KI schreibt heute einen großen Teil des neuen Codes, und irgendjemand muss ihn prüfen. Deshalb entscheidet sich im Softwaretest, ob das Produktivitätsversprechen der KI hält. Die Schlagzeilen klingen nach einer ausgemachten Sache: Laut World Quality Report 2025-26 von Capgemini, Sogeti und OpenText pilotieren oder nutzen 89% der Organisationen generative KI im Quality Engineering. Doch nur 15% haben sie unternehmensweit skaliert, der durchschnittliche Produktivitätsgewinn liegt bei 19%, und in der Applause-Umfrage 2026 meldeten 29% der Teams mehr oder schwerere Fehler, obwohl die KI-Nutzung stieg. Dieser Leitfaden erklärt, was KI-Testing 2026 wirklich leistet, wo Agenten auf Basis von Claude, OpenAI Codex, Mistral und Manus passen und wie Unternehmen in Kroatien, Deutschland und Österreich vorgehen sollten.
Alle nutzen es, je nachdem, wer fragt
Umfragen zu KI im Test liefern sehr unterschiedliche Zahlen, weil sie unterschiedliche Menschen Unterschiedliches fragen. BrowserStack meldet aus einer Umfrage vom Februar 2026 unter über 250 Technologieverantwortlichen, dass 94% der Teams KI im Test nutzen. Applause nennt 92% im funktionalen Testen, nach 60% im Vorjahr. Katalon findet 76% von über 1.500 QA-Fachleuten mit KI-Tools, mabl 57% der QA-Teams gegenüber 72% der Entwicklungsteams. Am anderen Ende stellte Leapwork in einer Studie mit 302 Testfachleuten fest, dass nur 12,6% KI in zentralen Testabläufen einsetzen, obwohl 88% sie als Priorität sehen.
Quellen: BrowserStack (Feb. 2026, 250+ Technologieverantwortliche), Applause State of Digital Quality 2026 (funktionales Testen), World Quality Report 2025-26 (Capgemini, Sogeti, OpenText; 37% produktiv, 52% in Piloten), Katalon (1.500+ QA-Fachleute), mabl 2026 State of Quality Engineering, Leapwork AI in Testing (302 Befragte, 2026). Überwiegend Anbieterstudien mit unterschiedlichen Definitionen; als Richtwerte lesen.
Die ehrliche Lesart: Fast jedes Team hat eine KI-Funktion ausprobiert, oft die, die in einem vorhandenen Tool eingeschaltet wurde. Sehr wenige haben ihr Testen durchgängig verändert.
Die Reifelücke
Jede Umfrage, die nach der Tiefe fragt, erzählt dieselbe Geschichte. Im World Quality Report pilotieren oder nutzen 89%, aber 15% arbeiten unternehmensweit damit. Die 94% von BrowserStack schrumpfen auf 12% mit voller Autonomie. Alt.QA stellte fest, dass 73% der Engineering-Teams eine KI-Testinfrastruktur haben, aber nur 18% ihrer Testabdeckung vertrauen. Als führende Anwendungsfälle nennen die Befragten Testfallentwurf und Anforderungsverfeinerung; Daten von PractiTest sehen Testfallerstellung (69,6%) und Skriptwartung (59,6%) vorn.
Quellen: World Quality Report 2025-26 (89% Pilot oder Einsatz vs. 15% unternehmensweit), BrowserStack 2026 (94% Nutzung vs. 12% volle Autonomie), Alt.QA-Umfrage unter 500 Teams, Feb. 2026 (73% mit KI-Testinfrastruktur vs. 18% vertrauen ihrer Abdeckung), Leapwork 2026 (88% Priorität vs. 12,6% Nutzung in zentralen Abläufen).
Was KI-Testing 2026 tatsächlich bedeutet
"KI-Testing" umfasst fünf recht unterschiedliche Dinge. Sie zu vermischen ist der häufigste Grund für enttäuschende Piloten.
| Ansatz | Was er leistet | Typische Tools | Reife |
|---|---|---|---|
| Testgenerierung | Entwirft Unit-, API- und End-to-End-Tests aus Code, Anforderungen oder User Stories | Claude, GPT-Modelle, GitHub Copilot, Mistrals Devstral | Produktionsreif, mit Review |
| Selbstheilende UI-Tests | Repariert Locator bei Änderungen der Oberfläche, Suiten brechen seltener | Kommerzielle Plattformen wie mabl, Tricentis, Leapwork, Katalon | Ausgereift für Web-UIs |
| Agentisches Testen in der IDE | Ein Coding-Agent schreibt einen Test, führt ihn in einem echten Browser aus, liest den Fehler und korrigiert Test oder Code | Claude Code oder OpenAI Codex mit Playwright über MCP | Entwickelt sich schnell, stark für Entwickler |
| Autonome Erkundung | Ein Allzweck-Agent klickt sich wie ein Nutzer durch die App und meldet, was kaputt wirkt | Manus, Browser-Agenten von OpenAI und anderen | Nützlich für Smoke-Tests, nicht deterministisch |
| KI selbst testen | Prüft Chatbots und Agenten auf Genauigkeit, Sicherheit und Regressionen | Eval-Suiten, LLM-as-a-Judge, Red Teaming | Pflicht für jede KI-Funktion |
Einteilung von AI Workshop auf Basis von Anbieterdokumentation und World Quality Report 2025-26. Tool-Listen sind Beispiele, keine Empfehlungen.
Wo Anthropic, OpenAI, Mistral und Manus passen
Die größte Veränderung des letzten Jahres: Das Testen ist in den Coding-Agenten gewandert. Claude Code läuft im Terminal, schreibt Tests, führt die Testsuite aus und iteriert, bis sie besteht. Über das Model Context Protocol mit Playwright verbunden, kann es die Anwendung in einem echten Browser öffnen, einen Ablauf durchklicken und das Gesehene in einen wiederholbaren Test verwandeln. OpenAI Codex folgt demselben Muster in Cloud-Sandboxen und führt die Projekttests aus, bevor es eine Änderung vorschlägt. Für Teams, die Quellcode nicht in eine US-Cloud senden dürfen, sind die Devstral-Modelle von Mistral Open-Weight und laufen auf eigenen Servern, was für Banken und den öffentlichen Sektor zählt. Manus und ähnliche Allzweck-Agenten können eine Web-App wie ein Nutzer erkunden, was offensichtliche Fehler findet, doch ihre Durchläufe sind nicht wiederholbar genug, um eine Regressionssuite zu ersetzen.
Das Muster, das funktioniert: KI schreibt und pflegt die Tests, ausgeführt werden sie aber als normale deterministische Tests in der CI-Pipeline. Ein KI-Modell sollte beim Release nicht der Richter sein. Die Coding-Agenten selbst vergleichen wir im Leitfaden zu KI-Coding-Agenten.
Die Falle: Wenn dieselbe KI Code und Tests schreibt, bestätigen die Tests meist, was der Code tut, einschließlich seiner Fehler. Die Abdeckung steigt, das Vertrauen sollte es nicht. Lassen Sie zumindest die Akzeptanzkriterien von Menschen schreiben, prüfen Sie generierte Assertions und messen Sie entwichene Fehler statt Testanzahl. Unser Artikel zu Sicherheit und Qualität von KI-generiertem Code zeigt, warum das wichtig ist.
Was Unternehmen bremst
Die Hürden liegen weniger in der Technik als bei Daten, Integration und Vertrauen. Im World Quality Report führen Datenschutzrisiken (67%), Integrationskomplexität (64%) und fehlende Kompetenzen (50%). In der Leapwork-Studie nennen 54% Bedenken zu Genauigkeit und Qualität. Gleichzeitig zeigen die Applause-Daten das Risiko zu hohen Tempos: 29% der Teams meldeten mehr oder schwerere funktionale Fehler, während die KI-Nutzung stieg.
Quellen: World Quality Report 2025-26 (Datenschutz, Integration, Kompetenzen), Leapwork 2026 (Bedenken zu Genauigkeit und Qualität), Applause State of Digital Quality 2026 (Teams mit mehr oder schwereren funktionalen Fehlern). Unterschiedliche Umfragen, nicht direkt vergleichbar.
Ein Markt, der nach den meisten Maßstäben noch klein ist
KI-Testtools sind ein Bruchteil der gesamten Testausgaben. Die Schätzungen für 2026 reichen von rund 0,75 Mrd. $ für KI-Testtools (The Business Research Company) und 1,21 Mrd. $ für KI-gestütztes Testen (Fortune Business Insights, mit 4,64 Mrd. $ bis 2034) bis 11,99 Mrd. $, wenn Mordor Intelligence KI-gestütztes Testing und QA-Dienstleistungen breit zählt. Zum Vergleich: Der gesamte Markt für Testautomatisierung wird für 2026 auf rund 40,6 Mrd. $ geschätzt. Das meiste Geld fließt weiterhin in Menschen und klassische Werkzeuge.
Quellen: The Business Research Company (KI-Testtools, 0,75 Mrd. $ 2026, CAGR 29,1%), Fortune Business Insights (KI-gestütztes Testen, 1,21 Mrd. $ 2026 bis 4,64 Mrd. $ 2034, CAGR 18,3%), Mordor Intelligence (KI-gestütztes Softwaretesting und QA, 11,99 Mrd. $ 2026). Stark unterschiedliche Marktabgrenzungen.
Die EU-Perspektive: Testdaten, DORA und AI Act
- DSGVO und Testdaten. Produktionsdaten in Prompts oder Testumgebungen zu kopieren ist Verarbeitung personenbezogener Daten. Nutzen Sie maskierte oder synthetische Testdaten, wählen Sie für sensiblen Code und Daten in der EU gehostete oder selbst betriebene Modelle und schließen Sie mit jedem KI-Anbieter einen Auftragsverarbeitungsvertrag.
- DORA für Finanzunternehmen. Seit Januar 2025 müssen Banken, Versicherer und ihre IKT-Dienstleister in der EU ein Programm zum Testen der digitalen operationalen Resilienz betreiben. KI-generierte Tests sind willkommen, aber Sie müssen zeigen können, was von wem mit welchem Ergebnis getestet wurde. Halten Sie Testnachweise nachvollziehbar.
- EU AI Act. Hochrisiko-KI-Systeme müssen im Rahmen des Risikomanagements anhand festgelegter Metriken getestet (Artikel 9) und für Genauigkeit und Robustheit dokumentiert werden (Artikel 15); die Pflichten gelten ab August 2026. Wer KI-Funktionen baut, muss sie testen, das ist gesetzliche Pflicht, nicht Kür. Siehe unseren Leitfaden zur EU-AI-Act-Compliance und unseren Leitfaden zur Evaluation von KI-Agenten.
Unser 30-Tage-Pilotplan: Wählen Sie ein Produkt mit stabiler CI-Pipeline. Woche 1: Ausgangswerte messen (Zeit pro Test, Anteil instabiler Tests, entwichene Fehler). Woche 2: Mit Claude Code oder Codex und Playwright Tests für die fünf wichtigsten Nutzerabläufe generieren und jede Assertion prüfen. Woche 3: Selbstheilung oder agentenbasierte Wartung für die UI-Suite ergänzen. Woche 4: Mit den Ausgangswerten vergleichen und entscheiden. Durchgehend synthetische Daten verwenden, das Release-Gate bleibt deterministisch.
Was das für Unternehmen in Kroatien und DACH bedeutet
- Ihre Entwickler schreiben Tests bereits mit KI. Machen Sie es offiziell, stellen Sie freigegebene Tools bereit und legen Sie Review-Regeln fest, statt jedes Team improvisieren zu lassen.
- Beginnen Sie, wo das Testen am meisten schmerzt. Fragile UI-Tests und fehlende Abdeckung zentraler Abläufe zeigen binnen Wochen Ergebnisse.
- Messen Sie Ergebnisse, nicht Aktivität. Entwichene Fehler, instabile Tests und Zeit bis zum Release zählen, die Zahl generierter Tests nicht.
- Planen Sie regulatorische Nachweise ein. Banken unter DORA und alle, die Hochrisiko-KI nach dem AI Act bauen, brauchen von Anfang an nachvollziehbare Testprotokolle.
- Mit KI gebaute Apps brauchen mehr Tests, nicht weniger. Wenn Fachabteilungen Tools per Vibe Coding und KI-App-Buildern bauen, ergänzen Sie automatisierte Tests, bevor diese Tools Kundendaten berühren.
Fazit
KI hat das Schreiben von Tests billig gemacht. Die Entscheidung, was "korrekt" bedeutet, hat sie nicht erleichtert, und die bleibt Aufgabe von Menschen, die das Geschäft verstehen. Die Unternehmen, die die genannten 19% und mehr erreichen, kombinieren KI-generierte Tests und agentische Erkundung mit deterministischen Pipelines, von Menschen verantworteten Akzeptanzkriterien und ehrlichen Kennzahlen. Wer die KI ihre eigenen Hausaufgaben benoten lässt, landet bei den 29% mit mehr Fehlern.
Soll KI Ihr Testen beschleunigen, ohne die Qualität zu senken?
AI Workshop richtet KI-gestütztes Testen mit Claude Code, Playwright und Ihrer CI-Pipeline ein, baut Evaluationssuiten für Ihre KI-Funktionen und bereitet die Nachweise vor, die DORA und der EU AI Act verlangen. Unsere Claude Certified Architects halten Code und Testdaten in der EU.
Mit einem KI-Berater sprechen