AI kan requirements analyseren, testgevallen genereren, scripts schrijven en grote hoeveelheden testresultaten beoordelen. Teams kunnen daardoor sneller werken en een grotere testdekking realiseren. Maar sneller testen betekent niet automatisch dat de kwaliteit ook beter wordt.
Traditionele software levert bij dezelfde invoer doorgaans dezelfde uitvoer. Bij AI-functionaliteit ligt dat anders. Antwoorden kunnen variëren, modellen worden aangepast en de kwaliteit van de uitkomst is afhankelijk van onder meer de prompt, context, gebruikte data en configuratie. Een test die vandaag slaagt, kan morgen een ander resultaat opleveren zonder dat de applicatiecode is gewijzigd.
De vraag is daarom niet meer alleen: “Werkt de functionaliteit?” Er moeten ook andere vragen worden gesteld:
- Levert het systeem voldoende betrouwbare uitkomsten?
- Onder welke omstandigheden gaat het mis?
- Zijn de gebruikte data representatief en mogen ze voor dit doel worden gebruikt?
- Kunnen beslissingen en resultaten achteraf worden herleid?
- Blijft menselijk ingrijpen mogelijk?
- Wat gebeurt er wanneer het model, de prompt of de context verandert?
Quality Engineering voor AI vraagt daarmee om meer dan testautomatisering. Het vraagt onder andere om risicogestuurde evaluaties, vastlegging van model- en promptversies, securitytests, monitoring in productie en duidelijke grenzen voor wat als acceptabel gedrag wordt beschouwd.
AI maakt de tester naar mijn mening dan ook niet overbodig. Integendeel: het vermogen om professioneel en kritisch over kwaliteit te oordelen, wordt juist belangrijker.