Kann KI eine klassische Prüfungsvorbereitung ersetzen? Für die ISTQB-Zertifizierung „Certified Tester GenAI Testing“ habe ich genau das ausprobiert. Zehn Lerntage lang nutzte ich ausschließlich NotebookLM von Google als Lernpartner. Das Ergebnis: 89 Prozent in der Prüfung. Gleichzeitig zeigte das Experiment deutliche Grenzen KI-gestützten Lernens.
Der Ausbruch aus dem klassischen Lernschema
Klassische Zertifizierungsvorbereitungen folgen meist einem bekannten Muster: Lehrplan lesen, Schulung besuchen, Prüfung ablegen. Dieser Weg funktioniert zuverlässig. Trotzdem stellte sich für mich die Frage, ob moderne KI-Werkzeuge inzwischen einen alternativen Lernansatz ermöglichen.
Die Zertifizierung „ISTQB Certified Tester GenAI Testing“ behandelt Grundlagen, Chancen und Risiken generativer KI im Softwaretest. Statt den offiziellen Syllabus systematisch durchzuarbeiten, entschied ich mich für einen radikalen Ansatz: ausschließlich Lernen mit KI. Keine Google-Recherche, kein Präsenztraining und kein direktes Nachlesen im Lehrplan.
Mein Ziel verschob sich dabei schnell. Das Bestehen der Prüfung blieb wichtig. Noch spannender wurde für mich allerdings die Frage, wie weit KI-gestütztes Lernen tatsächlich trägt und welche Risiken dabei für Verständnis und Qualität entstehen.
NotebookLM im Praxistest
Im Verlauf der zehn Lerntage mit jeweils rund 60 Minuten zeigten sich deutliche Stärken und Schwächen von NotebookLM. Besonders hilfreich war die Mindmap-Funktion. Sie bot einen schnellen strukturierten Überblick und ermöglichte den direkten Einstieg in einzelne Themenbereiche.
Die Podcast-Funktion eignete sich gut für den mobilen Konsum, etwa beim Radfahren. Nach einiger Zeit wirkte das Format jedoch monoton. Viele Phrasen wiederholten sich, zudem fehlte häufig die fachliche Tiefe.
Auch die Quiz-Funktion hinterließ einen gemischten Eindruck. Zwar half sie dabei, Wissen regelmäßig zu überprüfen, die Fragen waren jedoch deutlich einfacher als in der realen Prüfung. Dadurch entstand zeitweise eine trügerische Sicherheit.
Besonders nützlich blieb die Chat-Funktion für gezielte Rückfragen. Gleichzeitig zeigte sich hier eine klare Grenze: Die Antworten basierten ausschließlich auf den von mir hinzugefügten Quellen.
Human in the Loop: Ohne Fachurteil kein sicheres Lernen
Die wichtigste Erkenntnis meines Experiments aus Sicht der Softwarequalität lautet: KI kann Verständnis beschleunigen, ersetzt aber weder Erfahrung noch fachliche Bewertung. Drei Risiken begleiteten das Lernen dauerhaft:
- Halluzinationen: plausibel klingende, aber falsche Inhalte
- Verzerrungen: einseitige oder voreingenommene Darstellungen
- Reasoning-Fehler: logisch wirkende Schlussfolgerungen auf falscher Grundlage
Deshalb verstand ich das Experiment von Anfang an als Human-in-the-Loop-Ansatz, kurz HITL. Mein Vorwissen im Testmanagement und meine grundlegende KI-Kompetenz halfen mir dabei, Antworten kritisch zu hinterfragen und fachlich einzuordnen. Dabei prüfte ich nicht nur die Übereinstimmung mit den Quellen, sondern auch die Plausibilität im Gesamtkontext von Qualitätssicherung und Testmanagement.
Gerade beim Einstieg in ein neues Thema sehe ich hier ein erhebliches Risiko. Ohne eigenes Fachwissen bleibt oft unklar, ob eine KI-generierte Aussage korrekt ist oder nicht. Aus einem Lernpartner wird dann schnell eine Blackbox, der mehr Vertrauen entgegengebracht wird, als angemessen wäre.
Für Testteams bedeutet das: KI-gestütztes Lernen sollte immer durch erfahrene Fachpersonen begleitet werden, die als Reviewer fungieren und fachliche Leitplanken setzen.
Community als virtuelles Trainingsumfeld
Durch tägliche Beiträge auf LinkedIn zu Lerndauer, Werkzeugen und offenen Fragen entstand zusätzlich eine Art asynchrones Peer-Learning. Die Community brachte neue Impulse ein, etwa zur Nutzung sokratischer Fragen, zur Rahmensetzung für KI oder zur CO₂-Bilanz intensiver KI-Nutzung.
Dadurch entstanden Fachgespräche mit Fachleuten, die in einer klassischen Präsenzschulung vermutlich nie gemeinsam teilgenommen hätten.
Was fehlte, war die strukturierte Agenda und der direkte Austausch in einer festen Lerngruppe. Dafür gewann ich Flexibilität, unterschiedliche Perspektiven und die Möglichkeit, auch kritische oder ungewöhnliche Fragen offen zu diskutieren.
Operationale Lücke: Vom Lehrplan zur Praxis
Trotz der guten Unterstützung blieb eine Schwachstelle bestehen: die konsequente Übertragung der Inhalte in die eigene Praxis. Themen wie Prompt Engineering ließen sich direkt ausprobieren. Schwieriger wurde es bei technischen Parametern wie Systemprompts, Temperatur oder Fine-Tuning. Diese erfordern ein eigenes LLM-Setup, das ich aufgrund der kurzen Zeit nicht aufsetzen konnte. Um sie wirklich zu verstehen, müsste ich gezielt mit solchen Parametern experimentieren. Dieser Schritt fehlt mir bisher, bleibt aber entscheidend, wenn aus Theorie echte Handlungskompetenz werden soll.
Fazit: Sinnvoll, aber kein Selbstläufer
Nach zehn Lerntagen bestand ich die Prüfung mit 89 Prozent. Mit rund neun bis zehn Stunden Lernaufwand lag ich deutlich unter der empfohlenen Lernzeit. Das Experiment zeigt, dass KI-gestütztes Lernen erhebliche Effizienzgewinne ermöglichen kann, vorausgesetzt Vorwissen und Lernroutine sind bereits vorhanden.
NotebookLM überzeugte insbesondere durch die gute Strukturierung von Inhalten, die Wiederholbarkeit sowie den schnellen Zugang zu Wissen. Schwächen zeigten sich hingegen bei der fachlichen Tiefe und der Übertragung in die praktische Anwendung. Schulungen bieten daher weiterhin Vorteile, vor allem durch den direkten Austausch zwischen den Teilnehmenden und das unmittelbare Feedback der Schulungsleitung. Sie sind jedoch nicht zwingend erforderlich.
Mein Fazit lautet daher: KI kann Lernen im Umfeld der Softwarequalität deutlich unterstützen, ersetzt aber weder Erfahrung noch kritische Bewertung. Für den Einstieg in ein Thema eignet sich ein rein KI-gestützter Ansatz nur in Kombination mit dem offiziellen Syllabus oder einer begleitenden Schulung.
