Der Reflex vieler Unternehmen ist verständlich: Ein Fachbereich entdeckt ein spannendes KI-Werkzeug, ein anderer startet einen Chatbot-Versuch, die IT testet ein Sprachmodell – und nach einem Jahr steht man mit einer Handvoll halbfertiger Experimente da, von denen keines in den Regelbetrieb gefunden hat. Genau dieses Muster, das wir bei INAGRO in Projekten immer wieder sehen, ist der wirtschaftliche Grund für eine KI-Strategie. Sie ist kein bürokratisches Dokument, sondern das Instrument, das knappe Ressourcen – Budget, Fachkräfte, Managementaufmerksamkeit – auf die wenigen Initiativen lenkt, die echten Wert schaffen. Eine KI-Strategie schafft Fokus, und Fokus ist im Mittelstand der knappste Rohstoff.
Wichtig ist die Einordnung: Eine KI-Strategie ist zuerst ein Führungs- und Organisationsthema, kein Technikprojekt. Die spannendste Frage lautet nicht „Welches Modell setzen wir ein?“, sondern „Welches Geschäftsproblem lösen wir, und woran erkennen wir den Erfolg?“. Technik, Plattformen und einzelne Werkzeuge ordnen sich dieser Frage unter. Wer die Reihenfolge umdreht – erst die Technologie kauft und dann nach Anwendungsfällen sucht – landet zuverlässig im sogenannten Pilot-Friedhof (siehe Kapitel 08). Die KI-Strategie denkt zudem von Beginn an Compliance mit: Der EU AI Act (Verordnung (EU) 2024/1689) und die DSGVO setzen den Rahmen, in dem sich jeder Anwendungsfall bewegen muss. Konkrete rechtliche Pflichten gehören in die Hände von Rechts- und Datenschutzexperten; dieser Artikel ordnet ein und ist keine Rechtsberatung.
In der Praxis werden diese drei Begriffe oft synonym verwendet, was zu falschen Erwartungen führt. Die KI-Strategie ist die oberste Ebene: ein mehrjähriger Orientierungsrahmen, der Vision, Ziele, ein Portfolio möglicher Anwendungsfälle und die nötigen Fundamente beschreibt. Ein Pilotprojekt ist eine zeitlich befristete, eng abgegrenzte Initiative, die einen einzelnen Anwendungsfall unter realen Bedingungen erprobt – mit klaren Erfolgskriterien und der ehrlichen Option, ihn auch wieder einzustellen. Ein KI-Tool schließlich ist das konkrete Werkzeug (etwa ein Assistent, ein Sprachmodell oder eine Plattform), das innerhalb eines Anwendungsfalls zum Einsatz kommt. Die Strategie gibt die Richtung vor, der Pilot prüft die Machbarkeit, das Tool erbringt die Leistung.
Der häufigste Denkfehler im Mittelstand ist, ein Tool für eine Strategie zu halten. „Wir haben jetzt KI – wir haben Copilot eingeführt“ ist keine Strategie, sondern eine Tool-Entscheidung ohne übergeordnete Logik. Umgekehrt ist eine Strategie, die nie in Piloten und produktive Tools mündet, nur ein Foliensatz. Eine wirksame KI-Strategie hält alle drei Ebenen sauber auseinander und verbindet sie zugleich: Jeder Pilot lässt sich auf ein strategisches Ziel zurückführen, und jedes produktive Tool ist aus einem erfolgreich abgeschlossenen Piloten hervorgegangen.
Mehrere Entwicklungen treffen gerade zusammen. Erstens ist generative KI reif und verfügbar genug, dass sich produktive Anwendungsfälle mit überschaubarem Aufwand umsetzen lassen – die Einstiegshürde ist deutlich gesunken. Zweitens steigt der Wettbewerbsdruck: Wer KI strukturiert nutzt, senkt Stückkosten und beschleunigt Prozesse, während Nachzügler ins Hintertreffen geraten. Drittens schafft die Regulierung Verbindlichkeit – der EU AI Act gilt seit August 2024 und wird in Stufen wirksam, sodass Unternehmen ihre KI-Nutzung ohnehin dokumentieren und einordnen müssen. Eine KI-Strategie ist damit nicht länger Kür, sondern wird zunehmend zur Pflicht.
Hinzu kommt ein vierter, oft unterschätzter Treiber: die Schatten-KI. Ob ein Unternehmen eine Strategie hat oder nicht – seine Mitarbeitenden nutzen längst KI-Werkzeuge, häufig private Accounts frei verfügbarer Dienste, in die unbedacht auch sensible Firmendaten gelangen. Ohne Strategie und Governance entsteht so ein unkontrollierter, datenschutzrechtlich heikler Wildwuchs. Eine KI-Strategie ist damit auch ein Mittel, diese ohnehin stattfindende Nutzung in geordnete, sichere Bahnen zu lenken – statt sie zu verbieten (was selten funktioniert) oder zu ignorieren (was riskant ist). Wer hier passiv bleibt, trifft de facto auch eine Entscheidung, nur eine schlechte.
Die sechs Bausteine bilden keine lose Liste, sondern eine Kette mit klarer Logik. Am Anfang steht die Vision, die aus der Geschäftsstrategie abgeleitet wird: Ein Maschinenbauer mit Margendruck verfolgt eine andere KI-Vision als ein Dienstleister mit Fachkräftemangel. Aus der Vision speist sich das Use-Case-Portfolio – die konkrete Antwort darauf, mit welchen Anwendungsfällen das Zielbild erreicht wird. Erst wenn die Anwendungsfälle stehen, lässt sich seriös beurteilen, welche Daten und welche Technologie sie benötigen. Quer zu allem liegen Governance und Kompetenzen: Sie sind keine späte Phase, sondern begleiten jeden Baustein. Governance entscheidet mit, ob ein Use-Case überhaupt zulässig ist; Kompetenzen entscheiden, ob er im Alltag ankommt.
In der Beratungspraxis sehen wir, dass die meisten Strategien an den unterschätzten Bausteinen scheitern – fast nie an der Vision, fast immer an Daten und Kompetenzen. Die schönste Anwendungsfall-Idee nützt nichts, wenn die benötigten Daten in zwölf inkonsistenten Excel-Tabellen liegen oder wenn die Belegschaft das neue Werkzeug aus Unsicherheit ignoriert. Eine reife KI-Strategie verteilt ihre Aufmerksamkeit deshalb bewusst auf alle sechs Bausteine – und investiert besonders dort, wo erfahrungsgemäß die Lücken klaffen.
Ein verbreiteter Irrtum ist, eine KI-Strategie sei ein einmalig erstelltes Dokument, das dann jahrelang gilt. Das Gegenteil ist richtig. KI entwickelt sich in Monaten, nicht in Jahren; Modelle, Preise und regulatorische Vorgaben ändern sich laufend. Eine wirksame Strategie ist deshalb iterativ angelegt: Sie wird in einem überschaubaren Zyklus – etwa halbjährlich – überprüft und nachgeschärft. Neue Anwendungsfälle wandern ins Portfolio, gescheiterte Piloten werden ehrlich aussortiert, und die Technologielandschaft wird gegen den Markt abgeglichen. Wer seine Strategie „in Stein meißelt“, arbeitet binnen eines Jahres mit veralteten Annahmen.
Die Identifikation beginnt nicht bei der Technologie, sondern beim Prozess. Statt zu fragen „Wo könnten wir KI einsetzen?“ lautet die produktivere Frage: „Wo verbringen Mitarbeitende viel Zeit mit wiederkehrenden, regelbasierten oder textlastigen Tätigkeiten?“ Genau dort liegen die ergiebigsten Anwendungsfälle. Bewährt hat sich ein strukturierter Workshop entlang der Wertschöpfungskette, in dem die Fachbereiche selbst ihre Schmerzpunkte benennen. Das hat zwei Vorteile: Die Vorschläge sind realistisch, weil sie aus der Praxis kommen, und die Beteiligten identifizieren sich später mit der Umsetzung. Eine reine Top-down-Liste aus der Geschäftsführung produziert dagegen oft Anwendungsfälle, die an der betrieblichen Realität vorbeigehen.
Sobald genügend Kandidaten gesammelt sind, werden sie systematisch bewertet. Das pragmatischste Werkzeug ist die Wert/Aufwand-Matrix: Jeder Anwendungsfall wird auf zwei Achsen verortet – den erwarteten Geschäftswert (Zeitersparnis, Umsatz, Qualität, Risikoreduktion) und den geschätzten Umsetzungsaufwand (Daten, Technik, Integration, Change). Aus der Kombination ergeben sich vier Felder mit klarer Handlungsempfehlung.
Die Kunst liegt nicht in der Matrix selbst, sondern in der ehrlichen Bewertung. Den Wert überschätzt man gern, den Aufwand unterschätzt man fast immer – insbesondere den Aufwand für Datenaufbereitung und Change-Management. Eine belastbare Priorisierung bezieht deshalb Fachbereich, IT und idealerweise einen kritischen externen Blick ein. Die ersten Quick Wins sollten zudem so gewählt sein, dass ihr Erfolg sichtbar und messbar ist: Ein gut sichtbarer früher Erfolg ist das beste Argument, um Budget und Rückhalt für die anspruchsvolleren strategischen Projekte zu gewinnen.
Neben Wert und Aufwand lohnt sich eine dritte, oft entscheidende Prüfgröße: das Risiko. Zwei Anwendungsfälle können bei Wert und Aufwand identisch aussehen und sich dennoch grundlegend unterscheiden, wenn der eine mit unkritischen Inhalten arbeitet und der andere personenbezogene oder geschäftskritische Daten berührt. Ein pragmatischer Weg ist, jedem Kandidaten neben der Wert/Aufwand-Position eine grobe Risikoampel zuzuordnen (grün, gelb, rot) und diese in die Reihenfolge einfließen zu lassen. Grüne Quick Wins eignen sich ideal für den Einstieg, weil sie schnellen Nutzen ohne hohe Hürden liefern; rote Hochrisiko-Vorhaben gehören bewusst geplant und nicht als erstes Experiment gestartet. Diese frühe Risikoeinordnung schlägt zugleich die Brücke zur Governance (Kapitel 05) und verhindert, dass ein vermeintlicher Quick Win später an Compliance-Anforderungen scheitert.
Die ernüchternde Erfahrung aus zahllosen Projekten: Der größte Aufwand einer KI-Initiative steckt selten im Modell, sondern fast immer in den Daten. Bevor ein Anwendungsfall startet, müssen einige Fragen ehrlich beantwortet werden. Sind die benötigten Daten überhaupt verfügbar – oder existieren sie nur in den Köpfen erfahrener Mitarbeitender? Sind sie konsistent – oder finden sich Kundennamen in fünf Schreibweisen und Produktbezeichnungen in drei Systemen? Sind sie aktuell und vollständig, und dürfen sie für den geplanten Zweck überhaupt verwendet werden? Personenbezogene Daten unterliegen der DSGVO, und nicht jede historisch gewachsene Datensammlung lässt sich rechtskonform für KI nutzen.
Die Konsequenz ist nicht, mit KI bis zum perfekten Datenbestand zu warten – das wäre eine Ausrede für Stillstand. Die Konsequenz ist, die Datenqualität als expliziten Teil jedes Anwendungsfalls einzuplanen und realistisch zu budgetieren. Häufig empfiehlt es sich, mit Anwendungsfällen zu starten, die auf gut gepflegten oder ohnehin standardisierten Datenbeständen aufsetzen, und parallel die Datenpflege für anspruchsvollere Vorhaben aufzubauen. Datenqualität ist kein einmaliges Aufräumen, sondern eine Daueraufgabe – wer sie als laufende Investition versteht, vermeidet böse Überraschungen.
Bei der Technologie steht der Mittelstand vor einer Grundsatzentscheidung: Standardlösungen einkaufen oder eigene Lösungen entwickeln? Die Antwort lautet in der überwiegenden Zahl der Fälle „Buy“. Für gängige Anwendungsfälle wie Textassistenz, Übersetzung oder Wissensrecherche existieren ausgereifte, fertige Lösungen, die deutlich günstiger und schneller verfügbar sind als jede Eigenentwicklung. „Build“ lohnt sich nur dort, wo ein Anwendungsfall einen echten Wettbewerbsvorteil verschafft und es keine passende Standardlösung gibt – und selbst dann meist als Kombination aus eingekauften Bausteinen und individueller Anpassung.
Eng mit Build vs. Buy verknüpft ist die Plattformfrage – und hier kommt für den DACH-Markt ein Aspekt hinzu, der über reine Funktionalität hinausgeht: digitale Souveränität. Wo werden die Daten verarbeitet, wer hat Zugriff, und unterliegt der Anbieter ausländischem Recht? Für viele Anwendungsfälle reichen Cloud-Dienste etablierter Anbieter mit EU-Rechenzentren und Auftragsverarbeitungsvertrag aus. Bei besonders sensiblen Daten – etwa Personal-, Gesundheits- oder geschäftskritischen Konstruktionsdaten – kommen souveräne EU-Lösungen oder On-Premises-Betrieb in Betracht. Die Plattformwahl ist damit keine reine IT-Frage, sondern eine Abwägung zwischen Komfort, Kosten und Kontrolle, die je Anwendungsfall unterschiedlich ausfallen darf. Entscheidend ist das Prinzip: Die Technologie folgt dem Anwendungsfall, nicht umgekehrt.
Der EU AI Act (Verordnung (EU) 2024/1689) ist das weltweit erste umfassende KI-Gesetz. Er ist seit August 2024 in Kraft und wird in Stufen wirksam. Sein Kernprinzip ist ein risikobasierter Ansatz: KI-Systeme werden nach ihrem Risiko klassifiziert, und je höher das Risiko, desto strenger die Pflichten. Für die KI-Strategie ist diese Klassifikation zentral, weil sie mitbestimmt, welche Anwendungsfälle mit welchem Aufwand zulässig sind.
Für den Mittelstand bedeutet das in der Praxis: Die meisten gängigen Anwendungsfälle – Textassistenz, Wissensrecherche, Marketing – fallen in begrenztes oder minimales Risiko und sind mit überschaubaren Transparenzpflichten machbar. Vorsicht ist bei Hochrisiko-Anwendungen geboten, besonders im Personalbereich: KI, die über Bewerber oder Beschäftigte (mit)entscheidet, unterliegt strengen Anforderungen. Eine gute KI-Strategie ordnet jeden geplanten Anwendungsfall früh in eine Risikoklasse ein – das verhindert, dass man spät und teuer feststellt, ein Vorhaben sei so nicht zulässig.
Eine Vorschrift verdient besondere Aufmerksamkeit, weil sie jeden betrifft, der KI einsetzt: Artikel 4 des EU AI Act verlangt von Unternehmen, für ein ausreichendes Maß an KI-Kompetenz (AI Literacy) bei den Personen zu sorgen, die KI-Systeme betreiben oder nutzen. Diese Pflicht gilt seit Februar 2025. Sie ist kein abstrakter Appell, sondern ein konkreter Auftrag: Mitarbeitende müssen verstehen, was die eingesetzte KI kann, wo ihre Grenzen liegen und wie mit den Ergebnissen verantwortungsvoll umzugehen ist. Für die KI-Strategie heißt das, Schulung und Kompetenzaufbau verbindlich einzuplanen (siehe Kapitel 06).
Governance bleibt wirkungslos, solange niemand zuständig ist. Eine tragfähige KI-Strategie benennt deshalb klare Rollen: Häufig wird ein KI-Gremium oder ein Center of Excellence eingerichtet, das Anwendungsfälle bewertet, Richtlinien pflegt und als Anlaufstelle dient. Datenschutzbeauftragte werden früh eingebunden, nicht erst zur Abnahme. Und es braucht verbindliche Nutzungsrichtlinien, die den Mitarbeitenden sagen, was erlaubt ist – etwa welche Daten in welche Werkzeuge gegeben werden dürfen. Solche Leitplanken wirken paradoxerweise befreiend: Wer weiß, was erlaubt ist, traut sich, KI produktiv zu nutzen, statt aus Unsicherheit auf inoffizielle „Schatten-KI“ auszuweichen.
KI-Kompetenz ist nicht nur eine rechtliche Pflicht (Art. 4 EU AI Act), sondern die Voraussetzung dafür, dass KI im Alltag ankommt. Dabei braucht es differenzierte Angebote: Die Geschäftsführung muss KI strategisch einordnen können – Chancen, Risiken, Grenzen. Fach- und Führungskräfte müssen erkennen, wo KI in ihren Prozessen sinnvoll ist und wo nicht. Und die Anwendenden brauchen ganz praktisches Können: Wie formuliere ich gute Anfragen, wie erkenne ich fehlerhafte Ergebnisse, welche Daten darf ich eingeben? Ein verbreiteter Fehler ist, Schulung auf ein einmaliges Tool-Training zu reduzieren. AI Literacy ist eine fortlaufende Aufgabe, weil sich die Werkzeuge ständig weiterentwickeln.
Besonders wichtig ist das Vermitteln eines gesunden Misstrauens. Generative KI erzeugt plausibel klingende, aber mitunter falsche Aussagen. Mitarbeitende, die das verstehen, nutzen KI als Assistenten und prüfen die Ergebnisse – Mitarbeitende, die KI blind vertrauen, sind ein Risiko. AI Literacy bedeutet deshalb nicht nur „KI bedienen können“, sondern „KI kritisch einordnen können“.
KI löst bei vielen Beschäftigten zuerst Sorge aus – die Angst, ersetzt zu werden, ist real und ernst zu nehmen. Eine KI-Strategie, die diese Sorge ignoriert, erntet stillen oder offenen Widerstand. Der wirksamste Hebel ist Ehrlichkeit und Beteiligung: KI sollte als Werkzeug positioniert werden, das von lästigen Routineaufgaben entlastet und Freiraum für anspruchsvollere Tätigkeiten schafft – und dieses Versprechen muss eingehalten werden. Wer Mitarbeitende früh in die Use-Case-Identifikation einbindet, macht sie zu Mitgestaltenden statt zu Betroffenen. Sichtbare frühe Erfolge, in denen KI spürbar Arbeit erleichtert, sind dabei überzeugender als jede Ankündigung.
Im DACH-Raum kommt ein Aspekt hinzu, der gern übersehen wird: die betriebliche Mitbestimmung. Wo ein Betriebsrat besteht, hat er bei der Einführung von KI-Systemen, die das Verhalten oder die Leistung von Beschäftigten erfassen können, weitreichende Mitbestimmungsrechte (Betriebsverfassungsgesetz). Den Betriebsrat erst nach der Entscheidung zu informieren, ist ein klassischer und vermeidbarer Fehler, der Projekte verzögert und Vertrauen beschädigt. Die kluge KI-Strategie bindet die Mitbestimmung von Anfang an ein und macht sie zum Partner – die genaue Ausgestaltung gehört in die Hände arbeitsrechtlicher Expertise; auch dies ist keine Rechtsberatung.
Ein belastbarer Business Case stellt Nutzen und Kosten eines Anwendungsfalls gegenüber. Auf der Nutzenseite stehen meist Zeitersparnis (Stunden pro Woche, multipliziert mit dem Personalkostensatz), Qualitätsverbesserungen (weniger Fehler, weniger Nacharbeit), Umsatzeffekte (schnellere Angebote, mehr bearbeitete Anfragen) und Risikoreduktion. Auf der Kostenseite stehen Lizenz- und Nutzungskosten, einmalige Aufwände für Einführung und Datenaufbereitung, Schulung sowie laufender Betrieb. Der entscheidende Punkt: Die Kosten der Datenaufbereitung und des Change-Managements werden regelmäßig unterschätzt – ein realistischer Business Case kalkuliert sie großzügig ein.
Wichtig ist, nicht den ganz großen Wurf zu erzwingen, sondern mit Quick Wins zu beginnen, deren Nutzen sich schnell und sichtbar zeigt. Ein Anwendungsfall, der pro Mitarbeiterin und Mitarbeiter wenige Stunden pro Woche spart, rechnet sich über die Zahl der Beteiligten oft schneller, als man erwartet – und liefert die Argumente und das Vertrauen für die größeren strategischen Projekte. Nicht jeder Nutzen ist dabei sofort in Euro messbar; auch qualitative Effekte wie Mitarbeiterzufriedenheit oder schnellere Reaktionszeiten gehören in den Business Case, klar als solche gekennzeichnet.
Ein realistischer Blick auf den Zeithorizont gehört ebenfalls dazu. KI-Anwendungsfälle zeigen ihren vollen Nutzen selten am ersten Tag: Es braucht eine Einführungsphase, in der Mitarbeitende das Werkzeug kennenlernen, Prozesse sich anpassen und Kinderkrankheiten ausgeräumt werden. Ein seriöser Business Case kalkuliert diese Anlaufkurve ein, statt ab Tag eins die volle Ersparnis zu unterstellen. Umgekehrt sollte man auch nicht zu vorsichtig rechnen und damit lohnende Vorhaben kleinreden. Bewährt hat sich, mit konservativen Annahmen zu starten, die tatsächlichen Werte nach der Einführung an der definierten Baseline zu messen und den Business Case dann mit echten Zahlen fortzuschreiben – das macht künftige Investitionsentscheidungen belastbarer und nimmt der Debatte das Spekulative.
Was nicht gemessen wird, lässt sich nicht steuern – und nicht gegen Skeptiker verteidigen. Eine KI-Strategie definiert deshalb je Anwendungsfall vorab, woran der Erfolg erkennbar sein soll. Bewährt hat sich eine kleine, aussagekräftige Auswahl statt einer Kennzahlenflut.
Der gravierendste Fehler ist, von der Technologie statt vom Geschäftsproblem auszugehen. „Wir brauchen eine KI-Plattform“ ist kein Anwendungsfall. Wer zuerst Technik beschafft und dann nach Einsatzmöglichkeiten sucht, produziert teure Lösungen für nicht existierende Probleme. Die wertgetriebene Alternative beginnt umgekehrt: Erst wird das Geschäftsproblem benannt, dann der Anwendungsfall, und erst zuletzt die passende Technologie ausgewählt.
Eng damit verbunden ist der Pilot-Friedhof – das wohl bekannteste Symptom gescheiterter KI-Initiativen. Unternehmen starten viele kleine Piloten, die im Experimentierstadium hängen bleiben und nie in den Regelbetrieb überführt werden. Nach einem Jahr existiert ein Friedhof halbfertiger Versuche, die Ressourcen gebunden, aber keinen produktiven Wert geschaffen haben. Die Ursache ist meist eine Mischung aus fehlender Priorisierung (zu viele Piloten gleichzeitig), fehlenden Skalierungskriterien (niemand hat definiert, wann ein Pilot „erfolgreich“ ist) und fehlendem Mut, Piloten ehrlich zu beenden. Das Gegenmittel: wenige, gut gewählte Piloten mit klaren Erfolgskriterien – und der konsequente Schritt von erfolgreichem Pilot zu produktiver Skalierung.
Fehler 3 – Compliance nachträglich: Wer EU AI Act und DSGVO erst nach dem Bau eines Anwendungsfalls bedenkt, riskiert, dass das Vorhaben so nicht zulässig ist und teuer umgebaut werden muss. Compliance gehört in die Planung, nicht in die Abnahme. Fehler 4 – den Menschen vergessen: Eine technisch perfekte Lösung, die niemand akzeptiert oder bedienen kann, schafft keinen Wert. Kompetenzaufbau und Change-Management sind keine Nebensache. Fehler 5 – Strategie in Stein meißeln: KI verändert sich zu schnell für einen starren Mehrjahresplan. Eine Strategie, die nicht regelmäßig nachgeschärft wird, arbeitet binnen Monaten mit überholten Annahmen.
Die vier Phasen sind keine Einbahnstraße. Die wirksamste KI-Transformation ist iterativ: Erkenntnisse aus den Piloten fließen zurück in die Strategie, neue Anwendungsfälle ergänzen das Portfolio, und der Reifegrad steigt mit jedem Durchlauf. Statt eines monolithischen Großprojekts, das nach drei Jahren „fertig“ sein soll, entsteht ein kontinuierlicher Verbesserungsprozess. Dieser Ansatz passt besonders gut zum Mittelstand, der selten die Ressourcen für ein KI-Großvorhaben, aber sehr wohl die Beweglichkeit für schnelle Lernzyklen hat.
In der Praxis begleiten wir Unternehmen typischerweise herstellerneutral durch genau diese vier Phasen: mit einem strukturierten Assessment, der Erarbeitung einer schlanken, priorisierten Strategie, der Begleitung der ersten Piloten und der Unterstützung bei der Skalierung. Entscheidend ist uns dabei der pragmatische Zuschnitt auf den Mittelstand – keine überdimensionierte Strategie für ein Großkonzern-Budget, sondern ein Fahrplan, der zu den realen Ressourcen und Zielen des Unternehmens passt. Welche Werkzeuge, Plattformen oder Anbieter dabei zum Einsatz kommen, entscheidet sich aus dem Anwendungsfall, nicht aus einer Vorfestlegung.
