Bog: Kvalitative unsersøgelser med AI
Af: Charlotte Albrechtsen og Tine Wirenfeldt Jensen
Forlag: Samfundslitteratur
Artificial Intelligence er ikke længere et eksperimenterende nicheområde for teknologer og udviklere. AI er begyndt at flytte ind i de dele af organisationen, hvor analyse, vurdering og beslutningsstøtte tidligere primært var menneskelige discipliner. Det gælder også inden for kvalitetsarbejde og testmanagement. Derfor rammer Kvalitative undersøgelser med AI af Charlotte Albrechtsen og Tine Wirenfeldt Jensen et både aktuelt og vigtigt emne.
Bogen beskæftiger sig med, hvordan generativ AI kan understøtte kvalitative undersøgelser og analysearbejde. Selvom målgruppen ikke specifikt er softwaretest eller QA-professionelle, er der overraskende mange perspektiver, som er direkte relevante for moderne test managers. Særligt i en tid, hvor testorganisationer arbejder med stadigt større datamængder, hurtigere releasecyklusser og et voksende behov for datadrevet beslutningsstøtte, bliver spørgsmålet om AI-understøttet analyse yderst relevant.
Noget af det mest positive ved bogen er dens pragmatiske tilgang. Forfatterne falder ikke i den klassiske fælde, hvor AI enten fremstilles som en revolutionerende erstatning for menneskelig ekspertise eller som en ukontrollerbar risiko. I stedet beskrives AI som et værktøj, der kan understøtte refleksion, strukturering og analyse — men stadig kræver menneskelig dømmekraft. Det er en tilgang, som harmonerer meget godt med moderne principper inden for test og kvalitetssikring, hvor automatisering og AI netop bør ses som støttefunktioner og ikke som erstatning for professionel vurdering.
Bogen lykkes særligt godt med at gøre AI konkret og operationel. Mange bøger om AI bliver hurtigt abstrakte eller teknologitunge, men her holdes fokus på det praktiske analysearbejde. Det gør indholdet tilgængeligt, også for ledere og specialister uden dyb teknisk AI-baggrund. For testmanagers er det interessant, fordi store dele af testledelse i virkeligheden består af kvalitative analyser: vurdering af risici, analyse af fejlmønstre, opsummering af retrospectives, stakeholderrapportering og prioritering af kvalitetsindsatser.
Netop her bliver bogen særligt relevant. Mange testorganisationer ligger inde med enorme mængder tekstbaseret viden i form af defects, incidents, supporthenvendelser, retrospectives og testnoter. Traditionelt har det været vanskeligt at analysere disse data systematisk, fordi arbejdet er tidskrævende og ofte manuelt. Bogen illustrerer flere måder, hvorpå AI kan hjælpe med at identificere mønstre, kategorisere observationer og skabe hurtigere overblik.
Det er især inden for fejlanalyse, at potentialet bliver tydeligt. Moderne test managers arbejder ikke kun med at registrere fejl, men i høj grad med at forstå, hvorfor fejl opstår, og hvilke organisatoriske eller tekniske mønstre der ligger bag. Her kan AI være et interessant supplement. Forestil dig eksempelvis en analyse af flere hundrede Jira-defects, incidentrapporter og retrospectives, hvor AI hjælper med at identificere tilbagevendende problemområder, typiske årsager eller risikoområder, som ellers ville være vanskelige at opdage manuelt. Bogen giver ikke færdige modeller til dette, men den inspirerer til netop denne type anvendelse.
Det samme gælder rapportering. Mange test managers bruger betydelig tid på at omsætte tekniske observationer til ledelsesinformation. Her kan AI hjælpe med at kondensere komplekse analyser, formulere executive summaries og skabe mere målrettet kommunikation til forskellige interessenter. I agile og DevOps-orienterede organisationer, hvor rapportering skal være hurtig, løbende og ofte datatung, kan denne type AI-understøttelse blive meget værdifuld.
Bogen er dog ikke uden svagheder. Set fra et testmanagement-perspektiv savnes der mere dybde omkring governance, kvalitetssikring og risiko ved brugen af AI. Forfatterne berører problemstillinger som bias og fejltolkninger, men emnet kunne med fordel være behandlet langt mere kritisk. I kvalitetskritiske miljøer er det ikke nok, at AI genererer plausible analyser — analyserne skal også kunne valideres, forklares og spores.
Dette er især vigtigt i forbindelse med root cause analysis og risikovurderinger. Hvis AI fejlagtigt identificerer mønstre eller overser kritiske sammenhænge, kan det påvirke både prioriteringer og beslutninger omkring releases og kvalitet. Her kunne bogen med fordel have inddraget flere principper fra klassisk kvalitetssikring og softwaretest, eksempelvis peer review, validering, confidence scoring eller sporbarhed mellem data og konklusioner.
Derudover mangler bogen efter min vurdering en egentlig modenhedsmodel for organisationers anvendelse af AI i analysearbejde. Mange virksomheder er stadig meget umodne i deres AI-anvendelse, og særligt inden for testmanagement er der store forskelle på, hvor langt organisationer er kommet. Her kunne bogen have været styrket af mere konkrete anbefalinger til trinvis implementering, governance-strukturer og organisatorisk readiness.
Disse kritikpunkter ændrer dog ikke ved, at bogen er både relevant og inspirerende. Dens største styrke er måske netop, at den får læseren til at reflektere over, hvordan analysearbejde kommer til at ændre sig i de kommende år. For test managers er dette særligt vigtigt. Testledelse handler i stigende grad ikke blot om koordinering af testaktiviteter, men om evnen til at analysere kvalitetsdata, identificere risici og understøtte hurtige beslutninger i komplekse organisationer. Her bliver AI sandsynligvis en naturlig del af værktøjskassen.
Kvalitative undersøgelser med AI er derfor ikke nødvendigvis en bog, man læser for at få en færdig metode eller en komplet manual. Den fungerer bedre som et refleksions- og inspirationsværk, der hjælper professionelle med at forstå mulighederne og begrænsningerne ved AI-understøttet analyse. For test managers og QA-ledere, der ønsker at arbejde mere strategisk med analyse, rapportering og organisatorisk læring, er bogen absolut værd at læse.
Måske er bogens vigtigste budskab i virkeligheden, at AI ikke først og fremmest handler om automatisering, men om augmentation — altså hvordan teknologien kan styrke menneskelig analyse og refleksion. Det er en vigtig pointe, særligt i kvalitets- og testdiscipliner, hvor dømmekraft, kontekstforståelse og kritisk tænkning fortsat vil være afgørende kompetencer.
