Künstliche Intelligenz

Foucault und die Diskursmaschine KI

Vor 100 Jahren wurde der Philosoph Michel Foucault geboren. Sein Werk kreist in der Tradition von Kant und Hegel um die Begriffe Macht, Wissen und Wahrheit. Schaut man aus unserer aktuellen Situation auf sein konstruktivistisches Gedankengebäude, entbehrt es leider nicht einer gewissen Ironie, dass sein Infragestellen von so etwas wie objektivem Wissen oder absoluter Wahrheit heute nicht genutzt wird, um in seinem Sinne Machtpositionen zu erschüttern, sondern von den Mächtigen, um zugunsten ihres Machterhaltes zu manipulieren.

Trotzdem hat sein Denken nicht an Relevanz verloren. Im Gegenteil, gerade bezogen auf das allgegenwärtige und übermächtige Thema KI ist es durchaus inspirierend:

Zentral für Foucault ist der Diskurs, und zwar die Frage, welche Denkmuster und Machtstrukturen unsere Sprache nicht nur prägen, sondern auch hervorbringen (Sprache schafft Sachen). Und diese Frage ist mehr als brisant, denn KI ist vor allem eines, eine mächtige Diskursmaschine. KI überschwemmt uns mit Sprache, zieht uns hinein, macht uns zum Teil ihres Diskurses, beeinflusst unsere Wahrnehmung, formt unsere Realität qua Diskurs.

Müssen wir uns also nicht drängend die Frage stellen, welche Denkmuster und Machtstrukturen diesen Diskurs prägen? Durch die alltägliche Anthropomorphisierung der KI einerseits (Die KI denkt, die KI will, die KI plant….) sowie anderseits durch die dystopischen Zukunftsszenarien, die seit Kurzem durch die Tech Bosse selbst so laut vertreten werden, wird abgelenkt davon, dass völlig intransparent ist, nach welchen Prinzipien und Regeln, ja nach welchen Absichten der KI-Unternehmen diese Software (und das ist KI schlicht immer noch) trainiert und ‚aligned‘ wird – und zwar letztendlich von Menschen.

Und hier wird Foucault plötzlich ganz aktuell: „(Wir müssen die Diskurse) als Praktiken behandeln, die systematisch die Gegenstände bilden, von denen sie sprechen. Zwar bestehen diese Diskurse aus Zeichen; aber sie benutzen diese Zeichen für mehr als nur zur Bezeichnung der Sachen (…) Dieses mehr muss man ans Licht bringen und beschreiben.“ (aus Michel Foucault: Die Archäologie des Wissens).

Also, mehr Licht ins Dunkel! Denn Aufklärung (im Französischen L’Age des Lumières, das Zeitalter des Lichts) ist die Voraussetzung für kritisches Denken und für Emanzipation. Wir müssen es uns unbequem machen, versuchen KI in ihren Grundsätzen zu verstehen. Die Strategien und Denkmuster dahinter. Mehr Transparenz einfordern. Uns selbst nicht zugunsten einer komfortabel (kurzfristig?) zu erzielenden Effizienzsteigerung aufsaugen lassen vom KI-Diskurs. Sapere aude! Wage es zu denken, und zwar selbst! Vielleicht war Kant nie so aktuell und wichtig wie gerade jetzt.

Übrigens, ganz emanzipatorisch habe ich für diesen Blogpost selbst gelesen, selbst gedacht und selbst geschrieben. Vielleicht ist der Text dadurch ein wenig sperrig geworden. Aber nur Sperrigkeit bietet Anknüpfungspunkte, an sprachlicher Glätte rutschen wir bequem ab.

Zum Glück werde ich dieses Jahr 57!

Zum Glück werde ich dieses Jahr 57!
ich_2017

Vor kurzem bin ich in der ZEIT über eine Aussage gestolpert, die mich – aus persönlichen Gründen – neugierig gemacht hat: Mit 57 Jahren, so war dort zu lesen, erreiche unsere kristalline Intelligenz ihren Höhepunkt. Die fluide Intelligenz dagegen nehme bereits ab einem Alter von etwa 20 Jahren ab. Und mehr noch: Eine neue Studie lege nahe, dass Menschen zwischen 57 und 60 Jahren besonders gut für Entscheidungspositionen mit hoher Verantwortung geeignet seien.

Das fand ich interessant. Vielleicht nicht nur aus persönlichen Gründen (s.o.), sondern auch deshalb, weil es so schön gegen die verbreitete Vorstellung verstößt, geistige Leistungsfähigkeit sei vor allem eine Frage der Jugend. Also habe ich mir die Studie selbst angeschaut.

Die fluide Intelligenz beschreibt unsere Fähigkeit, neue Probleme zu lösen, Muster zu erkennen und logisch zu schlussfolgern – ohne dafür auf bereits erworbenes Wissen zurückgreifen zu können. Die kristalline Intelligenz beruht dagegen auf Wissen und Erfahrung. Wortschatz, Fachwissen und das, was wir über Jahre gelernt und erlebt haben, gehören dazu.

Und diese beiden Fähigkeiten entwickeln sich im Laufe unseres Lebens sehr unterschiedlich: Die fluide Intelligenz erreicht ungefähr mit 20 Jahren ihren Höhepunkt und nimmt danach tendenziell ab. Andere Fähigkeiten entwickeln sich dagegen noch lange weiter. Dazu gehört die kristalline Intelligenz, aber beispielsweise auch emotionale Intelligenz oder finanzielles Wissen.

An dieser Stelle wird es interessant. Denn die Aussagen in der ZEIT sind zwar eingängig, verkürzen die Studie aber etwas.

Gilles Gignac von der University of Western Australia und Marcin Zajenkowski von der Universität Warschau haben für ihre 2025 in der Zeitschrift Intelligence veröffentlichte Studie nicht einfach fluide und kristalline Intelligenz miteinander verglichen. Sie haben Ergebnisse bereits veröffentlichter Untersuchungen zu einer ganzen Reihe von Fähigkeiten und Persönlichkeitsmerkmalen zusammengetragen und deren Entwicklung über das Erwachsenenleben betrachtet. Neben verschiedenen kognitiven Fähigkeiten flossen unter anderem Persönlichkeit, emotionale Intelligenz, finanzielle Kompetenz, moralisches Urteilsvermögen, kognitive Flexibilität, Empathie und die Widerstandsfähigkeit gegenüber bestimmten Denkfehlern ein. Daraus konstruierten die Forscher einen Cognitive-Personality Functioning Index, kurz CPFI. Und dieser zusammengesetzte Index erreicht tatsächlich ungefähr zwischen 55 und 60 Jahren seinen höchsten Wert.

Das bedeutet aber nicht: Mit 57 sind wir am intelligentesten. Es bedeutet vielmehr: Einige Fähigkeiten haben zu diesem Zeitpunkt bereits nachgelassen, während andere über Jahrzehnte gewachsen sind. In der Summe können sich diese unterschiedlichen Entwicklungen offenbar erstaunlich gut ergänzen.

Mit 25 können wir möglicherweise schneller neue Zusammenhänge erkennen als mit 57. Mit 57 verfügen wir dafür über drei Jahrzehnte zusätzliches Wissen und Erfahrung. Wir haben mehr Situationen erlebt. Wir können neue Probleme mit bereits bekannten vergleichen. Wir erkennen vielleicht schneller, welche Informationen wirklich wichtig sind. Und wir haben gelernt, welche Entscheidungen in der Vergangenheit funktioniert haben – und welche nicht.

Die Forscher gehen deshalb auch der Frage nach, was das für anspruchsvolle Entscheidungspositionen bedeutet. Ihre Schlussfolgerung ist allerdings vorsichtiger, als die griffige Zahl „57“ vermuten lässt: Menschen, die für Entscheidungen mit hohen Konsequenzen besonders gut geeignet sind, seien wahrscheinlich weder jünger als 40 noch älter als 65. Es geht also nicht um ein magisches Alter, in dem wir plötzlich optimale Entscheider sind. Es geht um ein Zusammenspiel unterschiedlicher Fähigkeiten.

Und an dieser Stelle stellt sich für mich eine weitere Frage, die in der Studie so noch gar nicht beantwortet wird: Was passiert mit diesem Verlauf, wenn wir Künstliche Intelligenz hinzunehmen?

Denn ausgerechnet bei einigen Fähigkeiten, die mit zunehmendem Alter nachlassen, kann KI uns unterstützen. Eine KI kann große Informationsmengen schnell durchsuchen, Alternativen generieren, Muster sichtbar machen, Argumente gegenüberstellen oder uns auf Widersprüche aufmerksam machen. Sie könnte damit einen Teil dessen kompensieren, was unsere fluide Intelligenz im Laufe des Lebens weniger gut leistet. Unser Erfahrungswissen kann sie dagegen nicht einfach ersetzen. Wissen besteht schließlich nicht nur aus gespeicherten Informationen. Es besteht auch daraus, Situationen erlebt, Konsequenzen erfahren und Zusammenhänge über Jahre verstanden zu haben.

Vielleicht liegt deshalb gerade hier eine der interessantesten Perspektiven für die Zusammenarbeit von Mensch und KI: Wir nutzen KI nicht, um unsere Erfahrung zu ersetzen. Wir nutzen sie, um unsere Erfahrung mit Fähigkeiten zu ergänzen, die uns zunehmend schwerer fallen. Dann könnte die eigentlich interessante Frage irgendwann nicht mehr lauten: In welchem Alter erreichen Menschen den Höhepunkt ihrer Leistungsfähigkeit? Sondern: Wie lange können wir diesen Höhepunkt halten, wenn menschliche Erfahrung und künstliche Intelligenz zusammenkommen?

Wie hoch ist meine persönliche KI-Kompetenz?

Diese Frage habe ich mittels das KI-Kompetenz-Audits der DHBW Heilbronn beantwortet. Das Ergebnis sehr ihr hier:

Das KI-Kompetenz-Audit entstand im Rahmen des Projekts KI-Campus Hub Baden-Württemberg, ein Projekt unter Leitung des Stifterverbandes mit Förderung der Dieter Schwarz Stiftung. Entwickelt wurde das Audit vom KI-Team der Bildungsforschung an der DHBW Heilbronn.

Probiert es doch auch einmal aus! Neben der grafischen Auswertung gibt es noch eine ausführliche schriftliche Bewertung mit Hinweisen auf passende Weiterbildungsmöglichkeiten aus dem Angebot des KI Campus. Der KI Campus Baden-Württemberg ist eine komplett kostenfreie Lernplattform mit einem vielfältigen und hochwertigen Angebot an Webinaren.

Übrigens: Das KI-Kompetenz-Audit gibt es auch für Unternehmen/Organisationen: Wie hoch ist die KI-Kompetenz meines Unternehmens?

What We Can Learn from Medical Technology Industry About Reliable AI

It is quite rare for my two main areas of consultancy – knowledge management and computerised system validation in the pharmaceutical sector – to overlap, but when it comes to AI…

Whilst many companies are still experimenting with prototypes, the medical sector has already established a strict framework for the safe use of these technologies: Good Machine Learning Practice (GMLP).
These ten principles, developed by leading regulatory bodies such as the FDA (US Food and Drug Administration) and the IMDRF (International Medical Device Regulators Forum), provide a blueprint for robust and trustworthy AI systems, not only in the regulated field of medical technology.

Here are the key GMLP principles:

  1. Interdisciplinary teams rather than siloed solutions
    An AI model is only as good as the understanding of its intended purpose. GMLP requires experts from various disciplines to collaborate throughout the entire lifecycle. Engineers, data specialists and the actual end-users must work together to define the clinical or business benefits the AI is intended to deliver, as well as the risks involved.
  2. Sound software engineering and security
    AI is software – and should be treated as such. This means consistently applying best practices in software engineering, cybersecurity and risk management. A methodical design process ensures that decisions are traceable and that the integrity and authenticity of the data are maintained.
  3. Data quality and representativeness
    A common mistake in AI projects is a ‘bias’ in the data. GMLP stipulates that datasets must reflect the actual target population. If, for example, only data from a specific user group is used, the model will fail in the real world. Careful data governance is key here.
  4. Strict separation of training and test data
    To objectively evaluate a model’s performance, the training and test datasets must be strictly independent of one another. This prevents ‘label leakage’ – a phenomenon whereby the model ‘guesses’ the outcome based on hidden clues in the training data, rather than learning genuine patterns. Only through independent testing can it be demonstrated that the AI also works with new, unknown data.
  5. Suitability of reference standards
    Use of the best available (clinical) methods for generating reference data
  6. Tailored model design
    The model design must be suited to the available data and the intended use in order to minimise risks such as overfitting
  7. Focus on human-AI interaction
    In practice, AI rarely operates entirely independently. GMLP therefore focuses on the interaction between humans and machines. It is essential to ensure that users can interpret the AI’s outputs correctly and that no dangerous over-reliance on the system develops. Transparency and clear information about the system’s limitations are essential for this.
  8. (Clinically) Relevant test conditions
    Testing is carried out under conditions that simulate real-world clinical use
  9. Clear user information
    Users are provided with transparent information about the system’s capabilities, limitations and updates/re-training.
  10. Control does not stop after roll-out
    An ML model is not a static product. GMLP requires continuous monitoring of performance in real-world use (‘post-market monitoring’). This allows performance declines caused by changing data patterns (dataset drift) to be detected at an early stage and risks associated with retraining the model to be managed.

At first glance, applying these principles may seem like a lot of work. However, it is just necessary if we should build trust in AI, isn’t it? And for me the main message is: „It is the controlled data quality, stupid“.

KI, Kant und metakognitive Faulheit

KI, Kant und metakognitive Faulheit
erstellt mit Midjourney

Das Schöne an KI ist doch, dass wir anstrengende geistige Tätigkeiten an diese auslagern können. Eben nicht nur das Suchen nach Informationen, sondern – zu mehr oder weniger großen Anteilen – das Kreativ Sein, das Analysieren, das Problemlösen, das Nachdenken, kurz das Wissensarbeiten. Einige aktuelle Studien zeigen nun, dass Personen, die KI in dieser Form als ‚Mitdenker‘ nutzen, dazu neigen, ihre Arbeit, die mit der signifikanten Hilfe von KI entstanden ist, seltener zu prüfen und zu hinterfragen. Die Autoren einer dieser Studien (Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance) nennen dies „metakognitive Faulheit“.

Als Erwachsene können wir entscheiden, welche geistigen Prozesse wir an eine KI auslagern und wo wir uns bewusst dieser Faulheit widersetzen. Dazu nutzen wir unseren kritischen Verstand. Doch wie steht es um Kinder und Jugendliche, deren Mut sich des eigenen Verstandes zu bedienen – das Kantsche ’sapere aude‘ – gar nicht erst entwickelt wird, weil sie die anstrengende Reibung, die ein entsprechender Lernprozess bedeutet, vermeiden können?

Und was macht diese Entwicklung mit unserer Gesellschaft?

Unsere liberalen Demokratien beruhen auf mündigen Bürgern und Bürgerinnen, wie sie die Philosophen der Aufklärung beschreiben. Also Menschen, die sich ihres Verstandes bedienen und die Meinungen kritisch hinterfragen, auch ihre eigene. Wer nicht selbst denkt, wird alles glauben.

Und das, was wir da denken lassen, wird immer homogener, denn schließlich beruht generative KI auf Statistik und Wahrscheinlichkeit. „In großem Maßstab wird das, was als statistisches Musterlernen beginnt, zu einer generativen Kraft, die zentrale Tendenzen bevorzugt (…)“, so der Informatiker Zhivar Sourati.

Das Risiko, vor dem unsere Gesellschaften stehen, ist nicht die imaginäre Super-KI, die irgendwann die Weltherrschaft an sich reißt. Es ist unser selbst gewählter Weg in eine vor-aufklärerische Unmündigkeit – aus schierer Bequemlichkeit. Warum nur muss ich seit einiger Zeit immer wieder an den Animationsfilm Wall-E denken?

Vielleicht etwas pathetisch, aber ich ende mit einem hochaktuellen 300 Jahre alten Zitat:
„Aufklärung ist der Ausgang des Menschen aus seiner selbstverschuldeten Unmündigkeit. Unmündigkeit ist das Unvermögen, sich seines Verstandes ohne Leitung eines anderen zu bedienen. Selbstverschuldet ist diese Unmündigkeit, wenn die Ursache derselben nicht am Mangel des Verstandes, sondern der Entschließung und des Mutes liegt, sich seiner ohne Leitung eines anderen zu bedienen. Sapere aude! Habe Mut, dich deines eigenen Verstandes zu bedienen! ist also der Wahlspruch der Aufklärung.“

Die KI denkt

Die KI denkt
erstellt mit Midjourney

Kürzlich habe ich in der Frankfurter Sonntagszeitung Folgendes gelesen: „Die KI [Claude Code] (…) kann jetzt einen Workflow von vier Schritten eigenständig abarbeiten: lesen, also unstrukturierte Informationen aufnehmen; denken, also domänenspezifisches Wissen anwenden; schreiben, also strukturierte Ergebnisse produzieren; verifizieren, also das Ergebnis mit mit vorgegebenen Standards abgleichen. In der Wissensökonomie gibt es nicht viele Berufe, die sich nicht auf diese vier Bausteine herunterbrechen lassen.“

Natürlich hat mich die Aussage zum Denken der KI nun selbst ins Nachdenken gebracht. Findet hier tatsächlich ein Denkprozess und eine Anwendung von Wissen statt – was ja voraussetzt, dass eine KI über Wissen verfügt.

Laut Philosophischem Wörterbuch von Georgi Schischkoff werden unter ‚Denken‘ alle (psychologischen) Vorgänge zusammengefasst, die aus einer inneren Beschäftigung mit Vorstellungen, Erinnerungen und Begriffen eine Erkenntnis zu formen versuchen. Martin Heidegger beschreibt das Denken gar als einen Weg. Das zu-Denkende entzieht sich dem Menschen und zieht ihn mit. Weil sich das zu-Denkende dem Menschen entzieht und sich von ihm abwendet, nimmt es ihn in Anspruch. 

Das kann mit dem Denken der KI nicht gemeint sein. Was also passiert, wenn eine KI „denkt“?
Hier verarbeitet das Modell die Informationen aus dem „Lesen“-Schritt und führt mehrere interne Teilprozesse aus:

  • Problemstruktur erkennen (Welche Aufgabe ist gestellt? Welche Informationen sind relevant?)
  • Hypothesen bilden durch statistisches Abwägen von Mustern aus Trainingsdaten
  • Lösungsstrategie planen (sinnvolle Schritte planen vor dem Schreiben)
  • Kontext verknüpfen durch die Kombination mehrerer Informationsquellen wie vorherige Nachrichten, bekannte Muster usw.

Das Denken einer KI bedeutet also interne Berechnungsschritte, probabilistische Planung, logische Strukturierung der Antwort. Das hat nichts zu tun mit Verstehen, Bewusstsein und intentionaler Überlegung, was das menschliche Denken kennzeichnet. Auch wird im eigentlichen Sinne kein „domänenspezifisches Wissen angewandt“, sondern die KI nutzt korrelationsbasierte Muster aus domänenspezifischen Trainingsdaten. Wir reden also von statistischer Generalisierung, nicht von Wissensanwendung.

Trotzdem ähnelt der Vier-Schritte-Workflow, mit dem bei modernen KI-Agenten typische Schwächen von Sprachmodellen, wie z. B. das Halluzinieren, reduziert werden, dem menschlichen Arbeitsablauf beim Problemlösen (z. B. nach Newell & Simon). Dadurch wird die KI vom reinen Textgenerierer zum Problemlöser.

Doch unser menschliches Denken ist soviel mehr als analytisches Problemlösen. Es ist auch zweckfreies Philosophieren, Träumen, Spintisieren… Ich denke, wir sollten uns angewöhnen, die technische Funktionsweise einer KI nicht mit menschlichen Begriffen wie ‚Denken‘ oder ‚Wissen‘ zu beschreiben, sondern angemessene technische Begrifflichkeiten dafür finden. Denn eine zunehmende Vermenschlichung von KI birgt das Risiko der abnehmenden kritischen Distanz. Und eine Vermenschlichung führt dazu, dass einer Technik Eigenschaften zugeschrieben werden, z. B. moralisches Verhalten, die für eine realistische Einschätzung technologischer Folgen letztlich irrelevant sind. Und den Blick ablenken von den verantwortlichen Menschen hinter der KI.

WMOOC Live Session in der nächsten Woche

WMOOC Live Session in der nächsten Woche
WMOOC

Am 11.12. um 16 Uhr geht es in der WMOOC Live Session um ein ganz praxisnahes Thema, nämlich Firmenwikis und wie man diese richtig einsetzt. Vor allem geht es unserem Referenten Martin Harnisch um die Frage, warum alle alles lesen und bearbeiten können sollten, also um ein offenes Wiki-Konzept, das viele Organisationen immer noch scheuen.

In der Session werden die Grundlagen von Wikis erklärt und wie sie funktionieren. Ein Schwerpunkt liegt auf den allgemeinen Vorteilen offener Wikis, in denen alle Personen alles lesen und bearbeiten können. Danach geht es um typische Bedenken, die dabei häufig auftauchen, und darum, wie man darauf reagiert. Ergänzend werden Beispiele aus Enterprise-Wikis behandelt, die zeigen, wie solche Prinzipien in Organisationen umgesetzt werden können.

Tatsächlich nähert sich der WMOOC 2025 rasant seinem Ende: Nur noch zwei Live Sessions stehen aus, die ihr euch schon einmal vormerken könnt:

Am 15.12. um 16 Uhr wird uns Kai Hoffmann mit hinter die Kulissen des Wissensmanagements bei Schutz und Rettung der Stadt Zürich nehmen.
Und am 22.12. um 16 Uhr erläutert Johanna Boli wie es gelingen kann Wissensmanagement in ein bestehendes Qualitätsmanagement-System zu integrieren, und zwar mit Hilfe von KI.

Wie immer stehen die Live Sessions allen Interessierten offen, auch denen die (noch) nicht für den WMOOC registriert sind. Bei Interesse bitte einfach bei mir melden, dann schicke ich die Einwahldaten zu. Oder am besten gleich für den WMOOC Newsletter anmelden!

AI Agents: Vom Tool zum Teamplayer – Aufzeichnung der WMOOC Live Session

Die Aufzeichnung unserer sehr intensiven Wissensmanagement-MOOC Live Session mit Sabine Wax von inside workspace zu AI Agents ist nun online im Open Academy-Kanal verfügbar (Dauer 1’10 Std.)

Ich werde mir – obwohl ich live dabei war – die Aufzeichnung gleich auch noch einmal ansehen. Da war so viel drin, das habe ich noch nicht alles verdaut, liebe Sabine!

WMOOC 2025: Live Session zu KI Agenten

WMOOC 2025: Live Session zu KI Agenten
WMOOC

Ich freue mich sehr auf unsere Live Session im WMOOC in der nächsten Woche: Sabine Wax, Gründerin von inside workspace, zeigt am Beispiel ihres eigenen Unternehmens, wie AI Agents als Teammitglieder in Organisationsstrukturen eingebunden werden können:

Künstliche Intelligenz übernimmt zunehmend Aufgaben im Informationsmanagement. Doch kann sie mehr sein als nur ein Werkzeug? Welche strukturellen Voraussetzungen braucht es, damit KI Informationen intelligent vernetzt, Entscheidungen unterstützt und aktiv in die Teamarbeit eingebunden werden kann? Dabei spielen themenbasiertes Rechtemanagement, Abnahmeworkflows und Transparenz eine zentrale Rolle, um den Anforderungen des KI-Acts gerecht zu werden. Doch die Einführung von KI ist nicht nur eine technologische Frage – sie erfordert einen Mindshift. „Think AI“ bedeutet, Informationen kontextbezogen und strukturiert bereitzustellen, Verantwortung klar zu definieren und Zusammenarbeit neu zu denken.
Termin: Mittwoch, 19. November, 16 Uhr

Wie immer ist die Teilnahme an der Live Session möglich, auch ohne für den WMOOC registriert zu sein. Bitte einfach bei mir melden! Oder den Newsletter abonnieren, um immer rechtzeitig die Einladungen zu den Live Sessions zu bekommen.

KI fürs Persönliche Wissensmanagement – WMMOC Aufzeichnung online

Die Aufzeichnung der WMOOC Session mit Simon Dückert vom 15. Oktober ist nun online verfügbar in unserem Open Academy-Kanal (Dauer 1:19 Std.). Simon hat in beeindruckender Weise demonstriert, wie er KI-Tools nutzt um seine Effizienz als Wissensarbeiter signifikant zu steigern. Die vielen Fragen im Anschluss an den intensiven Vortrag zeigen das große Interesse der Teilnehmenden – so groß, dass wir ausnahmsweise die Session deutlich länger haben laufen lassen als üblich. Und ich bin sicher, wir hätten noch mehr Zeit mit vielen praktischen Anregungen von Simon füllen können. Herzlichen Dank, Simon!