Hoe zetten we AI in binnen QA? De laatste tijd heeft AI ook steeds nadrukkelijker zijn intrede gedaan binnen het testdomein. Tijdens presentaties, meetings en roadmapdiscussies komt vrijwel altijd dezelfde vraag naar voren. Als manual QA-professionals met meer dan tien jaar ervaring hebben we één ding duidelijk geleerd: AI kan ondersteunen, maar de uiteindelijke beslissing moet bij mensen blijven liggen.
In dit artikel bekijken we hoe AI manual testing kan ondersteunen, terwijl menselijk beoordelingsvermogen centraal blijft staan bij kwaliteitsbeslissingen.
De rol van AI binnen QA
Binnen dagelijkse QA-werkzaamheden kan AI daadwerkelijk waarde toevoegen. Het kan sneller ideeën genereren dan wij zelf, testsuggesties doen, beschrijvingen verbeteren en een alternatieve kijk geven op requirements. Vooral in de vroege fasen van analyse kan dit veel tijd besparen.
Bij het beoordelen van een nieuwe gebruikersregistratieflow kan een AI-model bijvoorbeeld binnen enkele seconden vijftien mogelijke testscenario’s voorstellen. Denk aan variaties zoals het testen van lege velden, een ongeldig e-mailadresformaat of speciale tekens. Een manual QA-engineer kan vervolgens snel bepalen welke scenario’s daadwerkelijk relevant zijn voor de businesscontext. In sommige gevallen ligt de focus bijvoorbeeld niet op irrelevante edge cases, maar juist op zaken zoals de timing van een e-mailbevestigingslink.
Wat AI echter niet echt begrijpt, zijn zaken zoals:
- De businesscontext achter een functionaliteit
- Technische beperkingen en verborgen afhankelijkheden
- De dynamiek van stand-ups en de druk van deadlines
- Interne discussies binnen het team
- De daadwerkelijke verwachtingen en gewoonten van gebruikers
- De lessen die zijn geleerd uit eerdere bugs en incidenten
AI kan twintig technisch valide tests voorstellen en alsnog precies dat ene scenario missen dat cruciaal blijkt te zijn, zoals een payment timeout-probleem dat al in een eerdere release is voorgekomen.
In onze ervaring komen de beste beslissingen juist voort uit dit soort “onzichtbare” details die geen enkele tool volledig kan vastleggen. AI kan een startpunt bieden en richting geven, maar het blijft aan mensen om te bepalen hoe er verder wordt gegaan.
Besluitvorming kan niet worden uitbesteed
Het is essentieel dat iemand bewust verantwoordelijkheid neemt voor kwaliteitsgerelateerde beslissingen. QA draait niet alleen om een uiteindelijke “OK” aan het einde van een sprint, maar om talloze kleine beslissingen die continu worden genomen, zoals:
- Wat kritisch is en wat acceptabel is
- Wat diepgaand getest moet worden en wat voldoende heeft aan basisdekking
- Welke punten eerst verduidelijkt moeten worden met de product owner of ontwikkelaars voordat het testen start
- Welke risico’s bewust worden geaccepteerd wanneer de beschikbare tijd beperkt is
AI kan suggesties doen, maar kan geen verantwoordelijkheid dragen voor de gevolgen van die keuzes. Een QA-professional kan dat wel. Daarom mag besluitvorming niet volledig worden overgedragen aan een tool, ongeacht hoe geavanceerd deze is.
Werken met AI
Wanneer we AI inzetten binnen QA-werkzaamheden, behandelen we het als een zeer snelle collega; niet als een autoriteit. We laten AI eerst met suggesties komen, maar geven het niet het laatste woord.
In de praktijk betekent dit dat we:
- Iedere suggestie kritisch beoordelen
- Suggesties valideren binnen de context van het project
- Aanpassen, verwijderen of herschrijven wat niet aansluit
- De eindverantwoordelijkheid bij onszelf houden, niet bij het model
Stel dat AI testsuggesties doet voor een mobiele betaalfunctionaliteit en daarbij voorstelt om “de prestaties bij 1.000 gelijktijdige transacties” te testen. Een manual tester die bekend is met de werkelijke schaal van de applicatie kan dit vervangen door “het controleren van transactietijden onder slechte netwerkcondities (3G)”, omdat dát het daadwerkelijke risico is waarmee gebruikers in de praktijk worden geconfronteerd.
Met de jaren helpt professionele ervaring om onderscheid te maken tussen waardevolle inzichten en wat uiteindelijk slechts “goed verpakte ruis” blijkt te zijn. AI beschikt niet over dat instinct. Dat ontwikkel je alleen door te werken aan echte projecten, uitdagende releases en onvoorspelbare situaties.
Waarom grenzen belangrijk zijn
Stel je voor dat je volledig vertrouwt op door AI gegenereerde testscenario’s voor een boekingssysteem dat werkt met evenementen met beperkte capaciteit. Het model valideert de succesvolle boekingsflow, controleert verplichte velden, bevestigt de betalingsstatus en verifieert zelfs de bevestigingsmail. Alles lijkt volledig afgedekt. De release gaat live en het team heeft vertrouwen in de kwaliteit.
Maar AI hield geen rekening met de complexiteit van echt gebruikersgedrag: twee mensen die tegelijkertijd de laatste beschikbare plek proberen te reserveren. Gedurende een fractie van een seconde zien beide gebruikers de plek als beschikbaar.
In productie kan dit verschillende problemen veroorzaken. Het systeem kan beide boekingen accepteren, een onjuiste beschikbare capaciteit tonen of juist beide gebruikers blokkeren. Het gevolg is frustratie bij gebruikers, waarna het incident zich snel verspreidt via supportkanalen en social media.
Wanneer er iets misgaat, wie is er dan verantwoordelijk?
Wanneer een probleem de productieomgeving bereikt, vraagt niemand welke suggesties AI heeft gedaan. De vragen die dan gesteld worden, gaan over wat QA heeft gecontroleerd, hoe risico’s zijn beoordeeld en wie heeft besloten dat het product klaar was voor release.
Door de jaren heen hebben we geleerd dat:
- Een goed opgemaakt document niet automatisch betekent dat een product stabiel is
- Een lange lijst met testscenario’s geen garantie biedt dat de juiste risico’s zijn afgedekt
- Geen enkele tool, ongeacht hoe geavanceerd, menselijk beoordelingsvermogen en verantwoordelijkheidsgevoel kan vervange
Wie bepaalt wat echt belangrijk is?
De grens tussen “AI doet voorstellen” en “QA beslist” is belangrijk om één eenvoudige reden: verantwoordelijkheid voor het product en voor de gebruikers ervan.
Daarom kiezen QA-professionals ervoor om AI te gebruiken als ondersteuning, niet als vervanging van menselijk beoordelingsvermogen.
“AI proposes, QA decides” is niet zomaar een marketinguitspraak, maar een manier van werken. Het stelt ons in staat om te profiteren van snelheid en schaalbaarheid zonder kritisch denken los te laten. De tool genereert meer ideeën; wij bepalen welke daarvan daadwerkelijk bijdragen aan de kwaliteit van het product en de bescherming van gebruikers.
De belangrijkste vaardigheid van een QA-professional vandaag de dag is dan ook niet langer het schrijven van de perfecte prompt. Het gaat om het vermogen om naar de grote hoeveelheid AI-gegenereerde suggesties te kijken en te zeggen: “Dit is ruis, dit is overbodig, maar dít is precies het scenario dat de release van vrijdag gaat redden.”
Misschien is dat uiteindelijk de echte vraag achter alles biet wat AI kan voorstellen, maar wie bepaalt wat echt belangrijk is.
“Dus, wie heeft eigenlijk besloten wat je nu aan het lezen bent?
Van theorie naar praktijk: AI integreren in dagelijkse QA-werkprocessen
Het belang van QA testing: van code naar kwaliteit
