Der Beitrag untersucht, wie Large Language Models (LLMs) wie ChatGPT, Claude, Gemini und Copilot den Softwareentwicklungsprozess – insbesondere Spezifikation, Implementierung und Test – unterstützen können. Dazu wird die Entwicklung einer astronomischen Webanwendung durchgeführt, die Amateurastronomen bei der Planung ihrer Beobachtungsabende durch Berechnung optimaler Beobachtungszeiten unterstützt. Das praxisnahe Szenario kombiniert überschaubare Komplexität (LLM-kompatibel) mit fachlicher Tiefe: Koordinatensysteme, Zeitkonversionen und Sichtbarkeitsberechnungen erfordern domänenspezifisches Wissen. Der Vortragende bringt eigene Erfahrung als Amateurastronom mit ein und hat vergleichbare Werkzeuge bereits manuell entwickelt.

Im Fokus stehen:

• die Qualität und Korrektheit der von den LLMs erzeugten Spezifikationen, Codes und Testfälle,
• die Nachvollziehbarkeit, Robustheit und Wartbarkeit der generierten Artefakte,
• ein systematischer Vergleich der Modelle anhand definierter QS-Kriterien. 

KI – die neue Wunderkomponente die ganz viel verspricht, auch in der Testautomatisierung. Viele Tools werben damit, Test effizienter und robuster zu machen: Self-Healing, automatische Testfall- und Testdatengenerierung, intelligente Fehleranalyse. Klingt beeindruckend – aber funktioniert das wirklich in der Praxis? Wie einfach ist die Verwendung der Tools? Wie beeinflussen sie die Arbeitsweise? Welche Chancen sehen wir? Welche Risiken kann die Verwendung von KI-gestützten Tools mit sich bringen? Können wir ihr blind vertrauen?

Die Fragen möchten wir anhand einer Analyse bestehender KI-gestützter Lösungen beantworten.

Der Vortrag beleuchtet den praktischen Einsatz von Large Language Models (LLMs) in Kombination mit dem Model Context Protocol (MCP) zur effizienten Erstellung und Wartung von automatisierten Testszenarien in Entwicklungsprojekten. Er demonstriert, wie MCP als standardisierte Schnittstelle die Integration von LLMs mit externen Datenquellen, Werkzeugen und Testframeworks wie Playwright ermöglicht und dabei manuelle, repetitive Aufgaben der Testszenario-Entwicklung reduziert.

Der Agent Mode von GitHub Copilot ermöglicht die autonome Ausführung komplexer Entwicklungsaufgaben und bietet im regulierten medizinischen Umfeld erhebliche Effizienz- und Qualitätsvorteile – erfordert jedoch klare Grenzen bei Kontrolle, Verantwortung und regulatorischer Sicherheit.

AI tools like GitHub Copilot are transforming how developers work—boosting productivity by up to 55%. But where do these tools truly shine, and where do they still fall short? In this talk, we present fresh insights from a developer survey and expert interviews, exploring how AI is used across the software development lifecycle. Join us to discover which phases benefit most, what challenges remain, and how AI can be better integrated into everyday workflows.

Results of our study reveal that 93% of developers use AI during implementation, but satisfaction is moderate (3.52/5). AI is also used in requirements (56%),testing (80%), and documentation (78%), with helpfulness ratings up to 4.46/5. Despite adoption, 53% feel restricted by internal policies, and only 10% trust current legal frameworks to keep pace with AI.

Manches versteht man erst, wenn man es selbst erlebt hat. In Frankreich spricht man im Zusammenhang von Barrierefreiheit nicht von „Behinderten“, sondern von „situativ beeinträchtigen Personen“. Klingt nach politisch korrekter Sprache, dachte ich – bis mich der Augenarztes in der Notfallambulanz mit einem lapidar dahingesagten Satz eines Besseren belehrte: „Sie dürfen eine Woche lang nicht lesen.“ Bumms – aus – kein WhatsApp, kein Google, nicht mal kurz den Regenradar anschauen… Definitiv situativ beeinträchtigend!

Zwei Tage habe ich es ausgehalten, dann musste eine Lösung her. Die Rettung kam durch das Sprach-Interface von ChatGPT. Endlich konnte ich wieder im Internet nachschauen, was mich gerade interessierte. Wonach ich als erstes geschaut habe? Natürlich wie man sich E-Mails oder PDFs auf dem Smartphone vorlesen lassen kann. Das funktioniert auch – und ich bin allen Entwicklern und Testern von Barrierefreiheit sehr dankbar dafür!

Diese denkwürdige Woche hat mich einiges hinsichtlich der Möglichkeiten und Grenzen von Barrierefreiheit mit und ohne generative KI gelehrt – Punkte, die ich in meinem Erfahrungsbericht teilen möchte. Denn ich habe noch etwas gelernt: Barrierefreiheit ist kein Ziel, sondern ein Weg, den es sich zu beschreiten lohnt. KI wird dabei eine wichtige Rolle spielen!