Im Podcast „Software Testing“ berichtet Host Richard Seidl über ein Projekt der Deutschen Bahn, das auf der TACON 2025 vorgestellt wurde. Zu Gast sind Jonas Menesklou, Gründer von AskUI, und Umar Usman Khan, Senior Software Test Manager & Quality Lead bei der DB Fernverkehr AG.
Im Gespräch erläutern sie, wie die Bahn eine ältere mobile Kassenanwendung testautomatisiert, deren UI keine Element-IDs bereitstellt und damit für klassische Frameworks wie Appium oder Selenium kaum zugänglich sei. AskUI setze stattdessen vollständig auf visuelle Analyse: Die KI interpretiere Screenshots mithilfe von OCR, Bilderkennung und multimodalen Modellen und erkenne UI-Elemente wie Buttons anhand ihres Erscheinungsbilds.
Nach Aussage Khans dauerte die manuelle Abnahme bislang rund zwei Wochen. Durch KI-Erkennung, ein TypeScript-basiertes Framework und einen optionalen No-Code-Ansatz seien inzwischen 60 von 270 Testfällen automatisiert; deren Ausführung liege aktuell bei etwa drei Stunden. Laut Case Study von AskUI habe die Bahn damit die Testdauer um rund 80 % verkürzen können, bei gleichzeitig höherer Testabdeckung. Zudem lasse sich die Lösung in gängige Enterprise-Werkzeuge wie GitLab, Jira, Xray oder Azure DevOps integrieren und geräteübergreifend einsetzen.
Gleichzeitig werden im Podcast die Grenzen deutlich benannt. Die KI-basierte Bildanalyse sei spürbar langsamer als klassische Selektor-basierten Tools, was insbesondere bei großen Test-Suites zu längeren Laufzeiten führe. Auch zeigten sich Herausforderungen bei unscharfen oder schwer erkennbaren UI-Elementen, weshalb AskUI ein eigenes Trainingstool bereitstelle. Zudem seien Peripherietests – etwa für Bondrucker oder Kartenleser – weiterhin nur eingeschränkt automatisierbar. Hinzu kämen infrastrukturelle Besonderheiten, da die Bahn mit bahnspezifischen Geräten, Zertifikaten und On-Premise-Inference arbeite, was die technische Integration anspruchsvoller mache.
Trotz dieser Einschränkungen verdeutlichen die Aussagen im Podcast und die Ergebnisse der Case Study, dass visuell arbeitende KI-Modelle ein praktikabler Ansatz sein können, um schwer zugängliche Legacy-User-Interfaces automatisiert zu testen. (td)
