// OpenAI 24.09.2026 · 05:33 Uhr 11 Min. Lesezeit

OpenAI stellt mit GPT-6 Sol und Luna günstigere Modelle für unterschiedliche Einsatzbereiche vor

Mindverse News

KI-gestützt erstellt 8 Quellen Arbeitsweise

OpenAI stellt mit GPT-6 Sol und Luna günstigere Modelle für unterschiedliche Einsatzbereiche vor — Symbolbild

Das Wichtigste in Kürze

OpenAI erweitert die GPT-6-Familie um GPT-6 Sol und GPT-6 Luna, zwei Varianten für unterschiedliche Kosten- und Leistungsszenarien.
Im Standardtarif der API kostet Sol 2 US-Dollar pro Million Eingabe-Tokens und 10 US-Dollar pro Million Ausgabe-Tokens. Luna liegt bei 0,10 beziehungsweise 0,50 US-Dollar.
Damit sinken die regulären Tokenpreise gegenüber den jeweiligen GPT-5.6-Vorgängern ungefähr um die Hälfte.
Der Preisvorteil beruht laut OpenAI unter anderem auf effizienterer Inferenz und verbessertem Prompt-Caching.
Unabhängige Auswertungen sehen bei der reinen Modellleistung nur begrenzte Fortschritte. Deutlich stärker fällt die Verbesserung bei bestimmten Halluzinationsmessungen aus.
Sol richtet sich vor allem an anspruchsvollere Wissensarbeit, Programmierung und agentische Abläufe. Luna ist für hohe Anfragevolumina, kurze Aufgaben und niedrige Kosten ausgelegt.
Die Modelle sind zunächst in ChatGPT Work, Codex und über die API verfügbar. Im normalen ChatGPT-Angebot stehen sie zunächst nicht allgemein bereit.

// Inhalt · 11 Abschnitte

OpenAI erweitert GPT-6 um zwei kostenoptimierte Modelle
Die neuen API-Preise im Überblick
Warum OpenAI die Preise senken kann
Sol und Luna bedienen unterschiedliche Anwendungsklassen
Leistungszuwachs bleibt hinter dem Preisvorteil zurück
Weniger Halluzinationen, aber auch mehr Zurückhaltung
Verfügbarkeit in ChatGPT, Codex und API
Was die Preissenkung für Unternehmen bedeutet
Wettbewerb um Kosten pro Aufgabe verschärft sich
Einordnung für die Modellstrategie
Fazit
Quellen

OpenAI erweitert GPT-6 um zwei kostenoptimierte Modelle

OpenAI hat die GPT-6-Modellfamilie um GPT-6 Sol und GPT-6 Luna ergänzt. Die beiden Modelle folgen auf das leistungsstärkere GPT-6 Astra und sollen dessen technologische Fortschritte für Anwendungen zugänglich machen, bei denen Unternehmen stärker auf Kosten, Geschwindigkeit und Skalierbarkeit achten müssen.

Die Veröffentlichung erfolgte nur wenige Wochen nach dem Start von GPT-6 Astra. Damit verfolgt OpenAI eine Modellstrategie mit mehreren Leistungsstufen: Astra bleibt die Spitzenversion für besonders anspruchsvolle Aufgaben, Sol positioniert sich als leistungsfähigere, aber günstigere Alternative und Luna als besonders kosteneffizientes Modell für hohe Anfragezahlen.

Für Unternehmen ist diese Differenzierung von Bedeutung, weil sich die Wirtschaftlichkeit generativer KI häufig nicht an einzelnen Testanfragen entscheidet. Ausschlaggebend sind vielmehr die laufenden Kosten über große Dokumentenmengen, zahlreiche Nutzer, automatisierte Prozesse und wiederkehrende Interaktionen hinweg. Schon kleine Unterschiede beim Preis pro Token können sich bei entsprechendem Volumen deutlich auf die Betriebskosten auswirken.

GPT-6 Sol und GPT-6 Luna lösen die gleichnamigen Modelle aus der GPT-5.6-Generation ab. Eine separate Terra-Variante, die bei GPT-5.6 noch als eigene Leistungsstufe angeboten wurde, hat OpenAI im Zusammenhang mit der neuen Modellfamilie bislang nicht vorgestellt.

Die neuen API-Preise im Überblick

Der zentrale Aspekt der Einführung ist die deutliche Preissenkung. Im Standardtarif der OpenAI-API kostet GPT-6 Sol 2 US-Dollar pro einer Million Eingabe-Tokens und 10 US-Dollar pro einer Million Ausgabe-Tokens. GPT-6 Luna wird mit 0,10 US-Dollar pro einer Million Eingabe-Tokens und 0,50 US-Dollar pro einer Million Ausgabe-Tokens berechnet.

Im Vergleich zu den jeweiligen GPT-5.6-Vorgängern reduziert OpenAI damit die regulären Preise in etwa um die Hälfte. Bei Luna fällt die absolute Preisschwelle besonders niedrig aus. Das Modell zielt damit auf Anwendungen, bei denen große Mengen strukturierter oder standardisierter Anfragen verarbeitet werden müssen und der Preis pro Vorgang eine entscheidende Rolle spielt.

Die Preise gelten für die kurze Kontextverarbeitung im Standardtarif. Für längere Kontexte berechnet OpenAI höhere Tarife. Bei GPT-6 Sol steigen die Kosten auf 4 US-Dollar pro einer Million Eingabe-Tokens und 15 US-Dollar pro einer Million Ausgabe-Tokens. Für GPT-6 Luna liegen die entsprechenden Werte bei 0,20 beziehungsweise 0,75 US-Dollar.

Zusätzlich unterscheidet OpenAI zwischen regulären Eingabe-Tokens, zwischengespeicherten Eingabe-Tokens und dem Schreiben von Cache-Inhalten. Für gecachte Eingaben fallen bei Sol im kurzen Kontext 0,20 US-Dollar pro einer Million Tokens an, bei Luna 0,01 US-Dollar. Beim langen Kontext liegen die Preise für gecachte Eingaben bei 0,40 US-Dollar für Sol und 0,02 US-Dollar für Luna.

Unternehmen sollten bei einer Kostenkalkulation deshalb nicht ausschließlich den nominalen Preis pro Million Tokens heranziehen. Entscheidend ist die konkrete Verteilung zwischen Eingaben und Ausgaben, die Länge des Kontexts, der Anteil wiederkehrender Inhalte sowie die Frage, ob ein Modell überwiegend automatisiert oder interaktiv genutzt wird.

API-Preise für GPT-6 Sol und GPT-6 Luna

GPT-6 Sol, kurzer Kontext: 2 US-Dollar Input, 10 US-Dollar Output pro einer Million Tokens
GPT-6 Sol, langer Kontext: 4 US-Dollar Input, 15 US-Dollar Output pro einer Million Tokens
GPT-6 Luna, kurzer Kontext: 0,10 US-Dollar Input, 0,50 US-Dollar Output pro einer Million Tokens
GPT-6 Luna, langer Kontext: 0,20 US-Dollar Input, 0,75 US-Dollar Output pro einer Million Tokens
Gecachte Eingaben können je nach Modell und Kontextlänge deutlich günstiger abgerechnet werden
Regionale Verarbeitung mit Datenresidenz kann für berechtigte Modelle mit einem Aufschlag von 10 Prozent verbunden sein

Für GPT-6 Sol und GPT-6 Luna ist laut OpenAI eine Verarbeitung mit EU-Datenresidenz verfügbar, allerdings zunächst nur im Rahmen der Standardverarbeitung. Für regulierte Unternehmen und Organisationen mit besonderen Anforderungen an Datenstandorte ist diese Einschränkung bei der technischen und vertraglichen Prüfung relevant.

Warum OpenAI die Preise senken kann

OpenAI führt die niedrigeren Kosten vor allem auf Fortschritte bei der Inferenz und beim Prompt-Caching zurück. Inferenz bezeichnet die Verarbeitung einer Anfrage durch das Modell. Effizientere Verfahren können dazu beitragen, dieselbe oder eine vergleichbare Leistung mit weniger Rechenaufwand zu erbringen.

Prompt-Caching wiederum ermöglicht es, wiederkehrende Teile einer Anfrage nicht bei jedem Durchlauf vollständig neu zu verarbeiten. Das ist insbesondere für Unternehmensanwendungen interessant, die stets mit ähnlichen Systemanweisungen, Richtlinien, Produktkatalogen oder Wissensbeständen arbeiten.

Ein typisches Beispiel ist ein interner Assistent, der auf eine umfangreiche Unternehmensdokumentation zugreift. Wenn ein großer Teil des Kontexts bei vielen Anfragen unverändert bleibt, kann das Caching die Kosten für die wiederholte Verarbeitung reduzieren. OpenAI gewährt für zwischengespeicherte Eingabe-Tokens nach eigenen Angaben Rabatte von bis zu 90 Prozent gegenüber nicht gecachten Eingaben.

Der tatsächliche Effekt hängt jedoch von der Architektur der jeweiligen Anwendung ab. Caching führt nicht automatisch bei jedem Projekt zu einer entsprechenden Kostenreduktion. Unternehmen müssen prüfen, welche Inhalte stabil bleiben, wie lange sie wiederverwendet werden können und ob die Anwendung die technischen Voraussetzungen für eine effiziente Cache-Nutzung erfüllt.

Auch die Ausgabemenge bleibt ein wichtiger Kostenfaktor. Lange generierte Texte, ausführliche Analysen oder mehrstufige agentische Prozesse können deutlich mehr Ausgabe-Tokens erzeugen als eine kurze Zusammenfassung. Ein günstiger Input-Tarif allein bedeutet daher nicht zwangsläufig niedrige Gesamtkosten.

Sol und Luna bedienen unterschiedliche Anwendungsklassen

OpenAI ordnet GPT-6 Sol den anspruchsvolleren Aufgaben zu. Dazu gehören Programmierung, Fehlersuche, Code-Reviews, komplexe Datenanalysen, Wissensarbeit und agentische Abläufe mit mehreren aufeinanderfolgenden Handlungsschritten.

Sol soll damit ein Einsatzprofil abdecken, bei dem die Qualität der Antwort und die Fähigkeit zur strukturierten Problemlösung wichtiger sind als der niedrigstmögliche Tokenpreis. Im Vergleich zu Astra bietet das Modell eine kostengünstigere Option für Unternehmen, die anspruchsvolle Aufgaben regelmäßig ausführen, aber nicht für jede Anfrage die leistungsfähigste Modellstufe benötigen.

GPT-6 Luna ist dagegen auf hohe Arbeitslasten und stärker standardisierte Anwendungsfälle ausgerichtet. Dazu zählen beispielsweise Zusammenfassungen, Klassifizierung, Datenextraktion, kurze Fragen, einfache Texttransformationen oder die Verarbeitung großer Mengen eingehender Dokumente.

In der Praxis kann eine Aufteilung zwischen beiden Modellen sinnvoll sein. Ein Unternehmen könnte Luna für die Vorverarbeitung großer Datenbestände einsetzen und Sol nur dann aufrufen, wenn eine komplexere Bewertung, eine vertiefte Analyse oder eine Entscheidungsvorbereitung erforderlich ist. Eine solche Modellkaskade kann die Kosten senken, erhöht aber den technischen und organisatorischen Aufwand.

Mögliche Einsatzfelder von GPT-6 Sol

Entwicklung, Prüfung und Refaktorierung von Software
Fehlersuche in umfangreichen Codebasen
Analyse komplexer Geschäftsdaten
Erstellung und Prüfung mehrstufiger Arbeitsabläufe
Unterstützung bei anspruchsvoller Wissensarbeit
Agentische Anwendungen mit Werkzeug- und Computersteuerung

Mögliche Einsatzfelder von GPT-6 Luna

Zusammenfassungen von Texten und Dokumenten
Extraktion strukturierter Informationen
Klassifizierung und Routing eingehender Inhalte
Beantwortung einfacher, häufig wiederkehrender Fragen
Textbereinigung, Umformulierung und Übersetzung
Automatisierte Verarbeitung großer Anfragevolumina

Leistungszuwachs bleibt hinter dem Preisvorteil zurück

Die verfügbaren unabhängigen Auswertungen zeichnen ein differenziertes Bild. Der ökonomische Vorteil von GPT-6 Sol und GPT-6 Luna ist deutlich erkennbar. Bei der reinen Modellleistung fällt der Abstand zu den Vorgängern dagegen vergleichsweise gering aus.

In der Auswertung von Artificial Analysis erreicht GPT-6 Sol im Intelligence Index bei maximalem Reasoning 48 Punkte. GPT-5.6 Sol kam auf 47 Punkte. Der Unterschied ist damit messbar, aber begrenzt. Im Coding Agent Index steigt Sol von 55 auf 57 Punkte und zeigt dort einen etwas deutlicheren Fortschritt.

GPT-6 Luna erreicht im Intelligence Index 37 Punkte und bleibt damit auf dem Niveau von GPT-5.6 Luna. Im Coding Agent Index sinkt der Wert von 43 auf 41 Punkte. In einzelnen Tests zur Wissensarbeit lagen die neuen Modelle ebenfalls hinter den jeweiligen Vorgängern.

Diese Ergebnisse sprechen dafür, die Einführung nicht als klassischen großen Leistungssprung zu bewerten. Der wesentliche Fortschritt liegt vielmehr im Verhältnis von Kosten und nutzbarer Leistung. Für Unternehmen kann ein Modell auch dann wirtschaftlich attraktiver sein, wenn es qualitativ nur geringfügig besser oder ähnlich gut arbeitet, sofern die laufenden Kosten erheblich niedriger ausfallen.

Benchmarks sollten allerdings nicht isoliert interpretiert werden. Sie bilden bestimmte Aufgaben und Bewertungsmethoden ab, während die Eignung im Unternehmensalltag von weiteren Faktoren abhängt. Dazu zählen Antwortlatenz, Stabilität, Tool-Nutzung, Integrationsmöglichkeiten, Kontextverarbeitung, Datenschutz, Fehlertoleranz und die Möglichkeit, Ergebnisse zuverlässig zu kontrollieren.

Weniger Halluzinationen, aber auch mehr Zurückhaltung

Deutlicher als bei den allgemeinen Leistungswerten fällt die Veränderung bei bestimmten Messungen zur Faktentreue aus. Im Test AA-Omniscience sank die ausgewiesene Halluzinationsrate von GPT-6 Sol gegenüber GPT-5.6 Sol von 92 auf 60 Prozent. Bei GPT-6 Luna ging sie von 93 auf 77 Prozent zurück.

Die Werte müssen im Kontext der jeweiligen Testmethodik gelesen werden. Eine geringere Halluzinationsrate bedeutet nicht, dass ein Modell keine falschen oder unbelegten Aussagen mehr erzeugt. Sie zeigt vielmehr, dass das Modell in diesem spezifischen Bewertungsrahmen seltener zu erfundenen Antworten neigt.

Parallel dazu beantwortet GPT-6 Sol häufiger Fragen nicht. Die Antwortrate fällt in der genannten Auswertung von 99 auf 83 Prozent. Auch die dort gemessene Genauigkeit sinkt von 59 auf 54 Prozent. Ein Modell kann also vorsichtiger mit unsicheren Fragen umgehen und dadurch weniger halluzinieren, ohne in jeder Messgröße eine höhere Gesamtgenauigkeit zu erreichen.

Für B2B-Anwendungen ist dieser Zielkonflikt besonders relevant. In einem Recherche- oder Compliance-Prozess kann eine begründete Zurückhaltung besser sein als eine scheinbar vollständige, aber nicht belegte Antwort. In einem Kundendialog kann eine hohe Verweigerungs- oder Rückfragequote dagegen die Nutzererfahrung beeinträchtigen.

Unternehmen sollten deshalb vor einer Umstellung eigene Testfälle definieren. Empfehlenswert sind realistische Beispiele aus dem jeweiligen Fachbereich, einschließlich schwieriger oder unvollständiger Eingaben. Neben der inhaltlichen Qualität sollten Sie auch prüfen, wie häufig das Modell Quellen verlangt, Unsicherheit kenntlich macht, Aufgaben ablehnt oder Antworten mit menschlicher Kontrolle nachbearbeitet werden müssen.

Verfügbarkeit in ChatGPT, Codex und API

GPT-6 Sol und GPT-6 Luna sind zunächst in ChatGPT Work, Codex und über die API verfügbar. Im gewöhnlichen ChatGPT-Angebot werden die beiden Modelle zum Start nicht allgemein als Standardoption bereitgestellt.

In ChatGPT Work und Codex erhalten Nutzer der Tarife Plus, Pro, Business, Enterprise und Edu Zugriff auf Sol und Luna. Für die Tarife Free und Go ist Luna nach den vorliegenden Angaben in der Desktop-Anwendung verfügbar.

Für Entwickler und Unternehmen bleibt die API der wichtigste Zugang, wenn die Modelle in eigene Anwendungen, interne Plattformen oder automatisierte Geschäftsprozesse integriert werden sollen. Dort lassen sich Modellwahl, Tokenverbrauch, Caching, Datenverarbeitung und Auslastung gezielter steuern. Gleichzeitig müssen Unternehmen selbst für Monitoring, Berechtigungen, Qualitätssicherung und eine belastbare Kostenkontrolle sorgen.

Was die Preissenkung für Unternehmen bedeutet

Die neuen Tarife können die Schwelle für produktive KI-Anwendungen weiter senken. Besonders interessant ist dies für Szenarien, die bislang wegen hoher Anfragezahlen oder umfangreicher Dokumentverarbeitung nur eingeschränkt wirtschaftlich waren.

Ein niedrigerer Tokenpreis kann unter anderem folgende Effekte haben:

Mehr Anfragen lassen sich innerhalb eines bestehenden Budgets verarbeiten.
Aufwendigere Prompts und zusätzliche Prüfschritte werden wirtschaftlich leichter realisierbar.
Dokumentenbestände können häufiger vorverarbeitet oder klassifiziert werden.
Unternehmen können mehrere Modellstufen in einem Prozess kombinieren.
Automatisierte Qualitätssicherung und nachgelagerte Kontrollschritte werden günstiger.

Die Preisreduktion darf jedoch nicht mit einer automatischen Halbierung der Gesamtkosten gleichgesetzt werden. Die tatsächliche Rechnung hängt von der Nutzung ab. Wenn niedrigere Preise zu deutlich mehr Anfragen, längeren Kontexten oder umfangreicheren Ausgaben führen, kann ein Teil der Einsparung durch steigende Nutzung kompensiert werden.

Darüber hinaus entstehen Kosten außerhalb der Modell-API. Dazu gehören Infrastruktur, Datenaufbereitung, Vektorsuche, Speicher, Schnittstellen, Überwachung, Sicherheitsmaßnahmen und menschliche Prüfprozesse. Bei kritischen Anwendungen können diese Zusatzkosten den reinen Modellpreis übersteigen.

Empfehlungen für eine belastbare Wirtschaftlichkeitsprüfung

Ermitteln Sie den durchschnittlichen Input- und Output-Verbrauch pro Geschäftsprozess.
Trennen Sie einmalige, wiederkehrende und gecachte Kontextbestandteile.
Vergleichen Sie nicht nur den Tokenpreis, sondern die Kosten pro erfolgreich abgeschlossenem Vorgang.
Messen Sie Antwortqualität, Fehlerrate, Latenz und Nachbearbeitungsaufwand in einem realistischen Testbetrieb.
Prüfen Sie, welche Aufgaben Luna zuverlässig übernehmen kann und für welche Fälle Sol erforderlich bleibt.
Berücksichtigen Sie Datenresidenz, Sicherheitsanforderungen und vertragliche Rahmenbedingungen.
Definieren Sie ein Monitoring für Verbrauch, Kostenentwicklung und Modellverhalten.

Wettbewerb um Kosten pro Aufgabe verschärft sich

Die Ankündigung fällt in eine Phase intensiven Wettbewerbs unter den Anbietern generativer KI. Neben etablierten geschlossenen Modellen treten zunehmend kostengünstige und teilweise offen verfügbare Modelle auf den Markt. Für Anbieter entscheidet deshalb nicht mehr allein die Spitzenleistung über die Marktposition. Ebenso wichtig sind die Kosten pro erledigter Aufgabe, die Geschwindigkeit und die Möglichkeit, Modelle in bestehende Unternehmensprozesse einzubetten.

Artificial Analysis ordnet GPT-6 Sol und GPT-6 Luna unter den Modellen mit einem vergleichsweise attraktiven Verhältnis von Leistung und Kosten ein. In diesem Vergleich wird auch Xiaomis MiMo-V2.6-Pro als leistungsfähige Alternative genannt, die in bestimmten Auswertungen ein ähnliches Leistungsniveau wie Sol bei niedrigeren Kosten erreichen soll.

Solche Vergleiche zeigen, dass der Markt stärker auf Effizienzkennzahlen fokussiert. Für Anbieter bedeutet dies Druck auf die Preise und auf die technische Infrastruktur. Für Käufer erweitert sich die Auswahl, zugleich steigt aber der Aufwand, Modelle für konkrete Aufgaben systematisch zu vergleichen.

Ein allgemeines Ranking kann die Entscheidung nicht ersetzen. Ein Modell, das bei Softwareentwicklung gut abschneidet, muss nicht automatisch für deutsche Fachtexte, juristische Dokumente, Kundenkommunikation oder strukturierte Extraktion geeignet sein. Unternehmen benötigen daher eigene Evaluierungen, die fachliche Anforderungen, Datenschutz und Prozessrisiken gemeinsam abbilden.

Einordnung für die Modellstrategie

Mit Sol und Luna setzt OpenAI die Aufteilung der GPT-6-Familie nach Anwendungsprofilen fort. Astra bleibt für besonders komplexe Aufgaben vorgesehen. Sol adressiert Anwendungen, bei denen ein höheres Qualitätsniveau benötigt wird, die Kosten von Astra jedoch nicht für jede Anfrage gerechtfertigt sind. Luna übernimmt das Volumensegment.

Für Unternehmen entsteht damit die Möglichkeit, eine differenzierte Modellarchitektur aufzubauen. Statt alle Aufgaben an ein einziges Spitzenmodell zu senden, kann ein System Anfragen nach Komplexität, Risiko und Bearbeitungsziel verteilen. Einfache Standardaufgaben werden mit Luna verarbeitet, komplexere Fälle an Sol weitergeleitet und besonders kritische oder anspruchsvolle Aufgaben an Astra eskaliert.

Eine solche Strategie setzt allerdings voraus, dass die Aufgaben zuverlässig klassifiziert werden. Wenn ein Routing-System eine komplexe Anfrage fälschlicherweise an ein zu schwaches Modell übergibt, können Fehler entstehen. Wird umgekehrt zu häufig das teurere Modell verwendet, bleibt ein großer Teil des möglichen Kostenvorteils ungenutzt.

Die Einführung von GPT-6 Sol und Luna ist deshalb nicht nur eine Preisnachricht, sondern auch eine Frage der Systemarchitektur. Die entscheidende Bewertung lautet für viele Organisationen nicht, welches Modell im abstrakten Vergleich den höchsten Wert erreicht. Maßgeblich ist, welches Modell eine konkrete Aufgabe mit ausreichender Qualität, akzeptabler Geschwindigkeit und vertretbaren Gesamtkosten erledigt.

Fazit

OpenAI senkt mit GPT-6 Sol und GPT-6 Luna die API-Preise gegenüber den Vorgängern deutlich und positioniert die beiden Modelle für unterschiedliche Einsatzbereiche. Sol ist auf anspruchsvollere Aufgaben wie Coding, Datenanalyse und agentische Abläufe zugeschnitten. Luna richtet sich an Unternehmen, die große Mengen standardisierter Anfragen möglichst günstig und schnell verarbeiten möchten.

Der Preisvorteil ist nach den verfügbaren Angaben klarer als der Leistungszuwachs. Unabhängige Benchmarks weisen bei Sol nur auf moderate Verbesserungen hin, während Luna in einigen Bereichen auf dem Niveau des Vorgängers bleibt oder leicht zurückfällt. Bei bestimmten Messungen zur Halluzinationsrate zeigen sich jedoch deutliche Verbesserungen, die mit einer höheren Zurückhaltung bei der Beantwortung einhergehen können.

Für B2B-Anwender liegt die Bedeutung der neuen Modelle daher vor allem in der verbesserten Kosten-Leistungs-Relation. Ob sich ein Wechsel lohnt, hängt von den eigenen Prozessen, dem Tokenverbrauch, den Anforderungen an Faktentreue und der gewünschten Modellarchitektur ab. Eine belastbare Entscheidung erfordert Tests mit realen Unternehmensdaten, eine genaue Kostenmodellierung und ein kontinuierliches Monitoring nach der Einführung.

Mindverse unterstützt Unternehmen dabei, generative KI systematisch in Content-, Recherche- und Arbeitsprozesse einzubinden. Bei der Auswahl geeigneter Modelle sollten Sie neben dem Preis stets auch Qualität, Datenschutz, Integrationsfähigkeit und die Kontrollierbarkeit der Ergebnisse berücksichtigen.