Wie QF-Test agentisches Testen möglich macht

Zuletzt aktualisiert am: 7. Oktober 2026

Was passiert, wenn der KI-Agent nicht nur Code schreibt, sondern auch prüft, ob er funktioniert? Mit QF-Test 11 ist das kein Preview-Szenario mehr. Die neue Version des Tools für UI-Testautomatisierung aus der mgm-Gruppe bringt agentisches Testen in zwei Richtungen in den QA-Alltag: Die KI arbeitet in QF-Test, und externe KI-Agenten nutzen QF-Test als Werkzeug.

Von der Aufnahme zur Anweisung: Wie sich die Testautomatisierung grundlegend ändert

Wer Software entwickelt, kennt das Problem: Jedes Update, jede neue Funktion und jede Codeänderung muss verifiziert werden. Hat alles noch wie vorher funktioniert? Zeigt die Anwendung das, was sie zeigen soll? Die klassische Testautomatisierung hat diesen Prozess bereits erheblich vereinfacht: Ein Tool übernimmt das Klicken, prüft die Ergebnisse und läuft immer wieder automatisch durch, zuverlässig, wiederholbar und schnell. QF-Test wird seit Jahren genau dafür eingesetzt, bei Web- und Desktop-Anwendungen, Java-GUIs, mobilen Apps und PDF-Dokumenten.

Doch jetzt verändert sich das Spiel erneut. Denn dieselben Entwicklerteams, die heute mit Claude Code, Cursor oder GitHub Copilot Code schreiben lassen, wollen denselben Agenten auch fürs Testen einsetzen, ohne das Test-Tool überhaupt öffnen zu müssen. „Unsere Kunden interessieren sich wahnsinnig dafür, welchen Teil des Testprozesses sie an KI abgeben können“, erklärt Max Melzer, Softwareentwickler und Trainer im QF-Test-Team. Das ist kein Zufall: Wer einmal erlebt hat, wie ein KI-Agent eigenständig Code refactort, fragt sich zwangsläufig, warum er denselben Agenten nicht auch testen lassen kann.

QF-Test 11 beantwortet diese Frage mit zwei Gruppen von Funktionen. Die erste bringt KI in QF-Test. Die zweite öffnet QF-Test für KI-Agenten.

KI in QF-Test: Tests in natürlicher Sprache erzeugen und ausführen

Testsuite-Generierung: ein Erstentwurf in wenigen Minuten

Anstatt Tests manuell aufzunehmen oder zu schreiben, übernimmt die KI den ersten Entwurf. Dafür sitzt in QF-Test 11 ein Assistent direkt in der Werkzeugleiste. Tester beschreiben, was sie testen wollen, und der integrierte KI-Agent macht daraus einen strukturierten Entwurf. Daneben kann QF-Test die Anwendung eigenständig erkunden. Der Agent untersucht die laufende Anwendung live, identifiziert die wichtigsten Funktionen und Pfade und schlägt Testfälle vor. Alternativ arbeitet er mit vorhandener Dokumentation.

Der Prompt in einer Swing-Anwendung fordert beispielsweise Tests für einen einzelnen Rabatt-Button an und setzt klare Grenzen: im selben Tab bleiben, keine Dialoge über das Menü öffnen. QF-Test liefert neben den Testschritten eine Testbeschreibung und einen Testplan. Für die Version 11.1 ist geplant, so viele Schritte wie möglich in reguläre QF-Test-Knoten umzuwandeln. Die KI soll dann nur noch als Rückfallebene für den Rest dienen. Das macht die Ergebnisse reproduzierbar, denn ein regulärer Knoten verhält sich in jedem Testlauf gleich.

„Es ist nie so, dass man das einfach nehmen kann und sagen kann: Jetzt sind wir fertig“, erklärt Max Melzer. „Aber es nimmt einem viel Arbeit ab – vor allem beim Start.“ Ein guter Erstentwurf, den erfahrene Tester weiterentwickeln. Warum diese Unterscheidung wichtig ist, beschreibt unser Artikel “Zwischen KI-Euphorie und Quality Engineering”.

KI-Anweisungen: natürliche Sprache als Testschritt

Generierte Tests enthalten den zweiten neuen Baustein, den Knoten für KI-Anweisungen (AI Instruction). In diesem Testschritt sagen Tester der KI in natürlicher Sprache, was sie tun oder prüfen soll, zum Beispiel „Öffne den Info-Dialog der Anwendung“. Das gewählte Modell nutzt dann die Verbindung von QF-Test zur Anwendung, um die Anweisung auszuführen. Im Hintergrund greift es dabei auf interne MCP-Tools zurück. Welche Tools die KI aufgerufen hat und was passiert ist, hält das QF-Test-Protokoll fest. So bleibt der Schritt nachvollziehbar, obwohl niemand ihn im Detail ausdefiniert hat.

KI-Checks und Testdaten

Manche Ergebnisse lassen sich nicht mit simplen Ja/Nein-Checks erfassen. Ein Paradebeispiel hierfür ist das Testen integrierter Chatbots. Deren Antworten sind niemals wortwörtlich vorhersagbar, und trotzdem soll der Test prüfen, ob die Antwort inhaltlich korrekt ist. Seit QF-Test 10 übergibt ein eigener Knoten das Ergebnis an ein Sprachmodell zur Bewertung. Ist diese Antwort plausibel? Entspricht sie dem erwarteten Rahmen? Das Modell trifft eine Entscheidung und QF-Test übernimmt das Ergebnis in den Testlauf. Semantisches Testen statt starrer String-Vergleiche.

Neu in QF-Test 11 sind KI-generierte Testdaten. Tester füllen Datentabellen mit wenigen Klicks mit passenden Werten. Die Prompts hinter der Generierung lassen sich einsehen und anpassen, etwa damit Namen und Adressen nach Möglichkeit französisch sind.

Bring your own model

Für alle KI-Funktionen folgt QF-Test dem Prinzip „Bring your own model“. Teams entscheiden selbst, welcher Anbieter und welches Modell Zugriff auf ihre Testdaten bekommen. Wer strenge Anforderungen an den Umgang mit Daten hat, setzt interne oder selbst gehostete Modelle ein. Ein kleineres Modell senkt außerdem die Kosten. Die Werkzeuge sind so gebaut, dass auch kleinere Modelle gut damit arbeiten. Claude Code und GitHub Copilot werden jetzt offiziell als Kommandozeilen-Tools unterstützt. Und wo KI gar keine Option ist, lassen sich die KI-Funktionen seit QF-Test 10.1 vollständig abschalten.

QF-Test als Werkzeug für KI-Agenten: MCP-Server und MCP-Baukasten

Die zweite Richtung ist der Kern des agentischen Ansatzes: Mit QF-Test 11 erhält das Tool einen integrierten MCP-Server. MCP (Model Context Protocol) ist ein offener Standard, über den KI-Agenten standardisiert auf externe Tools zugreifen können.

Das bedeutet in der Praxis: Wer Claude Code, GitHub Copilot oder einen anderen KI-Coding-Agenten in seiner Entwicklungsumgebung einsetzt, kann diesem Agenten die Fähigkeiten von QF-Test bereitstellen. Der Agent kann dann, ohne dass QF-Test manuell geöffnet werden muss, Anwendungen starten, Websites, Desktop-Anwendungen und Apps steuern, Tests ausführen, Ergebnisse prüfen und Fehler zurückmelden. QF-Test wird Teil des agentischen Workflows und ist ein Werkzeug, das der KI-Agent wie jedes andere Tool aufruft. Der MCP-Server läuft interaktiv und im Batch-Modus und eignet sich damit auch für automatisierte Pipelines.

Der MCP-Baukasten von QF-Test: jede Anwendung KI-fähig machen

QF-Test 11 geht noch einen Schritt weiter. Mit dem MCP-Baukasten definieren Teams eigene MCP-Tools: Sie zeichnen eine Abfolge von Schritten in QF-Test auf, machen daraus eine Prozedur, beschreiben sie mit Parametern und Rückgabewerten und aktivieren sie als MCP-Tool. QF-Test arbeitet dann als eine Art Proxy und macht Anwendungen für KI steuerbar, die nie dafür gebaut wurden.

Das hat gleich mehrere Vorteile. Zum einen bleibt vorhandenes Testwissen nutzbar, da aufgezeichnete Abläufe und bestehende Prozeduren zu Werkzeugen werden, die ein KI-Agent gezielt aufrufen kann. Anstatt sich Schritt für Schritt durch die Oberfläche zu klicken, wählt der Agent lediglich das passende Tool aus. Das spart Tokens und macht die Ausführung schneller und berechenbarer. Die Ergebnisse bleiben dabei überprüfbar. Weicht ein Ergebnis von der Erwartung ab, erkennt QF-Test den Fehler und protokolliert ihn wie in jedem anderen Test. Seit Version 11.0.2 listet eine Übersichtsseite im Optionen-Dialog alle verfügbaren MCP-Tools auf.

Der Vorteil von QF-Test beim agentenbasierten Testen: Breite schlägt Nische.

Was QF-Test in diesem Bereich auszeichnet, ist nicht allein die MCP-Fähigkeit. Die bieten inzwischen auch spezialisierte Tools wie Playwright. Der entscheidende Unterschied liegt in der Plattformbreite: Anders als viele Wettbewerber, die sich auf Web-Anwendungen spezialisiert haben, testet QF-Test native Windows-Anwendungen, Java-GUIs, Android- und iOS-Apps sowie PDF-Dokumente mit demselben Ansatz. Unternehmen und Behörden betreiben selten eine einheitliche Anwendungslandschaft. Mit QF-Test erhalten sie einen einheitlichen Test-Agenten für alle Bereiche. Und mit dem MCP-Baukasten können selbst ältere Fachanwendungen Teil eines agentischen Workflows werden.

Mehr in QF-Test 11

Nicht alles in der neuen Version dreht sich um KI. Beim Aufzeichnen erkennt QF-Test jetzt passende Prozeduren aus der eigenen Bibliothek und fügt die Aufrufe automatisch ein. Mit demselben Mechanismus lassen sich bestehende Testfälle aufräumen. Ein neuer OpenAPI-Import erzeugt aus einer API-Spezifikation in Sekunden eine vollständige Testsuite, inklusive kompletter Abläufe zum Anlegen, Lesen, Ändern und Löschen jeder Ressource. Und eine Befehlspalette macht fast jede Funktion und alle Elemente der eigenen Testsuites per Tastenkürzel erreichbar, mit einer Suche, die auch ungenaue Begriffe versteht.

Stand heute: Webinar und Roadmap

Am besten lassen sich die neuen Funktionen im Webinar „KI-Agenten im Einsatz: neue Effizienz mit QF-Test 11 durch KI und MCP“ nachvollziehen. Es zeigt die KI-Konfiguration, die Generierung von Testdaten und Testsuites, KI-Anweisungen und Beispiele für den MCP-Baukasten. Folien und Demo-Suites stehen auf der Webinar-Seite zum Download bereit.

Einen kompakten Überblick über alle Neuerungen gibt das Highlight-Video zu QF-Test 11.

Die Roadmap für den Rest des Jahres 2026 zeigt, wohin die Entwicklung geht: erweiterte Sicherheitsfunktionen für agentische Aktionen und KI-generierte Testsuites mit mehr festen, nicht-dynamischen Schritten. Beides zielt darauf, dem Agenten mehr Autonomie zu geben und die Testergebnisse trotzdem reproduzierbar zu halten.

QF-Test 11 lässt sich jederzeit herunterladen und ausprobieren. Zum Speichern von Testsuites ist eine Lizenz nötig, eine kostenlose Testlizenz steht bereit: https://services.qftest.com/de/license/request/

FAQ: Agentisches Testen mit QF-Test