Door Ronald KerkHoff
De jaren ’20 voelen als een loopband die elke maand een tandje sneller gaat. Wat in de jaren ’00 en ’10 is opgebouwd — agile, CI/CD en cloud — wordt in dit decennium volwassen én alledaags. Door de impact van COVID veranderde het werkveld in korte tijd drastisch. Waar werk voorheen op kantoor gebeurde, verschoof alles naar thuis- of hybride werken. Voor mij betekende dit niet alleen een andere manier van samenwerken, maar ontstond er ook een kans om een nieuwe rol te vervullen: test tool consultant.
In deze rol ligt mijn focus op het gebruiksgemak en de productiviteit van gebruikers. Ik ontwikkel trainingen en maak deze beschikbaar, zodat teams snel met de tools aan de slag kunnen. Tegelijkertijd bied ik ondersteuning bij vragen en problemen die teams tijdens het gebruik van de tools ondervinden. Een belangrijk onderdeel van mijn werk is ook het samenwerken met leveranciers. Door regelmatig in gesprek te gaan en onze wensen kenbaar te maken, worden tools op termijn beter afgestemd op de behoeften van gebruikers en verloopt het dagelijkse werk soepeler.
Testen in de cloud als tweede natuur
Omstreeks 2020 maakten veel organisaties een bewuste draai: van eigen serverruimtes, data en applicaties migreren (Move 2 Cloud) naar cloudomgevingen. Soms betekende dat een bestaande applicatie vervangen moest worden door een SaaS-oplossing, soms het klaarmaken van applicaties voor een PaaS-platform zoals Azureof Amazon Web Services (AWS).
De voordelen waren duidelijk: sneller schakelen, minder wachten op hardware en testomgevingen die je opzet wanneer je ze nodig hebt. Voor testers veranderde vooral het tempo. Waar je vroeger dagen of weken wachtte op een nieuwe omgeving, zet je nu tijdelijk een kopie neer voor één wijziging of feature.
- Ephemeral omgeving: kortlevend en wegwerpbaar; automatisch uitgerold en opgeruimd.
- Afbeelding 02 – Schematische uitleg van Infrastructure as Code (IaC)
Infrastructure as Code (IaC): definieert omgevingen via scripts, zodat “het werkt op mijn machine” verleden tijd is.
Parallel testen werd mogelijk: meerdere branches, verschillende browsers of devices tegelijk, of prestatietests met extra capaciteit. Zo verkortten teams feedbacklussen en kregen sneller inzicht in robuustheid.
In de praktijk gaat dit niet overal even snel. Vaardigheden in IaC, cloudrechten, security en legacy-systemen vormen uitdagingen. Toch is de trend duidelijk: minder frictie, meer reproduceerbaarheid, waardoor discussies gaan over de kernvraag: “Hebben we het juiste getest, met het juiste risicobeeld, en wat zegt dit over de releasekwaliteit?”
Ook kosten en duurzaamheid spelen een rol. Cloud rekenkracht voelt oneindig, maar is dat niet. Teams letten nu bewust op welke tests echt nodig zijn, hoe lang een omgeving draait, en wanneer een lichtere uitvoering volstaat, financiële (FinOps) én groene (GreenOps) hygiëne.
Van DevOps naar platform-denken: de “paved road” mét AI-bijrijder
Aan het begin van de jaren ’20 zien we een tweede verschuiving: niet ieder team onderhoudt zijn eigen scripts en toolketen. Organisaties bouwen interne developer-platforms — de zogenaamde paved road — met standaard bouw- en releasestappen, bijvoorbeeld:
- CI/CD-pipeline met quality gates
- Verplichte security-scans
- Contracttests en automatische rapportage
In theorie is dit de snelste en veiligste route, in de praktijk verloopt adoptie ongelijk. Sommige teams gebruiken alleen de centrale paved road, andere hebben nog eigen varianten. Oorzaken: tekort aan platformvaardigheden, legacy-processen en weerstand tegen nieuwe werkwijzen.
AI-bijrijders zoalsGitHub Copilot helpen hierbij. Ze vullen boilerplate code in, genereren datamocks en signaleren randgevallen. Linting — automatische stijl- en kwaliteitschecks — loopt standaard mee. Maar AI-gebruik wordt pas waardevol als governance aanwezig is: code-owners, dependency- en licentietests, en training voor teams.
De volgende stap is compliance-by-design: releases die automatisch worden geblokkeerd of gepromoveerd op basis van machine-leesbaar bewijs:
- SBOM (Software Bill of Materials): lijst van alle componenten
- Provenance/attestations: wie bouwde het artefact, waarmee en wanneer
- Audit trail: overzicht van welke checks zijn gepasseerd
AI kan hierin ondersteunen: tests genereren, flaky tests herkennen, impactanalyse uitvoeren. Organisaties met sterke platformteams en opleidingsprogramma’s lopen duidelijk voor.
Security & privacy groeien op tot DevSecOps
Grote datalekken en strenger toezicht verschoven security en privacy naar het hart van softwareontwikkeling. Bij de overgang naar Anything-as-a-Service (IaaS, PaaS, SaaS) werd duidelijk hoe kwetsbaar de digitale toeleveringsketen is.
Security-by-default betekent:
- SAST (Static Application Security Testing): broncode-scans
- SCA (Software Composition Analysis): dependency-controles
- Pentests rondom releases
Privacy-praktijken evolueerden: productiedata in testomgevingen raakte uit de gratie; masking, subsetting en synthetische testdata werden standaard.
Leveranciers kregen een steviger rol: platformen zoals Atlassian met Cloud Fortified-label stellen strikte eisen rond security en reliability. Zo verschuift verantwoordelijkheid van “ieder voor zich” naar gedeelde verantwoordelijkheid: leveranciers borgen basiskaders, partners leveren aantoonbaar mee, afnemers kiezen transparant.
Tools worden volwassen, en eenvoudiger in gebruik
Twee ontwikkelingen kwamen samen:
- Open-source developer tools: Playwright en Cypress bieden stabiele end-to-end testen, debugging (time-travel, trace-viewers) en CI/CD-integratie. Contracttesten zoals Pact verifiëren lokale producer-consumer-afspraken.
- Low/no-code suites: self-healing functionaliteit, AI-assists voor routinewerk, templates en record-&-model-functionaliteit. Niet-technische gebruikers kunnen businessflows modelleren, coders behouden flexibiliteit.
Platform-engineering eist volledige integratie met CI/CD, IaC, secrets management, policy-as-code en observability (traces, metrics, logs). FinOps en GreenOps beperken kosten en resourcegebruik, terwijl security en compliance enkel betrouwbaar zijn met volwassen tooling.
AI en Large Language Models (LLM’s): de gamechanger?
Sinds eind 2022, met de doorbraak van ChatGPT (GPT-3.5) en later GPT-4 (2023)enGPT-5(2025), werd generatieve AI in één klap mainstream. Ondanks hallucinaties — zeker in de beginfase — zette deze nieuwe klasse tools zowel het sociale als het bedrijfsleven op scherp. LLM’swerden de “nieuwe collega”: ze herschrijven user stories, stellen Gherkin-scenario’s voor, genereren testdata, vatten logfiles samen en geven hints voor root-cause analyse. Visuele AI tempert UI-regressies en self-healing maakt UI-tests minder broos.
Toch is brede organisatie-adoptie nog geen gelopen race. Grote onderzoeken laten hetzelfde beeld zien: individueel gebruik is hoog, maar formele scholing en enterprise-uitrol blijven achter. In Microsoft/LinkedIn’s Work Trend Index 2024 rapporteert een groot deel van de kenniswerkers al met AI te werken, terwijl maar een veel kleinere groep aangeeft hiervoor training te krijgen. Gartner signaleert bij CIO’s vooral pilots en experimenten i.p.v. grootschalige uitrol, en in CFO-surveys (Deloitte) blijft het AI-budget vaak beperkt en is governance nog in opbouw. Conclusie: eigen nieuwsgierigheid brengt AI de organisatie binnen; gericht opleiden, kaders en change-management maken het schaalbaar.
Wat nog pril is, is agentic AI: LLM-“agents” die zelfstandig doelen nastreven (bijv. een flaky test analyseren, experimenten uitvoeren, een fix-voorstel genereren, een pipeline draaien). De technologie kan het, maar governance, veiligheid en uitlegbaarheid remmen in Europa brede inzet. De komende jaren zie je daarom “rails” ontstaan: beperkte rechten, sandboxing, audit-sporen en LLM’s die met domeincontext (Retrieval-Augmented Generation (RAG)) werken om hallucinaties terug te dringen.
En de tegenstem (“AI maakt mensen dom”)? Het risico bestaat als we klakkeloos autocomplete volgen. Het antwoord is human-in-the-loop: AI versnelt, jij borgt bedoeling, prioriteit en context. Denk aan een onvermoeibare junior die uitstekend zoekt en samenvat, maar wél een senior nodig heeft om de juiste keuzes te maken.
Van copilots naar collega-agents: waar LLM’s de komende vier jaar naartoe gaan
In de afgelopen jaren hebben testers en quality engineers al ervaren hoe AI het dagelijkse werk ondersteunt. LLM’s helpen bij het herschrijven van user stories, het schetsen van Gherkin-scenario’s, het samenvatten van logfiles en het detecteren van visuele regressies. Wat ooit begon als een hulpmiddel dat vooral reageerde op instructies, ontwikkelt zich nu naar iets veel meer proactiefs: AI die niet alleen begrijpt wat er moet gebeuren, maar ook kan handelen.
De eerste stap is multimodaliteit. Waar LLM’s aanvankelijk alleen tekst begrepen en genereerden, leren ze nu ook beeld, audio, video en scherminteracties interpreteren. Een screenshot van een mislukte test? Het model kan het logbestand lezen, het element op de interface herkennen en meteen een fix of extra check voorstellen. Dit vermogen maakt de overgang naar agentic AImogelijk: modellen die zelfstandig subdoelen plannen en tools aanroepen, zoals issue trackers, testrunners of CI/CD-pijplijnen.
Aanvankelijk gebeurt dit binnen strakke kaders. Sandbox-omgevingen, beperkte rechten en audittrails zorgen ervoor dat de acties van de AI gecontroleerd en verifieerbaar blijven. Maar naarmate de technologie rijpt, ontstaat een scenario waarin een agent zelfstandig een flaky test kan onderzoeken: hypotheses testen, oorzaken vastleggen en zelfs een pull request voorstellen, terwijl de menselijke tester de context, prioriteit en kwaliteit blijft borgen. Zo verschuift AI van een reactieve copilot naar een onvermoeibare collega die routinewerk overneemt, maar altijd onder toezicht van een expert staat.
Betrouwbaarheid en bewijsvoering zijn hierbij cruciaal. Door gebruik te maken van tools, RAG-technieken en verifieerbare citations, kan AI standaard “antwoord + bewijs” leveren. Dit verandert de inzet van AI in professionele contexten: audits, compliance en kwaliteitsborging worden mogelijk, omdat elk advies of voorstel traceerbaar is.
Tegelijkertijd groeit de efficiëntie. Grote foundation-modellen worden ondersteund door kleinere domeinmodellen die on-device of aan de edge draaien. Dit verlaagt latency, beperkt kosten en vergroot de controle, wat belangrijk is voor beveiligde pipelines en privacygevoelige tests. Privacy wordt nog verder versterkt door versleutelde context, on-premises implementaties of Virtual Private Cloud (VPC)-deployments, en federated of on-device fine-tuning. Het model kan leren van eigen artefacten zoals tickets, tests en logs, zonder dat gevoelige data de organisatie verlaat.
Het is echter niet alleen technologie die dit mogelijk maakt; regelgeving en governance spelen ook een grote rol. Strengere kaders, zoals EU-wetgeving rond AI, auteursrechten en aansprakelijkheid, dwingen tot “governed by design”. Logging, explainability en toegangscontrole worden de standaard, waardoor teams duidelijk kunnen aantonen hoe beslissingen tot stand komen en welke bewijzen beschikbaar zijn.
Deze technologische en wettelijke ontwikkelingen hebben directe gevolgen voor de manier waarop testers werken. Waar de focus vroeger lag op het zelf schrijven en uitvoeren van testcases, ligt de nadruk nu steeds meer op het samenstellen van de juiste datasets en scenario’s (cureren), het kritisch beoordelen van de uitkomsten die tools en AI opleveren (beoordelen), en het coördineren van de hele testaanpak binnen de keten (orkestreren). Testers beslissen welke taken ze bij agents leggen, welke bewijzen terugkomen en hoe AI wordt geïntegreerd in hun paved road. AI fungeert als een onvermoeibare junior; de menselijke tester blijft degene die context, prioriteit en kwaliteit waarborgt.
Wat kunnen we de komende jaren concreet verwachten? Routinewerk dat binnen duidelijke kaders valt, wordt overgenomen door multimodale, agentische LLM’s. Evidence-first antwoorden, inclusief bronnen en meetpunten, worden de norm. AI-functionaliteit verschuift van losse tools naar ingebouwde functies in platforms, zoals IDE’s, testtools en pipelines. En teams die AI niet alleen gebruiken maar ook actief trainen, processen borgen en governance afdwingen, plukken de echte voordelen.
De revolutie is daarmee niet een chatbot op je bureau, maar een betrouwbare, verantwoord ingekaderde AI-collega in je delivery-keten. Dit is de manier waarop LLM’s de komende vier tot vijf jaar het verschil gaan maken: niet door losse experimenten, maar door volledig geïntegreerde, traceerbare en controleerbare ondersteuning van testers en quality engineers.
Van kwaliteitsregisseur 1.0 naar 2.0
In de jaren ’10 werd de tester vaak een kwaliteitsregisseur genoemd: iemand die niet alleen tests uitvoert, maar teams helpt om kwaliteit vanaf het begin mee te nemen. De rol draaide om coachen en adviseren: “Hebben we de juiste risico’s geïdentificeerd? Zijn de aanpak en checks voldoende?”
Tegelijkertijd bestonden er traditionele testrollen: testanalist, testcoördinator of test leider en testmanager. Testanalisten schreven en draaiden tests, testcoördinatoren of test leiders verdeelden taken en hielden het overzicht, en testmanagers borgden planning en strategie.
In de jaren ’20 zien we een duidelijke verschuiving. Het operationele werk van de testanalist verdwijnt grotendeels; functioneel beheerders en businessanalisten nemen veel van hun taken over, waardoor testen onderdeel wordt van de reguliere businessflow. De testcoördinator en testmanager verdwijnen niet helemaal, maar hun rol wordt meer coachend en faciliterend. Zij helpen teams met Quality gates, risicoafwegingen en interpretatie van testresultaten, in plaats van achteraf te controleren of alles klopt.
Kwaliteit als ketenwerk
Kwaliteit is niet langer de verantwoordelijkheid van één persoon of team, maar integraal in de volledige softwarelevenscyclus verweven. Productmanagement definieert waarde en risico’s, development levert code met ingebouwde checks, operations bewaakt betrouwbaarheid en herstelbaarheid, en security & data governance bewijzen compliance.
De moderne kwaliteitsregisseur staat middenin het platform, in plaats van ernaast. Kwaliteit loopt automatisch mee via CI/CD-pipelines, Quality gates, traceerbare artefacten en data observability (traces, metrics, logs). Zo wordt het niet alleen meetbaar dat iets werkt, maar ook dat het blijft werken onder echte omstandigheden.
AI als strategische versneller
Een nieuwe collega voegt zich bij deze workflow: AI. Niet als orakel, maar als assistent die routinewerk automatiseert en analyse versnelt. LLM’s kunnen user stories verscherpen, Gherkin-scenario’s voorstellen, logs samenvatten, flakiness onderzoeken en datageneratie uitvoeren. In de toekomst worden AI-agents steeds autonomer: ze plannen subdoelen, voeren analyses uit en integreren zichzelf in CI/CD-tools, terwijl mensen de beslissingen beoordelen en goedkeuren.
Zodra AI strategisch wordt ingezet, verschuift de focus van alleen codekwaliteit naar modelkwaliteit: dataprovenance, bias/fairness, reproduceerbaarheid en human-in-the-loop als veiligheidsrail. Testpiramides krijgen nieuwe lagen: dataset-checks, modelvalidaties, drift-monitoring en policy-gedreven releasebeslissingen.
Evidence-based pipelines
Richting 2030 zullen pipelines evidence automatisch meenemen, net zo vanzelfsprekend als unit-tests nu zijn. Live-signalen uit productie, model-audits, SBOM’s en supply-chain-attestations stromen mee. AI voert veel voorbereidende analyses uit, maar de eindverantwoordelijkheid blijft bij de mens. Gezond wantrouwen, duidelijke normen en het lef om “niet releasen” te kiezen, blijven kernwaarden van kwaliteitsbewaking.
De essentie
De revolutie van de jaren ’20 gaat dus niet over spektakel of losse AI-tools, maar over een systematische, gedeelde verantwoordelijkheid voor kwaliteit. Testrollen verschuiven van uitvoeren naar coachen en cureren, AI wordt een autonome collega binnen de delivery-keten, en kwaliteit wordt meetbaar, traceerbaar en aantoonbaar in elke stap van het proces.
Waar staan we nu, waar gaan we naartoe?
De afgelopen vijf jaar draaiden om praktische, snelle en schaalbare oplossingen. De komende vier jaar draait het om vertrouwen: aantonen dat software veilig, eerlijk, uitlegbaar en duurzaam is, ook met AI en agents. Routinewerk wordt overgenomen door LLM’s, evidence-first antwoorden en ingebouwde AI-functionaliteit worden de norm, en teams die trainen, borgen en governance afdwingen, plukken de echte voordelen.
Kwaliteit is ketenwerk, niet één rol.
In de jaren ’20 is kwaliteit uitgegroeid tot een integraal onderdeel van de volledige softwarelevenscyclus. Alle disciplines dragen bij: product definieert en borgt waarde en risico’s; development levert met ingebouwde checks; ops bewaakt betrouwbaarheid en herstelbaarheid; security en data governance bewijzen compliance. De testprofessional verschuift daarmee naar een coachende en faciliterende rol: risico’s expliciteren, quality gates en werkafspraken neerzetten, teams helpen beter beslissen. De test engineer focust op testautomatisering: van contract- en API-tests tot E2E, data & observability-koppelingen — kortom, het draaiend krijgen en houden van de kwaliteitspijplijn.
AI als strategie verandert de kwaliteits-mindset.
Zodra organisaties AI niet meer “hobbymatig” gebruiken maar strategisch, verschuift de focus van alleen codekwaliteit naar modelkwaliteit: dataprovenance, bias/fairness, reproduceerbaarheid, red-teamen van prompts en agents, en human-in-the-loop als vaste veiligheidsrail. Je testpiramide krijgt er lagen bij: dataset-checks, modelvalidaties, drift-monitoring en policy-gedreven releasebeslissingen.
Evidence-based leveren.
Richting 2030 zie ik pipelines waar evidence net zo vanzelfsprekend is als unit-tests: live-signalen uit productie, model-audits, SBOM’s en supply-chain-attestations stromen automatisch mee. AI doet steeds meer voorwerk (impactanalyse, flake-diagnose, datageneratie), maar wij blijven eigenaar van de keuzes, met gezond wantrouwen, duidelijke normen en het lef om “niet releasen” óók als kwaliteitsbeslissing te nemen.
Zo voelt de revolutie van de jaren ’20: minder spektakel, meer vakkundige vanzelfsprekendheid, met kwaliteit als gedeelde verantwoordelijkheid, elke dag, in elke stap.
Vooruitblik jaren ’30 – Toekomst van testen.
Waar de jaren ’20 draaiden om versnelling en AI-integratie, opent het volgende decennium een nieuw speelveld. In mijn laatste blog ga ik in op kwantumcomputing, dat fundamentele testuitdagingen zal opleveren. Ook komt generative AI aan bod, die zich verder ontwikkelt van copilots naar autonome agents. Tot slot bespreek ik wat deze innovaties betekenen voor veiligheid, ethiek en kwaliteit in softwareontwikkeling.
Artikel 1 van deze reeks: De Pioniers van Softwaretesten (jaren ’70)
Artikel 2 van deze reeks: De Opkomst Van Systematisch Testen (jaren ’80)
Artikel 3 van deze reeks: De Formele Structurering van Testen (jaren ‘90).
Artikel 4 van deze reeks: De opkomst van de Testprofessional (jaren 2000/2009)
Artikel 5 van deze reeks: De Digitalisering en Cloudtransitie van Softwaretesten (jaren ’10)
Artikel 6 van deze reeks: De revolutie van softwaretesten (jaren ’20)(dit artikel)
Artikel 7 van deze reeks: De toekomst van testen (jaren ’30)