Die falsche Seite des Netzes

Netz: Nicht die Bildung entscheidet, wer ersetzt wird, sondern die Messbarkeit. Der MIT-Ökonom Christian Catalini nennt es „Measurability-Biased Technical Change“. Arbeitsmarktdaten zeigen einen Beschäftigungsrückgang bei 22- bis 25-Jährigen in KI-exponierten Berufen.

Chips: Jensen Huang präsentiert auf der hauseigenen Entwicklerkonferenz GTC einen Billionen-Dollar-Auftragsbestand für 2027. NVIDIA stellt mit Vera den ersten eigenen Prozessor für agentische KI vor und macht mit NemoClaw das Open-Source-Phänomen OpenClaw enterprise-fähig.

Markt: Anthropic holt 70% der neuen Enterprise-Deals. Das Weiße Haus will KI-Regulierung zur Bundessache machen. 110 KI-generierte Kriegsbilder in zwei Wochen. Ein chinesisches Modell verbessert sich selbst.

Ich liebe Tennis. Ich hätte nie gedacht, dass Maschinen diesen Sport so schnell lernen können. Tennis ist komplex. Mental muss man wirklich wach sein. Körperlich braucht man Fitness und Koordination. Und wer richtig gut sein will, braucht vor allem eins: Erfahrung. Tausende Stunden auf dem Platz, Muster erkennen, Situationen lesen, unter Druck die richtige Entscheidung treffen. Dafür muss man sehr viel trainieren und auch echte Matches bestreiten.

Und jetzt spielt ein Roboter Tennis. Erstaunlich gut. Nicht so gut, dass man denkt, es sei der nächste Roger Federer. Aber so gut, dass man denkt: Wenn das auf dieser Lernkurve weitergeht, wird er vielleicht mal besser als Federer.

Das Video stammt von der Tsinghua-Universität in Peking und verbreitete sich letzte Woche in den sozialen Medien. Die Forschenden haben einem humanoiden Roboter Tennisschläge beigebracht, indem sie aus wenigen, unvollständigen menschlichen Bewegungsdaten einen Aktionsraum ableiteten und darauf mit sogenanntem Verstärkungslernen ein vollständiges, sporttypisches Bewegungsmuster trainierten. Dafür wurden den Angaben zufolge nur wenige Stunden Bewegungsdaten von menschlichen Spielerinnen und Spielern benötigt.

Der MIT-Ökonom Christian Catalini, Co-Erfinder des Meta-Stablecoin-Projekts Libra, hat diese Woche eine Reaktion formuliert, die den Fokus vom Offensichtlichen auf etwas Verstecktes, aber Wichtiges lenkt: “You’re looking at the wrong side of the net.”

Was man sieht. Und was dahintersteckt

Was man sieht, ist ein Roboter, der einen Ball übers Netz schlägt. Was man nicht sieht, ist das Lernsystem dahinter. Die motorische Expertise, die ein Mensch in einem Jahrzehnt aufbaut, Ballflugbahn zu lesen, Schlagwinkel zu berechnen, den Körper zu positionieren und unter Zeitdruck zu entscheiden, ist durch komprimierte Computersimulation in wenigen Stunden entstanden. Kein Mensch hat diesem Roboter Tennis beigebracht. Das System bringt sich selbst bei, was ein menschlicher Spieler in Tausenden von Trainingsstunden lernt, und überträgt es auf den physischen Roboter.

Das ist der Punkt, an dem physische und kognitive Automatisierung zusammenkommen. Das Prinzip dahinter ist immer dasselbe. Es geht darum, große Datenmengen zu verarbeiten, Muster zu erkennen, Verhalten zu optimieren und möglichst viele Situationen zu simulieren. Darauf basiert das Training eines Tennisroboters genauso wie das eines Sprachmodells, das Verträge prüft. Das eine System lernt Aufschläge, das andere Rechtsklauseln. Trainingslogik und Skalierung sind gleich.

Catalini hat für die Auswirkungen, die das auf uns Menschen und den Arbeitsmarkt hat, einen neuen Namen.

Warum Bildung nicht mehr schützt

Jahrzehntelang galt “Skill-Biased Technical Change” als das Leitmodell der Arbeitsmarktforschung: Je besser ausgebildet, desto sicherer. Hochschulabschluss als Schutzwall. Dieses Modell ist jetzt kaputt.

Was gerade passiert, nennt Catalini „Measurability-Biased Technical Change“. Die neue Trennlinie ist nicht Bildung, sondern Messbarkeit. Jede Aufgabe, die sich in Metriken fassen lässt, kann industrialisiert werden. Unabhängig davon, wie komplex sie aussieht, wie lange ein Studium dafür dauert und wie viel Erfahrung man dafür braucht.

Radiologiebefunde. Vertragsprüfungen. Marktanalysen. Strategiepräsentationen.

Alle sind messbar. Also automatisierbar. Das bedeutet nicht zwangsläufig, dass diese Tätigkeiten ohne Menschen ausgeübt werden. Aber es bedeutet, dass Menschen eine andere Rolle in der Wertschöpfung übernehmen werden.

Die Kurven, die auseinanderlaufen

Catalinis Paper modelliert den Übergang als Kollision zweier Kostenkurven.

Die Kosten für die Generierung von Inhalten fallen drastisch, getrieben von Rechenleistung und akkumuliertem Wissen. Da beide Systeme skalieren, fallen die Kosten exponentiell. Intelligenz wird so verfügbar wie Elektrizität oder Wasser.

Und die Kosten für die Verifikation werden durch menschliche Zeit, Feedback-Latenz und Expertise getrieben. Begrenzt durch unsere Biologie und veredelt durch gesammelte Erfahrungen. Ein erfahrener Ingenieur prüft den Output schneller als ein Junior. Aber erfahrene Ingenieure sind knapp, und ihre Gehälter steigen mit der Knappheit.

Catalini nennt es die „Verification Cost Disease“: Selbst wenn Experten effizienter werden, wird die Verifikation teurer, weil die Nachfrage nach ihrem Urteil schneller wächst als das Angebot. Die Kurven divergieren. Generierung von Inhalten kollabiert gegen null. Verifikation wird zum Engpass.

Das erklärt einen Satz, den Altman bei einem Interview fallen ließ und der auf den ersten Blick seltsam klingt: Die Leute, die KI am effektivsten nutzen, sagen, ihre Arbeit sei noch nie so schwer gewesen. Ein Entwickler, der heute mit KI-Coding-Agents arbeitet, generiert in Minuten, wofür er früher Tage brauchte. Der Output sieht professionell aus. Aber ob der Code unter Last hält, ob er sicher ist, ob er ihn in der Produktion verantwortlich implementieren kann, wird zur eigentlichen Arbeit. Und die ist schwerer geworden, nicht leichter. Die Ausführung wird einfacher. Was schwerer wird, sind das Steuern, Urteilen und Verantworten.

Die demontierte Pipeline

Das, was Catalini theoretisch modelliert, lässt sich im beruflichen Alltag beobachten. Menschen, die Claude- und ChatGPT-Antworten als ihre eigenen abgeben, weil die KI den Job besser macht als sie. Und ein Mittelmanagement, das lieber KI als Praktikanten einsetzt, weil diese jederzeit verfügbar ist und liefert. Und damit verschwindet der Pfad, auf dem junge Menschen Einstiegskompetenzen entwickeln können, immer weiter.

Das sind keine Einzelbeobachtungen. Brynjolfsson et al. haben bereits 2025 einen 16-prozentigen Beschäftigungsrückgang bei Arbeitnehmern zwischen 22 und 25 Jahren in KI-exponierten Berufen dokumentiert. Im Journalismus genauso wie in der Softwareentwicklung. Junior-Developer werden durch AI-Agents ersetzt. Das steigert kurzfristig die Produktivität erfahrener Entwickler. Langfristig fehlen in zehn Jahren so die Senior-Engineers, die komplexe Systeme verantworten können.

Die Pipeline, durch die Kompetenz entsteht, wird gerade demontiert. Und wer in 2035 die KI-Outputs prüfen soll, hat heute keine Stelle, um die Grundkompetenz aufzubauen.

Der Codifier’s Curse

Und dabei schaufeln sich die Fleißigsten und Gewissenhaftesten gerade vielleicht sogar ihr eigenes Grab. Catalini stellt heraus: Wer sein Wissen am besten dokumentiert, am klarsten erklärt und am konsequentesten in Templates und Playbooks gießt, beschleunigt seine eigene Ersetzbarkeit.

KI lernt aus explizitem Wissen. Je transparenter jemand arbeitet, desto lernbarer ist sein Vorgehen für die Maschine.

Die Überlebensstrategie vieler Wissensarbeiter der letzten Jahre war es, sich über Methoden zu skalieren, ihr Wissen zugänglich zu machen und Frameworks zu verbreiten. Das war ökonomisch rational. Jetzt ist es das Rohmaterial für die Automatisierung dieser Methoden. Die McKinsey-Slide-Logik. Online-Kurse für Coaches. Consulting-Frameworks. Alle sind dokumentiert. Alle sind lernbar. Und jetzt alle automatisierbar.

Und dabei liegt das Heimtückische daran, dass ungeprüfter KI-Output häufig wie produktive Arbeit wirkt. Aber er akkumuliert potenziell verstecktes Risiko.

Der verborgene Teil des Eisbergs

Und das scheint nur der Anfang zu sein. MIT-Forscher haben den US-Arbeitsmarkt erstmals als agentenbasiertes Modell simuliert: 151 Millionen Arbeitnehmer, 923 Berufe, 32.000 Fähigkeiten.

Sie kamen zu dem Ergebnis, dass die KI-Disruption im Tech-Sektor, also dem sichtbaren Bereich der Arbeit, über die gerade alle reden, gerade mal ca. 2,2 % des Lohnwerts, rund 211 Milliarden Dollar, entspricht. Darunter liegt eine fünfmal größere Schicht kognitiver Arbeit in Verwaltung, Finanzen und Professional Services: 11,7 %, knapp 1,2 Billionen Dollar. Alles Potenzial, das mit der nächsten Automatisierungswelle erfasst werden kann. In Deutschland dürfte es ähnlich sein.

Und die Transformation dürfte schneller gehen, als viele derzeit vermuten. Coding wird gerade automatisiert. Danach kommen Analysen, Strategie, Kommunikation. Der Großteil der menschlichen Wissensarbeit.

Wir schauen nicht nur auf die falsche Seite des Netzes. Wir sehen vermutlich nur die Spitze des Eisbergs.

Worauf es jetzt ankommt

Technologie macht den Menschen effizienter und effektiver. So war es immer, so wird es auch dieses Mal sein. Aber es ist nicht nur so, dass wir Bestehendes schneller und günstiger machen können. Wir erhalten komplett neue Fähigkeiten, die noch bis vor Kurzem undenkbar gewesen wären.

Doch welche Fähigkeiten können wir jetzt aufbauen? Wie können wir unsere Organisationen neu und menschenfreundlicher gestalten? Vermutlich ist kein Job mehr wirklich sicher. Catalini formuliert es so: Wenn wir die Ausführungsschicht unserer Tätigkeiten wegnehmen, was bleibt dann noch übrig? Die Antwort darauf könnte unser Schutzwall sein. Oder unser Problem.

Es gibt drei Fähigkeiten, die in den nächsten Jahren an Wert gewinnen werden:

1. Verifikationskompetenz: die Fähigkeit, KI-Output zu prüfen, Grenzen zu erkennen und Qualität zu beurteilen.

2. Kontexturteil: die Fähigkeit, in Situationen zu entscheiden, die kein Modell vollständig abbilden kann, weil sie zu selten oder zu menschlich sind.

3. Und Haftungsbereitschaft: die Fähigkeit und Absicht, Visionen zu formulieren, Ziele zu setzen und für die Ergebnisse geradezustehen. Ergebnisse liefern und dafür einstehen.

Junge Menschen müssen sich jetzt so intensiv mit KI auseinandersetzen, wie es nur geht. Sie müssen Fähigkeiten entwickeln, mit denen sie möglichst schnell komplexe Sachverhalte erfassen und komplexe Systeme steuern können. KI muss zu ihrer zweiten Haut werden. Im Prinzip müssen sie versuchen, die Einstiegsschwelle zu überspringen und sofort zum Senior zu werden. Mit Hilfe von KI.

Für alle anderen gilt im Grunde dasselbe: sich damit auseinandersetzen, so viel es geht. Herausfinden, wie man sich selbst durch KI hebeln kann.

Wirklich sicher ist nichts, und die nächsten zehn Jahre werden vermutlich ein ganz schöner Ritt. Und wer hofft, sich auf handwerkliche Tätigkeiten berufen zu können: Das Tennisbeispiel zeigt, dass auch die Entwicklung im physischen Raum rasant sein wird. Daran wird gerade gearbeitet. Wie schnell es gehen wird, bleibt abzuwarten. Aber Maschinen lernen exponentiell schnell. Wenn sich die Batterielaufzeit und die motorischen Fähigkeiten von Robotern verbessern, werden auch andere bisher besser geschützte Domänen betroffen sein.

Aber Robotern beim Tennisspielen zuzugucken, die die Bälle perfekt zurückschlagen, ist gähnend langweilig. Deswegen schaue ich lieber auf die andere Seite des Netzes. Nicht nur auf das, was jetzt möglicherweise wegfällt, sondern auch auf das, was durch den Einsatz neuer Technologien möglich wird.

Quellen: LATENT-Projektseite und Paper „Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data“, Tsinghua University/Galbot, Christian Catalini, Xiang Hui, Jane Wu: „Some Simple Economics of AGI“, arXiv:2602.20946, Februar 2026 Project Iceberg / „The Iceberg Index: Measuring Skills-centered Exposure in the AI Economy“, MIT, 2025 Stanford-/SIEPR-Studien und Folgearbeiten von Erik Brynjolfsson et al. zu Beschäftigungseffekten generativer KI bei 22‑ bis 25‑Jährigen in KI-exponierten Berufen (u.a. Stanford/Fortune-Bericht 2025).

Jensen Huang hat sich in eine Position gespielt, die in der Technologiebranche ohne Vorbild ist. In drei Jahrzehnten hat er NVIDIA von einem Grafikkartenhersteller für Computerspiele zum Zentrum der KI-Infrastruktur gemacht. Über eine Serie genialer Züge, die teils erst Jahre später aufgingen oder gerade im Aufgehen begriffen sind.

Die erste Wette ging Huang 1993 ein, als er darauf setzte, dass die 3D-Grafik ein Markt ist, der nie gesättigt sein wird. Die Bilder können immer besser werden, die Spiele immer realistischer. Das bedeutet permanenter Technologiedruck, permanente Nachfrage nach besseren Chips. Huang wählte Gaming nicht, weil er Spiele liebte, sondern weil es der einzige Markt war, der die Entwicklungskosten tragen konnte, während die eigentliche Vision reifte, spezialisierte Chips für Probleme zu entwickeln, die herkömmliche Prozessoren nicht effizient lösen können.

Die zweite Wette kam 2007 mit CUDA. Eine Software-Plattform, die NVIDIAs Grafik-Chips für Entwickler öffnete, weit über Gaming hinaus. Wissenschaftliches Rechnen, Simulationen, Finanzmodelle. NVIDIA investierte Milliarden in etwas, für das es kaum Kunden gab. Die meisten Analysten hielten es für Verschwendung. 15 Jahre später ist CUDA das Fundament, auf dem die gesamte KI-Industrie läuft. 20 Jahre Ökosystem, das kein Wettbewerber nachmachen kann.

Die dritte Wette kam 2012, als ein Forscherteam aus Toronto zeigte, dass ein neuronales Netz auf NVIDIA-GPUs Bilder besser erkennen konnte als jedes bisherige System. AlexNet war der Moment, in dem Deep Learning funktionierte. Und NVIDIA hatte zufällig die dafür benötigte Hardware entwickelt. Huang selbst nennt es “luck founded by vision.”

Seitdem hat Huang jeden Layer der KI-Infrastruktur systematisch besetzt. Hardware, Software, Netzwerk, Entwickler-Ökosystem. Die GTC, seine jährliche Entwicklerkonferenz, ist mittlerweile der Wallfahrtsort für alle, die sich für künstliche Intelligenz interessieren. Und am Montag dieser Woche stand Huang vor Zehntausenden in San Jose und präsentierte einen Billionen-Dollar-Auftragsbestand für 2027. Letztes Jahr lag die Prognose noch bei 500 Milliarden.

NVIDIA stellte drei Aspekte vor, die zusammen eine strategische Weichenstellung bilden.

Erstens Vera. NVIDIAs erster eigener Prozessor, gebaut für eine einzige Aufgabe: KI-Agenten rund um die Uhr laufen zu lassen, ohne dass die Stromrechnung explodiert. Vera ist der Versuch, die unterste Schicht der Agenteninfrastruktur zu besitzen. Jedes Unternehmen, das autonome KI-Agenten im Dauerbetrieb einsetzen will, braucht dafür dedizierte Hardware.

Zweitens Rubin. Die nächste GPU-Generation, die pro Watt zehnmal mehr Rechenleistung liefern soll als die aktuelle. Die rohe Performance steigt weiter, aber der Fokus der Kommunikation hat sich verschoben, nicht mehr auf Rohleistung, sondern auf Effizienz. Die Ära der exponentiellen Hardware-Sprünge, die alles von selbst lösen, ist vorbei. Was jetzt zählt, ist Architektur.

Und drittens, strategisch vielleicht am interessantesten, NemoClaw. NVIDIA hat einen umfassenden Open-Source-Stack für OpenClaw vorgestellt, die Agenten-Plattform, die in wenigen Monaten zu einem der am schnellsten wachsenden Open-Source-Projekte der Geschichte wurde. Huangs Formulierung lautete, dass Mac und Windows die Betriebssysteme für den Personal Computer seien. OpenClaw sei das Betriebssystem für persönliche KI.

OpenClaw wurde als Open-Source-Projekt für Einzelnutzer entwickelt. Unternehmen setzten es bisher nicht flächendeckend ein, weil die Sicherheitsbedenken zu groß sind. NemoClaw ist jetzt die Enterprise-Antwort. OpenShell für Policy-basierte Guardrails, Nemotron als Open-Source-Modellsuite und ein Privacy-Router, der entscheidet, ob eine Aufgabe lokal oder in der Cloud verarbeitet wird. Alles in einem Befehl installierbar, vom Rechenzentrum bis zum Schreibtisch. NVIDIA hat Gespräche mit Salesforce, Cisco, Google, Adobe und CrowdStrike bestätigt.

Das Gesamtbild ist eindeutig. NVIDIA positioniert sich zunehmend als Plattform. Hardware mit Vera, Compute mit Rubin, Software mit NemoClaw, dazu CUDA mit 20 Jahren Ökosystem und eine Partnerschaft mit Mistral AI für offene Frontier-Modelle. Wer NVIDIAs Hardware kauft, kauft zugleich zunehmend NVIDIAs Agentenlogik mit. Und wer einmal drin ist, kommt schwer wieder raus.

Und Huang sichert seine Position auch auf der Kapitalseite ab: 30 Milliarden Dollar in OpenAI, 10 Milliarden in Anthropic – die beiden Unternehmen, die den Großteil der Nachfrage nach seinen Chips treiben. Bei der Morgan-Stanley-Konferenz Anfang März sagte Huang, beides seien vermutlich die letzten Investments, weil beide Firmen wohl bald an die Börse gehen.

Huang hat in drei Jahrzehnten drei Wetten gewonnen, die jeweils unmöglich erschienen. Mal sehen, ob er die vierte auch gewinnt. Es sieht nicht schlecht für ihn aus.

Quellen: NVIDIA GTC 2026, Jensen Huang Keynote, 16.03.2026 NVIDIA Newsroom / GlobeNewswire: „NVIDIA Vera Rubin Opens Agentic AI Frontier“, 15./16.03.2026 NVIDIA Newsroom: „NVIDIA Announces NemoClaw for the OpenClaw Community“, 15.03.2026 VideoCardz / StorageReview / Futurum Group, 17.03.2026 The Neuron Daily, 15.–18.03.2026 Mistral AI: „Mistral AI and NVIDIA partner to accelerate open frontier models“

Amerikas KI-Rahmenwerk

Das Weiße Haus hat diese Woche das nationale KI-Rahmenwerk "One Rulebook" veröffentlicht. Die Idee ist, dass Washington die Regeln für die KI-Entwicklung erlässt und nicht 50 einzelne Bundesstaaten. Die Staaten dürfen weiterhin gegen Betrug und zum Schutz von Kindern regulieren, aber bei allem, was mit KI-Entwicklung zu tun hat, soll der Bund Vorrang haben. Über 50 republikanische Landesgesetzgeber haben sich bereits in einem offenen Brief dagegen ausgesprochen.

Zwei Giganten, eine Richtung

Ramp, eine Plattform, die Ausgaben von über 50.000 Unternehmen analysiert, hat diese Woche ihren März-AI-Index veröffentlicht. Das Bild ist eindeutig. Wenn ein Unternehmen zum ersten Mal einen KI-Dienst kauft, entscheidet es sich in 70% der Fälle für Anthropic statt für OpenAI. Vor einem Jahr zahlte 1 von 25 Unternehmen auf der Plattform für Anthropic. Heute ist es 1 von 4. OpenAIs Adoption sank um 1,5 Prozentpunkte – den größten Einzelmonatsrückgang seit Beginn der Messung – und reagiert mit einer aggressiven Enterprise-Strategie, die laut Financial Times die Belegschaft auf 8.000 verdoppeln will.

110 KI-Kriegsbilder in zwei Wochen

Die New York Times hat in den letzten zwei Wochen mehr als 110 KI-generierte Bilder und Videos im Kontext des Konflikts zwischen den USA und dem Iran dokumentiert, mehr als in jedem bisherigen Konflikt. Beide Seiten produzieren fabrizierte Inhalte, iranische Staatsmedien ebenso wie pro-amerikanische Accounts. Die Grenze zwischen dokumentierter Realität und generiertem Narrativ löst sich in Echtzeit auf.

Code Review ist der neue Bottleneck

Bis vor Kurzem war das Problem, Code zu schreiben. Das ist jetzt gelöst. Logan Kilpatrick, der bei Google AI Studio die Entwickler-Beziehungen verantwortet und zuvor dieselbe Rolle bei OpenAI hatte, beschreibt, wie schnell sich der Engpass verschoben hat: von der Generierung zur Überprüfung. Die KI schreibt den Code in Minuten. Aber ob er funktioniert, ob er sicher ist, ob er in die bestehende Architektur passt, das prüft bisher noch ein Mensch. Und dieser Mensch kommt nicht mehr hinterher.

MiniMax M2.7 hat an seiner eigenen Entwicklung mitgearbeitet

Das chinesische KI-Labor MiniMax hat ein Modell veröffentlicht, das an seiner eigenen Verbesserung beteiligt war. M2.7 durchlief laut MiniMax über 100 autonome Schleifen, in denen es Fehlerverläufe analysierte, Scaffold-Code modifizierte, Evaluierungen durchführte und selbst entschied, welche Änderungen es behält oder verwirft. Das Ergebnis war laut internen Angaben eine rund 30-prozentige Verbesserung der Performance bei Coding-Evaluierungen.

Waymo: 13-mal sicherer als menschliche Fahrer

Google-CEO Sundar Pichai hat diese Woche neue Sicherheitsdaten der Alphabet-Tochter Waymo veröffentlicht. Über 170 Millionen autonom gefahrene Meilen bis Dezember 2025, mit 13-mal so wenigen schweren Verletzungsunfällen wie menschliche Fahrer in denselben Städten. Die Zahlen stammen vom Betreiber selbst und sind entsprechend einzuordnen. Aber selbst mit einem großzügigen Abschlag bleibt die Tendenz eindeutig. Autonome Systeme werden nicht nur gut genug. Sie werden messbar besser als Menschen. Und wie beim Tennisroboter zeigt auch hier die Lernkurve nach oben.

Quellen: White House: "One Rulebook" National AI Framework, 20.03.2026 State Lawmaker Letter: "Let States Legislate on AI", ari.us Ramp AI Index, März 2026, Financial Times: "OpenAI plans to increase staff to 8,000", 21.03.2026 New York Times: "Cascade of A.I. Fakes About War With Iran", 14.03.2026 Logan Kilpatrick (@OfficialLoganK), 17.03.2026 MiniMax: "MiniMax M2.7: Early Echoes of Self-Evolution", minimax.io AP News: "3 men charged with conspiring to sneak advanced Nvidia chips", 20.03.2026 Sundar Pichai (@sundarpichai), 20.03.2026

Nächste Ausgabe: Freitag, 27.03.2026

Über diesen Newsletter: Dieser Newsletter basiert auf meiner eigenen Recherche, Lektüre und Einordnung. KI unterstützt mich bei der Strukturierung, dem Entwurf und der Dokumentation. Themenauswahl, Bewertung, Texte und die finale Redaktion liegen bei mir.