MARCH 24, 2026 – FREE WEBIBAR: Future-Proofing SAP Cloud with AI & Automation
Artificiële intelligentie (AI) is allang geen toekomstmuziek meer. Wat ooit begon als een academisch experiment, is vandaag een onmisbare technologie die industrieën transformeert, en software testing is daarop geen uitzondering. In de nieuwste aflevering van de M2Q Quality Podcast gingen Jackie Janssen, AI Strategy Consultant, en Jürgen Meheus, Managing Partner bij M2Q, dieper in op wat AI betekent voor softwarekwaliteit, waar de kansen liggen, maar ook welke valkuilen we moeten vermijden.
In deze blogpost brengen we de inzichten uit het gesprek samen in een duidelijk en praktisch overzicht van hoe AI in software testing de sector hertekent.
Volgens Jackie Jansen is AI in essentie een geavanceerde vorm van statistiek: systemen die op grote schaal patronen herkennen, voorspellingen doen en beslissingen nemen op basis van data. “AI is geen magisch brein,” benadrukt hij. “Het is wiskunde en rekenkracht, maar toegepast op manieren die de menselijke capaciteit overstijgen.”
Toch is de toegankelijkheid van AI de laatste jaren spectaculair toegenomen, met het lanceringsmoment van ChatGPT op 30 november 2022 als kantelpunt. Waar AI vroeger voorbehouden was aan gespecialiseerde bedrijven, is het vandaag ingebed in het dagelijkse werk van testers, ontwikkelaars en zelfs eindgebruikers.
Een van de meest tastbare toepassingen van AI in software testing is de automatische generatie van testcases. Vroeger moesten testers deze manueel uitschrijven op basis van requirements. Vandaag kan AI op basis van een eenvoudige user story of beschrijving automatisch scenario’s aanmaken. Dit zorgt voor:
Zoals Jurgen toelicht: “Je voert als tester een analyse in, en je testmanagementtool genereert op basis daarvan automatisch de positieve testgevallen. De negatieve gevallen volgen binnenkort ook. Zo werk je sneller en met een hogere testdekking.”
AI blinkt uit in patroonherkenning, een essentieel aspect van regressietesten. Door historische data te analyseren, kan AI nauwkeurig inschatten welke componenten gevoelig zijn voor fouten en waar regressietesten prioriteit moeten krijgen. Dit verhoogt niet alleen de efficiëntie, maar ook de betrouwbaarheid van het testproces.
Door logdata te analyseren, leert AI het gedrag van gebruikers kennen en kan het realistische gebruiksscenario’s simuleren. Hierdoor worden bugs die bij klassiek testen onder de radar blijven, sneller gedetecteerd. Dit maakt AI bijzonder geschikt voor load testing en UX-validatie.
Een belangrijke consensus uit het gesprek tussen Jackie en Jurgen: AI zal de rol van de manual tester niet zomaar vervangen, maar wel drastisch veranderen. “We evolueren naar een shift waarbij menselijke testers meer gaan coördineren, analyseren en controleren dan zelf uitvoeren”, stelt Jurgen.
AI neemt repetitieve taken over, maar menselijke nuances zoals het aanvoelen van UX of het inschatten van bedrijfsimpact, blijft cruciaal. De tester van de toekomst zal dus meer een AI-assisted test strategist zijn dan een klassieke testuitvoerder.
AI brengt niet alleen voordelen, maar ook nieuwe verantwoordelijkheden. Bias en foutieve output zijn reële risico’s als modellen getraind zijn op gekleurde of onvolledige data. Ook het delen van gevoelige informatie met publieke AI-modellen (zoals ChatGPT) kan onbedoeld bedrijfsdata blootstellen.
Daarom groeit de vraag naar private AI-oplossingen, on-premise modellen, die getraind zijn op bedrijfsinterne data zonder externe deling. Jurgen verwacht dat dit in Europa, mede door strengere regelgeving zoals de AI Act, de standaard zal worden.
Een bijkomend voordeel van private AI is de mogelijkheid om het model te trainen op specifieke domeinkennis, wat de nauwkeurigheid en betrouwbaarheid ten goede komt.
Een opvallend maar belangrijk inzicht: AI zelf moet óók getest worden. De output van AI-modellen moet gevalideerd worden op correctheid, volledigheid, relevantie en bias. Dat betekent dat software testers ook moeten leren omgaan met:
Validatie van AI-modellen
Interpretatie van modelbeslissingen
Auditing van output op ethische en juridische basis
Nieuwe protocollen zoals MCP (Model Check Protocol) bieden ondersteuning bij het testen van AI-systemen.
AI beperkt zich niet tot het testproces. Ook requirements gathering, development, deployment en monitoring worden beïnvloed. Jurgen ziet zelfs een toekomst waarin we geen programmeertalen meer nodig hebben: “Als je tegen een computer kunt praten en die doet wat jij vraagt, waarom zou je dan nog code schrijven?”
Voor nu betekent dit vooral dat de doorlooptijd van softwareprojecten drastisch verkort, en dat bedrijven met een kleiner IT-team grotere resultaten kunnen boeken, mits ze de juiste AI-tools inzetten.
Testautomatisatie kende al eerder een hype, maar het grote verschil met AI is de snelheid van adoptie en maturiteit van de tools. AI maakt automatisatie toegankelijk voor een breder publiek. Tools zoals GitHub Copilot, Azure AI of open-source LLMs zoals Meta’s LLaMA bieden krachtige mogelijkheden voor het automatisch genereren van testcode, data-analyse en testexecutie.
De combinatie van AI en testautomatisatie zorgt voor:
AI zal niet alles vervangen, maar wel alles veranderen. De teststrategie, het rollenpalet, de tooling en zelfs de infrastructuur zullen aangepast moeten worden. Bedrijven die vandaag al starten met experimenteren, bouwen voorsprong op. Die voorsprong vertaalt zich in snellere release cycles, hogere klanttevredenheid en lagere incident rates.
Wat zeker is: de menselijke tester blijft relevant, maar in een nieuwe rol als kwaliteitsregisseur, datagedreven beslisser en AI-supervisor.
Naast traditionele testautomatisatie zien we een sterke opkomst van low code test automation tools zoals Tricentis Tosca, Katalon Studio en SmartBear TestComplete. Deze platformen combineren gebruiksvriendelijke interfaces met krachtige AI-ondersteuning. Hierdoor kunnen ook niet-technische profielen testscenario’s opstellen, onderhouden én optimaliseren—zonder diepgaande programmeerkennis.
AI speelt hierin een sleutelrol door:
Dankzij AI kunnen low code platforms testcases sneller aanpassen aan evoluerende applicaties, wat leidt tot kortere releasecycli en minder onderhoudskosten. Vooral in agile en DevOps-contexten zijn deze tools een waardevolle hefboom voor testteams.
AI is geen tijdelijke hype, maar een structurele verandering binnen softwarekwaliteit. Voor organisaties betekent dit: anticiperen, experimenteren en vooral leren. M2Q volgt deze evolutie op de voet en begeleidt bedrijven in hun transformatie naar AI-geïntegreerde teststrategieën.
Wil je ontdekken hoe jouw organisatie kan profiteren van AI in software testing? Neem contact op met onze experts via info@m2q.be en zet samen met ons de stap naar de toekomst van QA.
