Ihr Support-Agent funktioniert, doch die monatliche API-Rechnung wächst, und der Prompt ist auf 2.500 Token an Regeln, Beispielen und Hausstil angewachsen. Jemand im Team sagt das Naheliegende: Wir tunen ein kleineres Modell mit unseren eigenen Daten fein, dann wird der Prompt kürzer, die Rechnung sinkt, und die Antworten klingen nach uns. Die Idee ist vernünftig. Die meisten kleinen und mittleren Unternehmen sollten sie aber genau durchrechnen, bevor sie handeln, denn die Rechnung sieht anders aus als das Verkaufsversprechen.
Der Trainingslauf selbst ist günstig: ein paar Dollar, manchmal einige hundert. Das Geld fliesst anderswohin: ins Sammeln und Labeln der Beispiele, in die Tests, die zeigen, ob das neue Modell besser ist, ins Nachtrainieren, wenn sich das Basismodell ändert, und in eine Person, die für all das geradesteht. Zudem hat sich das Angebot in diesem Herbst verschoben, denn die grösste Self-Service-Plattform für Fine-Tuning wird eingestellt.
Wenn Ihre erste Frage lautet, wo die Inferenz überhaupt laufen soll, behandelt unsere Seite zur lokalen Inferenz die Hardware-Seite. Dieser Artikel bleibt bei der Entscheidung, die jetzt vor Ihnen liegt.
Fine-Tuning lohnt sich nur bei hohem, stabilem Volumen und einem funktionierenden Eval-Zyklus; andernfalls bringen ein besserer Prompt, Retrieval und ein gutes Harness den Grossteil des Nutzens bei einem Bruchteil des Aufwands. Unten lesen Sie, was Fine-Tuning tatsächlich verändert, was es mit eingerechneter Arbeitszeit kostet, welche Anbieter es noch anbieten, eine durchgerechnete Gewinnschwelle und die Argumente für und gegen den Betrieb des Zyklus auf eigener Hardware.
Hinweis zum Umfang: Die Voraussetzung der Evals behandelt KI-Evals aus echten Tickets, und die Routine, die Korrekturen Ihrer Mitarbeitenden in Regeln überführt, der KI-Feedback-Loop. Beides kommt vor allem, was in diesem Artikel steht.
Was Fine-Tuning verändert und was es unberührt lässt
Fine-Tuning passt die Gewichte eines Modells anhand von Beispielen an, die Sie liefern. Hamel Husain, KI-Berater mit vielen Beiträgen zu Evals, beschreibt die Arbeitsteilung in seinem Beitrag zu Evals klar: Fine-Tuning eigne sich am besten, um Syntax, Stil und Regeln zu lernen, während Techniken wie Retrieval dem Modell Kontext oder aktuelle Fakten liefern.
Die Forschung bestätigt das. Gekhman und Kollegen fanden in einer Arbeit von 2024, dass Fine-Tuning-Beispiele mit neuem Wissen deutlich langsamer gelernt werden als Beispiele, die zum bereits vorhandenen Wissen passen, und dass sie nach dem Lernen die Neigung des Modells zum Halluzinieren linear erhöhen. Ihr Schluss: Modelle erwerben Faktenwissen überwiegend im Pre-Training, und Fine-Tuning bringt ihnen vor allem bei, es effizienter zu nutzen.
Für die Geschäftsleitung sieht die praktische Aufteilung so aus:
| Das Modell soll… | Bestes Werkzeug | Warum |
|---|---|---|
| Ihre Preisliste, Konditionen und Produktdaten kennen | Retrieval (RAG) | Sie aktualisieren ein Dokument, und die Antwort ändert sich schon morgen |
| Ein festes Ausgabeformat oder einen Tonfall einhalten | Erst der Prompt, Fine-Tuning, wenn der Prompt unhandlich wird | Format und Stil sind das, was Fine-Tuning gut beherrscht |
| Einen stabilen Satz an Geschäftsregeln zuverlässig anwenden | Erst das Harness (Prüfungen, Werkzeuge, Validierung), Fine-Tuning später | Regeln im Code sind testbar und nachvollziehbar |
| Eine einzige enge Aufgabe bei hohem Volumen sehr günstig erledigen | Ein kleines Modell feintunen | Der einzige Fall, in dem sich die Kosten pro Aufruf wirklich verschieben können |
Ein feingetuntes Modell, das die Preise des letzten Quartals aufgenommen hat, nennt sie im nächsten Quartal mit voller Überzeugung. Fakten, die sich ändern, gehören nicht in die Gewichte.
Die Barkosten des Trainings sind die kleine Zahl
Nehmen wir zuerst die Trainingsrechnung, denn sie halten viele für den grossen Posten. Auf der Preisseite von OpenAI war das Training von gpt-4.1-mini am 7. November 2026 mit USD 5,00 pro Million Trainings-Token gelistet. Ein Datensatz aus 2.000 Beispielen zu je 500 Token ergibt bei 3 Epochen 3 Millionen Trainings-Token, also rund USD 15.
Husain schreibt, 99% der Arbeit beim Fine-Tuning bestehe darin, hochwertige Daten zusammenzustellen, die die gesamte Breite Ihres Produkts abdecken. Das ist die Meinung eines Praktikers, hinter der Prozentzahl steht keine Messung, aber wer einige hundert Support-Tickets gelabelt hat, erkennt die Grössenordnung. Auch der Fine-Tuning-Leitfaden von OpenAI beginnt seine Ratschläge mit «Good evals first!» und empfiehlt, erst nach dem Aufsetzen von Evals in Fine-Tuning zu investieren. Ausserdem rät er, den Prompt auf einem grösseren Modell zu optimieren, bis die Ergebnisse an Ihren Eval-Kriterien hervorragend sind.
Folgende Budgetposten sollten Sie einplanen:
- Beispiele sammeln und labeln. Jemand, der die richtige Antwort kennt, muss jedes Trainingsbeispiel schreiben oder freigeben.
- Das Eval-Set. Ein zurückgehaltener Test, den das Modell nie im Training sieht, aufgebaut aus echten Fällen.
- Nachtrainieren. Jedes neue Basismodell und jede Änderung Ihrer Regeln bedeutet einen weiteren Lauf und eine weitere Runde Evals.
- Eine verantwortliche Person. Eine namentlich benannte Person, die entscheidet, was eine gute Antwort ist, wenn zwei Prüfende uneins sind.
Keiner dieser Posten steht auf der Cloud-Rechnung. Alle stehen auf Ihrer Lohnliste.
Wer im November 2026 noch Fine-Tuning anbietet
Die Anbieterlandschaft ist geschrumpft, und ein Projekt, das mit der Annahme «wir tunen einfach GPT fein» gestartet ist, muss an den Terminen gemessen werden.
OpenAI fährt die Plattform herunter. Laut der Deprecations-Seite wurde die Job-Erstellung ab dem 7. Mai 2026 für Organisationen geschlossen, die zuvor noch nie Fine-Tuning betrieben hatten. Am 6. Januar 2027 können aktive Bestandskunden keine neuen Fine-Tuning-Jobs mehr anlegen. GPT-4o, GPT-4o mini, GPT-4.1 und GPT-4.1 mini sind für den 14. Januar 2027 zur Abschaltung gelistet, und feingetunte Versionen folgen demselben Zeitplan wie ihre Basismodelle.
Das Glossar von Anthropic hält fest, dass die Claude-API derzeit kein Fine-Tuning anbietet, und empfiehlt Interessierten, ihren Ansprechpartner bei Anthropic zu fragen.
Mistral kennzeichnet seine Fine-Tuning-Dokumentation als veraltet und nicht mehr aktiv unterstützt.
Open-Weight-Modelle bleiben der gangbare Weg. LoRA-Adapter lassen sich bei gehosteten Diensten wie Together oder Fireworks, auf gemieteten GPUs oder auf der eigenen Maschine trainieren. Unser Leitfaden zu Open-Weight-Modellen beschreibt die infrage kommenden Modellfamilien. Prüfen Sie vor dem kommerziellen Einsatz die Lizenz jedes Modells, denn die Bedingungen unterscheiden sich.
Ein Wort zu den Preisen. Feingetunte OpenAI-Modelle kosten im Betrieb mehr als das Basismodell. Auf der Preisseite vom 7. November 2026 war die Inferenz von feingetuntem gpt-4.1-mini mit USD 0,80 pro Million Eingabe-Token und USD 3,20 pro Million Ausgabe-Token gelistet, gegenüber USD 0,40 und USD 1,60 beim Basismodell. Dasselbe Muster gilt für alle gelisteten Modelle, nämlich das 1,5- bis 2-Fache des Basispreises. Die Ersparnis eines Fine-Tunes muss daher aus einem kürzeren Prompt oder einem kleineren Modell kommen, denn der Preis pro Token steigt.
Eine durchgerechnete Gewinnschwelle mit sichtbaren Annahmen
Das folgende Beispiel ist illustrativ und beruht auf angenommenen Zahlen, setzen Sie also Ihre eigenen ein. Es verwendet die oben genannten Preise von gpt-4.1-mini nur deshalb, weil sie veröffentlicht sind, und ist als Rechenübung zu lesen, da neue OpenAI-Jobs am 6. Januar 2027 enden.
Annahmen: Jeder Aufruf erzeugt 300 Ausgabe-Token. Das Basismodell braucht einen Prompt von 2.500 Token mit Anweisungen und Beispielen. Das feingetunte Modell hat diese Beispiele aufgenommen und kommt mit einem Prompt von 300 Token aus.
| Basismodell | Feingetunt | |
|---|---|---|
| Eingabe pro 1.000 Aufrufe | 2,5M Token zu USD 0,40 = USD 1,00 | 0,3M Token zu USD 0,80 = USD 0,24 |
| Ausgabe pro 1.000 Aufrufe | 0,3M Token zu USD 1,60 = USD 0,48 | 0,3M Token zu USD 3,20 = USD 0,96 |
| Total pro 1.000 Aufrufe | USD 1,48 | USD 1,20 |
Die Ersparnis beträgt USD 0,28 pro 1.000 Aufrufe. Gegenüber einem Training für USD 15 liegt die Gewinnschwelle bei rund 54.000 Aufrufen. Bei 1.000 Aufrufen im Monat beträgt die Token-Ersparnis 28 US-Cent im Monat.
Diese Zahl schliesst Labeling, Eval-Arbeit und Nachtraining aus, die sie völlig überlagern würden. Die Rechnung zeigt, dass der Token-Preis bei KMU-Volumen selten den Ausschlag gibt. Die Begründung muss auf etwas anderem beruhen: auf der Antwortqualität bei einer Aufgabe, an der Prompting an Grenzen stösst, auf der Latenz durch einen kürzeren Prompt und ein kleineres Modell, auf einer Datenschutzvorgabe, die das Senden von Prompts an eine ausländische API ausschliesst, oder auf dem Aufwand, einen sehr langen Prompt zu pflegen.
Auch der Trend spricht gegen Sie. Laut Epoch AI sank der Preis für Leistung auf GPT-4-Niveau bei einem naturwissenschaftlichen Benchmark um etwa das 40-Fache pro Jahr, bei einer Spanne von 9 bis 900 pro Jahr über sechs Benchmarks. Epoch weist darauf hin, dass die schnellsten Rückgänge im jüngsten Jahr auftraten und unklar ist, ob sie anhalten. Trotzdem schmälert ein sinkender API-Preis jeden Vorteil, den ein feingetuntes kleines Modell hat.
LoRA und QLoRA: Warum das Training auf bescheidener Hardware Platz hat
Fürs Training müssen die Gewichte eines grossen Modells nicht vollständig neu geschrieben werden. LoRA, vorgestellt von Hu und Kollegen, friert das Basismodell ein und trainiert kleine zusätzliche Matrizen. Gegenüber dem vollständigen Fine-Tuning von GPT-3 175B mit Adam berichten die Autoren von 10.000-mal weniger trainierbaren Parametern und 3-mal weniger GPU-Speicher, ohne zusätzliche Latenz bei der Inferenz.
QLoRA von Dettmers und Kollegen ergänzt die Quantisierung des eingefrorenen Modells. Die Autoren berichten vom Fine-Tuning eines Modells mit 65 Milliarden Parametern auf einer einzigen GPU mit 48GB bei voller Leistung des 16-Bit-Fine-Tunings. Die zentrale Benchmark-Aussage zu den entstandenen Guanaco-Modellen ist eine eigene Messung der Autoren, und ihr Abstract warnt, dass aktuelle Chatbot-Benchmarks zur Bewertung der Chatbot-Leistung nicht vertrauenswürdig seien.
Für ein Schweizer KMU folgt daraus, dass eine einzelne Karte der Workstation-Klasse das Adapter-Training bewältigen kann. Welches Modell auf welche Karte passt, hängt von Modell, Sequenzlänge und Einstellungen ab. Führen Sie deshalb einen kleinen Testlauf auf Ihrer Karte durch, bevor Sie sich auf einen Kauf festlegen. Eine Studie von Thinking Machines, LoRA Without Regret, kommt zum Ergebnis, dass LoRA bei kleinen bis mittleren Datensätzen mit vollständigem Fine-Tuning gleichzieht, bei Daten über der Kapazität des Adapters aber schlechter abschneidet. Das Unternehmen verkauft LoRA-Training über seinen Dienst Tinker, was beim Abwägen seiner Schlüsse zu bedenken ist.
Ein monatlicher Lernzyklus: Eigene Hardware oder gemietete GPU
Ein kontinuierlicher Lernzyklus heisst: Korrekturen und freigegebene Ausgaben des vergangenen Monats werden zu Trainingsdaten, ein neuer Adapter wird trainiert, Regressionstests laufen, und der alte Adapter wird nur ersetzt, wenn der neue sie besteht. Er ist die Langzeitversion des anderswo beschriebenen Feedback-Loops, mit den Gewichten als letztem Schritt.
Hier der Kostenvergleich, wiederum als Rechenbeispiel. Wir nehmen einen Trainings- und Evaluationslauf von 10 GPU-Stunden im Monat an sowie einen Wechselkurs von USD 1,25 je CHF, der nur für diese Rechnung gilt.
- Gemietet: Auf der Preisseite von RunPod war mit Stand 4. November 2026 eine RTX 6000 Ada mit 48GB in der Secure Cloud für USD 0,99 pro Stunde gelistet, sekundengenau abgerechnet. Zehn Stunden kosten rund USD 10, also etwa CHF 8 im Monat.
- Rund um die Uhr gemietet: 730 Stunden zu USD 0,99 ergeben rund USD 723, also etwa CHF 578 im Monat.
- Gekauft: In unserem Kostenmodell zur lokalen Inferenz kommt die Referenz-Workstation für CHF 18.000 (innerhalb der Spanne von CHF 15.000 bis 30.000), über 36 Monate abgeschrieben, plus Strom zu CHF 0,237 pro kWh bei einem System von rund 1 kW, auf etwa CHF 671 im Monat insgesamt, ob die Maschine nun ausgelastet ist oder still steht.
Nüchtern gelesen, sagt der Vergleich: Für ein monatliches Nachtraining gewinnt die Miete. Zehn gemietete Stunden kosten einen kleinen Bruchteil der gekauften Maschine, und selbst die Dauermiete einer 48GB-Karte liegt unter dem Wert der gekauften. Wer behauptet, der Kauf einer GPU sei allein fürs Fine-Tuning der günstige Weg, hat diese Rechnung übersprungen.
Eigene Hardware rechtfertigt sich aus zwei anderen Gründen.
Datenhaltung. Nach Artikel 16 des revidierten Bundesgesetzes über den Datenschutz dürfen Personendaten ins Ausland bekanntgegeben werden, wenn der Bundesrat die Gesetzgebung des Ziellandes als angemessen beurteilt hat, andernfalls nur mit aufgeführten Garantien wie genehmigten Vertragsklauseln. RunPod ist ein US-Anbieter. Seit September 2024 führt die Schweiz die USA für Unternehmen als angemessen, die nach dem Swiss-US Data Privacy Framework zertifiziert sind. Prüfen Sie daher zuerst die Zertifizierung des Anbieters oder wählen Sie eine EU-Region. Ohne beides ist das Senden von Kundendaten fürs Training eine Bekanntgabe ins Ausland, die eine der aufgeführten Garantien erfordert. Dies ist keine Rechtsberatung, lassen Sie sich von einer Fachperson beraten. Das Training auf einer Maschine in Ihren eigenen Räumen beseitigt diese Frage, auch wenn Sie die Betroffenen weiterhin informieren und die Daten sichern müssen.
Auslastung. Wenn dieselbe Maschine tagsüber auch die Inferenz für Ihre Mitarbeitenden übernimmt, wie im Artikel zur lokalen Inferenz besprochen, verteilt sich der Monatsbetrag auf beide Aufgaben, und der Nachtrainingszyklus kostet fast nichts zusätzlich.
Dazu kommt das Vergessen. Luo und Kollegen beobachteten in einer Studie von 2023 katastrophales Vergessen bei Modellen mit 1 bis 7 Milliarden Parametern, das Domänenwissen, Schlussfolgern und Leseverständnis betraf, und stellten fest, dass es mit zunehmender Modellgrösse stärker wurde. Jedes monatliche Nachtraining kann Fähigkeiten, auf die Sie nicht trainiert haben, unbemerkt verschlechtern. Der Zyklus braucht deshalb vor jedem Adapter-Wechsel eine Regressions-Eval auf zurückgehaltenen Aufgaben und eine Regel: Schlägt ein Lauf fehl, bleibt der Adapter des Vormonats im Einsatz.
Was der Zyklus von Shopify belegt und was nicht
Shopifys Ingenieure beschreiben einen detaillierten Produktionszyklus in einem Beitrag zu Sidekick vom 5. August 2026. Eines davon lohnt sich zu übernehmen, mehreres ist zu relativieren.
Übernehmen: die Reihenfolge. Zuerst verbessern sie das Harness. Laut dem Beitrag landet jede Verbesserung in Prompts, Werkzeugdefinitionen und Harness-Code, und erst wenn diese Gewinne auslaufen, beginnen sie, die Gewichte anhand anonymisierten Produktionsverkehrs zu optimieren. Die Gewichtsstufe nutzt überwachtes Fine-Tuning, gefolgt von GRPO, einem Verfahren des bestärkenden Lernens. Diese Reihenfolge deckt sich mit dem Rat, das Harness zu bauen, bevor man die Gewichte anfasst.
Zu relativieren:
- Die Kostenangaben sind Schätzungen. Shopify sagt, den Verkehr mit einem Frontier-Modell zu bedienen, könnte leicht geschätzte USD 27 Millionen im Jahr kosten, das feingetunte Modell käme näher an USD 1 Million. Beides sind Schätzungen des Teams ohne gezeigte Herleitung. Die Reduktion um 96% ist Rechnerei mit diesen beiden Zahlen.
- Die Qualität bewertet Shopifys eigener Judge. Er ist an menschlichen Annotatoren kalibriert, doch es bleibt dasselbe Team, das seine eigene Arbeit benotet.
- Das Latenzergebnis stammt aus einem einzigen Lasttest. Bei 350 Anfragen pro Minute sank die Zeit bis zum ersten Token um etwa 19% und die Gesamtlatenz um etwa 38%.
- Shopify ist kein KMU, und der Zyklus läuft nicht auf eigener Hardware. Das Unternehmen hat Annotatoren, Fachprüfer und ein Plattform-Team.
Die übertragbare Lehre ist die Reihenfolge und die menschliche Arbeit dahinter, die Dollarbeträge lassen Sie am besten beiseite.
Eine Checkliste vor der Entscheidung
Tunen Sie fein, wenn die meisten der folgenden Punkte zutreffen:
- Die Aufgabe ist stabil. Die Eingaben und die Definition einer guten Antwort ändern sich ein Jahr lang kaum.
- Das Volumen ist gross, in den Hunderttausenden von Aufrufen oder darüber, oder eine Datenschutzvorgabe zwingt Sie, die Arbeit auf eigene Maschinen zu legen.
- Es gibt ein funktionierendes Eval-Set aus echten Fällen, mit einem zurückgehaltenen Teil, den das Modell nie im Training sieht.
- Eine namentlich benannte Person verantwortet die Labels und entscheidet Streitfälle.
- Die Variante mit Prompt und Harness ist an eine Grenze gestossen, die Sie gemessen haben, und wurde nicht vorschnell aufgegeben.
- Sie haben einen Plan für die nächste Version des Basismodells, denn der Adapter muss neu trainiert werden.
Bleiben Sie bei Prompting, Retrieval und einem stärkeren Harness, sobald eines davon zutrifft: Die Aufgabe oder die Fakten ändern sich monatlich, das Volumen liegt bei einigen tausend Aufrufen, oder niemand hat bisher aufgeschrieben, wie eine korrekte Antwort aussieht. Wenn Sie unsicher sind, beginnen Sie mit Prompting und dem Eval-Set, denn beides nützt Ihnen bei jedem nächsten Schritt.
Der Wert, der das Modell überdauert
Gewichte hängen an einem Basismodell, und Basismodelle laufen aus. Der Zeitplan von OpenAI zeigt das Muster: Das Fine-Tune stirbt am selben Tag wie das Modell darunter. Die gelabelten Beispiele und das Eval-Set haben kein solches Verfallsdatum. Sie wandern zum nächsten Modell, ob Sie es prompten, trainieren oder den Anbieter wechseln, und sie sind der Teil, der die Arbeit gekostet hat.
Das ist die eigentliche Wirtschaftlichkeit. Ein Team, das das Eval-Set und einen sauberen Bestand freigegebener Antworten aufbaut, hat sich eine Option gesichert: Wenn Volumen oder eine Anforderung an die Datenhaltung Fine-Tuning sinnvoll machen, ist der Trainingslauf nur noch ein kleiner letzter Schritt. Ein Team, das beides überspringt und gleich ins Training geht, hat sein Geld für den Teil ausgegeben, der günstig war.
Häufige Fragen
Ist Fine-Tuning günstiger als Prompting?
Bei KMU-Volumen selten. Das Training selbst kann wenige Dollar kosten, doch die Inferenz eines feingetunten Modells wird bei OpenAI pro Token mit dem 1,5- bis 2-Fachen des Basismodells berechnet. Die Ersparnis entsteht durch einen kürzeren Prompt oder ein kleineres Modell. In unserem Rechenbeispiel beträgt sie USD 0,28 pro 1.000 Aufrufe, es braucht also Zehntausende Aufrufe, um allein das Training zu amortisieren.
Kann Fine-Tuning einem Modell Fakten über unser Unternehmen beibringen?
Nicht zuverlässig. Gekhman und Kollegen stellten fest, dass Beispiele mit neuem Wissen langsamer gelernt werden und, sobald gelernt, die Neigung zum Halluzinieren erhöhen. Fine-Tuning eignet sich für Stil, Ausgabeformat und Regeln. Fakten wie Preise, Konditionen und Produktdaten gehören ins Retrieval, wo Sie ein Dokument aktualisieren, ohne etwas neu zu trainieren.
Kann ich 2026 Claude oder GPT-Modelle feintunen?
Bei Claude nein: Laut dem Glossar von Anthropic bietet die API derzeit kein Fine-Tuning an. OpenAI fährt seine Plattform herunter. Aktive Bestandskunden verlieren die Job-Erstellung am 6. Januar 2027, und GPT-4o- und GPT-4.1-Modelle samt ihren Fine-Tunes werden am 14. Januar 2027 abgeschaltet. Mit LoRA trainierte Open-Weight-Modelle bleiben über gehostete Anbieter oder auf Ihrer eigenen Hardware verfügbar.
Hilft Fine-Tuning auf eigener Hardware beim Schweizer Datenschutz?
Es kann helfen. Nach Artikel 16 des revidierten DSG braucht die Bekanntgabe von Personendaten ins Ausland einen Angemessenheitsentscheid oder aufgeführte Garantien, und ein US-Trainingsdienst ist eine solche Bekanntgabe. Prüfen Sie, ob der Anbieter nach dem Swiss-US Data Privacy Framework zertifiziert ist, das die Schweiz seit September 2024 als angemessen anerkennt, oder nutzen Sie seine EU-Regionen, und greifen Sie sonst auf vertragliche Garantien zurück. Das Training auf einer Maschine unter Ihrer Kontrolle umgeht diese Frage, nicht aber Ihre Informations- und Sicherheitspflichten. Dies ist keine Rechtsberatung, lassen Sie Ihren Fall daher von einer Fachperson prüfen.
Wie viele Beispiele brauche ich, um ein Modell feinzutunen?
OpenAI nennt mindestens 10 Beispiele, berichtet von Verbesserungen ab 50 bis 100 und empfiehlt, mit 50 sorgfältig erstellten Demonstrationen zu beginnen. Das sind Ausgangswerte des Anbieters und keine gemessenen Schwellen. Die schwierigere Voraussetzung ist ein Eval-Set, das zeigt, ob das trainierte Modell tatsächlich besser ist, sowie eine namentlich benannte Person, die für die Labels verantwortlich ist.