Von der Altanwendung zur automatisierten Qualitätssicherung: KI im Requirements Engineering
Ein Praxisbericht über KI im Requirements Engineering: von Screenshots einer Altanwendung über User Stories und Akzeptanzkriterien bis zu Gherkin, Zephyr und Playwright in der CI/CD-Pipeline.
Wie modernisiert man eine über Jahre gewachsene Fachanwendung, wenn ein großer Teil des fachlichen Wissens in der bestehenden Software steckt, die ursprüngliche Anforderungsdokumentation aber nur eingeschränkt zur Verfügung steht?
Genau vor dieser Herausforderung stand ich in einem Redesign-Projekt im öffentlichen Sektor. Neben Requirements Engineering und Qualitätssicherung bestand meine Aufgabe darin, die bestehende Anwendung fachlich zu analysieren, Anforderungen für die neue Webanwendung strukturiert abzuleiten und gleichzeitig eine Grundlage für eine nachhaltige Testautomatisierung zu schaffen.
Dabei konnte ich den gesamten Prozess – von der Analyse der Altanwendung bis zum automatisierten Regressionstest – gezielt durch eine vom Kunden freigegebene KI-Lösung unterstützen.
Von der Bestandsanalyse zur kontinuierlichen Qualitätssicherung: Anforderungen, fachliche Abstimmung und Tests bilden einen zusammenhängenden Prozess.
Grafik in Originalgröße öffnen ↗Die sieben Schritte als Text
- Altanwendung und Screenshots: bestehende Anwendung analysieren und visualisieren.
- KI-gestützte Analyse: Screenshots und Funktionalitäten analysieren, Inhalte strukturieren.
- Epics und User Stories: fachliche Strukturen ableiten und Anforderungen dokumentieren.
- Akzeptanzkriterien: Anforderungen konkretisieren und mit dem Kunden abstimmen.
- Zephyr und Gherkin: Testfälle erstellen, fachlich strukturieren und in Zephyr verwalten.
- Playwright: automatisierte End-to-End-Tests implementieren.
- Automatisierte Qualitätssicherung: Tests in der Pipeline ausführen und Kernfunktionen kontinuierlich prüfen.
Kontinuierliche Verbesserung: Erkenntnisse aus den Tests fließen zurück in die Analyse.
Die Herausforderung: Fachwissen steckt in der Altanwendung
Bei der Modernisierung bestehender Fachverfahren existiert nicht immer eine vollständige und aktuelle Anforderungsdokumentation. Ein erheblicher Teil der tatsächlich implementierten Fachlichkeit findet sich stattdessen in Masken, Prozessabläufen, Rollen, Statusübergängen und dem Verhalten der bestehenden Anwendung.
Für das Redesign musste dieses Wissen zunächst strukturiert erfasst werden.
Dazu wurde die Altanwendung systematisch analysiert und anhand zahlreicher Screenshots dokumentiert. Die Screenshots zeigten Masken, Eingabefelder, Tabellen, Statusinformationen und unterschiedliche Bearbeitungsschritte.
Anstatt diese Informationen ausschließlich manuell auszuwerten, nutzte ich eine für den Projekteinsatz freigegebene KI als Analysewerkzeug.
KI als Unterstützung im Requirements Engineering
Die KI unterstützte mich dabei, die dokumentierten Oberflächen systematisch zu analysieren, funktionale Zusammenhänge zu erkennen und daraus erste fachliche Strukturen abzuleiten.
Aus den Informationen konnten beispielsweise mögliche:
- fachliche Funktionen und Prozesse,
- Epics und User Stories,
- Akzeptanzkriterien,
- Rollen- und Berechtigungsanforderungen,
- Validierungs- und Plausibilisierungsregeln,
- offene Fachfragen und
- potenzielle Testfälle
abgeleitet werden.
Entscheidend war dabei: Die KI ersetzte nicht die fachliche Abstimmung.
Das Verhalten der Altanwendung diente als Ausgangspunkt für die Analyse, nicht automatisch als fachliche Sollvorgabe für das neue System. Die durch KI unterstützte Analyse wurde deshalb anschließend strukturiert geprüft und mit den fachlichen Ansprechpartnern abgestimmt. Erst aus diesem Zusammenspiel entstanden belastbare Anforderungen und Akzeptanzkriterien für das Redesign.
So ließ sich insbesondere die zeitaufwendige Erststrukturierung erheblich unterstützen, während fachliche Entscheidungen weiterhin bei den zuständigen Menschen blieben.
Von Anforderungen direkt zu Testfällen
Ein besonderer Vorteil entstand dadurch, Requirements Engineering und Qualitätssicherung nicht getrennt voneinander zu betrachten.
Aus abgestimmten User Stories und Akzeptanzkriterien konnten frühzeitig konkrete Testszenarien abgeleitet werden. Dadurch entstand eine durchgängige Verbindung:
Altanwendung → Analyse → Epic → User Story → Akzeptanzkriterium → Testfall → automatisierter Test
Die Testfälle wurden fachlich strukturiert und unter anderem als BDD-Szenarien in Gherkin beschrieben. Damit konnten Anforderungen bereits vor beziehungsweise während der Entwicklung aus Sicht der späteren Qualitätssicherung betrachtet werden.
Typische Szenarien umfassen beispielsweise Authentifizierung und Autorisierung, Rollen und Rechte, Antragslisten, Filter- und Sortierfunktionen, Antragsbearbeitung sowie fachliche Datenabgleiche.
Playwright, Cucumber und Zephyr als technische Grundlage
Für die Testautomatisierung wurde ein moderner Web-Test-Stack aufgebaut.
Playwright mit TypeScript bildet die technische Grundlage für automatisierte Browser- und End-to-End-Tests. Cucumber/Gherkin ermöglicht es, fachliche Szenarien verständlich und nah an den Anforderungen zu beschreiben. Die Testfälle werden über Zephyr im Projekt- und Testmanagement strukturiert und mit den fachlichen Anforderungen verbunden.
Dadurch lassen sich beispielsweise fachliche Szenarien wie die Anzeige zugewiesener Anträge, Filterfunktionen oder die Navigation vom Arbeitsbereich in einen konkreten Antrag automatisiert prüfen.
Die Testautomatisierung ist dabei kein nachgelagerter Schritt, sondern Teil des Entwicklungsprozesses.
Automatisierte Qualitätssicherung in der CI/CD-Pipeline
Die automatisierten Tests werden in die CI/CD-Pipeline integriert und bei Änderungen beziehungsweise Deployments ausgeführt. Besonders relevante Kernfunktionen können dadurch kontinuierlich überprüft werden.
Das Ziel ist nicht, jeden denkbaren Test als aufwendigen End-to-End-Test abzubilden. Stattdessen werden gezielt stabile und geschäftskritische Abläufe automatisiert und durch weitere Testebenen ergänzt. Das Testkonzept sieht entsprechend eine Kombination aus Unit-, Integrations-, API-, End-to-End-, Regressionstests sowie manuellen und explorativen Prüfungen vor.
Damit wird Qualitätssicherung zu einem kontinuierlichen Bestandteil der Softwareentwicklung: Eine Änderung am System kann unmittelbar gegen bestehende Kernfunktionen geprüft werden.
Was KI in diesem Prozess tatsächlich verändert
Der für mich interessanteste Aspekt dieses Projekts ist deshalb nicht die Verwendung eines einzelnen KI-Tools.
Der eigentliche Mehrwert entsteht durch die Verbindung mehrerer Arbeitsschritte.
Aus einer nur teilweise dokumentierten Altanwendung entsteht zunächst eine strukturierte fachliche Beschreibung. Daraus entstehen gemeinsam mit der Fachseite abgestimmte Anforderungen. Aus diesen Anforderungen werden bereits während der Entwicklung Testfälle abgeleitet. Geeignete Szenarien werden anschließend automatisiert und in den Entwicklungsprozess integriert.
KI wirkt dabei vor allem als Beschleuniger für Analyse, Strukturierung und Ableitung – während fachliche Bewertung, Priorisierung und Freigabe weiterhin menschliche Aufgaben bleiben.
Für mich zeigt das Projekt damit sehr konkret, wie KI-gestütztes Requirements Engineering, Testmanagement und Testautomatisierung zu einem durchgängigen Quality-Engineering-Prozess verbunden werden können.