Kommentar von Bastian Siedek, Innobis AG Wie GenAI die Softwareentwicklung in Banken revolutioniert

Anbieter zum Thema

QUNIS GmbH

Generative Künstliche Intelligenz (KI) verändert das Kräfteverhältnis im Softwareentwicklungszyklus. Entwickler erzeugen mehr Code in kürzerer Zeit und Aufgabe der Qualitätssicherung ist es, diese Dynamik zuverlässig zu begleiten. Studien und Praxiserfahrungen zeigen, dass generative Assistenten die Softwareentwicklung deutlich beschleunigen, jedoch nicht ausreichend verlässlich sind, um Tests zu ersetzen. Dadurch kommt der Qualitätssicherung eine neue Rolle zu.

Generative KI etabliert sich branchenübergreifend mit hoher Geschwindigkeit in den Entwicklungsprozessen. Auch immer mehr Banken nutzen sie in Form von KI-gestützten Assistenzsystemen auf Basis großer Large-Language Models (LLMs), die Code und Texte generieren, zusammenfassen und optimieren, um Routineaufgaben wie Dokumentation, Codevorschläge oder Refactoring zu automatisieren. Das führt zu schnelleren Entwicklungszyklen und höherer Produktivität. Gleichzeitig entstehen aber neue Risiken. Die generierten Codeanteile sind nicht immer korrekt. Fehlerhafte Artefakte gelangen dadurch schneller in Build-, Test- und Release-Pipelines. Die Qualitätssicherung als letzte Kontrollinstanz ist jetzt gefragt.

Drei Hebel für die neue Qualitätssicherung

Vor diesem Hintergrund lassen sich drei zentrale Hebel für Banken identifizieren, mit denen die Qualitätssicherung die Herausforderungen durch KI meistern und gleichzeitig Innovationsgeschwindigkeit und Stabilität sichern kann. Die Erfahrungen von Innobis beim KI-gestützten Test- und Quality Management kommen hier zum Tragen.

1. KI-gestützte Assistenzsysteme auf Basis großer Sprachmodelle zur signifikanten Produktivitätssteigerung

Der erste Hebel liegt im gezielten Einsatz KI-gestützter Assistenzsysteme auf Basis großer Sprachmodelle. LLMs generieren automatisiert Testschritte, identifizieren doppelte oder verwaiste Artefakte und tragen wesentlich dazu bei, die Regressionstests zu optimieren.

Besonders in Banken, etwa bei der Einführung neuer Förderprogramme und Subventionsberechnungen, neuer Programmkonditionen, Zinslogiken oder geänderten Tilgungsregeln, müssen Hunderte von Regressionstests in kurzer Zeit aktualisiert und erneut ausgeführt werden. LLMs übersetzen diese Änderungen automatisch in Testschritte und dokumentieren deren Ausführung lückenlos, z. B. innerhalb der CI/CD-Pipelines. Dadurch sinkt der zeitliche Aufwand für die Verifizierung neuer Produkte erheblich und die Nachvollziehbarkeit steigt.

Kommentar von Mark Wheeler, NTT DATA Business Solutions

Enterprise-KI: Warum Governance zum entscheidenden Wettbewerbsvorteil wird

Damit verschiebt sich der Schwerpunkt der Qualitätssicherung. Weg von rein manueller Pflege und repetitiver Testausführung hin zu einer deutlich stärker risikoorientierten und fachlich fokussierten Prüfung der kritischen Prozesspfade. Der operative Fokus liegt dabei zunehmend auf hochkritischen Pfaden. KI-Modelle unterstützen gezielt bei der Validierung komplexer Berechnungen und generieren die dafür erforderlichen Testfälle sowie passende Testdatensätze. Die finale Bewertung, Priorisierung und Risikoabwägung bleiben jedoch bewusst in der Verantwortung der Fach- und Qualitätssicherungsexperten. KI beschleunigt – aber sie entscheidet nicht.

In diesem Zusammenhang entsteht eine neue Art der Mensch-Maschine-Symbiose. Die Qualitätssicherung arbeitet nicht nur mit der KI, sondern auch gegen sie, indem Fehler, die die KI generiert, durch KI-gestützte Testfälle aufgedeckt werden. Um hier „blinde Flecken“ zu vermeiden, braucht es klare Prüfmechanismen, robuste Reviews sowie ein tiefes Verständnis der jeweiligen Modellgrenzen. Die Einführung von KI wird damit zu einem Treiber professioneller Skepsis und systematischer Qualitätsarbeit.

In weiterentwickelten Testarchitekturen kommen zunehmend rollenbasierte KI-Agenten zum Einsatz. Beispielsweise analysieren Testdesign-Agenten neue Anforderungen, schlagen initiale Teststrategien vor und generieren erste Testfälle. Defect-Analyse-Agenten clustern Fehlermeldungen aus Testläufen, erkennen wiederkehrende Muster und unterstützen die risikobasierte Priorisierung der Fehlerbehebung.

Kommentar von Nicolas Klein und Björn Busch-Geertsema, Ergosign

GenAI Ops – KI sicher in die Produktion bringen

2. Talent-Hebel für KI-Kompetenz

Sichere Medien- und Systemkompetenz: Ebenso entscheidend ist es, die Medien- und Systemkompetenz der Mitarbeitenden zu stärken. Selbst bei identischen Prompts können LLM-Outputs variieren. Eine Eigenschaft, die Flexibilität und Urteilsfähigkeit erfordert. KI-gestützte Qualitätssicherung kann nur funktionieren, wenn die Teams in der Lage sind, inkonsistente Ergebnisse kritisch einzuordnen, Zusammenhänge zu erkennen und die richtigen Schlüsse zu ziehen. Vertrauen in die Kompetenz der Mitarbeitenden wird damit zu einem zentralen Erfolgsfaktor.

Die Einführung von generativer KI erfordert damit einen systematischen Kompetenzwandel in der gesamten IT-Organisation. Die Wirksamkeit der Technologie hängt maßgeblich davon ab, wie konsequent Teams in der Lage sind, KI-Outputs kritisch zu bewerten und die Modelle zielgerichtet zu steuern.

Curriculum „Generative KI für Tester“: Banken benötigen gezielte Schulungsprogramme, die weit über die reine Bedienung der Werkzeuge hinausgehen. Im Mittelpunkt sollte ein fundiertes Prompt-Design stehen, die qualitative Bewertung KI-generierter Testfälle sowie der sichere Umgang mit sensiblen Testdaten. Ein zentraler Erfolgsfaktor ist dabei ein strukturiertes Prompt Engineering.

Neue Rollenprofile: Mit dem „QA-Engineer KI“ entsteht eine Funktion, die das LLM-Enablement verantwortet, die Artefakt-Governance sichert und das Pair-Testing („Mensch + LLM“) methodisch verankert. Dadurch verschiebt sich der Schwerpunkt der Arbeit vom generischen Erstellen hin zur strategischen Kontrolle und zur gezielten Risikobewertung.

Weg vom Experiment: Lernen muss integraler Bestandteil des Arbeitsalltags sein. Skill-Sprints mit klar messbaren Ergebnissen, etwa der Reduktion der Fehlerquote oder einer höheren Testfallpräzision, sind Grundlage für eine konsistente und belastbare Nutzung von KI im Team.

Damit diese Transformation nachhaltig gelingt, müssen Produktivitätssteigerungen nicht nur erwartet, sondern auch tatsächlich sichtbar werden. Das ist eine Voraussetzung, die heute noch nicht überall erfüllt ist. Der Erfolg bemisst sich jedoch nicht allein an der Geschwindigkeit. Der gezielte Einsatz von KI stärkt Problemlösefähigkeit, Qualitätsbewusstsein sowie die Kompetenz, komplexe fachliche Zusammenhänge kritisch zu hinterfragen. Die Kombination aus Effizienz, Kreativität und wachsender fachlicher Reife bildet das Fundament einer zukunftsfähigen, resilienten Qualitätssicherung.

3. Qualität als Enabler: Die Shift-Left-Strategie mit LLMs

Die dritte strategische Aufgabe der KI-gestützten Qualitätssicherung ist, die Innovationsfähigkeit der Bank zu steigern. Im digitalen Bankgeschäft sind „schneller liefern“ und „bessere Softwarequalität“ kein Widerspruch mehr. Dieser Wandel wird durch die Strategie des „Shift Left“ angetrieben, die besagt, dass Qualitätssicherung so früh wie möglich im Entwicklungsprozess beginnen muss. LLMs helfen, Qualitätskriterien für z. B. neue Förderlogiken oder Zinsmodelle bereits in der Anforderungsphase zu schärfen. Sie können potenzielle Testfälle basierend auf den Anforderungen vorschlagen, noch bevor der Code geschrieben wird.

Governance & Compliance: Leitplanken für sichere KI

Für den Einsatz generativer KI im Finanzsektor ist ein strenger Governance-Rahmen zwingend erforderlich, um Risiken zu minimieren und Compliance sicherzustellen:

• 1. Risikoorientiertes Deployment – Bewertung von Prozessen, mit denen gestartet werden soll.

• 2. Nachvollziehbarkeit – Versionierung aller LLM-Interaktionen (Prompts, Outputs, Reviews).

• 3. Testdaten-Schutz – Nutzung synthetischer oder pseudonymisierter Daten als Standard.

Erfolg mit KI im Testing

Der Einsatz von KI im Testing entfaltet seinen Nutzen nur, wenn Fortschritte messbar sind und auf klaren Leitplanken basieren. Eine nachhaltige Einführung gelingt nicht durch punktuelle Experimente, sondern durch einen strukturierten, governancebasierten Fahrplan, der Risiko, Fachlichkeit und technologische Reife ausgewogen berücksichtigt. Nachhaltiger Mehrwert entsteht erst, wenn Effizienzgewinne nachweisbar sind und zugleich die qualitative Weiterentwicklung der Teams, etwa im Umgang mit Sonderfällen oder explorativen Testansätzen, sichtbar gestärkt ist.

Fazit

KI verändert die Qualitätssicherung grundlegend. Sie beschleunigt Entwicklungs- und Testzyklen, verschiebt Verantwortung und hebt Qualitätssicherung auf eine neue strategische Ebene. Für Banken bedeutet das: „Mehr Code = mehr Tests“ ist gelebte Realität. Generative KI steigert Produktivität und Transparenz – vorausgesetzt, Governance, Kompetenz und Innovation greifen ineinander. Qualitätsteams übernehmen damit die Rolle zentraler Garantien für digitale Verlässlichkeit. Sie setzen Leitplanken, sichern Compliance und schaffen Vertrauen in automatisierte Prozesse. Wer diese Balance meistert, gewinnt an Tempo, ohne die Kontrolle über kritische Geschäftslogiken zu verlieren.

Interview mit Björn Stauss, Board

Wie KI-Agenten das Controlling strategisch stärken

(ID:50877640)