Seit Ende 2022 prägt ein Thema die Unternehmenswelt: Generative AI. Mit ChatGPT von OpenAI wurde die Technologie einer breiten Öffentlichkeit zugänglich, seither ist sie in vielen Unternehmen im Arbeitsalltag angekommen.
Aber was genau ist Generative AI, warum ist sie so anders als frühere KI, und — am wichtigsten für KMU-Entscheider — wie setzen wir sie praktisch ein? Diese Seite antwortet auf alle diese Fragen mit einem klaren Fokus auf Business-Anwendungen, nicht akademischer Theorie.
Definition: Was ist Generative AI?
Generative AI ist eine Kategorie von Künstlicher Intelligenz, die fähig ist, neue Inhalte zu erschaffen — Text, Bilder, Code, Audio, Video — basierend auf Mustern, die sie in Training-Daten gelernt hat.
Das unterscheidet sich von klassischer AI/Machine Learning:
| Aspekt | Klassisches ML | Generative AI |
|---|---|---|
| Funktion | Klassifizierung, Prognose, Anomalie-Erkennung | Neue Inhalte erzeugen |
| Input | Strukturierte Daten | Text-Prompts, Bilder, oder andere generative Inputs |
| Output | Kategorie, Zahl, Ja/Nein | Fliesstext, Code, Bilder, komplexe Inhalte |
| Training | Meist überwachtes Lernen (braucht gelabelte Daten) | Selbstüberwachtes Vortraining auf grossen Textkorpora, danach Feinabstimmung |
| Variabilität | Deterministisch (gleicher Input → gleicher Output) | Generativ (gleicher Prompt → unterschiedliche Outputs) |
| Beispiel | „Ist diese E-Mail Spam?" → Ja/Nein | „Schreib eine professionelle E-Mail-Antwort" → Generiert Text |
Klassisches ML: „Hat dieser Kunde ein hohes Churn-Risiko?" → Das System antwortet mit einer Klasse und einer Wahrscheinlichkeit, beispielsweise: Ja, 78 Prozent
Generative AI: „Schreib eine personalisierte E-Mail an diesen Kunden mit hohem Churn-Risiko, um ihn zu halten" → System generiert eine vollständige, grammatikalisch korrekte, kontextuelle E-Mail
Large Language Models: Die Technologie dahinter
Der Motor von Generative AI sind Large Language Models (LLMs).
Ein LLM ist ein tiefes neuronales Netzwerk (ein Typ von Machine Learning Modell), das auf Billionen von Tokens (Wörtern und Wortteilen) trainiert wurde — auf grossen Teilen des öffentlich verfügbaren Internets und auf umfangreichen Textsammlungen. Meta etwa nennt für Llama 4 Scout rund 40 Billionen Tokens Trainingsdaten.
Das Trainings-Ziel: Das Modell lernt, das nächste Token in einer Sequenz vorherzusagen. Das klingt banal. Aber wenn man dieses Training über Billionen von Tokens wiederholt, mit der Transformer-Architektur und ihrem Attention-Mechanismus, entsteht ein Modell, das Grammatik, Kontext und Nuancen überzeugend verarbeitet — und dabei trotzdem Fehler macht, die ein Mensch nicht machen würde.
Der Transformer-Durchbruch:
2017 veröffentlichten Vaswani et al. einen Artikel über „Attention is All You Need", der die Transformer-Architektur beschrieb. Dies wurde zum Fundament aller modernen LLMs. Transformers ermöglichen es Modellen, lange Texte zu verarbeiten und zu verstehen, wie unterschiedliche Teile des Textes sich beziehen — essentiell für echtes Sprachverständnis.
Wie funktioniert ein LLM in der Praxis?
- Sie schreiben einen Prompt (eine natürlichsprachige Anweisung oder Frage)
- Das LLM verarbeitet Ihren Text Token für Token (ein Token ist ein Wort oder Wort-Teil)
- Basierend auf dem Muster, das es während des Trainings gelernt hat, sagt es das wahrscheinlichste nächste Token voraus
- Dieses Token wird zum Prompt hinzugefügt, und der Prozess wiederholt sich
- Erzeugt das Modell ein spezielles End-Token oder ist die maximale Länge erreicht, stoppt die Antwort
Tokens und Kosten-Struktur:
Bei LLM-APIs werden Sie nach Tokens abgerechnet, nicht nach "Anfragen". Als Faustregel nennt Anthropic für englischen Text: «1 token is approximately 4 characters or 0.75 words»; deutscher Text braucht wegen der längeren Wörter eher mehr Tokens. Für Geschäftsanwendungen ist das wichtig, weil längere Prompts/Kontexte mehr kosten.
Die wichtigsten Large Language Models heute
Stand: 23. September 2026. Preise in US-Dollar je 1 Mio. Token (Eingabe / Ausgabe).
Quelle: OpenAI — Modelle und Preise, Anthropic — Modelle und Preise, Google — Modelle und Preise, Tokenfaustregel von Anthropic — Preise, Trainingsumfang von Llama 4 aus der Modellkarte — alle abgerufen am 23. September 2026.1. GPT-6 (OpenAI)
- Stufen: Astra (
gpt-6-astra, laut OpenAI «our most capable model»), Sol (gpt-6-sol) und Luna (gpt-6-luna) - je 1,05 Mio. Token Kontext und bis 128'000 Token Ausgabe; Eingabe Text und Bild
- Werkzeuge über die Responses API: Function Calling, Websuche, Dateisuche, Code Interpreter, Computer Use
- Die Vorgängerreihe GPT-5.6 (Sol, Terra, Luna) bleibt verfügbar
- Die Weboberfläche zu den GPT-Modellen, für viele Mitarbeitende der erste Berührungspunkt. Welche Modelle bereitstehen, hängt vom Abo ab; für den Unternehmenseinsatz zählt der zugrunde liegende Vertrag, nicht die Oberfläche.
- Claude Fable 5.1 (
claude-fable-5-1): 1 Mio. Token Kontext, von Anthropic empfohlen für anspruchsvolles Reasoning und langlaufende Agenten - Claude Opus 5.5 (
claude-opus-5-5): 1 Mio. Token, von Anthropic als Startpunkt für die meisten Aufgaben empfohlen - Claude Sonnet 5 (
claude-sonnet-5): 1 Mio. Token, Kombination aus Tempo und Intelligenz - Claude Haiku 4.5 (
claude-haiku-4-5-20251001): 200'000 Token, das schnellste Modell der Reihe - Die Vorgänger Claude Fable 5 und Opus 5 bleiben verfügbar
- Modelle: Gemini 3.8 Flash (neuestes, seit 2. September 2026), Gemini 3.1 Pro (Preview), Gemini 3.5 Flash-Lite und Gemini 3.1 Flash-Lite; 3.7 und 3.6 Flash führt Google als Vorgängergeneration
- Die Flash-Preise von 3.8, 3.7 und 3.6 gelten bis 31. Dezember 2026 und verdoppeln sich danach; die Batch-Verarbeitung kostet die Hälfte. Bei 3.8 Flash und 3.5 Flash-Lite gilt der Eingabepreis für alle Eingabearten einschliesslich Audio, bei 3.1 Flash-Lite kostet Audio mehr
- In der kostenlosen Stufe nutzt Google die Inhalte zur Produktverbesserung, in der kostenpflichtigen nicht; Gemini 3.1 Pro hat keine kostenlose Stufe
- Nutzung: Gemini API, Gemini Enterprise Agent Platform (früher Vertex AI), Google Workspace
- Die Gewichte lassen sich herunterladen und selbst betreiben; die Daten verlassen dann Ihre Umgebung nicht.
- Beispiele sind Metas Llama 4 und Muse Glimmer, Mistral Large 3, DeepSeek-V4, Qwen3.8 und Gemma 4; Lizenzen, Grössen und Hardwarebedarf unterscheiden sich stark — ein Überblick steht im Artikel zu Open-Source LLMs.
| Modell | Eingabe / Ausgabe | Kontextfenster |
|---|---|---|
| GPT-6 Astra | 10 / 50 | 1,05 Mio. Token |
| GPT-6 Sol | 2 / 10 | 1,05 Mio. Token |
| GPT-6 Luna | 0.10 / 0.50 | 1,05 Mio. Token |
| Claude Fable 5.1 | 10 / 50 | 1 Mio. Token |
| Claude Opus 5.5 | 4 / 20 | 1 Mio. Token |
| Claude Sonnet 5 | 2 / 10 | 1 Mio. Token |
| Claude Haiku 4.5 | 1 / 5 | 200'000 Token |
| Gemini 3.1 Pro (Preview, bis 200'000 Token) | 2 / 12 | 1'048'576 Token |
| Gemini 3.8 Flash (bis 31.12.2026) | 0.75 / 3.75 | 1'048'576 Token |
| Gemini 3.5 Flash-Lite | 0.30 / 2.50 | 1'048'576 Token |
| Gemini 3.1 Flash-Lite | 0.25 / 1.50 | 1'048'576 Token |
Praktische Business Use Cases: Wo Generative AI Wert schafft
Das ist die kritische Frage: Wo verdient ein KMU mit Generative AI?
1. Content Creation & Copywriting
Am besten geeignet für: Marketing, HR, Kundenservices
- Automatische Blog-Post-Generierung (mit Human Editing)
- Newsletter-Drafts
- Social Media Captions
- Job-Beschreibungen
- E-Mail-Vorlagen
Woran Sie den Nutzen messen: Zeit vom Briefing bis zum freigegebenen Text, vorher und nachher erhoben. Eine allgemeingültige Stundenzahl gibt es nicht — sie hängt an Textmenge, Tonalität und Freigabeschleife.
2. Customer Service & Support
Am besten geeignet für: Support Teams, Chatbot Automation
- Chatbot für den First-Level-Support
- Antwortentwürfe für Kundenanfragen
- Ticket-Assistent (automatische Zuteilung)
- FAQ-Generierung
- Customer Sentiment-Analyse
Woran Sie den Nutzen messen: Anteil der Anfragen, die ohne menschliches Zutun abschliessend beantwortet werden, und die durchschnittliche Zeit bis zur ersten Antwort. Beides steht in Ihrem Ticketsystem — vor dem Projekt und danach.
3. Code Generation & Development
Am besten geeignet für: Software Teams, DevOps
- Auto-Generierung von Code-Boilerplates
- Assistent für die Fehlerbehebung (das Modell schlägt Korrekturen vor)
- Test-Case-Generierung
- Dokumentation
- Assistent für Code-Reviews
Woran Sie den Nutzen messen: Durchlaufzeit vom Ticket bis zum Merge und Anteil des Codes, der aus Vorlagen statt aus Handarbeit entsteht. Produktivitätsprozente für Entwicklungsteams sind notorisch schlecht belegt; wir nennen deshalb keine.
4. Legal & Contract Review
Am besten geeignet für: Legal Teams, Procurement
- Vertragsanalyse (identifiziert wichtige Klauseln)
- Automatische Redline-Vorschläge
- Assistent für die Due Diligence
- Compliance-Analyse
Woran Sie den Nutzen messen: Zeit pro geprüftem Vertrag und Anteil der Verträge, die überhaupt eine vertiefte Prüfung brauchen. Entscheidend ist nicht die Ersparnis je Dokument, sondern dass die juristische Aufmerksamkeit auf die kritischen Stellen fällt.
5. Data Analysis & Business Intelligence
Am besten geeignet für: Business Analysts, Finance
- Natürlichsprachige Abfragen auf Datenbanken („Zeige mir die zehn umsatzstärksten Produkte")
- Automatische Berichterstellung
- Trendanalysen und Auswertungen
- Anomalie-Erkennung mit Erklärung
Woran Sie den Nutzen messen: Zeit von der Frage bis zur belastbaren Antwort — und wie oft eine Auswertung überhaupt angefragt wird, wenn sie nicht mehr Tage dauert.
6. Knowledge Management und Wissensextraktion
Am besten geeignet für: HR, Unternehmens-Dokumentation
- Automatische Zusammenfassung von grossen Dokumenten
- Aufbau einer Wissensdatenbank (Frage-Antwort-Paare aus Dokumenten)
- Assistent für das Onboarding (neue Mitarbeitende fragen, das Modell antwortet auf Basis der Unternehmensdokumente)
7. Content Personalization & Recommendation
Am besten geeignet für: E-Commerce, SaaS
- Personalisierte E-Mail-Kampagnen
- Produktempfehlungen mit personalisierter Erklärung
- Dynamische Website-Inhalte
Wie Unternehmen Generative AI praktisch einsetzen
Drei häufige Ansätze:
Ansatz 1: Direkter API-Zugriff
- Tools: OpenAI API, Anthropic API, Gemini API
- Besonderheit: direkter Zugang, volle Kontrolle im eigenen Haus
- Anforderung: eigenes Entwicklungswissen
- Geeignet für: Tech-affine Unternehmen, spezialisierte Anwendungsfälle
- Datenschutz: Sie haben Kontrolle, aber Daten gehen an API-Provider
Ansatz 2: No-Code/Low-Code Plattformen
- Tools: Zapier, Make, n8n mit AI-Integrationen; oder spezialisierte Tools wie HubSpot, Salesforce Agentforce
- Besonderheit: Keine Programmierung nötig
- Geeignet für: KMU, die schnell starten möchten
- Limitation: Weniger Flexibilität als API
Ansatz 3: Spezialisierte AI-Software
- Tools: ChatGPT (Plus, Business, Enterprise), Claude (Pro, Max, Team, Enterprise)
- Besonderheit: Vorkonfiguriert für spezifische Use Cases
- Geeignet für: einfache Anwendungsfälle, Piloten
- Limitation: Anbindung an eigene Systeme nur über die Konnektoren, die der Anbieter bereitstellt
Moderner Best Practice: Kombiniert alle drei. Ein KMU könnte:
- ChatGPT Plus für schnelle interne Assistenz nutzen (günstig und schnell)
- Make/Zapier für Workflow-Automation mit Generative AI Komponenten
- Eigene API-Integration für kritische, spezialisierte Use Cases
Kritische Herausforderungen: Was Unternehmen wissen müssen
Generative AI ist mächtig, aber nicht magisch. Es gibt reale Schwierigkeiten:
1. Hallucinations (Erfundene Informationen)
LLMs haben eine systematische Neigung, sicher klingende aber falsche Informationen zu generieren. Ein LLM kann eine Studie samt Quellenangabe erfinden: Die Zitation klingt überzeugend, die Arbeit existiert nicht.
Mitigation:
- Nie unkontrolliert AI-Outputs veröffentlichen
- Immer Fact-Checking durchführen, besonders bei kritischen Aufgaben
- Bei kritischen Informationen auf dokumentengestützte Antworten setzen (Retrieval Augmented Generation)
2. Bias und Diskriminierung
LLMs sind auf Internetdaten trainiert, die historische Verzerrungen enthalten. Ein Modell kann in Stellenausschreibungen männliche Formen bevorzugen, ohne dass das beabsichtigt wäre.
Vertiefen Sie Ihr Wissen:Mitigation:
- AI-Outputs für Bias testen
- Human-in-the-loop bei kritischen Entscheidungen
- Bei eigenem Fine-Tuning ausgewogene Trainingsdaten und menschliche Prüfung einsetzen
Quelle: Google — abgerufen am 23. September 2026; dort steht je Modell in der Zeile «Used to improve our products» für die kostenlose Stufe «Yes», für die kostenpflichtige «No».Mitigation:
- Selbst hosten (Modelle mit offenen Gewichten wie Llama 4, Muse Glimmer oder Mistral Large 3 auf eigener Infrastruktur)
- Oder: Angebot mit vertraglich zugesicherter Datenverarbeitung wählen
- Sensible Daten anonymisieren vor AI-Nutzung
- DSG-Compliance prüfen (in der Schweiz obligatorisch)
Mitigation:
- Nicht AI-generierte Inhalte direkt veröffentlichen, ohne zu überprüfen
- Bei kritischen Inhalten kennzeichnen, ob sie von Menschen verfasst oder KI-gestützt entstanden sind
- Lizenzbedingungen prüfen: Ob ein Anbieter für Urheberrechtsansprüche einsteht, steht in seinem Vertrag und lässt sich nicht pauschal annehmen
5. Kosten und Token-Management
Bei API-basierten Lösungen zahlen Sie pro Token. Grosse Kontexte (grosse Prompt-Fenster) sind teuer. Ein Fehler im Prompt-Design kann zu hohen Kosten führen.
Mitigation:
- Kontext-Fenster kontrollieren
- Batch-Prozesse nutzen (günstig, aber langsamer)
- Tokenkosten laufend auswerten
- Modelle optimieren (kleinere Modelle für einfache Aufgaben)
6. Integrationen und Legacy-System-Komplexität
Generative AI in alte Systeme (Mainframes, betagte ERP-Installationen) zu integrieren ist schwierig.
Mitigation:
- APIs als Mittler nutzen
- Oder: Schrittweise Modernisierung
Schweizer Datenschutz und Generative AI
Das neue Schweizer Datenschutzgesetz (DSG, seit September 2023) ist relevant:
- Art. 21 und Art. 25 Abs. 2 Bst. f: Wer eine Entscheidung ausschliesslich automatisiert trifft und damit eine Rechtsfolge auslöst oder die Person erheblich beeinträchtigt, muss darüber informieren und auf Auskunftsbegehren die Logik der Entscheidung offenlegen. LLMs sind weitgehend undurchsichtig — das ist hier die eigentliche Schwierigkeit.
- Art. 22: Bearbeitungen, die ein hohes Risiko für Persönlichkeit oder Grundrechte mit sich bringen können, verlangen vorgängig eine Datenschutz-Folgenabschätzung.
- Art. 7: Datenschutz durch Technik und datenschutzfreundliche Voreinstellungen ist obligatorisch. Das bedeutet: Sensible Daten dürfen nicht ohne vorherige Prüfung von Rechtsgrundlage, Vertrag und technischen Schutzmassnahmen an eine externe API gehen.
Quelle: Bundesgesetz über den Datenschutz (DSG, SR 235.1), Art. 7, 21, 22 und 25 — Fassung vom 25. September 2020 (Stand am 7. Juli 2025), in Kraft seit 1. September 2023, abgerufen am 23. September 2026.Für Schweizer KMU: Prüfen Sie selbst gehostete Modelle mit offenen Gewichten wie Llama 4, Muse Glimmer oder Mistral Large 3, wenn Sie sensible Daten verarbeiten. Ob eine konkrete Lösung dem DSG genügt, ist eine Einzelfallbeurteilung und gehört in die Datenschutzberatung.
Generative AI als Teil von AI Automation
Hier ist der Verbindungs-Punkt zur ai-automation-hub Vision:
Klassische AI Automation (RPA + ML) ist gut für:
- Strukturierte Prozesse
- Regeln-basierte Entscheidungen
- Daten-intensive Vorhersagen
Generative AI ist gut für:
- Unstrukturierte Daten
- Kreative/generative Aufgaben
- Verstehende und langform-generative Tätigkeiten
AI Automation + Generative AI wachsen zusammen:
Ein moderner Prozess könnte sein:
- RPA/API: Daten von System A zu System B transferieren
- Generative AI: Unstrukturierte Daten analysieren, verstehen, summarisieren
- Klassisches ML: Vorhersagen und Bewertungen auf Basis erkannter Muster
- RPA: Auf Basis aller Erkenntnisse eine Aktion durchführen
- Feedback Loop: Rückmeldungen fliessen in Regeln, Prompts und — bei eigenem Training — in die Modelle zurück; ein LLM lernt im laufenden Betrieb nicht von selbst
Best Practices: Wie Sie starten
- Quick Wins identifizieren: Wo können Sie mit minimalem Risiko schnell Zeit sparen?
- Pilotprojekt: mit einem begrenzten Anwendungsfall testen, zunächst nur mit nicht sensiblen Daten
- Passendes Werkzeug: nach Anforderungen wählen (API, No-Code-Plattform oder spezialisierte Software)
- Team Training: Ihr Team muss verstehen, wie man mit AI arbeitet (Prompt Engineering, Fact-Checking)
- Governance: Policies etablieren — wann Generative AI nutzen, wann nicht
- Compliance: Datenschutz-Check (DSG, DSGVO, etc.) durchführen
Nächste Schritte
Auf diesem Hub finden Sie weiterführend:
- Use-Case-Beispiele nach Branche und Abteilung
- Anleitungen zu Prompt Engineering
- Leitfäden zur Integration in bestehende Systeme
- Grundlagen zum Schweizer Datenschutzgesetz — eine Rechtsberatung ersetzen sie nicht
- Tool- und Modellvergleiche
Häufig gestellte Fragen
- Was ist Generative AI und wie unterscheidet sie sich von klassischem Machine Learning?
Generative AI ist eine Kategorie von Künstlicher Intelligenz, die neue Inhalte erschafft — Text, Bilder, Code, Audio oder Video — basierend auf Mustern, die sie in Trainingsdaten gelernt hat. Klassisches Machine Learning klassifiziert oder prognostiziert (etwa „Ist diese E-Mail Spam?"), während Generative AI vollständige neue Inhalte erzeugt, zum Beispiel eine fertig formulierte, kontextuelle E-Mail-Antwort. Zudem arbeitet sie generativ statt deterministisch: Derselbe Prompt kann unterschiedliche Outputs liefern.
- Welche Large Language Models eignen sich für den Unternehmenseinsatz?
Verbreitet sind GPT-6 (OpenAI) in den Stufen Astra, Sol und Luna, Claude (Anthropic) mit Fable 5.1, Opus 5.5, Sonnet 5 und Haiku 4.5 sowie Gemini (Google) mit 3.8 Flash, 3.1 Pro und den Flash-Lite-Stufen. Die Auswahl richtet sich nach Preis je Token, Kontextfenster und den benötigten Werkzeugen wie Websuche, Dateisuche oder Function Calling. Wer Daten nicht an eine fremde API geben will, kann Modelle mit offenen Gewichten wie Llama 4, Muse Glimmer oder Mistral Large 3 selbst hosten. Preise und Modellnamen ändern sich häufig — prüfen Sie beides vor der Entscheidung direkt beim Anbieter.
- Welche Business-Anwendungen von Generative AI lohnen sich für KMU?
Bewährte Einsatzfelder sind Content Creation, Customer Service, Code-Generierung, Vertrags-Review, Datenanalyse, Knowledge Management und Content-Personalisierung. Die Effekte sind messbar, aber nicht allgemeingültig zu beziffern: Belastbare Prozentwerte für diese Einsatzfelder haben wir nicht und nennen deshalb keine. Messen lassen sie sich je Aufgabe an der eigenen Durchlaufzeit — Zeit bis zum freigegebenen Text, Anteil der ohne Menschen gelösten Support-Anfragen, Zeit vom Ticket bis zum Merge, Zeit je geprüftem Vertrag, Zeit von der Frage bis zur Antwort. Jeweils vor dem Projekt erhoben und danach erneut.
- Welche Risiken birgt Generative AI für Unternehmen?
Zu den zentralen Herausforderungen gehören Hallucinations (sicher klingende, aber erfundene Informationen), Bias aus den Trainingsdaten, Datenschutz- und Compliance-Fragen, rechtlich ungeklärte Copyright-Themen sowie Token-Kosten bei API-basierten Lösungen. AI-Outputs sollten deshalb nie unkontrolliert veröffentlicht werden: Fact-Checking und Human-in-the-loop bei kritischen Entscheidungen sind Pflicht.
- Was müssen Schweizer Unternehmen beim Datenschutz mit Generative AI beachten?
Das revidierte Schweizer Datenschutzgesetz (DSG, SR 235.1, seit 1. September 2023) verlangt unter anderem, die Logik einer automatisierten Einzelentscheidung auf Anfrage offenzulegen (Art. 25 Abs. 2 Bst. f), eine Datenschutz-Folgenabschätzung bei hohem Risiko (Art. 22) sowie Datenschutz durch Technik und datenschutzfreundliche Voreinstellungen (Art. 7). Sensible Daten wie Kunden-, Finanz- oder Medizindaten dürfen deshalb nicht einfach an externe LLM-APIs übermittelt werden. Für Schweizer KMU, die sensible Daten verarbeiten, sind selbst gehostete Modelle mit offenen Gewichten wie Llama 4, Muse Glimmer oder Mistral Large 3 eine Alternative zum Versand an eine fremde API; ob eine konkrete Lösung dem DSG genügt, ist im Einzelfall zu beurteilen.
Weiterführende Themen
Quellen
- OpenAI — Modelle und Preise, Anthropic — Modelle und Preise, Google — Modelle und Preise, Tokenfaustregel von Anthropic — Preise, Trainingsumfang von Llama 4 aus der Modellkarte — alle abgerufen am 23. September 2026.
- Google — abgerufen am 23. September 2026; dort steht je Modell in der Zeile «Used to improve our products» für die kostenlose Stufe «Yes», für die kostenpflichtige «No».
- Bundesgesetz über den Datenschutz (DSG, SR 235.1), Art. 7, 21, 22 und 25 — Fassung vom 25. September 2020 (Stand am 7. Juli 2025), in Kraft seit 1. September 2023, abgerufen am 23. September 2026.
