Boganmeldelse - Sæt mennesker først - skab topresultater med emotionel intelligens

Titel: Sæt mennesker først – skab topresultater med emotionel intelligens

Forfatter: Mikkel Severin
Målgruppe for anmeldelsen: Testmanagers og testledere (agilt, hybrid, projekt)

Overordnet vurdering

“Sæt mennesker først” rammer et område, som mange testmanagers undervurderer: At testresultater sjældent bliver bedre af mere proces alene – men ofte bliver markant bedre af bedre samarbejde, tydeligere kommunikation og en sundere feedbackkultur.

Bogens styrke er, at den (formentlig) tager emotionel intelligens (EI) ned fra “blød” HR-retorik og gør det til en konkret ledelsesdisciplin. For en testmanager er det relevant, fordi kvalitet ofte fejler på mennesker og forventningsafstemning – ikke på testteknik.

Når det er sagt, er bogen også et klassisk eksempel på en genre, der kan blive lidt for optimistisk omkring, hvor meget EI alene kan “fikse”. Testmanagement kræver både mennesker og hård styring af risiko, scope, kvalitet og beslutninger. Den balance er afgørende.

Hvorfor bogen er relevant for testmanagement

Som testmanager sidder du i krydsfeltet mellem:

• udvikling, drift, forretning, compliance og ledelse

• deadlines og risici

• konflikter om “hvad betyder kvalitet?”

• prioriteringer af testindsats og acceptkriterier

I den virkelighed er EI ikke pynt. Det er et produktionsværktøj.

Bogen passer især godt til testmanagers, der:

• skal skabe alignment mellem stakeholders

• oplever “QA vs Dev”-konflikter

• arbejder i agile teams med høj autonomi

• skal påvirke uden formel magt

Bogens styrker (set med testmanager-briller)

1) Den adresserer den skjulte årsag til mange testproblemer

Mange testproblemer lyder tekniske (“for mange defects”, “for lidt tid”, “uklare krav”), men er ofte sociale:

• krav bliver uklare, fordi ingen tør stille dumme spørgsmål

• test bliver presset, fordi konfliktskyhed gør at man ikke eskalerer

• UAT fejler, fordi forretningen føler sig overhørt

EI-tilgangen er god, fordi den går efter årsagen: relationer, tryghed og kommunikation.

2) Den understøtter psykologisk tryghed (uden at gøre det fluffy)

Psykologisk tryghed er ikke “vi skal være søde”. Det er:

• vi kan tale om risiko uden at blive straffet

• vi kan sige “jeg forstår det ikke”

• vi kan stoppe en release uden at blive stemplet som negativ

Det er ekstremt relevant i test, hvor “dårlige nyheder” er en del af jobbet.

3) Den giver et sprog for ledelse i komplekse miljøer

Testmanagers har ofte et kommunikationsproblem:
De siger noget korrekt (risiko, kvalitet, coverage), men bliver misforstået som “bremseklods”.

EI hjælper med at oversætte:

• fra “vi mangler test” → “vi tager en beslutning med øget risiko – er det acceptabelt?”

• fra “det er en fejl” → “det her kan skade kunden / driften / økonomien”

Kritiske pointer (konstruktivt)

1) Risikoen: EI kan blive en undskyldning for ikke at være tydelig

I testledelse er tydelighed en pligt.
Hvis EI bliver “jeg vil ikke skabe dårlig stemning”, ender du med:

• for sene eskaleringer

• urealistiske testplaner

• falsk tryghed (“vi er næsten klar”)

EI skal bruges til at levere sandheden på en måde, der kan handles på – ikke til at polere den.

Testmanager-takeaway:
Brug EI til at gøre dine budskaber mere modtagelige, men aldrig mindre præcise.

2) Den typiske blind vinkel: strukturer og systemer

Mennesker er vigtige – men testmanagement er også:

• governance

• entry/exit criteria

• risikobaseret prioritering

• defekttriage og release readiness

Hvis bogen lægger for meget vægt på individets følelsesmæssige kompetencer, kan man overse:

at dårlige systemer skaber dårlige adfærdsmønstre.

Et team kan være nok så empatisk – hvis testmiljøet altid er nede, går alt i stykker alligevel.

3) “Topresultater” er et farligt ord i test

I test er “topresultater” ikke altid lig med:

• høj velocity

• færre testdage

• hurtigere release

Nogle gange er topresultatet, at man:

• stopper en release i tide

• får et ærligt billede af kvalitet

• skaber læring, der reducerer fejl næste kvartal

Hvis bogen måler succes primært som performance og output, skal testmanageren selv oversætte det til kvalitet og risikostyring.

Konkrete anvendelser i testmanagement (praktisk værdi)

1) Defektkonflikter: “Det er ikke en bug”

EI kan hjælpe dig med at styre defekttriage uden at det bliver personligt.

Praktisk greb:

• Skift fra skyld → konsekvens

• Skift fra debat → beslutningskriterier

Eksempel:

“Hvis vi shipper det her, hvad er worst-case for kunden? Hvad koster det at fixe nu vs senere?”

2) Release readiness: at sige nej uden at blive fjenden

Testmanagers skal ofte sige:

• “Nej, vi kan ikke anbefale release”

• “Ja, men med kendt risiko”

EI gør dig bedre til at:

• være rolig under pres

• læse rummets reaktion

• kommunikere risiko uden drama

3) Stakeholder management: forretning vs IT

EI hjælper dig med at opdage, hvad konflikten egentlig handler om:

• forretningen vil have forudsigelighed

• IT vil have frihed

• drift vil have stabilitet

• sikkerhed vil have kontrol

Du kan bruge bogen som en mental model for “hvad er det her menneske bange for at miste?”

Hvem bør læse den (og hvem bør ikke)?

Bør læse den

• Testmanagers i agile/hybrid teams

• Testledere der ofte ender som “mægler”

• Testmanagers med ansvar for UAT og stakeholders

• Folk der vil løfte deres ledelse uden at blive “mini-PM”

Bør supplere den med noget andet

Hvis du primært kæmper med:

• testproces, governance, modenhed

• teststrategi, risikobaseret test, metrics

• ISO 29119-artefakter og struktur

…så er EI kun en del af løsningen. Du skal have både mennesker og mekanik.

Samlet dom

Bogen er et stærkt bud på en “testmanager-superpower”: emotionel intelligens.
Den kan gøre dig bedre til at:

• skabe samarbejde

• håndtere konflikter

• drive kvalitet uden autoritet

• få dine budskaber igennem

Men du skal læse den med en testleders kritiske sans:
EI er ikke et alternativ til teststyring, risikostyring og tydelige beslutninger. Det er en forstærker.

Bedste måde at bruge bogen på (anbefaling)

Læs den med én konkret udfordring i baghovedet, fx:

• “Hvordan får jeg forretningen til at tage test alvorligt?”

• “Hvordan stopper jeg ‘QA vs Dev’?”

• “Hvordan får jeg ærlig status uden spin?”

Og omsæt derefter til 2-3 konkrete vaner:

• bedre feedback

• tydeligere forventningsafstemning

• mere rolig konflikthåndtering

Aktuelle udfordringer for testanalytikeren ved brug af kunstig intelligens i softwaretest

Kunstig intelligens (AI) har på kort tid bevæget sig fra eksperimentel teknologi til et dagligt værktøj i mange testteams. Testanalytikere bruger i stigende grad AI til at understøtte testdesign, testdata-generering, kravsanalyse, log-analyse og endda udforskende test.

Men med mulighederne følger også en række nye og komplekse udfordringer, som direkte påvirker testanalytikerens faglighed, ansvar og måde at arbejde på.

Dette blogindlæg fokuserer på de vigtigste aktuelle udfordringer, set fra testanalytikerens perspektiv – og hvordan de kan håndteres professionelt.

1. Risikoen for blind tillid til AI-genereret testdesign

Udfordringen

AI kan hurtigt generere testcases, testscenarier og forslag til dækning baseret på krav, user stories eller kode. Problemet opstår, når testanalytikeren:

• accepterer output uden kritisk vurdering

• overser domænespecifikke risici

• mister fokus på hvorfor der testes, ikke kun hvad

AI er statistisk stærk – men forstår ikke kontekst, forretning eller implicitte risici.

Eksempel

En AI genererer komplette positive/negative testcases for en betalingsløsning, men overser:

• regulatoriske edge cases

• kombinationer af forretningsregler

• tidligere produktionsfejl (known risks)

Mitigation

• Anvend Human-in-the-Loop: AI foreslår – testanalytikeren beslutter

• Brug AI som idé-generator, ikke beslutningstager

• Kombinér AI-output med klassiske teknikker (BVA, EP, beslutningstabeller)

2. Manglende transparens og forklarbarhed (Explainability)

Udfordringen

Mange AI-værktøjer fungerer som “black boxes”:

• Hvorfor foreslår AI netop disse testcases?

• Hvilke antagelser ligger bag?

• Hvad er datagrundlaget?

For testanalytikeren er dette problematisk, fordi:

• testdækning skal kunne forklares

• testdesign ofte skal reviewes og auditeres

• ISO/ISTQB kræver sporbarhed og begrundelse

Mitigation

• Foretræk værktøjer med forklarbart output (prompt → resultat → rationale)

• Dokumentér AI-assisterede beslutninger eksplicit i testdesignet

• Brug AI som supplement til – ikke erstatning for – strukturerede testteknikker

3. Bias og skævheder i AI’ens forslag

Udfordringen

AI lærer af eksisterende data, kode og dokumentation. Hvis disse er:

• mangelfulde

• historisk biased

• teknisk fokuserede frem for brugerfokuserede

… vil testforslagene også være det.

Konsekvens

• Overfokus på “happy paths”

• Underrepræsentation af marginale brugergrupper

• Manglende fokus på usability, etik og fairness

Mitigation

• Kombinér AI med erfaringsbaseret test og exploratory testing

• Stil bevidste “modspørgsmål” til AI (prompt engineering)

• Supplér med persona-baseret test og risiko-workshops

4. Udvanding af testanalytikerens kernekompetencer

Udfordringen

Når AI:

• analyserer krav

• foreslår testcases

• identificerer risici

… er der en reel risiko for, at testanalytikeren gradvist mister:

• analytisk skarphed

• domæneforståelse

• evnen til selvstændigt testdesign

Dette er især kritisk for juniorer – men rammer også seniorer over tid.

Mitigation

• Bevar manuel træning i testdesign som disciplin

• Brug AI som “sparringspartner”, ikke autopilot

• Reflektér aktivt: Hvad ville jeg selv have gjort uden AI?

5. Uklare roller og ansvar ved AI-baserede testbeslutninger

Udfordringen

Når AI bidrager til testanalyse og -design:

• Hvem er ansvarlig for manglende testdækning?

• Hvem “ejer” testbeslutningen?

• Hvem forklarer fejl i produktion?

Svaret er (stadig): testanalytikeren.

Mitigation

• Accepter at ansvar ikke kan delegeres til AI

• Dokumentér beslutninger og fravalg

• Sørg for fælles forståelse i teamet af AI’s rolle og begrænsninger

6. Krav til nye kompetencer hos testanalytikeren

Udfordringen

AI ændrer ikke behovet for testanalytikere – men ændrer kompetenceprofilen:

Nye nøglekompetencer:

• Prompt engineering for testformål

• Kritisk evaluering af AI-output

• Forståelse af AI’s styrker/svagheder

• Etik, bias og kvalitet i AI-systemer

Perspektiv

Testanalytikeren bevæger sig fra:

“Jeg designer testcases”
til
“Jeg orkestrerer kvalitet – med og uden AI”

Samlet vurdering

AI er et stærkt værktøj for testanalytikeren – men kun når det bruges bevidst, kritisk og ansvarligt.

De største udfordringer handler ikke om teknologi, men om:

• faglig dømmekraft

• ansvar

• bevarelse af testdisciplinen

Den professionelle testanalytiker, der forstår både klassisk testteori og AI’s begrænsninger, vil stå stærkere end nogensinde.

Kort opsummering

• AI kan accelerere testanalyse – men ikke erstatte den

• Blind tillid, bias og black-box-output er centrale risici

• Testanalytikeren har fortsat det fulde ansvar

• Nye kompetencer er nødvendige – men fundamentet består
  
  

Softwaretest for ledelsen – et strategisk anliggende

Softwaretest bliver ofte opfattet som et operationelt anliggende, der hører hjemme hos testteamet. I praksis er test dog et ledelsesværktøj, fordi testresultater direkte understøtter beslutninger om risiko, kvalitet, tid og forretning. For test managers er en af de vigtigste discipliner derfor at sikre meningsfuld involvering af ledelsen – uden at drukne dem i detaljer.

Dette blogindlæg fokuserer på:

• Hvorfor ledelsen skal involveres i softwaretest

• Hvilke beslutnings- og godkendelsesroller ledelsen typisk har

• Hvordan test managers bedst understøtter disse roller

Hvorfor er ledelsesinvolvering i softwaretest nødvendig?

Set fra ledelsens perspektiv handler softwaretest ikke om testcases, værktøjer eller defekter i sig selv – men om forretningsrisiko.

Ledelsen har ansvar for:

• Kundepåvirkning

• Overholdelse af lovgivning og compliance

• Omdømme

• Økonomi og time-to-market

Test giver evidens for:

• Om løsningen er tilstrækkeligt moden

• Hvilke risici der er accepteret – bevidst eller ubevidst

• Hvad konsekvenserne er ved at release (eller ikke release)

Uden test mister ledelsen sit faktuelle beslutningsgrundlag.

Ledelsens typiske beslutnings- og godkendelsesroller

Nedenfor er de mest centrale roller, hvor test managers aktivt bør inddrage ledelsen.

1. Strategisk rolle – fastlæggelse af kvalitetsambition

Beslutninger:

• Hvad betyder “tilstrækkelig kvalitet” for organisationen?

• Hvor høj risiko er acceptabel?

• Hvor balanceres kvalitet vs. time-to-market?

Ledelsens ansvar:

• Godkende teststrategi og kvalitetsmål

• Prioritere risici på forretningsniveau

Testmanagers bidrag:

• Oversætte tekniske risici til forretningskonsekvenser

• Præsentere teststrategi i ledelsessprog (ikke test-sprog)

Eksempel:

“Hvis vi reducerer regressionstesten for at nå deadline, accepterer vi øget risiko for fejl i faktureringen – potentielt med økonomiske tab.”

2. Taktisk rolle – prioritering og scope-beslutninger

Beslutninger:

• Hvad testes grundigt – og hvad testes mindre?

• Skal testindsatsen justeres pga. tid, budget eller ressourcer?

Ledelsens ansvar:

• Godkende ændringer i scope og prioritering

• Træffe informerede trade-off-beslutninger

Test managers bidrag:

• Risikobaserede testoversigter

• Konsekvensvurderinger ved ændringer

God praksis:

Brug simple visualiseringer som:

• Risiko-matrix

• Heatmaps

• “Hvis–så”-scenarier

3. Go / No-Go – den klassiske godkendelsesrolle

Beslutninger:

• Må løsningen sættes i produktion?

• Skal releaset udsættes?

Ledelsens ansvar:

• Den endelige beslutning og ejerskab af risiko

Test managers bidrag:

• Objektivt testgrundlag – ikke anbefaling forklædt som fakta

• Klar status på:

  • Testdækning

  • Kendte fejl

  • Åbne risici

  • Afvigelser fra plan

Vigtigt princip:

Testmanager anbefaler – ledelsen beslutter.

4. Governance- og compliance-rolle

Beslutninger:

• Opfylder løsningen interne og eksterne krav?

• Kan vi dokumentere tilstrækkelig kvalitet?

Ledelsens ansvar:

• Sikre audit- og compliance-parathed

Test managers bidrag:

• Sporbarhed mellem krav, test og resultater

• Testdokumentation iht. ISO/IEC 29119

• Transparens i afvigelser

Dette er særligt vigtigt i regulerede domæner (finans, sundhed, offentlig sektor).

Hvordan taler man test med ledelsen? (praktiske råd)

Som testmanager er kommunikation afgørende:

Skift fokus fra:

• Antal testcases

• Antal fundne fejl

Til:

• Forretningsrisiko

• Kundepåvirkning

• Sandsynlighed × konsekvens

• Beslutningsmuligheder

Eksempel på omformulering:

Fra: “Der er stadig 12 åbne defects”
Til:  “Der er 3 kendte risici, som kan påvirke kundernes mulighed for at gennemføre betaling”

Typiske faldgruber (og hvordan de undgås)

Faldgrube	Konsekvens	Mitigation
For teknisk rapportering	Ledelsen mister overblik	Oversæt til forretning
Skjulte anbefalinger	Uklart beslutningsansvar	Vær eksplicit
Manglende risikofokus	Fejlprioritering	Brug risikobaseret test
Sen involvering	Panik ved go/no-go	Inddrag tidligt

Opsummering

For test managers er softwaretest for ledelsen ikke en ekstra opgave – det er kernen i professionel testmanagement.

Nøglepointer:

• Test er beslutningsstøtte – ikke kun kvalitetssikring

• Ledelsen skal involveres strategisk, taktisk og operationelt

• Klart rolle- og ansvarsfordeling styrker governance

• God testkommunikation skaber tillid og bedre beslutninger
  
  

Aktuelle udfordringer for testmanagement – et strategisk blik på fremtidens kvalitetsledelse

Testmanagement befinder sig i et af de mest turbulente og foranderlige årti i softwareudviklingens historie. Udviklingshastigheden stiger, produktkompleksiteten vokser, teams skifter arbejdstempo og organisering, og teknologier som AI og cloud ændrer forudsætningerne for, hvordan kvalitet overhovedet sikres. Samtidig bliver organisationernes forventninger til kvalitet, compliance, hastighed og forudsigelighed kun større. Midt i dette står testmanageren – ansvarlig for governance, risikostyring, strategi, proces, værktøjer og kvalitet.

Dette blogindlæg dykker ned i de mest aktuelle udfordringer, som testmanagers står overfor i dag, og forklarer, hvorfor de er opstået, samt hvordan de påvirker ledelsen af testfunktionen.

Stigende kompleksitet i systemer, integrationer og data

Moderne software består sjældent af ét samlet system. Det består af microservices, API-landskaber, cloud-miljøer, eksterne integrationer, IoT-komponenter og avancerede datalagre. Det betyder, at selv mindre ændringer kan få uforudsete konsekvenser på tværs af systemer. For testmanageren betyder det, at risikoanalysen er blevet langt mere kompleks end tidligere. Det er ikke længere nok at kende ét system – man skal forstå hele værdikæden, afhængighederne og de kritiske integrationspunkter. Dette stiller højere krav til både tværfaglig kommunikation, stakeholder-management og koordinering af testmiljøer og data.

Ustabile eller utilgængelige testmiljøer

I mange organisationer er testmiljøer stadig en akilleshæl. Miljøerne er ofte ustabile, dårligt dokumenterede eller ikke repræsentative for produktion. Fejl skyldes lige så ofte konfigurationsproblemer som egentlig produktdefekt. For testmanagers skaber dette en vedvarende udfordring: testdata er upræcise, reproduktion af fejl er besværlig, og planer skrider, fordi miljøerne ikke understøtter de ønskede testaktiviteter. Dette kræver bedre miljøstyring, investeringer i environments-as-code og en mere moden tilgang til testdatahåndtering. Men i mange organisationer er dette stadig et modningsarbejde, der kræver ressourcer og prioritering, som ikke altid er til stede.

Kravene ændrer sig hurtigere, end testorganisationen kan følge med

Agile og DevOps har øget udviklingshastigheden markant, men testorganisationerne har ikke altid haft mulighed for at følge med i samme tempo. Mange testmanagers oplever user stories, der er ufuldstændige, krav der ikke er valideret, og ændringer, der bliver introduceret sent i sprintet. Dette påvirker både testdesign, estimater og testexecution, og skaber frustration i testorganisationen. Uden stærk governance omkring definition of ready, kontinuerlig kravkvalitet og samarbejde på tværs af roller mister testmanageren muligheden for at forudsige og styre kvaliteten effektivt.

Mangel på tid, ressourcer og kompetencer

Testteams oplever ofte et skiftende pres: mere skal testes, på kortere tid, med færre ressourcer. Samtidig forventes testerne at beherske både automatisering, domæneviden, dataanalyse, sikkerhed og kvalitetssikring. Mange organisationer mangler de rette kompetencer, særlig inden for automatisering, testarkitektur og AI-understøttet test. Testmanagers står derfor i en dobbeltrolle: at sikre leverancer her og nu – samtidig med at opbygge den fremtidige kompetencebase. Dette kræver langsigtet strategi, træning, mentoring og ofte også en kulturforandring i organisationen.

Automatiseringens løfte – og virkelighed

Automatisering er fortsat en central hjørnesten i moderne teststrategier. Men automatisering er ikke gratis, og det løser ikke alle problemer. Mange testmanagers oplever automatiseringsprojekter, der er for komplekse, for skrøbelige, for dyre at vedligeholde eller ikke dækker de rigtige risikoområder. Automatisering skal designes, modelleres, dokumenteres og vedligeholdes – og uden en strategisk tilgang kan automatisering hurtigt blive en teknisk gæld snarere end en gevinst. Samtidig skaber AI-drevne automatiseringsværktøjer nye muligheder, men også nye spørgsmål om kvalitet, kontrol og governance.

DevOps-presset og nødvendigheden af kontinuerlig kvalitet

Med DevOps og CI/CD forventes test at være en naturlig del af en automatiseret og hurtig pipeline. Men testorganisationer bliver ofte klemt mellem hurtige deployment-cyklusser og krav om høj sikkerhed, stabilitet og compliance. Mange testmanagers oplever, at tid til dybdegående test og manuel verificering bliver reduceret, samtidig med at organisationens tolerance for fejl falder. Dette skubber testledelse i retning af mere data-drevet kvalitetsovervågning, shift-left og shift-right-test samt tættere samarbejde med drift, udvikling og arkitektur.

Mangelfuld dokumentation og uklare kvalitetskriterier

Et af de mest fundamentale problemer i testledelse er, at kvalitet sjældent er defineret tilstrækkeligt klart. Definitionen af “done”, acceptkriterier, kravspecifikationer og kvalitetsmål er ofte enten uklare eller skifter løbende. Det gør det svært for testmanageren at forankre en stabil teststrategi, planlægge realistiske aktiviteter og kommunikere risiko. Testmanagement bygger på styring – men styring kræver klare pejlemærker. Derfor bliver governance og procesdisciplin afgørende grundkomponenter i enhver moderne testorganisation.

Forventninger om hurtig rapportering og datadrevet styring

Interessenter forventer hyppigere, mere præcis og mere datadrevet rapportering end tidligere. Det stiller store krav til testmetrikker, dashboards og analysemodeller. Mange testorganisationer bruger stadig manuelle eller fragmenterede rapporteringsmetoder, hvilket skaber risiko for unøjagtige beslutninger. Testmanageren skal derfor både sikre valide data, rigtige metrikker og et rapporteringsformat, der understøtter ledelsens behov for transparens og handling – uden at drukne teamet i administration.

AI som både løsning og udfordring

AI tilbyder enorme muligheder for accelereret testdesign, automatiseret analyse og intelligent prioritering. Men AI skaber også nye udfordringer. Testmanageren skal kunne vurdere risikoen ved AI-genererede artefakter, sikre korrekt validering, forstå teknologiske begrænsninger og etablere governance for brug af AI. Det er en balancegang: AI kan forbedre testindsatsen betydeligt, men kun hvis det integreres med omtanke og kvalitetssikring. Det kræver, at testorganisatonen udvikler kompetencer inden for både teknologi og kritisk evaluering.

Konklusion: Testmanagement er blevet en strategisk disciplin

De aktuelle udfordringer for testmanagement viser, at rollen er mere strategisk og tværgående end nogensinde før. Testmanageren er ikke blot en koordinator, men en brobygger mellem forretning, udvikling, kvalitet, teknologi og governance. Der stilles større krav til risikostyring, ledelse, kommunikation, kompetenceopbygning og datastrategi.

Samtidig giver moderne metoder og teknologier – herunder AI, bedre automatiseringsværktøjer, observability og stærkere standarder – nye muligheder for at modernisere testområdet og skabe en mere moden, effektiv og proaktiv kvalitetsfunktion.

De testmanagers, der formår at navigere i denne nye virkelighed, vil ikke blot sikre høj kvalitet i deres organisation – de vil være blandt de få, der sætter retningen for fremtidens testdisciplin.

Hvordan AI kan understøtte softwaretesten– et strategisk perspektiv for testmanagers

Artificial Intelligence er på få år gået fra at være teknologisk kuriosum til et praktisk værktøj, der allerede har forandret arbejdet i udviklings- og QA-afdelinger verden over. Software bliver mere komplekst, releasefrekvensen stiger, og organisationer forventer kortere leveringstid uden at gå på kompromis med kvaliteten. I dette krydspres står testmanageren med en central opgave: Hvordan organiserer man testindsatsen, så effektivitet og kvalitet følges ad? AI giver her helt nye muligheder, men også nye ansvar.

Formålet med dette blogindlæg er at give dig som testmanager et realistisk, strategisk og praksisnært indblik i, hvordan AI kan understøtte softwaretest – hvor gevinsterne ligger, hvordan det integreres i teststyringen, og hvilke faldgruber du bør være opmærksom på.

AI som løftestang i testprocessen

Når man ser på testens grundlæggende udfordringer – høj vedligeholdelsesbyrde, mange repetitive opgaver, begrænset tid til dybdegående risikovurdering og svære testdata-scenarier – matcher AI netop de områder, hvor testorganisationer typisk mangler kapacitet. Moderne AI-teknologi kan generere testcases fra tekstbeskrivelser, foreslå testdesign baseret på krav eller userstories, identificere risikoområder i kode eller historiske fejl, analysere applikationens adfærd under test og endda selv vedligeholde automatiserede tests, når brugergrænsefladen ændrer sig.

Det er netop kombinationen af hurtighed, pattern-matching og kontinuerlig læring, der gør AI så interessant for testledelse. Hvis AI anvendes rigtigt, kan det frigøre betydelige ressourcer og flytte tyngdepunktet i testarbejdet fra produktion af artefakter til strategisk kvalitetssikring.

Generering af testcases og testdesign med AI

En af de mest håndgribelige gevinster er AI’s evne til at analysere krav, userstories eller endda ustruktureret tekst og generere forslag til testcases. Det erstatter ikke testanalytikerens faglige dømmekraft, men fungerer som en accelerationsmekanisme. AI kan generere mange initiale testidéer på få sekunder, hvorefter testeren validerer, kontekstualiserer og prioriterer dem.

Set fra et testmanagement-perspektiv betyder det, at du hurtigere får et struktureret udgangspunkt for testdækning, især når der arbejdes i agile teams, hvor userstories løbende ændres eller udvides. Det giver samtidig mulighed for at opdage kravuklarheder tidligere, fordi AI ofte afslører manglende detaljer eller implicitte antagelser, når den forsøger at generere tests.

AI-drevet vedligeholdelse af automatiserede tests

Testautomatisering er traditionelt forbundet med en tung vedligeholdelsesbyrde, særligt inden for UI-test. Små ændringer i layout, feltnavne eller flow kan få automatiserede tests til at bryde sammen. AI-baserede selv-helbredende automatiseringsværktøjer overvåger testkørsler og justerer selv locatorer, selector-strategier eller interaktionsmønstre, når UI’et ændrer sig.

For en testmanager betyder det en helt ny økonomi i automatisering. I stedet for at allokere store ressourcer til vedligeholdelse kan teamet fokusere på testdesign, kvalitet af de rigtige områder og evaluering af dækning. Det øger ROI på automatisering markant, især i organisationer med hyppige releases eller dynamiske UI’er.

AI i risikostyring og prioritering

Testledelse handler i høj grad om at prioritere den rigtige testindsats. AI-baserede modeller kan analysere historiske fejl, kodeændringer, commit-logs, modulers kompleksitet og brugeradfærd for at identificere områder med forhøjet risiko. I praksis betyder det, at testmanageren får et datadrevet grundlag for beslutninger om, hvor indsatsen skal lægges.

Når deadlines nærmer sig, og regressionstesten skal komprimeres, kan AI hjælpe med at foreslå hvilke tests der sandsynligvis opdager flest kritiske fejl. Det giver bedre styrbarhed, hurtigere eksekvering og stærkere argumentation over for projektledelse og interessenter.

AI som kvalitetssensor i drift og testmiljøer

Moderne systemer er ofte distribuerede, event-drevne og afhængige af mange integrationspunkter. Her kan AI fungere som en slags kontinuerlig kvalitetssensor. Ved at analysere logfiler, performance-målinger, API-trafik og brugeradfærd kan AI opdage anomalier, uregelmæssigheder eller mønstre, der indikerer potentielle fejl.

Testmanagerens fordel er, at kvalitetsovervågning ikke længere begrænser sig til testmiljøet. AI gør det muligt at opfange problemer tidligt – nogle gange før slutbrugeren mærker dem – og dermed bringe testorganisationen tættere på DevOps-tankegangen om kontinuerlig kvalitet.

AI og governance: hvordan integreres teknologien ansvarligt?

En almindelig misforståelse er, at AI kan “overtage” testarbejdet. Realiteten er, at AI kræver stærkere styring – ikke mindre. For at AI kan fungere som en pålidelig del af testprocessen, skal testmanageren etablere klare rammer for kvalitetssikring, dokumentation, validering og brug af data.

AI skal integreres i testpolitikken og teststrategien, så det er tydeligt, hvilke beslutninger AI assisterer med, hvilke testaktiviteter der automatiseres, og hvilke områder der fortsat kræver menneskelig dømmekraft. Dette er især vigtigt i regulerede domæner eller organisationer med strenge auditkrav.

Derudover bør testmanageren sikre en proces, hvor AI-genererede artefakter løbende valideres. Testcases, scripts, analyser og defektforudsigelser skal kvalitetstjekkes og journalføres som enhver anden del af testen. AI må aldrig blive en ukritisk autoritet; det skal være en kvalificeret assistent.

Faldgruber og realistiske begrænsninger

AI kan meget, men ikke alt. Den største risiko ligger i at overvurdere teknologien og undervurdere det menneskelige ansvar. AI kan generere imponerende mængder testcases, men det betyder ikke, at de er korrekte, relevante eller risikobaserede. Ustrukturerede eller mangelfulde datakilder kan føre til misvisende anbefalinger. Og AI-modellen forstår hverken domænekrav, organisationens kvalitetspolitiske mål eller de subtile risici i forretningsprocesserne.

Derfor bør AI ses som accelerationsmotor – ikke autopilot.

Hvordan testmanageren kommer i gang

Det mest effektive er at starte med et pilotprojekt med klart defineret scope, eksempelvis inden for automatiseret regressionstest, testdesign fra user stories eller AI-drevet analyse af logdata. Herefter etableres governance, metrikker og feedback-loops. Pilotens resultater bruges som datagrundlag for at skalere teknologien.

Kompetenceudvikling er afgørende. Testere skal ikke nødvendigvis være datascientists, men de skal forstå AI’s principper, begrænsninger og måde at generere output på. Den nye testerrolle er i højere grad kurator, validator og risikovurderende ekspert end traditionel “testskribent”.

Konklusion

AI rummer et stort potentiale for at styrke softwaretesten – især når det gælder effektivitet, kvalitet, risikostyring og vedligeholdelsesreduktion. Men AI er ikke en erstatning for testledelse; det er et værktøj, der udvider testmanagerens strategiske muligheder. Når teknologien integreres med stærk governance, datadisciplin og tydelige kvalitetsmål, kan AI blive et centralt element i en moderne, fremtidsorienteret testorganisation.

Den testmanager, der allerede nu begynder at arbejde bevidst med AI, lægger grundstenen til en testfunktion, der ikke blot følger med udviklingen – men sætter retningen for den.

Hvordan vælger man de rette testteknikker

Valget af testteknikker er en strategisk beslutning, der påvirker både testkvalitet, effektivitet og risikodækning. En testmanager skal balancere mellem teori, praktisk erfaring og kontekstuelle faktorer for at vælge den mest hensigtsmæssige tilgang. Dette blogindlæg udfolder de vigtigste kriterier, beslutningsparametre og praktiske anbefalinger.

1. Formålet med at vælge testteknikker

Testteknikker er metoder til at udlede, designe og vælge testtilfælde baseret på et givet testgrundlag. Valget af teknik skal understøtte projektets mål og teststrategien. Et godt valg sikrer:

• Effektiv testdækning (høj risikoafdækning pr. testindsats)

• Konsistens i testudførelse

• Sporbarhed mellem krav, risici og testdesign

• Skalerbarhed på tværs af teams og systemkomponenter

2. Centrale faktorer ved valg af testteknik

2.1 Testgrundlaget

Testgrundlaget er den primære kilde til at udlede testcases. Typiske overvejelser:

• Krav og specifikationers type og kvalitet:

  • Formelle, præcise krav → strukturerede teknikker som beslutningstabeller og tilstandsovergangstest.

  • Uformelle beskrivelser eller user stories → heuristiske teknikker som undersøgende test og checklister.

• Tilgængelighed af modeller:

  • Ved procesmodeller, domænemodeller eller arkitekturdiagrammer er modelbaseret test velegnet.

• Kompleksitet:

  • Høj kompleksitet → kombination af domæneanalyse og risikobaseret test.

2.2 Testernes viden, erfaring og færdigheder

Valget af teknik skal afspejle testteamets modenhed:

• Erfarne testanalytikere: kan anvende formelle teknikker (f.eks. årsags-virkning-diagrammer, klassifikationstræer).

• Mindre erfarne testere: bør anvende mere intuitive teknikker som ækvivalenspartitionering og grænseværdianalyse.

• Kombination af profiler: giver mulighed for par-testdesign, hvor erfarne coacher de mindre erfarne.

2.3 Risikoniveau

Risikobaseret test (RBT) anbefales som beslutningsramme.
Eksempler:

• Høj risiko: kombiner systematiske teknikker (beslutningstabeller, tilstandsovergang) med negative tests.

• Lav risiko: anvend erfaringsbaserede teknikker som error guessing og exploratory testing.

2.4 Systemets og domænets karakter

• Sikkerhedskritiske systemer: kræver formelle teknikker (f.eks. MC/DC, boundary value analysis).

• Forretningsapplikationer: egner sig til beslutningstabeller, use case-baserede tests og dataflow-test.

• AI- eller datadrevne systemer: kræver kombination af statistisk test, biasanalyse og exploratory testing.

2.5 Projektkontekst og livscyklus

I agile miljøer vægtes tidlig feedback og lav overhead, hvilket favoriserer letvægts teknikker.
I traditionelle V-modelprojekter prioriteres sporbarhed og dokumentation, hvor formelle teknikker er mere passende.

3. Fremgangsmåde til valg af testteknikker

Trin	Aktivitet	Output
1	Identificér testgrundlaget og vurder dets kvalitet	Klar forståelse af krav og modeller
2	Vurder risikoniveauer pr. funktion eller komponent	Risikomatrix
3	Match teknik med risikoniveau og testgrundlag	Tabel for teknikvalg
4	Vurder teamets kompetencer	Kompetencekort
5	Vælg kombination af teknikker	Dokumenteret teknikportefølje
6	Evaluer og justér ud fra resultater og dækningsgrad	Lessons learned og forbedringsplan

4. Eksempler

Kontekst	Typisk testteknik
Finansiel beregningstjeneste	Grænseværdianalyse + beslutningstabel
Webshop checkout-flow	Use case test + tilstandsovergangstest
AI-model for anbefalinger	Statistisk test + biasanalyse + exploratory
Legacy-system uden krav	Error guessing + exploratory testing

5. Faldgruber

• For ensidigt fokus: at vælge én teknik uden at supplere med andre.

• Manglende alignment med risici: fører til utilstrækkelig dækning.

• Manglende kompetencematch: testere anvender teknikker forkert.

• Uklart testgrundlag: forhindrer systematisk teknikvalg.

6. Moderne tendenser

• AI-assisteret teknikvalg: værktøjer som Testim og Xray AI kan analysere krav og foreslå testteknikker.

• Modelbaseret + generativ testdesign: brug af UML/SysML til automatisk testafledning.

• Hybridstrategier: kombination af klassiske og heuristiske teknikker understøttet af risk-based prioritization engines.

7. Konklusion

Valg af testteknikker er ikke et engangsvalg, men en kontinuerlig optimering. En dygtig testmanager evaluerer løbende:

• ændringer i risikolandskab,

• testgrundlagets modenhed, og

• teamets kompetenceudvikling.

En velovervejet kombination af teknikker øger testeffektiviteten, forbedrer kvaliteten og styrker dokumentationen — hvilket er nøglen til moden testledelse i praksis.

FMEA – Failure Mode and Effect Analysis

Introduktion

Når vi som testmanagers arbejder med risikobaseret test, er det afgørende at kunne vurdere, hvor fejl vil have størst indflydelse på forretningen, brugerne og teknologien. Failure Mode and Effect Analysis (FMEA) er en klassisk metode fra kvalitetsteknikken, oprindeligt udviklet i bilindustrien, som giver en struktureret tilgang til at identificere potentielle fejl, analysere deres konsekvenser og prioritere testindsatsen.

Ved at integrere FMEA i teststrategien kan vi dokumentere og kommunikere risikoovervejelser mere systematisk.

Fremgangsmåde – trin for trin

En FMEA-proces består typisk af følgende trin:

1. Definer scope og systemelementer

   • Afgræns den funktionalitet eller komponent, som skal analyseres.

   • Typisk: en modul, integration, proces eller brugerrejse.

2. Identificer failure modes (fejlmåder)

   • Hvordan kan en funktion fejle?

   • Eksempel: Et login kan fejle ved at afvise gyldige brugere, acceptere ugyldige brugere eller time-out.

3. Bestem effects (konsekvenser)

   • Hvilken indvirkning har fejlen på systemet eller brugeren?

   • Eksempel: Ugyldige brugere kan få adgang (høj forretningsrisiko).

4. Analyse af årsager og eksisterende kontrolforanstaltninger

   • Hvorfor kan fejlen ske (årsager)?

   • Hvilke eksisterende tests eller kontroller findes?

5. Score risiko

   • Vurder tre dimensioner (typisk på skala 1–10):

     • S (Severity – alvor)

     • O (Occurrence – sandsynlighed)

     • D (Detection – mulighed for at opdage fejlen tidligt)

   • Beregn RPN = S × O × D (Risk Priority Number).

6. Prioriter handlinger og testindsats

   • Testområder med høj RPN bør have fokus.

   • Handlinger kan være mere tests, bedre overvågning, eller forebyggende forbedringer.

7. Dokumentér og følg op

   • FMEA bør være et levende dokument, som justeres undervejs i projektet.

   • Opdater scoringer efterhånden som ny information eller kontrolmekanismer indføres.

Typiske faldgruber

Selv om FMEA er en stærk metode, er der velkendte udfordringer:

• Subjektivitet i scoringer
  – Teams scorer forskelligt afhængigt af erfaring, kultur og bias.
  – Afhjælpning: Brug workshops, tværfaglige perspektiver og faste skalaer.

• Overfokus på RPN
  – At sortere alene efter RPN kan skjule kritiske lav-frekvens/høj-severity risici.
  – Afhjælpning: Behandl severity som et særskilt kriterium.

• For omfattende analyser
  – Der er risiko for “analyse-paralyse”, hvor for meget tid går til scoring fremfor at handle.
  – Afhjælpning: Fokusér på forretningskritiske områder.

• Manglende vedligeholdelse
  – FMEA mister værdi, hvis den ikke opdateres løbende.
  – Afhjælpning: Integrer opfølgning i testplanens review-cyklus.

Relation til risikobaseret test

FMEA passer naturligt ind i ISTQB’s principper for risikobaseret test:

• Kobling til testprioritering:
  Høj RPN = mere testindsats, lav RPN = mindre test.

• Transparens i beslutninger:
  Stakeholders kan se, hvorfor visse områder testes mere intensivt.

• Alignment med ISO 29119 og ISO 31000:
  Giver dokumenterbarhed, hvilket styrker governance og audit-spor.

• Understøtter testdesign:
  Failure modes kan omsættes til konkrete testbetingelser og cases.

• Forbedrer samarbejde:
  Workshops omkring FMEA involverer udviklere, arkitekter, forretningen og testteamet, hvilket sikrer bredere risikodækning.

Konklusion

FMEA er ikke en “silver bullet”, men et effektivt værktøj til at operationalisere risikobaseret test. Når metoden bruges pragmatisk, kan den hjælpe testmanagers med at:

• Prioritere testindsats, hvor den giver mest værdi.

• Dokumentere risikobeslutninger for stakeholders.

• Skabe fælles forståelse af risici på tværs af organisationen.

Brugt korrekt kan FMEA være en game-changer i teststrategien – men kun hvis den holdes enkel, fokuseret og dynamisk.

Boganmeldelse: "How Big Things Get Done" af Bent Flyvbjerg og Dan Gardner – med fokus på testledelse

Introduktion

How Big Things Get Done (2023) er en indsigtsfuld og praksisnær bog, skrevet af Bent Flyvbjerg – verdens førende ekspert i megaprojekter – og Dan Gardner. Bogen analyserer systematisk, hvorfor store projekter (infrastruktur, software, energi mv.) så ofte fejler på tid, budget og mål – og hvad man kan gøre ved det.

For testmanagers og testledere, der opererer i komplekse projekter med høje krav til leverancer, risiko og kommunikation, rummer bogen værdifulde, direkte anvendelige principper.

Centrale pointer i bogen

Bogen stiller skarpt på, hvordan man bør planlægge rigtigt før man eksekverer hurtigt. Nøgleprincipperne inkluderer:

• "Think slow, act fast" – brug lang tid på planlægning, og udfør hurtigt og effektivt.

• Reference class forecasting (RCF) – planlæg ved at sammenligne med historiske data frem for optimistiske antagelser.

• Identificer og undgå "optimism bias" og "strategic misrepresentation".

• Modulær tilgang – tænk i små, gentagelige komponenter for at reducere kompleksitet.

• Start med slutmålet (design your project backwards).

• Opret en robust baseline og følg op med konstant realitetsjustering.

Anvendelighed for testmanagers og testledelse

Relevans for teststrategi og planlægning

Flyvbjergs gennemgang af systematiske fejl i planlægningsfasen er særligt relevant for testmanagers, som ofte står med teststrategien i store programmer. Mange teststrategier bygger (stadig) på ønsketænkning snarere end empirisk evidens. Her kan Flyvbjergs koncept om Reference Class Forecasting være et opgør med klassiske bottom-up estimater, og i stedet bringe en databaseret tilgang til testomkostninger, testindsats og risikobilledet.

Risikohåndtering og "optimism bias"

Testledere kender alt for godt til stakeholderes optimistiske opfattelse af hvor hurtigt og gnidningsfrit tests kan gennemføres – særligt under tidspres. Bogen tilbyder klare redskaber til at:

• Afsløre og imødegå urealistiske testforventninger.

• Dokumentere risici baseret på historiske data fra lignende projekter.

• Gøre beslutningstagere opmærksomme på skjulte antagelser.

Dette kan direkte kobles til ISTQBs risikobaseret teststrategi og testplan.

Modulær opbygning og MVP-tænkning i test

Flyvbjerg anbefaler at tænke i "small is beautiful": del store projekter op i små, testbare enheder. Dette matcher agile principper og giver testlederen et argument for at:

• Tidligt identificere testbare moduler.

• Skabe "early value" gennem test af delkomponenter.

• Bygge teststrategien op iterativt (inkrementel teststrategi).

I SAFe eller DevOps-kontekster, hvor kontinuerlig test og deployment er normen, er dette ekstremt anvendeligt.

Konkrete relationer til testmanagement

Bogsynspunkt	Testmanagement-anvendelse
RCF	Estimer testindsats baseret på data fra tidligere projekter (testware-reuse, målinger, MTTR)
Optimism bias	Indfør kritiske review-punkter i testplanlægningsfasen
Modularisering	Del testopgaven op i MVP’er, modultest, mikroservices, featureflags mv.
“Start with the end”	Definér testexitkriterier og coverage upfront – ikke som eftertanke
Realisme i tid/budget	Forlang tidsbuffer og plan for “non-happy-path” scenarier

Konstruktiv kritik

Mens bogen er lettilgængelig og inspirerende, kan dens eksempler (metrobyggerier, IT-infrastruktur) virke langt fra hverdagens testledelse. Der mangler dybdegående IT-case studies. Den empiriske styrke i Flyvbjergs forskning kunne have været suppleret med endnu mere konkret vejledning til fx softwareleverancer eller testteamledelse.

Derudover bruges der i nogle afsnit lidt populærpsykologiske greb (f.eks. "Seinfeld-effekten", storytelling), som testfagligt sindelag kan finde overfladiske – men det gør også bogen bredt tilgængelig.

Styrker og svagheder

Styrker	Svagheder
Evidensbaseret tilgang til planlægning	Mangler direkte testcases/eksempler
Relevant for alle med ansvar for leverancer	Fokuserer ikke på softwareprojekter alene
Kan bruges til at modgå urealistiske testkrav	Lidt gentagende mod slutningen
Let at læse, stærke anekdoter	Går ikke i dybden med agil/lean testkontekst

Konklusion og anbefaling

How Big Things Get Done bør være pensum for enhver testmanager, der arbejder i større projekter eller komplekse organisationer. Den tilbyder et nyt blik på planlægning, estimering og eksekvering, som mange testteams kan lære af. Bogen er særligt anvendelig til at udfordre eksisterende teststrategier og skabe en databaseret, realistisk tilgang til testplanlægning og governance.

Testmanagers bør især bruge bogen som argumentationsgrundlag overfor projektledere og styringsgrupper for at sikre realistiske testforløb, velbegrundede risikovurderinger og datadrevet planlægning.

Branching og Branchingstrategi – Testmanagerens Perspektiv

Indledning

Branching er en grundlæggende disciplin inden for versionsstyring. For testmanageren har valg af branchingstrategi stor indflydelse på kvalitetssikring, testbarhed og risikostyring. En veldefineret strategi kan reducere integration problemer, understøtte kontinuerlig test, og sikre bedre kontrol over releases. Omvendt kan en forkert strategi øge kompleksiteten, skabe flaskehalse og udvande kvaliteten af leverancer.

Fremgangsmåde til etablering af en branchingstrategi

En struktureret tilgang kan opdeles i følgende trin:

1. Analyse af kontekst

   • Udviklingsmodel (Scrum, SAFe, V-model)

   • Releasefrekvens (kontinuerlig vs. planlagte releases)

   • Teamstørrelse og geografi

2. Valg af strategi (typiske mønstre):

   • Feature branching: Nye funktioner udvikles i isolerede branches.

   • Release branching: Dedikerede branches til specifikke releases.

   • Hotfix branching: Hurtige rettelser håndteres separat.

   • Trunk-Based Development (TBD): Minimal branching, kontinuerlig integration.

   • GitFlow: Struktureret model med master, develop, feature-, release- og hotfix-branches.

3. Definér politikker og governance

   • Branch naming conventions

   • Pull request/code review regler

   • Testkrav (automatisk regressionstest, enhedstest, build pipelines)

4. Etabler integration med test

   • Automatiseret testkørsel på pull requests

   • Miljøer koblet til specifikke branches (feature miljøer, staging)

   • Testdata og konfigurationsstyring tilpasset branching-strategien

5. Monitorering og justering

   • Evaluer strategi løbende (velocity, antal integration konflikter, kvalitet af leverancer).

Fordele ved en stærk branchingstrategi

• Kontrolleret udvikling: Muliggør isolation af features og rettelser uden at forstyrre hovedlinjen.

• Forudsigelig test: Testteamet kan fokusere på stabiliserede branches fremfor ustabile integrationer.

• Risikoreduktion: Kritiske fejl kan håndteres separat (hotfix-branching).

• Skalerbarhed: Bedre understøttelse af store teams og parallelle releases.

• Spårbarhed: Lettere at dokumentere og rapportere status pr. branch.

Faldgruber

• Overkompleksitet: For mange branches skaber overhead og forsinker integration.

• "Integration hell": Forsinket sammenfletning fører til konflikter og uforudsigelig adfærd.

• Manglende testautomatisering: Branching mister sin værdi hvis test ikke er integreret i pipelines.

• Fejlfokus: Fokus på branch-struktur fremfor kvalitet og flow.

• Langlivede branches: Jo længere en branch lever isoleret, jo højere er integrationsrisikoen.

Risici for testmanagers

• Uklare releasekandidater: Risiko for at test udføres på forkerte branches.

• Miljømismatch: Ustabilitet når testmiljøer ikke matcher branches korrekt.

• Skjult teknisk gæld: Branching kan skjule midlertidige workarounds eller ufuldstændige tests.

• Afhængighed af governance: Hvis udviklerne ikke følger brancheregler, mister strategien sin værdi.

• Compliance-problemer: I regulerede miljøer (fx ISO 29119 eller ISO 27001) kan ukontrolleret branching bryde audit-sporbarhed.

Konklusion

En god branchingstrategi er ikke kun et udviklingsanliggende – den er afgørende for testmanageren. Strategien skal balancere fleksibilitet og kontrol, understøtte kontinuerlig test, og minimere risiko for integration hell. For testmanageren er nøglen at være med i design og governance af strategien, sikre at testautomatisering og miljøer understøtter branchingen, og løbende evaluere effekten på kvalitet og releasehastighed.