AI

Generative KI hat inzwischen auch den Softwaretest erreicht. Testfälle generieren, Anforderungen analysieren oder Testdaten erzeugen lassen, sind mit wenigen Prompts erledigt. Doch ein guter Prompt allein macht noch keinen zuverlässigen Engineering-Prozess. Bei der Raiffeisen Bank International AG (RBI) gehen wir deshalb einen Schritt weiter: Statt isolierter KI-Assistenten bauen wir einen integri..

Bei vielen KI-Komponenten reicht der Vergleich mit einem einzelnen erwarteten Wert nicht mehr als alleiniger Qualitätsnachweis aus. Betroffen ist jedes Team, das solche Systeme freigibt. Die Probleme stehen seit 2019 im Testwissen, messbar wurden sie erst mit den heutigen Normen. Ein Modell aus sechs Prüfarten ordnet, welches Kriterium wo greift. Sobald ein System handelt statt antwortet, kommt ei..

Datenqualität war lange Hygiene. Im KI-Zeitalter entscheidet sie über Erfolg oder Blamage: Ein Modell auf lückenhaften Daten liefert keine leere Zelle, sondern eine flüssige, selbstbewusste, falsche Antwort. Warum Halluzinationen berechenbar unvermeidbar sind, wie Sie Datenqualität am Ergebnis messen statt an der Quelle – und warum drei Testfälle mehr wert sind als ein Konzept für dreißig.

Coding Agents können Oberflächen prüfen, Fehler erkunden und Regressionstests schreiben. Ein Praxisbericht zeigt, wie Playwright-Skripte, MCP und menschliche Bewertung zusammenwirken – und welche Voraussetzungen die Agenten dafür brauchen, um effizient und stabil zu laufen.

KI-Agenten verlassen die Rolle passiver Assistenten und greifen zunehmend in reale Abläufe ein. Dadurch reichen API-Gateways, Service Accounts und nachgelagertes Monitoring nicht mehr aus. Agentic-Native Architecture verankert Identität, Policies, Tool-Grenzen und Auditierbarkeit in der Laufzeit. Wer Agenten skalieren will, muss zuerst Kontrolle skalieren.