AI zorgt voor een revolutie in het testen van software:van snelle automatisering tot strategisch inzicht

Met agentic AI-augmenterende testers zie ik dat testers hogerop in de waardeketen beginnen te komen:ik zie dat ze meer tijd besteden aan het nadenken over wat er getest moet worden en waarom, in plaats van alleen maar hoe. Ik zie ze meer redeneren over systemen, gebruikers en risico's, in plaats van tijd te steken in het automatiseren van repetitieve controles.

Kortom, met agentische AI verschuift de inspanning van het hoe naar het wat en waarom:het denken met een hogere waarde. In kaart gebracht op een eenvoudig model ziet die verschuiving er ongeveer zo uit:

Hieronder staan een paar van mijn observaties over het belangrijkste ‘wat’ en ‘waarom’ dat ik in deze verschuiving tegenkom – en waarom ik er bemoedigd en oprecht optimistisch over ben.

AI verlaagt de kosten van automatisering bij testen

Het wordt steeds eenvoudiger om de mechanische onderdelen van het testen te automatiseren, of dat nu het automatiseren van handmatige repetitieve controles betekent, het genereren van testgegevens of het vinden van patronen in testresultaten. En dat is het aspect dat ik het leukst vind aan AI bij het testen. Niet omdat de automatiseringsmachinerie goedkoper wordt, maar omdat er iets belangrijkers gebeurt:testers krijgen eindelijk de tijd en ruimte om na te denken.

Ze kunnen een stapje terug doen, naar het hele systeem kijken en hun cognitieve energie besteden aan waar het echt telt:het vinden van softwareproblemen die er toe doen.

Schaalbare automatisering onthult de waarde van vakkundig testen

AI verlaagt niet alleen de kosten van het genereren van automatisering. Het legt de echte waarde bloot van professionele menselijke testen:testen die consequent zeldzame, verborgen en subtiele problemen aan het licht brengen die er toe doen. En nu AI steeds meer repetitief en somber werk automatiseert, verschuiven testers steeds meer van "Hoe automatiseren we dit?" tot "Welke risico's zijn voor welke belanghebbenden het belangrijkst?".

Het knelpunt is niet de automatisering, maar het denken

En deze verschuiving – deze herverdeling van aandacht – is gezond, omdat het knelpunt nooit automatisering is geweest, maar het denken. Wat beperkt hoe snel we consistent software van hoge kwaliteit kunnen leveren, is de tijd die nodig is voor diepgaande verkenning, experimenten en onderzoek. Dat is wat de risico’s aan het licht brengt die er toe doen.

Teams falen zelden omdat ze niet genoeg automatisering kunnen schrijven. Ze falen omdat ze niet snel genoeg de juiste vragen stellen (of niet kunnen).

• Begrijpen wij het systeem?

• Begrijpen wij de gebruikers?

• Begrijpen we welke risico’s het belangrijkst zijn voor welke stakeholders?

Als we deze vragen niet stellen, zal geen enkele mate van automatisering ons kunnen redden.

Testen is een onderzoek, geen productielijn

Testen is geen fabrieksproces. Het is een onderzoek naar kwaliteit, risico's en informatie die we nog niet hebben. De uitdaging bij het testen is het in kaart brengen van risico's, het ontwerpen van experimenten, het ter discussie stellen van aannames en het vertellen van een nuttig verhaal over de kwaliteit van de software die we testen.

En we doen dat allemaal met één doel voor ogen:andere mensen (zoals ontwikkelaars en managers) in staat stellen sneller beter geïnformeerde beslissingen te nemen (of dat nu iets repareert of verzendt). Dat is de kern van testen. AI ondersteunt het, maar vervangt het niet.

AI is een versterker, geen vervanging

Dit is de reden waarom ik AI zie als een capaciteitsversterker, en niet als vervanging voor softwaretesters. Het kan relevante tests voorstellen, automatisering opstellen, gegevens genereren en logboeken samenvatten. AI produceert nuttige artefacten en inzichten, maar mensen produceren oordelen.

AI verhoogt het plafond van wat testers kunnen doen; het neemt de behoefte aan menselijke betekenisgeving niet weg. Nogmaals, AI is een versterker van alles; het vergroot de vindingrijkheid... maar ook de risico's. Wanneer AI autonomer wordt, wordt het gemakkelijker om activiteit voor inzicht te verwarren. Als we het maximale uit deze technologie willen halen, moeten we ook begrijpen onder welke omstandigheden deze ons kan misleiden. Niet om voorzichtig te zijn, maar om ons te helpen AI in de goede richting te sturen.

Als kwantiteit zich voordoet als vertrouwen

Een van de eerste manieren waarop AI ons kan misleiden is door een illusie te creëren van testdekking. Wanneer testideeën gemakkelijk te genereren zijn, is het verleidelijk om het testvolume gelijk te stellen aan de testkwaliteit. Maar professionals weten dat een berg door AI gegenereerde controles nog steeds het echte risico kan missen:dekkingscijfers kunnen er indrukwekkend uitzien, dashboards kunnen groen oplichten, maar kritische vragen kunnen onbeantwoord blijven.

Natuurlijk kunnen we AI in onze context plaatsen. Maar het grootste deel van onze kennis is impliciet:het soort dat in de hoofden van mensen zit, niet in documenten. AI heeft daar op magische wijze geen toegang toe. Laat AI dus niet uw tests dicteren. Behandel elk door AI gegenereerd testidee als een aanleiding tot onderzoek:"Wat mist dit? Wat veronderstelt dit? Wat weet dit niet?". Begeleiding, en niet gehoorzaamheid, is de taak van de tester.

Snellere automatisering kan nog steeds de verkeerde automatisering zijn

Schaalbare automatisering moedigt de automatisering van alles aan, inclusief dingen die er niet toe doen. Professionele testers weten dit goed. Zoals Dorothy Graham zegt:"Als je chaos automatiseert, krijg je alleen maar snellere chaos." Professionele testers creëren geen geautomatiseerde controles voor hun eigen bestwil. Ze meten de waarde niet naar volume. Ze weten dat een kleine reeks risico-onthullende controles veel waardevoller is dan een grote reeks geautomatiseerde controles die u weinig of niets vertellen over het werkelijke risico. Ze vragen:"Welke informatie geeft deze cheque ons?" of "Vertelt dit ons iets zinnigs over risico's?". Ze richten zich op het automatiseren van wat belangrijk is, niet alleen op wat gemakkelijk is.

Het verborgen risico:AI kan softwaretesters deskillen

Een andere subtiele valkuil is de stille erosie van vaardigheden. Professionele testers begrijpen dat AI hen kan deskillen als ze stoppen met het oefenen van het moeilijke gedeelte. Ze weten dat als ze AI er vooral toe aanzetten testideeën uit te spugen, ze misschien niet de spieren opbouwen voor het modelleren van onbekende systemen, het herkennen van dubbelzinnigheid en vooringenomenheid in vereisten, of het ontwerpen van experimenten onder onzekerheid.

En als die spieren vervagen, neemt ook het vermogen om de suggesties van AI te beoordelen af. De twist is dat AI professionele testers vrijmaakt voor werk van hogere waarde, terwijl het ook amateurtesters – minder ervaren testers of degenen die testen vanuit andere rollen (waaronder ikzelf) – kan misleiden om de output van AI te letterlijk te vertrouwen. Zonder gedegen testvaardigheden is het gemakkelijk om vloeiende suggesties voor goede suggesties te verwarren.

Over het algemeen versterkt AI wat testers naar voren brengen. Het vermenigvuldigt sterke punten en hiaten. Gemengde teams van professionele en amateurtesters die deze asymmetrieën erkennen, zullen gedijen.

De keuze:beter nadenken of lege rituelen?

Dit brengt ons bij de beslissingen die testteams moeten nemen. AI creëert een nieuw keuzepunt:gebruiken we de tijd die het vrijmaakt om te investeren in beter nadenken (sterkere modellering, scherpere vragen, betere risicoanalyse) of besteden we die aan meer rituelen?

Met ritueel bedoel ik druk werk vermomd als testen:het genereren van stapels geautomatiseerde controles omdat het gemakkelijk is, het strikt volgen van door AI gegenereerde testplannen, zelfs als zich nieuwe risico's voordoen, of het vullen van dashboards met statistieken die de echte kwaliteit niet weerspiegelen. De toekomst van testen hangt af van deze keuze.

De cirkel sluiten:wat mij optimistisch maakt

Dus laat ik terugkeren naar waar ik begon:AI verandert het testen, niet door testers te vervangen, maar door te onthullen wat ze doen. En als ik kijk naar de teams waarmee ik werk, zie ik iets bemoedigends:een paar jaar geleden, tijdens onze backlog verfijningsvergaderingen, zag ik dat de eerste vraag van testers altijd was:"Hoe kunnen we dit automatiseren?" in plaats van "Wat moeten we testen en waarom?".

Maar nu valt mij iets anders op. Nu het gemakkelijker is geworden om te automatiseren, is het gesprek veranderd. Steeds meer testers stellen de wat- en waarom-vragen, omdat ze daar de ademruimte voor hebben.

Meer gesprekken gaan over risico's dan over scripts. Er wordt meer energie gestoken in het zinvol maken van het werk dan in het uitvoeren van controles. Steeds meer testers kiezen voor dieper nadenken over lege rituelen.

Ja, AI heeft zijn risico’s (illusie van dekking, verkeerde automatisering, deskilling). Maar ik zie softwaretesters bedachtzaam reageren. Ze gebruiken AI om hun oordeel te verdiepen, niet om het te vermijden.

Het netto-effect? Testen wordt steeds beter, niet omdat AI magisch is, maar omdat het testers de vrijheid geeft om meer werk te doen dat er toe doet:werk dat niet alleen meer automatisering oplevert, maar ook meer waarheid over de kwaliteit van onze software aan het licht brengt; werk dat niet alleen sneller gaat, maar ook dieper gaat.

En dat maakt mij optimistisch over de toekomst van ons vak.