Prozessoptimierung durch KI: Wie künstliche Intelligenz Geschäftsprozesse revolutioniert

Zuletzt aktualisiert: März 2026

Was bedeutet Prozessoptimierung durch KI?

Traditionelle Unternehmensoptimierung stößt schnell an Grenzen: Manuelle Analysen sind zeitaufwendig, menschliche Fehler unvermeidbar, und Anpassungen an neue Marktbedingungen dauern Wochen oder Monate. Künstliche Intelligenz löst diese Probleme grundlegend.

KI-basierte Prozessoptimierung umfasst mehrere Kernbereiche:

• Process Mining: Automatische Analyse bestehender Prozesse anhand von Event-Log-Daten, um Engpässe und Abweichungen sichtbar zu machen
• Robotic Process Automation (RPA) mit KI: Automatisierung repetitiver Aufgaben wie Dateneingabe, Dokumentenverarbeitung und Berichterstellung
• Predictive Analytics: Vorhersage von Prozessausfällen, Nachfrageschwankungen oder Qualitätsproblemen, bevor sie eintreten
• Natural Language Processing (NLP): Automatische Verarbeitung von E-Mails, Verträgen, Kundenanfragen und Dokumenten
• Computer Vision: KI-gestützte Qualitätskontrolle und Inspektion in der Fertigung

Die wirtschaftliche Bedeutung ist enorm: Laut einer IW-Studie aus 2023 könnte allein der Einsatz generativer KI die Bruttowertschöpfung in Deutschland um bis zu 330 Milliarden Euro steigern – sofern jedes zweite Unternehmen KI nutzt. Diese Zahl verdeutlicht das weitgehend ungenutzte Potenzial, das in deutschen Unternehmen noch schlummert.

Welche Geschäftsprozesse lassen sich durch KI optimieren?

Finanz- und Rechnungswesen

Die Automatisierung der Rechnungsverarbeitung gehört zu den reifsten KI-Anwendungsfällen. KI-Systeme extrahieren Daten aus eingehenden Rechnungen, gleichen diese mit Bestellungen und Lieferscheinen ab und leiten Freigabeworkflows automatisch ein. Praxisberichte zeigen Automatisierungsgrade von bis zu 95 Prozent bei der Rechnungsverarbeitung. Nestlé hat manuelle Ausgabenmanagementprozesse vollständig eliminiert und die Mitarbeitereffizienz beim Erstellen von Abrechnungen verdreifacht.

Kundenservice und Support

KI-gestützte Chatbots und virtuelle Assistenten können bis zu 60 Prozent aller Routineanfragen vollständig automatisiert bearbeiten. Gartner prognostiziert, dass bis 2029 KI-Agenten bis zu 80 Prozent der häufigsten Kundenfragen ohne menschliches Zutun beantworten werden. Die Einsparungen im Kundenservice-Bereich liegen laut Gartner bei bis zu 30 Prozent der Supportkosten.

Logistik und Supply Chain

Intelligente Vorhersagemodelle optimieren Lagerbestände und reduzieren Lagerkosten um 20 bis 30 Prozent. KI-gestützte Routenplanung minimiert Transportkosten und Lieferzeiten. Unternehmen berichten von erheblichen Effizienzgewinnen durch datenbasierte Bestandsplanung und die Reduzierung von Überbeständen.

Human Resources und Recruiting

KI-Systeme automatisieren die Vorauswahl von Bewerbungen, analysieren Lebensläufe und identifizieren passende Kandidaten. Onboarding-Prozesse werden durch intelligente Systeme erheblich beschleunigt. Gleichzeitig erkennt KI frühzeitig Anzeichen von Mitarbeiterunzufriedenheit und unterstützt die Mitarbeiterbindung.

Produktion und Qualitätssicherung

Computer-Vision-Systeme erkennen Produktionsfehler in Echtzeit mit einer Genauigkeit, die menschliche Kontrolle weit übertrifft. Predictive Maintenance verhindert ungeplante Maschinenausfälle und reduziert Wartungskosten drastisch. Ausschussraten können durch KI-gestützte Qualitätskontrolle um bis zu 50 Prozent gesenkt werden.

Marketing und Vertrieb

KI analysiert Kundendaten, personalisiert Marketingbotschaften und optimiert Kampagnenbudgets in Echtzeit. Vertriebsteams berichten von Produktivitätssteigerungen um bis zu 90 Prozent durch optimierte Workflows und besseren Zugriff auf Kundendaten.

Wie hoch ist das Einsparpotenzial durch KI-gestützte Prozessoptimierung?

Die folgende Übersicht zeigt konkrete Einsparpotenziale nach Prozessbereich:

Prozessbereich	KI-Lösung	Einsparpotenzial	Implementierungsdauer
Rechnungsverarbeitung	Intelligente Dokumentenerfassung & OCR-KI	60–95 % manuelle Aufwandsreduktion	4–8 Wochen
Kundenservice / Support	KI-Chatbots & virtuelle Agenten	20–30 % Kostensenkung	6–12 Wochen
Lagerhaltung & Logistik	Predictive Analytics / Demand Forecasting	20–30 % Lagerkostenreduktion	8–16 Wochen
Qualitätskontrolle (Produktion)	Computer Vision & Bildverarbeitung	40–50 % Ausschussreduktion	8–20 Wochen
HR & Recruiting	KI-gestützte Kandidatenvorauswahl	50–70 % Zeitersparnis	4–8 Wochen
Finanzreporting & Buchhaltung	Automatisierte Buchungssysteme	50–75 % Zeitreduktion	6–12 Wochen
Marketing & Vertrieb	Personalisierungs-KI & Lead Scoring	10–30 % Umsatzsteigerung	4–10 Wochen
Wartung & Instandhaltung	Predictive Maintenance	25–40 % Wartungskostenreduktion	10–24 Wochen

Besonders aufschlussreich ist eine konkrete Beispielrechnung: Wenn jeder Mitarbeiter durch KI nur eine Stunde täglich einspart, ergibt sich bei einem Unternehmen mit 500 Mitarbeitern eine jährliche Ersparnis von rund 3,3 Millionen Euro – und das ist eine konservative Schätzung. SAP berichtet, dass die Integration von KI in ERP-Systeme einen durchschnittlichen ROI von 214 Prozent über fünf Jahre erzielen kann; im günstigsten Fall sogar 761 Prozent.

Laut aktueller Bitkom-Befragung von März 2026 berichten 45 Prozent der deutschen Unternehmen, die KI einsetzen, von einer deutlichen Beschleunigung ihrer internen Prozesse. 44 Prozent haben ihre Produkte oder Dienstleistungen verbessert und 29 Prozent haben dank KI sogar neue Produkte oder Dienstleistungen entwickelt.

Welche KI-Technologien werden für Prozessoptimierung eingesetzt?

Maschinelles Lernen (Machine Learning)

Maschinelles Lernen bildet das Fundament der meisten KI-Prozessoptimierungslösungen. ML-Algorithmen analysieren historische Daten, erkennen Muster und treffen Vorhersagen für zukünftige Ereignisse. Im Unternehmenskontext findet ML Anwendung bei Nachfrageprognosen, Betrugserkennung, Churn-Prediction und Qualitätssicherung.

Generative KI (GenAI)

Große Sprachmodelle wie GPT-4, Claude oder Gemini revolutionieren die Automatisierung wissensbasierter Prozesse. Sie können E-Mails verfassen, Verträge analysieren, Code generieren und Berichte erstellen. Laut McKinsey-Studie ist die GenAI-Nutzung in Unternehmen von 33 auf 65 Prozent innerhalb eines Jahres gestiegen – ein bisher beispielloser Anstieg.

Natural Language Processing (NLP)

NLP ermöglicht Computern, menschliche Sprache zu verstehen und zu verarbeiten. Anwendungen umfassen die automatische Klassifizierung von Kundenanfragen, die Stimmungsanalyse in Feedback, die Extraktion von Informationen aus unstrukturierten Dokumenten sowie mehrsprachige Kommunikation.

Computer Vision

Computer-Vision-Systeme analysieren Bilder und Videos in Echtzeit. In der Produktion erkennen sie Qualitätsfehler, in der Logistik identifizieren sie Pakete und Sendungen, im Einzelhandel analysieren sie Kundenverhalten und Regalbestände. SA Power Networks erreichte mit KI-gestützter Bildanalyse eine Erfolgsrate von 99 Prozent bei der Erkennung von Korrosion an Leitungsmasten.

Robotic Process Automation (RPA) mit KI

Klassische RPA automatisiert regelbasierte Aufgaben, indem sie menschliche Interaktionen mit digitalen Systemen nachahmt. In Kombination mit KI entstehen sogenannte Intelligent Automation-Lösungen, die auch unstrukturierte Daten verarbeiten und Entscheidungen treffen können. Der manuelle Aufwand für die Dateneingabe kann damit um bis zu 80 Prozent reduziert werden.

Process Mining

Process-Mining-Tools extrahieren Prozessdaten aus IT-Systemen wie ERP, CRM oder BPM-Systemen und visualisieren den tatsächlichen Ablauf von Prozessen. Abweichungen vom Soll-Prozess, Engpässe und Optimierungspotenziale werden so sofort sichtbar – ohne manuelle Interviews oder Workshops.

KI-Agenten (Agentic AI)

Der neueste Trend sind autonome KI-Agenten, die eigenständig mehrschrittige Aufgaben ausführen, Entscheidungen treffen und mit anderen Systemen interagieren. Laut Studien erkunden bereits 51 Prozent der Unternehmen KI-Agenten, 37 Prozent pilotieren sie und 12 Prozent haben sie bereits in Produktion. In Deutschland ist das Interesse mit 62 Prozent sogar überdurchschnittlich hoch (global: 52 Prozent).

Wie implementiert man KI-basierte Prozessoptimierung Schritt für Schritt?

Phase 1: Potenzialanalyse und Prozess-Assessment (2–4 Wochen)

Zu Beginn steht eine systematische Analyse der bestehenden Prozesslandschaft. Welche Prozesse sind besonders zeitaufwendig? Wo entstehen die meisten Fehler? Welche Daten stehen zur Verfügung? Process Mining liefert hier objektive, datenbasierte Erkenntnisse. Priorität haben Prozesse mit hohem Volumen, klaren Regeln und verfügbaren digitalen Daten.

1. Bestandsaufnahme aller relevanten Geschäftsprozesse
2. Messung von Durchlaufzeiten, Fehlerquoten und Kosten
3. Identifizierung der drei bis fünf Prozesse mit höchstem KI-Potenzial
4. Business Case Berechnung: Investition vs. erwartete Einsparungen

Phase 2: Pilotprojekt (4–12 Wochen)

Das Pilotprojekt konzentriert sich auf einen klar abgegrenzten Prozess mit messbaren Erfolgskriterien. Typischerweise wird ein Prozess gewählt, der schnelle Ergebnisse liefert und als interner Beweis für den KI-Nutzen dient. Wichtig: Mitarbeiter von Beginn an einbeziehen und Akzeptanz aufbauen.

Phase 3: Integration in bestehende Systeme (4–8 Wochen)

Die KI-Lösung wird in die bestehende IT-Landschaft integriert – ERP-System, CRM, DMS oder andere Kernsysteme. API-basierte Anbindungen ermöglichen dabei eine kostengünstige Integration ohne aufwendige IT-Umstellungen. Datensicherheit und DSGVO-Konformität müssen von Anfang an mitgedacht werden.

Phase 4: Mitarbeiterschulung und Change Management

Der häufigste Grund für das Scheitern von KI-Projekten ist nicht die Technologie, sondern mangelnde Akzeptanz. Mitarbeiter müssen verstehen, dass KI ihre Arbeit erleichtert und neue, interessantere Tätigkeiten ermöglicht – nicht ersetzt. Strukturierte Schulungsprogramme und klare Kommunikation sind entscheidend.

Phase 5: Skalierung und kontinuierliche Optimierung

Nach erfolgreichem Pilotprojekt werden erfolgreiche KI-Lösungen schrittweise auf weitere Prozesse und Unternehmensbereiche ausgerollt. KI-Systeme verbessern sich durch kontinuierliches Lernen aus neuen Daten – der Nutzen steigt also mit der Zeit.

Welche Herausforderungen gibt es bei der KI-Prozessoptimierung?

Datenqualität und Datenverfügbarkeit

KI-Systeme sind nur so gut wie die Daten, mit denen sie trainiert werden. Viele Unternehmen stehen vor der Herausforderung, dass ihre Daten in isolierten Systemen (Datensilos) gespeichert, uneinheitlich formatiert oder schlicht unvollständig sind. Eine solide Datenstrategie ist die unabdingbare Grundlage jeder KI-Initiative.

Fachkräftemangel

Deutschland kämpft mit einem erheblichen Mangel an KI-Spezialisten, Data Scientists und Machine-Learning-Ingenieuren. Laut Bitkom-Studie 2025 sehen Unternehmen den Talentmangel als eine der größten Hürden, um über Proof-of-Concepts hinaus echten Wert zu generieren. Die Zusammenarbeit mit spezialisierten KI-Dienstleistern ist daher für viele Unternehmen die pragmatischste Lösung.

DSGVO und Datenschutz

Der europäische Datenschutzrahmen stellt besondere Anforderungen an KI-Systeme, insbesondere wenn personenbezogene Daten verarbeitet werden. Transparenzpflichten, das Recht auf Erklärbarkeit von KI-Entscheidungen und strenge Anforderungen an die Datenspeicherung müssen von Anfang an berücksichtigt werden.

Integration in Legacy-Systeme

Viele Unternehmen betreiben veraltete IT-Systeme, die nicht für die Integration moderner KI-Lösungen ausgelegt sind. Schnittstellen müssen aufwendig entwickelt oder bestehende Systeme modernisiert werden. Moderne API-basierte Architekturen können hier erheblich helfen.

Change Management und Akzeptanz

Mitarbeiter befürchten häufig, durch KI ersetzt zu werden. Tatsächlich erwartet die große Mehrheit (67 Prozent) der deutschen Unternehmen jedoch, dass KI keinen Einfluss auf die Anzahl der Beschäftigten haben wird. Transparente Kommunikation, Einbindung der Belegschaft und gezielte Weiterbildungsmaßnahmen sind entscheidend für den Erfolg.

Messung des ROI

42 Prozent der Unternehmen erzielen mit KI keinen messbaren ROI – oft weil Erfolgskennzahlen nicht klar definiert wurden, Pilotprojekte nicht skaliert werden oder KI-Lösungen ohne klares Geschäftsproblem implementiert werden. Eine ergebnisorientierte Implementierungsstrategie mit klar definierten KPIs ist daher unverzichtbar.

Prozessoptimierung durch KI: Erfolgreiche Praxisbeispiele

Rechnungsverarbeitung im Mittelstand: 95 % Automatisierung

Ein mittelständisches Unternehmen im Dienstleistungsbereich implementierte eine KI-gestützte Lösung zur vollautomatischen Rechnungsverarbeitung. Das System extrahiert alle relevanten Daten, gleicht Rechnungen mit Bestellungen und Lieferscheinen ab und startet den Freigabeworkflow automatisch. Ergebnis: 95 Prozent Automatisierungsgrad, praktisch keine manuellen Eingaben mehr, und eine hochgerechnete jährliche Ersparnis von über 427.000 Euro allein bei der Rechnungsverarbeitung.

Ressourceneffizienz in der Produktion: Green-AI Hub Mittelstand

Das Bundesumweltministerium hat im Rahmen des Green-AI Hub Mittelstand 14 produzierende Unternehmen bei KI-Pilotprojekten begleitet. Die KÜBLER GmbH aus Ludwigshafen konnte durch einen KI-basierten Anlagen-Konfigurator den Materialverbrauch um 15 Prozent reduzieren. System 180 aus Berlin sparte durch KI-optimierte Bauteilerkennung zehn Prozent des Material Footprints und 16 Prozent der CO₂-Emissionen ein. Die ULT AG aus Sachsen optimierte Lieferketten und Lagerhaltung und reduzierte sowohl Material- als auch Carbon Footprint um jeweils sieben Prozent.

Microsoft: Supply Chain Optimierung

Microsoft nutzte KI, um Probleme in der Lieferkette zu lösen, die durch manuelle Prozesse und unzureichende Prognosen entstanden. Das Ergebnis: Manuelle Planungsprozesse wurden um 50 Prozent reduziert, die termingerechte Planung um 75 Prozent gesteigert. Dies verdeutlicht, wie selbst technologisch führende Unternehmen erhebliche Verbesserungspotenziale durch KI realisieren können.

Kundenservice-Transformation

Ein deutsches Versicherungsunternehmen implementierte einen KI-Chatbot, der 65 Prozent aller eingehenden Kundenanfragen vollautomatisch beantwortet – rund um die Uhr, ohne Wartezeiten. Die verbleibenden 35 Prozent werden an menschliche Mitarbeiter weitergeleitet, die nun mehr Zeit für komplexe Beratungsleistungen haben. Die Kundenzufriedenheit stieg, während die Betriebskosten im Service um 28 Prozent sanken.

KI in der Logistik: Lageroptimierung

Ein Logistikunternehmen integrierte KI-gestützte Nachfrageprognosen in seine Lagerverwaltung. Durch präzise Vorhersagemodelle auf Basis historischer Auftragsdaten und Echtzeitinformationen konnten Überbestände drastisch reduziert und die Lagerverfügbarkeit gleichzeitig verbessert werden. Das Unternehmen erzielte erhebliche Kosteneinsparungen ohne Einbußen bei der Lieferfähigkeit.

Wie wählt man den richtigen Partner für KI-Prozessoptimierung?

Bei der Auswahl eines KI-Partners für Prozessoptimierung sollten Unternehmen folgende Kriterien prüfen:

Nachgewiesene Praxiserfahrung

Ein seriöser Partner kann konkrete Case Studies und messbare Ergebnisse aus vergleichbaren Projekten vorweisen. Referenzgespräche mit bestehenden Kunden geben Aufschluss über Implementierungsqualität und langfristige Zusammenarbeit.

End-to-End-Kompetenz

Strategie, Technologie und Change Management müssen zusammengedacht werden. Ein Partner, der nur berät oder nur implementiert, greift zu kurz. Die beste KI-Strategie scheitert an mangelnder Umsetzung – und die beste Technologie nützt nichts ohne Akzeptanz im Unternehmen.

DSGVO-Konformität und Datensicherheit

Gerade in Deutschland ist die Einhaltung europäischer Datenschutzstandards nicht optional. Der Partner muss nachweisen, dass KI-Lösungen datenschutzkonform implementiert werden und sensible Unternehmensdaten sicher verarbeitet werden.

Transparente Methodik und faire Preisgestaltung

Seriöse KI-Partner arbeiten mit klaren Projektplänen, definierten Meilensteinen und transparenten Kosten. Agile Methoden mit regelmäßigen Zwischenergebnissen minimieren das Projektrisiko und sichern den Geschäftswert ab.

Bavaria AI: Ihr GEO-Agentur-Partner aus München

Bavaria AI ist eine spezialisierte KI-Agentur aus München, die Unternehmen auf dem Weg zur KI-getriebenen Prozessoptimierung begleitet. Als GEO-Agentur (Generative Engine Optimization) verbindet Bavaria AI technologische KI-Kompetenz mit strategischer Wachstumsexpertise. Von der initialen Potenzialanalyse über die Implementierung konkreter KI-Lösungen bis hin zur Optimierung der KI-Sichtbarkeit unterstützt Bavaria AI Unternehmen dabei, messbare Ergebnisse zu erzielen – nicht nur Konzepte zu entwickeln.

Der Ansatz von Bavaria AI basiert auf drei Prinzipien: erstens der schnellen Realisierung messbarer Ergebnisse durch fokussierte Pilotprojekte, zweitens der engen Integration in bestehende Prozesse und Systeme ohne unnötige Komplexität, und drittens der nachhaltigen Befähigung des Unternehmens, KI eigenständig weiterzuentwickeln.

---

Fazit: Jetzt handeln – bevor der Wettbewerb es tut

Die Zahlen sind eindeutig: Laut Bitkom nutzen bereits 41 Prozent der deutschen Unternehmen KI – und 77 Prozent davon berichten von einer verbesserten Wettbewerbsposition. Unternehmen, die KI-Prozessoptimierung weiter hinauszögern, riskieren, den Anschluss zu verlieren.

Die gute Nachricht: Der Einstieg muss nicht mit einem Mammutprojekt beginnen. Ein fokussiertes Pilotprojekt im richtigen Prozessbereich liefert oft innerhalb von sechs bis zwölf Wochen messbare Ergebnisse – und schafft die interne Überzeugung, die für eine breitere KI-Adoption notwendig ist.

Die entscheidende Frage ist nicht mehr ob KI eingesetzt werden soll, sondern wie und wo man am effektivsten beginnt. Bavaria AI begleitet Sie von der ersten Potenzialanalyse bis zur vollständigen Implementierung.

---

Häufig gestellte Fragen (FAQ)

Was kostet die Implementierung von KI-Prozessoptimierung?

Die Kosten variieren stark je nach Umfang und Komplexität. Ein erstes Pilotprojekt beginnt oft bei 15.000 bis 50.000 Euro. Größere Implementierungen mit tiefer ERP-Integration können 100.000 Euro und mehr kosten. Dem steht jedoch ein typischer ROI von 200 bis 700 Prozent über fünf Jahre gegenüber. Viele Unternehmen erreichen den Break-Even bereits im ersten Jahr.

Welche Voraussetzungen braucht ein Unternehmen für KI-Prozessoptimierung?

Die wichtigsten Voraussetzungen sind digitalisierte Kernprozesse mit verfügbaren Daten, die Bereitschaft des Managements zur Transformation sowie ausreichend Datenvolumen für das Training der KI-Modelle. Eine vollständige IT-Modernisierung ist häufig nicht notwendig – viele KI-Lösungen lassen sich API-basiert in bestehende Systeme integrieren.

Wie lange dauert es, bis KI-Prozessoptimierung Ergebnisse liefert?

Bei fokussierten Pilotprojekten sind erste messbare Ergebnisse oft innerhalb von sechs bis zwölf Wochen sichtbar. Laut IBM-Daten bewegen sich 58 Prozent der Unternehmen in weniger als einem Jahr von der Pilotphase zum produktiven Einsatz. Der vollständige ROI stellt sich typischerweise nach zwölf bis 24 Monaten ein.

Werden durch KI Arbeitsplätze abgebaut?

Die große Mehrheit (67 Prozent) der deutschen Unternehmen erwartet, dass KI keinen Einfluss auf die Anzahl der Beschäftigten haben wird, so Bitkom 2025. KI übernimmt in der Regel repetitive Aufgaben und entlastet Mitarbeiter, die sich dann auf wertschöpfendere Tätigkeiten konzentrieren können. 7 Prozent der Unternehmen rechnen sogar mit einem Beschäftigungsanstieg durch KI.

Ist KI-Prozessoptimierung auch für kleine und mittelständische Unternehmen geeignet?

Absolut. Viele KI-Lösungen sind heute als Software-as-a-Service (SaaS) verfügbar und erfordern keine eigene IT-Infrastruktur. Cloud-basierte KI-Dienste von Anbietern wie Microsoft, Google oder SAP ermöglichen auch kleinen Unternehmen den Zugang zu leistungsfähiger KI-Technologie zu überschaubaren Kosten. Entscheidend ist die richtige Priorisierung der Anwendungsfälle.

Wie sicher sind KI-Systeme in Bezug auf Datenschutz und DSGVO?

DSGVO-Konformität ist bei der Implementierung von KI-Lösungen in Deutschland zwingend erforderlich. Seriöse KI-Anbieter und -Partner gewährleisten, dass personenbezogene Daten nur mit rechtlicher Grundlage verarbeitet werden, die Datenverarbeitung transparent dokumentiert ist und Betroffene ihre Rechte ausüben können. Europäische Cloud-Infrastrukturen und On-Premise-Lösungen bieten zusätzliche Kontrolle.

Was ist der Unterschied zwischen KI-Prozessoptimierung und klassischer Automatisierung (RPA)?

Klassische RPA automatisiert streng regelbasierte Prozesse: Sie folgt vordefinierten Regeln und scheitert bei Ausnahmen oder unstrukturierten Daten. KI-gestützte Automatisierung geht weit darüber hinaus: Sie versteht natürliche Sprache, erkennt Bilder, lernt aus Daten und trifft Entscheidungen in komplexen Situationen. Die Kombination beider Technologien – Intelligent Automation – liefert die größten Effizienzgewinne.

Wie messe ich den Erfolg meiner KI-Prozessoptimierungsmaßnahmen?

Wichtige KPIs sind: Reduzierung der Prozesskosten (in Euro und Prozent), Durchlaufzeitverkürzung, Fehlerquoten vor und nach der Implementierung, Mitarbeiterproduktivität, Kundenzufriedenheitswerte und der direkte ROI der Investition. Bavaria AI empfiehlt, bereits vor dem Projektstart ein Baseline-Measurement zu etablieren, um die Ergebnisse klar quantifizieren zu können.

---