Shifting quality right: van meten naar verbeteren

Tegelijkertijd blijft de impact van al die inzichten vaak beperkt. Het World Quality Report 2025–2026 benoemt precies dat spanningsveld: er is veel zicht op wat er in productie gebeurt, maar die kennis wordt nog te weinig benut om kwaliteit structureel te sturen.

Productie is transparant, maar eigenaarschap over kwaliteit blijft diffuus

In de meeste organisaties is productie inmiddels goed zichtbaar. Dashboards zijn beschikbaar, alerts lopen binnen en data is breed toegankelijk. Die transparantie leidt tot observaties en discussies, maar minder vaak tot structurele keuzes.

Productie‑inzichten zijn zelden expliciet gekoppeld aan beslissingen over teststrategie, acceptatiecriteria of ontwerp. Ze worden bekeken en gedeeld, maar verdwijnen daarna weer naar de achtergrond. Niet uit onwil, maar omdat verantwoordelijkheid voor de vervolgstap vaak niet helder is belegd. Zonder duidelijk eigenaarschap blijft shift‑right vooral observerend in plaats van richtinggevend.

SRE wordt erkend, maar zelden structureel ingebed

Site Reliability Engineering (SRE) past inhoudelijk goed bij de uitdagingen van moderne IT‑landschappen. Stabiliteit, veerkracht en foutdetectie worden expliciet onderdeel van engineering. Toch blijft SRE in veel organisaties steken in pilots of beperkte opschaling.

De waarde wordt gezien, maar de vertaling naar dagelijkse werkwijzen blijft lastig. Niet door gebrek aan tooling, maar doordat governance, mandaat en samenhang ontbreken. SRE fungeert daardoor vaker als ambitie dan als vast onderdeel van het kwaliteitsmodel.

AI versnelt analyse van productie‑data, maar neemt geen kwaliteitsbeslissingen over

AI en machine learning spelen een steeds grotere rol in het analyseren van operationele telemetry. Patronen worden sneller herkend en ruis wordt beter gefilterd. In de praktijk blijft het gebruik vaak beperkt tot ondersteunende analyse en KPI‑rapportage.

Wat AI niet doet, is bepalen wat testwaardig is of welk risico acceptabel is. Die keuzes blijven menselijk. Het rapport laat zien dat AI vooral waarde toevoegt als hulpmiddel, niet als beslisser. Daarmee bevestigt het de rol van Quality Engineering: interpretatie en afweging blijven essentieel.

Testen in productie volgt de gebruiker, niet het systeem

Testen in productie richt zich in veel organisaties vooral op gebruikerservaring. Mobile analytics en A/B‑testing zijn breed ingezet en leveren directe feedback op. Dat maakt kwaliteit zichtbaar en meetbaar.

Tegelijkertijd blijven praktijken die gericht zijn op systeemgedrag en veerkracht, zoals canary releases en chaos testing, beperkt toegepast. Juist daar zitten risico’s die pas zichtbaar worden onder druk. Door de focus op wat direct merkbaar is voor de gebruiker, blijft een deel van de technische kwetsbaarheid buiten beeld.

Productie‑inzichten worden verzameld, maar zelden vooruitkijkend benut

Productie‑data wordt vrijwel overal geanalyseerd. In de praktijk gebeurt dat vooral reactief: na incidenten of tijdens warranty‑periodes. De stap naar continue, proactieve bijsturing van teststrategie wordt maar door een kleine groep gezet.

Niet omdat de intentie ontbreekt, maar omdat vaste routines en besluitmomenten ontbreken. Zonder structurele verankering blijft productie‑data iets dat op gezette momenten wordt bekeken, in plaats van een vast onderdeel van kwaliteitssturing.

De beperkingen van shift‑right zitten niet in tooling, maar in afspraken

Het rapport is helder: de meeste organisaties beschikken al over de benodigde tools. Wat ontbreekt, zijn expliciete afspraken over de toepassing van inzichten. Vragen zoals:

• Wanneer leidt een productie‑signaal tot aanpassing van testontwerp?
• Wie bepaalt dat een patroon structureel risico vormt?
• Wanneer wordt “goed genoeg” bewust en expliciet vastgesteld?

Zolang deze vragen onbeantwoord blijven, blijft shift‑right fragmentarisch.

Shift‑right vraagt om expliciete kwaliteitskeuzes

Shifting quality right vraagt niet om meer dashboards of complexere analyses. Het vraagt om kwaliteit expliciet maken. Dat gebeurt in kleine, maar betekenisvolle keuzes:

• Productie‑inzichten vertalen naar testontwerp.
• Aannames benoemen in plaats van impliciet laten.
• Risico’s expliciet accepteren of afwijzen.

Dit raakt de kern van Quality Engineering: kwaliteit ontwerpen over de volledige lifecycle, inclusief productie.

Van meten naar kiezen

Shifting quality right is geen extra discipline, maar een andere manier van kijken naar kwaliteit. Het WQR laat zien dat veel organisaties onderweg zijn, maar nog zoeken naar hoe inzichten echt richting geven.

De organisaties die verder komen, gebruiken productie‑data niet alleen om te zien wat er gebeurt, maar om keuzes te maken over wat acceptabel is en wat niet. Daar wordt shift‑right geen bron van frustratie, maar een logisch vervolg op vakmanschap binnen Quality Engineering.

Wil je de context, nuances en onderbouwing achter deze inzichten? Download nu het World Quality Report 2025–2026 en lees het volledige hoofdstuk over Shifting Quality Right, inclusief praktijkdata en aanbevelingen voor Quality Engineering

Het World Quality Report (WQR) 2025‑2026 laat zien dat Enterprise Quality Engineering (QE) precies daar zit: midden in dat spanningsveld. Organisaties willen sneller veranderen, experimenteren met AI en verantwoordelijkheden lager in teams beleggen. Tegelijkertijd zorgen legacy‑systemen, ketenafhankelijkheden en regelgeving ervoor dat fouten nauwelijks worden vergeven. Kwaliteit wordt daardoor niet vanzelf meegenomen; je moet haar bewust organiseren.

Geen eenduidige richting voor Quality Engineering in complexe organisaties

Wat opvalt, is hoe verschillend organisaties naar de toekomst van Enterprise QE kijken. De ene groep verwacht nieuwe rollen, zoals AI‑agents en gespecialiseerde quality‑functies. De andere groep ziet juist een afname van klassieke QE‑rollen, waarbij testing vooral bij developers en business‑teams komt te liggen, ondersteund door AI‑tooling.

Dat verschil is geen detail. Het laat zien dat er nog geen gezamenlijk beeld is van waar Enterprise QE naartoe beweegt. Wat wél overal voelbaar is: de spanning tussen verantwoordelijkheid en zeggenschap. Testing verschuift richting teams dicht op de business, terwijl de impact van fouten organisatiebreed is. In de praktijk betekent dat vaak: je bent verantwoordelijk voor kwaliteit, maar niet altijd degene die beslist. En precies daar wringt het.

Waarom security en compliance leidend zijn voor kwaliteit

In enterprise‑omgevingen kun je kwaliteit niet los zien van security en privacy. AI‑gedreven ontwikkeling en automatisering maken systemen krachtiger, maar ook kwetsbaarder. Zeker waar data, beslislogica en integraties samenkomen.

Voor Quality Engineering betekent dit dat “werkt het?” niet meer genoeg is. Het gaat ook om aantoonbaarheid. Kun je uitleggen waarom een systeem dit besluit neemt? Kun je verantwoorden waarom een AI‑model dit patroon volgt? En kun je laten zien dat dit binnen de geldende kaders past? Dat zijn geen theoretische vragen, maar dagelijkse realiteit. Hier laat QE zijn waarde zien: door vooraf duidelijke kwaliteitscriteria af te spreken en daar ook echt op te toetsen.

De rol van AI in testen: ondersteuning met duidelijke grenzen

Hoewel generative AI volop wordt verkend, blijft grootschalige inzet in enterprise‑testing beperkt. Dat is meestal geen koudwatervrees, maar een bewuste afweging. ERP‑systemen zijn bedrijfskritisch; fouten werken direct door in financiële processen, klantafhandeling en rapportages.

AI wordt daarom vooral ingezet als ondersteuning: bij analyse, voorbereiding, documentatie en het herkennen van patronen. De stap naar structureel gebruik vraagt om volwassen governance, duidelijke verantwoordelijkheid en toetsbare uitkomsten. Zolang dat niet goed is ingericht, blijft AI een versneller van werk en niet de partij die beslissingen neemt.

Wat verspreid testen vraagt van de Quality Engineering‑rol

Het rapport laat zien dat testing in enterprise‑omgevingen steeds vaker wordt uitgevoerd door business‑analisten, functionele teams en developers. De uitvoering verschuift dus. De behoefte aan diepgang niet. Sterker nog: juist als testen verspreid plaatsvindt, groeit de behoefte aan samenhang.

Hier verandert de rol van Quality Engineering zichtbaar. Minder zelf alles testen, meer sturen op structuur. Wat testen we wel? Wat laten we bewust liggen? En op basis waarvan? Die QE‑diepte zit niet in nóg meer automatisering, maar in scherp testontwerp, expliciete risico‑afwegingen en duidelijke acceptatiecriteria. Zo wordt kwaliteit geen aanname, maar iets wat je kunt uitleggen.

Waarom complexiteit en governance grotere obstakels zijn dan tooling

De grootste uitdagingen voor Enterprise QE zitten zelden in tools. Ze zitten in complexiteit. Legacy‑integraties blijven lastig te testen, AI‑componenten zijn niet‑deterministisch en moeilijk uit te leggen, en test‑ en productieomgevingen blijven structureel verschillen. Automatisering kan dat niet zomaar bijbenen.

Daarbovenop komt een bekend patroon: Quality Engineering wordt nog vaak gezien als ondersteunend. Er zijn hoge verwachtingen van kwaliteit, maar beperkte ruimte om die kwaliteit ook echt te sturen. In zo’n context blijft “goed genoeg” vaak impliciet, terwijl dat juist in enterprise‑landschappen expliciet moet zijn.

AI‑agents veranderen het testwerk, niet de verantwoordelijkheid

AI‑agents doen steeds meer: tests genereren, resultaten analyseren, standaardcontroles uitvoeren. Dat verkort doorlooptijden en verandert het werk van QE‑teams. In sommige organisaties zie je daardoor minder zichtbare QE‑capaciteit.

Wat niet verdwijnt, is verantwoordelijkheid. Zeker in gereguleerde en complexe omgevingen blijft menselijk oordeel nodig om AI‑output te duiden, afwijkingen te beoordelen en risico’s bewust te accepteren of af te wijzen. Quality Engineering verschuift daarmee van uitvoeren naar regie: minder doen, maar beter kiezen.

Een tweesporenaanpak voor kwaliteit in complexe IT‑landschappen

Het World Quality Report schetst geen keuze tussen traditioneel of AI‑gedreven QE, maar een realistische tweesporenaanpak. Traditionele QE blijft nodig voor kernsystemen, complexe ketens en gereguleerde processen. Tegelijkertijd groeit AI‑gedreven QE rondom nieuwe toepassingen en minder risicovolle delen van het landschap.

Organisaties die dit goed doen, kiezen niet één model. Ze ontwerpen kwaliteit rond impact en risico. Ze beleggen eigenaarschap expliciet, investeren in vakmanschap en zetten AI in als versneller; niet als vervanger.

Quality Engineering vraagt om bewuste ontwerpkeuzes

Enterprise Quality Engineering ontwikkelt zich niet vanzelf en ook niet door tooling alleen. Het vraagt om bewuste keuzes: over eigenaarschap, over stopcriteria en over de rol van menselijk oordeel in een steeds autonomer landschap.

Kwaliteit ontstaat niet vanzelf in complexe enterprise‑omgevingen. Kwaliteit wordt ontworpen.

Dit artikel geeft een inkijkje in Enterprise Quality Engineering, maar laat nog lang niet alles zien. Het volledige rapport gaat dieper in op trends, dilemma’s en keuzes waar QET‑professionals dagelijks mee te maken hebben. Download nu het World Quality Report 2025‑2026.

Liever luisteren? Luister dan de WQR-podcast aflevering