Exploratory testing met een AI-copilot

Een AI-agent die zelfstandig door een applicatie navigeert, klinkt als een tegenspraak van exploratory testing. Gedeeltelijk is dat ook zo, en gedeeltelijk niet.

Exploratory testing leunt van oudsher volledig op menselijke intuïtie: een ervaren tester die door een applicatie navigeert, afwijkt van het voorspelbare pad, en precies daardoor bugs vindt die een gescript testplan zou missen. Een AI-agent die zelfstandig door een applicatie navigeert, lijkt daarmee op gespannen voet te staan.

Waarom zou een bedrijf dit dan inzetten?

Voor veel teams zit de uitdaging niet in het vinden van één specifieke bug, maar in het voldoende breed kunnen verkennen van een applicatie binnen de beschikbare tijd.

Een AI-copilot kan een eerste laag van systematische exploratie uitvoeren: pagina's bezoeken, scenario's proberen, onverwachte combinaties testen en afwijkingen verzamelen.

Daardoor besteden testers minder tijd aan repetitief speurwerk en meer tijd aan het beoordelen van risico's, gebruikersimpact en de kwaliteit van de uiteindelijke release.

Wat een AI-copilot vandaag kan

Een AI-agent kan systematisch elk klikbaar element van een pagina afgaan, formulieren invullen met randgevallen, en dat 24 uur per dag herhalen zonder vermoeidheid. Dat soort brede, uitputtende verkenning is precies waar mensen snel op inboeten: niet uit onkunde, maar uit vermoeidheid en tijdsdruk.

Waar een ervaren tester nog altijd wint

• Begrip van bedrijfscontext. Een tester weet dat een fout in het betaalproces zwaarder weegt dan een fout in een zelden bezochte instellingenpagina; een AI-agent moet dat expliciet meekrijgen.
• Nieuwsgierigheid die van het script afwijkt op basis van een vaag "dit voelt niet goed". Dat soort intuïtie, opgebouwd uit jarenlange ervaring, is nog niet gerepliceerd.
• Interpretatie van ambigue resultaten. Is dit gedrag een bug, of een bewuste ontwerpkeuze? Dat onderscheid vraagt context die een agent zelden heeft.

De praktische combinatie

De teams die hier op dit moment het meeste uithalen, laten een AI-agent 's nachts of tijdens rustige uren breed verkennen (elke pagina, elk formulier, elke combinatie van input) en laten een tester 's ochtends de bevindingen doorlopen.

Een AI-agent verkent duizenden formuliercombinaties en afwijkende invoerwaarden. De tester bekijkt daarna alleen de afwijkingen die mogelijk een impact hebben op de gebruiker of de business.

Volledig autonome exploratory testing zonder enig menselijk toezicht is momenteeel nog vooral een demo-belofte.

Wat wél werkt, is een agent die het uitputtende speurwerk overneemt zodat een tester zich kan concentreren op de bevindingen die daadwerkelijk beoordeling verdienen.

Een voorbeeld uit de praktijk

Bij een klant met een B2B-portaal liet een AI-agent 's nachts acht uur lang elk formulier van de applicatie doorlopen met combinaties van geldige, ongeldige en extreme invoer.

Van die vijf bleek er één een reëel probleem: een numeriek veld voor een kortingspercentage accepteerde een negatieve waarde en verhoogde daardoor de uiteindelijke prijs in plaats van ze te verlagen. Geen enkel gescript testplan had dat specifieke veld met een negatief getal getest; de agent kwam er toevallig op tijdens een brede verkenning.

Wat dit in de praktijk betekent voor de tester

• De tester beoordeelt, de agent verkent. Van 46 afwijkingen naar 5 relevante bevindingen is precies het triagewerk waar een ervaren tester tijd aan kwijt was, nu geconcentreerd in twintig minuten review in plaats van acht uur klikken.
• Geef de agent expliciete grenzen. Zonder duidelijke scope verkent een agent ook irrelevante delen van de applicatie (een instellingenpagina die nooit wijzigt) even uitgebreid als de kritieke flows.
• Bewaar de sessie, niet enkel de bevinding. Om een gerapporteerde afwijking te reproduceren, heeft een tester de volledige actiereeks nodig die ernaartoe leidde.