Quality Engineering im Zeitalter von KI

Mehr als nur Testen

Die Zahlen sprechen für sich: KI-gestützte Entwicklungstools sind in der Schweiz auf dem Vormarsch. Was vor zwei Jahren noch ein Nischenthema war, ist heute in vielen Entwicklungsteams Alltag. Claude Code, Cursor, GitHub Copilot, Cursor, Agentic Workflows, der Werkzeugkasten wächst schneller als die meisten Qualitätsprozesse mithalten.

Genau das ist der Punkt, der uns bei Infometis schon länger beschäftigt. Wir haben uns deshalb aus der Überzeugung auf Quality Engineering spezialisiert, dass Software-Qualitätssicherung im KI-Zeitalter eine fundamental neue Disziplin ist.

Was KI mit der Softwareentwicklung macht

KI trifft den ganzen Entwicklungsprozess von der Ideen-Entwicklung übers Coding bis zur Auslieferung und dem Betrieb in der Produktion. Einige konkrete Beispiele:

Geschwindigkeit wird nochmals neu definiert. Ideen landen nicht mehr in einem Sprint-Backlog und werden vier Wochen später umgesetzt. Sie entstehen heute innerhalb von Stunden als lauffähige Prototypen. Die Velocity von Teams erhöht sich markant. Deutlich mehr Stories können in noch kürzerer Zeit realisiert werden.

Die Entwicklerrolle weitet sich aus. Specification-to-Code-Verfahren ermöglichen es, dass Product Owner, Fachspezialisten oder Datenanalysten selbst funktionierenden Code erzeugen. Das ist Chance und Herausforderung zugleich. Mit der demokratisierung der Softwareentwicklung entfallen bisherige Qualitäts-Gatekeeper, oder werden auf deutlich weniger Personen und KI-Agenten reduziert.

Agentic AI wirkt im gesamten Prozess mit. Von der Ideenfindung über Projektmanagement bis zur Produktentstehung: Für jede Phase existiert heute KI-Unterstützung. Teams agieren nicht mehr nur unter Menschen. Menschen orchestrieren zusätzlich Agenten als Teammitglieder.

Chancen der KI-gestützten Softwareentwicklung

Schnelleres Time-to-Market ist keine Marketingphrase mehr. Wer heute einen neuen digitalen Service lancieren will, hat deutlich niedrigere Hürden als noch vor drei Jahren. Das öffnet Märkte, ermöglicht kürzere Innovationszyklen und macht digitale Produkte für eine viel breitere Gruppe zugänglich.

Herausforderungen und Risiken

Wie bei jeder neuen Technologie steigen die Möglichkeiten und die Lernkurve gleichermassen steil. Risiken sind demnach immer im Kontext der Erfahrungswerte und Nutzung einzuordnen.

Was aus unserer Sicht aktuell zu beachten gilt:

• Die Geschwindigkeit selbst wird zum Risikofaktor. Was schnell entsteht, kann schnell in Produktion gehen. Aus Gründen des Wettbewerbs oder Innovationsdruck. Der Grad an Veränderungen wächst somit exponentiell und somit auch das Bedürfnis nach kontinuierlicher Qualitätssicherung.
• IT-Security und Datenschutz rücken in den Vordergrund. KI-generierter Code ist nicht automatisch sicherer Code. Bekannte Schwachstellen werden reproduziert, Abhängigkeiten unkritisch übernommen, bzw. sind schwieriger zu Katalogisieren.
• Architektur-Drift wird zur echten Herausforderung. Wenn Änderungen schnell passieren, verlieren Unternehmen ohne konsequentes Architekturmanagement den Überblick über ihre eigene Systemlandschaft.
• Datenqualität bleibt das eigentliche Gold. KI-Systeme sind nur so gut wie die Daten, auf denen sie operieren. Fehler kommen heute schneller in Produktion und pflanzen sich fort, bzw. können Datenbestände nachhaltig verschlechtern.
• Agentisches Verhalten entzieht sich klassischer Kontrolle. KI-Agenten treffen Entscheidungen zur Laufzeit, in Business-Workflows, in der Code-Generierung oder in der Lösungsfindung. Das Systemverhalten kann sich in Produktion verändern. Schleichend oder mit drastischer Geschwindigkeit. Ohne aktive Überwachungsstrategie ist dieser Drift unsichtbar.

‍

Quality Assurance prüft Qualität. Quality Engineering baut sie ein.

Der Begriff "Shift Left" kursiert seit Jahren durch die Industrie: Es gilt Qualität früh im Prozess zu verankern, anstatt erst am Ende zu prüfen. Der Ansatz war grundsätzlich immer schon richtig und wichtig, greift jedoch zu kurz! Und trotzdem scheiterte er oft an der Menge und Komplexität von Aufgaben in Digitalisierungsvorhaben.

Quality Engineering ist kein Shift. Es ist ein ganzheitlicher End-to-End-Ansatz. Qualität muss gesamtheitlich entstehen, kontinuierlich, vernetzt und im System selbst. Sie beginnt mit der Anforderungsdefinition und reicht bis in den Betrieb. Laufende Überwachung, Metriken und Anomalieerkennung via Observability gehören genauso dazu wie der Testcase vor dem eigentlichen Coding.

‍

Was Quality Engineering konkret umfasst

Anforderungen als Qualitätsfundament

Bevor Code entsteht, müssen Erwartungen, Rahmenbedingungen und Risiken präzise definiert sein. Der Fokus liegt auf der strategischen und systemischen Instrumentalisierung und nicht dem Formalismus. Gerade weil KI-Systeme mit unvollständigen Spezifikationen überraschend selbstbewusst falsche Dinge bauen.

Nicht-funktionale Anforderungen als erste Klasse

Der ursprüngliche Fokus auf funktionale Korrektheit bleibt bestehen. Sicherheit, Performance, Datenschutz und Zugänglichkeit rücken jedoch deutlich stärker in den Fokus. Im Kontext von KI-gestützter Entwicklung sind diese oft die kritischsten Qualitätsdimensionen. Die ISO 25010 bietet hier einen bewährten, heute wichtiger denn je gültigen Rahmen. Welcher aus unsere Sicht aber noch zu kurz greift. Wir priorisieren deshalb zwei neue Dimensionen als zusätzliche Qualitätskriterien in einer Infometis erweiterten Variante der ISO 25010 Norm:

• Governance
• Nachhaltigkeit

Governance als neues Qualitätsmerkmal

Wer KI-Modelle produktiv einsetzt, hat (abhängig von Use Case und Branche) regulatorische Verpflichtungen, die heute bereits greifen oder unmittelbar bevorstehen. Qualitätssicherung schliesst heute die Frage ein: Wie stellen wir sicher, dass sich unsere KI-Systeme konform, nachvollziehbar und fair verhalten?
Agenten agieren zudem zunehmend eigenständig. Entscheidungen finden zur Laufzeit statt, direkt in der Produktion. Das ist fundamental anders als klassische Software, deren Verhalten nach dem Deployment stabil bleibt.

Der EU AI Act bildet das übergeordnete Rahmenwerk: Seit August 2026 gelten die Hochrisiko-Pflichten vollständig – mit Anforderungen an Risikomanagement, Datenqualität, menschliche Aufsicht und Dokumentation über den gesamten Systemlebenszyklus.

Was hinzukommt, ist branchenspezifisch:

• Finanz & Versicherung: Mit DORA (seit Januar 2025 in Kraft) unterliegen Banken, Versicherer und Zahlungsdienstleister konkreten IKT-Resilienzpflichten. Wer KI-Systeme für Kreditbewertung oder Risikomodelle einsetzt, operiert gleichzeitig unter DORA, EU AI Act und NIS2 – mit je eigenen Meldepflichten und Fristen.
• Kritische Infrastrukturen & alle Sektoren: NIS2 (seit 2024 in Kraft) erfasst heute weit mehr Unternehmen als sein Vorgänger – auch mittelständische Betriebe in der DACH-Region. Cyber-Risikomanagement und Governance werden zur Chefsache.
• Schweizer Kontext: Das nDSG (in Kraft seit September 2023) gilt technologieneutral für alle KI-Anwendungen. Transparenzpflichten, Datenschutz-Folgenabschätzungen bei Hochrisiko-Systemen und Privacy-by-Design sind keine EU-Frage, sondern Schweizer Pflicht. Für Unternehmen mit EU-Bezug gilt zusätzlich die DSGVO.
• Medizintechnik & Gesundheit: Hochrisiko-KI-Systeme in der Diagnostik oder klinischen Entscheidungsunterstützung unterliegen sowohl dem EU AI Act als auch den MDR-Anforderungen, die strukturiertes Qualitätsmanagement voraussetzt.

Die Konsequenz für Quality Engineering: Compliance ist keine juristische Aufgabe, die am Ende des Prozesses geprüft wird. Sie muss von Anfang an in die Qualitätsstrategie eingebaut sein und ist Teil der Anforderungsdefinition, der Testspezifikation und der Validierung im laufenden Betrieb.

Qualität in Echtzeit statt im Report

Qualität entsteht kontinuierlich im System. Deshalb sollte sie jederzeit als aktueller Zustand sichtbar sein, nicht als periodischer Bericht. Status, Risiken und Fortschritt sind präsent. Entscheidungen basieren auf Daten und Kontext. Man fragt nicht mehr nach Qualität, man sieht sie.

Eine neue Disziplin: LLM Testing

Wer Large Language Models im Produktivbetrieb einsetzt, betritt aus Testing-Sicht oft Neuland. Klassische Testmethoden müssen erstmals adaptiert werden und greifen zudem nur bedingt. Was neu dazukommt:

• Hallucination Testing: Wie oft und unter welchen Bedingungen produziert das Modell sachlich falsche Ausgaben?
• Responsibility Testing: Hält das System die definierten ethischen und regulatorischen Leitplanken ein?
• Evaluation Metrics: Statt binärer Pass/Fail-Logik braucht es probabilistische Bewertungsframeworks. Ergebnisse müssen anhand definierter Metriken validiert werden, nicht nur auf Korrektheit geprüft.

Das erfordert neue Fähigkeiten: nicht den klassischen QA-Engineer, der Testfälle schreibt, sondern den Qualitäts-Architekten, der Prozesse end-to-end begleitet, Teams und Agenten orchestriert und sowohl technische Tiefe als auch systemisches Denken mitbringt.

Infometis und Quality Engineering

Bei Infometis betrachten wir Software-Qualität holistisch. Wir verbinden die drei Kompetenzbereiche unserer internen Communities zu einem zusammenhängenden System:

• Business Solutioneers – Business-Prozesse auf Value ausrichten und klare Erwartungshaltungen vollständig ausformulieren
• Quality Ambassadors – Qualität systematisch, kontinuierlich und End-to-End sicherstellen
• Automation Genius – Agentic Automation und KI Validierung gezielt einsetzen

Unsere Communities werden künftig vermehrt durch KI-Agenten verstärkt. Dabei orchestrieren wir diese durchgängig über den gesamten Prozess.

Was bieten wir an

Wir haben uns auf das komplette Zusammenspiel von Quality Engineering Strategien spezialisiert, weil wir überzeugt sind, dass es eine der wichtigsten Herausforderungen in der modernen Softwareentwicklung ist.

Unser Angebot umfasst:

• Quality Engineering Assessments
  für Unternehmen, die verstehen wollen, wo sie stehen und mehr über ihre Potenziale erfahren möchten
• Managed Services
  für Teams, welche einen verlässlichen Partner suchen, um Teilaufgaben des Quality Engineering zu übernehmen
• Technologie Monitoring
  Für eine Übersicht der technologischen Möglichkeiten, beobachten wir den Markt kontinuierlich und bieten einen Einblick in unsere Erkenntnisse

‍

Qualität wird im KI-Zeitalter zum entscheidenden Wettbewerbsfaktor.

Sie möchten erfahren, wie Quality Engineering in Ihrem Unternehmen konkret umgesetzt werden kann? Lassen Sie uns darüber sprechen. Unsere Expertinnen und Experten unterstützen Sie bei der Entwicklung einer zukunftsfähigen Qualitätsstrategie – von der Anforderungsdefinition bis zur Überwachung produktiver KI-Systeme.

Wir freuen uns auf den Austausch.

‍

Dies war ein erster Überblick. In den kommenden Beiträgen gehen wir tiefer: Anforderungsmanagement im KI-Kontext, LLM Testing-Methoden und was ein modernes Quality Engineering Framework konkret enthält.