Was ist eine KI-Plattform? Arten und Anwendungsfälle

Was ist eine KI-Plattform und warum ist die Antwort gerade jetzt wichtiger denn je? Für Unternehmen, die den Nutzen künstlicher Intelligenz voll ausschöpfen wollen, reichen einzelne Tools und isolierte Modelle selten aus. Um KI-Systeme zu entwickeln, die tatsächlich produktiv eingesetzt werden können, ist eine integrierte Umgebung erforderlich: eine Umgebung, die Daten, Training, Bereitstellung und Überwachung in einem koordinierten System vereint. Genau diese integrierte Umgebung bietet eine KI-Plattform.

Tatsächlich verändert KI die Arbeitsweise von Branchen grundlegend. Laut einer Studie von McKinsey bleibt es jedoch für viele Unternehmen schwierig, nachhaltigen Geschäftsnutzen aus KI zu generieren. Die Tools sind vorhanden. Die Fachkräfte stehen immer häufiger zur Verfügung. Was Teams oft ausbremst, ist das Fehlen der richtigen Infrastruktur, die alles miteinander verbindet.

Für Teams, die sich bereits damit auseinandersetzen, wie KI die Softwareentwicklung verändert, knüpft dieses Thema direkt an die KI-gestützte Softwareentwicklung an./blog/ai-augmented-software-developmentHier bilden Plattformen das operative Rückgrat intelligenter Systeme. Dieser Leitfaden behandelt Anwendungsfälle von KI-Plattformen in verschiedenen Branchen, die drei wichtigsten Implementierungsansätze, die wichtigsten zu bewertenden Funktionen und die Fragen, die Sie sich vor der Auswahl einer Plattform stellen sollten.

Was ist eine KI-Plattform?

Bevor Sie verschiedene Optionen vergleichen, ist eine präzise Definition entscheidend, um produktive Gespräche zu führen und Verwirrung durch Anbieter zu vermeiden.

Definition und Kernfunktionen

Im Kern ist eine KI-Plattform ein integriertes Technologie-Set, das es Teams ermöglicht, Modelle für maschinelles Lernen (ML) und Deep Learning zu entwickeln, zu testen, bereitzustellen und zu warten. Der entscheidende Punkt ist die Integration. Eine KI-Plattform ist kein einzelnes Tool, keine Bibliothek und keine eigenständige Anwendung. Sie ist eine koordinierte Umgebung, in der Datenmanagement, Modelltraining, Bereitstellungspipelines, Governance und Monitoring nahtlos zusammenarbeiten.

Um zu verstehen, was eine KI-Plattform auf Unternehmensebene ist, muss man sie als Infrastruktur und nicht nur als Werkzeug begreifen. Konkret ermöglicht eine gut konzipierte KI-Plattform fünf grundlegende Funktionen:

• Zentralisierung der Datenanalyse und Zusammenarbeit von Data-Science-Teams

• Optimierung der ML-Entwicklungs- und Produktionsabläufe (MLOps)

• Erleichterung der Zusammenarbeit zwischen Data Scientists, Ingenieuren und IT-Administratoren

• Automatisierung wiederkehrender Aufgaben im gesamten KI-Entwicklungszyklus

• Kontinuierliche Überwachung von Modellen und KI-Systemen im Produktivbetrieb

Ohne das Zusammenspiel dieser Funktionen stehen Teams vor dem, was Praktiker als „Glue Code“ bezeichnen – der undifferenzierten Entwicklungsarbeit, Tools zu verbinden, Umgebungen zu verwalten und Bereitstellungen zu warten. Eine KI-Plattform dient im Wesentlichen dazu, diese Reibungsverluste zu beseitigen und Teams die Konzentration auf die Entwicklung besserer Modelle zu ermöglichen.

KI-Plattform vs. eigenständiges KI-Tool

Diese Unterscheidung ist in der Praxis von Bedeutung. Ein eigenständiges KI-Tool löst ein klar definiertes Problem. Beispiele hierfür sind eine Computer-Vision-API zur Bildklassifizierung oder eine NLP-Bibliothek zur Stimmungsanalyse. So leistungsstark eigenständige Tools auch sind, sie verwalten keine Pipelines, steuern keine Zugriffsrechte und sind nicht organisationsweit skalierbar.

Eine KI-Plattform hingegen unterstützt den gesamten Lebenszyklus. Stellen Sie sich ein eigenständiges Tool wie ein einzelnes Instrument vor. Eine KI-Plattform hingegen ist das gesamte Orchester, dessen Dirigent für das Zusammenspiel aller Komponenten verantwortlich ist. Diese Unterscheidung wird entscheidend, wenn Teams von der Experimentierphase zur Produktion übergehen, wo die operative Komplexität rasant zunimmt.

Arten von KI-Plattformen: Drei Ansätze

Es gibt keinen allgemeingültigen Weg, eine KI-Plattform zu entwickeln. Unternehmen wählen typischerweise aus drei grundlegenden Ansätzen, die jeweils unterschiedliche Vor- und Nachteile hinsichtlich Geschwindigkeit, Flexibilität, Kosten und Kontrolle mit sich bringen.

| Ansatz | Am besten geeignet für | Wichtigste Vorteile | Wichtigste Herausforderungen |

| --- | --- | --- | --- |

Kaufen Sie End-to-End-Cloud-Lösungen wie AWS SageMaker, Google Vertex AI oder Azure ML | Für Teams, die eine schnelle Bereitstellung mit Enterprise-Support benötigen | ✓ Schnelle Einrichtung ✓ Verwaltete Infrastruktur ✓ Regelmäßige Sicherheitsupdates | ⚠ Höhere Kosten ⚠ Risiko der Anbieterabhängigkeit ⚠ Möglicherweise nicht für Nischenanwendungen geeignet |

Eigene Lösungen wie Ubers Michelangelo oder Netflix’ Metaflow | Für große Teams mit individuellen Workflows und langfristigen Zielen der Infrastrukturverwaltung | ✓ Volle Workflow-Kontrolle ✓ Anpassungsfähigkeit an sich ändernde Anforderungen | ⚠ Hohe Vorabinvestitionen ⚠ Laufender Wartungsaufwand |

Open-Source-Stacks wie Python, MLflow, Jupyter und Hugging Face | Für Teams, die Flexibilität, Innovation und Community-basierte Sicherheit priorisieren | ✓ Optimale Tools für jeden Anwendungsfall ✓ Niedrige Lizenzkosten ✓ Umfassende Schwachstellenerkennung durch die Community | ⚠ Erfordert fundiertes internes Know-how ⚠ Integrationsaufwand liegt im Verantwortungsbereich des Teams |

Cloudbasierte KI-Plattformen

Auf die Frage, was eine KI-Plattform ist, lautet eine der häufigsten Antworten: das umfassende Cloud-Ökosystem großer Anbieter. Unternehmen wie Amazon Web Services, Google Cloud Platform und Microsoft Azure dominieren den Markt für Komplettlösungen. Ihre Plattformen bündeln vorgefertigte Tools, verwaltete Rechenleistung und Support auf Enterprise-Niveau in einem Angebot. Dadurch können Teams deutlich schneller vom Prototyp zur Implementierung gelangen, als wenn sie von Grund auf neu entwickeln.

Der Nachteil sind jedoch die Kosten und die potenzielle Abhängigkeit von einem Anbieter: Tools lassen sich möglicherweise nicht ohne Weiteres auf hochspezifische Anwendungsfälle abbilden, und die spätere Migration von einer Cloud-Plattform ist selten unkompliziert.

Eigene Plattformen entwickeln

Unternehmen wie Uber und Netflix entschieden sich für die Entwicklung eigener Plattformen, da ihre Größenordnung und ihre einzigartigen betrieblichen Anforderungen die Möglichkeiten von Standardlösungen überstiegen. Uber entwickelte Michelangelo, um ein konkretes betriebliches Problem zu lösen: Data Scientists trainierten Modelle ausschließlich auf Laptops, und es gab keinen Prozess zur teamübergreifenden Speicherung von Modellversionen.

Um besser zu verstehen, was eine KI-Plattform in diesem Kontext ist: Eine Eigenentwicklung ist mehr als nur ein Toolset. Sie ist ein strategisches Infrastruktur-Asset. Die Eigenentwicklung ermöglichte zwar die volle Kontrolle über den Workflow, erforderte aber auch kontinuierliche Investitionen in die Entwicklung und die laufende Wartung. Dieser Weg ist sinnvoll, wenn der Wettbewerbsvorteil in der KI-Infrastruktur selbst liegt und nicht nur in den von ihr erzeugten Modellen.

Informieren Sie sich über die KI-Entwicklungsdienstleistungen von HDWEBSOFT./services/ai-development-servicesWir bieten kostenlose Beratung zum Aufbau einer sicheren KI-Plattform an.

Open-Source-KI-Plattformen

Python ist nach wie vor die dominierende Programmiersprache für Data Science und Machine Learning und wird von einem umfangreichen Ökosystem an Open-Source-Bibliotheken unterstützt: darunter TensorFlow, PyTorch, scikit-learn, MLflow und Jupyter Notebook. Der Open-Source-Ansatz ermöglicht Teams den Zugriff auf modernste Tools ohne Lizenzgebühren.

Darüber hinaus identifiziert und behebt die Open-Source-Community Sicherheitslücken schnell, oft schneller als proprietäre Anbieter. Dies liegt daran, dass Tausende von Experten aktiv überwachen und beitragen. Grundvoraussetzung für diesen Weg ist jedoch ein Team mit fundierter Expertise, das den gesamten Stack zusammenstellen, integrieren und warten kann.

Anwendungsfälle von KI-Plattformen nach Branchen

Der praktische Nutzen des Verständnisses von KI-Plattformen wird besonders deutlich, wenn man untersucht, wie verschiedene Branchen sie heute einsetzen. Jede Branche hat ihre eigenen Herausforderungen im Umgang mit Daten, regulatorische Anforderungen und Leistungsschwellen.

Bankwesen und Finanzen

Finanzinstitute gehörten zu den ersten, die einen messbaren ROI aus KI erzielten. Betrugserkennungsalgorithmen analysieren heute Tausende von Transaktionsdatensätzen pro Sekunde und untersuchen gleichzeitig Karteninhaberidentität, Transaktionsort, -zeitpunkt und -betrag, um Anomalien in Echtzeit zu erkennen. Neben der Betrugserkennung setzen Banken prädiktive Modelle für die Kreditwürdigkeitsprüfung und Risikoanalyse ein und gehen dabei weg von generischen Drittanbieter-Scores hin zu individuell angepassten Modellen, die mit ihren eigenen Kundendaten trainiert werden.

Die von JPMorgan entwickelte Anwendung für Vertragsanalyse nutzt beispielsweise die Verarbeitung natürlicher Sprache zur Analyse von gewerblichen Kreditverträgen. Das Ergebnis: geschätzte [360.000 Stunden manueller juristischer Prüfung](https://medium.com/ai-in-finance-a-new-era-of-money-trust-and/jpmorgan-how-ai-saved-360-000-hours-of-contract-review-ef31c1bb2439Die Kosten sanken jährlich. Hierbei handelt es sich nicht um Sonderfälle von KI-Plattformen, sondern um Kernprozesse im großen Maßstab.

Gesundheitswesen

Krankheitserkennung und medizinische Bildgebung zählen zu den wirkungsvollsten Anwendungen im Gesundheitswesen. Um zu verstehen, was eine KI-Plattform im klinischen Umfeld ausmacht, betrachten wir, wie Deep-Learning-Modelle trainiert und angewendet werden. Sie werden auf radiografischen Datensätzen eingesetzt, um Tumore in Lunge, Brust und Gehirn im Frühstadium zu erkennen. Manchmal arbeiten sie sogar genauer als erfahrene Radiologen unter hoher Arbeitsbelastung.

Ein am Houston Methodist Research Institute entwickeltes Früherkennungstool interpretiert Mammografien mit einer Genauigkeit von 99 % und liefert Ergebnisse 30-mal schneller.https://www.sciencedaily.com/releases/2016/08/160829122106.htm) als die manuelle Überprüfung.

Darüber hinaus beschleunigt KI die Arzneimittelentwicklung, indem sie Molekülstrukturen analysiert und Proteininteraktionen in einer Geschwindigkeit vorhersagt, die kein menschliches Forschungsteam erreichen kann. Forscher von Harvard und McKinsey schätzen, dass der Einsatz von KI im Gesundheitswesen jährliche Einsparungen zwischen 200 und 360 Milliarden US-Dollar ermöglichen könnte.https://www.mckinsey.com/industries/healthcare/our-insights/digital-transformation-health-systems-investment-prioritiesDie Technologie wird primär durch präzisere Diagnostik, effizientere Patientenversorgung und administrative Automatisierung eingesetzt.

Einzelhandel und E-Commerce

Amazons Empfehlungssystem, das auf kollaborativen Filteralgorithmen basiert, zählt nach wie vor zu den kommerziell bedeutendsten KI-Anwendungen im Einzelhandel. Um zu verstehen, was eine KI-Plattform im E-Commerce ausmacht, betrachten wir, wie moderne Einzelhandelssysteme dynamische Preisgestaltung, vorausschauende Versandmodelle und hochgradig personalisierte Kundenerlebnisse unterstützen.

Ein Beispiel hierfür ist die Skin Advisor-Anwendung von Olay.https://www.forbes.com/sites/brianuzzi/2019/05/01/how-olays-ai-powered-consultation-disrupts-the-cosmetics-industry/), unterstützt durch neuronale Netze, verdoppelte die Konversionsrate der Marke nach dem Launch. Dies beweist, dass Personalisierung im großen Stil direkte Auswirkungen auf den Umsatz hat.

Fertigung

Qualitätskontrolle und vorausschauende Wartung dominieren die KI-Anwendungen in der Fertigung. Bilderkennungsmodelle prüfen Bauteile direkt nach der Fertigung und erkennen Defekte bis in den Bruchteil eines Millimeters. Dies übertrifft die Möglichkeiten herkömmlicher menschlicher Inspektionen bei Weitem.

Gleichzeitig überwachen vorausschauende Wartungssysteme Sensordaten an Anlagen, um Ausfälle vorherzusagen und so ungeplante Stillstandszeiten und die damit verbundenen Folgekosten zu reduzieren.

Weitere Branchen, die KI-Plattformen einsetzen

| Branche | Repräsentative Anwendungsfälle von KI-Plattformen |

| --- | --- |

| Energie | Bedarfsplanung, vorausschauende Wartung, Optimierung intelligenter Stromnetze, Speichereffizienz |

| Versicherung | Risikobewertung im Underwriting, bildbasierte Schadenregulierung, Betrugserkennung |

| Öffentlicher Dienst | Notfallanalysen, Leistungsverwaltung, Betrugsprävention, Klimamodellierung |

Marktkontext: IDC prognostiziert, dass bis 2030 [50%](https://www.idc.com/ap/resource-center/futurescape-predictions/Der neue wirtschaftliche Wert, der von digitalen Unternehmen in der APJ-Region generiert wird, stammt von Firmen, die heute in ihre KI-Fähigkeiten investieren und diese skalieren. Für Unternehmen ist dies kein zukünftiger Trend, sondern die aktuelle Wettbewerbssituation. Teams, die den Aufbau von KI-Plattformkapazitäten verzögern, riskieren, gegenüber Wettbewerbern, die bereits investiert haben, an Boden zu verlieren.

7 Schlüsselfunktionen einer leistungsstarken KI-Plattform für Unternehmen

Nicht alle Plattformen sind gleich. Wenn Sie sich fragen, in welche KI-Plattform sich eine Investition lohnt, unterscheiden diese sieben Funktionen skalierbare Lösungen von solchen, die stagnieren. Unabhängig davon, ob Sie sich für den Kauf, die Eigenentwicklung oder die Zusammenstellung von Open-Source-Tools entscheiden.

1. Automatisierung: Automatisiert bewährte Workflows im gesamten ML-Lebenszyklus und reduziert so den manuellen Codeaufwand, der Teams ausbremst.

2. IT-Governance und -Kontrolle: Ermöglicht die Benutzerbereitstellung, Zugriffsverwaltung, Audit-Trails und Compliance – entscheidend für regulierte Branchen.

3. Skalierbarkeit: Skaliert problemlos vom Laptop eines einzelnen Anwenders bis hin zu verteilten Produktionsclustern, ohne dass eine Neuarchitektur erforderlich ist.

4. Sicherheit: Überwacht CVEs in Open-Source-Paketen, kontrolliert die Software-Lieferkette und setzt Zugriffsrichtlinien auf allen Ebenen durch.

5. Support: Bietet Ressourcen für die Einarbeitung, fortlaufende Schulungen und unternehmensweite SLAs, insbesondere wichtig, wenn Vorfälle Produktionsmodelle betreffen.

6. Integration von Open-Source-Tools: Unterstützt Bibliotheken wie Jupyter, TensorFlow, scikit-learn, Keras und MLflow ohne benutzerdefinierte Wrapper.

7. Beitrag zur Community: Plattformen, die von Teams innerhalb der Open-Source-Community gepflegt werden, ermöglichen eine schnellere Erkennung von Schwachstellen und Innovationen.

So wählen Sie die richtige KI-Plattform für Ihr Unternehmen

Die Wahl einer Plattform ist eine funktionsübergreifende Entscheidung. Wenn Sie sich fragen, welche KI-Plattform sich lohnt, bewerten Sie Anbieter oder Ihren internen Entwicklungsplan anhand der folgenden Fragen, bevor Sie fortfahren.

Governance und Datenmanagement

Fragen Sie zunächst, wie die Plattform die Datenherkunft nachverfolgt und die Datenqualität überwacht. Erkundigen Sie sich insbesondere, ob sie die DSGVO, den CCPA und andere relevante Datenschutzbestimmungen standardmäßig unterstützt. Prüfen Sie außerdem, ob IT-Administratoren Benutzerkonten ohne Eingriff der Entwickler erstellen und deaktivieren können.

Skalierung und Infrastruktur

Verstehen Sie anschließend, wie Anwender Umgebungen für das Modelltraining und Experimentieren erstellen. Fragen Sie nach der unterstützten Hardware und den damit verbundenen Kosten. Eine Plattform, die im kleinen Maßstab hervorragend funktioniert, aber für den Produktiveinsatz eine komplette Neuarchitektur erfordert, birgt ein erhebliches Risiko.

Sicherheit

Sicherheit sollte bei jeder KI-Plattform für Unternehmen oberste Priorität haben. Fragen Sie, wie tief der Anbieter CVEs überwacht, die seine Plattform betreffen. Verstehen Sie, wie Zugriffskontrolle aussieht und wie Protokollierung, Überwachung und Alarmierung für IT-Administratoren verwaltet werden.

Support und Open Source

Bewerten Sie abschließend die menschliche Seite der Plattform. Wenn Sie sich noch fragen, welche KI-Plattform für Teams realistisch einsetzbar ist, achten Sie genau auf den Aufwand für die Einarbeitung und darauf, ob Schulungen kontinuierlich oder nur bei der Implementierung verfügbar sind.

Bei Open-Source-basierten Plattformen fragen Sie, wie der Anbieter zum Open-Source-Ökosystem beiträgt und dieses überwacht. Dies ist oft ein Indikator für die Qualität seiner Sicherheitsmaßnahmen.

| Kategorie | Wichtige Fragen |

| --- | --- |

| Governance | Wie wird die Datenherkunft nachverfolgt? Unterstützt die Plattform die DSGVO- und CCPA-Konformität nativ? |

| Skalierbarkeit | Wie skaliert die Schulung von einem einzelnen Laptop bis hin zu verteilten Clustern? Welche Hardware wird unterstützt und zu welchen Kosten? |

| Sicherheit | Wie detailliert ist die CVE-Überwachung? Wie sehen Zugriffskontrolle, Protokollierung und Alarmierung für IT-Administratoren aus? |

| Support | Was beinhaltet die Einarbeitung? Werden Schulungen kontinuierlich angeboten? Welche SLA-Stufen gelten für Produktionsvorfälle? |

| Open Source | Welche Bibliotheken werden nativ unterstützt? Wie trägt der Anbieter aktiv zu Open-Source-Projekten bei? |

Häufig gestellte Fragen

Dies sind einige der am häufigsten gesuchten Fragen zum Thema KI-Plattformen. Jede Antwort ist so formuliert, dass sie prägnant genug ist, um als Featured Snippet angezeigt zu werden, und gleichzeitig informativ genug, um sowohl technische als auch geschäftliche Leser zufriedenzustellen.

Was ist der Unterschied zwischen einer KI-Plattform und einer ML-Plattform?

Die Begriffe werden oft synonym verwendet. In der Praxis konzentriert sich eine ML-Plattform typischerweise auf die Modellentwicklung und Trainingsabläufe. Eine KI-Plattform hingegen ist umfassender. Sie beinhaltet alle ML-Funktionen, deckt aber auch die Datenerfassung, Governance, Bereitstellungsorchestrierung und Produktionsüberwachung ab.

Die meisten heute als KI-Plattformen vermarkteten Plattformen beinhalten umfassende ML-Funktionalität als Kernkomponente.

Was ist eine dialogbasierte KI-Plattform?

Eine dialogbasierte KI-Plattform ist eine spezialisierte KI-Plattform, die sich auf die Entwicklung, das Training und die Bereitstellung von Chatbots und virtuellen Assistenten konzentriert. Sie bietet Tools zur Verwaltung von Modellen der natürlichen Sprachverarbeitung (NLP), die über Text- oder Sprachschnittstellen mit Nutzern interagieren.

Um besser zu verstehen, was eine KI-Plattform dieser Kategorie ist, betrachten Sie bekannte Beispiele wie Amazon Lex, Google Dialogflow und Microsoft Bot Framework. Diese Plattformen bieten typischerweise APIs zur Integration von Dialogsystemen in bestehende Messaging-Kanäle wie Slack, WhatsApp oder Web-Chat-Widgets.

Welche KI-Plattformen sind die besten?

Eine pauschale Antwort gibt es nicht, da die richtige Wahl von der Größe Ihres Teams, Ihrem Fachwissen und Ihrem konkreten Anwendungsfall abhängt.

• Cloudbasierte Lösungen wie Google Vertex AI, AWS SageMaker und Microsoft Azure Machine Learning eignen sich für Teams, die eine schnelle und verwaltete Bereitstellung benötigen.

• Open-Source-Lösungen auf Basis von Python, MLflow, Jupyter und PyTorch sind ideal für Teams, die Wert auf Flexibilität und Community-getriebene Innovation legen.

Das in diesem Leitfaden vorgestellte 7-Kriterien-Framework bietet eine herstellerneutrale Bewertungsstruktur, die für jede Option anwendbar ist.

Wie baut man eine KI-Plattform auf?

Der Aufbau einer eigenen KI-Plattform umfasst typischerweise die Zusammenstellung von Komponenten in fünf Schichten: Datenerfassung und -versionierung, Infrastruktur für Feature Engineering, Modelltraining (oft GPU-basiert), Experimentverfolgung und Modellregistrierung sowie Produktionsbereitstellung mit Monitoring.

Um zu verstehen, was eine KI-Plattform im Kontext des Eigenbaus ausmacht, bieten Unternehmen wie Uber (Michelangelo) und Netflix (Metaflow) hilfreiche Referenzmodelle. Der entscheidende Ausgangspunkt ist die Definition der Geschäftsanforderungen. Anschließend werden die passenden Tools ausgewählt – nicht umgekehrt.

Worin unterscheidet sich eine KI-Plattform von einem BI-Tool?

Beide erfüllen wichtige Funktionen, lösen aber grundlegend unterschiedliche Probleme.

• Ein BI-Tool (Business Intelligence) dient primär der Abfrage und Visualisierung historischer Daten. Es beantwortet die Frage: „Was ist passiert?“

• Eine KI-Plattform für Data Science hingegen ist für die Entwicklung prädiktiver und generativer Modelle konzipiert. Sie beantwortet die Frage: „Was wird passieren und welche Maßnahmen sollten folgen?“ BI-Tools beschreiben die Vergangenheit. Vereinfacht gesagt: KI-Plattformen ermöglichen Entscheidungen über die Zukunft.

Fazit

Das Verständnis einer KI-Plattform ist die Grundlage. Entscheidender ist jedoch, welcher Ansatz zu den Ressourcen, dem Zeitplan und den technischen Möglichkeiten Ihres Unternehmens passt. Cloud-basierte Plattformen bieten Geschwindigkeit und Support, können aber die Flexibilität einschränken. Eigenentwicklungen ermöglichen Kontrolle und Anpassung, erfordern aber einen erheblichen Entwicklungsaufwand. Open-Source-Lösungen bieten Flexibilität und Innovation, benötigen aber tiefgreifendes Fachwissen für eine effektive Integration und Wartung.

Es gibt keinen allgemeingültig besten Weg; die richtige Wahl hängt vom Kontext ab. Am wichtigsten ist es, jede Option anhand praktischer Kriterien zu bewerten und sich dabei an einem strukturierten Rahmen zu orientieren, anstatt sich auf die Aussagen der Anbieter zu verlassen.