Ein Paradigmenwechsel für moderne Softwareteams

Agentische KI markiert einen neuen Entwicklungsschritt in der Qualitätssicherung. Kürzere Release‑Zyklen und steigende Systemkomplexität erhöhen den Druck auf Teams, während klassische Testansätze zunehmend an ihre Grenzen stoßen. Manuelle Verfahren sind schwer skalierbar, automatisierte Tests erfordern hohe Wartung.

Vor diesem Hintergrund gewinnt die agentische KI als neuer Ansatz in der Qualitätssicherung an Bedeutung. Agentic QA ersetzt klassische Testpraktiken nicht vollständig, sondern ergänzt sie um adaptive, zielorientierte Systeme, die bestehende Verfahren sinnvoll erweitern und an einigen Stellen grundlegend verändern. Für Engineering-Verantwortliche stellt sich damit nicht die Frage, ob Automatisierung verschwindet – sondern ob statische, skriptzentrierte Testmodelle für eine moderne Softwareauslieferung noch ausreichen.

Traditionelle QA hält mit modernen Entwicklungsprozessen nicht mehr Schritt

In agilen und DevOps-Umgebungen zählt vor allem Geschwindigkeit – Features sollen schnell in Produktion. Doch das Testen bleibt dabei häufig der Engpass: Manuelle Durchläufe über Hunderte User-Journeys dauern Stunden oder Tage und skalieren nicht. Automatisierte Tests mit Werkzeugen wie Selenium oder Cypress entlasten zwar, geraten aber bei dynamischen Oberflächen, A/B-Tests oder verschobenen Layouts schnell an Grenzen, was zu instabilen („flaky“) Tests führt, die entweder falsch-positiv scheitern oder echte Probleme übersehen.

In regulierten Branchen wie Finanz oder Automotive kommen Compliance-Anforderungen hinzu, die den Aufwand weiter steigern. Schätzungen zufolge können Tests bis zu 50 Prozent des Entwicklungsbudgets beanspruchen. Die Folgen sind für viele Teams spürbar: Anhäufung technischer Schulden in Test-Suiten, Frustration bei Entwicklern und verzögerte Releases. Fachleute wie z.B. von Gartner raten daher, klassische Testautomatisierung mit generativer und agentischer KI zu ergänzen.[1] Agentic AI soll den Weg von starren Skripten hin zu lernenden, adaptiven Systemen eröffnen. Vor diesem Hintergrund haben wir bei EPAM agentische QA-Ansätze entwickelt, die zeigen sollen, wie KI-gestützte Agenten die Lücke zwischen manuellen und automatisierten Tests schließen. Im KI-nativen SDLC-Playbook werden Agenten über den gesamten Produktlebenszyklus hinweg eingebettet – am Ende entsteht ein agentifizierter Product Development Life Cycle (PDLC).

Vom klassischen Testen zu agentischer Intelligenz

In der Qualitätssicherung bezeichnet „Agentic AI“ autonome Softwareagenten, die klar definierte Testziele verfolgen, das Verhalten einer Anwendung kontinuierlich beobachten und kontext- sowie risikobasiert über ihre nächsten Aktionen entscheiden. Agentische Systeme lösen sich damit von starren Skripten und arbeiten in geschlossenen Schleifen aus Wahrnehmung, Entscheidung und Aktion.

Sie kombinieren kompakte Sprachmodelle mit strukturierten Anwendungssignalen und Erkenntnissen aus früheren Tests, etwa zur Interpretation, Navigation oder Priorisierung, ohne als alleinige Entscheidungsinstanz zu fungieren. Das Lernen wird durch Muster wie häufige Fehlertypen, risikoreiche Nutzerpfade oder historische Defektdaten gesteuert; externe Quellen wie Crowdtesting-Erkenntnisse fließen abstrahiert und anonymisiert ein. Nur Verhaltensmuster, nicht einzelne Nutzeraktionen oder sensible Informationen werden berücksichtigt.

Hier setzt der Human-in-the-Loop-Ansatz an: Menschliche Expertise bleibt zentral, validiert Entscheidungen der Agenten, identifiziert Fehlalarme und kalibriert die Risikosensitivität. Dieses Expert-in-the-Loop, informell auch „Vibe-Testing“ genannt, erfasst qualitative Einschätzungen, die sich schwer in feste Regeln fassen lassen. Das Feedback verfeinert das Verhalten der Agenten damit gezielt, ohne dass dafür neue Skripte notwendig sind. Dadurch können sich Testsuiten weiterentwickeln, ohne zusätzliche technische Schulden in der Automatisierung anzusammeln.

Wie agentische Agenten in der Praxis arbeiten

Um das greifbar zu machen, sehen wir uns eine E-Commerce-Anwendung mit personalisierten Dashboards an. Traditionell würden Tester manuell durch die Kategorien navigieren, Warenkörbe testen und auf Fehler achten – ein arbeitsintensiver Prozess.

Ein Searching Test Agent startet hingegen erkundend: Er scannt die UI, identifiziert dynamische Elemente (z. B. durch smarte Alternativen zu starren XPath-Selektoren) und simuliert realistische Nutzerpfade. Basierend auf Crowdtesting-Daten – also realem Nutzerverhalten und früheren Bugs – priorisiert er risikoreiche Bereiche und erzeugt Tests, die Störfaktoren wie etwa Werbe-Pop-ups ignorieren.

Der Adaptive Regression Agent springt danach ein: Bei einem Code-Update analysiert er Änderungen, baut eine vollständige Test-Suite auf und führt sie aus. Menschliches Feedback per Vibe-Testing verfeinert die Ergebnisse: Ein QA-Experte markiert Tests als „passt“ oder „falsch“, was die zugrunde liegenden Modelle schult. Skripte müssen dabei nicht manuell neu geschrieben werden. In Projekten zeigte sich eine Effizienzsteigerung um den Faktor 10 gegenüber rein manuellem Testen und eine Reduktion des manuellen Aufwands um bis zu 50 Prozent.

Wichtig ist die Workflow-Einbettung: Die Agenten laufen nahtlos in CI/CD-Pipelines wie Jenkins oder GitHub Actions und liefern standardisierte Reports (z. B. im JUnit-Format).

Der Erfolg lässt sich bereits konkret messen. Hier praxisdatenbasierte Kennzahlen aus validierten Einsätzen von Agentic QA:

Natürlich variieren diese Werte je nach Anwendungsdomäne, z. B. liegen sie bei Frontend-lastigen Apps eher höher. Wir empfehlen den Anwendern, jeweils eigene KPIs wie MTTR (Mean Time to Repair) oder Escape Rate zu definieren.

Nahtlose Integration und Veränderung der Teamrollen

Die Technologie muss in die Umgebung passen; für die optimale Wirksamkeit benötigt die KI den größtmöglichen Zugriff. Agentic QA verbindet sich für die skalierbare Ausführung via APIs mit Tools wie GitLab CI oder Kubernetes. Die Datengrundlage schafft den Unterschied: Interne Logs werden durch anonymisierte Crowd-Daten ergänzt und trainieren die Modelle so kontinuierlich.

Die KI-Implementierung verändert die Rollen im Team: Tester:innen werden zu Orchestratoren, die Prompts formulieren, Feedback geben und Risiken bewerten, statt Skripte zu schreiben. Dadurch rückt QA‑Expertise näher an Produktrisiken und Architekturentscheidungen, während der Pflegeaufwand für fragile Skripte sinkt. Entwickler:innen profitieren zugleich von kürzeren Feedback-Loops, etwa in ersten Pilotprojekten innerhalb einzelner Squads.

Governance und Risiken: Die Schattenseiten nicht ignorieren

Doch jede Innovation birgt Fallstricke. KI-Agenten können halluzinieren, durch Trainingsdaten verzerrt sein (Bias) oder als Black Box wirken. Als Gegenmaßnahmen helfen Ansätze wie Explainable AI mit detaillierten protokollierten Logs für Transparenz, Guardrails wie eine Mindesttestabdeckung sowie strenge menschliche Überwachung (Human Oversight).

Datenschutz gemäß DSGVO und Security-Maßnahmen sind verpflichtend: KI-Agenten sollten ausschließlich auf Staging-Systemen eingesetzt und sensible Daten konsequent maskiert werden. In regulierten Branchen sind lückenlose Audit-Trails unerlässlich – Vibe-Testing sorgt hier für maximale Transparenz. Ein häufiger Fehler ist außerdem übermäßiges Vertrauen in die KI. Das domänenbezogene Fachwissen bleibt stets unverzichtbar.

Eine konkrete Pilot-Strategie für den Einstieg

Der Einstieg in die agentische QA sollte strategisch geplant erfolgen. Hier sind mögliche erste Schritte:

1. Passenden Use Case finden: Wo kostet manuelles Testing am meisten? In Frage kämen etwa die Frontend-Regression oder die aufwendige API-Exploration.
2. Baseline etablieren: Die aktuellen Metriken (wie Testzeit pro Sprint, Flake-Rate) sollten festgehalten und als Basis für die spätere Bewertung genutzt werden.
3. Proof of Concept: Die Agenten werden im Staging deployt und Feedback-Loops aufgebaut.
4. Ausrollen: Die KPIs werden evaluiert, die Teams zum Beispiel in Prompt-Workshops weiter geschult.
5. Optimieren: Iterieren, bis die Flake-Rate signifikant gesunken ist.

Fazit

Agentic QA ersetzt nicht die notwendige Disziplin in der QS, sondern verlangt sogar mehr davon. Indem das Testen von einer skriptgebundenen Überprüfung hin zu einer kontinuierlichen, adaptiven Exploration verschoben wird, entsteht ein Ansatz, der hilft, Unsicherheiten in zunehmend komplexen Softwaresystemen wirksam zu beherrschen.

Für Organisationen, die bereit sind, in Governance, Expertise und eine durchdachte Einführung zu investieren, bietet agentische QA das Potenzial, die Qualitätssicherung aus einer reaktiven Kostenstelle in eine strategische Fähigkeit zu verwandeln – eine Fähigkeit, die hohe Geschwindigkeit ermöglicht, ohne das Vertrauen in die Ergebnisse zu gefährden.

Über den Autor:

Adam Auerbach ist Vice President und Technologie- und KI-Transformationsleiter bei EPAM mit über 20 Jahren Erfahrung in der Modernisierung von Softwareentwicklung, Qualitätssicherung, DevOps und Cloud. Er leitet globale Teams und treibt mit der Initiative AI/Run die KI-gestützte Produktentwicklung voran.

Quellen:

[1] Gartner: 4 Essential Steps to Build Test Automation Capabilities. Jim Scheibmeir, Thomas Murphy, Joachim Herschmann, 13. Juni 2025.