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