Interview mit Ritu Favre, Emerson NI
»Testdaten werden zur neuen IP«
KI verändert die Rolle des Testens: von der späten Qualitätskontrolle hin zum integralen Bestandteil der Entwicklung. Warum Testdaten zur strategischen Ressource werden, wie KI heute schon im Testlabor unterstützt und weshalb der Testingenieur wichtiger denn je ist, erklärt Ritu Favre, Emerson.
Markt&Technik: Lange Zeit galt Test als letzter Schritt im Entwicklungsprozess. Verändert Künstliche Intelligenz diese Rolle gerade?
Ritu Favre, President Test & Measurement von Emerson: Ja, wir sehen hier klar eine Verschiebung, Test ist nicht mehr nur ein nachgelagerter Schritt am Ende der Entwicklung. Mit zunehmend softwaredefinierten Systemen und mehr KI-basierter Funktionalität steigt die Komplexität deutlich – und damit verändern sich auch die Anforderungen an Test grundlegend. Klassisches End-of-Line-Testing reicht in diesem Umfeld nicht mehr aus, um die Qualität eines Systems zuverlässig sicherzustellen. Testing rückt deshalb näher an die Entwicklung und deutlich früher in den Produktlebenszyklus. Es wird zu einem kontinuierlichen, datengetriebenen Feedback-Prozess, der Teams hilft, früher bessere Entscheidungen zu treffen. Gleichzeitig wächst der Druck, schneller zu entwickeln. Unternehmen, die Probleme früh erkennen und schneller iterieren, sind klar im Vorteil. Test entwickelt sich von einer reinen Validierungsinstanz hin zu einem Frühwarnsystem, das Engineering-Entscheidungen aktiv begleitet. Es geht also nicht nur darum, wann getestet wird, sondern auch darum, wie Entwicklung organisiert ist. Produktivität entsteht weniger durch isolierte Effizienz, sondern durch das Zusammenspiel von Daten, Workflows und Entscheidungen über den gesamten Lebenszyklus hinweg.
Wenn heute von KI im Test die Rede ist, denken viele zuerst an Datenanalyse. Wo sehen Sie aktuell konkrete Anwendungen im Testlabor?
Es gibt bereits einige Bereiche, in denen KI ganz konkret Mehrwert liefert – ein Beispiel ist die automatisierte Fehlerklassifizierung. Beim Testen entstehen enorme Datenmengen. KI-gestützte Verfahren können dabei helfen, Muster in diesen Daten zu erkennen und Fehler deutlich schneller zu klassifizieren als klassische Ansätze. Das reduziert den Analyseaufwand erheblich.
Ein weiterer Bereich ist die Auswertung komplexer Signal- und Messdaten. KI-gestützte Tools helfen dabei, Anomalien oder Zusammenhänge zu erkennen, die sonst kaum sichtbar wären. Gerade bei HF- oder High-Speed-Anwendungen nutzen viele Teams inzwischen KI im Testing, um große Datenmengen effizient auszuwerten. Statt tausende Messkurven manuell zu prüfen, lassen sich mögliche Ursachen so deutlich schneller eingrenzen.
Wir sehen KI aber auch direkt in Engineering-Workflows. Sie kann zum Beispiel bei der Konfiguration von Testsystemen oder in der Softwareentwicklung unterstützen, etwa durch Vorschläge für Code-Strukturen oder beim Navigieren in bestehenden Testmodulen. Auch der Aufbau modularer Testsysteme lässt sich so beschleunigen. Diese Werkzeuge sind auf den Kontext des jeweiligen Systems ausgelegt und können Entwickler direkt in ihrer Arbeitsumgebung unterstützen.
Ein weiterer Anwendungsfall ist die Nutzung von Laborressourcen. In vielen Unternehmen sind Testsysteme ein Engpass, weil sie nur begrenzt verfügbar sind und von mehreren Teams parallel genutzt werden. KI kann dazu beitragen, die Auslastung und Planung zu optimieren, Engpässe früh zu erkennen und Durchlaufzeiten von Tests zu verkürzen.
Ritu Favre, Emerson: »KI ersetzt den Menschen nicht. Der größte Hebel liegt in der Kombination aus Engineering-Erfahrung und KI-Unterstützung, um bessere, schnellere und robustere Entwicklungsprozesse zu erreichen.«
Entwicklungs- und Validierungsprozesse werden immer komplexer. Wo kann KI konkret helfen, diese Komplexität zu beherrschen?
Komplexität ist für viele Unternehmen mittlerweile ein zentrales Problem. Sie entsteht auf mehreren Ebenen: bei der Abstimmung zwischen Teams, bei der Wiederverwendung von Software und Testmodulen, bei der Nutzung von Testsystemen und im Umgang mit großen Datenmengen. Irgendwann skalieren bestehende Ansätze nicht mehr – Daten liegen verteilt vor, Systeme sind nicht sauber integriert, und Teams verbringen mehr Zeit mit der Abstimmung als mit dem eigentlichen Testen. KI hilft hier an verschiedenen Stellen, etwa indem sie den Zugriff auf relevante Dokumentation, Anforderungen und bereits validierte Testmodule verbessert. Das erleichtert die Wiederverwendung und reduziert doppelte Arbeit.
Außerdem trägt KI dazu bei, Daten, Tools und Prozesse in integrierten Umgebungen konsistenter über verschiedene Teams hinweg zusammenzuführen und so Reibungsverluste im Entwicklungs- und Validierungsprozess zu reduzieren.
Sie sagen, dass Testdaten zur „neuen IP“ werden. Warum sind diese Daten strategisch so wichtig?
Beim Testen entsteht eine große Menge an technischen Daten, die das reale Verhalten eines Systems abbilden – einschließlich Randfällen und Fehlermustern, die sich auf anderem Weg kaum erfassen lassen. Gleichzeitig sind diese Daten in vielen Unternehmen fragmentiert, unterschiedlich strukturiert und schwer zugänglich. Mit zunehmender Komplexität und einem steigenden Softwareanteil wird es immer wichtiger, aus diesen Daten zu lernen. Unternehmen, die ihre Testdaten systematisch erfassen, strukturieren und auswerten, können schneller verbessern und fundiertere Entscheidungen treffen.
Das gilt besonders im Kontext von KI. Gute KI-Ergebnisse hängen direkt von der Qualität und Konsistenz der Daten ab. Ohne diese Grundlage bleibt der Nutzen begrenzt. Über die Zeit werden diese Daten zu einem strategischen Asset – insbesondere durch ihre Wiederverwendung über Projekte und Produktgenerationen hinweg. Diese Daten bestimmen mit, wie schnell sich ein Unternehmen weiterentwickeln kann, wie gut seine Systeme funktionieren und wie effizient sich Entwicklung skalieren lässt.
Wie wird sich der Einsatz von KI im Test-Engineering weiterentwickeln?
Wir sehen eine klare Entwicklung. Zunächst wird KI als Assistent eingesetzt: Sie unterstützt mit Empfehlungen, Analysen und Konfigurationsvorschlägen. Das bringt schon heute spürbare Effizienzgewinne. Der nächste Schritt ist der Einsatz von KI als Autor, wo sie dann unter Anleitung Code, Dokumentation oder Testsequenzen erzeugen kann. Perspektivisch sehen wir auch Systeme, die komplexere Aufgaben koordinieren können und auf definierte Ziele hinarbeiten, nicht nur einzelne Schritte ausführen. Gleichzeitig hat Test-Engineering besondere Anforderungen. Es geht um cyber-physische Systeme, bei denen Entscheidungen reale Auswirkungen haben. Deshalb bleibt menschliche Kontrolle entscheidend. Das macht KI nicht weniger relevant, sondern erhöht die Anforderungen an Transparenz, Qualität und Vertrauen in die Ergebnisse.
Wird KI den Testingenieur langfristig ersetzen?
Wir sehen eher das Gegenteil: Die Rolle wird wichtiger. Denn KI kann viele Aufgaben beschleunigen, etwa Daten verarbeiten, Analysen durchführen oder Code generieren. Was sie aber nicht ersetzt, ist das Verständnis für den Kontext. Entwickler interpretieren die Ergebnisse, bewerten ihre Relevanz und stellen sicher, dass sie in der realen Anwendung Bestand haben. Gerade im Test-Engineering ist das elementar. Zudem besteht die Gefahr einer „AI Echo Chamber“, in der die KI-Systeme auf bestehenden Ergebnissen aufbauen – ohne ausreichend Rückbezug zur Realität. Dafür braucht es erfahrene Ingenieure, die Ergebnisse hinterfragen und validieren. Gleichzeitig steigt die Produktivität deutlich, denn Entwickler können schneller arbeiten, mehr Varianten testen und sich stärker auf Innovation konzentrieren. KI wirkt hier wie ein Multiplikator – und sie verschiebt den Fokus von der Ausführung hin zu Verständnis, Bewertung und Problemlösung.
Welche Schritte sollten Unternehmen jetzt gehen, um ihre Teststrategie auf KI auszurichten?
Zwei Punkte sind entscheidend. Erstens: Testing muss früher in den Entwicklungsprozess integriert werden. Nur so lässt sich die wachsende Komplexität beherrschen und teure Iterationen können vermieden werden. Zweitens brauchen Unternehmen eine saubere Datenbasis. Das bedeutet konsistente Datenstrukturen und klare Regeln im Umgang mit den Testdaten. Ohne diese Grundlage lässt sich KI nicht sinnvoll nutzen. Eng damit verbunden ist der Übergang zu softwaredefinierten, modularen Testarchitekturen, die als integrierte Umgebung Daten, Systeme und Workflows zusammenführen.
Wichtig ist: KI ersetzt hier den Menschen nicht. Der größte Hebel liegt in der Kombination aus Engineering-Erfahrung und KI-Unterstützung, um bessere, schnellere und robustere Entwicklungsprozesse zu erreichen.
Die Fragen stellte Nicole Wörner, Markt&Technik