Het probleem
Binnen veel organisaties leeft een sterke en herkenbare overtuiging: enterprise-grade testing vereist enterprise-grade tools. Daardoor worden hoge licentiekosten vaak als vanzelfsprekend geaccepteerd, in plaats van ter discussie gesteld.
Deze manier van denken zorgt voor afhankelijkheid van externe platforms en beperkt de flexibiliteit in hoe testprocessen worden ingericht. Het ontmoedigt bovendien het verkennen van alternatieven. Ons experiment doorbrak deze aanname door een andere aanpak te kiezen: kleine, gerichte proof of concepts om te toetsen of het vervangen van dit soort tools niet alleen mogelijk is, maar ook praktisch uitvoerbaar.
De onderzoeksvraag
Ons AI-experiment richtte zich op twee nauw verbonden vragen:
Kan Lovable worden gebruikt om een AI-gedreven proof of concept te bouwen die de kernfunctionaliteiten van Testmo vervangt?
Hoe effectief kan AI testmanagement ondersteunen terwijl de licentiekosten worden verlaagd?
Het experiment
Om dit te onderzoeken, gebruikten we Lovable (een AI-tool die code genereert op basis van prompts) om snel een eerste versie van een maatwerk testoplossing te bouwen. In korte tijd ontwikkelden we een werkend proof of concept dat de essentiële functionaliteiten van Testmo nabootste.
Tegelijkertijd had Infodation al eigen software ontwikkeld om testresultaten uit verschillende testplatformen te verzamelen. Door deze initiatieven te combineren, konden we de bestaande third-party oplossing vervangen door een intern ontwikkelde tool.
Dit resulteerde niet alleen in lagere maandelijkse licentiekosten, maar ook in betere controle over data en veiligheid, doordat alle informatie binnen onze eigen omgeving bleef.
Resultaten
Eén inzicht viel direct op: snelheid en kostenbesparing kunnen prima samengaan.
Met Lovable konden we snel een functioneel proof of concept bouwen dat de belangrijkste Testmo-functionaliteiten dekte, tegen een fractie van de kosten. Wat traditioneel zware tooling en lange implementatietrajecten vereist, kon nu snel worden geprototyped zonder grote initiële investeringen.
Wat betekent dit voor ons werk?
Deze bevindingen wijzen op een duidelijke verschuiving in hoe we naar testtools kijken. We kunnen onze afhankelijkheid van dure externe platforms verminderen en weer meer controle krijgen over onze testprocessen. AI-oplossingen bieden flexibiliteit: tools kunnen worden ingericht rondom onze workflows, in plaats van dat teams zich moeten aanpassen aan starre systemen.
Misschien nog belangrijker: dit experiment laat zien dat lagere kosten, mits AI op de juiste manier wordt toegepast, niet automatisch betekenen dat de kwaliteit afneemt.
De impact gaat verder dan alleen testmanagement. Interne, AI-gedreven tools kunnen worden ontwikkeld die precies aansluiten op onze QA-behoeften. Oplossingen gebaseerd op Lovable kunnen worden opgeschaald naar andere interne processen. En de besparingen die hiermee worden gerealiseerd, kunnen opnieuw worden geïnvesteerd in kwaliteit, innovatie en de onderdelen die echt waarde toevoegen.
Het doorbreken van de status quo in testing
Dit experiment laat zien dat testmanagement niet per se afhankelijk hoeft te zijn van dure, generieke tools. Door AI te combineren met slimme ontwerpkeuzes hebben we aangetoond dat kernfunctionaliteiten van testing sneller, goedkoper en flexibeler opnieuw kunnen worden opgebouwd, zonder in te leveren op kwaliteit.
Kleine experimenten zoals deze helpen ons aannames te doorbreken, meer controle te krijgen over onze tooling en bewuster te kiezen waar we in de toekomst in investeren.
