Abstracts

Der Einsatz von Künstlicher Intelligenz in der Testautomatisierung wird aktuell intensiv diskutiert – häufig jedoch auf der Grundlage von Versprechen statt belastbarer Praxiserfahrungen. Dieser Beitrag zeigt anhand eines realen Projekts im Medienumfeld, was tatsächlich passiert, wenn KI produktiv in einem No-Code-Testautomatisierungs-Setup eingesetzt wird.

Im Fokus stehen sogenannte „AI Actions“ innerhalb von Leapwork: Bausteine, die entweder klassische Locator verwenden oder mithilfe von KI dynamisch UI-Elemente identifizieren und mit ihnen interagieren. Anhand konkreter Testszenarien wird gezeigt, wie sich dadurch Stabilität, Wartbarkeit und Lesbarkeit automatisierter Tests verändern.

Ein zentrales Beispiel ist das Testen von Paywalls mit dynamischen A/B/X-Varianten. Aufgrund fehlender stabiler QA-Attribute mussten bislang mehrere potenzielle Locator gepflegt werden, um unterschiedliche Varianten abzudecken. Durch AI Actions kann stattdessen semantisch formuliert werden, beispielsweise: „Suche die Paywall und den Abschluss-Button.“ Die KI identifiziert das relevante Element unabhängig davon, ob es sich in einem iFrame, Shadow DOM oder einer variierenden Struktur befindet, und ermöglicht so stabilere End-to-End-Tests einschließlich der Checkout-Prüfung.

Die Ergebnisse sind jedoch ambivalent: Während sich Robustheit und Entwicklungsgeschwindigkeit deutlich verbessern, entstehen neue Herausforderungen. Insbesondere erfordert der Einsatz von KI präzise und stabile Prompts. Andernfalls besteht das Risiko, dass falsche Elemente identifiziert und verwendet werden. Zusätzlich fehlen Transparenz und Kontrollmöglichkeiten bei automatisch angepassten Locators, was das Debugging und die Nachvollziehbarkeit erschwert.

Der Beitrag analysiert diese Spannungsfelder und zeigt, welche Testarten und Szenarien sich für KI-basierte Automatisierung eignen – und welche nicht. Abschließend werden konkrete Ansätze vorgestellt, wie sich bestehende Grenzen durch kombinierte Strategien gezielt verschieben lassen.

Ziel ist es, Entscheidern und QA-Verantwortlichen eine fundierte Grundlage für den sinnvollen Einsatz von KI in der Testautomatisierung zu geben – jenseits von Hype und Tool-Demos.