Agentische KI in der Fertigung ist eine Software, die mehrstufige Arbeitsabläufe in Ihren Fabriksystemen plant und ausführt. Sie erkennt ein Problem, entscheidet, was zu tun ist, und ergreift Maßnahmen, wobei ein Mensch die Grenzen festlegt. Die Einführung befindet sich noch in einem frühen Stadium, schreitet jedoch zusehends voran: In einer Umfrage des Manufacturing Leadership Council aus dem Jahr 2025 gaben 6% der Hersteller an, bereits heute agentische KI zu nutzen, und 24% rechnen damit, dies innerhalb von zwei Jahren zu tun – eine Vervierfachung. Der größte Engpass ist selten das KI-Modell selbst, sondern der Zustand Ihrer Produktionsdaten.
In den meisten Fabriken kommt bereits KI zum Einsatz. Sie ist in einem Dashboard integriert und meldet einem Mitarbeiter, dass die Gesamtanlageneffektivität (OEE) an Linie 3 gesunken ist. Daraufhin liest der Mitarbeiter die Meldung, öffnet ein zweites System, um den Ersatzteilbestand zu überprüfen, ruft die Instandhaltung an und erstellt von Hand einen Arbeitsauftrag. Die KI hat den Hinweis gegeben. Der Mitarbeiter hat die Arbeit erledigt.
Agentic AI schließt diese Lücke. Das System erkennt die Anomalie, überprüft das ERP-System auf Ersatzteile, plant einen Techniker ein und erstellt den Arbeitsauftrag – wobei der gesamte Ablauf automatisch abläuft, ohne dass ein Mitarbeiter jeden einzelnen Schritt manuell ausführen muss. Das ist der Unterschied zwischen einem Copiloten und einem Agenten: Der eine gibt Empfehlungen, der andere handelt.
Dieser Leitfaden behandelt, was agentische KI in der Fertigung heute tatsächlich leistet, welche Reifegrade Sie zur Einschätzung Ihrer Ziele heranziehen sollten, welche Anwendungsfälle sich am schnellsten auszahlen, welche Risiken zur Einstellung von Projekten führen und wie Sie praktisch den Einstieg finden können, ohne das gesamte Werk darauf zu setzen.
Was versteht man unter agentischer KI in der Fertigung?
Agentische KI in der Fertigung ist ein System, das ein Ziel verfolgt, indem es Schritte plant, Entscheidungen trifft und Maßnahmen über mehrere Produktionssysteme hinweg ausführt, wobei der menschliche Eingriff bei jedem Schritt begrenzt ist. Ein herkömmliches Analysetool zeigt Ihnen an, dass eine Maschine langsam läuft. Ein generativer KI-Copilot erstellt eine Zusammenfassung der Ursachen. Ein Agent unternimmt dann eigenständig den nächsten Schritt: Er bestellt Material nach, passt einen Zeitplan an oder eröffnet ein Wartungsticket und überprüft anschließend, ob die Maßnahme erfolgreich war.
Diese Unterscheidung ist wichtig, da der Begriff “Agent” mittlerweile sehr weit gefasst wird. Ein umbenannter Chatbot ist kein Agent. Ein Dashboard mit einem Suchfeld für natürliche Sprache ist kein Agent. Der Test ist einfach: Führt die Software in einem realen System Aktionen aus oder erzeugt sie lediglich Text, auf dessen Grundlage ein Mensch handeln kann?
Drei Fähigkeiten unterscheiden einen echten Agenten von einem Assistenten. Er nimmt wahr, das heißt, er erfasst Echtzeitsignale von Maschinen, Sensoren und Geschäftssystemen. Er entscheidet, das heißt, er leitet Schlussfolgerungen aus einem Ziel ab und wählt eine Vorgehensweise aus. Er handelt, das heißt, er sendet Rückmeldungen an ein System, das die Abläufe vor Ort verändert. Nimmt man eine dieser drei Fähigkeiten weg, hat man einen intelligenteren Assistenten, aber keinen Agenten.
Warum agentische KI in der Fertigung gerade jetzt an Bedeutung gewinnt
Dieser Wandel vollzieht sich, weil die Technologie nun endlich auch in Systeme vordringt, die früher nur lesbar waren, und weil sich die Zahlen mittlerweile als rentabel erwiesen haben.
Daten zur Einführung untermauern dies. In einer Umfrage des Manufacturing Leadership Council von Anfang 2025 gaben nur 6% der Hersteller an, derzeit agentische KI zu nutzen, während 24% davon ausgehen, dies innerhalb von zwei Jahren zu tun – eine Vervierfachung, wie in Deloittes Roadmap für die Fertigungsindustrie “From vision to value” zitiert wird. Das Capgemini Research Institute stellte fest, dass im Jahr 2025 bereits 28% der Hersteller KI-Agenten in Produktionsumgebungen einsetzten – ein Anstieg gegenüber fast null zwei Jahre zuvor. Für den Gesamtmarkt wird ein Wachstum von rund $9,9 Milliarden im Jahr 2026 auf etwa $57 Milliarden bis 2031 prognostiziert.
Der Amortisationszeitraum ist das, was die Verantwortlichen im operativen Bereich aufhorchen lässt. Bei spezifischen Anwendungsfällen wie der vorausschauenden Instandhaltung und der bildbasierten Qualitätskontrolle wird die Amortisation in der Regel eher in Monaten als in Jahren gemessen. Dabei handelt es sich nicht um jahrzehntelange Transformationsprogramme, sondern um Amortisationszeiten, die sich in Quartalen bemessen lassen.
Neben diesem Optimismus ist jedoch auch Vorsicht geboten. Gartner prognostiziert, dass bis Ende 2027 mehr als 40% Projekte im Bereich der agentenbasierten KI eingestellt werden – bedingt durch steigende Kosten, unklaren geschäftlichen Nutzen und unzureichende Risikokontrollen. Die Technologie funktioniert. Die meisten Misserfolge sind darauf zurückzuführen, dass man am falschen Ende angefangen hat.
Die fünf Stufen der Autonomie von KI in der Fertigung
Das Problem bei den meisten Diskussionen in Fabriken ist, dass “KI” als ein einheitliches Ganzes betrachtet wird. Ein Bildverarbeitungssystem, das einen Fehler meldet, und ein System, das eine ganze Schicht neu plant, sind zwei völlig verschiedene Dinge. Es ist hilfreich, in Autonomieebenen zu denken – so wie die Automobilindustrie das autonome Fahren von „unterstützt“ bis „vollständig autonom“ einstuft.
Hier ist eine praktische Leiter für den Fertigungsbereich.
| Stufe 0 – Manuell | Menschen sammeln Daten, lesen sie und treffen Entscheidungen. Ein Vorgesetzter geht mit einem Klemmbrett die Linie entlang. Es kommt kein Modell zum Einsatz. |
| Stufe 1 – Beschreibend | Die Software meldet, was passiert ist. Dashboards zeigen OEE, Ausfallzeiten und Ausschuss im Nachhinein an. Der Mensch übernimmt die gesamte Auswertung und alle Maßnahmen. |
| Stufe 2 – Beratung | Das System analysiert und gibt Empfehlungen. Es identifiziert die wahrscheinliche Ursache eines Stillstands oder schlägt ein Wartungsfenster vor. Jeder Schritt wird weiterhin von einer Person genehmigt und ausgeführt. Die meisten Fabriken, die behaupten, sie “hätten KI”, befinden sich in dieser Phase. |
| Stufe 3 – Unterstützte Handlung | Der Agent führt eine begrenzte Aufgabe eigenständig aus und meldet anschließend das Ergebnis zurück. Er eröffnet einen Arbeitsauftrag, bestellt Verbrauchsmaterial nach oder passt einen einzelnen Maschinenparameter innerhalb vorgegebener Grenzen an. Ein Mitarbeiter überprüft den Ablauf und kann gegebenenfalls eingreifen. |
| Stufe 4 – Überwachte Autonomie | Der Agent führt einen vollständigen Arbeitsablauf über mehrere Systeme hinweg durch, trifft Entscheidungen und ergreift Maßnahmen, während ein Mensch nur in Ausnahmefällen eingreift. Er erkennt einen Fehler, überprüft Komponenten, entsendet einen Techniker und aktualisiert den Zeitplan. Menschen greifen nur dann ein, wenn der Agent eine Eskalation auslöst. |
| Stufe 5 – Vollständige Autonomie | Das System steuert einen Prozess von Anfang bis Ende, ohne dass routinemäßige menschliche Eingriffe erforderlich sind. In der Fertigung ist dies selten der Fall und wird bei sicherheitskritischen Schritten bewusst vermieden. |
Der Sinn der Leiter besteht nicht darin, Stufe 5 zu erreichen. Es geht darum, ehrlich einzuschätzen, wo man gerade steht, und sich Schritt für Schritt nach oben zu arbeiten. Der größte Teil des Werts im Jahr 2026 liegt auf den Stufen 3 und 4, in eng gefassten, klar definierten Arbeitsabläufen.
Wo agentische KI heute zum Einsatz kommt: Anwendungsfälle nach Funktion
Agentische KI kommt nicht als ein einziges großes System daher. Sie manifestiert sich vielmehr in Form spezifischer Agenten, die bestimmte Aufgaben erfüllen. In diesen Bereichen ist der Nutzen am deutlichsten erkennbar.
Vorausschauende und präventive Instandhaltung
Dies ist der ausgereifteste Anwendungsfall. Ein Mitarbeiter überwacht die Maschinensignale, prognostiziert einen möglichen Ausfall und ergreift daraufhin Maßnahmen: Er prüft die Verfügbarkeit von Ersatzteilen, bucht einen Techniker ein und erstellt den Arbeitsauftrag. Das Wartungsteam muss nicht mehr hinter Ausfällen herlaufen, sondern arbeitet anhand einer Warteschlange, die der Agent bereits vorbereitet hat. In der Schwerindustrie kann ein Agent in einem einzigen Arbeitsschritt eine Anomalie erkennen, ein Service-Ticket eröffnen und den Einsatz eines Technikers veranlassen.
Damit dies funktioniert, benötigt der Agent die Wartungshistorie, echte Maschinenlaufdaten und einen aktuellen Teilebestand. Wartungsarbeiten, die auf der Grundlage der tatsächlichen Maschinenzyklen geplant werden Statt des Kalenders bildet die Grundlage, auf der ein Makler aufbaut.
Qualitätskontrolle und Fehlerbehebung
Qualitätskontrolle mittels Computer-Vision In Kombination mit einem Agenten läuft dies schneller ab als jede manuelle Überprüfung. Das Bildverarbeitungsmodell erkennt einen Defekt, der Roboter klassifiziert ihn, protokolliert ihn, eskaliert das Muster und kann einen Chargenlauf anhalten oder einen Umstellungsfehler melden, bevor die nächste Einheit in Betrieb genommen wird. Dieser Anwendungsfall gehört zusammen mit der präskriptiven Instandhaltung zu den beiden Maßnahmen, die sich am schnellsten amortisieren, weshalb Hersteller meist mit einer davon beginnen.
Der Mehrwert steigt, wenn Fehlerdaten mit der Genealogie und Rückverfolgbarkeit verknüpft werden. Ein System, das einen Fehler bis zu einer Charge, einer Schicht und einem Maschinenparameter zurückverfolgen kann, übernimmt die Ursachenanalyse, für die ein Qualitätsingenieur früher einen ganzen Tag benötigt hätte.
OEE und Beseitigung von Mikrostopps
Mikrostopps sind der heimliche OEE-Killer. Sie dauern ein bis fünf Minuten, der Bediener startet die Maschine neu, und der Verlust wird nie in einem Bericht erfasst. Für sich genommen sind sie winzig, doch in ihrer Gesamtheit schmälern sie die Verfügbarkeit stärker als große Ausfälle, insbesondere auf Hochgeschwindigkeitsanlagen für FMCG-Produkte.
Ein Agent verändert hier die wirtschaftlichen Rahmenbedingungen. Er erfasst jede Unterbrechung mit einer Auflösung im Subsekundenbereich, ordnet ihr eine Ursache zu und deckt das Muster auf, bevor es sich verschlimmert. Die größere Veränderung betrifft die Zeit der Mitarbeiter. Wenn ein Agent die Erfassung und die Erstanalyse übernimmt, können die Stunden, die früher für die Erstellung von Ausfallberichten aufgewendet wurden, stattdessen für die Behebung der Ausfälle genutzt werden.
Produktionsplanung und -terminierung
Die Excel-Planung bricht zusammen, sobald eine Maschine ausfällt. Ein Agentic-Planungssystem passt die Planung in Echtzeit an. Bei einem Ausfall oder einer Verzögerung berechnet es den Plan neu, überprüft die Verfügbarkeit von Maschinen und Bedienern, ordnet die Aufträge unter Berücksichtigung von Terminen und Vertragsstrafen neu nach Priorität und benachrichtigt den Planer über die Änderung.
Dies ist ein Kandidat der Stufe 4: Der Mitarbeiter kümmert sich um die routinemäßige Umverteilung und leitet nur die Entscheidungen weiter, die geschäftliche Abwägungen erfordern, beispielsweise bei der Frage, welche Kundenbestellung zurückgestellt wird.
Lieferkette und Beschaffung
Autonome Routing- und Bestandsagenten haben in dokumentierten Einsatzfällen die Lager- und Logistikkosten im zweistelligen Prozentbereich gesenkt. Auf der Werksseite kann ein Beschaffungsagent den Verbrauch überwachen, den Bedarf prognostizieren und Bestellungen innerhalb der von Ihnen festgelegten Grenzen aufgeben oder anpassen, sodass die Produktionslinie nicht wegen fehlender Verbrauchsmaterialien zum Stillstand kommt.
Energiemanagement
Ein Energieagent überwacht den Verbrauch pro Leitung und pro Maschine, erkennt Verschwendung und kann nicht kritische Lasten verlagern oder Abweichungen vom Referenzwert melden. Da die Energiekosten weiterhin Schwankungen unterliegen, entwickelt sich dies von einer reinen Berichterstattungsaufgabe hin zu einem Agenten, der auf Tariffenster und Nachfragespitzen reagiert.
Was agentische KI tatsächlich braucht: die Datenbasis
Hier liegt der Punkt, den Anbieter oft übersehen. Ein Agent ist nur so gut wie die Daten und die Systeme, auf die er zugreifen kann, und das Modell selbst stellt dabei selten die Einschränkung dar. Die meisten Fabriken arbeiten mit „Dark Data“, die in Silos gefangen ist, in denen die Maschine, das ERP-System und das Qualitätsmanagementsystem nicht dieselbe Sprache sprechen. Für die meisten Hersteller ist die Datenbereitschaft der eigentliche Engpass, lange bevor die Modellbereitschaft zu einem solchen wird.
Ein Vertreter benötigt drei Dinge, über die Ihre Fabrik möglicherweise noch nicht verfügt.
Der erste ist live Maschinenkonnektivität. Ein Agent, der auf veraltete Daten vom Ende einer Schicht zurückgreift, stützt sich auf die Vergangenheit. Echtzeit-Signale von jedem Anlagenobjekt, die über Protokolle wie OPC UA, MQTT, Modbus und die Siemens S7-Familie übertragen werden, bilden das Ausgangsmaterial.
Der zweite Punkt ist die „Single Source of Truth“. Wenn Produktions-, Qualitäts-, Wartungs- und Planungsdaten in getrennten Systemen gespeichert sind, kann ein Mitarbeiter diese nicht systemübergreifend auswerten. Er kann keine Teile anhand eines Fehlers und eines Zeitplans überprüfen, wenn diese drei Informationen in drei Datenbanken gespeichert sind, die nicht miteinander verbunden sind. Eine einheitliche MES/MOM-Ebene, die auf ISA-95-Level 3 zwischen dem ERP-System und den Maschinen angesiedelt ist, bildet die Grundlage für diese einzige Quelle der Wahrheit.
Der dritte Punkt ist die Möglichkeit, sicher Daten zurückzuschreiben. Ein Agent benötigt sowohl Lese- als auch Schreibzugriff auf reale Systeme, und zwar innerhalb der von einem Menschen festgelegten Grenzen. Das bedeutet, dass Arbeitsaufträge, Terminänderungen und Parameteranpassungen über eine regulierte Plattform laufen müssen, die diese Grenzen durchsetzt.
Das ist der eigentliche Grund, warum MES in einer agentenbasierten Welt nicht an Bedeutung verliert, sondern sogar noch wichtiger wird. Der Agent ist der Fahrer. Das MES ist die Straße, die Ampeln und die Leitplanken. Wer den Agenten auf fragmentierten Daten aufbaut, hat einen teuren Weg gefunden, schnell Fehler zu machen. Baut man ihn hingegen auf einer einheitlichen Produktionsplattform auf, hat der Agent eine solide Grundlage, auf der er agieren kann. Gartner prognostiziert, dass 75% der Hersteller bis 2030 MES in der Cloud betreiben – ein Anstieg von heute 38%. Dies ist der Infrastrukturwandel, der Agenten an mehreren Standorten praktikabel macht.
Die Risiken, die man ernst nehmen sollte
Agentische KI in der Fertigung birgt echte Risiken, und wer so tut, als sei dies nicht der Fall, landet unter den Projekten, deren Einstellung Gartner prognostiziert. Vier Risiken erfordern einen Plan, bevor Sie loslegen.
| Autonomie ohne Kontrolle | Ein Agent, der mit Maschinen-Geschwindigkeit arbeitet, kann auch Fehler mit Maschinen-Geschwindigkeit machen. Eine sinnvolle menschliche Aufsicht bedeutet, dass eine Person in Echtzeit sehen kann, was der Agent tut, und dessen Entscheidungen außer Kraft setzen kann. Dazu muss der Agent seine Überlegungen und Handlungen protokollieren, und es müssen klare Eskalationswege für alle risikoreichen Fälle festgelegt sein. |
| Datenqualität | Ein Agent, der mit inkonsistenten Daten arbeitet, wird auch bei fehlerhaften Eingaben selbstbewusst handeln. Stellen Sie zunächst die Datengrundlage sicher, bevor Sie die Befugnisse eines Agenten erweitern. |
| Scope Creep | Die Projekte, die scheitern, versuchen, alles auf einmal zu automatisieren. Diejenigen, die funktionieren, beginnen mit einem einzigen, klar abgegrenzten Arbeitsablauf, bei dem die Kosten eines Fehlers gering und der Nutzen eindeutig sind. |
| Sicherheit und Zugang | Wenn Sie Software die Berechtigung erteilen, Produktionssysteme zu ändern, vergrößert sich Ihre Angriffsfläche. Die Berechtigungen von Agenten unterliegen denselben Kontrollmechanismen wie jedes andere System mit Schreibzugriff und müssen mit Standards wie NIS2. Keiner dieser Punkte ist ein Grund zum Abwarten. Sie sind Gründe dafür, klein anzufangen, den Menschen im Entscheidungsprozess einzubeziehen und die Berechtigungen erst dann zu erweitern, wenn der Agent Vertrauen gewonnen hat. |
Keiner dieser Punkte ist ein Grund zum Abwarten. Sie sind vielmehr Gründe dafür, klein anzufangen, einen Menschen in den Prozess einzubeziehen und die Befugnisse erst dann zu erweitern, wenn der Agent Vertrauen gewonnen hat.
Erste Schritte mit agentenbasierter KI in der Fertigung
Die Hersteller, die davon profitieren, beginnen nicht mit einer werksweiten KI-Vision. Sie beginnen mit einer Produktionslinie und einem Problem.
Wählen Sie zunächst einen einzelnen Arbeitsablauf aus, bei dem die Probleme messbar und die Risiken begrenzt sind. Die vorausschauende Instandhaltung einer kritischen Maschine oder die Erkennung von Mikrostopps an einer Verpackungslinie sind bewährte Ansatzpunkte. Beides liefert Ihnen einen quantifizierbaren Nachweis.
Testen Sie es anhand realer Daten, bevor Sie sich festlegen. Ein Proof of Concept in einer einzigen Zeile unter Verwendung Ihrer eigenen Produktionssignale überprüft die ROI-Hypothese innerhalb weniger Wochen. In unseren eigenen Implementierungen läuft ein PoC in der Regel etwa drei Wochen und die Rollout-Bereitschaft folgt innerhalb von drei Monaten. Unser Motto dabei lautet: Klein anfangen, schnell skalieren.
Beziehen Sie den Menschen zunächst mit ein. Lassen Sie den Agenten zunächst auf Stufe 3 laufen, wobei er eine begrenzte Aufgabe ausführt und Rückmeldung gibt, bevor Sie ihn einen vollständigen Workflow der Stufe 4 ausführen lassen. Beobachten Sie, was er tut. Korrigieren Sie ihn. Erweitern Sie seine Befugnisse erst dann, wenn sich herausstellt, dass er dies verdient hat.
Skalieren Sie die bewährte Konfiguration anschließend auf weitere Produktionslinien und Standorte, anstatt für jeden einzelnen von Grund auf neu zu beginnen. Auf diese Weise wird aus einem einzelnen funktionierenden Agenten ein Werksstandard und schließlich ein standortübergreifender Standard. Der Agent ist dabei nur der sichtbare Teil; erst die wiederholbare Einführung sorgt dafür, dass aus einem Ergebnis viele werden.
Was entscheidet über den Erfolg agentischer KI in der Fertigung?
Agentische KI in der Fertigung ist keine Zukunftsmusik. Sie wird bereits heute in der Produktion eingesetzt und macht sich bei spezifischen Anwendungsfällen wie Wartung und Qualitätssicherung bereits nach wenigen Quartalen bezahlt. Der Unterschied zwischen den Fabriken, die einen Mehrwert erzielen, und denen, die das Projekt abbrechen, liegt nicht in der KI selbst. Es kommt vielmehr darauf an, ob die dem Agenten zugrunde liegenden Daten echt, einheitlich und in Echtzeit verfügbar sind. Holen Sie sich die Produktionsplattform für KI bereit, beginnen Sie an einer Produktionslinie, beziehen Sie einen Mitarbeiter in den Prozess ein und lassen Sie den Agenten seine Autorität Schritt für Schritt im Rahmen einzelner Arbeitsabläufe verdienen.
Möchten Sie erfahren, welche Aufgaben ein Agent in Ihrem Werk übernehmen könnte? Der erste Schritt ist eine Überprüfung der Datenverfügbarkeit an einer Produktionslinie. Eine Demo buchen und wir werden es Ihren Rechnern zuordnen.
Häufige Fragen zur agentenbasierten KI in der Fertigung
Was ist der Unterschied zwischen agentischer KI und generativer KI in der Fertigung?
Generative KI erstellt Inhalte, wie beispielsweise eine Zusammenfassung eines Schichtberichts oder den Entwurf einer Ursachenanalyse, auf deren Grundlage eine Person Maßnahmen ergreifen kann. Agente-basierte KI in der Fertigung ergreift selbst Maßnahmen: Sie eröffnet den Arbeitsauftrag, passt den Zeitplan an oder bestellt das Bauteil nach. Generative KI berät. Agente-basierte KI handelt innerhalb der von einem Menschen festgelegten Grenzen.
Ist agentische KI in der Fertigung für Produktionsumgebungen sicher?
Das kann der Fall sein, wenn der Einsatz unter menschlicher Aufsicht und mit begrenzten Befugnissen erfolgt. Bei sicheren Einsätzen kann eine Person den Agenten in Echtzeit überwachen und seine Aktionen außer Kraft setzen, jede Aktion protokollieren und den Agenten auf einen definierten Bereich beschränken. Sicherheitskritische Schritte werden in der Regel unter menschlicher Kontrolle gehalten und nicht vollständig automatisiert.
Welchen ROI können Hersteller von agentenbasierter KI erwarten?
Der ROI hängt in hohem Maße von der Datenbereitschaft ab und davon, dass man mit einem eng gefassten, messbaren Anwendungsfall beginnt, anstatt gleich ein werksweites Programm zu starten. Die schnellsten Einstiegsmöglichkeiten bieten in der Regel die präskriptive Instandhaltung und die Qualitätskontrolle mittels Computer Vision, bei denen sich die Amortisationszeit meist in Monaten statt in Jahren bemisst.
Brauche ich ein MES, bevor ich agentische KI nutzen kann?
Sie benötigen eine einheitliche Quelle für Produktionsdaten und die Möglichkeit, sicher darauf zu reagieren – genau das bietet eine MES/MOM-Plattform. Ein Agent muss Produktions-, Qualitäts-, Wartungs- und Planungsdaten ganzheitlich auswerten und Maßnahmen in diese Systeme zurückschreiben. Ohne diese Grundlage arbeitet der Agent mit fragmentierten, oft veralteten Daten.
Mit welchen Anwendungsfällen aus der Fertigung sollte man am besten beginnen?
Die vorausschauende Instandhaltung einer kritischen Maschine und die Erkennung von Mikrostopps an einer Hochgeschwindigkeitsanlage sind die bewährtesten Ansatzpunkte. Beide sind eng genug gefasst, um das Risiko zu kontrollieren und einen konkreten Wert zu liefern, der eine breitere Einführung rechtfertigt.
