Mit KI zur Effizienzsteigerung
Wie die 
komplexe Softwaretests mit KI meistert
Die Bedeutung der Test-Automatisierung von Software
Softwarequalität ist ein entscheidender Erfolgsfaktor für Banken. Damit Systeme stabil laufen, Schnittstellen korrekt kommunizieren und alle regulatorischen Anforderungen eingehalten werden, braucht es ein zuverlässiges Testing. Genau hier setzt die Arbeit von QA-Softwaretestern an. Sie stellen sicher, dass Softwareprodukte fehlerfrei und performant in Betrieb gehen. Besonders in komplexen IT-Landschaften mit vielen Schnittstellen ist diese Aufgabe entscheidend.
Doch was, wenn das QA-Team gar keinen klassischen Entwickler-Hintergrund hat? Und wie gelingt es trotzdem, anspruchsvolle Automatisierungstests effizient zu schreiben? Genau das zeigt das Beispiel eines QA-Teams der TeamBank, das mit viel Eigeninitiative, einer Java-Schulung und dem Einsatz von GitHub Copilot beeindruckende Ergebnisse erzielt hat.
Was macht ein QA-Softwaretester eigentlich?
QA steht für „Quality Assurance“. QA-Tester prüfen Software systematisch auf Funktion, Sicherheit, Performance und Benutzerfreundlichkeit. Im Gegensatz zu Entwicklern, die neue Features bauen, konzentrieren sich QA-Tester darauf, Fehler aufzuspüren und zu verhindern. Sie schreiben Testfälle, führen sie manuell oder automatisiert aus und dokumentieren die Ergebnisse. Ziel: Software soll genau das tun, was sie soll – nicht mehr, nicht weniger.
Besonders bei Banken, die mit sensiblen Kundendaten arbeiten, ist das Testing komplex. Hier müssen viele Schnittstellen getestet werden, jede Änderung durch Testfälle abgesichert sein. Dabei geht es nicht nur um das „Ob“, sondern auch um das „Wie stabil“ und „Wie schnell“. Ein QA-Tester spielt demnach eine entscheidende Rolle bei der Sicherung der Qualität und Funktionalität von Softwareprodukten.
Die Software, die wir testen, ist die Bestandsanwendung –
ein zentrales System, das wir intern nutzen, etwa im Kundencenter.
Test-Automatisierung mit KI: der Umstieg auf Künstliche Intelligenz
Im Rahmen eines Impulsvortrags stellten wir dem Software-Testmanagement der Nürnberger Bank die Einsatzmöglichkeiten von KI in der Test-Automatisierung vor und zeigten verschiedene Wege auf, KI zu nutzen.
Das QA-Team hatte zuvor mit einem lizenzierten Testtool gearbeitet, doch Mitte des Jahres sollte die Lizenz auslaufen. Die neue Strategie: alle Tests auf Java-Codes in Cucumber und Playwright umstellen. Dafür gab es eine Schulung – und jede Menge Lernbereitschaft. Der Github Copilot war zu diesem Zeitpunkt bereits in der Softwareentwicklung im Einsatz und stand für den Einsatz in der Test-Automatisierung in den Startlöchern.
„Die Software, die wir testen, ist die Bestandsanwendung – ein zentrales System, das wir intern nutzen, etwa im Kundencenter. Wenn ein Kunde anruft und z. B. eine Adressänderung oder die Ablösung eines Kredits wünscht, erfolgt die Bearbeitung über diese Anwendung. Sie ermöglicht Berechnungen und den Versand der entsprechenden Briefe. Auch die Partnerbanken in den Filialen haben Zugriff auf die Bestandsanwendung“, erklärt uns Frank, Mitglied des QA-Teams.
Die Benutzeroberfläche von IntelliJ IDEA
Quelle: jetbrains.com
Das hätten wir alleine nicht hinbekommen.
Gerade für uns als Nicht-Entwickler ist das eine echte Hilfe.
Wie die KI bei der Test-Automatisierung unterstützt
Die Tests entstehen in IntelliJ IDEA, einem Entwickler-Tool und werden mit Unterstützung von GitHub Copilot geschrieben. Github ist eine KI, die Codevorschläge passend zum Kontext und zur Aufgabenstellung erstellt. Das Team entschied sich für den Copilot, da bereits Erfahrungen aus einem Pilotprojekt vorlagen. Die Zuverlässigkeit von Github und die Richtigkeit der generierten Codes war zunächst nicht sehr hoch. Zudem kommunizierte die KI standardmäßig nur auf Englisch, es sei denn, man wies sie explizit an, Deutsch zu verwenden. Doch mit der Zeit verbesserten sich die Ergebnisse deutlich, und heute ist der Copilot eine echte Hilfe beim Coden.
GitHub Copilot unterstützt vor allem dort, wo das Team sonst auf Entwicklerhilfe angewiesen wäre. Sie beschreiben ein konkretes Beispiel: Es sollte ein String verarbeitet werden, in dem verschiedene Kreditlaufzeiten (12, 24, 36 Monate etc.) enthalten waren. Ziel war es, jeden dieser Werte zu verändern und das Ergebnis wieder zusammenzusetzen. Das Ziel wurde mit einfacher Sprache im Code formuliert und Github schlug die passende Lösung vor. „Das hätten wir alleine nicht hinbekommen. Gerade für uns als Nicht-Entwickler ist das eine echte Hilfe“, erklären die Software-Tester.
Ergebnisse: Schneller, selbstständiger, zuverlässiger
Durch den Einsatz von Github konnte das Team unabhängiger von Entwicklern arbeiten. Bisher war es so: „Wenn wir irgendwelche Java-Bausteine gebraucht haben, mussten wir auf den Entwickler zugehen. Der hat dann seine eigentliche Arbeit unterbrochen, um uns zu helfen – das brauchen wir jetzt fast gar nicht mehr. Nur noch selten ist Entwicklerunterstützung nötig, weil uns Github viele Problemstellungen abnimmt.“
Auch zur Fehleranfälligkeit gibt es Positives zu berichten: „Wir bauen die Tests nach und nach neu auf, und wenn ich einen Schritt erstelle, schaue ich natürlich, dass er funktioniert. Deshalb kann ich über eine erhöhte Fehleranfälligkeit nichts sagen – die Tests laufen stabil. Wir sind deutlich schneller geworden.“ Zwar ließe sich das nicht exakt messen, aber der Unterschied sei spürbar.
Auch das Feedback aus dem Unternehmen ist laut der Abteilungsleiterin, Christina, hervorragend. „Das war sehr, sehr positiv belegt“, erklärt Christina. Den Softwareentwicklern sei es natürlich ebenfalls aufgefallen, dass die Kolleginnen und Kollegen aus dem Testmanagement hervorragende Arbeit leisten. Rückmeldungen aus dieser Richtung bleiben allerdings eher zurückhaltend – getreu der fränkischen Mundart: „Nicht geschimpft ist schon gelobt genug“, fügt das QA-Team scherzend hinzu.
Ein Paradebeispiel für den Einsatz von KI in der Softwareentwicklung
Das Team plant, GitHub Copilot weiter zu nutzen und neue KI-Möglichkeiten zu erkunden. Erste Schritte in Richtung Strategiepapier und KI-Governance seitens der Bank sind bereits unternommen. Die Reise hat gerade erst begonnen – doch die ersten Erfolge sprechen für sich.
Was dieses Projekt besonders macht: Hier zeigt sich, dass Motivation und Lernbereitschaft und der Einsatz von KI technische Barrieren überwinden können. Das Team hat sich Wissen angeeignet, neue Tools erschlossen und mit KI-Unterstützung echte Effizienzgewinne erzielt.
Ein klarer Beweis: Auch ohne Entwickler-Hintergrund kann man in der IT-Welt große Schritte machen – mit der richtigen Haltung und der passenden KI-Technologie.
Was dieses KI-Projekt besonders macht
Am Beispiel der TeamBank zeigt sich, dass Motivation und Lernbereitschaft und der Einsatz von KI technische Barrieren überwinden können. Das Team hat sich Wissen angeeignet, neue Tools erschlossen und mit KI-Unterstützung echte Effizienzgewinne erzielt.
Ein klarer Beweis: Auch ohne Entwickler-Hintergrund kann man in der IT-Welt große Schritte machen – mit der richtigen Haltung und der passenden KI-Technologie.
Sie möchten wissen, wie Sie KI einsetzen können?
Vereinbaren Sie ein kostenloses, unverbindliches Beratungsgespräch.