eine Äquivalenzklassenanalyse ist, sondern die auch die Erfahrung haben, komplexe Fehler in realen Systemen aufzuspüren. Sie plädiert deshalb für eine radikale Neuausrichtung der Weiterbildung: weg von reinen Multiple-Choice-Prüfungen, hin zu herausfordernden, praktischen Übungen, die Lerneffekte provozieren. Richard bestätigt diesen Eindruck aus seinen eigenen Schulungen, in denen die Arbeit an echten User Stories der Teilnehmenden den größten Lerneffekt erzielt.

Die Zukunft der Tester-Rolle: Strategisch und unverzichtbar

Die vielleicht wichtigste Botschaft von Ina ist eine optimistische: Die Rolle des Testers hat eine fulminante, rosige Zukunft. Die Annahme, dass KI und Automatisierung den menschlichen Tester überflüssig machen, hält sie für grundlegend falsch. Das Gegenteil sei der Fall. Die wachsende Menge an Software, ihre zunehmende Vernetzung und Kritikalität sowie die durch KI erzeugte zusätzliche Komplexität erfordern mehr denn je menschliche Intelligenz und Erfahrung in der Qualitätssicherung.

Automatisierung, auch durch KI, ist dabei ein Werkzeug, das Tester von repetitiven Aufgaben befreit. So bleibt mehr Zeit, sich auf die wirklichen Pain Points zu konzentrieren: das Testen komplexer Szenarien, das Exploratory Testing und die strategische Risikobewertung. Die Rolle wandelt sich vom reinen Fehlerfinder zum Qualitätsstrategen, der sicherstellt, dass die gebaute Software nicht nur funktioniert, sondern auch zuverlässig, sicher und performant ist.

Praktische Schritte für zukunftsfähige Qualitätssicherung

1. KI-generierten Code kritisch prüfen: Führe in deinem Team strikte Review-Prozesse für jeden von KI-Assistenten erzeugten Code ein. Akzeptiere Vorschläge niemals blind, sondern bewerte sie hinsichtlich Wartbarkeit, Performance und Sicherheit.
2. Modellbasiertes Denken fördern: Auch ohne komplexe Werkzeuge kannst du anfangen, abstrakter zu denken. Formuliere Testfälle als technologieunabhängige Testspezifikationen, die die Geschäftslogik beschreiben, statt sie direkt in einem Framework wie Selenium oder Playwright zu implementieren. Das macht deine Tests robuster gegenüber Änderungen in der Benutzeroberfläche.
3. In praktische Ausbildung investieren: Schaffe in deinem Team Lernmöglichkeiten, die über theoretische Kurse hinausgehen. Organisiere Sessions für Exploratory Testing, lass das Team gemeinsam echte Fehler analysieren oder nutze Pair-Testing, um Wissen direkt in der Praxis zu vermitteln.
4. Den Fokus von der Fehlerfindung zur Konstruktion verlagern: Integriere Qualitätssicherung so früh wie möglich (Shift Left). Bringe Tester und Entwickler bereits bei der Formulierung von Anforderungen zusammen, um von Beginn an eine hohe Testbarkeit und eine saubere Architektur sicherzustellen, anstatt später nur Fehler zu protokollieren.