AI in der Softwareentwicklung klingt oft nach Magie – Code generieren lassen, Probleme automatisch lösen, Tests bestehen lassen. Doch die Realität sieht anders aus: Es braucht viele Iterationen, menschliche Korrekturen und klare Kommunikation, um ans Ziel zu kommen. In einer intensiven Session haben wir die Integration von TestContainers in eine Kotlin/Spring-Boot-Codebasis mit Unterstützung einer AI (Claude) umgesetzt. Das Ergebnis: 100 % grüne Tests – aber der Weg dorthin war alles andere als geradlinig.

> Siehe zu diesem Thema auch unseren Blogbeitrag „Jaraco Bills – Eine AI-generierte Rechnungsverwaltung“

Die größten Herausforderungen

• Falsche Annahmen zu Beginn
  Die AI startete mit generischen Tipps und sogar mit einem falschen Technologie-Stack (TypeScript statt Kotlin). Erst klare Anweisungen führten zurück auf den richtigen Weg.
• Teilweise Lösungen, viele Iterationen
  Von 93 erfolgreichen Tests im ersten Anlauf, über 158 im zweiten bis schließlich zu 166 von 166. Jede Runde brachte Fortschritt, aber auch neue Probleme.
• Unerwartete Konflikte
  Annotationen (@DataJpaTest vs. @SpringBootTest) führten zu Konflikten, die die AI nicht vorhergesehen hatte.
• Missverständnisse bei Anforderungen
  Die AI änderte zunächst sogar Produktionscode – obwohl ausdrücklich nur Tests angepasst werden sollten.
• Zu komplexe Ansätze
  Anfangs wurden komplizierte Cleanup-Strategien entworfen, bis die einfache Lösung gefunden wurde: getrennte Schemas für unterschiedliche Testarten (Testcontainer vs. Mocks).

Was am Ende funktionierte

• Explizite Rechercheanforderungen: Erst wenn die AI konkret benannte, welche Infos sie brauchte, kamen bessere Lösungen.
• Kleine Schritte statt großer Sprünge: Jede Änderung wurde sofort getestet, statt alles auf einmal umzubauen.
• Direkte Befehle: Kurze, klare Anweisungen („fix“, „push das“) halfen mehr als lange Diskussionen.
• Humor und Frust: Frust trieb Klarheit, Humor hielt die Zusammenarbeit am Laufen.

Zahlen, die für sich sprechen

• 6 Iterationen für TestContainers-Setup
• 4 Iterationen für JSON-Probleme
• 3 Iterationen für SQL-Typfehler
• 2 komplette Neuschreibungen von Docker-Compose
• Von 0 % erfolgreiche Tests → auf 100 % (166/166)
• Testabdeckung: von 42 % auf 63 %

Die Learnings

Für Entwickler:innen:

• Klare Grenzen und Anforderungen setzen („nur Tests, nicht Produktion“).
• Erst recherchieren lassen, dann umsetzen.
• Iteratives Vorgehen akzeptieren – kleine, kontrollierte Schritte.

Für AI-Systeme:

• Voraussetzungen prüfen, bevor Lösungen angeboten werden.
• Einfache Lösungen bevorzugen.
• Unsicherheiten transparent machen.

Fazit

AI-gestützte Entwicklung ist kein Zaubertrick. Sie ist ein iterativer Prozess, voller kleiner Fehler und Korrekturen – aber mit dem richtigen Zusammenspiel von Mensch und Maschine lassen sich echte Fortschritte erzielen.
Der Weg von 0 zu 100 % grünen und brauchbaren Tests zeigt: Erfolg entsteht durch Zusammenarbeit, klare Kommunikation und pragmatische Lösungen.