ISTQB CT-AI (Certified Tester AI Testing): Der komplette Leitfaden 2026

Die ISTQB-CT-AI-Zertifizierung (Certified Tester AI Testing) weist nach, dass ein Tester KI-basierte Systeme systematisch testen kann — insbesondere maschinelles Lernen (ML) und generative KI wie große Sprachmodelle. Der aktuelle Lehrplan, Version 2.0, ist seit dem 17. April 2026 verfügbar und die Version, die jeder neue Kandidat lernen sollte. Kurz gefasst: 40 Fragen mit insgesamt 44 Punkten, 29 Punkte zum Bestehen, 60 Minuten, CTFL vorausgesetzt — alle Details, auch dazu, was ISTQB zu dieser Prüfung veröffentlicht und was nicht, stehen in unserem CT-AI-v2.0-Prüfungsleitfaden.

Was ist die ISTQB-CT-AI-Zertifizierung?

CT-AI ist ein herstellerneutrales Spezialistenzertifikat im ISTQB-Schema. Es bringt dir nicht bei, Modelle zu bauen, sondern sie zu testen — herauszufinden, wo ein KI-System falsch, unfair oder unvorhersehbar reagiert, und seine Qualität mit den richtigen Metriken zu beurteilen. Es baut auf dem Foundation Level (CTFL) auf und richtet sich an Tester, Testanalysten, Testingenieure sowie Data Scientists und Analysten, die verstehen wollen, wie ihre Daten und Modelle validiert werden.

Was ist neu in CT-AI v2.0 (2026)?

Version 2.0 ist eine grundlegende Überarbeitung, keine Auffrischung. Die wichtigsten Änderungen:

• In sieben Bereiche entlang des Lebenszyklus umstrukturiert, geordnet nach Eingabedaten, Modell und ML-Entwicklungsprozess statt nach KI-Theorie.

• Testen generativer KI und von LLMs ergänzt: Prompt-Robustheit, Halluzination und Groundedness, Nicht-Determinismus und Red Teaming.

• Zwei explizite ML-Teststufen: Eingabedatentests (Repräsentativität, Labelqualität, Leakage) und Modelltests (Metriken, metamorphes und Back-to-Back-Testen).

• Deployment-Tests, inklusive Data Drift und Rollout-Strategien wie Canary-Releases.

• Moderne Modellpraxis: vortrainierte Modelle, Fine-Tuning und Retrieval-Augmented Generation (RAG).

• Der Block "KI fürs Testen nutzen" wurde entfernt und lebt nun in der separaten CT-GenAI-Zertifizierung.

Das Material ist dichter und praxisnäher als in v1.0 — ein v1.0-Kurs oder eine v1.0-Fragensammlung ist damit veraltet und keine Abkürzung. Unser ausführlicher Vergleich CT-AI v2.0 gegen v1.0 geht jede Änderung durch.

CT-AI oder CT-GenAI? Zwei verschiedene Prüfungen

Das ist der häufigste Buchungsfehler im ISTQB-Katalog und er kostet eine volle Prüfungsgebühr. CT-AI dreht sich um das Testen von KI: das KI-System ist dein Testobjekt, und du sollst ein Modell abnehmen, das jemand anderes trainiert hat. CT-GenAI (Certified Tester Testing with Generative AI) geht in die andere Richtung — generative KI als Werkzeug für die eigene Testarbeit, von Testideen bis zu Testdaten. Wer einen Klassifikator, eine Empfehlungsmaschine oder ein LLM-Feature freigeben muss, braucht CT-AI. Wer einen Assistenten für schnellere Testfälle sucht, braucht CT-GenAI. Und wer beides will, hat eine klare Reihenfolge: CT-AI zeigt dir, wie ein Modell scheitert, und genau diese Skepsis brauchst du, um generative KI verantwortungsvoll einzusetzen.

Was der CT-AI-v2.0-Lehrplan abdeckt

Qualitätsmerkmale von KI-Systemen

KI-Systeme bringen Qualitätsfaktoren mit, die klassische Software nicht kennt: Bias und Fairness, Transparenz und Erklärbarkeit, Autonomie, Anpassungsfähigkeit und Nicht-Determinismus. Eine korrekt aussehende Ausgabe kann dennoch falsch sein, wenn das Modell verzerrt ist oder das Ergebnis nicht erklärt werden kann. CT-AI lehrt, diese als eigenständige Testziele zu behandeln.

Testen von Machine-Learning-Systemen

Das ist der Kern der Prüfung. Du testest zuerst die Daten vor dem Modell (Vollständigkeit, Repräsentativität, Labelkorrektheit, Leakage) und dann das Modell selbst mit Metriken wie Precision, Recall und F1, abgelesen aus einer Konfusionsmatrix. Techniken sind metamorphes Testen, Back-to-Back-Tests gegen eine Referenzimplementierung und A/B-Tests in Produktion. Warum Accuracy allein bei unausgeglichenen Daten irreführt, ist ein häufiges Prüfungsthema. Wenn dir diese Metriken neu sind, beginne mit unserer Erklärung von Precision, Recall und F1 für Tester.

Testen generativer KI und von LLMs

Das neueste Material. Weil LLM-Ausgaben nicht-deterministisch sind, kannst du dich nicht auf ein einzelnes erwartetes Ergebnis verlassen; stattdessen testest du auf Groundedness, Faktentreue, Sicherheit und Robustheit gegen adversariale Prompts. Red Teaming — das gezielte Aufspüren unsicheren oder regelwidrigen Verhaltens — ist nun Teil des Lehrplans, ebenso RAG-spezifische Risiken und Bewertungsmetriken.

Voraussetzungen und Zielgruppe

Die einzige harte Voraussetzung ist CTFL. Darüber hinaus eignet sich CT-AI für Tester, die in KI-Projekte wechseln, Automatisierungsingenieure, die ML-Pipelines validieren, und Data Scientists, die ein gemeinsames Vokabular mit der QA suchen. Du musst kein Modell von Grund auf trainieren können, aber Grundkenntnisse in Statistik und das Konzept der Konfusionsmatrix helfen.

Und für wen nicht: Wer in seiner Organisation kein Modell in Produktion sieht und auch kein solches Projekt in Aussicht hat, holt den Aufwand dieses Jahr nicht heraus — CTFL plus eine Spezialisierung auf Testentwurfsverfahren bringt bei gleichem Einsatz mehr. CT-AI zahlt sich aus, sobald du derjenige bist, der sagen muss, ob ein probabilistisches System gut genug für ein Release ist; diese Frage beantwortet klassischer Testentwurf nicht.

Was das Zertifikat praktisch wert ist

Zwei ehrliche Erwartungen. Einen KI-Testjob verschafft es dir nicht allein: In diesem Feld wird über Konfusionsmatrizen, Data Leakage und Evaluationsdesign gesprochen, und das Zertifikat belegt nur, dass du dieses Vokabular kennst. Was es leistet: ein herstellerneutraler, begründbarer Rahmen in einem Feld, in dem fast jede Alternative der Kurs eines Toolherstellers ist — und eine gemeinsame Sprache zwischen QA und Data Science, denn genau dort verlieren KI-Projekte in der Praxis am meisten Zeit. Wenn der Arbeitgeber eine akkreditierte Schulung zahlt, ist die Struktur, die sie in ein unübersichtliches Thema bringt, mehr wert als das Abzeichen.

Wie du dich vorbereitest

Beginne mit dem offiziellen CT-AI-Lehrplan und dem ISTQB-Glossar und übe dann die schwierigeren K3-Bereiche — Metrikberechnung, Eingabedatenfehler und LLM-Bewertung — mit realistischen Übungsfragen statt auswendig gelernten Definitionen. Unsere kostenlose CT-AI-Probeprüfung bildet das echte Format ab (40 Fragen, 65% Bestehensgrenze) und enthält Szenario- und Konfusionsmatrix-Aufgaben mit einer schriftlichen Begründung zu jeder Antwort. Einen Wochenplan liefert unser CT-AI-Lernplan, und die Nachschlagefakten — Punkte, Zeit, Fremdsprachenzuschlag — stehen in den häufigen Fragen zu CT-AI v2.0.

Wer CTFL noch nicht hat, beginnt am besten mit unserem kompletten ISTQB-CTFL-Foundation-Leitfaden — er ist das Tor zu CT-AI und zum gesamten ISTQB-Pfad.