Test-Generierung durch KI bezeichnet das automatisierte Erzeugen von Unit-, Integrations- und teils auch End-to-End-Tests durch Sprachmodelle. Der Entwickler übergibt eine Funktion, ein Modul oder eine Anforderungsspezifikation; das Modell erzeugt passende Tests samt Fixtures, Mocks und Assertions.
Umgesetzt wird das u. a. in Copilot, Cursor, Claude Code, JetBrains AI Assistant oder spezialisierten Werkzeugen wie Diffblue Cover (für Java). Ergänzt werden klassische Praktiken wie property-based testing oder mutation testing zunehmend durch Modelle, die Testfälle aus Beispielen oder Edge-Cases generieren.
Einsatzzweck ist die schnelle Erhöhung der Testabdeckung – vor allem in Legacy-Systemen, in denen über Jahre wenig Tests entstanden sind. Auch in TDD-Workflows kann KI-gestützte Generierung helfen, schnell mehrere mögliche Testfälle aufzuzeichnen, von denen der Entwickler bewusst auswählt.
Forschungsarbeiten wie "AthenaTest" oder "CodeT" haben gezeigt, dass Modelle sinnvolle Tests generieren können, gleichzeitig aber blind erzeugte Tests ("Tests, die das Verhalten zementieren, statt die Anforderung zu prüfen") problematisch sein können. Reife Workflows kombinieren KI-Generierung mit manueller Überprüfung.
In der Praxis ist Test-Generierung besonders nützlich, wenn sie mit Spezifikationen, Beispielen oder property-based-Definitionen kombiniert wird – statt nur den vorhandenen Code zu beschreiben. Damit verschiebt sich der Fokus weg von "Test schreiben" hin zu "Spezifikation gut formulieren", was wiederum Spec-Driven Development stützt.