Agentenbasierte KI skalieren: Von Pilotprojekten zum unternehmensweiten Einsatz

Die wichtigsten Erkenntnisse

Zentrale Erkenntnisse zur Skalierung dieser Systeme verdeutlichen den entscheidenden Wandel von isolierten Modelltests hin zu unternehmensweiter Systemorchestrierung und Governance.

• Die Skalierung agentenbasierter Abläufe erfordert eine Verlagerung des Fokus von den Fähigkeiten einzelner Modelle hin zur systemweiten Workflow-Orchestrierung.
• Isolierte Pilotprojekte scheitern in Produktionsumgebungen häufig aufgrund von Kontextverlust, fragilen Legacy-Integrationen und erheblichen Governance-Lücken.
• Eine erfolgreiche unternehmensweite Einführung beruht auf vier zentralen Säulen: einer modernisierten Datenarchitektur, einer robusten Orchestrierung, fest verankerter Governance und Integritätsschutz sowie einer Neugestaltung menschlicher Rollen.
• Automation Anywhere bietet die grundlegende Architektur, die erforderlich ist, um künstliche Intelligenz (KI) sicher mit skalierbaren, produktionsreifen Geschäftsprozessen zu verknüpfen.

Was ist Systemskalierung? (Und warum Pilotprojekte scheitern)

Die Systemskalierung ist der Prozess, KI-Aufgabenketten über Unternehmenssysteme hinweg zu koordinieren. Deshalb scheitern isolierte Pilotprojekte, wenn sie in den Produktivbetrieb überführt werden. Der Schritt von einem erfolgreichen Agent-Pilotprojekt zum Einsatz in großem Maßstab ist keine Frage von mehr Datenverarbeitungsleistung oder einem intelligenteren Modell. Teams gehen jedoch oft davon aus, dass dies der Fall sei.

Ein aktueller Bericht von McKinsey hebt hervor, dass 70 % der KI-Agent-Pilotprojekte aufgrund fragiler Legacy-Integrationen sowie fehlender Governance und Leitplanken zur Laufzeit nicht skaliert werden können.

Die Pilot-Falle erklärt

Die Erklärung der Pilot-Falle zeigt, dass ein Agent, der für eng umrissene, klar abgegrenzte Prozesse entwickelt wurde, nicht über die robuste Infrastruktur verfügt, die für zuverlässige Produktionsumgebungen im großen Maßstab erforderlich ist. Ein Agent kann in der eng umrissenen Umgebung, für die er entwickelt wurde – einem abgeschlossenen Prozess, einer bekannten Menge an Eingaben, einem einzelnen Team – gute Leistungen erbringen und dennoch keine Möglichkeit haben, diese Leistung im großen Maßstab aufrechtzuerhalten oder auch nur zuverlässig zu wiederholen, weil die für den Produktivbetrieb erforderliche Infrastruktur und Architektur nie vorhanden waren.

In der Praxis produktiver Umgebungen müssen Workflows Legacy-Systeme übergreifen, über jeden Schritt hinweg Zustände bewahren, Sonderfälle abfangen und jede Entscheidung gegenüber einem Auditor belegen.

Einen einzelnen Agenten isoliert leistungsfähiger zu machen, ist Modellskalierung. Die zuverlässige und wiederholbare Skalierung von Workflows über reale Systeme und Teams hinweg unter Einhaltung der Governance-Vorgaben ist Systemskalierung.

Die Modellskalierung folgt vorhersehbaren Skalierungsgesetzen neuronaler Netze, doch diese Kurven beschreiben, wie sich ein einzelnes Modell verbessert. Nichts von diesem Zugewinn trägt zur Zuverlässigkeit auf Systemebene bei, die der Produktionsbetrieb erfordert.

Dieselben vier Symptome treten auf, sobald ein Pilotprojekt über die ursprünglich vorgesehene Konfiguration hinaus ausgeweitet wird:

• Kontextverlust bei Zustandslosigkeit. Sie werden sehen, wie ein Agent, der im Pilotbetrieb zuverlässig lief, im großen Maßstab beginnt, sich selbst zu widersprechen – unterschiedliche Pfade bei identischen Eingaben, mitten im Prozess den Faden verliert und bereits gemachte Fehler wiederholt –, weil nichts von einer Ausführung zur nächsten übernommen wird.
• Fragile Integrationen. Er funktioniert, bis er seine Spur verlassen muss: Sobald der Agent auf das Kernbankensystem, das Enterprise Resource Planning (ERP) oder eine Legacy-Anwendung ohne saubere Programmierschnittstelle (API) zugreift, stockt der Prozess bei der Übergabe. Auch ausgeprägte Schlussfolgerungsfähigkeiten helfen nicht, wenn der Agent nicht mit den Systemen interagieren kann, in denen die Arbeit anfällt.
• Außer Kontrolle geratene Kosten. Die Ausgaben steigen schneller als die Nutzung und steigen weiter – dieselben Aufgaben kosten im Laufe der Zeit mehr, wenn Agenten kontinuierlich laufen, bei Fehlern Wiederholungsversuche unternehmen und bereits gelöste Probleme erneut lösen.
• Lücken in der Governance. Niemand kann die Fragen beantworten, die ein Prüfer oder ein Sicherheitsteam stellen wird: warum der Agent gehandelt hat, auf welche Daten er zugegriffen hat und wer dies genehmigt hat. Ohne Audit Trails, Zugriffskontrollen und nachvollziehbare Entscheidungen kommen Bereitstellungen ins Stocken, bevor sie die Produktionsumgebung erreichen.
• Über mehrere Schritte hinweg kumulierender Fehler. Verketten Sie probabilistische Agenten miteinander, und die Zuverlässigkeit nimmt mit jeder Übergabe ab – jeder Schritt übernimmt die Fehler des vorherigen und fügt eigene hinzu, sodass eine Kette, die über zwei oder drei Schritte hinweg problemlos erscheint, über zehn Schritte hinweg unbemerkt auseinanderfällt. Mehr Agenten in Folge bedeuten geringere Zuverlässigkeit, nicht höhere Leistungsfähigkeit.

Beachten Sie, dass es sich bei keinem dieser Punkte um ein Problem der Modellqualität handelt. Es handelt sich um Architekturprobleme – genau deshalb kann ein besseres Modell allein agentenbasierte KI niemals aus der Pilotfalle herausführen.

Die vier Säulen der Skalierung agentenbasierter KI

Um der Pilotfalle zu entkommen, sind vier architektonische Veränderungen entscheidend. Sie entsprechen genau den Bereichen, in denen Pilotprojekte scheitern – Daten, Koordination, Kontrolle und Menschen. Und jede einzelne macht die nächste effektiver.

1. Daten- und Kontextarchitektur modernisieren

Die Modernisierung der Daten- und Kontextarchitektur bedeutet, KI-Agenten entscheidungsrelevante Informationen in Echtzeit bereitzustellen, um selbstsichere, aber falsche Aktionen im großen Maßstab zu verhindern. Agenten ziehen Schlussfolgerungen auf Grundlage aller ihnen zugänglichen Kontextinformationen. Wenn sie auf isolierte oder veraltete Daten zugreifen, treffen sie in großem Maßstab selbstsicher falsche Entscheidungen.

Die erste Säule ist die Datenreife – also die Bereitstellung entscheidungsreifer, KI-fähiger Kontextinformationen für jeden Agenten. Das ist ein strengerer Maßstab als bei den analysefähigen Daten, über die die meisten Teams verfügen. Analysen können mit Daten durchgeführt werden, die stapelweise verarbeitet wurden, historisch sind und vor einer Entscheidungsfindung von einer Person gelesen werden; ein Agent handelt direkt auf Basis des Kontexts und in Echtzeit und benötigt daher aktuelle, Berechtigungen berücksichtigende Daten, die für maschinelle Schlussfolgerungen statt für die Interpretation durch Menschen strukturiert sind.

• Schließen Sie die Kontextlücke. Ersetzen Sie Punkt-zu-Punkt-Datenabrufe durch einheitliche, API-gesteuerte Datenprodukte, damit jeder Agent auf eine konsistente, aktuelle Quelle zurückgreift, statt bei jedem Durchlauf den Zustand von Grund auf neu zu rekonstruieren.
• Nutzen Sie Wissensgraphen, um Kosten und Fehler zu reduzieren. Die Token-Ökonomie in Unternehmen spielt dabei eine entscheidende Rolle; die Strukturierung von Unternehmenswissen als Graph reduziert redundante Abrufe, optimiert den Token-Verbrauch und stellt Agenten fundierte Zusammenhänge bereit, über die sie schlussfolgern können. Dadurch sinken sowohl die Token-Ausgaben als auch die Halluzinationsraten. Laut Forrester Research reduzieren Unternehmen, die einheitliche Wissensgraphen als KI-Kontext nutzen, die Zeiten für den redundanten Abruf von Daten um 45 %.
• Protokollieren Sie auf Entscheidungsniveau. Erfassen Sie nicht nur die Ergebnisse, sondern auch die Daten und die Begründung für jede Entscheidung, damit derselbe Datensatz sowohl für die nächste Ausführung des Agenten als auch für die Prüfung durch den Auditor verwendet werden kann.

Damit Enterprise-KI zuverlässig arbeiten kann, bildet diese Kontextebene die Grundlage, auf der alles andere aufbaut.

2. Orchestrierung

Orchestrierung ist die Koordinationsebene, die KI-Agenten, APIs und menschliche Arbeitskräfte steuert, um den Prozesszustand über komplexe Workflows in Unternehmen hinweg aufrechtzuerhalten. Ein einzelner Agent kann keinen unternehmensweiten Prozess abdecken. Reale Workflows erstrecken sich über mehrere Systeme, kombinieren deterministische und urteilsbasierte Schritte und laufen über Zeiträume von Sekunden bis Wochen. Die Orchestrierungsebene koordiniert die Arbeit der Akteure – KI-Agenten, Bots, APIs und Menschen – und hält den Prozessstatus für alle Beteiligten aufrecht. Dadurch wird auch verhindert, dass sich Fehler in verketteten Agenten aufschaukeln: Eine deterministische Ebene steuert die Abfolge und validiert jeden Schritt, sodass die KI-gestützten Komponenten Schlussfolgerungen ziehen können, während der Pfad zwischen ihnen verbindlich vorgegeben bleibt.

• Bauen Sie ein Governance-gesteuertes agentenbasiertes Mesh auf. Weisen Sie Agenten klar abgegrenzte, eindeutig definierte Schritte zu, die über eine deterministische Orchestrierungsschicht koordiniert werden, die jede Übergabe validiert – und nicht über eine Kette von Agenten, die Aufgaben frei weiterreichen. Struktur und Verifizierung sorgen dafür, dass mehrere Agenten sicherer sind als ein Agent, der alles erledigt – nicht die Anzahl der Agenten.
• Leiten Sie jede Aufgabe an das passende Tool weiter. Ordnen Sie jede Aufgabe dem am besten geeigneten Akteur zu – häufig dem kostengünstigsten und oft überhaupt keinem Modell, da deterministische Automatisierung regelbasierte Schritte präziser und kostengünstiger als ein Large Language Model (LLM) ausführt. Es handelt sich um eine Gemisch-von-Experten-Logik, die auf Workflow-Ebene angewendet wird, nicht nur innerhalb eines Modells: Modellbasiertes Schlussfolgern sollte den Schritten vorbehalten bleiben, die tatsächlich Urteilsvermögen erfordern. Beim Routing entscheidet sich vor allem, ob Kosten und Zuverlässigkeit steigen oder sinken. Laut Gartner senken Unternehmen, die eine kostengerechte Weiterleitung und deterministische Automatisierung implementieren, ihre Betriebskosten im Bereich Generative KI um bis zu 80 %.
• Skalieren Sie rlastisch. Serverless-Ausführung federt Auslastungsspitzen ab, ohne dass dazwischen Infrastruktur ungenutzt bereitstehen muss.

An diesem Punkt wird der Betrieb agentenbasierter KI im großen Maßstab zu einer Plattformfrage. Die Koordination von Arbeit über voneinander getrennte Systeme hinweg, wobei der Status bei jeder Übergabe erhalten bleibt, ist die entscheidende Fähigkeit einer unternehmensweiten Plattform für agentenbasierte Automatisierung – und der Grund, warum die Orchestrierung und nicht das Modell die Skalierungseinheit ist.

3. Governance und Beobachtbarkeit

Governance und Beobachtbarkeit umfassen die direkte Integration strenger Zugriffskontrollen und Audit-Protokollierung in die Laufzeitumgebung, um autonome Systeme auch in großem Maßstab sicher zu machen. Autonomie vervielfacht das Risiko. Ein Agent, der eine ungeprüfte Entscheidung trifft, ist ein begrenztes Problem; tausend Agenten sind ein systemisches Problem. Die Festlegung einer robusten Governance und des geeigneten Integritätsschutzes ist unerlässlich, um Autonomie sicher gewähren zu können.

• Definieren Sie kontrollierte Autonomie. Legen Sie explizite Modi fest – beratend, ausführend und vollständig autonom –, damit jeder Workflow genau so viel Eigenständigkeit erhält, wie sein Risikoprofil zulässt, und nicht mehr.
• Verfolgen Sie jede Schlussfolgerungskette. Protokollieren Sie die Tool-Aufrufe, Eingaben und Logikpfade hinter jeder Aktion, damit das Verhalten eines Agenten im Nachhinein rekonstruiert und erklärt werden kann.
• Evaluieren Sie kontinuierlich. Überwachen Sie im Produktivbetrieb kontinuierlich Abweichung, Bias und die Einhaltung von Richtlinien – nicht nur bei der Einführung. Ein Agent kann über den falschen Weg zur richtigen Antwort gelangen, und eine Überwachung auf Ergebnisebene erkennt dies nicht, weil das Ergebnis weiterhin korrekt aussieht. Dieser fehlerhafte Weg ist ein Risiko, das sich bemerkbar machen wird, sobald die Bereitstellung skaliert.

Die Architektur, die dies ermöglicht, verankert Governance in der Laufzeitumgebung, statt sie nachträglich aufzusetzen: Zugriffskontrollen, Data Masking und Audit-Protokollierung werden während der Ausführung automatisch durchgesetzt. Um die Compliance sicherzustellen, sollten Organisationen sich an maßgeblichen Frameworks wie dem NIST AI Risk Management Framework orientieren.

Rinku Sarkar, Director of Product Management bei Automation Anywhere, erläutert die drei Säulen der KI-Governance – bewerten, absichern und überwachen – und erklärt, warum Governance den Unterschied zwischen Agenten ausmacht, die in der Pilotphase feststecken, und Agenten, die den Produktivbetrieb erreichen.

4. Neugestaltung menschlicher Rollen

Organisatorischer Widerstand lässt mehr Implementierungen scheitern als technische Fehler. Die Skalierung agentenbasierter KI hängt ebenso sehr von der organisatorischen Bereitschaft, dem Veränderungsmanagement und der menschlichen Aufsicht ab wie von einer Neugestaltung von Rollen oder Systemen.

• Aufsicht geht vor Ausführung. Menschen bleiben eingebunden: Sie wechseln von der Erledigung routinemäßiger Aufgaben zur Bearbeitung von Ausnahmefällen, Ermessensentscheidungen und zur Aufsicht, während Automatisierung und Agenten das Arbeitsvolumen bewältigen und Menschen die Entscheidungen vorbehalten, die Empathie oder direkte Verantwortlichkeit erfordern.
• Wählen Sie ein Betriebsmodell. Entscheiden Sie bewusst zwischen einer zentralen Governance durch ein Kompetenzzentrum und einer Verbundverantwortung auf Geschäftsbereichsebene. Das Betriebsmodell beeinflusst die Skalierungsfähigkeit ebenso stark wie die Architektur.

Bei guter Umsetzung ist dies der Weg hin zu einem stärker autonomen Unternehmen, in dem Menschen gestärkt statt verdrängt werden.

Häufige Herausforderungen bei der Skalierung lösen

Die Säulen beschreiben, was aufgebaut werden soll. Dies sind die taktischen Maßnahmen zur Behebung der Fehlermodi, auf die Sie beim Aufbau stoßen werden.

• Kostenexplosion. Behandeln Sie Kosten als Architekturentscheidung. Nutzen Sie ein kostenoptimiertes Routing, um jede Aufgabe an das kostengünstigste geeignete Modell weiterzuleiten und wiederholte Aufrufe zwischenzuspeichern. Der größte Hebel liegt nicht im Einsatz von Agent-Technologie dort, wo deterministische Automatisierung bereits ausreicht – operatives Gedächtnis ist der zweitgrößte Hebel, da Fehler- und Wiederholungszyklen den Großteil der verbleibenden Kostenüberschreitungen verursachen. Überwachen Sie die Kosten pro abgeschlossenem Workflow statt der Kosten pro Aufruf, denn eine Änderung, die die Kosten pro Aufruf senkt, aber mehr Wiederholungsversuche auslöst, kann die Gesamtkosten unbemerkt erhöhen.
• Kontextverlust. Das operative Gedächtnis ermöglicht es Agenten, Erkenntnisse aus früheren Ausführungen in neue zu übertragen und den Zustand über lang andauernde Prozesse hinweg beizubehalten. Am besten funktioniert dieses Gedächtnis, wenn es auf einer Basis aufsetzt – einer Schlussfolgerungsschicht, die bereits anhand von Mustern aus einer großen Zahl früherer Prozessläufe trainiert wurde – statt von Grund auf neu zu beginnen.
• Compliance-Verstöße. Setzen Sie Richtlinien zur Laufzeit durch, mit entscheidungsrelevanter Protokollierung, rollenbasiertem Data Masking und Funktionstrennung, die während der Arbeit des Agent angewendet werden , sodass der Audit Trail ein Nebenprodukt der Ausführung und keine nachträgliche Rekonstruktion ist. Der häufige Fehler besteht darin, Governance nachträglich als separaten Genehmigungsschritt einzubauen, wodurch jeder Workflow verlangsamt wird und dennoch Lücken bleiben. Legen Sie vorab fest, was protokolliert werden muss, was eine Eskalation an einen Menschen auslöst und wer die Schlussfolgerungen überprüfen darf, die ein Agent anstellt – das sind Richtlinienentscheidungen, die Ihnen eine Plattform nicht abnimmt. Der Test: Können Sie auf Anhieb eine beliebige einzelne Entscheidung rekonstruieren – Eingaben, betroffene Daten, genehmigende Person?
• Integrationsfragilität. API-first-Architekturen und einheitliche Datenprodukte bilden das dauerhafte Fundament, ergänzt durch Connector-Anbindungen für Legacy- und On-Premises-Systeme. Ermitteln Sie, wo Agenten systemübergreifend agieren, und verbessern Sie zuerst die Übergaben mit dem höchsten Aufkommen – dort häufen sich die Fehler. Ein Pilotprojekt muss selten die schwierigsten Integrationen bewältigen. Daher sind es gerade diese Verbindungen, bei denen im großen Maßstab am ehesten Probleme auftreten. Sorgen Sie bei Übergaben für Resilienz: Wiederholen Sie Vorgänge bei vorübergehenden Fehlern automatisch und leiten Sie dauerhaft auftretende Fehler samt Kontext an eine menschliche Fachkraft weiter, damit eine einzelne störanfällige Verbindung nicht den gesamten Prozess zum Stillstand bringt.

So skalieren Sie agentenbasierte KI: Implementierungs-Roadmap

1. Bewerten und priorisieren Sie. Erfassen Sie Workflows mit hohem Volumen und hohem Mehrwert, für die bereits ein sauberer Datenzugriff gewährleistet ist. Beginnen Sie dort, wo deterministische Automatisierung den wiederkehrenden Kern bewältigen kann, ein Agent bei einem bestimmten Schritt sein Urteilsvermögen einbringen muss und die Kombination wichtig genug ist, um die Entwicklung zu rechtfertigen.
2. Bauen Sie das Fundament. Modernisieren Sie die Daten- und Kontextebene und bauen Sie Orchestrierung und Observability auf, bevor Sie skalieren – nicht erst danach. Eine Skalierung auf schwacher Grundlage vervielfacht lediglich den Bereinigungsaufwand.
3. Erstellen Sie Pilotprojekte mit Integritätsschutz. Führen Sie jeden Workflow zunächst im Beratungsmodus, dann im teilautonomen und schließlich im vollständig autonomen Modus aus, wobei ein Mensch für Ausnahmefälle und Übersteuerungen eingebunden bleibt. Gewinnen Sie Vertrauen und verschärfen Sie die Kontrollen bei jedem Schritt.
4. Skalieren Sie mit Überwachung. Erweitern Sie auf angrenzende Workflows und behalten Sie dabei Kosten und Qualität der Schlussfolgerungen im Blick, nicht nur den Aufgabenerfolg. Agentenbasierte KI-Plattformen ermöglichen es neuen Workflows, bewährten Integritätsschutz zu übernehmen, anstatt sie jedes Mal neu aufzubauen.

Schlussfolgerung: Vom Pilotprojekt zur produktionsreifen KI

Um der Pilotfalle zu entkommen, muss das System skaliert werden – ein besseres Modell reicht nicht aus. Organisationen, die Pilotprojekte hinter sich lassen, setzen die Architektur ein – Datenbereitschaft, Orchestrierung, Governance und Observability sowie neu gestaltete Rollen –, die es Agenten ermöglicht, zuverlässig im gesamten Unternehmen zu agieren. Diese Skalierung des Systems macht agentenbasierte Automatisierung bei wiederholtem Einsatz, in großem Umfang und unter den Governance-Anforderungen zuverlässig, die der Produktivbetrieb auf Unternehmensebene stellt.

Im Jahr 2026, wenn agentenbasierte KI aus Pilotprojekten in den Kern des Unternehmensbetriebs vordringt, wird die Wettbewerbslücke zwischen denjenigen liegen, die eine Architektur aufbauen, mit der Agenten zuverlässig betrieben werden können, und denjenigen, die weiterhin Pilotprojekte neu starten, die nie den Produktivbetrieb erreichen.

Das APA-System von Automation Anywhere vereint diese Komponenten – Orchestrierung, operatives Gedächtnis und Governance zur Laufzeit – auf einer Plattform, sodass es von einem einzelnen Workflow bis zur unternehmensweiten Implementierung skalieren kann, ohne jedes Mal das Fundament neu aufbauen zu müssen.

FAQs zur Skalierung agentenbasierter KI

Was bedeutet es, agentenbasierte KI zu skalieren?

Der Übergang von isolierten Pilotprojekten zur unternehmensweiten Bereitstellung durch Orchestrierung, eine gemeinsame Kontextschicht, Governance und Beobachtbarkeit sowie neu gestaltete menschliche Rollen. Es geht um die Skalierung von Systemen – die Koordination realer Prozesse – und nicht um die Skalierung von Modellen.

Warum lassen sich KI-Agenten-Pilotprojekte nur schwer skalieren?

Pilotprojekte scheitern an Kontextverlust, fragilen Integrationen, ausufernden Kosten und fehlender Governance. Der Erfolg von KI-Agenten im großen Maßstab erfordert eine architektonische Veränderung – Orchestrierung, Gedächtnis und kontrollierte Autonomie – und kein intelligenteres Modell.

Was ist der Unterschied zwischen Modellskalierung und Systemskalierung?

Durch Modellskalierung wird ein Agent leistungsfähiger, in der Regel durch ein größeres Modell oder mehr Datenverarbeitungsleistung. Systemskalierung schafft die Architektur, Orchestrierung, den gemeinsamen Kontext und Governance – um Workflows zuverlässig im gesamten Unternehmen auszuführen.

Ist die agentenbasierte Automatisierung von Automation Anywhere skalierbar?

Ja. Das System für agentenbasierte Prozessautomatisierung von Automation Anywhere ist auf den Einsatz in Unternehmen ausgelegt: mit Orchestrierung, operativem Gedächtnis durch die Process Reasoning Engine, zur Laufzeit integrierter Governance und Beobachtbarkeit jeder Aktion eines Agenten und jeder Übergabe.

Was ist ein agentenbasiertes Mesh?

Ein Multi-Agenten-System, in dem spezialisierte Agenten jeweils einen einzelnen Schritt eines Workflows übernehmen – bei der Rechnungsverarbeitung extrahiert ein Agent die PDF-Daten, ein anderer validiert den Lieferanten, ein dritter gleicht den Bestellauftrag ab –, wird von einer deterministischen Orchestrierungsebene koordiniert, die jede Übergabe validiert, statt dass Agenten einander ungeprüft Aufgaben übertragen.

Wie kontrollieren Sie die Kosten bei der Skalierung agentenbasierter KI?

Ein Agent sollte dort nicht eingesetzt werden, wo deterministische Automatisierung die Aufgabe bereits erledigt – das ist der größte Hebel. Darüber hinaus: Leiten Sie Anfragen an kostenoptimierte Modelle weiter, speichern Sie wiederholte Aufrufe zwischen, nutzen Sie Wissensgraphen, um den Abruf zu reduzieren, und setzen Sie operatives Gedächtnis ein.