Shift-Left Testing mit Coding Agents: Auswahl der zuverlässigsten Testschicht
Shift-Left-Testing mit Code-Agenten: QA-Engineer lesen den Repository-Inhalt, wählen für jedes Szenario die zuverlässigste Testschicht aus und streichen langsame Browser-Tests. Mit einem Beispiel.
Quellen: Shift-Left Testing in the AI Era: How Coding Agents Can Change the QA Engineer’s Role
Das Testen bereits in frühen Phasen des Entwicklungslebenszyklus wird seit Jahren empfohlen, wird aber nur selten richtig umgesetzt. KI-basierte Programmieragenten könnten QA-Engineern endlich eine praktische Möglichkeit bieten, diesen Ansatz mit Sicherheit voranzutreiben.
„Shifting Left“ bedeutet, die Validierung in die frühen Entwicklungsstufen zu verlegen – konkret in Unit-, Komponenten-, API- und Integrationstests – anstatt jedes Defekt durch End-to-End- oder UI-Automatisierung aufzudecken. Die Idee an sich ist nicht neu. Ihre Umsetzung war jedoch stets schwieriger als ihre Beschreibung, und ein Hauptgrund dafür ist der Unterschied zwischen QA-Kenntnissen und Kenntnissen auf Codeebene.
Ein QA-Engineer kann ein Geschäftszenario gründlich verstehen. Typische Fragen lauten etwa:
- Was passiert, wenn ein Rabatt abgelaufen ist?
- Was passiert, wenn der Zahlungsbetrag die zulässige Grenze überschreitet?
- Was passiert, wenn eine API einen nicht unterstützten Wert zurückgibt?
- Was passiert, wenn eine Berechnung ein ungültiges Ergebnis liefert?
Das sind gute Szenarien. Die schwierigere Frage ist, wo jeder Test durchgeführt werden sollte. Deckt ein Unit-Test das ab? Gehört er in die Komponentenschicht? Ist ein Integrationstest erforderlich? Oder braucht es tatsächlich von Anfang bis Ende einen Browser? Historisch gesehen steckten QA-Engineer genau hier fest.
Warum QA-Teams Schwierigkeiten hatten, nach vorne zu wechseln
Unit- und Integrationstests sind eng mit der Implementierung verbunden. Der Entwickler, der eine Funktion erstellt hat, weiß, wo die Geschäftslogik liegt, welche Klassen oder Funktionen beteiligt sind, was gemockt werden kann und welche Abhängigkeiten außerhalb des Codes liegen.
Ein QA-Engineer kann genau wissen, was überprüft werden muss, und dennoch nicht über ausreichendes Implementierungswissen verfügen, um mit Sicherheit zu behaupten, dass ein Szenario nicht über die Benutzeroberfläche abgewickelt werden sollte, weil die Einheiten-Schicht es direkt abdecken kann. Deshalb schreiben in vielen Teams die QA-Mitarbeiter die Szenarien, fragen die Entwickler, welche Einheiten- oder Integrationstests bereits vorhanden sind, und verlassen sich anschließend auf die Antwort, da eine unabhängige Überprüfung der Code-Ebene schwierig ist.
In diesem Austausch hat niemand recht oder unrecht. Es handelt sich um ein Sichtbarkeitsproblem. Die QA-Abteilung trägt das Geschäftsrisiko, die Entwickler sind für die Implementierung verantwortlich, und wenn diese beiden Bereiche voneinander getrennt bleiben, wird „Shift-Left“ zu einem Gesprächsthema statt zu einer wirklichen Strategie. Die Szenarien rücken dann in die Benutzeroberflächeschicht, einfach weil das die Schicht ist, mit der die QA-Abteilung umgehen kann. Das ist einer der Gründe, warum Automatisierungsframeworks an Umfang gewinnen: mehr Browserläufe, mehr Abhängigkeiten von Umgebungen, mehr Probleme mit Testdaten, mehr Wartungsaufwand und langsamere Rückmeldungen.
Was Coding-Agents verändern
Tools wie Claude Code und GitHub Copilot können nun direkt auf einem Repository arbeiten, dessen Struktur und Inhalt lesen. Stellen Sie sich eine Funktion mit 20 vorbereiteten Testszenarien vor. Anstatt sofort zu entscheiden, welche mit Playwright oder Selenium automatisiert werden sollen, kann ein QA-Engineer zunächst einen Programmier-Assistenten beauftragen, das Repository zu analysieren und anzugeben, wo jedes Szenario am besten abgedeckt wird: welche auf Ebene der Unit-Tests liegen, welche Komponenten- oder Integrationstests benötigen, welche sich für APIs eignen und welche tatsächlich eine End-to-End-Automatisierung erfordern.
Das ist ein anderer Ansatz bei der Testautomatisierung. QA betrachtet die Anwendung nicht mehr nur von außen. KI kann die Implementierung prüfen und zeigen, wo die eigentliche Geschäftslogik liegt, was die Testpyramide deutlich praktikabler macht.
Ein Beispiel für den Checkout
Betrachten wir den Checkout in einem E-Commerce-System. Der QA-Team bereitet fünf Szenarien vor:
- Ein abgelaufener Gutschein wird abgelehnt.
- Ein ungültiger Gutschein wird abgelehnt.
- Die Gesamtkosten der Bestellung werden korrekt neu berechnet.
- Ein Zahlungsfehler wird ordnungsgemäß behandelt.
- Bei einer erfolgreichen Bestellung wird eine Bestätigung angezeigt.
Mit dem herkömmlichen Ansatz werden alle fünf Fälle vermutlich zu Browser-Tests. Nehmen wir nun an, ein Entwickler durchsucht das Repository. Er stellt fest, dass die Gültigkeitsprüfung des Gutscheins in einer isolierten Geschäftslogik-Funktion liegt, wodurch die ersten beiden Szenarien ideale Unit-Tests darstellen. Die Bestellberechnung ist ebenfalls separat implementiert und kann ohne Browser überprüft werden, weshalb der dritte Fall eine Stufe niedriger eingestuft wird. Ein Zahlungsfehler eignet sich besser als Integrationstest oder Test auf Serviceebene. Nur der vollständige, erfolgreiche Checkout erfordert einen End-to-End-Test im Browser.
Fünf UI-Tests werden zu einem UI-Test plus vier schnellere, untere Schicht-Tests. Das ist genau das Ergebnis, das das Shift-Left-Konzept anstrebt, und was sich geändert hat, ist, dass QA nun eine praktische Möglichkeit hat, die Entscheidungen zu steuern.
Der Entwickler bleibt beteiligt
Dumm dem Agenten statt dem Entwickler zu vertrauen, ist nicht das Ziel. KI kann Fehler machen – sie kann eine Architektur falsch interpretieren, Abhängigkeiten übersehen oder falsche Testgrenzen vorschlagen – daher sollte sie nicht zur endgültigen Autorität werden.
Ihre Bedeutung ist ein weitaus stärkerer Ausgangspunkt. Anstatt einen Entwickler zu fragen, ob ein Szenario durch Unit-Testing abgedeckt werden kann, kann das QA-Team beispielsweise sagen: Diese Validierung bezieht sich auf diesen Dienst und scheint von der Benutzeroberfläche isoliert zu sein – kann sie daher auf der Einheiten-Ebene abgedeckt werden, anstatt ein weiteres Browser-Test hinzuzufügen? Das ist ein weitaus stärkerer technischer Diskussionsgrund. KI ersetzt den Entwickler nicht bei den Shift-Left-Tests. Sie verleiht dem QA-Team ausreichend technische Einblicke, um selbstbewusst an der Diskussion teilzunehmen.
Den Agenten den Testkontext bereitstellen
Coding-Agenten werden viel nützlicher, sobald sie die Testphilosophie eines Teams kennen und nicht nur seinen Code. Das ist die Aufgabe von Repository-Anweisungen, Agenten-Anweisungsdateien oder Skill-Dateien. Viele Agenten lesen eine eigenständig geladene Standardeinweisungsdatei. Ein CLAUDE.md, das im Repository-Root platziert ist, ist eine solche Datei.
Eine einfache Version könnte mit einem Überschrift beginnen:
# Testing Strategy Instructions
Und nun zu den Regeln selbst:
- Prefer the lowest reliable testing layer for any new scenario.
- Do not recommend UI automation if the same behavior can be
validated reliably at a lower layer.
- Before suggesting a test, identify what unit, API, integration,
and end-to-end frameworks already exist in this repo.
- Explain *why* a scenario belongs to a specific layer.
- Flag duplicate coverage — check if a scenario is already
tested before recommending a new test.
Die genaue Formatierung variiert je nach Tool, doch das Prinzip bleibt gleich: Geben Sie dem Agenten genügend Kontext, damit er den Code aus der Perspektive einer Teststrategie analysiert und nicht nur als Code betrachtet.
Beginnen Sie mit der Schicht, nicht mit dem Tool
Ein Fehler, der bei der Automatisierung immer wieder auftritt, ist, mit dem Tool zu beginnen. Ein Team, das Playwright verwendet, fragt, wie man ein Szenario in Playwright automatisieren kann, und ein Team, das Selenium nutzt, stellt dieselbe Frage zu Selenium. Die bessere Frage ist, welche unterste, zuverlässige Schicht vorhanden ist, in der das Verhalten getestet werden kann.
Manchmal ist die Antwort weiterhin die UI, da viele Abläufe tatsächlich eine Validierung auf Browserebene benötigen. Die UI-Schicht sollte ausgewählt werden, weil das Szenario dies erfordert – und nicht, weil das QA-Team nicht erkennen kann, was darunter liegt. Agents eignen sich hervorragend, um diese Lücke zu schließen.
Was ändert sich für QA-Engineer?
Die Kernfähigkeiten bleiben unverändert: das Verständnis von Geschäftsrisiken, das Erkennen von Randfällen, das Entwerfen sinnvoller Szenarien sowie das Wissen darüber, was eine umfassende Abdeckung benötigt. Eine neue Fähigkeit gewinnt besonders an Wert – nämlich die Verwendung von Programmieragenten, um herauszufinden, wie die Anwendung tatsächlich implementiert ist, und diese Erkenntnisse anschließend mit dem Entwicklerteam zu überprüfen. Bevor man ein Szenario automatisiert, sollte man dem Agenten folgende Fragen stellen:
- Wo befindet sich die Geschäftslogik für dieses Szenario?
- Gibt es bereits einen Test, der es abdeckt?
- Von was hängt das Szenario ab – ist es isoliert oder eng mit der Benutzeroberfläche verknüpft?
- Welcher Layer bietet am schnellsten zuverlässige Rückmeldungen?
Das kommt dem wahren Shift-Left-Testing viel näher.
Warum es vielleicht endlich durchsetzen wird
Shift-Left klingt in der Theorie immer gut. In vielen Teams fehlt es den QA-Experten jedoch an der Sicht auf die Codeebene, um dieses Konzept umzusetzen. Coding-Agents ändern das, indem sie den QA-Experten dabei helfen, Repositorien zu überprüfen, die Grenzen der Implementierung zu erkennen, die bereits vorhandenen Tests zu prüfen und für jedes Szenario die passende Ebene vorzuschlagen.
Das bedeutet jedoch nicht, dass KI eine perfekte Testpyramide liefern wird. Teamarchitektur, Legacy-Systeme, Verantwortlichkeiten, Fristen und die Ingenieurkultur spielen weiterhin eine Rolle. Doch eine Hürde schrumpft eindeutig. Der Satz „Ich kenne den Code nicht gut genug, um zu wissen, wohin dieser Test gehört“, lässt sich schwerer rechtfertigen, wenn es Tools gibt, die bei der Suche nach der Antwort helfen. Die Zukunft der Automatisierung liegt darin, die richtigen Tests auf der richtigen Ebene zu schreiben – nicht darin, mehr Tests zu erstellen.
Häufige Fragen
Was ist Shift-Left-Testing? Es bezeichnet das Testen in einem früheren Stadium des Lebenszyklus, indem die Validierung in die Ebenen der Unit-, Komponenten-, API- und Integrationstests verlagert wird, anstatt sich hauptsächlich auf End-to-End- oder UI-Automatisierung zu stützen.
Warum fällt es QA-Teams schwer? QA-Experten verstehen in der Regel die Geschäftsrisiken gut, können die Implementierung jedoch nicht einsehen und können daher ohne Anfrage an die Entwickler nicht selbst entscheiden, zu welcher Ebene ein Szenario gehört.
Wie helfen Coding-Agents? Ein Agent kann ein Repository analysieren und angeben, wo ein Szenario am besten getestet werden sollte – ob in der Unit-, Komponenten-, API-, Integrationsebene oder im End-to-End-Test – wodurch den QA-Teams eine bisher nicht verfügbare Sicht auf die Implementierung gewährt wird.
Ersetzen Agenten Entwickler in der Teststrategie? Nein. Agenten können die Architektur falsch einschätzen oder Abhängigkeiten übersehen, weshalb ihre Empfehlungen mit dem Entwicklerteam überprüft werden müssen und nicht als endgültig angesehen werden sollten.
Was gehört in eine auf QA ausgerichtete Anleitungsdokumentation? Die Präferenz für die zuverlässigste Testschicht, eine Regel gegen die Empfehlung von UI-Automatisierung, wenn eine untere Schicht ausreicht, eine Überprüfung der bestehenden Abdeckung zuerst sowie eine Erklärung, warum ein Szenario zu seiner Schicht passt.
Verwandte Artikel
- Praktische Anmerkungen: Ornith 1.0 macht lokale Codierungsagenten wieder testenswert — Detaillierte Anleitung zu den Praktischen Anmerkungen: Ornith 1.0 macht lokale Codierungsagenten wieder testenswert: Verträge, Überprüfungen und Code-Blöcke für Teams, die dieses Muster einsetzen.