Für Unternehmen in Deutschland, Österreich und der Schweiz wird der unbedachte Einsatz US-basierter Cloud-KI zunehmend zum unkalkulierbaren Compliance- und Betriebsrisiko. Erfahren Sie, wie moderne On-Premise LLMs mit quantisierten Open-Source-Architekturen, vLLM und lokalem RAG echte Datensouveränität, DSGVO-Konformität und drastisch gesenkte TCO ermöglichen.
Dieser Artikel ist ein vertiefender Fachbeitrag aus unserem Content-Cluster. Entdecken Sie die vollständige Übersicht auf unserer Hauptseite:KI-Beratung & Integration →
Die Bastion der Datensouveränität: Physische Autonomie im Zeitalter von Agentic AI
Warum die Ära des naiven Cloud-API-Konsums für mitteleuropäische Kernindustrien vorbei ist und wie Unternehmen durch lokale Open-Source-Modelle, vLLM und Zero-Trust-Gateways echte technologische Unabhängigkeit erlangen.
- Einleitung: Der KI-Hype trifft auf die europäische Realität
- Kapitel 1: Das Cloud-KI-Dilemma für den DACH-Mittelstand
- Kapitel 2: Der moderne On-Premise KI-Stack 2026
- Kapitel 3: Hybrid-Architektur & Zero-Trust AI Gateways
- Kapitel 4: Schritt-für-Schritt-Roadmap & Produktive Pipeline
- Kapitel 5: Praxisnahe B2B Use Cases im DACH-Raum
- Kapitel 6: Wirtschaftlichkeitsrechnung (TCO & ROI)
- Fazit: Datensouveränität als strategischer Wettbewerbsvorteil
- Rechtssicherheit & DSGVO-Immunität: Der lokale Betrieb von On-Premise AI schließt Datentransfers in unsichere Drittstaaten (Schrems II, US CLOUD Act) und Sanktionen nach dem EU AI Act vollständig aus.
- Voller Schutz für IP & Geschäftsgeheimnisse: CAD-Zeichnungen, Quellcodes, Finanzdaten und Patientenakten verbleiben physisch im geschützten Firmennetzwerk – ohne Risiko von fremdem Modelltraining oder Datenlecks.
- Berechenbare TCO & High-Throughput: Durch moderne Quantisierung (AWQ/GGUF 4-Bit) und Inferenz-Engines wie vLLM amortisiert sich eigene GPU-Hardware gegenüber unberechenbaren Token-Abrechnungen oft bereits nach wenigen Betriebsmonaten.
Einleitung: Der KI-Hype trifft auf die europäische Realität
Künstliche Intelligenz hat im Wirtschaftsraum DACH (Deutschland, Österreich, Schweiz) die Schwelle vom experimentellen Innovationsprojekt zum geschäftskritischen Produktionsfaktor überschritten. Wo vor wenigen Jahren einfache Chat-Assistenten isolierte Aufgaben übernahmen, orchestrieren heute hochentwickelte Multi-Agenten-Systeme und Agentic AI komplexe Unternehmensprozesse in Industrie 4.0, Supply-Chain-Management, Finanzwesen und Forschung.
Gleichzeitig erleben Entscheidungsträger in mittelständischen Vorständen und IT-Abteilungen ein massives Erwachen: Die standardmäßige Nutzung proprietärer Cloud-APIs amerikanischer Hyperscaler (wie OpenAI, Microsoft Azure, Google Cloud oder Anthropic) birgt fundamentale strategische, rechtliche und finanzielle Risiken. Wer streng vertrauliche Fertigungsparameter, patentrelevante Entwicklungsunterlagen oder hochgradig sensible Personaldaten unverschlüsselt über transatlantische Glasfasertrassen sendet, gefährdet die Existenz seines Unternehmens.
Die Antwort auf diese Herausforderung ist der bewusste Übergang zu On-Premise AI und souveränen europäischen Private-Cloud-Infrastrukturen. Dank bahnbrechender Fortschritte bei Open-Weights-Modellen (wie Llama 3.3, Mistral Large 2 und Qwen 2.5) sowie revolutionären Inferenz-Laufzeitumgebungen wie vLLM können Unternehmen heute Large Language Models (LLMs) auf eigener Hardware betreiben – bei identischer kognitiver Leistungsfähigkeit, vollständiger Kostenkontrolle und kompromissloser Datensouveränität.
Kapitel 1: Das Cloud-KI-Dilemma für den DACH-Mittelstand
Der DACH-Mittelstand ist weltweit für seine Technologieführerschaft und Innovationskraft bekannt. Viele „Hidden Champions“ verdanken ihren Erfolg jahrzehntelang akkumuliertem Expertenwissen, proprietären Konstruktionsplänen und maßgeschneiderten Fertigungstoleranzen. Genau dieses geistige Eigentum (Intellectual Property, IP) gerät bei unbedachter Cloud-KI-Nutzung in Gefahr.
1. Juristische Compliance-Falle (DSGVO & Schrems II)
Die Übermittlung personenbezogener Kundendaten oder Mitarbeiterakten an US-Hyperscaler verletzt ohne lückenlose Garantien Artikel 44 ff. DSGVO. Durch den US CLOUD Act können US-Sicherheitsbehörden theoretisch Zugriff auf Daten verlangen – selbst bei Serverstandorten in Frankfurt oder Dublin.
2. IP-Exfiltration & Spionage-Gefahr
Vertrauliche CAD-Daten, Algorithmen und Bilanzen verlassen bei API-Aufrufen die unternehmenseigene Sicherheitszone. Selbst bei vertraglichen „Zero Data Retention“-Klauseln bleibt das Restrisiko von Server-Logging, Man-in-the-Middle-Angriffen und Sicherheitslecks bei Drittanbietern bestehen.
3. Unkalkulierbare Token-Kostenexplosion
Was im Prototyping mit wenigen hundert Euro beginnt, eskaliert bei flächendeckendem Produktiveinsatz mit Millionen täglichen RAG-Abfragen und autonomen Agenten-Schleifen zu unkontrollierbaren, monatlich schwankenden OPEX-Budgets.
4. Vendor Lock-in & Modell-Deprecations
Proprietäre Cloud-Modelle werden von Betreibern regelmäßig ohne Vorankündigung modifiziert, zensiert oder abgeschaltet. Ein Unternehmen, dessen Workflows fest auf eine spezifische Cloud-API verdrahtet sind, verliert jegliche operative Resilienz.
Hinzu kommen die strengen Vorgaben des europäischen EU AI Act. Während proprietäre Blackbox-Modelle in der Cloud oft undurchsichtige Trainingskorpora und nicht auditierbare Entscheidungsketten aufweisen, ermöglicht der Betrieb quelloffener Modelle auf eigener Infrastruktur eine lückenlose Protokollierung, reproduzierbare Inferenz-Parameter und die vollständige Erfüllung aller Transparenzpflichten gemäß Artikel 50 EU AI Act.
Kapitel 2: Der moderne On-Premise KI-Stack 2026
Noch vor zwei Jahren galt der lokale Betrieb leistungsfähiger LLMs als kostspieliges Privileg von Großforschungseinrichtungen. Im Jahr 2026 hat sich das Blatt gewendet: Durch wegweisende Open-Source-Architekturen, effiziente 4-Bit- und 8-Bit-Quantisierungsformate (AWQ, GPTQ, GGUF) und moderne Inferenz-Runtimes hat die Open-Source-Community den Abstand zu kommerziellen Spitzenmodellen nahezu vollständig geschlossen.
Hardware-Dimensionierung: Vier skalierbare Bereitstellungsoptionen
Die Beschaffung der passenden Hardware richtet sich nach dem geforderten Abfragevolumen, der gewünschten Kontextlänge und der Sensibilität der Einsatzbereiche. Für mittelständische Betriebe im DACH-Raum haben sich vier Architektur-Optionen bewährt:
1. Workstation & Apple Silicon Nodes
Für isolierte Abteilungen, Entwickler-Teams und lokale RAG-Tests genügen oft Workstations mit NVIDIA RTX 4090 (24GB VRAM) oder Apple Silicon Systeme (Mac Studio M2/M3/M4 Ultra mit bis zu 192 GB Unified Memory). Sie ermöglichen das flüssige Ausführen von 8B- bis 70B-Modellen bei minimaler Leistungsaufnahme.
2. Enterprise GPU Rack Server
Dedizierte 2U/4U-Rack-Server mit NVIDIA L40S (48GB), RTX 6000 Ada oder NVIDIA H100/H200 NVL Beschleunigern im eigenen Serverraum. Sie bilden das Hochleistungs-Rückgrat für unternehmensweite Wissensdatenbanken und bewältigen hunderte gleichzeitige Abfragen mit vLLM Continuous Batching.
3. Europäische Dedicated GPU Cloud
Bare-Metal GPU-Instanzen in zertifizierten europäischen Rechenzentren (wie Hetzner in Nürnberg/Falkenstein, OVHcloud in Straßburg oder Exoscale in der Schweiz). Unternehmen profitieren von flexibler Skalierung ohne eigene Hardware-Wartung, bleiben aber zu 100 % im Geltungsbereich der DSGVO.
4. High-Density CPU Inferenz-Cluster
Moderne Server-CPUs (AMD EPYC 9004 oder Intel Xeon mit AMX-Beschleunigung) in Kombination mit optimierten Quantisierungsformaten (GGUF INT4). Ideal für asynchrone nächtliche Hintergrundaufgaben, Dokumenten-Indexierung und Batch-Klassifizierungen ohne teure Grafikkarten.
Experten-Tipp: PagedAttention & Continuous Batching
Der größte Flaschenhals bei lokaler LLM-Inferenz ist nicht die Rechenleistung, sondern die Speicherbandbreite und die Speicherfragmentierung des Key-Value-Caches (KV-Cache). Durch den Einsatz von vLLM mit PagedAttention wird der VRAM ähnlich wie virtueller Arbeitsspeicher in Betriebssystemen dynamisch in nicht zusammenhängende Blöcke unterteilt. Das verhindert Speicherverschwendung und steigert den parallelen Durchsatz bei gleichbleibender Hardware um den Faktor 3 bis 5.
Kapitel 3: Hybrid-Architektur & Zero-Trust AI Gateways
In der Praxis stehen mittelständische IT-Architekten selten vor einer starren Schwarz-Weiß-Entscheidung zwischen 100 % Cloud und 100 % On-Premise. Die zukunftssicherste Lösung für den DACH-Mittelstand ist ein intelligentes, souveränes Hybrid-KI-Modell mit einem vorgeschalteten Zero-Trust AI Gateway.
Vergleich: Reine Cloud-KI vs. On-Premise & Hybrid AI
- Datentransfer: Unverschlüsselte Prompts verlassen das Firmennetz in US-Infrastrukturen.
- Kostenmodell: Variable, unberechenbare Token-Kosten (OPEX-Risiko bei Skalierung).
- Abhängigkeit: Anfällig für API-Ausfälle, Ratenbegrenzungen und Modell-Deprecations.
- Compliance: Hoher bürokratischer Aufwand für Datenschutzfolgeabschätzungen (DSFA).
- Datensouveränität: 100 % interne Verarbeitung sensibler Daten im Intranet ohne Drittzugriff.
- Kostenmodell: Feste, planbare CAPEX-Investition mit drastisch sinkenden Grenzkosten pro Token.
- Kontrolle: Volle Autonomie über Modellversionen, Gewichte, Fine-Tuning und Uptime.
- Compliance: Vollständige DSGVO- und EU-AI-Act-Konformität durch Air-Gapped Gateways.
Das Herzstück dieser Architektur bildet das lokale Zero-Trust AI Gateway. Es fungiert als intelligenter Gatekeeper zwischen internen Unternehmensanwendungen (wie ERP, CRM, DMS oder n8n-Workflows) und den KI-Modellen.
1. Automatische PII-Maskierung & DLP
Jede eingehende Anfrage wird in Echtzeit auf personenbezogene Daten (Namen, IBANs, Sozialversicherungsnummern) und sensible Firmen-Tokens gescannt. PII-Elemente werden lokal anonymisiert oder pseudonymisiert, bevor sie an den Inferenz-Worker übergeben werden.
2. Intelligentes Content-Routing
Unkritische Allgemeinanfragen (z. B. Sprachübersetzungen oder öffentliche Marketingtexte) können dynamisch an kostengünstige externe APIs geroutet werden. Sobald interne Dokumente oder Geschäftsgeheimnisse involviert sind, erzwingt das Gateway das Routing auf das lokale On-Premise LLM.
3. Revisionssicheres Audit-Logging
Sämtliche Prompt-Response-Interaktionen werden verschlüsselt und unveränderlich protokolliert. Damit erfüllen Unternehmen alle Nachweispflichten für interne Sicherheitsaudits, ISO 27001 Zertifizierungen und die NIS2-Richtlinie.
4. RBAC & Air-Gapped Vektor-Segmentierung
Integrierte Berechtigungsprüfungen (Role-Based Access Control) stellen sicher, dass Mitarbeiter über das RAG-System nur diejenigen Informationen abfragen können, für die sie im bestehenden Active Directory / LDAP freigeschaltet sind.
Kapitel 4: Schritt-für-Schritt-Roadmap & Produktive Pipeline
Die Einführung einer lokalen KI-Infrastruktur erfordert ein strukturiertes Vorgehen, um Fehlinvestitionen in überdimensionierte Hardware zu vermeiden und von Beginn an produktiven Mehrwert zu generieren. Pragma Code setzt auf einen fünfstufigen Implementierungsfahrplan:
-
Phase 1: Datenaudit, Governance & Use-Case-Scoping
Identifikation und Priorisierung der unternehmensweiten Anwendungsfälle. Klassifizierung aller beteiligten Datenquellen (SharePoint, Netzlaufwerke, Confluence, ERP/CRM) nach Schutzklassen und Klärung der rechtlichen Rahmenbedingungen mit dem Datenschutzbeauftragten.
-
Phase 2: Modell-Benchmarking & Hardware-Dimensionierung
Auswahl der optimalen Open-Source-Modellfamilien für die definierten Aufgaben (z. B. Qwen 2.5 72B für Code- und Tabellenanalyse, Llama 3.3 70B für allgemeine Sprachverarbeitung, spezialisierte SLMs für Klassifizierung). Durchführung von Quantisierungstests (AWQ vs. GGUF) und exakte Auslegung der Server-Hardware.
-
Phase 3: Aufbau der lokalen Enterprise-RAG-Pipeline
Bereitstellung einer selbst gehosteten Vektordatenbank (z. B. Qdrant oder Milvus) mit hybrider semantischer Suche (Dense Embeddings kombiniert mit BM25 Sparse Search) und lokalem Reranking-Modell (z. B. BAAI/bge-reranker-v2-m3) für maximale Treffergenauigkeit ohne Halluzinationen.
-
Phase 4: Integration in Workflows & Agentic AI
Anbindung der Inferenz-Schnittstelle an bestehende Arbeitsplätze via REST-API, OpenAI-kompatible Endpoints und Workflow-Engines wie n8n. Anbindung von Fachsoftware über standardisierte MCP-Server (Model Context Protocol).
-
Phase 5: Monitoring, Evals & kontinuierliche Optimierung
Etablierung eines automatisierten LLM-Evaluation-Frameworks zur kontinuierlichen Messung von Antwortqualität, Latenz und Token-Durchsatz. Feintuning (LoRA / QLoRA) auf firmenspezifischen Fachjargon bei Bedarf.
Die vier Schichten der produktiven On-Premise Inferenz-Pipeline
Im Produktivbetrieb greifen die einzelnen Komponenten nahtlos ineinander, um Sub-Sekunden-Antwortzeiten auch bei hoher Nutzerlast zu gewährleisten:
1. Quantisierungs- & Modellschicht
Konvertierung der Basisgewichte in optimierte 4-Bit-Formate (AWQ für NVIDIA GPUs oder GGUF für gemischte Umgebungen). Reduziert den Speicherbedarf eines 70-Milliarden-Parameter-Modells von 140 GB auf unter 40 GB VRAM bei 99 % Präzisionserhalt.
2. vLLM High-Throughput Serving Engine
Verwaltung paralleler Anfragen mittels PagedAttention, Continuous Batching und Prefix Caching. Häufig genutzte System-Prompts und Dokumentenkontexte verbleiben im Cache, wodurch wiederkehrende Latenzen eliminiert werden.
3. Hybride RAG- & Vektor-Engine
Selbst gehostete Vektordatenbank mit Multi-Tenancy und granularen Zugriffsberechtigungen. Verarbeitet unstrukturierte PDFs, Office-Dateien und Datenbankeinträge über echtzeitfähige Chunking-Pipelines.
4. Zero-Trust API-Gateway & Agenten-Schnittstelle
Zentrale Vermittlungsschicht mit API-Token-Verwaltung, Ratelimitern, PII-Filtern und Audit-Logging. Bietet standardisierte Endpunkte für Intranets, Microsoft Teams, n8n und Fachanwendungen.
Kapitel 5: Praxisnahe B2B Use Cases im DACH-Raum
Dass On-Premise AI heute keine theoretische Konzeptstudie mehr ist, belegen zahlreiche erfolgreiche Produktiveinsätze im gehobenen Mittelstand:
1. Maschinen- und Anlagenbau: Geschützte CAD- & Service-Wissensdatenbank
Ein mittelständischer Sondermaschinenbauer aus Baden-Württemberg verfügt über mehr als 80.000 technische Zeichnungen, Serviceberichte und Montageanleitungen aus drei Jahrzehnten. Bislang dauerte die Fehlersuche bei weltweiten Kundenanlagen oft Tage. Durch den Aufbau einer lokalen RAG-Pipeline auf einem eigenen GPU-Server können Servicetechniker die interne KI in natürlicher Sprache nach historischen Fehlerbildern und Drehmomentwerten befragen. Kein einziges Dokument verlässt das geschützte Firmennetzwerk – das wertvolle Fertigungs-Know-how bleibt zu 100 % geschützt.
2. Medizintechnik & Pharma: Audit-sichere Dokumentenanalyse (Schweiz)
Ein Schweizer Hersteller von Diagnostikgeräten muss klinische Studienberichte, Laborprotokolle und Zulassungsdokumente nach FDA- und MDR-Standards auswerten. Da diese Dokumente strengste Vertraulichkeitsklauseln und Patientendaten enthalten, ist die Nutzung externer Cloud-APIs durch Compliance-Vorgaben strikt untersagt. Ein quantisiertes Mistral-Large-Modell auf einem lokalen Servercluster automatisiert die Vorprüfung und Extraktion regulatorischer Kennzahlen direkt in der geschützten Forschungs- und Entwicklungsabteilung.
3. Rechtsberatung & Wirtschaftsprüfung: M&A-Vertragsanalyse (Österreich)
Eine Wiener Wirtschaftskanzlei prüft bei M&A-Transaktionen tausende Seiten vertraulicher Gesellschaftsverträge, Bilanzen und Arbeitsverträge im Rahmen der Due Diligence. Ein lokales, auf Rechtsdeutsch spezialisiertes Open-Source-LLM analysiert Risikoklauseln und Haftungsausschlüsse im air-gapped Intranet, ohne dass Mandantengeheimnisse oder berufsrechtliche Verschwiegenheitspflichten gefährdet werden.
4. Finanzdienstleister: Automatisierte KYC- & Kreditaktenprüfung
Ein regionaler Finanzdienstleister verarbeitet täglich hunderte Kreditanträge und Kontoauszüge. Das lokale Zero-Trust AI Gateway extrahiert Bonitätsindikatoren, gleicht Stammdaten mit dem Kernbankensystem ab und bereitet Entscheidungsvorlagen für Kreditsachbearbeiter vor. Durch die vollständige On-Premise-Ausführung entfallen aufwendige externe BaFin-Meldeprozesse für Cloud-Auslagerungen.
Kapitel 6: Wirtschaftlichkeitsrechnung (TCO & ROI: On-Premise vs. Cloud)
Neben den rechtlichen und sicherheitsrelevanten Argumenten spricht vor allem die Wirtschaftlichkeit für den Betrieb eigener KI-Infrastruktur. Während Public-Cloud-Anbieter jeden einzelnen verarbeiteten Token (Input und Output) sowie zusätzliche Cached-Token-Gebühren abrechnen, sinken die Grenzkosten bei eigener Hardware mit jedem weiteren Prompt nahezu auf den reinen Stromverbrauch.
TCO-Kalkulationsbeispiel: 500 Mitarbeiter mit aktivem KI-Einsatz
Szenario: Ein Unternehmen mit 500 Knowledge-Workern generiert täglich durchschnittlich 25 RAG-Abfragen pro Kopf bei durchschnittlich 3.000 Kontext-Tokens (Dokumentenauszüge) und 500 Output-Tokens.
- Monatliches Token-Volumen: ca. 750 Millionen Tokens (inkl. RAG-Kontext).
- Cloud-API-Kosten (Proprietäres Frontier-Modell): ca. 4.500 € bis 9.000 € monatlich (ca. 54.000 € bis 108.000 € p. a.).
- On-Premise Server-Setup (Pragma Code Stack): Einmalige Hardware-Investition ca. 28.000 € (Server mit 2x NVIDIA L40S 48GB, redundantes Netzteil, 3 Jahre Garantie) + ca. 250 € monatliche Strom- und Rumpfkosten.
- Break-Even & ROI: Das On-Premise-System hat sich bereits nach 5 bis 7 Monaten vollständig amortisiert. Ab dem zweiten Betriebsjahr spart das Unternehmen jährlich über 50.000 € an laufenden Betriebsausgaben ein.
Zusätzlich entfallen bei On-Premise-Lösungen die unberechenbaren Risiken plötzlicher Preiserhöhungen durch Plattformbetreiber sowie teure Bandbreitenkosten (Egress Fees) für das permanente Hochladen großer Datenmengen in die Cloud.
Quick-Check: Ist On-Premise AI die richtige Strategie für Ihr Unternehmen?
Fazit: Datensouveränität als strategischer Wettbewerbsvorteil
Der Wechsel zu On-Premise AI und souveränen Hybrid-Architekturen ist kein defensiver Rückzug aus der modernen KI-Welt, sondern der entscheidende strategische Schritt zu echter technologischer Mündigkeit. Unternehmen im DACH-Raum müssen sich nicht länger zwischen Spitzenleistung und Datenschutz entscheiden: Moderne Open-Source-LLMs bieten in Verbindung mit vLLM, hybridem RAG und dedizierter Hardware maximale Intelligenz bei 100 % Sicherheit.
Wer heute in eigene, kontrollierte KI-Infrastruktur investiert, schützt seine wertvollsten Unternehmenswerte, erfüllt alle europäischen Regularien mühelos und sichert sich einen nachhaltigen Kostenvorteil gegenüber Wettbewerbern, die in der Cloud-API-Kostenfalle gefangen bleiben.
Pragma Code unterstützt mittelständische Unternehmen von der ersten Machbarkeitsanalyse über die Hardware-Dimensionierung und Modell-Quantisierung bis hin zur schlüsselfertigen Integration in bestehende Intranets und n8n-Automatisierungen.
Unsere Expertise vor Ort
Wir sind Ihr digitaler Partner – regional verankert und überregional erfolgreich.
Planen Sie eine eigene On-Premise AI-Infrastruktur?
Wir evaluieren Ihre Hardware- und Datenlandschaft, quantisieren Open-Source-Modelle und integrieren performante RAG-Pipelines in Ihr Firmennetzwerk.
Kostenlose KI-Architekturberatung anfragenErweitertes Fachglossar
On-Premise AI
On-Premise AI bezeichnet den lokalen Betrieb von Modellen der Künstlichen Intelligenz auf firmeneigener Hardware oder in isolierten Private-Cloud-Umgebungen. Dies garantiert die vollständige Kontrolle über geschäftskritische Daten, schützt geistiges Eigentum und eliminiert DSGVO-Risiken.
RAG (Retrieval-Augmented Generation)
Retrieval-Augmented Generation (RAG) verknüpft ein Large Language Model mit einer lokalen Vektordatenbank. Das Modell beantwortet Fragen präzise auf Basis interner Unternehmensdokumente, ohne dass teures Nachtrainieren erforderlich ist.
Quantisierung
Verfahren zur Reduktion der mathematischen Modellpräzision (z. B. von 16-Bit auf 4-Bit via AWQ oder GGUF). Dies reduziert den VRAM-Bedarf um bis zu 70 % bei nahezu identischer Antwortqualität und ermöglicht High-End-Inference auf Standard-Hardware.
vLLM
Hochperformante Open-Source-Inferenz-Engine für LLMs. Durch PagedAttention optimiert vLLM die dynamische Zuweisung des GPU-Speichers für den KV-Cache und maximiert den Durchsatz bei parallelen Anfragen.
Datensouveränität
Die uneingeschränkte rechtliche und technologische Kontrolle eines Unternehmens über die Speicherung, Verarbeitung, Sicherheit und Weitergabe sämtlicher digitaler Daten ohne Abhängigkeit von Drittstaaten.
