Kursbeschreibung
Viele Organisationen haben ein Bug-Tool, aber kein Bug-System: Tickets sind uneinheitlich, Prioritäten werden diskutiert statt entschieden, und Releases werden zur Zitterpartie. In diesem Seminar machst Du aus Bug-Tracking ein belastbares Management-Instrument und nutzt KI dort, wo sie Routinearbeit reduziert. Du startest mit der Definition von „guten Bugs“: Welche Informationen sind verpflichtend, wie sehen reproduzierbare Schritte aus, und welche Regeln gelten für Definition of Ready und Done? Darauf aufbauend nutzt Du GenAI, um Tickets zu normalisieren, Zusammenfassungen zu erzeugen und Rückfragen automatisch so zu formulieren, dass sie die fehlenden Details punktgenau einholen. Du lernst außerdem, Duplikate und ähnliche Issues zu erkennen und nach Ursache, Komponente und Impact zu clustern. Im nächsten Schritt verbindest Du Bug-Management mit Delivery: CI/CD-Informationen, Test-Reports, Builds und Deployments fließen in die Bewertung ein. Du entwickelst Release-Risiko-Indikatoren und Quality Gates, die mehr aussagen als eine reine Bug-Anzahl. Danach planst Du konkrete Automatisierungen in Jira, Azure DevOps oder vergleichbaren Systemen: Auto-Assign, Auto-Labels, Routing-Regeln und KI-gestützte Status-Updates. Damit das verantwortungsvoll bleibt, setzt Du Governance auf: Umgang mit sensiblen Daten, auditierbare Prompts, Qualitätschecks gegen Halluzinationen und klare Stop-Kriterien für Automatik. Am Ende steht eine praxistaugliche Blaupause inklusive KPI-Set, Automations-Backlog und Playbook, mit dem Du Bug Debt senkst und die Zusammenarbeit zwischen Produkt, QA und Entwicklung spürbar beschleunigst.
Zielgruppe
- QA-Engineers, Testmanagerinnen und Testmanager
- Engineering Managerinnen und Engineering Manager, Team Leads
- Product Ownerinnen und Product Owner, Technical Product Manager
- DevOps- und Release-Verantwortliche
- Für alle, die Bug-Tracking mit KI so aufsetzen wollen, dass Qualität und Lieferfähigkeit messbar steigen.
Voraussetzung für die Schulung
- Grundverständnis von Softwareentwicklung und Bug-Workflows (z. B. Jira oder Azure DevOps).
- Keine KI-Vorkenntnisse erforderlich.
Kursinhalte
- Bug-Triage mit KI statt Bauchgefühl
- Signal vs. Noise: Duplikate, Reopen-Gründe, „Low Value“-Tickets
- Automatisches Clustering nach Ursache, Komponente, Impact
- Priorisierung mit Risiko- und Kundennutzen-Sicht
- SLAs und Warteschlangen: Regeln, die KI ergänzt
- Ticket-Qualität, die Entwicklerinnen und Entwickler lieben
- KI-gestützte Ticket-Vorlagen: Repro Steps, Expected/Actual, Environment
- Log- und Stacktrace-Zusammenfassungen für schnelle Diagnose
- Rückfragen-Automation: fehlende Infos gezielt nachfordern
- Definition of Ready und Done für Bugs
- Root Cause, Trends und Release-Risiken
- Fehlerklassen und Muster: Regression, Konfiguration, Race Conditions
- Hotspots erkennen: Module, Teams, Builds, Umgebungen
- Release-Readiness mit KI-Indikatoren und Quality Gates
- „Bug Debt“ messen und abbauen
- Automatisierung in Jira, Azure DevOps & Co.
- Workflows: Auto-Routing, Auto-Labels, Auto-Assign
- GenAI für Kommentare, Zusammenfassungen, Status-Updates
- Integration mit CI/CD: Build-Infos, Test-Reports, Deployments
- Guardrails: wann Automatik stoppt und Menschen entscheiden
- Governance, Datenschutz und sichere Nutzung von GenAI
- Prompting für Tickets: präzise, reproduzierbar, auditierbar
- Umgang mit sensiblen Daten in Logs und Anhängen
- Qualitätskontrollen: Halluzinationen, Bias, falsche Prioritäten
- Messbare KPIs: Lead Time, Reopen Rate, Triage Throughput
- Praxiswerkstatt: Dein KI-gestützter Bug-Prozess
- Ist-Prozess aufnehmen und Engpässe identifizieren
- Automations-Backlog: Quick Wins und robuste Schritte
- Playbook: Rollen, Regeln, Eskalationen, Templates
- Rollout-Plan inkl. Training und Change-Kommunikation
