Wenn Tests mitdenken

Wer heute Embedded-Systeme validiert, testet längst nicht mehr nur Code, sondern das Zusammenspiel aus Anforderungen, Softwareständen, Schnittstellen und Systemverhalten. Gerade in sicherheitskritischen Produkten entscheidet nicht die reine Anzahl ausgeführter Tests über Qualität, sondern ob jeder Test eindeutig auf die richtige Anforderung zurückführt und jede Änderung im Systemkontext bewertet wird.

Das Dilemma moderner Validierung

Mit jeder neuen Softwarefunktion wächst nicht nur die Zahl der Testfälle, sondern auch die Zahl der Abhängigkeiten. Klassische Testautomatisierung scheitert oft vor allem strukturell. Sie führt aus, was man ihr vorgibt. Sie erkennt aber nicht, ob die Logik hinter dem Testing noch stimmt: Der Build ist stabil, die Tests laufen, aber es ist nicht klar, ob die Validierung die tatsächliche Komplexität des Systems noch vollständig abbildet.

Die entscheidende Frage lautet daher nicht, ob genug getestet wird, sondern ob die Verknüpfung aus Anforderung und Test noch beherrschbar ist. Wer prüft, ob jede Anforderung wirklich mit einem Testfall verknüpft ist? Wer erkennt Lücken in der Testabdeckung, bevor sie zum Zulassungsproblem werden? Und wer ordnet auffälliges Systemverhalten schnell genug ein, damit der Entwicklungsprozess nicht blockiert wird?

Genau hier kommen KI-Agenten ins Spiel: Ihr Potenzial liegt weniger darin, einzelne Testschritte zusätzlich zu automatisieren. Entscheidend ist vielmehr, dass sie den Zusammenhang zwischen Anforderungen und Tests über den gesamten Entwicklungsprozess hinweg mitführen können und damit strukturell in den Validierungsprozess eingreifen.

Was KI-Agenten im Testing wirklich leisten

Es lohnt sich, zunächst eine klare Abgrenzung zu treffen. KI für Code-Snippets oder Dokumentation ist inzwischen Alltag. Testingenieure nutzen Large Language Models (LLMs), um Boilerplate-Code zu generieren oder Testergebnisse zusammenzufassen. Das ist nützlich, aber es ist keine Agentic AI. KI-Agenten handeln stattdessen eigenständig innerhalb definierter Prozessgrenzen. Sie treffen Entscheidungen auf Basis von Kontext und Datenlage und stoßen Folgeschritte an, ohne dass ein Mensch jeden einzelnen Schritt auslösen muss. Das bedeutet, dass ein KI-Agent beispielsweise Testdaten vorbereiten kann, indem er die bestehende Anforderungsbasis analysiert und daraus automatisch relevante Testdatensätze ableitet. Er denkt dabei nicht nur in Standardfällen, sondern bezieht Randbedingungen und Grenzwerte mit ein, die im Alltag leicht untergehen. Was früher Stunden an Vorbereitung gekostet hat, passiert so in Minuten.

Darauf aufbauend unterstützt der Agent bei der Lückenerkennung in der Testabdeckung. Er gleicht Anforderungen mit den vorhandenen Testfällen ab und macht sichtbar, wo Abdeckung fehlt. Das ist ein kontinuierlicher Abgleich, der bei jeder Anforderungsänderung automatisch neu bewertet wird. Wenn dabei im Test etwas auffällig wird, hilft der Agent bei der kontextuellen Anomalie-Einordnung. Auffälliges Systemverhalten wird nicht nur gemeldet, sondern eingeordnet. Der Agent kann prüfen, welche Anforderungen betroffen sind, welche Systemkomponenten eine Rolle spielen und wie kritisch der Fall ist. Statt eines weiteren Log-Files erhält der Testingenieur dadurch eine strukturierte Analyse als belastbare Entscheidungsgrundlage.

Dennoch ersetzen KI-Agenten den Testingenieur nicht. Sie entlasten ihn aber von repetitiver Vorarbeit und geben ihm fundierte Grundlagen für die Entscheidungen, die weitreichende Auswirkungen haben können und deswegen weiterhin von Menschen getroffen werden müssen, dank der Vorarbeit des Agenten aber viel schneller umsetzbar sind.

MBSE und ALM als Basis für intelligente Validierung

Trotz aller Entwicklung wird noch immer stark unterschätzt, dass ein KI-Agent nur so gut ist wie die Datenbasis, auf der er arbeitet. Wer seine Anforderungen in Excel-Tabellen verwaltet, schlecht strukturiert oder ohne klare Verlinkung zu Systemkomponenten, wird von KI-Agenten wenig profitieren. Model-Based Systems Engineering, kurz MBSE, ist in diesem Kontext eine strukturelle Voraussetzung: Anforderungen, Systemarchitektur, Funktionen, Schnittstellen, Verhalten, Varianten und Testfälle werden in ein gemeinsames, maschinenlesbares Systemmodell überführt. Aus einzelnen Dokumenten entsteht damit ein verknüpfter Engineering-Kontext, in dem nachvollziehbar ist, welche Anforderung zu welcher Funktion, welcher Komponente und welchem Test gehört. Agenten müssen dadurch nicht aus unstrukturierten Dokumenten erraten, welche Zusammenhänge relevant sind, sondern können auf explizit modellierte Beziehungen, Versionen und Abhängigkeiten zugreifen. Erst dadurch lassen sich Coverage-Prüfungen, Impact-Analysen oder Konsistenzchecks zuverlässig automatisieren. Ohne MBSE bleibt KI dagegen häufig nur ein intelligenter Assistent für Einzelschritte.

Application Lifecycle Management (ALM) führt diese Struktur in den operativen Entwicklungsprozess weiter. Es ist die technische Prozessschicht, in der Anforderungen in konkrete Entwicklungsarbeit überführt werden, deren Umsetzung dokumentiert und ihre Validierung nachgewiesen wird. ALM zeigt also nicht primär, wie das System aufgebaut ist, sondern welchen Bearbeitungsstatus eine Anforderung hat: ob sie umgesetzt wurde, in welcher Softwareversion sie enthalten ist, welcher Test sie prüft, welches Testergebnis vorliegt und ob daraus Fehler, Änderungen oder Freigaben entstanden sind.

Für KI-Agenten entsteht dadurch eine belastbare Entscheidungsgrundlage. Aus dem MBSE-Modell erkennen sie, welche technischen Zusammenhänge betroffen sind. Über ALM erkennen sie, was mit diesen Anforderungen im Entwicklungsprozess bereits passiert ist. Erst aus dieser Kombination lässt sich ableiten, welche Tests erneut ausgeführt, angepasst oder ergänzt werden müssen. Das bildet die Basis für intelligente Validierung: Der Agent automatisiert nicht nur einzelne Testschritte, sondern bewertet Änderungen im Kontext von Systemarchitektur, Entwicklungsstand und Nachweispflicht. Im Sinne des Intelligent Product Lifecycle bleibt diese Bewertung über den gesamten Produktlebenszyklus hinweg nachvollziehbar.

Neue Spielregeln für Nachvollziehbarkeit und Kontrolle

Agentic AI verändert nicht nur die Effizienz von Testprozessen, sondern auch die Anforderungen an Governance und Kontrolle. Ein KI-Agent, der proaktiv Testfälle generiert und Anomalien einordnet, trifft prozessuale Entscheidungen. In regulierten Umgebungen, etwa unter DO-178C für Avionik-Software in der Luftfahrt oder unter ISO 26262 in der Automobilindustrie, müssen diese Entscheidungen nachvollziehbar und auditierbar sein.

Daraus ergeben sich drei Leitplanken, die man vor dem ersten produktiven Einsatz festlegen sollte. Zum einen braucht es Transparenz. Es muss klar sein, warum der Agent diesen Testfall generiert hat, welche Anforderung vorlagen und welche Daten berücksichtigt wurden. Eng damit verbunden ist die lückenlose Protokollierung aller Agentenentscheidungen als integraler Bestandteil des Testprozesses, denn wer Entscheidungen nachträglich rekonstruieren muss, verliert Zeit und Vertrauen. Zuletzt muss vor dem Einsatz klar definiert sein, wo menschliche Freigabe zwingend erforderlich ist und wo der Agent innerhalb festgelegter Grenzen autonom handeln darf. Agentic AI braucht Entscheidungsgrenzen, Eskalationspfade und eine vertrauenswürdige, strukturierte Datenbasis. Wer das nicht mitdenkt, baut eine neue Fehlerquelle in den Prozess ein.

Wo KI-Agenten heute Mehrwert schaffen und wo Vorsicht geboten ist

Eine ehrliche Bestandsaufnahme ist an dieser Stelle wichtig. Richtig eingesetzt können KI-Agenten im Testing Validierungsprozesse deutlich effizienter machen und den manuellen Analyseaufwand erheblich reduzieren. In Projekten, in denen MBSE und ALM etabliert sind, lassen sich Agenten mit überschaubarem Aufwand und gleichzeitig schnell sichtbarem Nutzen einführen.

Sie sind aber auch kein ausgereiftes Produktivsystem für jeden Anwendungsfall. Die Qualität der Ergebnisse hängt stark vom Kontext, von Modellgrenzen und von der Absicherung gegen Fehlinterpretationen ab. In sicherheitskritischen Tests müssen diese Vorschläge deshalb überprüfbar bleiben, bevor daraus Freigaben oder Änderungen entstehen.

Vorsicht ist natürlich auch bei vollautonomen Testentscheidungen ohne menschliche Freigabe und KI-gestützte Zulassungsdokumentation ohne Review-Prozess geboten. Der größte Mehrwert entsteht nicht durch maximale Autonomie, sondern vor allem durch intelligente Assistenz an den richtigen Stellen im Prozess. Ein KI-Agent, der dem Testingenieur die richtige Information zur richtigen Zeit liefert, ist wertvoller als ein Agent, der autonom Entscheidungen trifft, die niemand mehr nachvollziehen kann.

Ein neues Engineering-Paradigma

Wer KI-Agenten im Testing einführt, verändert auch, wie Anforderungen strukturiert werden müssen, wie Traceability gedacht wird und wie Governance im Engineering-Prozess funktioniert. Das ist eine gute Nachricht für alle, die diese Voraussetzungen bereits schaffen. Unternehmen, die heute in eine saubere, maschinenlesbare Anforderungsbasis investieren und MBSE sowie ALM konsequent einsetzen, werden morgen den größten Nutzen aus Agentic AI ziehen. Sie haben die Datenbasis, auf der KI-Agenten wirklich arbeiten können.

Für alle anderen ist der erste Schritt nicht die Auswahl des richtigen KI-Agenten, sondern die Frage: Sind unsere Anforderungen überhaupt in einem Zustand, der intelligente Validierung ermöglicht? Die Antwort auf diese Frage entscheidet mehr über den Erfolg von KI im Testing als jede Technologieentscheidung danach.