Testsuites für erfolgreiche Softwaresysteme wachsen stetig. Irgendwann werden sie aber so groß, dass sie kaum noch zu handhaben sind. Lange Laufzeiten, Tests, die im Grunde dasselbe testen, oder auch Tests mit niedrigerer Qualität, die keine Fehler finden, sind dann an der Tagesordnung. Das macht die Testausführung mühselig und langwierig. Auch eine Migration zu anderen Testplattformen, etwa weil die aktuelle nicht mehr den Ansprüchen genügt oder aufgrund steigender Preise schlichtweg zu teuer wird, ist dadurch schwieriger. Wir können nicht alle Tests auf einmal aussortieren, aber auch nicht jeden einzelnen bewerten. Wie geht man also am besten vor? Auf welche Tests soll man sich konzentrieren? Wir zeigen in einer Demo, wie KI dabei hilft, möglichst unterschiedliche Tests zu identifizieren. Ziel ist es, möglichst viele verschiedene Funktionen der Software zu testen und einen Großteil des Codes abzudecken. Dazu nutzen wir eine Auswahl an Test-Clustern, die aus einzelnen Testfällen gebildet werden. Für dieses „AI Test Clustering“ nutzen wir Embeddings die von Sprachmodellen generiert werden. Praxisnah demonstrieren wir, wie sich dieses Vorgehen über die Software Intelligence Platform Teamscale in Ihre Analysen oder Pipelines integrieren lässt und warum das Setup einfacher ist, als mit traditionellen, coverage-basierten Ansätzen. Ziel ist es, nur die wesentlichen Testfälle zu behalten. So wird die Testsuite wieder schlanker und lässt sich leichter warten oder migrieren.