Mit MCP zu alltagstauglichen Workflows Testing-Agenten kommen in der Unternehmenspraxis an

Anbieter zum Thema

Tricentis GmbH

Schneider Electric GmbH

DAXTEN GmbH

Fsas Technologies GmbH

KI kann die Effizienz in der Qualitätssicherung erheblich steigern. Wie profitieren Mitarbeiter heute schon von der neuen Technologie, wie werden aus isolierten KI-Agenten dank MCP (Model Context Protocol) Workflows und wie sieht das Software Testing von morgen aus?

Fast fünfzig Prozent der Software-Entwickler nutzen bereits generative Künstliche Intelligenz (KI). In zwei Jahren werden es 85 Prozent sein, so eine Studie von Capgemini Research. 49 Prozent der Befragten sagen, dass sie dadurch die Software-Qualität verbessern können. Außerdem verzeichnen sie eine Zeitersparnis von bis zu 35 Prozent bei bestimmten fachspezifischen Aufgaben.

Ganz ähnliches Potenzial bietet KI auch für das Software Testing. Insbesondere der Verbindung aus KI und Qualitätssicherung sagen Analysten in den kommenden Jahren großes Wachstum voraus. Künstliche Intelligenz wird das Software Testing und Continuous Testing massiv erleichtern und beschleunigen. Welche Use Cases funktionieren heute schon und wo liegen die Herausforderungen?

Mit KI von der Anforderung zum Testfall

Ein wichtiger Bereich, in dem künstliche Intelligenz die Qualitätssicherung unterstützen kann, ist das Design der Testfälle (Testcases). Diese Arbeit ist in der Praxis meist sehr zeitaufwändig. Quality Ingenieure müssen jede Änderung an einer Software sorgfältig für alle Nutzergruppen, Gerätetypen, Browser und Anwendungsfälle testen. Passende Testcases manuell zu entwerfen, dauert oft Stunden.

Generative KI kann dagegen innerhalb von Minuten automatisiert aus einer Änderungsanforderung oder Spezifikation Vorschläge erarbeiten, inklusive Testfälle, Dokumentation und erwartetem Ergebnis. Mitarbeiter können die Vorschläge dann Schritt für Schritt durchgehen, überprüfen, nachbearbeiten und entscheiden, welche sie für sinnvoll erachten.

Automatisierung durch Künstliche Intelligenz

Wie Agentic AI die Zusammenarbeit von KI-Agenten neu definiert

Neben manuellen Testcases kann die KI auch Prozesse simulieren und daraus automatisiert Testfälle generieren. Dafür müssen Mitarbeiter lediglich eine Anweisung eingeben, zum Beispiel: „Create Standard Sales Order“, und passende Testdaten zur Verfügung stellen. Die KI loggt sich daraufhin mit dem zur Verfügung gestellten User-Account im SAP-System ein und führt sämtliche Arbeitsschritte selbstständig durch, die für die genannte Aufgabe erforderlich sind. Dabei wird der Ablauf genau aufgezeichnet und dokumentiert. So entsteht ein automatisierter Testcase mit einzelnen Testschritten und Werten, der anschließend in die Testautomatisierungs-Plattform übernommen werden kann.

MCP: Das USB C für KI Agenten

Der nächste konsequente Schritt ist die Verbindung bisher isolierter KI-Bausteine zu durchgängigen Workflows. Genau das leistet das Model Context Protocol (MCP): Als offener Standard – ursprünglich von Anthropic angestoßen, inzwischen von Anbietern wie OpenAI, Microsoft und Google aufgegriffen – schafft es eine gemeinsame „Sprache“ für spezialisierte Tools und Agenten. Ähnlich wie USB C im Hardwarebereich reduziert MCP Fragmentierung, indem es Kontexte, Schnittstellen und Tool Aufrufe standardisiert. Aus einzelnen Bestandteilen wie Testfallableitung, automatisierter Ausführung oder Auswertung wird so ein orchestrierter und nachvollziehbarer End-to-End-Prozess.

Erfolg-as-a-Service

SaaS ist tot. Es leben die Agenten!

Für den Testalltag bedeutet das: Was heute oft als lose Kette aus Tools und Skripten existiert, lässt sich über MCP als einheitlicher Flow steuern: Eine in Jira formulierte Anforderung wird von einem Agenten in strukturierte Testfälle überführt; ein weiterer Agent erzeugt passende Testdaten; ein dritter stößt die Ausführung in der Zielumgebung an; ein vierter konsolidiert Ergebnisse, inklusive Risikoeinschätzung und Management Report. Die Übergaben sind definiert, der gemeinsame Kontext wird kontrolliert geteilt, und die einzelnen Schritte bleiben überprüfbar. Fragile Ad-hoc-Integrationen oder ein manuelles „Kleben“ zwischen Systemen entfallen.

Mega-Trend Agentic AI

Agenten im Rechenzentrum zerstören Paradigmen

Mit einer solchen Orchestrierung wachsen Produktivität und Governance zusammen: Versionierte Prompts und Policies, Least Privilege Zugriffe, Telemetrie einzelner Agenten-Schritte und klare Akzeptanzkriterien erhöhen Reproduzierbarkeit und Testbarkeit. Gleichzeitig behalten Teams die Datenhoheit, weil Berechtigungen und Kontexte granular gesteuert und protokolliert werden. Kurz: Dank MCP werden aus isolierten Agenten belastbare Workflows, die sich nahtlos in bestehende Testpraktiken einfügen. Damit kann agentenbasierte KI aus der Experimentierphase in den operativen Betrieb überführt werden.

Herausforderung: Wie lassen sich KI-Outputs testen?

Was MCP allerdings nicht löst, ist die Fragen wie sich die KI-Outputs selbst verifizieren lassen. Künftig werden wir User Interfaces für KI-Agenten sehen, mit denen Kunden in natürlicher Sprache kommunizieren. Zum Beispiel: „Buche mir den bequemsten und günstigsten Flug nach Rom für zwei Personen mit je einem Gepäckstück.“

Potenziale und Grenzen von Agenten Marke Eigenbau

Die Illusion des selbstgebauten KI-Assistenten

Solche Use Cases erfordern auch einen neuen Testing-Ansatz. Wie lässt sich sicherstellen, dass die KI das richtige Ergebnis liefert und keine Flugverbindung mit drei Umstiegen auswählt? Tester müssen also prüfen, dass die KI zum selben Ergebnis kommt wie ein Anwender, der eine manuelle Auswahl in einer Buchungsmaske trifft. Um eine Vergleichsmöglichkeit zu haben, wird es erforderlich sein, bestehende Testing-Systeme und das KI-System während einer Übergangsphase parallel zu betreiben.

Auf Datenschutz und Datensicherheit achten

Ein großes Thema bei generativer KI bleibt außerdem, was mit den Daten passiert, die Anwender eingeben. Gerade in der Software-Entwicklung und Qualitätssicherung sollten Unternehmen unbedingt auf Datenschutz und Sicherheit achten. Denn schließlich geht es hier um Spezifikationen und Programmcode für vertrauliche Entwicklungsprojekte, die nicht in die Hände von Wettbewerbern geraten dürfen. Anbieter von KI-gestützten Tools sollten klar kommunizieren, welches KI-Modell sie einsetzen und wie sie für Sicherheit sorgen. DeepSeek ist zum Beispiel nicht geeignet, da der chinesische Hersteller keine Angaben darüber macht, wie und für welchen Zweck er Kundendaten verwendet.

Pain Points beim Einsatz von KI-Agenten

Die Implementierung und Einführung von Agentic AI

Neben der Vermeidung intransparenter Anbieter spielt die Architektur eine zentrale Rolle: MCP hilft, sensible Kontexte gezielt und minimal invasiv zu teilen, Berechtigungen granular zu steuern und Datenflüsse nachvollziehbar zu protokollieren. Unternehmen reduzieren damit Abhängigkeiten von proprietären Integrationen und behalten Kontrolle darüber, welche Daten welcher Agent wofür nutzt.

Vom PoC zur Produktion: Standards machen den Unterschied

Die KI-Transformation nimmt an Fahrt auf. In den vergangenen Jahren ging es vorwiegend darum, mit der neuen Technologie zu experimentieren und Potenziale auszuloten. Laut einer Studie von IDC haben es von 40 Proofs of Concept (PoC) am Ende nur 5 Prozent in die Produktion geschafft. 68 Prozent davon waren erfolgreich.

Gartner Hype Cycle 2025

Diese KI-Innovationen treiben die Entwicklung voran

Jetzt wird es Zeit, den Sandkasten zu verlassen und in eine konstruktive Phase überzugehen. Kunden erwarten zunehmend Anwendungen, die wirklich businessrelevante Verbesserungen erzielen. MCP adressiert genau die Stolpersteine auf dem Weg in den Betrieb: Interoperabilität, Sicherheit, Governance und Wartbarkeit. Wer früh auf Standards setzt, gewinnt Effizienz und strategische Flexibilität durch weniger Integrationsaufwand, geringere Anbieterbindung und eine Architektur, die mit dem Geschäft skaliert.

In der Qualitätssicherung wird der Einsatz von KI künftig unverzichtbar, um den Fachkräftemangel abzufedern und wachsende Anforderungen zu meistern. Denn mit der fortschreitenden Digitalisierung und immer kürzeren Release-Zyklen steigt der Performance-Druck. Entscheidend für den Erfolg wird sein, die richtige Balance zwischen Automatisierung, Orchestrierung menschlicher Expertise und Datenschutz zu finden.

(ID:50615717)