Twee jaar na de introductie van AI-tools zoals Co-Pilot en LLM’s zoals ChatGPT blijft de adoptie onder testers opvallend laag. Hoe kan dat? Waarom wordt er nog zo weinig gebruikgemaakt van de eindeloze mogelijkheden? En belangrijker nog: waar, wanneer en hoe zet je AI veilig, ethisch én duurzaam in? Collega Sanne nam ons tijdens de laatste editie van Bijtanken bij Bartosz mee op de reis tot nu toe. Ze legde uit waarom AI ons uitdaagt om onze definitie van ‘goed’ testen opnieuw te herzien. Haar inspirerende verhaal gemist? Je leest de belangrijkste inzichten in dit blogartikel.

AI en de belofte die nog niet is ingelost

November 2022: de wereld maakt kennis met ChatGPT. Twee jaar later heeft AI zich razendsnel ontwikkeld, maar onder testers lijkt de adoptie nog achter te blijven. Hoewel er veel beloftes zijn gedaan over hoe AI het testvak zou kunnen veranderen, blijft de grote doorbraak uit.

Waarom? Deels omdat veel AI-oplossingen niet meer zijn dan een oplossing op zoek naar een probleem. Neem testautomatisering: al jarenlang bestaan er geavanceerde technieken zoals pairwise testing om testcases efficiënt te genereren. Toch proberen sommige AI-modellen precies hetzelfde te doen, maar minder goed. Waarom zouden we een LLM gebruiken als bestaande tools al effectiever zijn?

De uitdagingen van AI in testing

Een van de grootste struikelblokken is het fenomeen ‘menselijke denkfouten’. AI-modellen werken op basis van wat wij ze leren, en dat leidt soms tot bizarre resultaten. Zo probeerde een AI-model landingen van vliegtuigen te optimaliseren door de druk op de banden zo laag mogelijk te houden. De oplossing? Op zijn kop landen. Een ander model moest retourzendingen minimaliseren en kwam met de ‘perfecte’ oplossing: niets verkopen. Dit soort fouten laten zien hoe kritisch we moeten kijken naar hoe we AI inzetten.

Daarnaast worstelen testers met de betrouwbaarheid van AI. Een onderzoek in de juridische sector wees uit dat zelfs de beste AI-tool in 17% van de gevallen verkeerde resultaten gaf. Dat is een onacceptabel hoog percentage, zeker in een vakgebied waar precisie cruciaal is. En dan is er nog het probleem van datahonger: AI-modellen trainen zichzelf steeds vaker op door AI gegenereerde data, wat leidt tot kwaliteitsverlies en informatievervuiling.

Waar AI wél waarde toevoegt

Betekent dit dat AI nutteloos is voor testers? Absoluut niet. Er zijn tal van toepassingen waar AI wél excelleert:

• Samenvattingen en documentatie: Meetingsamenvattingen, testplannen en documentatie genereren kan AI uitstekend.
• Codegeneratie: AI kan ontwikkelaars en testers helpen bij het snel genereren van testcode.
• Natuurlijke taalinteractie: AI maakt communicatie met systemen toegankelijker.
• UI-based testing: Hoewel niet altijd de beste oplossing, kan AI helpen bij geautomatiseerde UI-tests.
• Taal- en toonvertaling: Van Franstalige conferenties volgen tot e-mails vriendelijker maken – AI helpt!

De toekomst: kritisch en doelgericht inzetten

AI zal zich ongetwijfeld blijven verbeteren, maar blindelings vertrouwen op de technologie is geen optie. Testers moeten zich afvragen: is dit een probleem dat écht opgelost moet worden? En zo ja, is AI de beste oplossing? Alleen door kritisch te blijven en AI strategisch in te zetten, kunnen testers het maximale uit deze technologie halen.

De evolutie van AI in testing is nog lang niet voltooid. Maar de echte vooruitgang begint pas als we AI niet zien als een magische oplossing, maar als een krachtig hulpmiddel – mits slim en kritisch ingezet.