Het klinkt inmiddels als een cliché: AI kan je werk ondersteunen, het makkelijker maken en je productiviteit verhogen. En zoals bij veel clichés schuilt er een kern van waarheid in. Maar de combinatie van waarheid en AI is een interessante kwestie. AI kent namelijk geen waarheid, maar slechts waarschijnlijkheden. Of zoals iemand treffend stelde: "Kunstmatige intelligentie" is eigenlijk een misleidende term; "toegepaste statistiek" dekt de lading beter.
Met deze nuancering wil ik de toon zetten: AI biedt kansen (!), zolang je de beperkingen ervan begrijpt en ermee leert omgaan.
Hoe moeten we AI verantwoord inzetten?
Daarover kan ik een helder statement maken: je kunt AI alleen goed gebruiken als je weet waar je het over hebt. En daar zit precies de crux van dit verhaal.
Neem het volgende voorbeeld: je kunt een LLM voeden met test gerelateerde documentatie om ondersteuning te bieden bij het testproces. Echter, als je de documentatie niet begrijpt binnen de context waarvoor deze bedoeld is—waarbij ook impliciete informatie tussen de regels door van belang is—kun je de uitkomsten van de LLM niet goed op waarde schatten. Zijn de antwoorden daadwerkelijk relevant voor wat je moet testen? Dit kan ertoe leiden dat een onervaren tester op een dwaalspoor raakt, waardoor de toegevoegde waarde voor het testen en daarmee van de tester afneemt.
Dit illustreert een fundamenteel punt: vakmanschap moet altijd de basis blijven. Vakmanschap ontstaat door de theorie en praktijk van je vakgebied te beheersen en stelt je in staat je werk sneller en beter te doen.
En daarover maak ik me zorgen bij onervaren testers. Krijgen zij wel voldoende kansen om de basis van het vak, zonder AI, goed te leren? Want zonder een solide fundament kunnen ze de uitkomsten van testen en testautomatisering niet beoordelen. Hierdoor lijkt het wel of ze meer en daardoor beter testen maar is dat echt het geval?
Als we hierbij gaan kijken naar de productiviteit (en effectiviteit) in de context van AI-gebruik door testers, ontstaat een paradox: een onervaren tester lijkt productiever omdat hij met AI meer testwerk uitvoert. Echter, zonder diepgaand begrip van de branche, de processen, test doelen en risico’s, neemt de kwaliteit van zijn werk juist af.
Daarentegen gebruikt een ervaren tester AI niet om simpelweg meer te testen, maar om slimmer en efficiënter te werken. Hij past AI strategisch toe om diepere inzichten te verkrijgen, betere testdata te gebruiken en risico’s gerichter te analyseren. Hierdoor stijgt niet alleen zijn productiviteit, maar ook de kwaliteit en betrouwbaarheid van zijn werk.
AI-productiviteitsparadox
Dit is de AI-productiviteitsparadox, en kun je als volgt omschrijven:
"De schijnbare productiviteitsstijging van een onervaren tester door AI leidt tot een afname van kwaliteit van zijn werk, terwijl een ervaren tester AI gebruikt om zowel productiviteit als de kwaliteit van zijn werk te verhogen."
AI vergroot het verschil tussen onervaren en ervaren testers. Waar de eerste door AI een vals gevoel van productiviteit ervaart, benut de tweede AI om daadwerkelijk betere resultaten te behalen.
AI als versterking van vakmanschap, niet als vervanging
Deze paradox kun je vermijden, niet door het afwijzen van AI, maar in het slim combineren van automatisering en vakmanschap. AI kan alleen waarde opleveren als testers:
- De fundamentele principes van hun vak beheersen.
- AI gebruiken als ondersteuning, niet als vervanging van kritisch denken.
- De gegenereerde resultaten kunnen verifiëren en valideren.
Pas dan levert AI daadwerkelijk een bijdrage aan softwaretesten met een hogere kwaliteit.
