Forschungsdaten-Auswertung mit KI

Das echte Ausmaß des Problems

Moderne Forschung produziert Daten in einem Tempo, das die manuelle Auswertungskapazität systematisch übersteigt. Ein genetisches Sequenzierungsexperiment kann Gigabytes an Rohdaten pro Probe erzeugen. Eine fMRI-Studie mit 60 Probanden enthält Millionen von Voxelwerten. Longitudinalstudien sammeln über Jahre hinweg Datenpunkte, die selbst gut ausgebildete Doktoranden nicht vollständig manuell erschließen können.

Das ist kein neues Problem. Aber es hat sich verschärft: Die Kosten für Datenerhebung sind in den letzten Jahren erheblich gesunken — Sequenzierungsmaschinen, Wearables, Onlineumfragen mit tausenden Teilnehmenden. Die Kosten für Datenauswertung sind nicht in gleichem Maße gesunken. Das Ergebnis: Wir erheben mehr Daten, als wir analysieren können.

Die Folgen sind dokumentiert. Eine der meistzitierten Studien zu wissenschaftlicher Reproduzierbarkeit (Open Science Collaboration, 2015) konnte nur 36 von 100 Befunden aus der Psychologie replizieren. Ursachen waren unter anderem: mangelhafte Kontrolle von Analyseparametern, nicht dokumentierte Vorverarbeitungsschritte und selektive Berichterstattung (“p-Hacking”). All das ist leichter zu vermeiden, wenn Analysepipelines dokumentiert, standardisiert und reproduzierbar sind — genau das, was automatisierte Analysetools ermöglichen.

Hinzu kommt der Fachkräftemangel an der Schnittstelle von Domänenwissen und Datenanalyse-Kompetenz: Viele Forscher sind exzellente Experimentalwissenschaftlerinnen, aber keine Data Scientists. Und Data Scientists, die das Fachgebiet tief genug verstehen, um Ergebnisse korrekt zu interpretieren, sind rar.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Stark abhängig von Datenqualität, Homogenität der Daten und verfügbarer Infrastruktur. Schlechte Datenqualität kann die KI-gestützte Analyse sogar verlangsamen, wenn viel Bereinigungsaufwand entsteht.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Bei großen Datensätzen ist die Zeitersparnis real und erheblich — explorative Analysen, die Wochen dauern, lassen sich auf Tage reduzieren. Automatisches Clustering, Anomalieerkennung und reproduzierbare Vorverarbeitungspipelines ersetzen repetitive manuelle Arbeit. Nicht ganz auf dem Niveau der Literaturrecherche (dort ist der Zeitgewinn von der ersten Nutzung an spürbar), weil hier ein erheblicher Vorbereitungsaufwand besteht.

Kosteneinsparung — mittel (3/5) Rechenzeit ist billiger als Personalzeit. Bei großen Datensätzen, die sonst mehrere Personen über Monate beschäftigen würden, sind die Einsparungen real — Cloud-Computing kostet Cent pro Stunde statt hundert Euro pro Personentag. Gleichzeitig: Der Einrichtungsaufwand ist erheblich, externe Expertise für Modellentwicklung und Validierung kostet, und die Cloud-Rechnung wächst mit dem Datensatz.

Schnelle Umsetzung — sehr niedrig (1/5) Das ist der kritischste Schwachpunkt dieses Anwendungsfalls — und es wäre unehrlich, ihn zu verschweigen. KI-gestützte Forschungsdatenanalyse ist nicht in einer Woche produktiv einsatzbereit. Datenbereinigung allein — das Standardisieren von Formaten, Umgang mit fehlenden Werten, Plausibilitätsprüfung — dauert bei realen Forschungsdatensätzen oft Wochen. Dann kommt: Modellauswahl, Training, Validierung, Interpretation. Realistische Einführungszeit: 3 bis 6 Monate für eine erste nutzbare Pipeline. Wer schnelle Ergebnisse braucht, sollte hier nüchtern sein.

ROI-Sicherheit — mittel (3/5) Reproduzierbare Pipelines und schnellere explorative Analyse — das ist messbar. Aber: Ob KI-gestützte Analyse neue Erkenntnisse findet, die manuell nicht gefunden worden wären, lässt sich ex ante nicht garantieren. Manchmal bestätigt das Modell, was man erwartet hatte. Manchmal findet es tatsächlich etwas Unerwartetes. Die Reproduzierbarkeit ist ein klarer, verlässlicher Gewinn; die Entdeckungsleistung ist variabel.

Skalierbarkeit — sehr hoch (5/5) Das ist der stärkste Aspekt dieses Anwendungsfalls: Mehr Daten, mehr Experimente, mehr Fragen — das System skaliert mit Rechenressourcen, nicht mit Personalaufwand. Eine Analysepipeline, die für 100 Probanden entwickelt wurde, läuft fast identisch für 1.000. Das ist der Kernvorteil gegenüber manueller Auswertung, die mit dem Datensatz linear mehr Zeit kostet. Dieser Hebel wird mit wachsenden Forschungsprogrammen immer stärker.

Richtwerte — stark abhängig von Fachgebiet, Datenqualität, Infrastruktur und verfügbarer Expertise.

Was KI-gestützte Forschungsdatenanalyse konkret macht

Es gibt zwei grundlegend verschiedene Einsatzszenarien — und es ist wichtig, sie zu trennen:

Szenario 1: Explorative Analyse bekannter Datentypen Du hast Messdaten, Umfragedaten oder Textdaten und weißt, was du suchen willst (Gruppen, Trends, Ausreißer). Hier helfen Machine Learning-Standardmethoden: Clustering (k-Means, hierarchisches Clustering) zur Gruppenbildung, Anomalieerkennung (Isolation Forest, DBSCAN) zum Auffinden von Ausreißern, Regression und Klassifikation für prädiktive Analysen. Tools wie KNIME oder Julius AI ermöglichen viele dieser Analysen visuell oder per natürlicher Sprache — ohne tiefe Programmierkenntnisse.

Szenario 2: Unbekannte Muster in großen Datensätzen finden Du hast einen Datensatz, der zu groß für manuelle Inspektion ist, und willst herausfinden, was darin steckt. Hier sind tiefere Generative KI-Methoden und spezialisierte ML-Modelle gefragt. Das erfordert Data-Science-Kompetenz oder externe Zusammenarbeit — ein Tool allein reicht nicht.

Qualitative Daten: Textkorpora und Interviews

Für qualitative Forschung — Interviewtranskripte, offene Umfrageantworten, historische Dokumente — eröffnen NLP-Methoden neue Möglichkeiten: automatische Themenklassifikation (Topic Modeling), Sentimentanalyse, Kodierung nach vorgegebenen Kategoriensystemen. Was einen erfahrenen qualitativen Forscher Wochen kostet — 50 Interviews manuell zu kodieren — lässt sich mit KI-Unterstützung in Tagen erledigen.

Wichtige Einschränkung: KI-Kodierung ist nicht dasselbe wie qualitative Interpretation. Die Kategorien, die das Modell findet, spiegeln statistische Häufungen wider — keine inhaltliche Deutung. Ein LLM kann strukturieren und sortieren, aber die wissenschaftliche Interpretation muss der Forscher leisten.

Reproduzierbarkeit als wissenschaftliche Voraussetzung

Ein unterschätzter Nutzen automatisierter Analysepipelines: Reproduzierbarkeit. Wer seine Datenvorverarbeitung in einem dokumentierten Python-Skript oder einem KNIME-Workflow festlegt, kann genau nachvollziehen — und anderen zeigen — welche Schritte in welcher Reihenfolge mit welchen Parametern angewendet wurden. Gutachter, Co-Autoren und andere Forscher können die Analyse exakt reproduzieren. Das ist nicht nur ein methodischer Vorteil, sondern eine Anforderung: DFG und Horizon Europe fordern im Rahmen der FAIR-Daten-Prinzipien (Findable, Accessible, Interoperable, Reusable) zunehmend reproduzierbare Analysedokumentation.

Konkrete Werkzeuge — was wann passt

Julius AI — für explorative Analyse ohne Programmierung Julius AI ermöglicht datenanalytische Fragen in natürlicher Sprache: “Welche Probanden weichen statistisch am stärksten vom Gruppenmittel ab?” oder “Zeige mir die Korrelationsmatrix aller Messvariablen”. CSV und Excel hochladen, Fragen stellen, Visualisierungen erhalten. Ideal für: Nicht-Programmierer, schnelle explorative Analysen, erste Überblicke. Einschränkung: US-Hosting, daher nicht für sensible personenbezogene Forschungsdaten geeignet. Freemium; Plus ca. 20 USD/Monat.

KNIME — für reproduzierbare Pipelines ohne Cloud-Abhängigkeit KNIME ermöglicht den visuellen Aufbau von Datenverarbeitungs- und Analyse-Workflows — vollständig lokal betreibbar. Ideal für: Forschungsgruppen mit DSGVO-sensiblen Daten, wiederverwendbare Pipelines, Zusammenarbeit im Team. Die Open-Source-Version ist dauerhaft kostenlos. Einschränkung: Lernkurve ist real — mehrere Tage bis zu produktiver Nutzung. Kostenlos (Desktop).

ChatGPT mit Data Analysis (Code Interpreter) — für Python-Code-Generierung Wer Python kann oder lernen will, nutzt ChatGPT für Codeunterstützung: Analysecode generieren, debuggen, kommentieren. “Schreib mir einen Python-Code, der meine CSV-Dateien einliest, fehlende Werte imputed und ein k-Means-Clustering auf die Variablen X, Y, Z anwendet”. Das reduziert die Zeit für Standard-Analysen erheblich, auch für erfahrene Programmierer. Pro ca. 20 USD/Monat.

Claude — für Analyse-Interpretation und Ergebnisformulierung Claude ist besonders gut geeignet, um Analyseergebnisse zu interpretieren und für verschiedene Zielgruppen zu formulieren. Tabellen, Koeffizientenlisten und statistische Outputs hochladen, auf Deutsch oder Englisch erklären lassen. Nützlich für: Ergebnisabschnitte in Publikationen, Interpretation für fachfremdes Publikum, Vorbereitung von Präsentationen. Pro ca. 20 USD/Monat.

Perplexity — für methodische Recherche Welches statistische Verfahren passt zu meinem Studiendesign? Welche Normierungsverfahren sind in meinem Fachgebiet Standard? Perplexity recherchiert in Echtzeit und gibt Quellen an — nützlich für methodische Entscheidungen, für die man sonst einen Kollegen fragen oder stundenlang Lehrbücher wälzen würde. Freemium; Pro ca. 20 USD/Monat.

Zusammenfassung: Wann welcher Ansatz

• Schnelle explorative Analyse ohne Programmierung → Julius AI
• Reproduzierbare lokale Pipeline, DSGVO-sensible Daten → KNIME
• Python-Code schreiben und debuggen → ChatGPT Data Analysis
• Ergebnisse interpretieren und formulieren → Claude
• Methodik recherchieren → Perplexity

Datenschutz und Datenhaltung

Forschungsdaten sind in der Datenschutzfrage besonders heikel — und das Bewusstsein dafür ist in der Wissenschaft nicht immer ausreichend ausgeprägt.

Personenbezogene Forschungsdaten — Probandendaten, Patientendaten, Interview-Transkripte, genetische Daten — fallen unter die DSGVO. Das bedeutet: Verarbeitung in Cloud-Diensten außerhalb der EU ist ohne geeignete Schutzmaßnahmen nicht zulässig. US-amerikanische Dienste wie Julius AI oder ChatGPT dürfen für solche Daten nicht ohne explizite Pseudonymisierung und rechtliche Absicherung (Standardvertragsklauseln oder Auftragsverarbeitungsvertrag) genutzt werden.

Praktische Regel: Vor dem Upload in jeden Cloud-Dienst prüfen, ob die Daten pseudonymisiert oder anonymisiert sind. Probandennummern statt Namen, Altersgruppen statt Geburtsdaten — das reicht oft für den Forschungskontext. Bei genetischen Daten ist selbst Pseudonymisierung nicht ausreichend (Rückidentifizierung ist theoretisch möglich).

Für DSGVO-konforme Cloud-Analysen: Azure Machine Learning mit EU-Regionen (West Europe, Switzerland North) oder Google Cloud Platform mit EU-Datenresidenz-Option bieten rechtlich konforme Alternativen. Für besonders sensible Daten bleibt on-premise (KNIME lokal oder ein Uni-Cluster) die sicherste Lösung.

DFG- und Horizon-Projekte haben in der Regel einen Datenmanagementplan (DMP), der festlegt, wie Forschungsdaten gespeichert, verarbeitet und geteilt werden. Die Nutzung von KI-Tools sollte mit dem DMP abgestimmt sein.

Was es kostet — realistisch gerechnet

Einrichtungskosten Das ist der ehrlichste Punkt dieses Anwendungsfalls: Die Einrichtungskosten sind erheblich. Nicht für Software — die meisten Tools sind preiswert oder kostenlos. Sondern für Zeit und Expertise.

Eine funktionierende Analysepipeline aufzubauen — Datenbereinigung, Vorverarbeitung, Modellauswahl, Validierung, Dokumentation — dauert realistisch 3 bis 6 Monate Vollzeit-Arbeit, wenn die Expertise intern aufgebaut werden muss. Bei externer Unterstützung durch einen Data-Science-Dienstleister oder eine Kollaboration mit einem Informatik-Lehrstuhl: 2 bis 4 Monate, Kosten für externe Expertise je nach Umfang.

Laufende Kosten

• Cloud-Rechenzeit: Je nach Datenmenge und Modellkomplexität 50–500 Euro/Monat bei mittelgroßen Datensätzen
• Tool-Lizenzen: 20–50 Euro/Monat (Julius AI, Claude, ChatGPT)
• Wartung und Aktualisierung der Pipeline: 5–10 % des initialen Entwicklungsaufwands pro Jahr

Was du dagegenrechnen kannst Ein Postdoc kostet die Universität inklusive aller Nebenkosten ca. 4.000–6.000 Euro im Monat. Wenn eine Datenauswertung von 4 Monaten auf 6 Wochen reduziert wird: Das sind 2,5 Monate Personalzeit — ca. 10.000–15.000 Euro Äquivalent. Bei mehreren Projekten summiert sich das erheblich. Bei Datensätzen, die ohne KI schlicht nicht vollständig ausgewertet werden könnten: Der Wert lässt sich nicht in Zeitersparnis messen, weil die Analyse sonst nicht stattgefunden hätte.

ROI-Messung in der Praxis Messe: Wochen von Datenerheizung bis erste Analyseresultate (vorher vs. nachher). Messe: Anzahl der Publikationen, die aus einem Datensatz entstehen (vorher vs. nachher — mit mehr Analysemethoden entstehen oft mehr Fragestellungen und damit mehr Publikationen). Messe: Reproduzierbarkeitsquote — können Kolleginnen und Kollegen deine Analyse exakt reproduzieren?

Drei typische Einstiegsfehler

1. Mit der Analyse beginnen, bevor die Daten bereit sind. Das klingt offensichtlich, passiert aber systematisch: Forschende unterschätzen den Aufwand für Datenbereinigung und -standardisierung erheblich. Daten aus verschiedenen Erhebungsquellen, in verschiedenen Formaten, mit verschiedenen Kodierungskonventionen — das ist der Normalfall. Ein ML-Modell, das auf inkonsistenten Rohdaten trainiert wird, produziert inkonsistente Ergebnisse. Datenqualität ist die Voraussetzung, nicht ein Detail. Faustregel: 60 bis 70 Prozent des Aufwands für die erste Analysepipeline geht in Datenbereinigung, nicht in Modellierung.

2. Das Modell validieren, ohne domänenspezifische Plausibilitätsprüfung. Ein Machine-Learning-Modell kann statistisch hervorragende Ergebnisse produzieren, die fachlich keinen Sinn ergeben. Ein Cluster-Algorithmus findet immer Gruppen — ob diese Gruppen biologisch, psychologisch oder sozialwissenschaftlich interpretierbar sind, entscheidet kein Algorithmus. Wer Analyseergebnisse ohne fachliche Plausibilitätsprüfung direkt in Publikationen übernimmt, produziert methodisch fragwürdige Ergebnisse. Immer: statistische Güte prüfen UND domänenspezifisch interpretieren, bevor etwas als Befund gilt.

3. Die Analysepipeline nicht dokumentieren — und sechs Monate später die eigenen Ergebnisse nicht reproduzieren können. Das ist der stille Fehler, der erst beim Peer-Review-Kommentar sichtbar wird: “Bitte beschreiben Sie genau, welche Parameter für X verwendet wurden.” Wenn die Antwort “ich erinnere mich nicht mehr genau” ist, ist das ein Problem. Jeder Analyseschritt gehört dokumentiert: Welche Softwareversion, welche Parameter, welche Ausschlusskriterien, in welcher Reihenfolge. Das ist nicht nur gute Wissenschaft, sondern wird von DFG und Horizon Europe im Rahmen der FAIR-Prinzipien erwartet — und von immer mehr Zeitschriften als Bedingung für Publikation.

Was mit der Einführung wirklich passiert — und was nicht

KI-gestützte Forschungsdatenanalyse hat eine steile Lernkurve. Wer damit anfängt, durchläuft typischerweise drei Phasen:

Phase 1 — Datenrealität (Woche 1–4): Die erste Überraschung ist fast immer die Datenqualität. Fehlende Werte, Inkonsistenzen zwischen Dateien, veraltete Variablennamen, nicht dokumentierte Kodierungsentscheidungen. Wer glaubte, in zwei Wochen ein Modell zu trainieren, arbeitet vier Wochen an der Bereinigung. Das ist normal und kein Zeichen von Misserfolg.

Phase 2 — Methodenkompetenz (Monat 2–3): Welcher Algorithmus passt zu welchem Problem? Was bedeutet ein F1-Score von 0.82 im Kontext? Wann ist Overfitting ein Problem? Diese Fragen können nicht ohne Grundkenntnisse in Machine Learning beantwortet werden — oder ohne eine Kooperation mit jemandem, der sie kann. Tools wie KNIME und Julius AI senken die Einstiegshürde, aber sie ersetzen kein methodisches Grundverständnis.

Phase 3 — Produktiver Betrieb (ab Monat 4): Wenn die Pipeline einmal steht und validiert ist, wird die Skalierungsstärke sichtbar: Ein neuer Datensatz aus demselben Experiment läuft in Stunden statt Wochen. Neue Fragen an den bestehenden Datensatz kosten Minuten statt Tage. Diese Phase ist der eigentliche Payoff — aber er kommt nicht schnell.

Was hilft:

• Früh Kooperationen eingehen — Bioinformatiker, Informatiker, Statistiker mit Machine-Learning-Kompetenz sind an fast jeder Universität ansprechbar
• Klein anfangen: Einen Teilaspekt des Datensatzes mit einem einfachen Clustering-Algorithmus analysieren, bevor man komplexe Modelle baut
• KNIME-Workflows oder Python-Notebooks von Anfang an dokumentieren und versionieren (Git)

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Wir haben keinen Data Scientist in der Gruppe.” Das stimmt für die meisten Forschungsgruppen außerhalb der Informatik. Die praktische Antwort ist nicht “dann geht das nicht”, sondern: Tools wie Julius AI und KNIME senken die Einstiegshürde erheblich. Für einfachere Analysen (Clustering, Korrelation, Visualisierung) ist Python-Kenntnisse oder ein Data Scientist keine Voraussetzung mehr. Für komplexere Modelle — prädiktive Analyse, Deep Learning — bleibt eine Kooperation der effizienteste Weg.

“Unsere Daten sind zu komplex / zu speziell für Standard-KI-Tools.” Manchmal stimmt das. In vielen Fällen stimmt es nicht. Standard-Algorithmen für Clustering, Anomalieerkennung und Regression funktionieren erstaunlich breit — in der Chemie genauso wie in der Psychologie. Der erste Schritt ist der Test: Datensatz in Julius AI oder KNIME laden und schauen, was passiert. Das kostet eine Stunde und zeigt, ob das Tool für den Anwendungsfall relevant ist.

“Reproduzierbarkeit haben wir auch so — wir dokumentieren ja.” Die Praxis zeigt: Manuelle Dokumentation lückt. Schritte werden im Nachhinein rekonstruiert, Parameter vergessen, Dateiversionen vertauscht. Eine automatisierte Pipeline mit versioniertem Code (Git) dokumentiert jeden Analyseschritt automatisch und reproduzierbar — ohne Verlass auf Gedächtnis und Disziplin. Der Unterschied zwischen “wir haben es dokumentiert” und “die Pipeline läuft vollständig reproduzierbar” ist im Peer-Review-Kommentar dann meistens sichtbar.

Woran du merkst, dass das zu dir passt

• Dein Datensatz ist zu groß für manuelle Auswertung — mehr als ein paar tausend Datenpunkte, Monate an Erhebungszeit, Terabytes an Rohdaten
• Du willst Muster und Subgruppen entdecken, nicht nur eine vorformulierte Hypothese bestätigen oder ablehnen
• Deine Analyse ist schwer reproduzierbar — die Parameter, die du beim letzten Mal verwendet hast, müsstest du rekonstruieren
• Du hast Textdaten (Interviews, offene Umfragen, klinische Notizen), die du nicht vollständig manuell kodieren kannst
• Dein Forschungsprogramm wächst — mehr Projekte, mehr Daten, gleicher Personalaufwand für Auswertung

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Dein Datensatz ist klein und die Fragestellung ist einfach. Für eine Studie mit 30 Probanden und drei Variablen ist kein Machine-Learning-Modell nötig — klassische Statistik (t-Test, ANOVA, Regression) ist schneller, interpretierbarer und methodisch besser geeignet. KI-Methoden sind kein Upgrade von Statistik, sondern ein anderes Werkzeug für andere Fragen.

2. Deine Daten sind qualitativ schlecht und nicht aufzubessern. Wenn die Erhebung fehlerhaft war, fehlende Werte systematisch auftreten, oder die Kodierungsentscheidungen nicht rekonstruierbar sind, produziert auch das beste Modell Unsinn. Garbage in, garbage out — das gilt für KI stärker als für klassische Statistik, weil Modelle Fehler im Datensatz oft selbstbewusst als Muster generalisieren.

3. Du hast keine Ressourcen für Validierung und Interpretation. Ein Modell zu bauen, das eine Zahl produziert, ist der einfache Teil. Die Zahl fachlich zu interpretieren, ihre Grenzen zu verstehen und peer-review-fähig zu dokumentieren — das ist die eigentliche Arbeit. Wer dafür keine Zeit hat, sollte den Aufwand nicht unterschätzen.

Das kannst du heute noch tun

Lade deinen Datensatz — oder einen repräsentativen Ausschnitt — in Julius AI hoch. Du brauchst keinen Account für den ersten Test (kostenloser Plan). Stelle eine konkrete explorative Frage: “Welche Variablen korrelieren am stärksten miteinander?” oder “Gibt es auffällige Ausreißer in Variable X?” Schau dir an, was das Tool liefert — und ob es methodisch sinnvoll ist.

Das dauert 20 Minuten und zeigt dir, ob das Konzept für deinen Datensatz funktioniert, bevor du Zeit in die Einrichtung einer vollständigen Pipeline investierst.

Für den strukturierten Einstieg in die Analyseplanung hilft dieser Prompt mit Claude oder ChatGPT:

Quellen & Methodik

• Reproduzierbarkeits-Befunde: Open Science Collaboration (2015). “Estimating the reproducibility of psychological science.” Science, 349(6251). 36 von 100 Befunden repliziert.
• Reproducibility in ML research: Semmelrock et al. (2025). “Reproducibility in machine-learning-based research: Overview, barriers, and drivers.” AI Magazine (Wiley). Kernergebnisse: Nur 16 von 257 ML-Studien in der Biomedizin teilten Daten oder verwendeten öffentliche Datensätze.
• FAIR-Prinzipien für Forschungsdaten: Wilkinson et al. (2016). “The FAIR Guiding Principles for scientific data management and stewardship.” Scientific Data, 3, 160018. Leitlinie auch von DFG und Horizon Europe übernommen.
• Datenbereinigungsaufwand: Erfahrungswerte aus Data-Science-Projekten; weit verbreitet zitierte Faustformel “70–80% Data Wrangling” (u.a. Dhar 2013, Columbia Business School).
• Preise und Produktbeschreibungen: Julius AI, KNIME, Claude, ChatGPT, Perplexity — Anbieter-Webseiten (Stand April 2026).

Du willst wissen, welche Analysemethoden für deinen konkreten Datensatz sinnvoll sind und wie ein realistischer Zeitplan aussieht? Meld dich — das besprechen wir gemeinsam.